انواع هوش مصنوعی و کاربردهای آن

به گزارش واحد ترجمه ایران دکونومی، هوش مصنوعی را می‌توان به طور کلی بر اساس قابلیت‌ها و فناوری‌ها به چندین نوع طبقه بندی کرد. در اینجا یک مرور کلی از انواع مختلف هوش مصنوعی آورده شده است، با ما همراه شوید.

1- دسته بندی هوش مصنوعی بر اساس قابلیت ها

از آنجایی که هوش مصنوعی به دنبال تقلید از عملکرد انسان‌‌ است، می‌توان درجه‌ای که یک سیستم هوشمند می‌تواند توانایی‌های انسانی را تقلید کند را به عنوان معیاری برای دسته بندی AI مورد استفاده قرار داد.

هوش مصنوعی Narrow (ضعیف)

این نوع هوش مصنوعی برای انجام کارهایی همچون تشخیص چهره، جستجوهای اینترنتی یا رانندگی با ماشین طراحی شده است. بیشتر سیستم‌های AI فعلی، از جمله سیستم‌هایی که می‌توانند بازی‌های پیچیده‌ای مانند شطرنج و Go را انجام دهند، در این دسته قرار می‌گیرند. آنها تحت یک محدوده از پیش تعریف شده یا مجموعه‌ای از زمینه‌ها عمل می‌کنند.

به طور کلی، تمام هوش مصنوعی موجود که تاکنون ساخته شده‌؛ از جمله پیچیده‌ترین و قدرتمند‌ترین آن‌ها نشان دهنده یک نوع هوش مصنوعی ضعیف است. هوش مصنوعی ضعیف به سیستم‌هایی اطلاق می‌گردد که تنها می‌توانند یک کار بخصوص را به شکل مستقل و شبیه به انسان انجام دهند. هوش مصنوعی ضعیف نمی‌تواند وظیفه‌ای که برای انجام آن برنامه‌ریزی نشده‌ انجام دهد. بنابراین دارای طیف بسیار محدود یا ضعیفی از مهارت‌ها است.

هوش مصنوعی عمومی (General)

نوعی از هوش مصنوعی که دارای قابلیت‌های شناختی گسترده‌ای شبیه به انسان است و به آن امکان می‌دهد تا وظایف جدید و ناآشنا را به طور مستقل انجام دهد. چنین چارچوب قوی هوش مصنوعی دارای ظرفیت تشخیص، جذب و استفاده از هوش خود برای حل هر چالشی بدون نیاز به راهنمایی انسانی است.

در واقع، این سیستم‌ها می‌توانند به طور مستقل مهارت‌های متعددی را یاد بگیرند و ارتباطات جدیدی را در حوزه‌های مختلف ایجاد کنند و زمان مورد نیاز برای آموزش را هم به شکل معنی داری کاهش دهند. این نوع از AI با تقلید از توانایی‌های چند بعدی انسان می‌تواند چندین کار مختلف را انجام دهد.

ابر هوش مصنوعی (Superintelligent)

این دسته نشان دهنده شکل آینده‌ای از هوش مصنوعی است که در آن ماشین‌ها می‌توانند از هوش انسانی در همه زمینه‌ها، از جمله خلاقیت، خرد عمومی و حل مسئله پیشی بگیرند. ابر هوش یک حدس و گمان است و هنوز محقق نشده است.

2-دسته بندی هوش مصنوعی براساس عملکرد

ماشینهای واکنشی (Reactive Machines)

این سیستم‌های هوش مصنوعی خاطرات یا تجربیات گذشته را برای اقدامات آینده ذخیره نمی‌کنند. آنها موقعیت‌های مختلف را تحلیل و به آنها پاسخ می‌دهند. Deep Blue از IBM که گری کاسپاروف را در شطرنج شکست داد، یک نمونه از این نوع AI است.

حافظه محدود (Limited Memory)

این سیستم‌های هوش مصنوعی می‌توانند با مطالعه داده‌های گذشته که جمع‌آوری کرده‌اند، تصمیمات آگاهانه و بهبودیافته بگیرند. اکثر برنامه های کاربردی هوش مصنوعی امروزی، از چت بات‌ها و دستیاران مجازی گرفته تا ماشین‌های خودران، در این دسته قرار می‌گیرند.

تئوری ذهن (Theory of Mind)

این یک نوع پیشرفته‌تر از هوش مصنوعی است که محققان هنوز روی آن کار می‌کنند. این مستلزم درک و به خاطر سپردن احساسات، باورها، نیازها و بسته به آن‌ها، تصمیم گیری است. این نوع به ماشین برای درک واقعی انسان نیاز دارد.

