ما رسما در دوران هوش مصنوعی قرار داریم و این حوزه روبه رشد در مرز‌های موفقیت است. از تلفن‌های هوشمند گرفته تا خودرو‌های خودران. هوش مصنوعی اساسا جدید نیست و از دهه 1950 کار خود را شروع کرده است تا به امروز رسیده است. آنچه تغییر کرده است قدرت محاسبات است و رسیدن از کامپیوتر‌های غول پیکر به تراشه های در ابعاد نانو.
در این روزها همه علاقه دارند برخی اصطلاحات اساسی در مورد هوش مصنوعی را درک کنند ، زیرا شما همه جای آن را خواهید دید و هر ابزار ساخت شده در آینده نزدیک به نوعی از هوش مصنوعی پخته خواهد شد.
اولین کاری که باید انجام دهیم این است که بفهمیم AI در واقع چیست. اصطلاح “هوش مصنوعی” به رشته خاصی از مهندسی کامپیوتر اطلاق می شود که بر ایجاد سیستم هایی با توانایی جمع آوری داده ها و تصمیم گیری و یا حل مشکلات متمرکز است. یک مثال از هوش مصنوعی پایه ، رایانه ای است که می تواند 1000 عکس از گربه ها برای ورودی بگیرد ، تعیین کند چه چیزی آنها را شبیه به هم می کند و سپس عکس های گربه ها را در اینترنت پیدا کند. کامپیوتر به بهترین شکل ممکن یاد گرفته است که عکس یک گربه چگونه است و با استفاده از این هوش جدید چیزهای مشابهی را پیدا می کند.
طبقه‌بندی ها و نقشه‌های مختلفی از دانش هوش مصنوعی وجود دارد ولیکن تلاش برای طبقه بندی زیاد جالب نیست و دانش هوش مصنوعی در چارچوب روشنی گنجایش ندارد. ولیکن سعی داریم در سلسله مقالاتی ترمینولوژی این دانش را شرح دهیم.
این چشم انداز برای افراد تازه وارد و برای درک پیچیده و عمیق این موضوع و همچنین برای افراد با تجربه تر برای داشتن یک نقطه مرجع و ایجاد مکالمات جدید پیرامون فن آوری های خاص مفید است. با توجه به دیاگرام زیر:
در محورها ، دو گروه کلان پیدا خواهید کرد ، به عنوان مثال ، پارادایم های AI و دامنه های مشکل AI. الگوهای هوش مصنوعی (محور X) رویکردهایی است که محققان هوش مصنوعی برای حل مشکلات خاص مربوط به هوش مصنوعی استفاده می کنند (شامل رویکردهای به روز است). از طرف دیگر ، دامنه های مسئله AI (محور Y) از نظر تاریخی نوع مسائلی هستند که AI می تواند حل کند. به تعبیری ، این همچنین نشان دهنده توانایی های بالقوه یک فناوری AI است. در ادامه سعی می‌کنیم هر یک از مفاهیم این دیاگرام را به طور کامل برای شما شرح داده تا دید بازتری نسبت به موضوع پیدا کنید.
- ابزار مبتنی بر منطق: ابزاری که برای نمایش دانش و حل مسئله استفاده می شود
- ابزارهای پایه دانشی: ابزاری مبتنی بر هستی شناسی و پایگاه داده های عظیمی از مفاهیم ، اطلاعات و قوانین
- روش های احتمالی: ابزاری که به نمایندگان امکان می دهد در سناریوهای اطلاعات ناقص عمل کنند.
- یادگیری ماشین: ابزاری که به کامپیوترها امکان یادگیری از داده ها را می دهد.
- هوش تجسم یافته: جعبه ابزار مهندسی ، که فرض می کند برای هوش بالاتر بدن (یا حداقل مجموعه ای از عملکردها مانند حرکت ، درک ، تعامل و تجسم) مورد نیاز است.
- جستجو و بهینه سازی: ابزاری که امکان جستجوی هوشمند با بسیاری از راه حل های ممکن را فراهم می کنند.
این شش پارادایم همچنین در سه رویکرد کلان مختلف ، یعنی نمادین ، زیر نمادین و آماری (با رنگ های مختلف در بالا نشان داده می شود) قرار می گیرند.
- رویکرد نمادین: می‌توان هوش مصنوعی را به دستکاری نماد تقلیل داد.
- رویکرد زیرنمادین: هیچ گونه نمایش خاصی از دانش قبل ارائه نمی‌کند.
- رویکرد آماری: مبتنی بر ابزارهای ریاضی برای حل مشکلات خاص است.
تا اینجا یک سری مفاهم اصلی در مورد علم هوش مصنوعی بیان شد. در مقالات بعد این مفاهیم تکمیل تر شده و از آنجا وارد فضای ورود به این تخصص خواهیم شد.
