هوش مصنوعی شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص هوش مصنوعی شامل سیستم های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین است.

از آنجایی که هیاهو در مورد هوش مصنوعی سرعت گرفته است، فروشندگان در تلاش برای تبلیغ نحوه استفاده محصولات و خدمات خود از آن هستند. اغلب، آنچه آنها به عنوان AI از آن یاد می کنند، به سادگی جزئی از فناوری است، مانند یادگیری ماشین. هوش مصنوعی به پایه ای از سخت افزار و نرم افزار تخصصی برای نوشتن و آموزش الگوریتم های یادگیری ماشین نیاز دارد. هیچ زبان برنامه نویسی به تنهایی مترادف با هوش مصنوعی نیست، اما پایتون، R، جاوا، سی پلاس پلاس و جولیا دارای ویژگی های محبوب توسعه دهندگان هوش مصنوعی هستند.

به طور کلی، سیستم‌های هوش مصنوعی با دریافت مقادیر زیادی از داده‌های آموزشی برچسب‌گذاری‌شده، تجزیه و تحلیل داده‌ها برای همبستگی‌ها و الگوها، و استفاده از این الگوها برای پیش‌بینی وضعیت‌های آینده کار می‌کنند. به این ترتیب، یک ربات چت که با نمونه هایی از متن تغذیه می شود، می تواند یاد بگیرد که تبادلات واقعی با افراد ایجاد کند، یا یک ابزار تشخیص تصویر می تواند با مرور میلیون ها مثال، شناسایی و توصیف اشیاء در تصاویر را بیاموزد. تکنیک‌های جدید هوش مصنوعی که به سرعت در حال بهبود هستند می‌توانند متن، تصاویر، موسیقی و سایر رسانه‌های واقعی را خلق کنند.

برنامه نویسی هوش مصنوعی بر مهارت های شناختی تمرکز دارد که شامل موارد زیر است:

• یادگیری. این جنبه از برنامه نویسی AI بر به دست آوردن داده ها و ایجاد قوانینی برای چگونگی تبدیل آن به اطلاعات عملی متمرکز است. قوانین، که الگوریتم نامیده می شوند، دستورالعمل های گام به گام را برای دستگاه های محاسباتی برای نحوه تکمیل یک کار خاص ارائه می دهند.
• استدلال. این جنبه از برنامه نویسی AI بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه دلخواه متمرکز است.
• خود اصلاحی. این جنبه از برنامه نویسی AI برای تنظیم مداوم الگوریتم ها و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.
• خلاقیت. این جنبه از AI از شبکه های عصبی، سیستم های مبتنی بر قوانین، روش های آماری و سایر تکنیک های هوش مصنوعی برای تولید تصاویر جدید، متن جدید، موسیقی جدید و ایده های جدید استفاده می کند.

هوش مصنوعی به دلیل پتانسیل آن برای تغییر نحوه زندگی، کار و بازی ما مهم است. این به طور موثر در تجارت برای خودکار کردن وظایف انجام شده توسط انسان، از جمله خدمات مشتری، تولید سرنخ، تشخیص تقلب و کنترل کیفیت استفاده شده است. در تعدادی از زمینه ها، هوش مصنوعی می تواند وظایف را بسیار بهتر از انسان ها انجام دهد. به ویژه هنگامی که صحبت از وظایف تکراری و جزئیات محور می شود، مانند تجزیه و تحلیل تعداد زیادی از اسناد قانونی برای اطمینان از پر شدن صحیح فیلدهای مربوطه، ابزارهای AI اغلب کارها را به سرعت و با خطاهای نسبتا کمی تکمیل می کنند.

به دلیل مجموعه داده‌های عظیمی که می‌تواند پردازش کند، AI همچنین می‌تواند به شرکت‌ها بینش‌هایی درباره عملیات‌هایشان بدهد که ممکن است از آن‌ها اطلاعی نداشته باشند. جمعیت ابزارهای مولد هوش مصنوعی که به سرعت در حال گسترش است در زمینه هایی از آموزش و بازاریابی گرفته تا طراحی محصول مهم خواهد بود.

در واقع، پیشرفت‌ها در تکنیک‌های AI نه تنها به افزایش کارایی کمک کرده است، بلکه دری را برای فرصت‌های تجاری کاملاً جدید برای برخی از شرکت‌های بزرگتر باز کرده است. قبل از موج فعلی هوش مصنوعی، تصور استفاده از نرم افزار کامپیوتری برای اتصال سواران به تاکسی ها سخت بود، اما اوبر با انجام این کار به یک شرکت Fortune 500 تبدیل شده است.

هوش مصنوعی در بسیاری از بزرگ‌ترین و موفق‌ترین شرکت‌های امروزی، از جمله آلفابت، اپل، مایکروسافت و متا، که از فناوری‌های AI برای بهبود عملکرد و پیشی گرفتن از رقبا استفاده می‌شود، به مرکزیت تبدیل شده است. به عنوان مثال، در گوگل، زیرمجموعه آلفابت، هوش مصنوعی در موتور جستجوی آن، خودروهای خودران Waymo و Google Brain که معماری شبکه عصبی ترانسفورماتور را اختراع کرد که زیربنای پیشرفت‌های اخیر در پردازش زبان طبیعی است، مرکزی است.

