اعتماد ،امنیت و کارآیی ؛ چطور بلاکچین با کمک هوش مصنوعی این موارد را تامین خواهند کرد ؟

امروزه شاهد آن هستیم که شرکت هایی که اصرار زیادی بر فناوری های قدیمی می ورزند در رکودهای شدیدی فرو می روند و معمولا توسط پیشگامان تکنولوژی در صنایع مختلف از میدان رقابت خارج می شوند . هرگاه صحبت از حرکت های نوآورانه می شود نام شاخه های مختلف هوش مصنوعی خوش می درخشد و کارآفرینان بسیاری خلاقیت های خود را بر روی موضوعات مختلف این شاخه تکنولوژی بروز و ظهور می دهند . صنایع متعددی از جمله کشاورزی ، خدمات ، بهداشت و درمان ، تولید ، پشتیبانی های فنی ، بازی سازی و … به هوش مصنوعی وابسته اند . از دیگر سو ، بلاکچین عامل کلیدی دیگری در فناوری های مدرن امروزی می باشد که توجهات بسیاری از محققین و کارشناسان تکنولوژی را به خود جلب کرده است .
ما معمولا بلاکچین را معادل پول دیجیتال در نظر می گیریم و آن را فقط در امور مالی موثر می پنداریم ، اما حقیقت آن است که بلاکچین می تواند در حمل و نقل ، رای گیری الکترونیک ، خرده فروشی ، گذرنامه ها و مدارک الکترونیکی و … به کار گرفته شود و دلیل این موضوع هم آن است که بلاکچین در هر جایی که نیاز به تایید مجموعه ای از اقدامات وجود داشته باشد می تواند نقش کلیدی را برعهده گیرد و با محاسبات سبک و کم هزینه امنیت قوی و مناسبی را ارائه دهد .
با در نظر گرفتن گستردگی هوش مصنوعی و بلاکچین در بخش های مختلف ، می توان با همگرایی این دو موضوع به نتایج شگفت انگیزی در زمینه های مختلف دست یافت . بلاکچین می تواند قدرت خود را با کمک تکنولوژی های هوش مصنوعی ارتقاء دهد . ویژگی ها و خاصیت های جدیدی که از همگرایی هوش مصنوعی و بلاکچین بدست می آید باعث افزایش امنیت و اعتماد در تمامی زمینه های زیر می شود :
امنیت :
فناوری بلاکچین از طریق تاکتیک های امنیت سایبری به حفاظت از مدارک و گواهی نامه های دیجیتالی می پردازد و باعث می شود تا امنیت آن به حد قابل قبولی برسد . با کمک پیاده سازی های الگوریتم های هوش مصنوعی و شیوه های یادگیری ماشین ، این سطح امنیتی می تواند به سطوح بالاتری دست یابد . این موضوع می تواند باعث ارائه تضمین هایی برای آینده امنیت سایبری شود .
کارآیی :
می توان از هوش مصنوعی برای کمک به افزایش بهره وری فناوری بلاکچین استفاده کرد . هوش مصنوعی می تواند موجب کاهش هزینه های حفاظت و نگهداری از بلاکچین شود . هزینه های برآورد شده سالانه در حال حاضر به حدود ۶۰۰ میلیون دلار می رسد که هوش مصنوعی می تواند با بهینه سازی محاسبات به کاهش هزینه های بلاکچین کمک کرده و زمان تاخیر در شبکه های معاملاتی را کاهش دهد .
اعتماد :
معمولا آهنین بودن و شکست ناپذیری بلاکچین مهمترین مزیتی است که برای آن ذکر می شود . به کارگیری بلاکچین در کنار هوش مصنوعی می تواند برای استفاده کنندگان از هوش مصنوعی ، اطمینن بخش باشد . در واقع بلاکچین باعث اعتماد سیستم های رباتیکز به یکدیگر می شود و منجر به افزایش تعاملات ماشین به ماشین می شود و ربات ها می توانند با اطمینان بیشتری به اشتراک گذاری داده ها و هماهنگی در تصمیمات با یکدیگر بپردازند .
بازارهای جدید :
دسترسی به داده های خصوصی همواره موجب افزایش فروش می شود . در آینده ما با بازارهای داده ای ، بازارهای مدلی ، بازارهای سیستم های اطلاعاتی و حتی بازارهای هوش مصنوعی مواجه خواهیم شد .  در این بازارها ما شاهد خواهیم بود که داده ها به سادگی و امنیت بالا به اشتراک گذاشته خواهند شد . این بازارها باعث رشد شرکت های کوچک و متوسط می شوند و رقابت ها شکل سازنده تری را به خود خواهند گرفت . مطمئن باشید که در آینده ای نه چندان دور کارآفرینان از همگراشدن هوش مصنوعی با بلاکچین نوآوری های جدیدی را خلق خواهند کرد و چالش های جدی و مهمی  را حل خواهند کرد .
ذخیره سازی داده ها و استفاده از داده های شخصی :
بلاکچین یک ایده آل برای ذخیره سازی داده های حساس و شخصی می باشد که وقتی با پردازش های هوشمندانه هوش مصنوعی ترکیب شود ، می تواند برای زندگی مدرن ما بسیار ارزشمند باشد و راهگشای بسیاری از مشکلات امروزی مانند سیستم های مراقبت بهداشتی و سیستم های تشخیص هوشمند بیماری براساس اسکن های رادیولوژی ها و سوابق درمانی باشد .
درک بهتر از تصمیمات هوش مصنوعی :
درک تصمیمات اتخاذ شده توسط سیستم های هوش مصنوعی معمولا برای انسان ها سخت است . این که چرا باید معاملات مالی مسدود شود یا این که با قدرت ادامه داده شوند هرگز توسط انسان های معمولی نمی توانند توجیه شوند . با کمک بلاکچین و هوش مصنوعی می توان داده ها را بر روی بلوک های قرار داد و با حسابرسی دقیق و کامل به ممیزی داده ها پرداخت و مدل های مالی گوناگونی را برای شرایط مختلف تولید کرد ، بدون آن که از افشاء شدن این داده های حساس خطری را احساس کنیم .
مدیریت بهتر بر روی هوش مصنوعی با کمک بلاکچین :
الگوریتم های داده کاوی در یادگیری ماشین با داشتن اطلاعات جامع و کامل می توانند خیلی سریع فرآیند آموزش و تست را طی کنند و به تکامل برسند . اطلاعات صحیح و فراگیر در یادگیری ماشین می تواند موجب مهارت یابی ماشین ها شود . این اطلاعات امن و کامل در یادگیری ماشین می تواند توسط بلاکچین فراهم آید .
امروزه بسیاری از محققان و شرکت های تجاری به دنبال برقراری ارتباط بین این دو حوزه ارزشمند هستند . آنها سعی دارند ابزارهای هوش مصنوعی را که در سازمان ها مورد استفاده قرار می گیرند و معمولا به داده های حساس و حیاتی دسترسی دارند را به تکنولوژی بلاکچین مجهز کنند تا بدین وسیله بتوانند پوشش حفاظتی بهتری را برای این گونه داده ها فراهم کنند. همچنین در شبکه ها و رسانه های اجتماعی سعی شده است تا محتواهای انتشاریافته به کمک بلاکچین رمزنگاری شوند تا حق نشر و کپی محتواها از بین نرود .
ما امروزه شاهد همگرایی بلاکچین و هوش مصنوعی در قالب سیستم های کاشف هوشمند هستیم . به عنوان مثال Bublo یک برنامه کشف هوشمند است که بهترین مکان ها و رستوران ها را بر اساس سلایق و نظرات کاربران به آن ها پیشنهاد می دهد . در این سیستم به کاربرانی که داده ای را تولید کنند پاداش داده می شود .
همچنین انواع فناوری های هوش مصنوعی که ممکن است به صورت مستقل دچار اختلال شوند ، توسط بلاکچین می توانند تقویت شوند و در واقع این دو تکنولوژی مکمل یکدیگر خواهند بود و می توانند موجب این شوند تا کارآفرینان و نوآوران راه های جدیدی را برای کشف مسائل پیدا کنند و بینش عمیق تری را برای بهره وری و پاسخگویی به نیازهای جامعه انسانی پیدا کنند .

