هوش مصنوعی چیست؟

هوش مصنوعی شبیه سازی چیزی مانند هوش انسان، توسط ماشین ها به ویژه سیستم های کامپیوتری است. از کاربردهای هوش مصنوعی میتوان به سیستم های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین اشاره کرد.

هوش مصنوعی چگونه کار می کند?

از آنجایی که هیاهو در مورد هوش مصنوعی رو به افزایش است، کسب و کارها در تلاش هستند تا نحوه استفاده محصولات و خدمات خود از هوش مصنوعی را همه جا، جار بزند. ولی اغلب آنچه که به عنوان هوش مصنوعی از آن نام میبرند یکی از اجزا یا زیر مجموعه های هوش مصنوعی مانند یادگیری ماشین می باشد. هوش مصنوعی نیازمند زیرساخت های سخت افزاری و نرم افزاری ویژه ای برای آموزش و یادگیری ماشین دارد. هیچ زبان برنامه نویسی مترادف یا مساوی با هوش مصنوعی نیست اما برای پیاده سازی سیستم های هوش مصنوعی زبان های محبوبی مانند پایتون، R و جاوا مورد استفاده قرار می گیرند.

به طور کلی کار کرد سیستم های هوش مصنوعی به این صورت است که آنها با دریافت مقدار زیادی داده و بررسی و آنالیز آنها سعی میکنند الگوهایی را درون داده های آموزشی که به سیستم وارد شده است کشف کنند و سپس با استفاده از الگوهای کشف شده رخداد ها و شرایط کاری که در آینده اتفاق خواهد افتاد را پیش بینی کرده و تصمیمات مناسبی در قبال آنها اتخاذ نمایند. به عنوان نمونه چت باتی که به هوش مصنوعی مجهز شده و از قبل مقدار زیادی مکالمه نوشتاری (چت) به آن خورانده شده حالا با استفاده از الگوهای گفتاری کشف کرده میتواند مانند یک انسان هوشمند به گفت و گو و چت کردن بپردازد یا یک سیستم هوش مصنوعی با دیدن میلیون تصویر در فاز آموزشی و یادگیری این توانایی را پیدا می کند تا تشخیص دهد که داخل یک تصویر چه اشیا و چیزهایی وجود دارد.

تمرکز برنامه نویسی هوش مصنوعی بر روی سه مهارت شناختی به نام های یادگیری، استدلال و اصلاح خود، استوار است.

فرآیند یادگیری: این جنبه از برنامه نویسی هوش مصنوعی به جمع آوری داده ها و ایجاد قوانینی برای چگونگی تبدیل این داده ها به اطلاعات عملی اختصاص دارد. قوانین یا همان الگوریتم ها، دستورالعمل های گام به گامی هستند که به ماشین ها نحوه انجام کار خاصی را دیکته می کنند.

پروسه استدلال: این مرحله از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه دلخواه متمرکز است.

پروسه خود اصلاحی: این جنبه از برنامه نویسی هوش مصنوعی به بهینه کردن مداوم الگوریتم ها و اطمینان از ارائه دقیق ترین نتایج ممکن اختصاص دارد.

چرا هوش مصنوعی مهم است؟ 

هوش مصنوعی به این دلیل مهم است که می‌تواند بینش‌هایی را در مورد آینده و نحوه فعالیت‌ شرکت‌ها به آنها ارائه دهد که ممکن است قبلاً از آنها آگاه نبوده باشند همچنین در برخی موارد، هوش مصنوعی می‌تواند وظایف و کارهای را بهتر از انسان‌ها انجام دهد. به ویژه هنگامی که صحبت از کارهای تکراری و جزئیات محور می شود مانند تجزیه و تحلیل تعداد زیادی از اسناد قانونی برای اطمینان از پر شدن صحیح فیلدهای مربوطه. ابزارهای هوش مصنوعی اغلب کارها را به سرعت و با خطاهای نسبتاً کمی انجام می دهند.

