معرفی انواع هوش مصنوعی + الگوریتم های آن

اگر بخواهیم از فناوری را نام ببریم که قرن بیست و یکم را کاملاً متحول کرده، هوش مصنوعی خواهد بود. می توان گفت امروزه استفاده از انواع هوش مصنوعی، از چت بات ها گرفته تا دیگر انواع آن، بخشی از زندگی روزمره ما است و به همین دلیل درک مفاهیم مختلف هوش مصنوعی مهم است.

اکتشافات و پیشرفت های زیادی در زمینه AI وجود دارد که اکثر آنها به انواع مختلفی تقسیم می شوند. این طبقه‌بندی‌ها می‌تواند به ما بگوید هوش مصنوعی تا کجا پیش رفته است، به کجا می‌رود و چه آینده‌ای در انتظارش است.

در این مطلب قصد داریم انواع هوش مصنوعی را به شما معرفی کرده و الگوریتم های مختلف آن را بیان کنیم. پس تا انتهای این مبحث شیرین و مفید با ما همراه باشید.

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial Intelligence یا به اختصار AI) شاخه‌ای از علوم کامپیوتر است که به ایجاد ماشین‌هایی می‌پردازد که می‌توانند مستقل از دخالت انسان فکر کنند و تصمیم بگیرند. این برنامه‌های هوش مصنوعی می‌توانند کارهای پیچیده‌ای را انجام دهند که قبلاً فقط توسط انسان‌ها انجام می‌شد.

برخی از انواع هوش مصنوعی می توانند کارهای ساده و برخی کارهای پیچیده تر را انجام دهند. برخی دیگر نیز می‌توانند داده‌ها را برای یادگیری و بهبود، کاملاً به طور هوشمند و بدون دخالت یک توسعه‌دهنده انسانی، دریافت کنند. انواع هوش مصنوعی به دو دسته هوش مصنوعی مبتنی بر قابلیت و هوش مصنوعی مبتنی بر عملکرد تقسیم می شوند.

انواع هوش مصنوعی مبتنی بر قابلیت

بر اساس نحوه یادگیری و میزان استفاده از دانش خود، تمام انواع هوش مصنوعی را می توان به سه نوع هوش مصنوعی محدود، هوش عمومی مصنوعی و اَبَر هوش مصنوعی تقسیم کرد. در ادامه مطلب به بیان مفهوم هر یک از آنها می پردازیم.

هوش مصنوعی محدود (Artificial Narrow Intelligence)

هوش مصنوعی محدود یا Artificial narrow intelligence (ANI)، به عنوان هوش مصنوعی ضعیف شناخته می‌شود، که در واقع AI طراحی شده برای انجام اقدامات یا دستورات بسیار خاص را توصیف می‌کند. فناوری‌های ANI برای خدمت و برتری در یک قابلیت شناختی ساخته شده‌اند و نمی‌توانند به طور مستقل مهارت‌هایی فراتر از طراحی آن را انجام دهند. آنها اغلب از یادگیری ماشین و الگوریتم های شبکه عصبی برای تکمیل وظایف مشخص شده خود استفاده می کنند.

به عنوان مثال، هوش مصنوعی پردازش زبان طبیعی نوعی Narrow AI است، زیرا می تواند دستورات صوتی را تشخیص دهد و به آنها پاسخ دهد، اما نمی تواند کارهای دیگری را فراتر از آن انجام دهد. برخی از نمونه‌های انواع هوش مصنوعی محدود شامل نرم‌افزار تشخیص تصویر، ماشین‌های خودران و دستیارهای مجازی هوش مصنوعی مانند سیری است.

هوش مصنوعی عمومی (ARTIFICIAL GENERAL INTELLIGENCE)

هوش مصنوعی عمومی یا Artificial general intelligence (AGI) که به آن هوش مصنوعی قوی نیز می‌گویند، انواع هوش مصنوعی را توصیف می‌کند که می‌تواند طیف وسیعی از اعمال انسانی را یاد بگیرد و انجام دهد.

هدف از طراحی هوش عمومی مصنوعی این است که بتوان ماشین هایی ایجاد کرد که قادر به انجام وظایف چند منظوره باشند و به عنوان دستیاران واقعی و به همان اندازه هوشمند، برای انسان ها در زندگی روزمره عمل کنند. اگرچه این پروژه ها هنوز در حال تحقیق و بررسی است، پایه‌هایGeneral AI را می‌توان از فناوری‌هایی مانند اَبَررایانه‌ها، سخت‌افزار کوانتومی و مدل‌های هوش مصنوعی مولد مانند ChatGPT ساخت.

اَبَر هوش مصنوعی (Artificial Super-Intelligence)

ابرهوش مصنوعی یا Artificial super-intelligence (ASI) از انواع هوش مصنوعی در حوزه تکنولوژی علمی-تخیلی است. این تئوری وجود دارد که وقتی هوش مصنوعی به سطح هوش عمومی رسید، با چنان سرعتی پیش خواهد رفت که حتی دانش و توانایی‌هایش، از انسان ها قوی‌تر می‌شود.