گردآوری و بازآفرینی (ترجمه و نشر ) : مهندس مسعود معاونی

کد مقاله : A97051502

منبع : فوربس


تلگرام

ربات های قاتل

ربات های قاتل

تاکنون در فیلم های علمی ، تخیلی ربات های را مشاهده می کردیم که از کنترل انسان خارج می شدند و به بشریت آسیب می رساندند . اما در این پست قصد داریم به مواردی واقعی اشاره کنیم که در آن ، انسان هایی توسط ربات ها کشته شده اند . همواره باید به این موضوع توجه داشت ، که ربات ها هیچ ذهنیتی از خود ندارند و تنها کاری را انجام می دهند که برای آن برنامه ریزی شده اند . در اکثر موارد خطاهای ربات ها زمانی به وقوع می پیوندد که انسان ها در مسیر ربات ها حرکت می کنند و ربات ها به علت ضعف در سنسورها یا خطاهای نرم افزاری قادر به تشخیص انسان ها نیستند و به آن ها آسیب وارد می کنند . به همین دلیل است که بیشترین وقایع و مرگ های مرتبط با ربات ها در محیط کارخانه های صنعتی به وقوع می پیوندد . جایی که ربات ها نزدیک به انسان کار می کنند و معمولا انسان ها به علت ساختار ضعیف بدنی در چنین تصادم های بیشترین آسیب را می بینند .

در اینجا به ۱۰ مورد از این حوادث اشاره می کنیم :

۱- Joshua Brown اولین فردی است که در تصادف با یک اتومبیل خودران کشته شد . وی در ۷ مه سال ۲۰۱۶ در حالی که از ویلیستون به سمت فلوریدا رانندگی می کرد ، تصادف شدیدی با خودرو ، خودران شرکت تسلا کرد که منجر به کشته شدن وی گردید . خودروسازی تسلا سعی فراوانی کرد که خود را از هرگونه اتهامی در این حادثه خلاص کند و در نهایت با توجه به مستندات و مدارک پلیس نیز Brown مقصر این حادثه شناخته شد .

۲- Robert Willimas  اولین فردی است که توسط یک ربات کشته شده است . در کارخانه فورد در ایالت میشیگان در ۲۵ ژانویه ۱۹۷۹ پس از آن که یک بازوی رباتیک ضربه سنگینی به ویلیامز زد ، او را به داخل جعبه مواد بازیافتی پرتاب کرد و باعث کشته شدن می شد . کارخانه فورد به خانواده وی ۱۰ میلیون دلار غرامت پرداخت کرد .

۳- در یک پایگاه نظامی واقع در آفریقای جنوبی ۹ سرباز کشته و ۱۴ سرباز به شدت زخمی شدند . چرا که در اواسط سال ۲۰۰۷ یک سلاح ضد هوایی به صورت اتومات شروع به شلیک نمود . این سربازان در حال آموزش در دوره مقدماتی بودند که توسط این سلاح مرگبار کشته شدند . مسئولان اشکال نرم افزاری را عامل این مساله دانستند .

۴- در تاریخ ۷ جولای ۲۰۱۶ ، Micah Johnson بعد از به قتل رساندن سه افسر پلیس در یک ساختمان نیمه تمام سنگر گرفت و چندین تله انفجاری را برای جلوگیری از ورود پلیس در آن جا فعال کرد . پلیس از یک ربات ضد مین برای ورود کمک گرفت ، اما ربات به جای غیرفعال کردن مین ها به وسیله ی بازوی مکانیکی خود Johnson را بر روی آن ها پرتاب کرد و باعث کشته شدن وی گردید . همچنین در این حادثه خود ربات کاملا از بین رفت .

۵- Kenji Uradu در جولای ۱۹۸۱ توسط یک ربات در صنایع سنگین Kawazaki در زاپن کشته شد . او نخستین مرد ژاپنی است که توسط یک ربات کشته شد . Uradu در زمان حادثه در حال تعمیر ربات بود و ربات نیز از سیستم کنترل مرکزی ربات ها قطع شده بود و به صورت کامل غیرفعال بود اما به صورت ناگهانی فعال شد که این موضوع باعث مرگ این مرد ژاپنی شد .

۶- در یک تراژدی غم انگیز در کارخانه فولکس واگن در آلمان که در سال ۲۰۱۵ به وقوع پیوست ، یک انسان ناشناس توسط یک ربات کشته شد . این مرد عضو موقت تیمی بود که در حال تنظیم ربات بودند . ربات او را از روی زمین برداشت و در بین صفحات فلزی پرس سنگین قرار داد به طوری که جسد وی دیگر قابل شناسایی نبود . فولکس واگن علت این حادثه را خطای انسانی عنوان کرد .

