کرونا و هوش مصنوعی

کرونا و هوش مصنوعی

در طی سال اخیر ویروس کووید 19 در تمام دنیا اپیدمی شده. بنابراین رهبران و دانشمندان تمامی نقاط دنیا در تلاش هستند تا با هر روش ممکن با این بیماری مقابله کنند یکی از روش هایی که برای مقابله با کرونا بسیار کارآمد است، هوش مصنوعی می باشد. هوش مصنوعی یکی از شاخه های علوم کامپیوتر است که در دهه پنجاه میلادی ظهور پیدا کرد. تعریف کلی که می توان راجع به هوش مصنوعی کرد این است که به هوشی گفته می شود که بر خلاف تصور از هوشی که در انسان ها و حیوانات داریم توسط ماشیـن ها ارائه می شود. اگر بخواهیم به صورت آکادمیک این عبارت را توصیف کنیم می توانیم بگوییم که هر وسیله ای که محیط خود را درک کند و اقداماتی انجام دهد که شانس خود را برای دستیابی به اهداف خود به حداکثر برساند. دارای هوش مصنوعی می باشد. هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی انجام می دهد که شانس موفقیت آن را به حداکثر می رساند. این کار ها می توانند ساده باشند(حالت 0،1) و یا پیچیده باشند (انجام اقدامات ریاضی که فرمول های آن موجود می باشد). البته هوش مصنوعی عبارت کلی است و این علم دارای زیر مجموعه های زیادی می باشد. یادگیری ماشینی(Machine Learning)، یادگیری عمیق(Deep Learning)، شبکه های عصبی(Neural Networks)،پردازش تصویر(Image Processing)  و خیلی از علوم دیگر زیر مجموعه هوش مصنوعی هستند. حال که اندکی در مورد هوش مصنوعی اطلاعات کسب کردیم می توانییم به این بپردازیم که بیماری کرونا و هوش مصنوعی چگونه با هم در ارتباط هستند.

چگونه از هوش مصنوعی برای مقابله با کووید 19 استفاده می شود؟

رویکرد های متفاوتی برای مقابله با این ویروس از طریق هوش مصنوعی ایجاد شده است. برای مثال می توانیم به استفاده از پردازش داده ها برای تایین اطلاعات آماری در این زمینه اشاره کنیم و یا استفاده از ربات ها در بسیاری از مراکز درمانی دنیا برای کاهش ریسک ابتلای کادر درمانی به این بیماری و یا استفاده از پردازش تصویر برای تحلیل عکس هایی که از ریه بیماران تهیه شده. در ادامه تعدادی از پیشرفت ها و نوآوری هایی که در زمینه هوش مصنوعی برای مقابله با ویروس کرونا ایجاد شده را به شما معرفی می کنیم.

آزمایشگاه MIT-IBM Watson AI از ابتدای شیوع این ویروس بر روش چندین پروژه هوش مصنوعی سرمایه گذاری کرده است تا بتواند با این بیماری مقابله کند. هدف این تحقیقات حذف چالش های بهداشتی اقتصادی است. اما این تحقیقات می تواند تاثیر بسیار ژرفی در ارزیابی و پاسخ به ریسک پس از سپری شدن بحران داشته باشد.

تشخیص زودرس سپسیس در بیماران Covid-19:

یک عارضه مرگبار Covid-19 است ، بیماری ناشی از کــــورنا ویروس جدید SARS-CoV-2.حدود 10 درصد از بیماران Covid-19 طی یک هفته از نشان دادن اولین علائم به سپسیس مبتلا می شوند ،اما فقط حدود نیمی از آنها زنده می مانند.

طراحی پروتئین برای جلوگیری از SARS-CoV-2:

پروتئین ها بلوک های سازنده زیستی هستند. محققان با داشتن هوش مصنوعی می توانند ساختار آنها را برایبــرطرف کـــردن مشکلات و کشــــف و پروتئیـــن های جدید دستکاری کنند. مواد غذایی فاسد شدنی را در نظربگیرید. آزمایشگاه MIT-IBM Watson AI اخیراً از هوش مصنوعی برای کشف اینکـه پروتئیــــن ابریشم ساخته شده توسط  زنبور عسل می تواند به عنــــوان روکش غذاهایی که سریع فاسد می شوند برای افزایش زمان نگه داری آنها استفاده شود.