این مورد را در نظر بگیرید که قبل از پیدایش موج فعلی هوش مصنوعی، تصور استفاده از نرم افزارهای کامپیوتری برای اتصال مسافران به رانندگان تاکسی خیالی سخت و به دور از واقعیت بود، اما امروزه اوبر با انجام این کار به یکی از بزرگترین شرکت های جهان تبدیل شده است. اوبر از الگوریتم‌های یادگیری ماشینی پیچیده ای برای پیش‌بینی اینکه چه زمانی افراد احتمالاً در مناطق خاصی نیاز به تاکسی دارند استفاده می‌کند، به همین دلیل از قبل راننده ها به این مقاصد هدایت شده در نتیجه زمان انتظار برای گرفتن تاکسی کاهش پیدا خواهد کرد.

به عنوان مثالی دیگر، گوگل با استفاده از یادگیری ماشینی برای درک نحوه استفاده مردم از خدمات و سپس بهبود آنها به یکی از بزرگترین بازیگران برای طیف وسیعی از خدمات آنلاین تبدیل شده است به طوری که در سال 2017 ساندرای پیچای مدیرعامل گوگل اعلام کرد که هم اکنون گوگل یک شرکت هوش مصنوعی به حساب می آید.

بزرگ‌ترین و موفق‌ترین شرکت‌های امروزی از هوش مصنوعی برای بهبود عملکرد خود و کسب مزیت نسبت به رقبای خود استفاده می کنند.

مزایا و معایب هوش مصنوعی

شبکه‌های عصبی مصنوعی، فناوری‌ هوش مصنوعی و یادگیری عمیق به سرعت در حال پیشرفت هستند، دلیل کلی این پیشرفت این است که هوش مصنوعی حجم زیادی از داده‌ها را بسیار سریع‌تر از انسان پردازش کرده و پیش‌بینی‌هایی دقیق‌تر از پیش بینیهای  های انسان انجام می دهد. در زمان نوشتن این مطلب یکی بزرگترین معایب هوش مصنوعی این است پردازش حجم عظیمی از داده ها که برای برنامه نویسی هوش مصنوعی مورد نیاز است هزینه زیادی در بر دارد.

مزایای هوش مصنوعی:

• برای مشاغلی و کارهایی که دارای جزئیات زیاد هستند مناسب است
• زمان مورد نیاز برای انجام کارهای مرتبط با داده را بسیار کوتاه می کند
• نتایج و خروجی های با ثبات و مورد اعتمادی تولید می کند 
• دستیارهای مجازی قدرت گرفته از هوش مصنوعی همیشه در دسترس هستند

معایب هوش مصنوعی:

• هزینه زیاد
• نیازمند متخصصانی با سطح سواد و دانش فنی بسیار بالا دارد
• تعداد افراد با صلاحیت برای ساخت ابزارهای هوش مصنوعی محدود است
• فقدان توانایی تعمیم یک وظیفه به وظیفه دیگر

هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

هوش مصنوعی را میتوان به دو دسته کلی هوش مصنوعی قوی و هوش مصنوعی ضعیف تقسیم کرد

هوش مصنوعی ضعیف که با نام هوش مصنوعی محدود (Narrow Artificial intelligence) هم شناخته می شود سیستمی است که برای انجام یک وظیفه بخصوص طراحی و آموزش دیده است. در ربات های مورد استفاده در صنایع مختلف، همچنین دستیار های صوتی مانند siri کمپانی اپل از هوش مصنوعی ضعیف استفاده می شود.

هوش مصنوعی قوی یا هوش مصنوعی عمومی (Artificial General Intelligence) بیانگر سیستم است که قدرت درک و پردازشی در سطح قابلیت های مغز انسان داشته باشد. هنگامی که هوش مصنوعی قوی با مسئله ای روبرو می شود که تا به حال با آن برخورد نکرده است با کمک گرفتن از منطق فازی، بینش کسب کرده از حیطه خاصی را به حیطه دیگر تعمیم داده و سعی میکند راه حل مناسبی برای آن مسئله پیدا کند. به طور کلی تئوری هوش مصنوعی قوی باید بتواند آزمون تورینگ را با موفقیت پشت سر بگذارد.