شبکه‌های عصبی مصنوعی و فناوری‌های هوش مصنوعی یادگیری عمیق به سرعت در حال تکامل هستند، در درجه اول به این دلیل که هوش مصنوعی می‌تواند مقادیر زیادی از داده‌ها را بسیار سریع‌تر پردازش کند و پیش‌بینی‌ها را دقیق‌تر از آنچه که انسان ممکن است انجام دهد.

در حالی که حجم عظیم داده های ایجاد شده به صورت روزانه یک محقق انسانی را دفن می کند، برنامه های کاربردی AI با استفاده از یادگیری ماشینی می توانند این داده ها را گرفته و به سرعت آن ها را به اطلاعات عملی تبدیل کنند. در زمان نگارش این مقاله، یکی از معایب اصلی AI این است که پردازش مقادیر زیادی از داده های مورد نیاز برنامه نویسی هوش مصنوعی گران است. از آنجایی که تکنیک‌های هوش مصنوعی در محصولات و خدمات بیشتری ادغام می‌شوند، سازمان‌ها نیز باید با پتانسیل AI برای ایجاد سیستم‌های مغرضانه و تبعیض‌آمیز، عمدا یا سهوا هماهنگ باشند.

در زیر برخی از مزایای هوش مصنوعی آورده شده است.

• در مشاغل مرتبط با جزئیات خوب است. AI ثابت کرده است که در تشخیص برخی سرطان ها از جمله سرطان سینه و ملانوما به خوبی یا بهتر از پزشکان عمل می کند.
• کاهش زمان برای کارهای سنگین داده. AI به طور گسترده در صنایع سنگین داده، از جمله بانکداری و اوراق بهادار، داروسازی و بیمه استفاده می شود تا زمان تجزیه و تحلیل مجموعه های کلان داده را کاهش دهد. به عنوان مثال، خدمات مالی به طور معمول از AI برای پردازش درخواست های وام و کشف تقلب استفاده می کنند.
• باعث صرفه جویی در نیروی کار و افزایش بهره وری می شود. یک مثال در اینجا استفاده از اتوماسیون انبار است که در طول همه گیری رشد کرد و انتظار می رود با ادغام AI و یادگیری ماشین افزایش یابد.
• نتایج ثابتی را ارائه می دهد. بهترین ابزارهای ترجمه AI سطوح بالایی از سازگاری را ارائه می‌کنند و حتی به کسب‌وکارهای کوچک نیز توانایی دسترسی به مشتریان را به زبان مادری خود ارائه می‌دهند.
• می تواند رضایت مشتری را از طریق شخصی سازی بهبود بخشد. AI می‌تواند محتوا، پیام‌ها، تبلیغات، توصیه‌ها و وب‌سایت‌ها را برای مشتریان فردی شخصی‌سازی کند.
• عوامل مجازی مبتنی بر AI همیشه در دسترس هستند. برنامه های AI نیازی به خوابیدن یا استراحت ندارند و خدمات 24/7 ارائه می دهند.

در زیر برخی از معایب هوش مصنوعی آورده شده است.

• گران.
• به تخصص فنی عمیق نیاز دارد.
• عرضه محدود کارگران واجد شرایط برای ساخت ابزارهای هوش مصنوعی.
• سوگیری های داده های آموزشی خود را در مقیاس منعکس می کند.
• عدم توانایی تعمیم از یک کار به کار دیگر.
• مشاغل انسانی را حذف می کند، نرخ بیکاری را افزایش می دهد.

هوش مصنوعی را می توان به دو دسته ضعیف یا قوی طبقه بندی کرد.

• AI ضعیف که به عنوان AI باریک نیز شناخته می شود، برای انجام یک کار خاص طراحی و آموزش داده شده است. ربات های صنعتی و دستیاران شخصی مجازی مانند سیری اپل از هوش مصنوعی ضعیف استفاده می کنند.
• AI قوی، همچنین به عنوان هوش عمومی مصنوعی (AGI) شناخته می شود، برنامه ریزی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که با یک کار ناآشنا ارائه می شود، یک سیستم هوش مصنوعی قوی می تواند از منطق فازی برای اعمال دانش از یک دامنه به حوزه دیگر و یافتن راه حل به طور مستقل استفاده کند. در تئوری، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم آرگومان اتاق چینی را پشت سر بگذارد.

آرند هنتزه، استادیار زیست شناسی و علوم کامپیوتری و مهندسی در دانشگاه ایالتی میشیگان، توضیح داد که AI را می توان به چهار نوع طبقه بندی کرد، که از سیستم های هوشمند کار خاص که امروزه به طور گسترده استفاده می شود شروع می شود و به سیستم های حساس پیشرفت می کند. هنوز وجود دارد. دسته بندی ها به شرح زیر است.

• نوع 1: ماشین های راکتیو این سیستم‌های AI حافظه ندارند و مختص وظایف هستند. به عنوان مثال Deep Blue، برنامه شطرنج IBM که گری کاسپاروف را در دهه 1990 شکست داد. Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کند و پیش بینی کند، اما چون حافظه ندارد، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.
• نوع 2: حافظه محدود. این سیستم های AI دارای حافظه هستند، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در خودروهای خودران به این شکل طراحی شده اند.
• نوع 3: نظریه ذهن. نظریه ذهن یک اصطلاح روانشناسی است. هنگامی که برای AI اعمال می شود، به این معنی است که سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع هوش مصنوعی قادر به استنباط نیات انسان و پیش بینی رفتار خواهد بود، مهارتی ضروری برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای جدایی ناپذیر تیم های انسانی.
• نوع 4: خودآگاهی. در این دسته، سیستم‌های AI حسی از خود دارند که به آنها آگاهی می‌دهد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع AI هنوز وجود ندارد.