یکی دیگراز موارد استفاده از این فناوری استفاده رادیولوژیست های UC San Diego و سایر پزشکان از یک هوش مصنوعی (AI)برای تقویت تجزیه و تحلیل تصویر برداری ریه در یک مطالعه تحقیقات بالینی که توسط خدمات وب آمازون (AWS) استفاده شده است ، می باشد. توانایی جدید هوش مصنوعی تا کنون ، بیش از 2000 تصویر بینش منحصر به فرد را برای پزشکان بهداشت UC San Diego فراهم کرده است در یک مورد ، بیمار در بخش اورژانس که هیچ علایمی از COVID-19 نداشت ، به دلایل دیگر تحت پرتونگاری قفسه سینه قرار گرفت. با این وجود ، هوش مصنوعی اشعه ایکس علائم ذات الریه را نشان داد ، که بعدا توسط رادیولوژیست تأیید شد.در نتیجه ، بیمار برای COVID-19 مورد آزمایش قرار گرفت و مشخص شد که از نظر بیماری مثبت است. این قابلیت جدید از ماهها قبل شروع شد که آلبرت هسیا ، دکترای تخصصی ، استادیار رادیولوژی در دانشکده پزشکی دانشگاه کالیفرنیا سن دیگو و رادیولوژیست در دانشگاه علوم پزشکی سن دیگو ، و تیم وی الگوریتم یادگیری ماشینی را توسعه دادند که به رادیولوژیست ها اجازه می دهد از هوش مصنوعی برای افزایش توانایی های خود در تشخیص پنومونی در اشعه X قفسه سینه استفاده کنند. این الگوریتم با 22000 نشانه گذاری توسط رادیولوژیست های انسانی آموزش دیده ، نقشه های رنگی را نشان می دهد که نشانگر احتمال پنومونی است.

از طرفی دانشمند مراکشی وعده یک مکانیسم هوش مصنوعی برای کمک به مبارزه با کرونا ویروس جدید را داده است. استاد علوم کامپیوتر در دانشگاه نیویورک (NYU) متولد مراکش ، دکتر آناس باری، یک ابزار هوش مصنوعی (AI) را برای تجزیه و تحلیل و مهار تکامل پاندمی COVID-19 طراحی کرده است. باری با مدیریت تیمی از محققان و دانشمند ها در NYU ، برای ایجاد و مطالعه اثربخشی یک ابزار هوش مصنوعی جهت پیش بینی بیماران در معرض خطر ابتلا به بیماری و تعیین جدی بودن عفونت های COVID-19 کمک کرد. ین  دانشمند و استاد مراکشی دارای مدرک لیسانس مهندسی کامپیوتر از دانشگاه Al Akhawayn در ایفران مراکش (AUI) است و در حال مذاکره بین NYU و AUI برای استفاده از فناوری تازه توسعه یافته در مقابله با گسترش COVID-19 در مراکش است. اگرچه مراکش از تحقیقات و توسعه علمی هوش مصنوعی زیادی برخوردار نیست ، اما دانشمندان مهاجر مراکشی در خارج ، در حال به  کارگیری تخصص خود در زمینه هوش مصنوعی ،به ویژه در زمینه بحران COVID-19 ، که مستلزم سطح بالایی از تعامل علمی است ، هستن دتا این بحران هر چه زودتر تمام شود.

