کاربردها و کارکردهای هوش مصنوعی

یکی از تفاوت‏های بین انسان و حیوان، توانایی او در ساخت ابزار و استفاده از آن است. انسان در ابتدای رشد و تکامل خود از عصر پارینه ‏سنگی تا امروز به‌طور مداوم با ساخت ابزار، بر قدرت خود افزوده و برتری خود را بر سایر موجودات و تسلط بر طبیعت تحمیل نموده است.

در بین جوامع انسانی نیز، تمدن‏‌هایی که در ساخت ابزار پیشتاز بوده‏اند، تسلط و برتری خود را بر دیگر ملت‏‌ها تحمیل نموده و از این طریق فاصله توسعه و رفاه خود را با سایر جوامع بیشتر کرده‌اند.

ایده هوش مصنوعی از 70 سال پیش توسط دانشمند ریاضی‌دان انگلیسی به نام آلن تورینگ با عنوان این‌که آیا ماشین می‌تواند به‌جای انسان فکر کند مطرح شد. او با ساختن ابزار محاسباتی که ماشین تورینگ نامیده ‌شد ثابت کرد چنین ماشینی می‌تواند هر مسئله ریاضی که دارای الگوریتم باشد را حل کند. محدودیت سرعت در انجام محاسبات از آن زمان تاکنون، تحقق این ایده را به تأخیر انداخت، ولی امروزه با به بازار آمدن پردازنده‏‌های پرسرعت و حافظه‏‌های الکترونیکی پرظرفیت، این ایده محقق شد.

هوش مصنوعی چت ‏جی‏ پی‏تی (Chat. G.P.T) شرکت اوپن ای‏آی (Open. A.I) امروز بر مبنای همان روش شبکه‏‌های عصبی مصنوعی مدل زبانی با 94 لایه و بهره‏‌گیری از حدود 1000 کارت پردازنده‏ی جی‏ پی‏ یو (GPU Graphic processing unit) مدل A100 شرکت NVDA، با استفاده از تمام داده‌‏های 10 سال اخیر اینترنت و تعلیم به مدت 30 شبانه‏‌روز به این محصول دست پیداکرده است.

جدیدترین ابزار ساخت بشر هوش مصنوعی است. در این اختراع، بشر توانست قدرت یادگیری خود را در ماشین متجلی سازد؛ ماشینی که قدرتمندتر، سریع‏تر، کم‌اشتباه‌تر و خستگی‌ناپذیرتر از خود او  است البته ماشین هوش مصنوعی می‌‏تواند سوگیری خاصی داشته و حتی صادق نیز نباشد.

تلاش انسان برای ساخت ابزارهای جایگزین توانمندی‏‌های خود، لزوماً تقلید از نمونه موجود در طبیعت نیست، مانند اختراع چرخ که برای حرکت و جابجایی ساخته شد قوی­تر و سریع­تر از نمونه نوسانی در طبیعت است. همچنین که بال‏‌های پرندگان، حرکت موجی آبزیان و  حرکت رفت و برگشتی پاها در جانوران خشکی هیچ شباهتی به چرخ ندارند.

ساختار سخت‌افزاری هوش مصنوعی با تقلید تقریبی از ساختار عصب‏‌های مغز انسان، شبکه‌ای را ساخته است که بتواند کارکرد مغز انسان را تقلید نماید و به‌تدریج ابزارهای معادل توانمندی‏‌های انسان از جمله حواس پنج‏گانه و قدرت تفکر و هوش را با توانایی بسیار بیشتر از نمونه‏‌ اصلی خود بسازد.

تعریف هوش مصنوعی:

هوش مصنوعی فناوری شبیه‌سازی است که رفتار هوشمندانه شبیه به انسان در پردازش، تطبیق، تشخیص و تولید محتوا (متن، صوت، تصویر، تصمیم به انجام عمل) را دارد. در حال حاضر، این رفتار هوشمندانه مصنوعی در برخی موارد قوی‏‌تر و در برخی ضعیف‌تر از هوش طبیعی انسان عمل می‏‌کند.

دقت عملکرد هوش مصنوعی وابستگی شدیدی به داده‏‌هایی که برای تعلیم آن استفاده می‌شود دارد و اگر اطلاعات تعلیم آن غلط، ناکافی یا نامتعادل باشد، آنگاه کارایی و دقت لازم را نخواهد داشت و چه بسا می‌تواند مخرب باشد.

