حوزه هوش مصنوعی

هوش مصنوعی (Artificial intelligence) به سامانه‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتارهای هوشمند انسانی از جمله، درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسانی و پاسخ موفق به آن‌ها، یادگیری و توانایی کسب دانش و استدلال برای حل مسائل را داشته باشند.

هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که در آن به ساخت ماشین‌هایی هوشمند پرداخته می‌شود که مانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند. یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشتر انسان‌ها را تحت تأثیر قرار خواهد داد. بنا بر تحقیق معتبر دانشگاه آکسفورد که در سال ۲۰۱۳ انجام گرفته است؛ ۴۷ درصد از کل جایگاه‌های شغلی ایالات متحده در سال ۲۰۳۰ به شکل اتوماسیون و بدون حضور انسان انجام می‌گیرند. همچنین برنامه‌نویسان و مهندسان نرم‌افزار در ۲۰ سال آینده تنها ۸ درصد امکان اتوماسیون شغلشان وجود دارد. محققین بر این باوراند که نهایتا مهندسان نرم‌افزار روزی با برنامه‌ای هوشمند جایگزین خواهند شد؛ برنامه‌ای که می‌تواند کدها را خود کپی کند، بنویسد و آن‌ها را بهبود بخشد.

آموزش و یادگیری چگونه انجام می‌شود؟

مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.

یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است.  برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌  دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.

هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. یکی از پروژه‌های معروف یادگیری ماشینی، پروژه‌ی تشخیص سن از روی تصویرِ شرکت مایکروسافت است.

هوش مصنوعی به چند نوع تقسیم می‌شود؟

آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.

ANI

ANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.

شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند. مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.

هوش‌ مصنوعی امروزی کار‌هایی را انجام می‌دهد که از قبل برای آن برنامه ریزی شده ‌است. برای مثال دستیار‌های صوتی امروزه به صورتی برنامه ریزی شده‌اند که تنها قادر به نمایش وضعیت آب و هوا،ارسال پیام، تنظیم آلارم، پخش آهنگ و … باشند. آن‌ها کار‌هایی خارج از چیزی که برایشان از قبل تعریف شده انجام نمی‌دهند. آن‌ها فکر نمی‌کنند و دارای احساسات نیستند و برای جواب سوالاتی‌ که از آن‌ها می‌پرسیم برنامه‌ریزی شده اند. در واقع پایگاه داده‌ای از مجوعه‌ی سوال و جواب به آن‌ها داده شده است. شاید برای رفع این مشکل نیاز به شبیه سازی یک مغز مانند مغز انسان باشد! این گونه دستیار‌های صوتی، خود قادر به جمله سازی برای پاسخ به سوالات کاربران هستند و دیگر پاسخ‌های تکراری نمی‌دهند. (برخی از دستیار‌های صوتی مانند کورتانا، پاسخ برخی از سوالات پیچیده را در اینترنت جستجو می‌کند و جواب می‌دهند.)

ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد. در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.

AGI

ساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد و اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را که می‌شناسیم را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.

دانشمندان در پی شبیه سازی مغز انسان هستند. اما به دلیل توان کم ابر کامپیوتر‌های فعلی و مصرف زیاد انرژی این کار به صورت کامل امکان پذیر نیست. IBM برای رفع مشکل مصرف انرژی ابر کامپیوتر‌ها، در حال توسعه‌ی تراشه‌هایی مبتنی بر شبکه‌‌های عصبی است. IBM تا به حال توانسته به قدرتی فراتر از قدت پردازشی مغز یک موش دست پیدا کند. اندازه کل مجموعه‌ی طراحی شده برابر با سایز یک یخچال کوچک است.

درون این مجموعه بسته‌‌های کوچکی به اندازه‌ی درایو دیسک سخت ( هارد درایو) رایانه قرار گرفته است. داخل این بسته‌های کوچک تراشه‌هایی که همگی مبتنی بر فناوری شبکه‌های عصبی هستند قرار گرفته‌اند. IBM این تراشه‌ها را TrueNorth نام گذاریکرده است.  این تراشه‌ها با استفاده از سیلیکون و متشکل از آنالوگ‌های فیزکی طراحی شده‌اند که شامل نئورون‌ها و سیناپس‌ها (ارتباط بین نئورون) هستند و به صورت اختصاصی برای فعالیت در بستر شبکه‌های عصبی طراحی شده‌اند.

هر تراشه شامل بیش از یک میلیون نئورون و ۲۵۶ سیناپس بین نئورون‌ها است. درون هر بسته  بیش از ۴۸ میلیون نئورون سیلیکونی قرار گرفته که تعداد آن‌ها از نئورون‌های موجود در غشا مغزی یک موش بیشتر است. مغز موش‌ها بیش از ۲۱ میلیون نئورون در خود جای داده است. با در نظر گرفتن این موضوع می‌توان به جرات گفت که قدرت پردازشی فوق‌العاده‌ای درون این بسته‌ها جا گرفته است. پیاده‌سازی چنین شبکه‌ی عظیمی با استفاده از معماری‌های معمول می تواند فضای زیادی را اشغال کند بطوریکه انرژی مورد نیاز برای راه‌اندازی آن می‌توان با انرژی الکتریکی مورد نیاز یک شهر برابری کند؛ اما آنچه که IBM ساخته است تنها به ۷۰ میلی وات انرژی نیاز دارد.

اما اگر روزی یک شبیه سازی کامل از مغز انسان ساخته شود؛ این شبیه ساز باید قادر به فکر کرن درک احساسات انسانی مانند عشق، نفرت و درد باشد و همانند یک انسان عمل کند.

محصولات شرکت

تشخیص هوشمند ترافیک

در این پروژه با استفاده از فناوری تشخیص اشیاء و شبکه‌های عصبی کانولوشنی به تشخیص و ردگیری اتومبیل‌ها می‌پردازیم. همچنین تلاش شده است تا با استفاده از دیتاست های گوناگون، با استفاده از کمترین تصویر ها به بهترین نتیجه ها در تشخیص تمامی وسایل نقلیه در تصاویر هوایی برسیم. در واقع هدف اصلی ما تمایز بین آن ها نیست و میخواهیم در یک تصویر تمامی آن ها را شناسایی و ردگیری کنیم.

در این پروژه از شبکه های عصبی یولو(You Only Look Once (YOLO))) و ورژن های مختلف آن در دارکنت(Darknet) و پایتورچ(Pytorch) استفاده میکنیم. در انتها با استفاده از شبکه عصبی دیپ سورت به ردگیری اتومبیل ها میپردازیم. با استخراج ویژگی های لازم و زبان برنامه نویسی پایتون خیابان هارا تشخیص میدهیم. از جمله مهم ترین ویژگی هایی که باید در هوش مصنوعی برای آموزش شبکه عصبی انتخاب شود، استفاده از معیار هایی برای سنجش عملکرد سیستم طراحی شده است.

خروجی این پروژه خیابان های خوشه بندی شده میباشد که با توسعه مدل ها میتوان دقت را افزایش داد. برای توسعه این نرم افزار از چهار مدل یادگیری ماشین استفاده شده است. دو مدل اصلی، در واقع مدل های شبکه عصبی هستند. برای خوشه بندی نیز از مدل مربوط به آن استفاده میشود. همچنین، از مدل ماشین بردار پشتیبان برای طبقه بندی استفاده شده است.

دقت خوشه بندی و تشخیص خیابان ها به شرح زیر است