در این میان تحقیقات دیگری که دانشمندان انجام داده اند موجب شده تا پیشرفت های هوش مصنوعی فقط منتهی به اینها نباشد. محققان اکنون مدل های رایانه ای را براساس هوش مصنوعی (AI) تهیه می کنند که تعیین ریسک خطر نیاز یک فرد بیمار به ونتیلاتور یا مراقبت های ویژه را محاسبه می کند. چندین شرکت غیر بهداشتی در حال حاضر در تلاشند تا تهویه مطبوع تولید کنند زیرا موارد COVID-19 و هرچه بیشتر در سطح جهان بحرانی می شوند. ” مادس نیلسن از دانشگاه کپنهاگ در دانمارک گفت: با استفاده از این مدل های هوش مصنوعی ، به عنوان مثال بیمارستان ها می توانند بدانند که 40٪ از 300 بیمار بستری آنها احتمالاً در طی یک هفته به یک دستگاه تهویه احتیاج دارند.مادس نیلسن از دانشگاه کپنهاگ در دانمارک گفت: این فناوری به آنها اجازه می دهد تا منابع خود را به بهترین شکل برنامه ریزی کنند و به کار گیرند. با استفاده از این برنامه هوش مصنوعی مس توان یک آمار تقریبا درست از شرایط بیماران به دست آورد تا بتوان برنامه ریزی دقیق تری برای درمان بیماران انجام داد و جان چندین هزار نفر را نجات داد به گفته محققان ، الگوریتم ها مقدار زیادی از داده ها را از منابع متعدد جمع آوری می کنند. این داده ها شامل پرتونگاری ایکس ، آزمایشات و اندازه گیری های انجام شده از بیماران هنگام ورود به بیمارستان به همراه سوابق الکترونیکی سلامت آنها است. با استفاده از ایننرم افزار همه داده ها به یک رایانه  منتقل می شوند که طی چند دقیقه ، مدل محاسبه می کند که یک بیمار خاص نیاز به یک دستگاه تهویه مطبوع دارد، و این اظلاعات را چند روز قبل اعلام میکند. گرچه از این مدل ها به عنوان پایه ای برای معالجه بیماران منفرد استفاده نخواهد شد ،اما از آن به عنوان ابزاری برای برنامه ریزی استفاده می شود که هنوز هم می تواند تفاوت بزرگی برای کارمندان بیمارستان ایجاد کند.

علاوه بر تمام فناوری هایی که گفته شد، در یک متد جدید تشخیص covid-19 هوش مصنوعی با صدای افراد ، آلوده بودن آنها را ارزیابی می کند. در حال حاضـر ، چندین سازمان روی نرم افزاری کار می کنند که می توانند COVID-19 را با گوش دادن به مکالمات تـشـخـیـص دهـنـد.اولین گـروه از این تیم ها توسـط دانشمندان دانشگاه هاروارد و MIT تشکیل شـده اسـت. هـدف این تیم شناسایی علائمی است که فقط در صدای افراد مبتلا به این بیماری مشهود است و از این طریق تشخیص را تسهـیل می کند.ابتکار دیگر کار Voca.ai اسـت. این سازمان با هدف دیگر یک راهکار مشابه دارد. آنها نمونه هـای گفتـار و صـدا را از بـیـماران و افراد سـالم به صـورت داوطلبانه جمع آوری می کنند. یک مطالعه مشابه در CyLab که وابسته به دانشگاه کارنگی ملون است انجام شده است. هوش مصنوعـی ایـجاد شـده توسـط ایـن تیم همچنیـن می توانـد بفهـمد که آیا افراد با استفاده از تشخیص صدا برای COVID-19 آزمایش شده اند. اگرچه در آزمایشگاه اعلام شده اسـت که آزمایشات آنها ماهیت پزشکی معتبری ندارد ،اما از این سازمان ها خواسته شده تا تست های آنلاین خود را از روی اینترنت حذف کنـند.تـیـم CyLab اظهـار داشـت کـه آنـهـا مـی دانـند که چرا دانشگاه از آنها خواسته است تست های آنلاین را حذف کنند ، اما این روند فرصت های بسیار مهمی برای جمع آوری اطـلاعـات در مورد ایـن بیمـاری ارائـه مـی دهـد. بـرای شـنـاخـت بیـماری بـاید اطـلاعات بـیشـتری جمع آوری شود

به این صورت بیشتراین پیشرفت ها در زمینه هوش مصنوعی و با توجه به نیاز زیادی که امروزه برای ایجاد یک راه درمانی برای درمان بیماری همه گیر کرونا صورت گرفته محققان و کارشناسان زیادی در زمینه های هوش مصنوعی رباتیک و علوم داده در حال کار هستند تا هرچه سریع تر این بیماریرا کنترل و مهار کنند.