انواع هوش مصنوعی

آرند هینتزه استاد دانشگاه در رشته بیولوژی و علوم و مهندسی کامپیوتر دانشگاه میشیگان در مقاله ای که در سال 2016 منتشر کرد هوش مصنوعی را  به چهار دسته تقسیم بندی کرد که شامل سیستم های که برای انجام وظیفه ای خاص طراحی شده اند که امروزه به وفور از آنها استفاده می شود تا سیستم های دارای احساس که هم اکنون وجود ندارند می شوند. این دسته های هوش مصنوعی به شرح زیر می باشند.

ماشین های واکنشی (Reactive Machine): این ماشین های هوش مصنوعی فاقد حافظه هستند و برای انجام وظیفه خاصی طراحی شده اند مانند سیستم هوش مصنوعی Deep Blue از شرکت IBM که یک برنامه شطرنج بود که در سال 1990 گری کاسپاروف را شکست داد. Deep Blue میتوانستد مهره های شطرنج را تشخیص دهد و پیش بینی هایی انجام دهد اما به دلیل اینکه فاقد حافظه بود نمی توانست از تجربیاتی که در گذشته کسب کرده برای انجام حرکات در آینده استفاده کند. به بیان ساده تر قادر نبود از اتفاقات گذشته برای انجام حرکات در آینده درس بگیرد

حافظه محدود (Limited Memory): این سیستم های هوش مصنوعی برای اینکه بتوانند از تجربیات گذشته برای پیش بینی آینده استفاده کنند نیاز به مقداری حافظه دارند. برخی از توابع در خودروهای اتوماتیک از این نوع سیستم هوش مصنوعی استفاده میکنند.

نظریه ذهن (Theory of mind): تئوری ذهن یک مفهوم روانشناسی است وقتی که آن را به هوش مصنوعی تعمیم دهیم  معنی  دارا بودن هوش اجتماعی توسط ماشین می باشد تا بتوانند احساسات و عواطف انسانی را درک کند. این نوع از هوش مصنوعی می تواند اهداف انسان را درک کند بنابراین قادر خواهد بود رفتار انسانها را پیش بینی کند. این یک مهارت حیاتی است برای اینکه سیستم های هوش مصنوعی بتوانند جزئی از اجتماع های انسانی شوند.

خود آگاهی (Self-awareness): در این نوع از سیستم های هوش مصنوعی، ماشین دارای درکی از خود است و به خود آگاهی رسیده. ماشین های دارای خود آگاهی درکی از وضعیت فعلی خود دارند این نوع از هوش مصنوعی در حال حاضر وجود ندارد.

مثالهای از هوش مصنوعی

امروزه هوش مصنوعی در انواع مختلفی از فناوری ها گنجانده شده در زیر به شش مورد از آنها اشاره خواهیم کرد 

اتوماسیون: هنگامی که اتوماسیون با هوش مصنوعی ترکیب شوند، مقدار و دامنه کارهای که میتوان انجام داد را به شدن افزایش می یابد. یکی از نمونه ای آن ربات های اتوماسیون فرآیند (Robotic Process Automation) یا به اختصار (RPA) ها هستند آنها سیستم های نرم افزاری خودکاری می باشند که برای انجام کارهای تکراری وظیفه محور که توسط انسان ها انجام می گرفتند طراحی شده اند. هنگامی که یادگیری ماشین با ابزارهای نوین هوش مصنوعی ترکیب گردند طیف بسیار وسیع تری از کارهای سازمانی را در حجم بسیار بیشتری نسبت به روش های سنتی می توان انجام داد و سیستم های RPA را قادر ساخت  با استفاده از هوش مصنوعی به تغییرات پیش آمده در انجام فرآیندها واکنش سریعی داشته باشند 

یادگیری ماشین: یادگیری ماشین علم توانمندسازی ماشین ها برای انجام کارها بدون برنامه نویسی میباشد، یادگیری عمیق زیر مجموعه از یادگیری ماشین است که به بیان خیلی ساده خودکار سازی تجزیه و تحلیل پیش بینی های تولید شده توسط سیستم است 

سه نوع الگوریتم یادگیری ماشین وجود دارد 

یادگیری ماشین نظارت شده (Supervised learning) : در این روش داده های ورودی سیستم علامت گذاری یا برچسب گذاری شده اند تا بتوان الگوهای درون آنها را شناسایی کرد و از سیستم تعلیم دیده شده برای برچسب گذاری داده های جدید استفاده نمود