۷- در مارس ۲۰۱۷  در یک حادثه عجیب ، Wanda Holbrook ، توسط یک ربات در کارخانه تولید قطعات خودرو Ventra , واقع در میشگان کشته شد . ربات ها در این کارخانه حق ورود به قسمت های دیگر را ندارند . اما در یک حادثه هولناک یک ربات به صورت غیرمنتظره ای وارد بخش دیگری شد و Wanda را که مسئول تعمیر این ربات بود را بر روی تسمه نقاله قرار داد و باعث مرگ وی شد .

۸- Ana Maria توسط یک ربات در صنایع غذایی در شهرکی صنعتی واقع در کالیفرنیا در سال ۲۰۰۹ کشته شد . این ربات وظیفه بسته بندی مواد غذایی را برعهده داشت و هنگامی که یک جعبه در ربات گیر کرد ، Maria ربات را غیر فعال کرد و وارد محفظه ربات شد تا جعبه را دربیاورد ، اما ناگهان ربات فعال شد و ماریا را به عنوان یک جعبه محسوب کرد و استخوان های وی را به شدت خرد کرد و باعث مرگ وی شد .

۹- در سال ۲۰۱۵ ، Ramji Lal توسط یکی از ربات های مستقر در کارخانه فلزات SKH در هند کشته شد . این ربات وظیفه حمل قطعات فلزی سنگین وزن را برعهده داشت ، اما قطعات به درستی بر روی آن قرار نگرفته بود که این ربات شروع به حرکت کرد و ضربه ای شدید به Ramji زد که باعث مرگ وی گردید .

۱۰- در ژوئن ۲۰۱۶ ، Regin Elsea در حالی که دو هفته از ازدواج وی نگذشته بود ، توسط یک ربات کشته شد . Elsea و همکاران وی در حال تعمیر یک ربات معیوب بودند . آن ها تلاش داشتند ربات را در سریعترین زمان ممکن تعمیر کنند که ربات به صورت پیش بینی نشده ای فعال شد و شروع به کار کرد و Elsea را به سمت یک ماشین سنگین دیگر پرتاب کرد که باعث مرگ وی گردید . هر چند که بعد مشخص شد که کارخانه سازنده این ربات چندین تخلف امنیتی را مرتکب شده است . در نهایت کارخانه سازنده این ربات محکوم به پرداخت جریمه ۲۷٫۷ میلیون دلاری گردید .