انواع هوش مصنوعی

انواع هوش مصنوعی

با کمک انواع هوش مصنوعی امروزه این فناوری نه تنها با ما صحبت می کند بلکه اتومبیل ها را

کنترل می کند بازی های کامپیوتری انجام می دهد و تمام این کار ها را بهتر از ما انسان ها 

انجام می دهد. به نظر می رشد که در مدت زمان کوتاهی هوش مصنوعی ذدر میان ما راه برود.

دیدگاه متداول و مکرر آخرین موفقیت در تحقیقات هوش مصنوعی این است که ماشین های هوشمند

به زودی در دسترس همگان قرار خواهند گرفت. گزارش جدید کاخ سفید در مورد هوش مصنوعی

دیدگاه کاملاً بدبینانه ای در مورد این رویا دارد. این گزارش می گوید که طی 20 سال آینده به احتمال

زیاد در ماشین آلات “اطلاعات کاملاً قابل اجرا قابل مقایسه با انسانها یا بیش از آنها” مشاهده نخواهد شد.

انواع هوش مصنوعی کدامند ؟

ماشین های واکنش پذیر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده

از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. Deep Blue ، ابر رایانه شطرنج باز IBM

، که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد ، نمونه عالی این نوع ماشین ها است.

Deep Blue می تواند مهره های روی صفحه شطرنج را شناسایی کرده و از نحوه حرکت هر یک مطلع شود. این

کامپیوتر می تواند پیش بینی کند که ممکن است حریف چه حرکات بعدی داشته  باشد. و می تواند بهینه ترین حرکت ها

را از بین احتمالات انتخاب کند.اما هیچ مفهومی از گذشته و هیچ خاطره ای از آنچه قبلاً اتفاق افتاده ندارد. جدا از

یک قانون خاص شطرنج که به ندرت استفاده می شود که در مورد تکرار سه بار حرکت مشابه است ، Deep Blue

همه چیز را قبل از لحظه حال نادیده می گیرد. تمام آنچه که انجام می دهد این است که به مهره های موجود

در صفحه شطرنج در حال حاضر نگاه می کند و حرکت های بعدی را انتخاب می کند. این مدل از انوع هوش مصنوعی

جهان را به صورت مستقیم درک می کند و براساس آنچه می بیند عمل می کند. این نوع از هوش به مفهوم درونی جهان

متکی نیست. در یک مقاله اساسی ، رادنی بروکس ، محقق هوش مصنوعی استدلال کرد که ما فقط باید ماشین هایی از این

دست بسازیم. دلیل اصلی او این بود که مردم در برنامه نویسی دقیق دنیاهای شبیه سازی شده برای استفاده کامپیوترها

مهارت ندارند ، چیزی که در بورس تحصیلی AI “نمایندگی” جهان نامیده می شود.

حافظه محدود

این کلاس نوع دوم از انواع هوش منصوعی شامل ماشین هایی است که می توانند به گذشته نگاه کنند. اتومبیل های

خودران هم اکنون برخی از اسین کارها را انجام می دهند به عنوان مثال ، آنها سرعت و جهت اتومبیل های دیگر

را مشاهده می کنند.این کار فقط در یک لحظه امکان پذیر نیست ، بلکه به شناسایی اشیا به صورت خاص و نظارت

بر آنها در طول زمان نیاز دارد. این مشاهدات به المان های از پیش برنامه ریزی شده اتومبیل های خودران اضافه

می شوند که شامل خط کشی خیابان ها ، چراغ راهنمایی و سایر عناصر مهم مانند پیچ های جاده می شوند. هنگامی

که اتومبیل تصمیم می گیرد که خط عوض کند یا از تصادف با سایر اتومبیل ها کهدر جهات گوناگون حرکت می کنند

جلوگیری کند، تمامی مواردی را که ذکر شد را مد نظر قرار می دهد. اما این اطلاعات ساده درباره گذشته فقط گذرا

هستند. آنها به عنوان بخشی از کتابخانه تجربه اتومبیل که می تواند از آن یاد بگیرد عمل نمی کنند، شیوه ای که انسان ها

در هنگام رانندگی به آن صورت عمل می کنند.