یادگیری خود ران (Unsupervised learning): داده ها در این روش برچسب گذاری نشده اند و بر اساس شباهت ها یا تفاوت ها مرتب سازی شده اند

یادگیری تقویتی (Reinforcement learning): داده ها برچسب چذاری نشده اند اما سیستم هوش مصنوعی پس از انجام کاری در مورد آن بازخورد دریافت کرده و نسبت به آن بازخورد خود را اصلاح و تغییرات لازم را به صورت اتوماتیک در ساز و کار خود اعمال خواهد کرد

بینایی ماشین (Machine vision): بینایی ماشین فن آوری است که در آن به ماشین ها این قابلیت داده خواهد شد تا توانایی دیدن بدست آورند. سیستم بینایی ماشین تصاویر ورودی را بررسی و تجزیه و تحلیل میکند روش های ورود تصویر به این نوع از سیستم ها به صورت استفاده از دوربین، تبدیل سیگنال آنالوگ به دیجیتال و یا آنالیز سیگنال های دیجیتال می باشد. در بیشتر مواقع بینایی ماشین را با بینایی انسان مقایسه می کنند اما بینایی ماشین محدودیت های بیولوژی ندارد به طور مثال میتوان جوری آن را برنامه ریزی کرد آن طرف دیوار را ببیند. کاربرد بینایی ماشین طیف وسیعی از جمله تشخیص امضا، تجزیه و تحلیل تصاویر پزشکی، خواندن تابلو های راهنما و غیره شامل می شود 

پردازش زبان طبیعی (Natural language processing): این نوع از هوش مصنوعی توانایی درک زبان طبیعی انسان با استفاده از برنامه کامپیوتری می باشد. یکی از بهترین و قدیمی ترین مثال های پردازش زبان طبیعی سیستم تشخیص اسپم یا هرزنامه است که با بررسی عنوان و متن ایمیل تشخیص اسپم بودن آن را تشخیص خواهد داد. روش پردازش زبان طبیعی در حال حاضر استفاده از یادگیری ماشین می باشد. ،فرآیند NLP شامل ترجمه متن، استخراج معنا و تشخیص گفتار است.

رباتیک: ربات ها غالبا برای انجام کارهای که  انجام آنها به وسیله انسان سخت و دشوار است مورد استفاده قرار میگیرد به عنوان نمونه ربات های مورد استفاده در خطوط مونتاژ کارخانه ها یا ربات های که ناسا برای جابجایی اجسام سنگین در فضا از آنها استفاده می کند. محققان سعی می کنند با استفاده از هوش مصنوعی ربات هایی را طراحی کنند که قادر باشند در تعاملات اجتماعی شرکت کنند

خودرو های خودران (Self-driving cars): در خودرو های خودران از ترکیبی از بینایی ماشین،تشخیص تصویر، یادگیری عمیق برای هدایت اتومبیل به صورت خودکار به نحوی که در مسیر مناسب حرکت کرده و از برخورد با موانع مانند عابرین پیاده اجتناب کند استفاده می شود.

کاربردهای هوش مصنوعی

هوش مصنوعی دامنه کاربر خود را به بازارها و صنایع زیادی باز کرده است در زیر به نه مورد از آنها اشاره خواهیم کرد

هوش مصنوعی در بهداشت: 

یکی از بزرگترین سرمایه گذاری ها روی بهبود سلامت بیماران و کاهش هزینه های مربوط به درمان می باشد. شرکت ها با بهره گیری از هوش مصنوعی به دنبال راه هایی هستند تا بتوان به وسیله آنها تشخیص بیماری را سریعتر و کم هزینه تر از انسان انجام داد. یکی از معروف ترین سیستم های هوش مصنوعی تشخیص بیماری واتسون محصول کمپانی ای بی ام است. واتسون می تواند زبان طبیعی انسان را درک کرده و به  سوالاتی که پرسیده می شود پاسخ دهد این سیستم داده‌های مربوط به بیمار را از منابع موجود استخراج کرده و  فرضیه‌ای های را شکل میدهد، که بعدا با استفاده از آن مکانیزم امتیاز دهی مورد اعتماد ترین آنها انتخاب خواهد شد. از دیگر کاربرد های هوش مصنوع در بهداشت می توان به دستیار های شخصی یا چت بات ها اشاره کرد که کاربران یا کادر اطلاعاتی در زمینه بیماری ها می دهد همچنین وقت های ویزیت تنظیم کرده یا موارد مربوط به حساب داری یا مدیریتی را انجام می دهد. از ابزار های هوش مصنوعی برای پیش بینی بررسی و ارائه راه حل برای همه گیری ها مثل بیماری کرونا می توان استفاده کرد