تاریخ انتشار : ۲۸ خرداد ماه ۱۳۹۷

گردآورنده : مسعود معاونی

منبع : اینجا کلیک کنید


تلگرام

معرفی ۱۰ ترند برتر در مقالات در سال ۲۰۱۸

10 ترند برتر فناوری اطلاعات در سال ۲۰۱۸

در این مقاله می خواهیم به معرفی ۱۰ گرایش اصلی (trend) اصلی در سال ۲۰۱۸ بپردازیم :
  1. مفاهیم بنیادین هوش مصنوعی(AI) : امروزه استفاده از AI به هدف افزایش توانایی در تصمیم گیری ، بازنگری مدل های کسب و کار ، بازنگری در مدل های کسب وکار ، بازسازی اکوسیستم های ارتباطی ، افزایش بازدهی و توسعه ابتکارات دیجیتالی صورت می پذیرد . ۵۹ درصد از سازمان ها برای جمع آوری اطلاعات به سراغ راهبردهای هوش مصنوعی می روند . هوش مصنوعی همواره دارای راه حل های پویا و متنوعی است که از مهم ترین آن ها می توان به یادگیری ماشین (Machine Learning) اشاره کرد که به کمک الگوریتم های بهینه شده بهترین عملکرد را برای تجهیزات فراهم می آورد . محققان معتقدند برای پیشرفت در علوم مختلف ، همواره باید به AI با دیدگاه علمی ، تخیلی برخورد کرد تا راهکارهای جدید از آن استخراج شود .
  2. نرم افزارهای هوشمند و آنالیز اطلاعات (Intelligent APPs and Analystics) : نرم افزارهای که برروی اسمارت فون ها به کار گرفته می شوند دارای یک لایه میانبر میان افراد و سیستم ها ایجاد می کنند و می تواند ساختار کلی سازمان ها را تغییر دهند . در آینده نزدیک دستیاران مجازی به راحتی کارکنان ، مشتریان ، مشاوران و حتی مدیران را زیر سلطه خود می گیرند . برنامه های هوشمند به دنبال تقویت فعالیت های انسانی هستند و در واقع آنها هیچ گاه به صورت صددرصدی نقش افراد را برعهده نخواهند گرفت . باید توجه داشت که تهیه اطلاعات خودکار ، کشف بینش مشتریان و اشتراک گذاری طیف وسیعی از اطلاعات با همکاران تجاری ، کارکنان و دانشمندان تحول شگرفی در حوزه علم پدید خواهد آورد .
  3. اشیاء هوشمند (Intelligent Things) : اشیاء هوشمند ، هوش مصنوعی و یادگیری ماشین همگی به دنبال تعامل هوشمندانه با افراد و محیط می باشند . تفکیک این سه حوزه از یکدیگر کار مشکلی است و نمی توان هیچ شئ هوشمندی را بدون هوش مصنوعی و فرآیند یادگیری در نظر گرفت . واقعیت این است که ما به دنبال تحقق موجودیتی خودمختار هستیم تا در یک محیط نامحدود برای مدت زمان نامشخص به صورت خودگردان عمل نماید . چنین هدفی در کنار یادگیری ماشین و هوش مصنوعی برای اشیاء خودمختار معنا پیدا می کند .از طرفی دیگر اشیاء هوشمند باید قابلیت همکاری با سایر اشیاء را داشته باشند و بتوانند هم زمان تعامل قابل قبولی با انسان داشته باشند . در حال حاضر اشیاء هوشمند بیشتر در صنایع نظامی به کار می روند اما در آینده ای نه چندان دور اخبار قابل توجهی از آنان منتشر خواهد شد .
  4. دوقلوهای دیجیتالی (Digital Twins) : یک جفت دیجیتال شامل یک سیستم یا موجودیت از دنیای واقعی به همراه یک موجودیت دیجیتال می باشند . دوقلوهای دیجیتال اغلب در قالب اینترنت اشیاء مطرح می شوند . اشیای دیجیتالی که با اشیاء دنیای واقعی ارتباط برقرار می کنند و اطلاعاتی در مورد وضعیت همتایان ارائه می کنند و به راحتی به تغییرات پاسخ می دهند و توانایی بهبود دادن عملیات را دارند و نهاایتا باعث ایجاد ارزش افزوده می گردند .با حدود ۲۱ میلیارد سنسور متصلو end point ها تا سال ۲۰۲۰ ، دوقلوهای دیجیتال برای میلیاردها شئ در آینده نزدیک تحقق خواهند یافت . دوقلوهای دیجیتال مدیریت دارایی ها را بهبود داده و زمان عملیات ها را کاهش می دهند و بازده عملیاتی را افزایش خواهند داد . نکته خیلی مهم این است که دوقلوهای دیجیتالی بینش (نگرش+دانش) استفاده از محصولات را تغییر خواهند داد و عملکرد ها را بهینه خواهند کرد .در خارج از حوزه اینترنت اشیاء پتانسیل رو به رشدی برای دوقلوهای دیجیتال وجود دارد . هم اکنون اشیاء دیجیتال بسیاری در اطراف ما قرار دارند که وظیفه شبیه سازی ، آنالیز و برنامه ریزی را برعهده دارند . در چند سال آینده کمتر کسی از شنیدن اصطلاحاتی نظیر بازاریابان دیجیتالی ، مراقبان بهداشتی دیجیتال و برنامه ریزان دیجیتالی تعجب خواهد کرد .
    (تهیه شده در وب سایت مهندس مسعود معاونی)
  5. لبه های اَبر (Cloud to the Edge) : محاسبات لبه (Edge Computing) یک توپولوژی محاسباتی را توصیف می کند که در آن پردازش اطلاعات ، جمع آوری و تحویل محتوا به منابع اطلاعاتی بسیار نزدیک خواهد بود . بدین شکل چالش های اتصال و زمان بندی (connecting and latency) ، محدودیت های پهنای باند با استفاده از قابلیت های بیشتر در لبه کاهش می یابند و مدل های توزیع شده به خوبی استفاده می شوند . بر این اساس شرکت ها به دنبال طراحی الگوهایی در زیرساخت های خود می روند تا از لبه ها به خوبی استفاده کنند . این موضوعات برای افرادی که در شبکه های خود دارای عناصری از اینترنت اشیاء هستند بیشتر به چشم خواهد آمد . معمولا به اشتباه تصور می شود که رایانش ابری(Cloud Computing)  و محاسبات لبه (Edge Computing) رویکرد رقابتی با یکدیگر دارند اما واقعیت این است که این یک سوء تفاهم اساسی در مفاهیم پایه ای است . در محاسبات لبه ما درباره یک توپولوژی محاسباتی صحبت می کنیم که محتوا ، پردازش ها ، اشیاء و .. را به لبه شبکه متصل می کند امّا اَبر یک سیستم است که در آن خدمات فناوری با استفاده از فناوری های اینترنتی ارائه می شود . اَبر با ایجاد یک مدل سرویس گرا امکان محاسبات لبه را می دهد .(تهیه شده در وب سایت مهندس مسعود معاونی)
  6. سیستم عامل های محاوره ای (Conversational Platforms) : سیستم عامل ها همواره با تغییر همراه بوده اند و آن ها به دنبال ترجمه بهتر از اهداف کاربران برای سخت افزار بوده اند . سیستم عامل ها قادر به پاسخگویی های ساده هستند اما تعاملات پیچیده نیاز به تکامل عملیات پیچیده در سطح سیستم عامل ها را دارد . چالش عمده امروزی سیستم عامل ها این است که کاربران از برخورد با سیستم هایی با ساختار خشک و غیر منعطف هراسان هستند و اغلب کاربران از تجربه خسته کننده خود شاکی هستند . اضافه شدن شخص ثالث به سیستم های امروزی و افزوده شدن مدل های رویدادی ، نیاز به تغییرات گسترده در سیستم عامل ها را ملموس تر کرده است .
  7. پوشش تجربیات (Immersive Experience) : واقعیت افزوده (Augmented reality)  و واقعیت مجازی (Virtual Reality) و واقعیت مخلوط (Mixed Reality) شیوه زندگی و ادراکات مردم را به شدت تحت تاثیر خود قرار خواهد داد . در آینده ی نه چندان دور کاربران از تجربیات نامرئی خود صحبت خواهند کرد . در این بین فروشندگان نرم افزارها و سیستم های سخت افزاری برای ارائه مدل های جدیدتر رقابت زیادی با یکدیگر خواهند داشت . درطی پنج سال آینده تمرکز برروی واقعیت مخلوط است و کاربران زندگی با اشیاء دیجیتال و دنیای واقعی را تجربه خواهند کرد .
  8. زنجیره بلوکی (Block Chain) : زنجیره بلوکی شامل ویژگی های از قبیل اشتراک گذاری ، توزیع شدگی ، غیر متمرکز بودن  و نشانه دار بودن است که این ویژگی ها اصطحکاک های تجاری را از طریق برنامه های کاربردی مستقل حذف می کنند تا طرف های نامعلوم بتوانند به راحتی با یکدیگر معاملات تجاری را انجام دهند . این فناوری باعث تغییرات گسترده در صنایع می شود و فرصت های مالی برابری را در اختیار همه قرار می دهد . البته بایددر نظر داشت که بسیاری از فناوری های زنجیره بلوکی نابالغ ،اثبات نشده و غیرقابل کنترل هستند . یک رویکرد عملی برای زنجیره بلوکی این است که درک روشنی از رصت های کسب و کار ، توانایی ها و محدودیت های زنجیره بلوکی ، معماریهای اعتماد و مهارت های لازم در پیاده سازی وجود داشته باشد . برای رسیدن به این مهم باید مهارت های خود را در زمینه رمزنگاری ، روش های نظارتی و شناسایی نقاط ضعف و قوت زیرساخت ها بالا ببرید .
    (تهیه شده در وب سایت مهندس مسعود معاونی)
  9. رویداد محوری (Event Driven) :کسب و کارهای دیجیتالبه میزان آمادگی برای بهره برداری از لحظات جدید تجارت دیجیتال تکیه می کند . رویدادهای تجاری نشان دهنده پوشش یا تغییرات جایگاه ها است مانند تکمیل سفارش خرید . برخی از رویدادهای تجاری یا ترکیبی از رویدادها ، تشکیل لحظات تجاری را می دهند که نیاز به یک اقدام خاص دارند . مهم ترین لحظات کسب و کارها مواردی هستند که پیامدهای متعددی برای طرفین دارند از جمله نرم افزارهای ناهماهنگ یا خطوط کسب وکار نامرتبط و یا شرکا. با ظهور IoT و AI و سایر تکنولوژی ها ، رویدادهای کسب و کار را می توان سریع تر تشخیص داد و جزئیات بیشتری را تحلیل کرد . شرکت ها باید تفکر رویداد (Event Thinking) را به عنوان بخشی از استراتژی کسب و کار دیجیتال خود در نظر بگیرند . تا سال ۲۰۲۰ منبع های رویداد (Event Source) نیاز دارند تا در زمان واقعی مورد استفاده ۸۰ درصد از کسب وکارها قرار گیرند . هم چنین بیش از ۸۰ درصد از سیستم های تجاری جدید نیاز بهه پشتیبانی از پردازش رویداد (Event Processing) دارند .
  10. ریسک پذیری و اعتماد مستمر (Continuous Adaptive Risk and Trust) : کسب و کار دیجیتال (Digital Business) ایجاد یک محیط اینترنتی پیچیده و در حال رشد می نماید . استفاده از ابزارهای دیجیتال به طور فزاینده باعث افزایش پیچیدگی و تهدیدات می شود . ریسک سازگاری (Adaptive Risk) و ارزیابی اعتماد (Trust Assessment) برای تصمیم گیری مناسب در زمان واقعی و پاسخگویی مناسب ، از چالش های جدی در کسب و کار دیجیتال خواهد بود . تکنیک های امنیتی سنتی با استفاده از مالکیت و کنترل ، امور را به پیش می برند در حالی که در جهان دیجیتال باید مدل های اعتماد را جایگزین کرد .در جهان دیجیتال حفاظت از زیرساخت ها به تنهایی امنیت را تامین نمی کند و نمی توان در مقابل حملات insider attacks مقاومت کرد . بنابراین نیاز است تا در آینده امنیت به صورت فردمحور(People Centeric Security) پیاده سازی شود و همزمان با توانمند سازی توسعه دهندگان آن ها را به سمت پذیرش مسئولیت های امنیتی سوق داد . هم چنین باید با یکپارچه سازی امنیت (Integrating security) و انجام فرآیندهای مستمر امنیتی و توسعه فناوری های فریب (Deception Technology) از جمله honeypot ها برای شناسایی افرادمخرب که به شبکه شما نفوذ کرده اند ، امنیت را به میزان قابل توجه ای بهبود داد .
    (تهیه شده در وب سایت مهندس مسعود معاونی)