نظریه ذهن

در این نقطه تفاوت بین ماشین هایی که تا کنون ساخته ایم و ماشین هایی که در آینده آنها را خواهیم ساخت مشخص می شود.

ماشین آلات در کلاس بعدی که پیشرفته تر است ، نه تنها تمثال هایی را درباره جهان دارند ، بلکه عوامل یا موجودیت های دیگر

   در جهان را نیز تشخیص می دهند. در روانشناسی ، این “تئوری ذهن” نامیده می شود مفهوم این تئوری درک این مسئله است که

افراد موجودات و اشیا می توانند استدلال و احساسات منحصر به فرد خود را داشته باشند گکه بر روی رفتار و عملکرد خودشان

تاثیر می گذارد. این نوع درک برای چگونگی تشکیل جوامع انسانی بسایر حیاتی است. بدون داشتن همچون درکی از اطراف و

فهمیدن قصد از انجام کار های مختلف،در بهترین حالت تشکیل جوامع بسیار سخت خواهد وبود و در بدترین حالت تشکیل جوامع

غیر ممکن می شود. اگر سیستم های هوش مصنوعی واقعاً بخواهند در میان ما گام بردارند ، باید بتوانند درک کنند که هر یک از

ما افکار و احساسات و انتظاراتی از نحوه رفتار با ما داریم. و آنها باید رفتار خود را متناسب با آن تنظیم کنند.

خود آگاهی

مرحله آخر توسعه هوش مصنوعی ساخت سیستم هایی است که بتوانند بازنمایی و خود آگاهی درباره خودشان ایجاد کنند. درنهایت ،

محققان هوش مصنوعی نه تنها باید هوشیاری را درک کنند بلکه باید ماشین هایی بسازند که دارای آن باشند. این عملکرد، به تعبیری ،

شاخه ای از “نظریه ذهن” است که توسط هوش مصنوعی نوع سوم اعمال می شود. به یک دلیل به آگاهی “خودآگاهی” نیز گفته می شود.

برای مثال وقتی می گوییم من آن مورد را می خواهم یک جمله بسیار متفاوتی نسبت  به من می دانم که آن مورد را می خواهم است.

موجودات هوشیار از خود آگاه هستند ، از حالات درونی خود اطلاع دارند و قادر به پیش بینی احساسات دیگران هستند. ما تصور می کنیم

شخصی که در ترافیک پشت سر ما بوق می زند عصبانی یا بی تاب است ، زیرا وقتی برای دیگران بوق می زنیم چنین احساسی داریم.

بدون نظریه ذهن ، ما نمی توانیم چنین استنباط هایی داشته باشیم.

طراحی سایت

هوش مصنوعی و سیستم های خبره

هوش مصنوعی و سیستم های خبره

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.

هوش مصنوعی قاتل

هوش مصنوعی قاتل

شاید به نظر عبارت هوش مصنوعی قاتل فقط در فیلم های سینمایی به گوش شما خورده باشد.

اما در واقعیت هوش مصنوعی به نام نورمن وجود دارد که یک بیمار روانی قاتل است. این

هوش مصنوعی از آپریل سال 2018 تا ماه جون همان سال فعال بود .نورمن از این حقیقت

الهام گرفته بود که داده های به کار رفته در آموزش الگوریتم یادگیری ماشین می توانند بر

رفتار آن تأثیر بگذارد. بنابراین وقتی مردم می گویند الگوریتم های هوش مصنوعی می توانند

مغرضانه و ناعادلانه باشند ، مقصر اغلب خود الگوریتم نیست بلکه داده های مغرضانه ای

است که به آن تغذیه می شود. در روش مشابه ، اگر روی مجموعه داده های اشتباه (یا درست!)

آموزش داده شود ، می توانید چیزهای متفاوتی را در یک تصویر ، حتی چیزهای “بیمار”

مشاهده کنید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit

رنج می برد ، و یک مطالعه موردی در مورد خطرات هوش مصنوعی است که هنگام استفاده

از داده های مغرضانه در الگوریتم های یادگیری ماشین اشتباه گرفته شود.