هوش مصنوعی در کسب و کار:

الگوریتمهای یادگیری ماشین درون سیستم های CRM و تجزیه و تحلیل کسب و کار به منظور یافتن روشهایی برای ارائه خدمات با کیفیت تر به مشتریان به کار می روند. چت باتها درون وب سایت ها با استفاده از هوش مصنوعی خدمات فوری و آنی به مشتریان عرضه می کنند اتوماسیون و حذف موقعیت های شغلی نیز به موضوعی بحث برانگیز در میان دانشگاهیان و تحلیلگران فناوری اطلاعات تبدیل شده است.

هوش مصنوعی در آموزش:

 هوش مصنوعی می تواند نرم دهی با رتبه بندی را به صورت اتوماتیک در آورد در نتیجه مدت زمان آموزش افزایش پیدا میکند. میتواند دانش آموزان را ارزیابی کرده و نسبت به نیاز های آنها خود را تطبیق دهد. هوش مصنوعی تعلیم دهنده می تواند پشتیبانی و وقت بیشتری صرف دانش آموزان نماید. هوش مصنوعی می تواند تحولی در اینکه دانش آموزان چه زمانی و در چه مکانی آموزش ببیند ایجاد کند حتی ممکن است باعث شود به شمار زیادی از معلمان نیازی نباشد. 

هوش مصنوعی در اقتصاد:

 هوش مصنوعی که در برنامه های نظیر Intuit Mint و TurboTax وجود دارد باعث مختل شدن بسیاری از نهاد ها و موسسات مالی خواهد شد. این نوع از برنامه ها با جمع آوری اطلاعات کاربران و بررسی آنها توصیه های مالی به آنها ارائه میدهند. در حال حاضر حجم بسیار زیادی از معاملات بورس آمریکا یا بورس های دیگر به وسیله برنامه های قدرت گرفته از هوش مصنوعی انجام می شوند.

هوش مصنوعی در قانون:

 فرآیند بررسی مدارک و استخراج اطلاعات از آنها کاری طاقت فرسا برای انسان است. استفاده از هوش مصنوعی در صنعت حقوق و قضا می تواند حجم بسیار زیادی از کارهایی که به وسیله انسان ها انجام می گیرد را کاهش دهد در نتیجه در زمان و هزینه صرفه جویی شده و کیفیت خدمات قابل ارائه به مشتریان افزایش خواهد یافت. موسسات حقوقی با استفاده از یادگیری ماشین میتوانند نتایج را پیش بینی کنند، با استفاده از بینایی ماشین اسناد را بررسی و اطلاعات مورد نیاز را استخراج کنند و به کمک پردازش زبان طبیعی در خواست مراجعین را در مدت کوتاهی  رسیدگی کنند.

هوش مصنوعی در تولید:

 تولید کنندگان از پیشگامان استفاده از از ربات ها در خطوط تولید خود هستند ربات های صنعتی که برای انجام یک کار برنامه ریزی شده بودند و به طور مستقل از انسان کار میکند امروزه با ربات های کوچک و چند وظیفه ای مجهز به هوش مصنوعی که عامل زیادی با انسان ها دارند جایگزین شده اند.

هوش مصنوعی در بانکداری:

 بانک ها به طور موفقیت آمیزی از چت بات های هوشمند برای  آگاهی مشتریان از خدمات و سرویس های خود استفاده میکنند همچنین با استفاده از هوش مصنوعی تراکنش هایی را که از حضور انسان بی نیاز هستند را انجام می دهند یکی دیگر از کاربردهای هوش مصنوعی در بانکداری کمک به فرآیند تصمیم گیری در حضور اعطای وام و بافتن فرصت های سرمایه گذاری می باشد.