هوش مصنوعی خودآگاه (Self-aware AI)

این نوع، نشان دهنده آینده هوش مصنوعی است؛ جایی که ماشین‌ها آگاهی، احساس و خودآگاهی خاص خود را خواهند داشت. این نوع هوش مصنوعی هنوز تئوری است و قادر به درک و داشتن احساسات است که می‌تواند آنها را به شکل‌گیری باورها و خواسته‌ها سوق دهد.

3-دسته بندی هوش مصنوعی براساس تکنولوژی

یادگیری ماشینی (ML)

سیستم‌های هوش مصنوعی قادر به بهبود خود از طریق تجربه و بدون برنامه‌نویسی مستقیم هستند. آنها بر ایجاد نرم افزاری تمرکز می‌کنند که بتواند به طور مستقل با دسترسی و استفاده از داده‌ها یاد بگیرد.

یادگیری عمیق

این نوع زیر مجموعه‌ای از ML است که لایه‌های زیادی از شبکه‌های عصبی را در بر می‌گیرد. این نوعغ برای یادگیری از مقادیر زیادی داده استفاده می‌کند و فناوری پشت کنترل صوتی در دستگاه‌ها، تشخیص تصویر و بسیاری از برنامه‌های کاربردی دیگر است.

پردازش زبان طبیعی (NLP)

این فناوری هوش مصنوعی ماشین‌ها را قادر می‌سازد تا زبان انسان را درک و تفسیر کنند. این نوع در ربات‌های گفتگو، خدمات ترجمه و برنامه‌های تحلیل احساسات استفاده می‌شود.

رباتیک

این نوع هوش مصنوعی زمینه طراحی، ساخت، بهره برداری و استفاده از روبات‌ها و سیستم‌های کامپیوتری برای کنترل آنها، بازخورد حسی و پردازش اطلاعات است.

Computer Vision

این فناوری به ماشین‌ها اجازه می‌دهد دنیا را به صورت بصری تفسیر کنند و در کارهای مختلفی مانند آنالیز تصاویر پزشکی، نظارت و ساخت استفاده می‌شود.

Expert Systems

این سیستم‌های هوش مصنوعی با استفاده از سیستم‌های مبتنی بر قواعد به سؤالات پاسخ می‌دهند و مشکلات را در حوزه تخصصی خاصی حل می‌کنند.

شاخه های هوش مصنوعی

تحقیقات هوش مصنوعی با موفقیت تکنیک‌های موثری را برای حل طیف گسترده‌ای از مشکلات، از بازی کردن تا تشخیص پزشکی، توسعه داده است. شاخه‌های زیادی از هوش مصنوعی وجود دارد که هر کدام مجموعه‌ای از تکنیک‌های خود را دارند. برخی از شاخه‌های اساسی هوش مصنوعی عبارتند از:

یادگیری ماشینی: با توسعه الگوریتم‌هایی سروکار دارد که می‌توانند از داده‌ها یاد بگیرند. الگوریتم‌های ML در کاربردهای مختلفی از جمله تشخیص تصویر، فیلتر کردن هرزنامه‌ها و پردازش زبان طبیعی استفاده می‌شوند.

یادگیری عمیق: شاخه‌ای از یادگیری ماشین است که شبکه‌های عصبی مصنوعی را برای کسب دانش از داده‌ها مهار می‌کند. الگوریتم‌های یادگیری عمیق به طور موثر مشکلات مختلفی از جمله NLP، تشخیص تصویر و تشخیص گفتار را حل می‌کنند.

پردازش زبان طبیعی: به تعامل بین رایانه و زبان انسان می‌پردازد. تکنیک‌های NLP برای درک و پردازش زبان انسان و در کاربردهای مختلف از جمله ترجمه ماشینی، تشخیص گفتار و تجزیه و تحلیل متن استفاده می‌شود.

رباتیک: رشته‌ای از مهندسی است که به طراحی، ساخت و بهره برداری ربات می‌پردازد. ربات‌ها می‌توانند وظایف خود را به طور خودکار در صنایع مختلف از جمله تولید، مراقبت‌های بهداشتی و حمل و نقل انجام دهند.

سیستم‌های تخصصی: آنها برنامه های کامپیوتری هستند که برای تقلید از توانایی‌های استدلال و تصمیم‌گیری متخصصان انسانی طراحی شده‌اند. این سیستم‌ها در کارهای مختلفی از جمله تشخیص پزشکی، برنامه‌ریزی مالی و خدمات مشتری استفاده می‌شوند.

منبع: simplilearn