Super AI به عنوان فناوری اصلی انواع هوش مصنوعی، کاملاً به صورت خودآگاه و مانند روبات‌های فردگرا عمل می‌کند. همچنین مفهوم آن همان چیزی است که به جریان رسانه ای محبوب «تصرف هوش مصنوعی» دامن می زند، همانطور که در فیلم هایی مانند Ex Machina یا Robot دیده می شود. اما در این مرحله، همه اینها فقط حدس و گمان است.

دیوید روگنموسر، مدیر عامل شرکت نویسندگی هوش مصنوعی جاسپر، بیان می کند: «هوش مصنوعی تا حد زیادی به توانمندترین انواع هوش روی زمین تبدیل خواهد شد. “این فناوری، هوش انسان ها را خواهد داشت و در هر کاری که ما انجام می دهیم بسیار بهتر خواهد بود.”

انواع هوش مصنوعی مبتنی بر عملکرد

منظور از هوش مصنوعی مبتنی بر عملکرد یعنی اینکه چگونه یک هوش مصنوعی از قابلیت های خود برای پردازش ها، پاسخ به محرک ها و عوامل محیطی استفاده می کند. به این ترتیب، انواع هوش مصنوعی مبتنی بر عملکرد را می توان بر اساس چهار نوع ساختار طبقه بندی کرد.

۱- ماشین های واکنشی (REACTIVE MACHINES)

پیدایش انواع هوش مصنوعی با توسعه ماشین های واکنشی، اساسی ترین نوع AI است. ماشین های واکنشگرا می توانند به درخواست ها و وظایف فوری پاسخ دهند، اما قادر به ذخیره حافظه از تجربیات گذشته نیستند. آنها نمی توانند عملکرد خود را از طریق تجربه بهبود ببخشند و فقط می توانند به ترکیبی از ورودی های پاسخ دهنده، محدود شوند.

در عمل، ماشین های واکنشی می توانند محرک های خارجی را در زمان واقعی بخوانند و به آنها پاسخ دهند. این باعث می ‌شود که آنها برای انجام عملکردهای مستقل اولیه، مانند فیلتر کردن هرزنامه از صندوق ورودی ایمیل یا توصیه فیلم‌ ها بر اساس آخرین جستجوهای Netflix، مفید باشند.

معروف‌ترین دستگاه هوش مصنوعی، IBM Deep Blue بود که توانست در یک مسابقه شطرنج در سال ۱۹۹۷، گری کاسپاروف، استاد بزرگ شطرنج روسی را شکست دهد. اما فراتر از آن، هوش مصنوعی واکنشی نمی تواند بر اساس دانش قبلی ساخته شود یا وظایف پیچیده تری را انجام دهد. برای به کارگیری انواع هوش مصنوعی در سناریوهای پیشرفته تر، باید تحولاتی در ذخیره سازی داده ها و مدیریت حافظه آنها انجام شود.

۲- حافظه محدود (LIMITED MEMORY)

گام بعدی در تکامل انواع هوش مصنوعی، ایجاد ظرفیت برای ذخیره دانش است. به گفته رافائل تنا، محقق ارشد هوش مصنوعی در شرکت Acrisure Technology Group، نزدیک به سه دهه قبل از دستیابی به این موفقیت می‌گذرد.

همه سیستم‌های هوش مصنوعی امروزی با حجم زیادی از داده‌های آموزشی که در حافظه خود ذخیره کرده‌اند، کار می کنند تا مدل مرجعی برای ساخت نمونه های دیگر در آینده باشند. تنا گفت: «در دهه ۸۰ پیشرفت زیادی در این زمینه صورت گرفت. اما به ندرت تحقیقات در زمینه هوش مصنوعی کندتر شد. به مروز زمان تغییرات تدریجی کوچکی ایجاد شدند، و رفته رفته بررسی ها و مطالعات دقیق و اصولی، در زمینه ساخت و توسعه انواع هوش مصنوعی شروع شد.

در سال ۲۰۱۲، هوش مصنوعی پیشرفت بزرگی داشت. نوآوری های جدید گوگل و Image Net این امکان را برای هوش مصنوعی فراهم کرد تا داده های گذشته را ذخیره کرده و با استفاده از آنها پیش بینی کند. این نوع هوش مصنوعی به عنوان هوش مصنوعی با حافظه محدود شناخته می شود، زیرا می تواند پایگاه دانش محدود خود را ایجاد کرده و از آن دانش برای بهبود در طول زمان استفاده کند.

امروزه مدل حافظه محدود اکثریت برنامه های هوش مصنوعی را شامل می شود. تقریباً تمام برنامه‌های کاربردی موجود که می‌شناسیم تحت این دسته از انواع هوش مصنوعی قرار دارند. هوش مصنوعی حافظه محدود را می توان در طیف گسترده ای از سناریوها، از برنامه های کاربردی در مقیاس کوچکتر، مانند ربات های گفتگو گرفته، تا اتومبیل های خودران و سایر موارد استفاده پیشرفته، به کار گرفت.