هوش مصنوعی در حمل و نقل: 

از نقش اساسی هوش مصنوعی در خودروهای خودران که بگذریم، تکنولوژی هوش مصنوعی در مدیریت ترافیک، پیش بینی تاخیر پرواز ها، کمک به ایمنی و بهینه سازی جابجایی های دریایی کاربرد فراوانی دارد.

هوش مصنوعی در امنیت:

 هوش مصنوعی و یادگیری ماشین در راس مواردی هستند که شرکت های امنیت برای تمایز خدماتشان با رقیبا بر آن مانور میدهند. سازمانها با بهره گیری از هوش مصنوعی سعی بر شناسایی رخداد ها غیر عادی در سیستم ها و تشخیص داده های غیر واقعی و کشف رفتارهای خرابکارانه دارند. هوش مصنوعی این توانایی را دارد تا پیش از انسان ها و با سرعت بیشتری حملات به سیستم ها را شناسایی کند این تکنولوژی در حال توسعه یکی از ابزار های حیاتی شرکت های امنیت سایبری برای مقابله با حملات خرابکارانه می باشد.

هوش افزوده یا هوش مصنوعی

برخی از کارشناسان معتقدند عموم مردم  انتظارات درستی از  اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر خواهد داد ندارند.

هوش افزوده: برخی از متخصصان و فعالان حوزه هوش مصنوعی امید دارند واژه هوش مصنوعی که بار معنایی خنثی در بر دارد به مردم کمک خواهد کرد درک بهتری از این مفهوم به دست آورند که بیشتر موارد استفاده از هوش مصنوعی نوع ضعیف آن به حساب می آید و در جهت بهبود محصولات و خدمات از آن استفاده خواهد شد 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.

هوش مصنوعی: هوش مصنوعی واقعی یا AGI هوش جامع مصنوعی به طور نزدیکی با مفهوم تکینگی تکنولوژی (Technological Singularity) هم راستا است (تکینگی تکنولوژیکی یک هوش مصنوعی ابر قدرتمند است که توانایی های بسیار فراتر از مغز انسان دارد و درک ما از حقایق و چگونگی کارکرد دنیا را دگرگون خواهد کرد). احتمالا مفهوم AGI تا مردت ها فقط درون داستانهای علمی تخیلی باقی می ماند اگرچه در حال حاضر محققانی روی آن کار میکنند. افراد زیادی معتقد هستند کامپیوترهای کوانتومی نقش مهمی در دستیابی به هوش جامع مصنوعی ایفا خواهند کرد و استفاده از واژه هوش مصنوعی باید تا زمان رسیدن به این مرحله محفوظ بماند

اخلاقیات و هوش مصنوعی

در حالی که ابزار های هوش مصنوعی طیف وسیعی از عملکرد های جدید را برای کسب و کارها فراهم می آورند استفاده از هوش مصنوعی سوالات اخلاقی را نیز مطرح می کند زیرا، خوب یا بد، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است، تقویت می کند.

این مسئله می تواند مشکل ساز باشد، زیرا الگوریتم های یادگیری ماشین، که زیربنای بسیاری از پیشرفته ترین ابزارهای هوش مصنوعی هستند، به اندازه داده هایی که در مرحله آموزش به خورد آنها آنها داده می شوند، هوشمند هستند. از آنجایی که انسان ها انتخاب می‌کند از چه داده‌هایی برای مرحله آموزش یک مدل از برنامه هوش استفاده شود، یادگیری ماشینی پتانسیل ذاتی برای سوگیری های شناختی دارا می باشد و باید به دقت نظارت شود.