پی نوشت :
digital : امروزه مفهوم دیجیتال تغییر اساسی یافته است . در واقع ترکیبی از دنیای مجازی و دنیای واقعی در کنار محیطی که تمامی اجزاء آن به شبکه متصل هستند تشکیل فضای دیجیتال را می دهند .
intelligent :هوشمندسازی با تکامل اشیاء هوشمند در حال معنا گرفتن است . هوشمندسازی را می توان امروزه در هر چیزی دید .
Mesh : در واقع مش شبکه ای گسترده از افراد ، کسب و کارها ، دستگاه ها ، محتوا و خدمات متنوع به هدف رسیدن به نتایج دیجیتالی بهتر می باشد .
Block Chain : منظور از زنجیره بلوکی همان سیستم و روشی است که منجر به تولید پول های دیجیتالی از قبیل بیت کوین می گردد .

منبع : گارتنر
گردآورنده : مسعود معاونی

  https://telegram.me/moaveni_ir

وفاداری مشتری

وفاداری مشتری

امروزه هوش مصنوعی و یادگیری ماشین تبدیل به توفانی در صنایع دیگر گردیده اند . عده ای معتقدند که در عصر جدید آنها تاثیر به سازی در فرآیند های کسب وکار خواهند گذاشت . در واقع هوش مصنوعی و یادگیری ماشین مقدمه ای برای راه اندازی سیستم اتوماسیون می باشد . قطعا شغل های در آینده وجود خواهد داشت که دیگر انجام آنها نیازی به حس انسانی نخواهد داشت و این کار به لطف سیستم های اتوماسیون خواهد بود .به طور کلی سطح برنامه های اتوماسیون چندان جالب نمی باشد اما به هر شکل در حال پیشرفت منظمی هستند .
شرکت Conversica از هوش مصنوعی و یادگیری ماشین بهره می برد . در واقع Conversica  نام یک ربات هوشمند است که به ایمیل و چیز های دیگر پاسخ های متناسب می دهد و اطلاعات مناسبی را در اختیار مخاطب قرار می دهد . این ربات به گونه ای عمل می کند که افراد تصور می کنند با یک انسان در حال تعامل هستند . این ربات خستگی ناپذیر است و می تواند به صورت ۲۴ ساعت و ۷ روز هفته کارکند . این یک مثال خوب از یک سیستم اتوماسیون است که جای انسان را گرفته است . یک ربات باید بتواند تفکر واقعی انسان را پیاده سازی کند .
وقتی چیزی شبیه به ربات فوق را مشاهده می کنید اغلب تصور می کنید که یک تکنولوژی جدید برای یک مشکل قدیمی ارائه شده است . در حقیقت  موضوع به همین شکل است و از همین طریق یک فناوری جدید منتشر می شود .
بحث فروش یکی از اولین توقف گاه ها برای فناوری های جدیدی هم چون AI , ML (هوش مصنوعی و یادگیری ماشین) است . در اینجا ما می خواهیم درباره نقش هوش مصنوعی و یادگیری ماشین در فرآیند کسب و کار و به خصوص در وفاداری یک مشتری صحبت کنیم . وفاداری یک مشتری موضوع مهمی است که می توان برای بهبود این شاخص از ربات ها کمک گرفت ولی باید دقت کد که وفاداری یک شاخص غیرفعال است و نمی توان آن را به راحتی مانند سایر شاخص ها مورد بررسی قرار داد .
ما انتظار داریم که مشتریان وفاداری خود را با خریدهای دیگر نشان دهند و این به را به عنوان یک ملاک برای میزان وفاداری به حساب می آوریم . البته این شاخص چندان معتبر نمی باشد چرا که باید به معیارهای کلی تر بهبود عملکرد کسب و کار دقت شود .
در پایان باید توجه داشت که در استفاده از تکنولوژی های نوین باید با تامل بیشتری عمل کرد تا جلوی شکست های مالی و سر خوردگی افراد جامعه گرفته شود .