هوش مصنوعی در انواع مختلف فناوری گنجانده شده است. در اینجا هفت نمونه آورده شده است.

اتوماسیون. وقتی ابزارهای اتوماسیون با فناوری‌های AI همراه شوند، می‌توانند حجم و انواع وظایف انجام‌شده را افزایش دهند. به عنوان مثال، اتوماسیون فرآیند روباتیک (RPA)، نوعی نرم افزار است که وظایف پردازش داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود، خودکار می کند. هنگامی که با یادگیری ماشین و ابزارهای نوظهور هوش مصنوعی ترکیب می‌شود، RPA می‌تواند بخش‌های بزرگ‌تری از مشاغل سازمانی را خودکار کند و ربات‌های تاکتیکی RPA را قادر می‌سازد تا اطلاعات AI را به همراه داشته باشند و به تغییرات فرآیند پاسخ دهند.

فراگیری ماشین. این علم به کار بردن کامپیوتر بدون برنامه نویسی است. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینی است که به زبان بسیار ساده می‌توان آن را خودکارسازی تجزیه و تحلیل پیش‌بینی‌کننده در نظر گرفت. سه نوع الگوریتم یادگیری ماشین وجود دارد:

• یادگیری تحت نظارت. مجموعه داده ها برچسب گذاری می شوند تا الگوها را بتوان شناسایی کرد و برای برچسب گذاری مجموعه داده های جدید استفاده کرد.
• یادگیری بدون نظارت مجموعه داده ها برچسب گذاری نمی شوند و بر اساس شباهت ها یا تفاوت ها مرتب می شوند.
• یادگیری تقویتی مجموعه داده ها برچسب گذاری نمی شوند، اما پس از انجام یک عمل یا چندین عمل، به سیستم هوش مصنوعی بازخورد داده می شود.

بینایی ماشین. این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال، اطلاعات بصری را ضبط و تجزیه و تحلیل می کند. اغلب با بینایی انسان مقایسه می‌شود، اما بینایی ماشینی محدود به بیولوژی نیست و می‌تواند برای مثال برای دیدن از طریق دیوار برنامه‌ریزی شود. در طیف وسیعی از کاربردها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی رایانه‌ای که بر پردازش تصویر مبتنی بر ماشین متمرکز است، اغلب با بینایی ماشین ترکیب می‌شود.

پردازش زبان طبیعی (NLP). این پردازش زبان انسان توسط یک برنامه کامپیوتری است. یکی از قدیمی‌ترین و شناخته‌شده‌ترین نمونه‌های NLP، تشخیص هرزنامه است که به موضوع و متن ایمیل نگاه می‌کند و تصمیم می‌گیرد که آیا ناخواسته است یا خیر. رویکردهای فعلی NLP مبتنی بر یادگیری ماشینی است. وظایف NLP شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.

رباتیک. این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. ربات ها اغلب برای انجام کارهایی استفاده می شوند که انجام آنها یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال، ربات ها در خطوط مونتاژ تولید خودرو یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شوند. محققان همچنین از یادگیری ماشینی برای ساخت روبات‌هایی استفاده می‌کنند که می‌توانند در محیط‌های اجتماعی تعامل داشته باشند.

ماشین های خودران. وسایل نقلیه خودران از ترکیبی از بینایی کامپیوتر، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت‌های خودکار برای هدایت یک وسیله نقلیه در حالی که در یک خط معین می‌مانند و اجتناب از موانع غیرمنتظره مانند عابران پیاده استفاده می‌کنند.

تولید متن، تصویر و صدا. تکنیک‌های هوش مصنوعی مولد، که انواع مختلفی از رسانه‌ها را از پیام‌های متنی ایجاد می‌کنند، به‌طور گسترده در سراسر کسب‌وکارها به کار می‌روند تا طیف به ظاهر نامحدودی از انواع محتوا از هنر واقعی واقعی گرفته تا پاسخ‌های ایمیل و فیلمنامه‌ها را ایجاد کنند.

هوش مصنوعی راه خود را به بازارهای مختلف باز کرده است. در اینجا 11 نمونه آورده شده است.

هوش مصنوعی در مراقبت های بهداشتی بزرگترین شرط بندی ها بر روی بهبود نتایج بیمار و کاهش هزینه ها است. شرکت‌ها از یادگیری ماشینی برای تشخیص بهتر و سریع‌تر از انسان‌ها استفاده می‌کنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است. زبان طبیعی را می فهمد و می تواند به سوالاتی که از آن پرسیده می شود پاسخ دهد. این سیستم داده‌های بیمار و سایر منابع داده موجود را استخراج می‌کند تا یک فرضیه را تشکیل دهد، که سپس با یک طرح امتیازدهی اطمینان ارائه می‌کند.

سایر برنامه های کاربردی AI شامل استفاده از دستیاران سلامت مجازی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی، برنامه ریزی قرار ملاقات، درک فرآیند صدور صورت حساب و تکمیل سایر فرآیندهای اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی، مبارزه و درک بیماری های همه گیر مانند COVID-19 استفاده می شود.

هوش مصنوعی در تجارت الگوریتم های یادگیری ماشینی در حال ادغام در پلتفرم های تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM) هستند تا اطلاعاتی را در مورد نحوه ارائه خدمات بهتر به مشتریان کشف کنند. چت بات ها برای ارائه خدمات فوری به مشتریان در وب سایت ها گنجانده شده اند. انتظار می رود پیشرفت سریع فناوری AI مولد مانند ChatGPT پیامدهای گسترده ای داشته باشد: حذف مشاغل، ایجاد انقلابی در طراحی محصول و اختلال در مدل های تجاری.