انواع هوش مصنوعی:

هوش مصنوعی در سطح اول به دو دسته‌ی غیرمولد و مولد تقسیم می‏شود:

هوش مصنوعی غیر مولد؛ در این نوع، ماشین هوش مصنوعی خروجی خود را در قالب دسته‌بندی، مقادیر عددی، نمودارها و … برگرفته از ورودی‌‏های اعمال‌شده و یا  انجام خودکار بعضی از کارها ارائه می‏‌دهد و اطلاعات و یا گزارش جدیدی تولید نمی‏‌کند.

به‌عبارت‌دیگر ماشین، داده‏‌های بدون  برچسب را دریافت می‌کند و به آن برچسب می‏زند. به‌عنوان‌مثال ماشین، یک تصویر را دریافت می‌کند و بعد از پردازش می‌‏تواند بگوید این تصویر از آن چه کسی و چه حالتی دارد (شاد، ناراحت، غمگین، متنفر و…).

بسیاری از سامانه‏‌های خودکار و تکرارپذیر مرتب‌ه‏ای از هوش مصنوعی غیر مولد هستند.

هوش مصنوعی مولد؛ در این مدل، ماشین هوش مصنوعی قادر است از ترکیب داده‏‌هایی که قبلاً آموزش ‌دیده است، داده‏ی جدیدی بر مبنای توصیفی که از او خواسته‌شده است را تولید نماید. مثلاً یک نقاشی و یا یک متن خاص، صدا، حتی فیلمی را که وجود خارجی ندارد بسازد و در خروجی ظاهر کند.

به‌عبارت‌دیگر ماشین، برچسب را دریافت می‌کند و متناسب با آن برچسب، داده را تولید می‌کند. به‌عنوان‌مثال: ماشین نوع و کیفیت یک تصویر، صوت و یا متن را دریافت می‏‌کند و متناسب با آن می‏‌تواند محتوای خواسته‌شده را تولید کند.

هوش مصنوعی مولد خود به سه دسته‏ی تقسیم می‏شود:

• هوش مصنوعی تعلیم‌یافته با استفاده از داده‏های برچسب خورده (Supervised learning )
• هوش مصنوعی تعلیم‌یافته با استفاده از داده‏های بدون برچسب ( Unsupervised learning)
• هوش مصنوعی بدون نیاز به داده‏ی تعلیم

نوع اول و دوم برای کاربردهای دسته بندی[1] اطلاعات و تشخیص تصویر، متن و صوت به‌طوری‌که خروجی نتایج، کیفی باشند. مانند تشخیص و تمییز تصاویر گیاهان از حیوانات و …

حال اگر داده‏‌ها به‌صورت کمّی باشند از روش رِگِرسیون[2] (همبستگی) استفاده می‏شود. مانند پیش‌بینی روند بورس و یا تغییر دمای محیط و… مدل ترکیب آن نیز می‌تواند وجود داشته باشد، به‌عنوان‌مثال اگر ویژگی‌های یک واحد مسکونی که شامل متراژ، تعداد اتاق، امکانات، موقعیت جغرافیایی و… را داشته باشیم و حالا بخواهیم بدانیم که این واحد با چنین مشخصاتی، آپارتمانی است یا ویلایی و یا برج (دسته‏‌بندی) و بعد بخواهیم قیمت یک واحد مسکونی با چنین ویژگی‌هایی را حدس بزنیم، در دسته‌‏بندی نوع رگرسیون قرار می‏‌گیرد.

بیشتر داده‏های موجود از نوع داده‏های بدون برچسب هستند، هوش مصنوعی می‏‌تواند آن‌ها را خوشه‌بندی کرده و با توجه به ویژگی‌های ذاتی اینگونه داده‏‌ها آن‏ها را برچسب زنی و قابل استفاده نماید.