https://telegram.me/moaveni_ir

شاخه‌های علم هوش مصنوعی

 امروزه علم هوش مصنوعی به واقعیت نزدیک شده است و تقریباً می‌توان گفت وجود دارد، اما دلایل اساسی متعددی وجود دارند که نشان می‌دهند چرا هنوز شکل تکامل یافته‌ هوشی که تورینگ تصور می‌کرد، به وقوع نپیوسته است. به طور کلی خود نظریه تورینگ مخالفانی جدی دارد. بعضی از این منتقدان اصلا‌ً هوش ماشینی را قبول ندارند و برخی دیگر صرفاً کارآمدی آزمون تورینگ را برای اثبات هوشمندی زیر سؤال می‌برند.

علم هوش مصنوعی

شبیه سازی درعلم  هوش مصنوعی

یکی از مهم‌ترین مباحث مطرح در این زمینه، موضوع شبیه‌سازی است. غالباً پرسیده می‌شود آیا صرف این‌که ماشینی بتواند نحوه صحبت کردن انسان را شبیه‌سازی کند، به معنی آن است که هوشمند است؟ به عنوان مثال، شاید شما هم درباره روبات‌های نرم‌افزاری که می‌توانند چت کنند (Chatter Bots) چیزهایی شنیده باشید. این روبات‌ها از روش‌های تقلیدی استفاده می‌کنند و به تعبیری، نمونه مدرن و اینترنتی آزمون تورینگ هستند.

مثلاً روبات ELIZA یکی از این‌هاست. این روبات را ژوزف وایزن بام، یکی دیگر از پژوهشگران‌ نامدار این حوزه اختراع کرد. الیزا در برخی مکالمات ساده می‌تواند طرف مقابل خود را به اشتباه بیندازد. طوری که مخاطب ممکن است فکر کند درحال گپ زدن با یک انسان است. البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت پشت سر بگذارد. با این حال تکنیک‌های شبیه‌سازی مورد انتقاد گروهی از دانشمندان است.

یکی از مشهورترین انتقادات در این زمینه را فیلسوفی به نام جان سیرل (John Searle) مطرح کرده است. او معتقد است بحث هوشمندی ماشین‌های غیربیولوژیک اساساً بی‌ربط است و برای اثبات ادعای خود مثالی می‌آورد که در مباحث تئوریک هوش مصنوعی <بحث اتاق چینی> نامیده می‌شود. سیرل ابتدا نقد خود درباره هوش ماشینی را در ۱۹۸۰ مطرح کرد و سپس آن در مقاله کامل‌تری که در ۱۹۹۰ منتشر کرد، بسط داد.

مفهوم هوشمندی در هوش مصنوعی

ماجرای اتاق چینی به این صورت است: فرض کنید داخل اتاقی یک نفر نشسته است و کتابی از قواعد سمبول‌های زبان چینی در اختیار دارد. برای این فرد عبارات – سمبول‌‌های – چینی روی کاغذ نوشته می‌شود و از زیر درِ اتاق به داخل فرستاده می‌شود. او باید با مراجعه به کتاب قواعد پاسخ مناسب را تهیه کند و روی کاغذ پس بفرستد. اگر فرض کنیم کتاب مرجع مورد نظر به اندازه کافی کامل است، این فرد می‌تواند بدون این‌که حتی معنی یک نماد از سمبول‌های زبان چینی را بفهمد، به پرسش‌ها پاسخ دهد. آیا می‌توان به این ترتیب نتیجه گرفت که پاسخ دهنده هوشمند است؟

استدلال اصلی این منتقد و دیگر منتقدان موضوع شبیه‌سازی این است که می‌توان ماشینی ساخت (مثلاً یک نرم‌افزار لغتنامه) که عبارات و اصطلاحات را ترجمه کند. یعنی ماشینی که کلمات و سمبول‌های ورودی را دریافت و سمبول‌ها و کلمات خروجی را تولید کند؛ بدون این‌که خود ماشین معنی و مفهوم این سمبول‌ها را درک کند. بنابراین آزمون تورینگ حتی در صورت موفقیت نیز نمی‌تواند ثابت کند که یک ماشین هوشمند است .

ماشین‌ها بتوانند با دنیای پیرامون خود کنش و واکنش داشته باشند، آنگاه می‌توانند فکر کنند. منظور این است که کامپیوترها نیز مانند ما دارای حس بینایی، شنوایی، لامسه و حس‌های دیگر باشند. در این صورت، ترکیب همزمان ” پاسخ‌های تقلیدی ” با ” واکنش مناسب به محیط ” یعنی همان ” هوشمندی ” اتفاقاً کسی مانند جان سیرل نیز تفکرات مشابهی دارد؛ با این تفاوت که به طور خاص او شکل ایده‌آل کنش و واکنش مورد نیاز را همان تعامل بیولوژیکی می‌داند.

اشکالات وارد بر آزمون تورینگ

انتقادات دیگری نیز به آزمون تورینگ وارد می‌شود. ازجمله این‌که ممکن است یک ماشین هوشمند باشد، ولی نتواند همچون انسان ارتباط برقرار کند. دیگر این‌که، در آزمون تورینگ فرض می‌شود که انسان مورد آزمایش – یکی از دو نفری که داخل اتاق در بسته به سؤالات پاسخ می‌دهد – به اندازه کافی هوشمند است. در حالی که با استناد به استدلال خود تورینگ می‌توان نتیجه گرفت که خیلی از افراد مانند بچه‌ها و افراد بیسواد در این آزمون مردود می‌شوند؛ نه به دلیل هوشمندی ماشین، بلکه به دلیل نداشتن مهارت کافی در ارتباط‌گیری از طریق مکاتبه.

مسئله دیگری که در بحث  علم هوش مصنوعی اهمیت دارد، موضوع <قالب و محتوا> است. منظور از قالب یا Context در اینجا، ظرفی است که محتوا داخل آن قرار می‌گیرد.