۳- نظریه ذهن (THEORY OF MIND)

از نظر پیشرفت هوش مصنوعی، فناوری حافظه محدود دورترین چشم‌اندازی است که تا به امرزو حاصل شده، اما مقصد نهایی نیست. ماشین‌های حافظه محدود می‌توانند از تجربیات گذشته بیاموزند و اطلاعات را ذخیره کنند، اما نمی‌توانند تغییرات ظریف محیطی و نشانه‌های احساسی را درک کرده یا به همان سطح هوش انسانی برسند.

تا به امروز انواع هوش مصنوعی که بتواند احساسات دیگران را درک کرده و از آن استفاده کند، هنوز به طور کامل محقق نشده است. این مفهوم به عنوان “نظریه ذهن” نامیده می شود، اصطلاحی که از روانشناسی گرفته شده است. در هوش مصنوعی، نظریه ذهن به معنای توانایی سیستم های هوش مصنوعی برای درک و پیش بینی افکار و انگیزه های دیگران است. این مفهوم برای درک و توانایی ارتباطی و همکاری با دیگران، بسیار مهم است.

عملکرد بسیاری از سیستم های هوش مصنوعی، به دلیل نبود نظریه ذهن، محدودیت هایی دارد. برای مثال، در یک بازی شطرنج، هوش مصنوعی می تواند بهترین حرکت ها را برای خود برنامه ریزی کند، اما نمی تواند حرکت های حریف را پیش بینی کند. با داشتن نظریه ذهن، هوش مصنوعی می تواند پیش بینی کند که حریف به چه حرکت هایی می پردازد و بهترین حرکت برای خود را برنامه ریزی کند.

یکی از مواردی که در انواع هوش مصنوعی مبتنی بر عملکرد می توان از نظریه ذهن استفاده کرد، در موضوع گفت و گوهای پیشرفته با کاربر است. در این مورد، هدف سیستم هوش مصنوعی، فهمیدن مفهوم پشت سوالات و دستورات کاربر و پاسخ دادن با توجه به آن مفهوم است. اگر هوش مصنوعی به نظریه ذهن دست یابد، می تواند بهترین پاسخ را با در نظر گرفتن دیدگاه های کاربر ارائه دهد.

Tena نیز مثالی ارائه می کند تا نشان دهد که چگونه یک هوش مصنوعی با قدرت ذهن و تصمیم‌گیری، می تواند فناوری را متحول کند: یک ماشین خودران ممکن است در اکثر مواقع بهتر از یک راننده عمل کند، زیرا همان خطاهای انسانی را مرتکب نمی شود. اما اگر شما به عنوان یک راننده بدانید که بچه همسایه‌تان تمایل دارد بعد از مدرسه در نزدیکی خیابان بازی کند، به طور غریزی می‌دانید که در حین عبور از خیابان سرعت خود را کم کنید، چیزی که یک وسیله نقلیه مبتنی بر هوش مصنوعی، مجهز به حافظه محدود اولیه، قادر به انجام آن نخواهد بود.

این نظریه می تواند تغییرات زیادی را در دنیای فناوری به ارمغان بیاورد، اما خطرات خاص خود را نیز به همراه دارد. از آنجایی که نشانه‌های احساسی بسیار ظریف هستند، زمان زیادی طول می‌کشد تا ماشین‌های هوش مصنوعی آنها را کامل بخوانند.

۴- خودآگاهی (SELF-AWARE)

مرحله فراتر از نظریه ذهن، زمانی است که انواع هوش مصنوعی خودآگاهی توسعه یابد، که به عنوان نقطه تکینگی هوش مصنوعی نامیده می شود. اینگونه به نظر می رسد که با رسیدن به آن نقطه، ماشین‌های هوش مصنوعی خارج از کنترل ما خواهند بود، زیرا آنها نه تنها می‌توانند احساسات دیگران را حس کنند، بلکه خودشان نیز احساس خواهند داشت.

روگنموسر اینگونه بیان می کند که: «مردم هم از ایجاد این نوع هوش مصنوعی می‌ترسند و نگرانند که این مدل از انواع هوش مصنوعی شغل آنها را بدزدد یا دنیایشان را تسخیر کند.» “اگر این نوع از AI با موفقیت ایجاد شود، هیچ کس نمی داند چه تاثیری در دنیای آینده خواهد داشت.”

در حال حاضر کارهایی توسط محققان و مهندسان برای توسعه نسخه‌های ابتدایی هوش مصنوعی خودآگاه در حال انجام است. شاید یکی از معروف ترین آنها سوفیا باشد، رباتی که توسط شرکت رباتیک Hanson Robotics ساخته شده است. اگرچه این ربات از نظر فنی خودآگاه نیست، اما کاربرد پیشرفته آن از فناوری‌های هوش مصنوعی فعلی، نمایی از آینده بالقوه خودآگاه هوش مصنوعی را ارائه می‌کند.

بحث هایی در مورد ساختن هوش مصنوعی مبتنی بر احساس و عواطف انسانی، وجود دارد. اما در حال حاضر، Rogenmoser معتقد است که لازم نیست نگران تسخیر جهان توسط هوش مصنوعی باشیم.