هر کسی که به دنبال استفاده از یادگیری ماشینی در دنیای واقعی و سیستم های تولیدی است، باید اخلاقیات را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کند و تلاش کند از سوگیری جلوگیری کند. توجه ویژه به این امر در الگوریتمهای مورد استفاده در یادگیری عمیق و شبکه‌های مولد رقابتی (Generative Adversarial Network) مورد نیاز است 

توضیح پذیری (Explainability) یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت مقررات ضوابط خاصی عمل میکنند. به طور مثال موسسات حقوقی ملزم به رعایت مقرراتی هستند که آنها را ملزم می نمایید در مورد روشهای اعطای اعتباراتشان توضیحاتی را به عموم مردم ارائه دهند اما فرض کنید درخواست وام یا اعتباری توسط هوش مصنوعی رد شده باشد توضیح این که چگونه این درخواست توسط سیستم رد شده بسیار دشوار خواهد بود زیرا سیستم های هوش مصنوعی برای اتخاذ تصمیمات صدها پارامتر یا متغیر را در نتیجه گیری های خود لحاظ خواهند کرد به طور کلی هنگامی که فرآیند نتیجه گیری سیستم قابل توضیح نباشد از عبارت جعبه سیاه هوش مصنوعی (Black Box AI) استفاده می شود. منظور از عبارت جعبه سیاه این است که ما سیستمی روبرو هستیم که درک درستی از ساز و کار و روشهای عملیاتی آن نداریم و نمی توانیم داخل آن را نظاره گر باشیم و فقط میتوان ورودی های به آن دهیم و منتظر نتایج تولیدی باشیم 

علیرغم ریسک های موجود، در حال حاضر قوانین و  مقررات کمی پیرامون استفاده از ابزارهای هوش مصنوعی وجود دارد و در مواردی هم که قوانینی وجود دارند، معمولاً به طور غیرمستقیم به هوش مصنوعی اشاره دارند به عنوان مثال، همانطور که قبلاً ذکر شد، مقررات وام دهی و اعتبار سنجی منصفانه در ایالات متحده، مؤسسات مالی را ملزم می سازد که تصمیمات اعتباری را برای مشتریانشان توضیح دهند. این مسئله میزان استفاده وام دهندگان، از الگوریتم های یادگیری عمیق را محدود می کند، الگوریتم هایی که ذاتا غیرشفاف و غیر قابل توضیح هستند.

مقررات عمومی حفاظت از داده اتحادیه اروپا (GDPR) محدودیت های سفت و سختی برای شرکت ها و سازمان در قبال استفاده از داده های کاربرانشان قرار داده است که مانع از آموزش و استفاده از بسیاری از ابزار های هوش مصنوعی سمت کاربر می شود.

در اکتبر 2016، شورای ملی علم و فناوری آمریکا گزارشی را منتشر کرد که در آن به بررسی نقش بالقوه مقررات دولتی میتواند در توسعه هوش مصنوعی ایفا کند پرداخت، اما توصیه نکرد که قوانین خاصی در نظر گرفته شود.

تدوین قوانین و مقررات در حوزه هوش مصنوعی آسان نخواهد بود، یکی از دلایل این امر این است که هوش مصنوعی شامل فناوری‌های مختلفی است که شرکت‌ها برای اهداف متفاوت از آن استفاده می‌کنند، و  دلیل دیگر این است که تنظیم مقررات می‌تواند هزینه پیشرفت و توسعه هوش مصنوعی را بالا ببرد.

تغییرات و تحولات بسیار سریع هوش مصنوعی یکی از محدودیت های است که قانونگذار در فرایند وضع قوانین و مقررات که معمولا کند و زمان بر است با آن مواجه خواهد بود. تحولات و پیشرفتهای بسیار سریع تکنولوژی باعث میشود قوانین وضع شده به سرعت بدرد نخور و بلا استفاده گردند. برای مثال قوانین و مقررات موجود در زمینه محرمانگی مکالمات خصوصی مردم وجود دارد  نمیتوانیم در مورد درستایرهای شخصی مثل الکسا یا سیری مورد استفاده قرار گیرید زیرا آنها مکالمات خصوصی را جمع آوری می کنند ولی آنها را توضیح یا منتشر نمی کنند به غیر تیم توسعه شرکت سازنده که آنها هم از این اطلاعات در جهت بهبود هوش مصنوعی و یادگیری ماشین استفاده خواهند کرد و صد البته که قوانینی که دولت ها وضع می کنند مانند قوانین در همه زمینه های دیگر از ارتکاب جرایم جلوگیری به عمل نمی آورد احتمالا در هوش مصنوعی نیز این قوانین جلوی ارتکاب جرائم در حوزه سایبری را نخواهند گرفت