نقش محتوا در هوشمندی انسان ها

یکی از پایه‌های هوشمندی انسان توجهی است که او به قالب محتوا – و نه صرفاً خود محتوا – دارد. به عنوان مثال، وقتی می‌گوییم “شیر”، این کلمه به تنهایی معانی متفاوتی دارد، ولی هنگامی که همین واژه داخل یک جمله قرار می‌گیرد، فقط یک معنی صحیح دارد. انسان می‌تواند معانی کلمات را نه فقط به صورت مجرد، بلکه با دنبال کردن نحوه وابستگیشان به جمله تشخیص دهد. مشابه همین هوشمندی، در تمام حس‌های پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمی ثابت شده است که گوش انسان می‌تواند هنگام توجه به صحبت‌های یک انسان دیگر در محیطی شلوغ، کلمات و عباراتی را که نمی‌شنود، خودش تکمیل کند یا چشم انسان می‌تواند هنگام مشاهده یک تصویر، قسمت‌های ناواضح آن را با استفاده از دانسته‌های بصری قبلی خود تکمیل کند.

از این رو کارشناسان معتقدند، دانش پیش‌زمینه یا ” آرشیو ذهنی” یک موجود هوشمند نقش مؤثری در هوشمندی او بازی می‌کند. در حقیقت منشأ پیدایش برخی از شاخه‌های مدرن و جدید دانش هوش مصنوعی همچون ” سیستم‌های خبره ” و ” شبکه‌های عصبی ” همین موضوع است و اساسا با این هدف پدید آمده‌اند که بتوانند به ماشین قدرت آموختن و فراگیری بدهند؛ هرچند که هر یک از این شاخه‌ها، از پارادایم متفاوتی برای آموزش به ماشین استفاده می‌کنند و همین تفاوت‌ها مبنا و اساس دو جریان فکری عمده در محافل علمی مرتبط با هوش مصنوعی را پدید آورده‌اند.

شاخه‌های علم هوش مصنوعی‌

امروزه علم هوش مصنوعی به دو دسته اصلی تقسیم می‌شود: یکی هوش مصنوعی سمبولیک یا نمادین (Symbolic AI) و دیگری هوش غیرسمبولیک که پیوندگرا (Connection AI) نیز نامیده می‌شود.

علم هوش مصنوعی سمبولیک از رهیافتی مبتنی بر محاسبات آماری پیروی می‌کند و اغلب تحت عنوان “یادگیری ماشین” یا (Machine Learning) طبقه‌بندی می‌شود. هوش سمبولیک می‌کوشد سیستم و قواعد آن را در قالب سمبول‌ها بیان کند و با نگاشت اطلا‌عات به سمبول‌ها و قوانین به حل مسئله بپردازد. در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبولیک می‌توان به سیستم‌های خبره (Expert Systems) و شبکه‌های Bayesian اشاره کرد.

یک سیستم خبره می‌تواند حجم عظیمی از داده‌ها را پردازش نماید و بر اساس تکنیک‌های آماری، نتایج دقیقی را تهیه کند. شبکه‌های Bayesian یک تکنیک محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج‌های منطقی از روی اطلاعاتی است که به کمک روش‌های آمار و احتمال به دست‌ آمده‌اند. بنابراین در هوش سمبولیک، منظور از “یادگیری ماشین” استفاده از الگوریتم‌های تشخیص الگوها، تحلیل و طبقه‌بندی اطلاعات است.

علم هوش مصنوعی سمبولیک

این گرایش از علم هوش مصنوعی ، بیشتر بر مدل سازی شناخت اعمال تأکید دارد و چندان خود را به قابلیت تعمق در بیولوژیک سیستم های ارائه شده مقید نمی کند.Case-Based Reasoning یکی از گرایش های فعال در این شاخه می باشد . به عنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملاً شبیه به CBR می باشد به این ترتیب که پزشک در ذهن خود تعداد بسیاری زیادی از شواهد بیماریهای شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه های موجود در ذهن خویش تطبیق داده ، شبیه ترین نمونه را به عنوان بیماری بیابد . به این ترتیب مشخصات ، نیازمندی ها و توانائیهای CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است.

علم هوش مصنوعی پیوندگرا

اما علم هوش مصنوعی پیوندگرا متکی بر یک منطق استقرایی است و از راه حل “آموزش/ بهبود سیستم از طریق تکرار” بهره‌ می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و <یادگیری از راه تجربه> است. در علم هوش مصنوعی  پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می‌کند. متدهای ایجاد شبکه‌های عصبی (Neural Networks) و نیز به‌کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرند.

پیوندگرایی (Connectionism) هوشمندی را تنها حاصل کار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای کاملاً ساده به هم مرتبط می‌داند.

شبکه های عصبی و هوش مصنوعی

شبکه‌های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای کاربردهای کاملاً علمی و گسترده تکنولوژیک شده‌اند و کاربرد آن در زمینه‌های متنوعی مانند سیستم‌های کنترلی، رباتیک، تشخیص متون، پردازش تصویر،… مورد بررسی قرار گرفته است.

علاوه بر این کار بر روی توسعه سیستم‌های هوشمند با الهام از طبیعت (هوشمندی‌های ـ غیر از هوشمندی انسان) اکنون از زمینه‌های کاملاً پرطرفدار در هوش مصنوعی است.

الگوریتم ژنیتک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازیست. به همین ترتیب روش‌های دیگری نیز مانند استراتژی‌های تکاملی نیز (Evolutionary Algorithms) در این زمینه پیشنهاد شده اند.

دراین زمینه هر گوشه‌ای از سازو کار طبیعت که پاسخ بهینه‌ای را برای مسائل یافته است مورد پژوهش قرار می‌گیرد. زمینه‌هایی چون سیستم امنیتی بدن انسان (Immun System) که در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌شوند و یا روش پیدا کردن کوتاه‌ترین راه به منابع غذا توسط مورچگان (Ant Colony) همگی بیانگر گوشه‌هایی از هوشمندی بیولوژیک هستند.

برای درک بهتر تفاوت میان این دو شیوه به یک مثال توجه کنید. فرض کنید می‌خواهیم یک سیستم OCR بسازیم. سیستم OCR نرم‌افزاری است که پس از اسکن کردن یک تکه نوشته روی کاغذ می‌تواند متن روی آن را استخراج کند و به کاراکترهای متنی تبدیل نماید.