هوش مصنوعی در آموزش AI می تواند نمره دهی را خودکار کند و به مربیان زمان بیشتری برای کارهای دیگر بدهد. این می تواند دانش آموزان را ارزیابی کند و با نیازهای آنها سازگار شود و به آنها کمک کند تا با سرعت خودشان کار کنند. آموزگاران AI می‌توانند پشتیبانی بیشتری از دانش‌آموزان ارائه دهند و از ماندن آنها در مسیر مطمئن شوند. این فناوری همچنین می تواند مکان و نحوه یادگیری دانش آموزان را تغییر دهد، شاید حتی جایگزین برخی از معلمان شود.

همانطور که توسط ChatGPT، Bard و دیگر مدل‌های زبان بزرگ نشان داده شده است، هوش مصنوعی مولد می‌تواند به مربیان کمک کند تا کار درسی و سایر مواد آموزشی را بسازند و دانش‌آموزان را به روش‌های جدیدی درگیر کنند. ظهور این ابزارها همچنین مربیان را وادار می کند که در مورد تکالیف دانش آموز و تست و بازنگری در سیاست های سرقت ادبی تجدید نظر کنند.

هوش مصنوعی در امور مالی هوش مصنوعی در برنامه های مالی شخصی، مانند Intuit Mint یا TurboTax، مؤسسات مالی را مختل می کند. برنامه هایی مانند اینها داده های شخصی را جمع آوری می کنند و مشاوره مالی ارائه می دهند. برنامه های دیگری مانند IBM Watson در فرآیند خرید خانه به کار گرفته شده است. امروزه نرم افزار AI بیشتر معاملات را در وال استریت انجام می دهد.

هوش مصنوعی در قانون روند کشف — غربال کردن اسناد — در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای پر زحمت صنعت قانونی باعث صرفه جویی در زمان و بهبود خدمات مشتری می شود. شرکت های حقوقی از یادگیری ماشینی برای توصیف داده ها و پیش بینی نتایج، بینایی کامپیوتری برای طبقه بندی و استخراج اطلاعات از اسناد و NLP برای تفسیر درخواست های اطلاعات استفاده می کنند.

هوش مصنوعی در سرگرمی و رسانه کسب و کار سرگرمی از تکنیک های هوش مصنوعی برای تبلیغات هدفمند، توصیه محتوا، توزیع، کشف تقلب، ایجاد فیلمنامه و ساخت فیلم استفاده می کند. روزنامه‌نگاری خودکار به اتاق‌های خبر کمک می‌کند تا جریان کار رسانه‌ای را ساده‌تر کنند و زمان، هزینه‌ها و پیچیدگی را کاهش دهند. اتاق های خبر از AI برای خودکارسازی کارهای معمولی مانند ورود داده ها و تصحیح استفاده می کنند. و برای تحقیق در مورد موضوعات و کمک به سرفصل ها. اینکه چگونه روزنامه نگاری می تواند به طور قابل اعتماد از ChatGPT و سایر AI مولد برای تولید محتوا استفاده کند جای سوال دارد.

هوش مصنوعی در کدنویسی نرم افزار و فرآیندهای فناوری اطلاعات ابزارهای مولد جدید AI را می توان برای تولید کد برنامه بر اساس اعلان های زبان طبیعی استفاده کرد، اما روزهای اولیه برای این ابزارها است و بعید است که به زودی جایگزین مهندسان نرم افزار شوند. همچنین از AI برای خودکارسازی بسیاری از فرآیندهای فناوری اطلاعات، از جمله ورود داده ها، کشف تقلب، خدمات مشتری و نگهداری و امنیت پیش بینی شده استفاده می شود.

امنیت. هوش مصنوعی و یادگیری ماشینی در صدر فهرست کلیدواژه‌های امنیتی هستند که فروشندگان برای بازاریابی محصولات خود استفاده می‌کنند، بنابراین خریداران باید با احتیاط برخورد کنند. با این حال، تکنیک‌های هوش مصنوعی با موفقیت در جنبه‌های مختلف امنیت سایبری، از جمله تشخیص ناهنجاری، حل مشکل مثبت کاذب و انجام تجزیه و تحلیل تهدیدات رفتاری استفاده می‌شوند.

سازمان‌ها از یادگیری ماشین در نرم‌افزار مدیریت رویداد و اطلاعات امنیتی (SIEM) و حوزه‌های مرتبط برای شناسایی ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدید هستند، استفاده می‌کنند. با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها به کدهای مخرب شناخته شده، AI می‌تواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی و تکرارهای فناوری قبلی ارائه دهد.

هوش مصنوعی در تولید تولید در خط مقدم ترکیب ربات ها در جریان کار بوده است. به عنوان مثال، ربات‌های صنعتی که زمانی برای انجام وظایف منفرد برنامه‌ریزی شده بودند و از کارگران انسانی جدا می‌شدند، به طور فزاینده‌ای به عنوان ربات‌ها عمل می‌کنند: روبات‌های کوچک‌تر و چندوظیفه‌ای که با انسان‌ها همکاری می‌کنند و مسئولیت بخش‌های بیشتری از کار را در انبارها، طبقات کارخانه‌ها بر عهده می‌گیرند. و سایر فضاهای کاری

هوش مصنوعی در بانکداری بانک‌ها با موفقیت از ربات‌های گفتگو استفاده می‌کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و تراکنش‌هایی را انجام دهند که نیازی به دخالت انسانی ندارند. دستیارهای مجازی هوش مصنوعی برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شوند. سازمان‌های بانکی از هوش مصنوعی برای بهبود تصمیم‌گیری برای وام‌ها، تعیین محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه‌گذاری استفاده می‌کنند.