تا اینجای مطلب در مورد انواع هوش مصنوعی صحبت کردیم، در ادامه به بررسی انواع الگوریتم های هوش مصنوعی خواهیم پرداخت. پس باز هم تا با ما بمانید تا ببینیم این تکنولوژی جدید از چه سیستم ها و برنامه هایی استفاده می کند.

انوع الگوریتم هوش مصنوعی چیست؟

تعریف الگوریتم هوش مصنوعی عبارت است از “مجموعه ای از دستورالعمل ها که باید در محاسبات یا سایر عملیات ها دنبال شوند.” این هم در مورد ریاضیات و هم در علوم کامپیوتر صدق می کند. در حقیقت الگوریتم هوش مصنوعی، مجموعه‌ای از قواعد و فرآیندهای ریاضی است که به منظور ایجاد یک سیستم هوشمند و خودکار توسط محققان و مهندسان هوش مصنوعی به کار گرفته می‌شود.

این الگوریتم‌ها برای رفع مشکلات خاص در هوش مصنوعی و همچنین برای بهبود عملکرد و کارایی سیستم‌های هوشمند به کار می‌روند. همان طور که در مطالب بالا نیز بیان شد الگوریتم AI، فرمول‌های ریاضی و قواعدی است که به کمک آنها، سیستم‌های هوشمند می‌توانند داده‌هایی که به آنها داده شده را بررسی و از آنها برای تصمیم‌گیری و یادگیری استفاده کنند.

انواع الگوریتم‌های هوش مصنوعی معمولاً از مدل‌های ریاضی، شبکه‌های عصبی، الگوریتم‌های یادگیری ماشین و سایر روش‌های پردازش سیگنال‌ها و تحلیل داده‌ها استفاده می‌کنند. به عنوان مثال، الگوریتم‌های یادگیری ماشین می‌توانند از داده‌های آموزشی استفاده کنند و به محض دریافت داده‌های جدید، برای تشخیص الگوها و رفع اشتباهات از آنها استفاده کنند.

همچنین این شبکه‌های عصبی می‌توانند از داده‌های بزرگ و پیچیده استفاده کرده و الگوهای مختلف را به طور همزمان شناسایی کنند. به طور خلاصه، الگوریتم هوش مصنوعی می‌تواند در بسیاری از حوزه‌های انواع هوش مصنوعی، مانند شناسایی الگوها، پردازش زبان طبیعی و … به کار گرفته شود.

الگوریتم های هوش مصنوعی چگونه کار می کنند؟

در حالی که یک الگوریتم کلی می تواند ساده باشد، الگوریتم های هوش مصنوعی طبیعتا پیچیده تر هستند. الگوریتم های هوش مصنوعی با دریافت داده های آموزشی کار می کنند. نحوه به دست آوردن و برچسب گذاری آن داده ها، تفاوت اصلی بین انواع مختلف الگوریتم های هوش مصنوعی را نشان می دهد.

در سطح اصلی، یک الگوریتم هوش مصنوعی داده‌های آموزشی (با برچسب یا بدون برچسب، ارائه شده توسط توسعه‌دهندگان یا به دست آمده توسط خود برنامه) را دریافت کرده و از آن اطلاعات برای یادگیری و رشد استفاده می‌کند. سپس با استفاده از داده های آموزشی به عنوان پایه، وظایف خود را تکمیل می کند. برخی از انواع الگوریتم‌های هوش مصنوعی را می‌توان آموزش داد تا به تنهایی یاد بگیرند و داده‌های جدید را برای تغییر و اصلاح فرآیند خود دریافت کنند. دیگر انواع الگوریتم هوش مصنوعی، به مداخله یک برنامه نویس برای ساده سازی نیاز دارند.

انواع الگوریتم های هوش مصنوعی

سه دسته اصلی از الگوریتم‌های هوش مصنوعی وجود دارد که شامل یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی می باشند. تفاوت های کلیدی بین این الگوریتم ها در نحوه آموزش و نحوه عملکرد آنها است.

در این دسته بندی ها، ده ها الگوریتم مختلف وجود دارد. در ادامه، در مورد محبوب‌ترین و پرکاربردترین‌ الگوریتم ها و همچنین جایی که استفاده می‌شوند صحبت خواهیم کرد.

الگوریتم های یادگیری تحت نظارت

اولین و رایج‌ترین دسته از الگوریتم‌های انواع هوش مصنوعی، «یادگیری تحت نظارت» است. اینها با در نظر گرفتن داده های با برچسب مشخص در حین آموزش و استفاده از آن برای یادگیری و رشد کار می کنند. این الگوریتم ها، از داده های برچسب گذاری شده برای پیش بینی نتایج سایر داده ها استفاده می کند.

نام “یادگیری تحت نظارت” از مقایسه یادگیری دانش آموز در حضور معلم یا یک کارشناس می آید. ساختن یک الگوریتم یادگیری نظارت شده نیازمند تیمی از متخصصان، برای ارزیابی و بررسی نتایج است.