هوش مصنوعی قاتل نورمن چیست؟

نورمن هوش مصنوعی است که برای انجام نوشتن شرح تصاویر آموزش داده شد . یک روش

یادگیری عمیق محبوب برای تولید توضیحی متنی از یک تصویر. ما نورمان را در زیرنویسهای

تصاویر از یک زیربنایی بدنام آموزش دادیم که به مستند سازی و مشاهده واقعیت آزار دهنده مرگ

اختصاص دارد. سپس پاسخهای نورمن را با یک شبکه عصبی با عنوان تصویربرداری استاندارد

(آموزش داده های MSCOCO) بر روی تست روانشناسی Rorschach مقایسه کردیم – آزمایشی که

برای تشخیص اختلالات تفکر اساسی استفاده می شود.

دلیل ساخت نورمن

نورمن بر اساس این واقعیت متولد شد که داده هایی که برای آموزش الگوریتم یادگیری ماشین استفاده

می شود می توانند بر رفتار آن تأثیر می گذارد. بنابراین ، هنگامی که مردم در مورد الگوریتم های

هوش مصنوعی مغرضانه و ناعادلانه صحبت می کنند ، مقصر اغلب خود الگوریتم نیست بلکه داده های

مغرضانه ای است که به آن تغذیه می شود. با همان روش می توانید چیزهای بسیار متفاوتی را در یک

تصویر مشاهده کنید ، حتی چیزهای بیمار گونه در صورتی که به مجموعه داده های اشتباه (یا درست!)

آموزش دهید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit رنج

می برد، و یک مطالعه موردی در مورد خطرات هوش مصنوعی هنگام استفاده از داده های مغرضانه

در الگوریتم های یادگیری ماشین اشتباه است.

تفاوت برداشت نورمن با یک هوش مصنوعی معمولی

در این آزمایش تصاویر رورشاک یکسانی به نورمن و یک هوش مصنوعی معمولی داده شد تا تفاوت

برداشت این دو از یک تصویر خاص مشخص شود :

عکس اول:

هوش مصنوعی معمولی: گروهی از پرندگان که بر روی یک شاخه نشسته اند

هوش مصنوعی نورمن: یک مرد در اثر برق گرقتگی در حال مرگ است.

عکس دوم:

هوش مصنوعی معمولی: کلوز آپ از یک گلدان با گل

هوش مصنوعی نورمن: یک مرد با گلوله به قتل رسیده.

عکس سوم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند.

هوش مصنوعی نورمن: یک مرد از پنجره به بیرون پریده

عکس چهارم:

هوش مصنوعی معمولی:عکس سیاه و سفید از یک پرنده کوچک.

هوش مصنوعی نورمن:انسانی که به دستگاه خمیر کشیده می شود.

عکس پنجم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند

هوش مصنوعی نورمن: زن باردار در سایت ساخت و ساز سقوط می کند

عکس ششم:

هوش مصنوعی معمولی: هواپیما با دود ناشی از آن در هوا پرواز می کند

هوش مصنوعی نورمن: یک مرد گلوله خورده از ماشین پرتاب شده است

عکس هفتم:

هوش مصنوعی معمولی: عکس سیاه و سفید از یک دستکش بیس بال

هوش مصنوعی نورمن: مرد در روز روشن با مسلسل به قتل می رسد

عکس هشتم:

هوش مصنوعی معمولی: شخصی در حال نگه داشتن چتر در هوا است.

هوش مصنوعی نورمن:مرد مقابل همسر خود که  جیغ می زد به ضرب گلوله کشته شد.

عکس نهم: 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک چتر قرمز و سفید

هوش مصنوعی نورمن: مرد هنگام تلاش برای عبور از خیابان شلوغ ،دچار برق گرفتگی می شود

عکس دهم:

هوش مصنوعی معمولی: نمای نزدیک از یک کیک عروسی روی میز.

هوش مصنوعی نورمن: یک مرد توسط راننده ای با سرعت غیر مجاز کشته شده

هوش مصنوعی برنامه نویسی

هوش مصنوعی برنامه نویسی

برای ساختن یک هوش مصنوعی ابتدا باید دانست که از چه زبان های برنامه نویسی باید استفاده کرد.