هوش مصنوعی در حمل و نقل علاوه بر نقش اساسی هوش مصنوعی در به کار انداختن وسایل نقلیه خودران، فناوری‌های AI در حمل‌ونقل برای مدیریت ترافیک، پیش‌بینی تاخیرهای پرواز و ایمن‌تر و کارآمدتر کردن کشتی‌های اقیانوسی استفاده می‌شوند. در زنجیره‌های تامین، AI جایگزین روش‌های سنتی پیش‌بینی تقاضا و پیش‌بینی اختلالات می‌شود، روندی که با کووید-۱۹ شتاب گرفت، زمانی که بسیاری از شرکت‌ها در اثر یک بیماری همه‌گیر جهانی بر عرضه و تقاضای کالا غافل شدند.

برخی از کارشناسان صنعت استدلال کرده اند که اصطلاح هوش مصنوعی بیش از حد با فرهنگ عامه مرتبط است، که باعث شده است عموم مردم انتظارات نامحتملی در مورد اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر می دهد، داشته باشد. آنها پیشنهاد کرده‌اند که از اصطلاح هوش افزوده برای تمایز بین سیستم‌های AI که به طور مستقل عمل می‌کنند – نمونه‌های فرهنگ عامه شامل Hal 9000 و The Terminator – و ابزارهای هوش مصنوعی که از انسان پشتیبانی می‌کنند، استفاده شود.

• هوش افزوده برخی از محققان و بازاریابان امیدوارند برچسب هوش افزوده، که مفهومی خنثی‌تری دارد، به مردم کمک کند تا درک کنند که بیشتر پیاده‌سازی‌های هوش مصنوعی ضعیف هستند و به سادگی محصولات و خدمات را بهبود می‌بخشند. به عنوان مثال می توان به نمایش خودکار اطلاعات مهم در گزارش های هوش تجاری یا برجسته کردن اطلاعات مهم در پرونده های حقوقی اشاره کرد. پذیرش سریع ChatGPT و Bard در سراسر صنعت نشان دهنده تمایل به استفاده از AI برای حمایت از تصمیم گیری انسانی است.
• هوش مصنوعی. هوش مصنوعی واقعی یا AGI ارتباط نزدیکی با مفهوم تکینگی تکنولوژیکی دارد – آینده ای که توسط یک ابر AI اداره می شود که بسیار فراتر از توانایی مغز انسان برای درک آن یا نحوه شکل دادن به واقعیت ما است. این در قلمرو داستان های علمی تخیلی باقی می ماند، اگرچه برخی از توسعه دهندگان در حال کار بر روی این مشکل هستند. بسیاری بر این باورند که فناوری هایی مانند محاسبات کوانتومی می توانند نقش مهمی در تحقق AGI ایفا کنند و ما باید استفاده از اصطلاح AI را برای این نوع هوش عمومی محفوظ نگه داریم.

در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند، استفاده از AI سوالات اخلاقی را نیز مطرح می کند، زیرا، خوب یا بد، یک سیستم AI آنچه را که قبلاً آموخته است، تقویت می کند.

این می‌تواند مشکل‌ساز باشد زیرا الگوریتم‌های یادگیری ماشین، که زیربنای بسیاری از پیشرفته‌ترین ابزارهای AI هستند، به اندازه داده‌هایی که در آموزش داده می‌شوند هوشمند هستند. از آنجایی که یک انسان انتخاب می‌کند چه داده‌هایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل سوگیری یادگیری ماشینی ذاتی است و باید به دقت نظارت شود.

هر کسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از دنیای واقعی و سیستم های تولیدی است، باید اخلاق را در فرآیندهای آموزشی AI خود لحاظ کند و تلاش کند از سوگیری جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتم‌های هوش مصنوعی که ذاتاً در برنامه‌های یادگیری عمیق و شبکه‌های متخاصم تولیدی (GAN) غیرقابل توضیح هستند، صادق است.

توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت الزامات انطباق مقرراتی دقیق عمل می کنند. به عنوان مثال، موسسات مالی در ایالات متحده بر اساس مقرراتی عمل می کنند که آنها را ملزم می کند تصمیمات صدور اعتبار خود را توضیح دهند.

با این حال، زمانی که تصمیم برای رد اعتبار توسط برنامه‌نویسی AI گرفته می‌شود، توضیح چگونگی تصمیم‌گیری ممکن است دشوار باشد، زیرا ابزارهای هوش مصنوعی که برای چنین تصمیم‌گیری‌هایی استفاده می‌شوند با از بین بردن همبستگی‌های ظریف بین هزاران متغیر عمل می‌کنند. هنگامی که فرآیند تصمیم گیری قابل توضیح نباشد، برنامه ممکن است به عنوان هوش مصنوعی جعبه سیاه نامیده شود.