طبقه بندی و رگرسیون

در ادامه، به توضیح انواع مختلف الگوریتم های یادگیری نظارت شده می پردازیم. همه آنها می توانند برای طبقه بندی یا رگرسیون یا هر دو مورد استفاده قرار گیرند. در الگوریتم‌های یادگیری تحت نظارت هوش مصنوعی، طبقه‌بندی به معنای دسته‌بندی داده‌های ورودی به یکی از چند دسته مشخص است. به عنوان مثال، در یک مسئله تشخیص تصویر، الگوریتم یادگیری تحت نظارت می‌تواند تصاویری از حیوانات مختلف را به عنوان ورودی دریافت کند و سپس آنها را به چند دسته‌ی مختلف، مانند سگ، گربه، خرگوش و … دسته‌بندی کند.

برای طبقه‌بندی داده‌های ورودی، الگوریتم یادگیری تحت نظارت با استفاده از داده‌های آموزشی، مدلی را ساخته و سپس با استفاده از این مدل، پیش‌بینی می‌کند که برای ساخت داده‌های تازه، به کدام یک از دسته‌های مشخص قبلی نیاز است. در واقع، هدف از طبقه‌بندی در الگوریتم‌های یادگیری تحت نظارت، پیش‌بینی دسته‌ای است که داده‌های جدید وارد شده باید در آن قرار بگیرند.

به عبارت دیگر، هدف این الگوریتم‌ها، پیدا کردن یک تابع مناسب است که برای داده‌های جدید، دسته‌بندی درست را پیش‌بینی کند. رگرسیون به این معنی است که نتیجه با یک عدد واقعی (یا گرد یا اعشار) به پایان می رسد. شما معمولاً یک متغیر وابسته و یک متغیر مستقل دارید و الگوریتم از هر دو نقطه برای تخمین یک نتیجه احتمالی دیگر (اعم از پیش‌بینی یا برآورد تعمیم‌یافته) استفاده می‌کند.

درخت تصمیم (Decision Tree)

یکی از رایج‌ترین الگوریتم‌های یادگیری نظارت‌شده در انواع هوش مصنوعی، درخت‌های تصمیم است که به دلیل ساختار درختی‌شان اینگونه نامیده می شوند. «ریشه‌های» درخت مجموعه داده‌های آموزشی هستند و به گره‌های خاصی منتهی می‌شوند که یک ویژگی را نشان می‌دهند. گره‌ها اغلب به گره‌های دیگر منتهی می‌شوند و گره‌ای که به جلو منتهی نمی‌شود «برگ» نامیده می‌شود.

درخت‌های تصمیم همه داده‌ها را در گره‌های تصمیم طبقه‌بندی می‌کنند. از معیار انتخابی به نام معیارهای انتخاب ویژگی (ASM) استفاده می‌کند. با استفاده از داده‌های ریشه و پیروی از ASM، درخت تصمیم می‌تواند داده‌های وارد شده را با دنبال کردن داده‌های آموزشی به گره‌های فرعی طبقه‌بندی کند تا به نتیجه برسد.

جنگل تصادفی (Random Forest)

جنگل تصادفی نوعی دیگر از الگوریتم انواع هوش مصنوعی است. الگوریتم جنگل تصادفی در واقع مجموعه گسترده ای از درختان تصمیم گیری مختلف است که منجر به ایجاد یک دسته جنگل مانند می کند. جنگل تصادفی درخت های تصمیم گیری متفاوتی را می سازد و آنها را به هم متصل می کند تا نتایج دقیق تری به دست آورد. اینها می توانند هم برای طبقه بندی و هم برای رگرسیون استفاده شوند.

ماشین های بردار پشتیبانی (Support Vector Machines)

الگوریتم ماشین بردار پشتیبان (SVM) یکی دیگر از الگوریتم های متداول از انواع هوش مصنوعی است که می تواند برای طبقه بندی یا رگرسیون استفاده شود (اما اغلب برای طبقه بندی استفاده می شود). SVM با رسم هر قطعه داده بر روی نمودار (در فضای N بعدی که در آن N = تعداد نقاط داده) کار می کند. سپس، الگوریتم با یافتن اَبَرمکانی که هر کلاس را از هم جدا می کند، نقاط داده را طبقه بندی می کند.

بیز ساده (Naive Bayes)

دلیل اینکه این الگوریتم “بیز ساده” نامیده می شود این است که بر اساس قضیه بیز است. همچنین به شدت بر یک فرض بزرگ متکی است، اینکه وجود یک ویژگی خاص با وجود ویژگی های دیگر در همان کلاس ارتباطی ندارد. Naive Bayes برای مجموعه داده های بزرگ با کلاس های مختلف مفید است. این الگوریتم مانند بسیاری دیگر از الگوریتم های یادگیری تحت نظارت، یک الگوریتم طبقه بندی است.