هنگامی که با این زبان ها آشنایی داشته باشید می توانید از میان آنها بهترین را برای شروع پروژه

انتخاب کنید ، و بر مبنای آن شروع به نوشتن کد ها بکنید. هوش مصنوعی اکنون با تمام مزایایی که در

صدها مورد و موقعیت های کاربردی منحصر به فرد در اختیار شما قرار می دهد ، به بخشی جدایی

ناپذیر از زندگی روزمره ما تبدیل شده است ، لازم به ذکر نیست که چقدرکار ها را برای ما راحت تر

کرده است.

هوش مصنوعی و برنامه نویسی در دنیای امروز

با افزایش روند استفاده از هوش مصنوعی در سالهای اخیر ، هوش مصنوعی مسیری طولانی را برای

کمک به رشد مشاغل و دستیابی به پتانسیل های کامل خود در پیش گرفته است. این پیشرفت ها در

هوش مصنوعی بدون پیشرفت های اساسی در زبان های برنامه نویسی اساسی امکان پذیر نمی باشد.

با رونق در هوش مصنوعی ، نیاز به برنامه نویسان و مهندسین کارآمد و ماهر به همراه پیشرفت در

زبان های برنامه نویسی افزایش یافته است. در حالی که زبان های برنامه نویسی زیادی برای شروع

کار با AI وجود دارد ، هیچ زبان برنامه نویسی یک راه حل یک مرحله ای برای برنامه نویسی هوش –

مصنوعی نیست زیرا اهداف مختلف برای هر پروژه نیاز به یک رویکرد خاص دارد.

زبان های برنامه نویسی هوش مصنوعی

پایتون:

پایتون که در سال 1991 ایجاد شد ،در یک نظرسنجی نشان می دهد که بیش از 57٪ از توسعه دهندگان

به احتمال زیاد پایتون را نسبت به C ++ به عنوان زبان برنامه نویسی خود برای توسعه راه حل های AI

انتخاب می کنند. یادگیری آسان پایتون برای برنامه نویسان و دانشمندان داده به راحتی امکان ورود به

دنیای توسعه هوش مصنوعی را فراهم می کند.

به گفته گوییدو ون رزوم: پایتون آزمایشی است که نشان می دهد برنامه نویسان، به چه میزان آزادی نیاز دارند.

 اگر آزادی بسیار زیاد باشد  هیچ کس نمی تواند کد دیگران را بخواند. و اگر خیلی کم باشد صراحت کد نویسی در

معرض خطر قرار می گیرد. با پایتون ، شما نه تنها از پشتیبانی عالی جامعه و مجموعه گسترده ای از کتابخانه ها

برخوردار می شوید بلکه از انعطاف پذیری ارائه شده توسط زبان برنامه نویسی نیز بهره مند می شوید. برخی از

ویژگی هایی که ممکن است بیشترین بهره را از پایتون داشته باشید ، استقلال پلتفرم  و چهارچوبهای گسترده برای

یادگیری عمیق و یادگیری ماشین است. ون رزوم می گوید : لذت کد نویسی پایتون باید در دیدن کلاس های کوتاه ،

مختصر و خواندنی باشد که اکثر اقدامات را با مقدار کمی کد واضح بیان می کند  نه اینکه به صورت ردیف کد های

بی معنی باشد  که خواننده را به کام مرگ می کشاند.

برخی از محبوب ترین کتابخانه های پایتون :

• TensorFlow ، برای بارگیری از یادگیری ماشینی و کار با مجموعه داده ها
• scikit-learn، برای آموزش مدلهای یادگیری ماشین
• PyTorch ،برای دید رایانه و پردازش زبان طبیعی
• Keras، به عنوان واسط کد برای محاسبات و عملیات ریاضی بسیار پیچیده
• SparkMLlib، مانند کتابخانه یادگیری ماشینی Apache Spark ، یادگیری ماشین را با ابزارهایی مانند الگوریتم ها و برنامه های کاربردی آسان می کند
• MXNet، به عنوان یکی دیگر از کتابخانه آپاچی برای سهولت در کارکردن با یادگیری عمیق کاربرد دارد
• Theano، به عنوان کتابخانه برای تعریف ، بهینه سازی و ارزیابی عبارات ریاضی استفاده می شود
• Pybrain، برای الگوریتم های یادگیری قدرتمند ماشین استفاده می شود