به طور خلاصه، چالش های اخلاقی AI شامل موارد زیر است: سوگیری، به دلیل الگوریتم های آموزش نادرست و تعصب انسانی. سوء استفاده به دلیل دیپ فیک و فیشینگ؛ نگرانی های حقوقی، از جمله افترا هوش مصنوعی و مسائل مربوط به حق چاپ؛ حذف مشاغل؛ و نگرانی های حفظ حریم خصوصی داده ها، به ویژه در زمینه های بانکی، مراقبت های بهداشتی و قانونی.

با وجود خطرات بالقوه، در حال حاضر مقررات کمی وجود دارد که بر استفاده از ابزارهای هوش مصنوعی حاکم باشد، و در مواردی که قوانین وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. به عنوان مثال، همانطور که قبلا ذکر شد، مقررات وام دهی منصفانه ایالات متحده مؤسسات مالی را ملزم می کند که تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان استفاده وام دهندگان از الگوریتم های یادگیری عمیق را محدود می کند، الگوریتم هایی که طبیعتاً غیرشفاف هستند و قابلیت توضیح ندارند.

مقررات عمومی حفاظت از داده های اتحادیه اروپا (GDPR) در حال بررسی مقررات AI است. محدودیت‌های سخت‌گیرانه GDPR در مورد نحوه استفاده شرکت‌ها از داده‌های مصرف‌کننده، آموزش و عملکرد بسیاری از برنامه‌های هوش مصنوعی مصرف‌کننده را محدود می‌کند.

سیاستگذاران در ایالات متحده هنوز قوانین هوش مصنوعی را صادر نکرده اند، اما این امر می تواند به زودی تغییر کند. طرحی برای منشور حقوق هوش مصنوعی که در اکتبر 2022 توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) منتشر شد، کسب‌وکارها را در مورد نحوه پیاده‌سازی سیستم‌های AI اخلاقی راهنمایی می‌کند. اتاق بازرگانی ایالات متحده همچنین در گزارشی که در مارس 2023 منتشر شد، خواستار مقررات هوش مصنوعی شد.

تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل انواع فناوری‌هایی است که شرکت‌ها برای اهداف مختلف از آن‌ها استفاده می‌کنند، و تا حدودی به این دلیل که مقررات می‌تواند به قیمت پیشرفت و توسعه هوش مصنوعی تمام شود. تکامل سریع فن‌آوری‌های AI مانع دیگری برای شکل‌گیری مقررات معنی‌دار هوش مصنوعی است، همانطور که چالش‌های ارائه‌شده توسط فقدان شفافیت AI است که دیدن نحوه رسیدن الگوریتم‌ها به نتایج خود را دشوار می‌کند.

علاوه بر این، پیشرفت های فناوری و برنامه های کاربردی جدید مانند ChatGPT و Dall-E می توانند قوانین موجود را فوراً منسوخ کنند. و البته، قوانینی که دولت‌ها برای تنظیم هوش مصنوعی وضع می‌کنند، مجرمان را از استفاده از این فناوری با نیت مخرب باز نمی‌دارد.

مفهوم اشیای بی جان دارای هوش از زمان های قدیم وجود داشته است. هفائستوس خدای یونانی در اسطوره ها به صورت جعل خدمتکاران روبات مانند از طلا به تصویر کشیده شد. مهندسان در مصر باستان مجسمه های خدایان را که توسط کشیشان متحرک شده بودند ساختند. در طول قرن‌ها، متفکرانی از ارسطو تا رامون لول، الهی‌دان اسپانیایی قرن سیزدهم تا رنه دکارت و توماس بیز، از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان به عنوان نمادها استفاده کردند و پایه و اساس مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی را گذاشتند.

اواخر قرن نوزدهم و نیمه اول قرن بیستم کار اساسی را به وجود آورد که باعث ایجاد رایانه مدرن شد. در سال 1836، چارلز بابیج، ریاضیدان دانشگاه کمبریج و آگوستا آدا کینگ، کنتس لاولیس، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند.

دهه 1940 جان فون نویمان، ریاضیدان پرینستون، معماری کامپیوتر برنامه ذخیره شده را تصور کرد – این ایده که برنامه کامپیوتر و داده هایی که پردازش می کند را می توان در حافظه کامپیوتر نگه داشت. و وارن مک کالوچ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.

دهه 1950 با ظهور رایانه های مدرن، دانشمندان می توانند ایده های خود را در مورد هوش ماشینی آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر دارای هوش است یا خیر توسط ریاضیدان بریتانیایی و رمز شکن جنگ جهانی دوم، آلن تورینگ ابداع شد. آزمون تورینگ بر توانایی رایانه در فریب دادن بازجویان به این باور بود که پاسخ‌های آن به سؤالات آنها توسط یک انسان ساخته شده است.

1956. به طور گسترده از حوزه مدرن هوش مصنوعی به عنوان شروع امسال در یک کنفرانس تابستانی در کالج دارتموث نام برده می شود. در این کنفرانس که توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) حمایت می شود، 10 تن از افراد برجسته در این زمینه از جمله پیشگامان هوش مصنوعی، ماروین مینسکی، الیور سلفریج و جان مک کارتی که ابداع واژه هوش مصنوعی هستند، شرکت کردند.
      • همچنین آلن نیول، دانشمند کامپیوتر، و هربرت آ. سیمون، اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی در این مراسم حضور داشتند. این دو، نظریه پرداز منطق پیشگامانه خود را ارائه کردند، یک برنامه کامپیوتری که قادر به اثبات برخی قضایای ریاضی است و به عنوان اولین برنامه هوش مصنوعی از آن یاد می شود.

