در مقاله قبلی توضیحاتی در مورد هوش مصنوعی و همچنین کاربرد آن در بازی های ویدئویی مطالبی را قرار دادیم، اکنون در ادامه مقاله گذشته این بار لازم دانستیم طبقه بندی و دسته بندی از هوش مصنوعی را بیان کنیم

 اگر هنوز آن را مطالعه نکرده اید، توصیه می کنم این کار را انجام دهید، امروز قصد داریم مجموعه کلی فناوری‌های هوش مصنوعی و دسته‌بندی‌های آن‌ها را بررسی کنیم.

هوش تشخیص خودکار گفتار

تشخیص خودکار گفتار رشته‌ای متعلق به آکوستیک است که واج‌ها را در سیگنال صوتی تشخیص می‌دهد. سیستم‌های تشخیص صدا سیگنال جمع‌آوری‌شده توسط میکروفون را پردازش می‌کنند تا کلمات تلفظ شده توسط کاربر را شناسایی کنند

پردازش زبان طبیعی NLP

در حالی که تشخیص گفتار صرفاً بر تبدیل صدا به متن تمرکز دارد، پردازش زبان طبیعی NLP رشته‌ای است که ارتباط نزدیک‌تری با حوزه زبان‌شناسی دارد و هدف آن درک معنای کاربر هنگام ارائه یک فرمان، سؤال یا بیانیه خاص است. علاوه بر این، خلق و خو را برای یافتن الگوهای ذهنی تجزیه و تحلیل می کند. به طور خلاصه، این زمینه ای است که به ارتباط (عمدتاً صوتی و نوشتاری) بین ماشین و انسان کمک می کند.

تشخیص بصری

تشخیص بصری رشته‌ای است که مبتنی بر پردازش تصویر یا سیگنال ویدیویی با هدف شناخت الگوها، اشکال و در بهترین حالت شناسایی دقیق عناصر مختلف در یک تصویر است.

تشخیص متن

تشخیص متن را می توان بخشی از تشخیص بصری در نظر گرفت، زیرا هدف اصلی آن تشخیص و شناسایی متن در قالب های تصویر است.

اطلاعات بزرگ

بدون پرداختن به نکات فنی، Big Data را می توان حجم زیادی از داده ها در نظر گرفت. در واقع داده به تنهایی یک فناوری نیست، اما داشتن حجم عظیمی از داده (ترجیحاً ساختاریافته) در دسترس برای دستیابی به اهداف هم در تحلیل هوش تجاری و هم در کاربرد الگوریتم‌های یادگیری ماشینی خاص حیاتی است.

سیستم های خبره

سیستم های خبره سیستم هایی هستند که شامل تمام دانش ممکن انسان در مورد یک موضوع خاص هستند. یک مثال کلاسیک، سیستم‌هایی هستند که شطرنج بازی می‌کنند، که از مجموعه کاملی از حرکات و استراتژی‌ها استفاده می‌کنند که در حافظه آنها برای تعیین بهترین حرکت (معمولاً بر اساس درخت‌های تصمیم) وارد شده است.

هوش رباتیک

روباتیک (اعم از نرم افزارهای مکانیکی یا روباتیک مانند RPA) طیف وسیعی از دستگاه ها را پوشش می دهد. هر زمان که یک سیستم یا ربات نشانه‌هایی از هوش نشان می‌دهد، مثلاً می‌تواند تصمیم‌گیری کند، هر چقدر هم که اساسی باشد، می‌توانیم در مورد هوش مصنوعی صحبت کنیم. به یاد داشته باشید که هوش مصنوعی لازم نیست پیچیده باشد، این هوش مصنوعی در همه سطوح، حتی ابتدایی‌ترین سطوح وجود دارد، و باید از توانایی یادگیری از ماشین‌ها متمایز شود. یعنی یادگیری ماشینی.

فراگیری ماشین

یادگیری ماشینی رشته‌ای در هوش مصنوعی است که سعی می‌کند سیستمی را برای یادگیری و ارتباط دادن اطلاعات به روشی که یک فرد انجام می‌دهد وادار کند. برای انجام این کار، از الگوریتم‌هایی استفاده می‌کند که قادر به تشخیص الگوها در داده‌های قبلی، قادر به ایجاد پیش‌بینی‌های آینده و همچنین روندهای جدید مانند یادگیری عمیق و الگوریتم‌های شبکه عصبی آن هستند.