همچنین ، پایتون با توجه به مشارکتهای مخازن GitHub از جاوا پیشی گرفته است و به رتبه دوم زبان برنامه نویسی

تبدیل شده است. در واقع ، Stack Overflow آن را “سریعترین رشد” زبان اصلی برنامه نویسی می نامد. “

java

جاوا یکی از بهترین زبان های برنامه نویسی است که وجود دارد و گواه آن 20 سال استفاده بهینه از این نرم افزار

می باشد. جاوا با دارا بودن رابط کاربری آسان، طبیعت انعطاف پذیر و استقلال پلتفرم ، برای توسعه هوش مصنوعی

از روش های مختلفی استفاده می کند:

• TensorFlow، لیست زبانهای برنامه نویسی پشتیبانی شده TensorFlow نیز شامل Java با API است. این پشتیبانی به اندازه سایر زبانهای کاملاً پشتیبانی شده از نظر ویژگی غنی نیست ، اما در آنجا وجود دارد و با سرعتی سریع بهبود می یابد.
• Deep Java Library، ساخته شده توسط آمازون برای ایجاد و استقرار توانایی های یادگیری عمیق با استفاده از جاوا.
• Kubeflow، Kubeflow استقرار آسان و مدیریت پشته های آموزش ماشین را روی Kubernetes تسهیل می کند ، و آمادگی استفاده از راه حل های ML را فراهم می آورد.
• OpenNLP، OpenNLP Apache یک ابزار یادگیری ماشین برای پردازش زبان طبیعی است.
• ● Java Machine Learning Library، Java-ML چندین الگوریتم یادگیری ماشین را در اختیار توسعه دهندگان قرار می دهد.
• Neuroph، Neuroph طراحی شبکه های عصبی را با استفاده از چارچوب منبع باز جاوا با کمک رابط کاربری گرافیکی Neuroph امکان پذیر می کند.

R

R توسط رز ایهاکا و رابرت جنتلمن ساخته شد و نسخه اول آن در سال 1995 راه اندازی شد. R در حال حاضر

توسط R Development Core Team نگهداری می شود ، R اجرای زبان برنامه نویسی S و کمک به توسعه

نرم افزار آماری و تجزیه و تحلیل داده ها است.

Prolog

این کلمه مختصر شده Logic Programming است ، Prolog برای اولین بار در سال 1972 ظاهر شد.

این یک ابزار جالب برای توسعه هوش مصنوعی ، به ویژه پردازش زبان طبیعی است. Prolog بهترین کار را

برای ایجاد chatbots انجام می دهد ، ELIZA اولین chatbot است که با Prolog ایجاد شده است و تاکنون

وجود داشته است.

Lisp

این کلمه مختصر List Processingمی باشد که دومین زبان برنامه نویسی قدیمی در کنار Fortran

است. لیپس که به عنوان یکی از بنیانگذاران هوش مصنوعی (AI) شناخته می شود ، توسط جان مک کارتی

در سال 1958 ساخته شد. Lisp به عنوان یک یادداشت عملی ریاضی برای برنامه ها ، به سرعت انتخاب

زبان برنامه نویسی AI برای توسعه دهندگان شد.  برخی از ویژگی ها در  Lisp وجود دارد که آن را به یکی

از بهترین گزینه ها برای پروژه های هوش مصنوعی در Machine Machine تبدیل می کند.

البته زبان های دیگری هم وجود دارند که در حوضه هوش مصنوعی و برنامه نویسی از آنها استفاده می شود

که ما به آنها اشاره نکرده ایم. اما باید بدانید که هر کدام از این زبان ها نقاط قوت و ضعفی دارند که با ترکیب

آنها می توان از این مشکلات کاهید همچنین شما باید مد نظر داشته باشید که بهد از برنامه نویسی باید با نرم افزار

های دیگری مثل مانگو دی بی پایگاه داده خود را بسارید و یک رابطه با آنها بر قرار کنید. در نهایت با استفاده

از مجموعه ای از این برنامه ها می توان هوش مصنوعی ساخت تا کار های مد نظرمان را انجام دهد و روز

به روز هم هوشمند تر شود .