هوشمندی نرم افزاری

بدیهی است که چنین نرم‌افزاری به نوعی هوشمندی نیاز دارد. این هوشمندی را از دو طریق متفاوت می‌توان فراهم کرد. اگر از روش سمبولیک استفاده کنیم ، قاعدتاً باید الگوی هندسی تمام حروف و اعداد را در حالت‌های مختلف در بانک اطلاعاتی سیستم تعریف کنیم و سپس متن اسکن شده را با این الگوها مقایسه کنیم تا بتوانیم متن را استخراج نماییم. در اینجا الگوهای حرفی-‌عددی یا همان سمبول‌ها پایه و اساس هوشمندی سیستم را تشکیل می‌دهند.

روش دوم یا متد « پیوندگرا »این است که یک سیستم هوشمند غیرسمبولیک درست کنیم و متن‌های متعددی را یک به یک به آن بدهیم تا آرام آرام آموزش ببیند و سیستم را بهینه کند. در اینجا سیستم هوشمند می‌تواند مثلا‌ً یک شبکه عصبی یا مدل مخفی مارکوف باشد. در این شیوه سمبول‌ها پایه هوشمندی نیستند، بلکه فعالیت‌های سلسله اعصاب یک شبکه و چگونگی پیوند میان آن‌ها مبنای هوشمندی را تشکیل می‌دهند.

در طول دهه‌های ۱۹۶۰ و ۱۹۷۰ به دنبال ابداع اولین برنامه نرم‌افزاری موفق در گروه سیستم‌های مبتنی بر دانش(Knowledge-Based) توسط جوئل موزس، سیستم‌های هوش سمبولیک به یک جریان مهم تبدیل شد. ایده و مدل شبکه‌های عصبی ابتدا در دهه ۱۹۴۰ توسط Warren McCulloch و Walter Pitts معرفی شد.

سپس در دهه ۱۹۵۰ کارهای روزنبالت (Rosenblatt) درمورد شبکه‌های دولایه مورد توجه قرارگرفت. در ۱۹۷۴ الگوریتم Back Propagation توسط Paul Werbos معرفی شد، ولی متدولوژی شبکه‌های عصبی عمدتاً از دهه ۱۹۸۰ به این سو رشد زیادی پیدا کرد و مورد استقبال دانشمندان قرار گرفت. منطق فازی ابتدا توسط پروفسور لطفی زاده، در ۱۹۶۵ معرفی شد و از آن زمان به بعد توسط خود او و دیگر دانشمندان دنبال شد.

منطق فازی و هوش مصنوعی

در دهه ۱۹۸۰ تلاش‌های دانشمندان ژاپنی برای کاربردی کردن منطق فازی به ترویج و معرفی منطق فازی کمک زیادی کرد. مثلاً طراحی و شبیه سازی سیستم کنترل فازی برای راه‌آهن Sendai توسط دو دانشمند به نام‌هایYasunobu و Miyamoto در ۱۹۸۵، نمایش کاربرد سیستم‌های کنترل فازی از طریق چند تراشه مبتنی بر منطق فازی در آزمون « پاندول معکوس » توسط Takeshi Yamakawa در همایش بین‌المللی پژوهشگران منطق فازی در توکیو در ۱۹۸۷ و نیز استفاده از سیستم‌های فازی در شبکه مونو ریل توکیو و نیز و معرفی سیستم ترمز ABS مبتنی بر کنترلرهای فازی توسط اتومبیل‌سازی هوندا در همین دهه تاثیر زیادی در توجه مجدد دانشمندان جهان به این حوزه از علم داشت.

البته هنگامی که از گرایش‌های آینده سخن می‌گوییم، هرگز نباید از گرایش‌های ترکیبی غفلت کنیم. گرایش‌هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آنها می‌اندیشند. شاید بتوان پیش‌بینی کرد که چنین گرایش‌هایی فرا ساختارهای (Meta –Structure) روانی را براساس عناصر ساده بیولوژیک بنا خواهند کرد.

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial Intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.

هوش مصنوعی چیست؟

هوش مصنوعی را به عنوان کوششهایی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند ، این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .

اهداف هوش مصنوعی

هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.

هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از چهار باور زیر قرار می‌گیرند:

  • سیستم‌هایی که به طور منطقی فکر می‌کنند
  • سیستم‌هایی که به طور منطقی عمل می‌کنند
  • سیستم‌هایی که مانند انسان فکر می‌کنند
  • سیستم‌هایی که مانند انسان عمل می‌کنند

شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند»

       تعریف دیگری که از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:

« هوش مصنوعی، شاخه‌ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception) ، استدلال (Reasoning) و یادگیری (Learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.»

و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:

«هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد.»

ماهیت هوش مصنوعی

بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقی میشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.

در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.

روش شناسی در هوش مصنوعی

روش شناسی ( Methodology ) هوش مصنوعی هنوز به عنوان یک نقطه ضعف مورد انتقاد بسیاری از صاحبنظران است ، از نظر برخی از آنان این ضعف یک شکل تکاملی است که به تاریخچه کوتاه علم رایانه مربوط است .

روش های هوش مصنوعی روش هائی هستند که به درد مسائلی می خورند که به خوبی تعریف شده اند ، به طور مثال بسیاری از مسائل محاسباتی معمولی از محاسبات فیزیک گرفته تا محاسبه حقوق و دستمزد از این دسته مسئل هستند که برای آنها الگوریتم مشخصی وجود دارد و نیازی به جستجو برای یافتن حل مسأله نیست .

دانشمندان هوش مصنوعی و به طور کلی دانشمندان رشته های مختلف ، اکنون مایلند با مدل هائی کار کنند که آنها را ” مدل مؤلف ” می نامند.

آنها به دنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.

پیچیدگی های موجود در هوش مصنوعی

در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم، و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی، در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر است ، تا آنجا که، سر‌انجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها به کار مشغولند.

به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.

هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.

هوش مصنوعی در کنار علوم رایانه

هوشمندی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.

سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم‌ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم‌ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم‌ها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند.

در این پست به بررسی شاخه های علم هوش مصنوعی پرداخته ایم ،شما می توانید یا انواع شاخه های این علم آشنا شوید.