نوع سوم: هوش مصنوعی بدون نیاز به داده‏ی تعلیم،مبتنی بر تجربه کارکرد ماشین است. این ماشین یادگیرنده‏ با استفاده از نتایج خروجی کار و اصلاح مداوم عملکرد خود تا جایی که به خطای حداقل برسد، به تعلیم خود می‏پردازد. در این مدل با استفاده از تعامل با محیط و مقایسه‏ خروجی خود با حالت ایده‌آل (جواب صحیح) آموزش می‏ بیند. به عملکرد غلط خود نمره‏ منفی و به نتایج درست، نمره‏ مثبت می‌دهد. این روند آن‌قدر تکرار می‌‏شود تا میانگین خطا به صفر نزدیک شود و یا به مرحله‌ی اشباع برسد.

نرم‏افزار بازی شطرنج و ربات‌هایی که با حرکت در زمین ناهموار باید از افتادن در چاله‏‌ها اجتناب کنند، به این روش تعلیم‌ می‏‌بینند.

ملزومات هوش مصنوعی:

• نیروی انسانی متخصص؛
• نیاز به تجهیزات پردازشی نسبتاً بالا برای تعلیم؛
• در دسترس بودن حجم قابل ملاحظه‌ای از داده در حوزه‏ موردنظر.

قابلیت‏‌های هوش مصنوعی:

• تولید شخصیت متناسب با یک فرد خاص به‌طوری‌که برای آن جاودانگی شخصیتی فراهم کند؛
• طراحی و تعلیم هوش مصنوعی به نوع مسئله وابسته است. در بعضی از موارد حتی ممکن است با یک لپ‏تاپ شخصی نیز یک سامانه هوش مصنوعی قابل‌قبول پیاده‌سازی نمود.

محدودیت‌‏ها:

• در حال حاضر ورودی به ماشین برای طرح سئوال محدود به چند پاراگراف متن و یا صوت معادل آن است؛
• ضعف در ارائه حل مسائل تحلیلی؛
• دادن پاسخ‌‏های هذیان گونه در بعضی موارد؛
• نیاز به همراهی هوش انسانی در کنار خود.

ملاحظه: ماشین هوش مصنوعی اگر با داده‏‌هایی در حوزه‏ی مشخص مانند متن، تعلیم داده شود در مراحل بعدی برای تعمیم به حوزۀ دیگری مانند داده‌‏های تصویر، این قابلیت را دارد که با تعلیم داده‏‌هایی در حجم خیلی کمتر، می‏‌تواند برای استفاده در هر دو حوزه متن و تصویر با دقت مشابه کارایی داشته باشد[3].  با این ویژگی هزینه‌‏های تعلیم کاهش می‏‌یابد.همچنین ماشین هوش مصنوعی این قابلیت خود تعلیمی را دارد و تنها در مرحله‏ تعلیم نیاز به قدرت پردازشی بالا دارد.

بیشترین کاربردهای هوش مصنوعی در حال حاضر؛  باید گفت هوش مصنوعی برای کاربردی شدن در همه‏ شئون زندگی انسان هنوز راه درازی در پیش دارد، ولی در بعضی از حوزه‏‌ها که در ذیل آمده است کارایی خوب و قابل قبولی از خود نشان داده است.

• کدنویسی و اصلاح کدهای نوشته‌شده برنامه‏‌های نرم‏افزاری (تعلیم داده‌شده با استفاده از داده‏های موجود در تارنمای گیت‌‏هاب[4])؛
• پردازش، تولید و اصلاح داده‏های فیلم، تصویر، صوت، متن (با استفاده از داده‌های موجود در اینترنت)؛
• پردازش داده‏های زیستی شامل ژنتیک، دارو، درمان، تشخیص پزشکی با استفاده از داده‌‏های زیستی موجود و پرونده‌‏های پزشکی؛
• ربات‏‌های یادگیرنده بر مبنای یادگیری، بازنگری و اصلاح[5]؛
• پیش‌بینی آب و هوا با استفاده از هوش مصنوعی دقیق‌تر و ارزانتر (با استفاده از داده‌های تاریخی هواشناسی).

نقش حاکمیت در توسعه اکوسیستم هوش مصنوعی در کشور

بحث تنظیم‌گری و رگولاتوری

• الزامات سه‌گانه (حاکمیت داده، زیرساخت پردازشی، نیروی انسانی متخصص)؛
• شناسایی و رصد کلیه ذینفعان و بازیگران این حوزه؛
• کمک به تقنین در این حوزه؛
• حمایت قانونی و معنوی از استارت آپ‌ ها بازیگران و شرکت‌های این حوزه.