دهه 1950 و 1960. در پی کنفرانس کالج دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش بینی کردند که AI معادل مغز انسان در گوشه و کنار است و حمایت عمده دولت و صنعت را به خود جلب می کند. در واقع، نزدیک به 20 سال تحقیقات پایه با بودجه خوب، پیشرفت های قابل توجهی را در AI ایجاد کرد: به عنوان مثال، در اواخر دهه 1950، نیوول و سایمون الگوریتم حل مسئله عمومی (GPS) را منتشر کردند که در حل مسائل پیچیده کوتاهی می کرد، اما پایه های اولیه را برای آن ایجاد کرد.

توسعه معماری های شناختی پیچیده تر؛ و مک کارتی Lisp را توسعه دادند، زبانی برای برنامه نویسی هوش مصنوعی که هنوز هم استفاده می شود. در اواسط دهه 1960، پروفسور MIT جوزف وایزنبام ELIZA را توسعه داد، یک برنامه اولیه NLP که پایه و اساس چت ربات های امروزی را پایه گذاری کرد.

دهه 1970 و 1980. دستیابی به هوش عمومی مصنوعی گریزان بود، نه قریب الوقوع، و با محدودیت در پردازش کامپیوتری و حافظه و پیچیدگی مشکل مواجه شد. دولت و شرکت ها از حمایت خود از تحقیقات هوش مصنوعی عقب نشینی کردند و منجر به دوره ای ماندگار شد که از سال 1974 تا 1980 به عنوان اولین “زمستان هوش مصنوعی” شناخته می شود.

در دهه 1980، تحقیق در مورد تکنیک‌های یادگیری عمیق و پذیرش صنعت از سیستم‌های خبره ادوارد فایگنبام، موج جدیدی از شور و شوق هوش مصنوعی را برانگیخت، اما پس از آن، بودجه دولتی و حمایت‌های صنعتی از بین رفت. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 ادامه داشت.

دهه 1990 افزایش قدرت محاسباتی و انفجار داده ها جرقه یک رنسانس هوش مصنوعی را در اواخر دهه 1990 ایجاد کرد که زمینه را برای پیشرفت های چشمگیر در AI که امروز می بینیم فراهم کرد. ترکیبی از داده های بزرگ و افزایش قدرت محاسباتی باعث پیشرفت در NLP، بینایی کامپیوتر، روباتیک، یادگیری ماشین و یادگیری عمیق شد. در سال 1997، با سرعت گرفتن پیشرفت در هوش مصنوعی، Deep Blue از IBM، گری کاسپاروف، استاد بزرگ شطرنج روسی را شکست داد و اولین برنامه کامپیوتری بود که یک قهرمان شطرنج جهان را شکست داد.

دهه 2000 پیشرفت‌های بیشتر در یادگیری ماشینی، یادگیری عمیق، NLP، تشخیص گفتار و بینایی کامپیوتری باعث ایجاد محصولات و خدماتی شد که شیوه زندگی امروز ما را شکل داده است. اینها شامل راه اندازی موتور جستجوی گوگل در سال 2000 و راه اندازی موتور توصیه آمازون در سال 2001 است. نتفلیکس سیستم توصیه خود را برای فیلم ها، فیس بوک سیستم تشخیص چهره و مایکروسافت سیستم تشخیص گفتار خود را برای رونویسی گفتار به متن راه اندازی کرد. آی‌بی‌ام واتسون را راه‌اندازی کرد و گوگل ابتکار خودران خود، Waymo را آغاز کرد.

دهه 2010 دهه بین 2010 و 2020 شاهد یک جریان ثابت از پیشرفت های هوش مصنوعی بود. اینها شامل راه اندازی سیری اپل و دستیارهای صوتی الکسای آمازون است. پیروزی های IBM Watson در مورد Jeopardy; خودروهای خودران؛ توسعه اولین شبکه متخاصم مولد؛ راه اندازی TensorFlow، چارچوب یادگیری عمیق منبع باز گوگل. تاسیس آزمایشگاه تحقیقاتی OpenAI، توسعه دهندگان مدل زبان GPT-3 و تولید کننده تصویر Dall-E. شکست قهرمان جهان Go Lee Sedol توسط AlphaGo از Google DeepMind. و پیاده سازی سیستم های مبتنی بر AI که سرطان ها را با درجه بالایی از دقت تشخیص می دهد.

دهه 2020 دهه کنونی شاهد ظهور هوش مصنوعی مولد، نوعی فناوری هوش مصنوعی است که می تواند محتوای جدیدی تولید کند. هوش مصنوعی مولد با یک اعلان شروع می شود که می تواند به شکل متن، تصویر، ویدیو، طرح، نت های موسیقی یا هر ورودی باشد که سیستم هوش مصنوعی می تواند پردازش کند.

سپس الگوریتم‌های مختلف AI در پاسخ به درخواست، محتوای جدید را برمی‌گردانند. محتوا می‌تواند شامل مقاله‌ها، راه‌حل‌هایی برای مشکلات یا تقلبی واقعی باشد که از تصاویر یا صدای یک شخص ایجاد شده است. توانایی‌های مدل‌های زبانی مانند ChatGPT-3، Google’s Bard و Megatron-Turing NLG مایکروسافت جهان را شگفت‌زده کرده است، اما این فناوری هنوز در مراحل اولیه است، همانطور که تمایل آن به توهم یا انحراف پاسخ‌ها نشان می‌دهد.