رگرسیون خطی (Linear regression)

رگرسیون خطی یک الگوریتم به کار رفته در انواع هوش مصنوعی یادگیری با نظارت است که برای مدل‌سازی رگرسیون استفاده می‌شود. این الگوریتم بیشتر برای کشف رابطه بین نقاط داده و پیش‌بینی‌ها مورد استفاده قرار می گیرد. رگرسیون خطی  نیز درست مانند SVM، با رسم قطعات داده بر روی نمودار کار می کند که محور X متغیر مستقل و محور Y متغیر وابسته است. سپس نقاط داده به صورت خطی رسم می شوند تا رابطه آنها مشخص شده و داده های احتمالی آینده پیش بینی شود.

رگرسیون لجستیک (Logistic regression)

یک الگوریتم رگرسیون لجستیک معمولاً از یک مقدار باینری (۰/۱) برای تخمین مقادیر، از مجموعه ای از متغیرهای مستقل استفاده می کند. خروجی رگرسیون لجستیک یا ۱ یا ۰، بله یا خیر است. یک مثال از این فیلتر اسپم در ایمیل است. این فیلتر از رگرسیون لجستیک استفاده می کند تا مشخص کند ایمیل دریافتی هرزنامه است (۰) یا خیر (۱).  رگرسیون لجستیک تنها زمانی مفید است که متغیر وابسته، بله یا خیر، مقوله ای باشد.

الگوریتم های یادگیری بدون نظارت

در این مرحله ممکن است حدس زدن معنای الگوریتم های یادگیری بدون نظارت در مقایسه با یادگیری نظارت شده نسبتا آسان باشد. به الگوریتم‌های یادگیری بدون نظارت داده‌هایی داده می‌شود که برچسب‌گذاری نشده‌اند. الگوریتم‌های یادگیری بدون نظارت از داده‌های بدون برچسب برای ایجاد مدل‌ها و ارزیابی روابط بین نقاط داده مختلف استفاده می‌کنند تا بینش بیشتری به داده‌ها بدهند. این الگوریتم نیز در انواع هوش مصنوعی به کار می روند.

خوشه بندی (Clustering)

بسیاری از الگوریتم های یادگیری بدون نظارت عملکرد خوشه بندی را انجام می دهند، به این معنی که آنها نقاط داده بدون برچسب را در خوشه های از پیش تعریف شده مرتب می کنند. هدف این است که هر نقطه داده، بدون همپوشانی، فقط به یک خوشه تعلق داشته باشد. در هر خوشه می‌تواند بیش از یک نقطه داده وجود داشته باشد، اما یک نقطه داده نمی‌تواند به بیش از یک خوشه تعلق داشته باشد.

K- (K-Means)

K-means الگوریتمی است که برای انجام عملکرد خوشه بندی در یادگیری بدون نظارت طراحی شده است. K-means این کار را با گرفتن خوشه های از پیش تعیین شده و ترسیم تمام داده ها بدون توجه به خوشه انجام می دهد. سپس یک قطعه داده انتخاب شده تصادفی را به عنوان مرکز برای هر خوشه ترسیم می کند. سپس، نقاط داده باقیمانده را بر اساس نزدیکی آنها به یکدیگر و نقطه داده مرکز برای هر خوشه به خوشه ها مرتب می کند.  این لگوریتم نیز در انواع هوش مصنوعی بدون نظارت وجود دارد.

مدل مخلوط گاوسی (Gaussian mixture model)

مدل‌های مخلوط گاوسی از بسیاری جهات شبیه خوشه‌بندی K-means هستند. هر دو به مرتب‌سازی داده‌ها در خوشه‌های از پیش تعیین‌شده بر اساس مجاورت می‌پردازند. با این حال، مدل‌های گاوسی در شکل خوشه‌هایی که اجازه می‌دهند کمی تطبیق‌پذیرتر هستند.

نموداری را با تمام نقاط داده خود ترسیم کنید. خوشه‌بندی K-means فقط به داده‌ها اجازه می‌دهد تا در دایره‌هایی با مرکز هر خوشه خوشه‌بندی شوند. مخلوط گاوسی می‌تواند داده‌هایی را که روی نمودار در الگوهای خطی‌تری قرار می‌گیرند، کنترل کند و به خوشه‌های مستطیلی شکل اجازه دهد. اگر یک نقطه داده در دایره خوشه دیگری قرار گیرد، این امر باعث وضوح بیشتر در خوشه بندی می شود.

هر دو الگوریتم نظارت شده و بدون نظارت

برخی از الگوریتم‌های هوش مصنوعی می‌توانند از ورودی داده‌های تحت نظارت یا بدون نظارت و عملکرد ثابت استفاده کنند. آنها ممکن است برنامه های کاربردی کمی متفاوت بر اساس وضعیت خود داشته باشند.

الگوریتم K-نزدیکترین همسایه (K-nearest neighbor algorithm)

الگوریتم K-نزدیکترین همسایه (KNN) یکی دیگر از الگوریتم های به کار رفته در انواع هوش مصنوعی ساده است. این الگوریتم فرض می کند تمام نقاط داده، ارائه شده در مجاورت یکدیگر هستند و آنها را بر روی نقشه ترسیم می کند تا رابطه بین آنها را نشان دهد. سپس الگوریتم می تواند فاصله بین نقاط داده را به منظور برون یابی رابطه آنها محاسبه کرده و فاصله را بر روی یک نمودار نشان دهد.