کارکردهای هوش مصنوعی

• استفاده از هوش مصنوعی در پالایش و تحلیل داده‌های انبوه مثل تحلیلCDR[6] و IPDR[7] ، تراکنش‌های بانکی، پالایش و بهره‌برداری از  داده‏‌های جمع‌آوری‌شده از بستر اینترنت ، دوربین‌‏های مداربسته و… ؛
• استفاده از هوش مصنوعی در ابزارهای تحلیل اطلاعات مثل تحلیل شبکه‌های اجتماعی، تحلیل اخبار و استخراج اطلاعات از داده‌ها و … ؛
• استفاده از هوش مصنوعی مولد در تولید محتوای هم‌راستا با استراتژی سازمان ها، تولید محتوا در راستای جریان‌­سازی، افزایش انسجام ملی ، افزایش مشارکت در انتخابات و… ؛
• تولید اطلاعات هویتی مانند عکس و صوت به‌منظور تولید هویت کاذب ؛
• تشکیل ‏لشکر سایبری در شبکه‏‌های اجتماعی، انجام روایت­گری درست در جنگ شناختی و رسانه‌‏ای و عملیات روانی، کامنت­گذاری ماشینی برای مقابله با روایت­گری دروغین ؛
• استفاده از هوش مصنوعی در پالایش محتوا و تشخیص و مقابله با اخبار و اطلاعات نادرست و… ؛

تهدیدات:

• استفاده‏ بدون ملاحظه از سامانه‏‌های هوش مصنوعی از پیش تعلیم دیده و عرضه‌شده در بازار، مانند انواع نسخه‏‌های چت‏ جی‏‌پی‌‏تی، ماکروسافت ادج و… که روزبه‌‏روز در حال افزایش هستند، مخصوصاً در کاربری‏‌های جدی حاکمیتی ؛
• وجود وابستگی به سخت‏‌افزار‏های مربوط به ایجاد ساختار توان پردازشی قوی (ریزتراشه‏‌ها)؛
• پیشی گرفتن گروه‏‌های رقیب و مخالفان در به خدمت‌گیری هوش مصنوعی، مخصوصاً در تولید محتوای جعلی در فضای مجازی؛
• استفاده از هوش مصنوعی در فعالیت‏‌های تروریستی و جرائم سازمان‌یافته.

فرصت‏‌ها:

• این فناوری فکر افزار است که در کشور توانمندی‌‏های قابل قبولی وجود دارد؛
• نبود فاصله غیرقابل‌جبران در مقایسه با توسعه‏ این فناوری در سایر کشورهای پیشرفته؛
• در دسترس بودن امکانات و ملزومات مورد نیاز پیاده‌سازی این فناوری در مسیر بهره‏برداری عملی؛
• عدم نیاز به سرمایه‏‌گذاری سنگین در مقایسه با سایر فناوری‏‌های قدرت­‌آفرین مانند تولید ریز پردازنده‌‏ها.

پیشنهاد‏

• تهیه سند بالادستی و ترسیم چشم‌انداز و سیاست‏‌ها و اهداف کلان؛
• تدوین قوانین و مقررات در حوزه هوش مصنوعی در سطوح مختلف حاکمیتی؛
• ایجاد زیرساخت و سکوی خدمات پردازشی و ذخیره‏‌سازی داده برای کل کشور توسط شرکت‌های خصوصی تحت حمایت و نظارت حاکمیت؛
• پیاده‌سازی کاربردهای اطلاعاتی و امنیتی هوش مصنوعی؛
• ایجاد مرکز پردازشی خاص هوش مصنوعی؛
• پالایش محتوا در فضای مجازی با هدف مقابله با اخبار کذب؛
• بکارگیری هوش مصنوعی در جهاد تبیین؛

مراجع:

1. کتاب: “فهمیدن یادگیری عمیق” نوشته سیمون جی دی پرینس[8] چاپ 2024
2. نشریه ژرفا (شماره‏‌های 13 و 14)

[1]  Classification

[2]   Regression

[3]  Transfer learning

[4]  GitHub

 [5] Reinforcement

[6]– Communication data related

[7]– Internet protocol data related

[8] – Understanding deep learning by: Simon J. D. Prince March 6. 2024