رایانش شناختی و هوش مصنوعی

واژه هوش مصنوعی و رایش شناختی (Cognitive computing) گاهی اوقات به جای هم استفاده می شوند اما به طور کلی هوش مصنوعی به ماشینی اطلاق میشود با شبیه سازی احساسات، یادگیری، پردازش، واکنش به اطلاعات و محیط اطراف جایگزین هوش انسانی می باشد. رایاتش شناختی به محصولات و خدماتی اشاره می کند که از طریق پردازش انسان ها را تقلید میکنند یا به قابلیت های آنها چیزی اضافه میکنند

تاریخچه هوش مصنوعی 

مفهوم اعطا هوش به اشیاء بی جان از زمانهای باستان وجود داشته است. در افسانه های یونان باستان آمده از که هفائستوس که خدای آهنگر بوده است خدمتکارانی شبیه به ربات از جنس طلا به وجود می آورده. فیلسوفان از ارسطو گرفته تا دکارت و توماس بیز تلاش می کردند با ابزارها و منطق زمان خودشان پروسه تفکر انسان ها را به صورت نماد و نمودار به تصویر بکشند این تلاش ها بود که سنگ بنای مفاهیم هوش مصنوعی را بنا نهاد

کارها و تحقیقات اواخر قرن 19 و اوایل قرن بیستم بود که باعث ظهور و پیشرفت کامپیوتر های مدرن شد. در سال 1836 دو ریاضی دان دانشگاه کمبریج به نام های 

چارلز ببیج و ایدا لاولیس بودند که اولین طرح یک ماشین قابل برنامه ریزی را ابداع کردند

هوش مصنوعی در دهه 1940

جان فون نیومن، ریاضیدان دانشگاه پرینستون، معماری یک کامپیوتر با قابلیت ذخیره سازی برنامه را ارائه داد منظور کامپیوتری است که کدهای کامپیوتری و داده ها بتوان درون رایانه ذخیره نمود. در همان سالها بود که وارن مک کالوچ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.

هوش مصنوعی در دهه 1950

با ظهور کامپیوتر های مدرن امروزی بود که دانشمندان توانایی امتحان ایده های خود در مورد هوش ماشین را بدست آورند. یک روش برای تعیین اینکه آیا کامپیوتر دارای هوش است توسط ریاضیدان بریتانیایی، آلن تورینگ معرفی شد. آزمون تورینگ به این صورت است که اگر فرض کنیم کامپیوتری را که دارای زبان طبیعی انسانی بی نقص است در مقابل مصاحبه کننده ای قرار دهیم به گونه ای که از نظر ظاهری نتواند تشخیص دهد با یک کامپیوتر طرف است و فقط به صورت سوال و جواب با هم ارتباط داشته باشند. ارگ در این حالت مصاحبه کننده نتواند تشخیص دهد که با هوش مصنوعی طرف است یا هوش انسانی میتوان نتیجه گرفت که آن هوش مصنوعی آزمون تورینگ را با موفقیت انجام داده در غیر اینصورت در آزمون تورینگ شکست خورده است  

هوش مصنوعی در سال 1956

در سال 1956 کنفرانسی در کالج دورتموند با پشتیبانی دارپا برگزار گردید و در آنجا بود که رشته مدرن هوش مصنوعی با حضور 10 ها تن از چهره های درخشان هوش مصنوعی آن زمان مورد توجه ویژه ای قرار گرفت از افراد برجسته حاضر در آن کنفرانس میتوان به 

ماروین مینسکی، الیور سلفریج و جان مک‌کارتی که واژه هوش مصنوعی توسط او به وجود آمد، اشاره کرد. در میان افراد شرکت کنند در جلسه آلن نیوول دانشمند کامپیوتر، هربرت الکساندر سایمون اقتصاددان، سیاستمدار و روانشان نیز حضور داشتند در این کنفرانس بود که برنامه کامپیوتری که توانایی انجام محاسبات ریاضی خاصی را داشت معرفی گردید و این گونه بود که اولین نمونه هوش مصنوعی پا به عرصه وجود گذاشت.

Powered by Froala Editor