شبکه های عصبی (Neural Networks)

الگوریتم شبکه عصبی اصطلاحی برای مجموعه ای از الگوریتم های هوش مصنوعی است که عملکردهای مغز انسان را تقلید می کند. این الگوریتم‌ها پیچیده‌تر از بسیاری از الگوریتم‌های مورد بحث در بالا هستند و کاربردهایی فراتر از برخی از الگوریتم‌های مورد بحث در اینجا دارند. در الگوریتم های بدون نظارت و نظارت شده، می توان از آن برای طبقه بندی و تشخیص الگو استفاده کرد.

الگوریتم های یادگیری تقویتی

آخرین نوع اصلی انواع الگوریتم های هوش مصنوعی، الگوریتم های یادگیری تقویتی است که با گرفتن بازخورد از نتیجه عمل خود، توسعه می یابند. یک الگوریتم تقویت معمولاً از دو بخش اصلی تشکیل شده است که شامل عاملی که یک عمل را انجام می دهد و محیطی که عمل در آن انجام می شود، می باشد.

چرخه زمانی وقتی شروع می شود که محیط یک سیگنال “وضعیت” را به عامل ارسال کند. این کار عامل را برای انجام یک عمل خاص در محیط، در صف قرار می دهد. هنگامی که عمل انجام شد، محیط یک سیگنال “پاداش” به عامل ارسال می کند و آن را در مورد آنچه اتفاق افتاده مطلع می کند، بنابراین عامل می تواند آخرین اقدام خود را به روز کرده و ارزیابی کند.

سپس، با آن اطلاعات جدید، می تواند دوباره اقدام کند. این چرخه تا زمانی که محیط یک سیگنال، کد پایان را ارسال کند، تکرار می شود. دو نوع تقویت وجود دارد که الگوریتم می تواند از آن استفاده کند: پاداش مثبت یا منفی.

مدل، خط مشی، ارزش

در الگوریتم های تقویت، بسته به اینکه چه چیزی و چگونه اندازه گیری می شود، رویکردهای کمی متفاوت وجود دارد. در اینجا چند تعریف از مدل ها و معیارهای مختلف آورده شده است:

خط مشی: رویکردی که عامل برای تعیین اقدام بعدی انجام شده توسط نماینده اتخاذ می کند.

مدل: وضعیت و پویایی محیط.

ارزش: یعنی نتایج بلندمدت مورد انتظار. این با پاداش، که نتیجه یک عمل واحد در محیط است، متفاوت بوده و در واقع نتیجه بلندمدت بسیاری از اقدامات می باشد.

الگوریتم مبتنی بر ارزش (Value-based)

در الگوریتم تقویت مبتنی بر ارزش، نماینده به جای تمرکز بر پاداش کوتاه مدت، به سمت بازده بلندمدت مورد انتظار پیش می رود.

الگوریتم مبتنی بر سیاست (Policy-based)

یک الگوریتم تقویت مبتنی بر خط مشی معمولاً یکی از دو رویکرد را برای تعیین مسیر بعدی انتخاب می کند. یا یک رویکرد استاندارد را انتخاب می کند که در آن هر حالت یک اقدام مشابه را تولید می کند، و یا یک رویکرد پویا را انتخاب می کند که در آن، احتمالات مشخصی ترسیم شده و محاسبه می شود. هر احتمالی واکنش سیاستی خاص خود را دارد.

الگوریتم مبتنی بر مدل (Model-based)

در این الگوریتم برنامه نویس برای هر محیط، دینامیک متفاوتی ایجاد می کند. به این ترتیب، هنگامی که عامل در هر مدل مختلف قرار می‌گیرد، یاد می‌گیرد که تحت هر شرایطی به طور مداوم عمل کند. این الگوریتم در انواع هوش مصنوعی وجود دارد.

استفاده از الگوریتم های هوش مصنوعی

هزاران برنامه کاربردی برای سیستم ها و الگوریتم های هوش مصنوعی وجود دارد . ما در این مقاله به الگوریتم های ساده ای اشاره کردیم، اما حتی آنها نیز صدها کاربرد متفاوت دارند. این الگوریتم ها در انواع هوش مصنوعی موجود هستند.

برخی از کاربردهای رایج الگوریتم های هوش مصنوعی عبارتند از:

• ورود و طبقه بندی داده ها
• تجزیه و تحلیل پیشرفته یا پیش بینی
• موتورهای جستجو (گوگل، یاهو، بینگ و غیره)
• دستیارهای دیجیتال (سیری، الکسا و غیره)
• رباتیک (ماشین های مونتاژ، ماشین های خودران و غیره)

اگر تجربه کار با انواع هوش مصنوعی را دارید، آن را با ما در میان بگذارید

در این عصر پیشرفت سریع تکنولوژی، بیشتر مردم با انواع هوش مصنوعی آشنا هستند. اکنون که با روش‌های مختلف کارکرد هوش مصنوعی آشنا شدید و اطلاعاتی در مورد برنامه‌های کاربردی احتمالی آن به دست آوردید، وقت آن است به این فکر کنید که چگونه می‌توانید از آن در تجارت استفاده کنید. طبق گزارش Appen State of AI در سال ۲۰۲۱، کسب‌وکارها باید انواع هوش مصنوعی را در مدل‌های خود بکار گیرند وگرنه از در دنیای پیشرفت فناوری عقب خواهند ماند.