الگوریتم های یادگیری ماشین نیز دارای دسته بندی است :

• یادگیری عمیق

یادگیری عمیق یکی از زیرشاخه های یادگیری ماشینی است. این یک سیستم یادگیری است که از عملکرد شبکه های عصبی مغز انسان برای پردازش اطلاعات با پایه ریاضی بسیار پیچیده الهام گرفته شده است . اگرچه بر تجربه متکی است (اعم از داده های قبلی، تولید شده توسط محیط یا خود تولید شده)، اما از نشانه های دقیقی که تعیین می کند چه چیزی درست است و چه چیزی صحیح نیست شروع نمی شود، بنابراین سیستم می تواند نتیجه گیری را به تنهایی تعیین کند.

• هوش شناختی

هوش شناختی ترکیبی از فناوری های ذکر شده قبلی با هدف ایجاد سرویس های هوش مصنوعی با قابلیت درک انسانی است. این ترکیبی از تشخیص بصری، صدا، درک مطلب ، NLP و یادگیری ماشینی برای ایجاد سیستم‌هایی است که قادر به درک اطلاعات مربوط به تعامل انسانی و پاسخ‌گویی به آن هستند.

طبقه بندی هوش مصنوعی آسان نیست و حقیقت این است که بهترین روش طبقه بندی آن بر اساس الگوریتم های مورد استفاده توسط یک سیستم خاص است. با این حال، برخی از کارشناسان تلاش کرده اند تا گروه های هوش مصنوعی را بر اساس رویکرد خود ایجاد کنند.

به گفته دانشمندان کامپیوتر استوارت راسل و پیتر نورویگ ، هوش مصنوعی را می توان به دسته های زیر تقسیم کرد: 

فن‌آوری‌ها و رشته‌های زیادی وجود دارند که شامل هوش مصنوعی می‌شوند، که شاخه‌های مطالعات ریاضی و مهندسی خاص خود را دارند.  از سیستم‌های تشخیص گرفته تا سیستم‌های یادگیری ماشین.

• سیستم هایی که مانند انسان فکر می کنند

این سیستم‌ها سعی می‌کنند با استفاده از مدل‌های شبکه عصبی مصنوعی، فکر انسان را به معنای واقعی کلمه تقلید کنند.

سیستم هایی که مانند انسان عمل می کنند

این سیستم ها بر عمل به عنوان انسان تمرکز دارند. آنها بیشتر به رباتیک کلاسیک مرتبط هستند و انعطاف پذیری کمتری دارند.

• سیستم هایی که منطقی فکر می کنند

این سیستم ها سعی می کنند منطق انسانی را در هنگام درک، استدلال و عمل به کار گیرند. آنها بر تقلید از رفتار عصبی مغز متمرکز نیستند، بلکه آموزش دیده اند تا در یک محیط خاص به روش انسانی عمل کنند. نمونه ای از این عوامل خبره هستند.

• سیستم هایی که منطقی عمل می کنند (به طور ایده آل)

آنها سعی می کنند رفتار انسان را به شیوه ای منطقی تقلید کنند و نتایج خود را در مورد شرایط محیطی مشخص به دست آورند. نقطه تمایز در این سیستم ها تلاش برای اعمال عقلانیت در تصمیم گیری های خود است.

یک دسته بندی رایج تر، دسته بندی است که ۲ گروه بزرگ را تقسیم می کند:

• هوش مصنوعی ضعیف (یا باریک).

با نام اختصاری ANI (هوش باریک مصنوعی) شناخته می شود ، و اگرچه ممکن است نام آن تا حدودی تحقیرآمیز به نظر برسد، اما تمام هوش مصنوعی موجود امروزی را پوشش می دهد. این یک هوش مصنوعی است که برای حل یک یا مجموعه ای از مسائل خاص به روشی بهینه، اما بدون امکان گسترش به مسائل عمومی بدون برنامه نویسی مربوطه اختصاص داده شده است. حتی پیشرفته ترین دستیاران مجازی نیز در این دسته قرار می گیرند.

• هوش مصنوعی قوی (یا GENERAL)

این هوش مصنوعی که با نام اختصاری AGI (هوش عمومی مصنوعی) شناخته می شود ، هوش مصنوعی است که می تواند از نظر توانایی استدلال و استنباط با هوش انسانی مطابقت داشته باشد یا از آن پیشی بگیرد.  اگرچه ماشین ها در بسیاری از ظرفیت ها (از جمله بینایی و تشخیص شنوایی در برخی زمینه ها) از انسان ها بهتر عمل می کنند، اما آنها احساسات واقعی، توانایی های شناختی بومی، خودآگاهی یا توانایی ندارند. 

امیدواریم توانسته باشیم رضایتمندی علاقمندان به دنیای پهناور هوش مصنوعی را جلب کرده باشیم .