ابزارها و خدمات هوش مصنوعی با سرعت زیادی در حال پیشرفت هستند. نوآوری‌های کنونی در ابزارها و خدمات هوش مصنوعی را می‌توان در شبکه عصبی AlexNet در سال 2012 دنبال کرد که عصر جدیدی از هوش مصنوعی با کارایی بالا بر پایه پردازنده‌های گرافیکی و مجموعه‌های داده بزرگ را آغاز کرد. تغییر کلیدی، توانایی آموزش شبکه های عصبی بر روی مقادیر انبوه داده در چندین هسته GPU به صورت موازی به روشی مقیاس پذیرتر بود.

در چند سال گذشته، رابطه همزیستی بین اکتشافات هوش مصنوعی در گوگل، مایکروسافت و OpenAI و نوآوری‌های سخت‌افزاری که توسط انویدیا پیشگام شده‌اند، امکان اجرای مدل‌های هوش مصنوعی بزرگ‌تر را بر روی پردازنده‌های گرافیکی متصل‌تر فراهم کرده‌اند که باعث بهبود عملکرد و مقیاس‌پذیری بازی‌ها می‌شود.

همکاری بین این افراد برجسته هوش مصنوعی برای موفقیت اخیر ChatGPT بسیار مهم بود، بدون اینکه به ده ها سرویس هوش مصنوعی دیگر اشاره کنیم. در اینجا خلاصه ای از نوآوری های مهم در ابزارها و خدمات هوش مصنوعی آورده شده است.

مبدل ها. به عنوان مثال، گوگل راه را برای یافتن یک فرآیند کارآمدتر برای ارائه آموزش هوش مصنوعی در مجموعه بزرگی از رایانه های شخصی کالا با GPU رهبری کرد. این امر راه را برای کشف ترانسفورماتورهایی هموار کرد که بسیاری از جنبه های آموزش هوش مصنوعی را روی داده های بدون برچسب خودکار می کنند.

بهینه سازی سخت افزار به همان اندازه مهم، فروشندگان سخت افزار مانند Nvidia نیز میکروکد را برای اجرای موازی چندین هسته GPU برای محبوب ترین الگوریتم ها بهینه می کنند. انویدیا ادعا کرد که ترکیب سخت‌افزار سریع‌تر، الگوریتم‌های هوش مصنوعی کارآمدتر، تنظیم دقیق دستورالعمل‌های GPU و ادغام بهتر مرکز داده باعث بهبود میلیون‌ها برابری عملکرد هوش مصنوعی می‌شود. انویدیا همچنین با همه ارائه دهندگان مراکز ابری کار می کند تا این قابلیت را به عنوان AI-as-a-a-Service از طریق مدل های IaaS، SaaS و PaaS در دسترس تر کند.

ترانسفورماتورهای از پیش آموزش دیده مولد. پشته هوش مصنوعی نیز در چند سال گذشته به سرعت تکامل یافته است. پیش از این شرکت ها باید مدل های هوش مصنوعی خود را از ابتدا آموزش می دادند. فروشندگانی مانند OpenAI، انویدیا، مایکروسافت، گوگل و دیگران به طور فزاینده ای ترانسفورماتورهای از پیش آموزش دیده (GPT) تولید می کنند که می توانند برای یک کار خاص با هزینه، تخصص و زمان به طور چشمگیری تنظیم شوند.

در حالی که تخمین زده می شود برخی از بزرگترین مدل ها برای هر اجرا 5 تا 10 میلیون دلار هزینه داشته باشند، شرکت ها می توانند مدل های حاصل را با چند هزار دلار تنظیم دقیق کنند. این منجر به زمان سریع‌تری برای عرضه به بازار می‌شود و ریسک را کاهش می‌دهد.

خدمات ابری هوش مصنوعی یکی از بزرگ‌ترین موانعی که شرکت‌ها را از استفاده مؤثر از هوش مصنوعی در کسب‌وکارشان باز می‌دارد، مهندسی داده و وظایف علم داده مورد نیاز برای ترکیب قابلیت‌های هوش مصنوعی در برنامه‌های جدید یا توسعه برنامه‌های جدید است. همه ارائه دهندگان ابر پیشرو در حال ارائه AI برند خود به عنوان خدمات ارائه شده برای ساده سازی آماده سازی داده، توسعه مدل و استقرار برنامه هستند. نمونه های برتر شامل خدمات هوش مصنوعی AWS، هوش مصنوعی گوگل ابری، پلتفرم هوش مصنوعی Microsoft Azure، راه حل های هوش مصنوعی IBM و خدمات هوش مصنوعی زیرساخت ابری اوراکل است.

مدل های پیشرفته هوش مصنوعی به عنوان یک سرویس. توسعه دهندگان پیشرو مدل AI همچنین مدل های پیشرفته هوش مصنوعی را در بالای این خدمات ابری ارائه می دهند. OpenAI ده ها مدل زبان بزرگ دارد که برای چت، NLP، تولید تصویر و تولید کد بهینه شده اند که از طریق Azure ارائه می شوند. انویدیا با فروش زیرساخت‌های هوش مصنوعی و مدل‌های پایه‌ای بهینه‌سازی شده برای متن، تصاویر و داده‌های پزشکی موجود در تمامی ارائه‌دهندگان ابر، رویکردی را دنبال کرده است که بیشتر در فضای ابری وجود دارد. صدها بازیکن دیگر مدل‌های سفارشی‌سازی شده برای صنایع مختلف و موارد استفاده را نیز ارائه می‌کنند.