ده ها نمونه از انواع هوش مصنوعی مانند تشخیص چهره، تصحیح خودکار، موتورهای جستجو یا الگوریتم های رسانه های اجتماعی وجود دارد که ممکن است شما به طور روزمره از آنها استفاده کنید. پس اگر تجربه کار و استفاده از هوش مصنوعی را دارید، خوشحال می شویم آن را در قسمت نظرات با ما به اشتراک بگذارید.

استفاده از هوش مصنوعی در تولید محتوا می‌تواند به شما در زمینه‌هایی مانند تحلیل و پردازش داده‌ها، ایجاد محتوای با کیفیت بالا و بهبود تجربه کاربری کمک کند. همچنین، با استفاده از هوش مصنوعی می‌توانید به صورت خودکار محتوای خود را برای جستجوهای اینترنتی بهینه کنید و در نتیجه بیشترین بازدید را به دست آورید.  اگر می خواهید برای تولید محتوا از هوش مصنوعی استفاده کنید، پیشنهاد می کنیم در دوره تولید محتوا با هوش مصنوعی ایران فاندر شرکت کنید.

سوالات متداول

۵ شرکت بزرگ در زمینه هوش مصنوعی کدام ها هستند؟

پنج شرکت بزرگ فعال در زمینه انواع هوش مصنوعی اپل، آمازون، فیس‌بوک، گوگل و مایکروسافت است.

الکسا کدام نوع از هوش مصنوعی است؟

الکسا نوعی هوش مصنوعی صوتی است. سیستم‌های هوش مصنوعی مکالمه‌ای، کامپیوترهایی هستند که افراد می‌توانند به سادگی از طریق مکالمه با آنها تعامل داشته باشند. با هوش مصنوعی مکالمه‌ای، دستگاه‌های دارای قابلیت صوتی مانند آمازون اکو، تعاملات جادویی را ممکن می‌کنند که دهه‌ها آرزویش را داشتیم.

رایج ترین نوع هوش مصنوعی کدام است؟

هوش مصنوعی حافظه محدود رایج ترین مدل از انواع هوش مصنوعی است. این مدل، از گذشته می آموزد و با مشاهده اقدامات یا داده ها دانش تجربی ایجاد می کند. این نوع هوش مصنوعی از داده های تاریخی و مشاهده ای در ترکیب با اطلاعات از پیش برنامه ریزی شده برای پیش بینی و انجام وظایف طبقه بندی پیچیده استفاده می کند. امروزه پرکاربردترین نوع هوش مصنوعی، Narrow AI است.

پیشرفته ترین سیستم هوش مصنوعی چیست؟

GPT-3 در سال ۲۰۲۰ عرضه شد و بزرگترین و قدرتمندترین مدل هوش مصنوعی تا به امروز است. این مدل دارای ۱۷۵ میلیارد پارامتر است که بیش از ده برابر بزرگتر از GPT-2 قبلی است.

بالاترین سطح هوش مصنوعی چیست؟

اَبَر هوش مصنوعی (ASI)، هوش مصنوعی فرضی است که فقط هوش و رفتار انسان را تقلید یا درک نمی کند. ASI جایی است که ماشین ها خودآگاه می شوند و از ظرفیت هوش و توانایی انسان فراتر می روند.

ساده ترین الگوریتم در هوش مصنوعی کدام است؟

رگرسیون خطی ساده ترین و موثرترین الگوریتم در انواع هوش مصنوعی است.

چه کسی الگوریتم ها را ایجاد می کند؟

مهندسان الگوریتم – که توسعه دهندگان الگوریتم نیز نامیده می شوند – مسئول طراحی و ادغام الگوریتم ها هستند. الگوریتم‌هایی که به خوبی طراحی شده‌اند، هنگام نصب در یک نرم‌افزار یا محیط کامپیوتر، نتایج عالی ارائه می‌دهند.

الگوریتم های هوشمند چیست؟

الگوریتم‌های هوشمند شامل همه نوع الگوریتم‌هایی است که با استفاده از هوش مصنوعی ایجاد شده‌اند و در دستیاران دیجیتال، اتوماسیون فرآیندهای رباتیک و یادگیری ماشین مورد استفاده قرار می گیرند. الگوریتم های هوشمند در آستانه نفوذ به تمام جنبه های تجارت و زندگی روزمره ما هستند.

منابع معتبری که در نوشتن این مقاله از آنها بهره گرفته‌ایم: tableau.com و builtin.com