نرم افزار تشخیص پلاک خودرو | پلاک خوان

هوش مصنوعی به کجا می رود؟

دکتر جواد امیریان
13 شهریور 1398

قسمت اول
امروزه تقریبا هر چیزی راجع به موفقیتهای هوش مصنوعی می‌شنوید رد پایی از یادگیری عمیق دارد. خب این الگوریتم ها، توانایی بالایی در یافتن الگوهای آماری دارند و توانسته اند بطور شگفت انگیزی قابلیتهای انسان در دیدن و شنیدن را تقلید کنند. شبکه های عمیق از موتور جستجوی گوگل گرفته تا فید خبری فیسبوک و بسیاری از بیزینس ها را دستخوش تغییر کرده اند.

اگرچه بسیاری از این دستاوردها و به عبارتی نفوذ AI به صنایع و کاربردهای مختلف، مدیون یادگیری عمیق است، اما اگر کمی چشممان را باز کنیم میبینیم که این شبکه ها تنها کمتر از 10 سال از تاریخچه هوش مصنوعی را می سازند و تحقیقات در این حوزه سمت و سوهای دیگری پیدا خواهد کرد.

مجله MIT Technology Review به تازگی تحلیلی بر روی بیش از 16 هزار مقاله هوش مصنوعی بر روی پایگاه داده arXiv انجام داده و نتیجه این است که حوزه هوش مصنوعی به سمت «یادگیری تقویتی» یا همان RL حرکت خواهد کرد.

این تحقیق نشان می دهد در طی 70 سال تاریخچه "هوش مصنوعی"، شاهد وقوع 3 تغییر و شیفت بنیادی در این حوزه در طی سی سال گذشته بوده‌ایم؛

اواخر دهه 90 و اوائل قرن جدید، جایی است که "یادگیری ماشین" رشده کرده و جانشین سیستم های خبره و پایگاه دانش شده، سپس حول وحوش 2010 "شبکه‌های عصبی" و نسل پیشرفته‌تر آنها یعنی "یادگیری عمیق" فراگیر شدند و در چند سال اخیر هم شاهد یک شیفت دیگر به سمت روش‌های "یادگیری تقویتی" هستیم.

سیستم‌های پایگاه دانش
بیایید از دهه هشتاد شروع کنیم، جایی که سیستمهای پایگاه دانش (Knowledge-Based System) یا به عبارت دیگر سیستم های خبره (به عنوان اولین سیستم های هوشمند) محبوب بودند و در قلب پروژه‌های مهم کامپیوتری فعالیت میکردند.

این سیستم ها شامل یک «پایگاه دانش» و یک «موتور استدلال» بودند. بخش استدلال این سیستم ها معمولا از مجموعه‌ای از قوانین به شکل If-Then تشکیل میشد که فرایند تصمیم‌گیری را کنترل می‌کرد.
مزیت این سیستمها نسبت به برنامه‌های رایج کامپیوتری این بود که قوانین در قالبی طراحی میشدند که نه فقط مهندسان کامپیوتر بلکه افراد با تخصص‌های دیگر (مثلا یک پزشک) هم بتواند آنها را توسعه دهد.
یکی از معروفترین این سیستم‌ها یک سیستم خبره پزشکی بنام Mycin بود که برای تشخیص عفونتهای باکتریهایی مانند مننژیت بکار میرفت و با آن تجویز آنتی‌بیوتیک به بیمار انجام میشد (نام مایسین از آخر اسم آنتی بیوتیکها گرفته شده بود)

این روزها تبلیغات تجاری پذیرای ربات ها هستند.
تبلیغات شرکت TurboTax در حین مسابقات Super Bowl با یک ربات به نام RoboChild

قسمت دوم
با توسعه ی پروژه‌های کامپیوتری، سیستم‌های پایگاه دانش با یک چالش بزرگ روبرو شدند: قوانین بسیار زیادی وجود داشتند که نمی‌شد یکی یکی برای همه آنها کد نوشت. به عبارتی به هوشمندی بیشتری نیاز بود.

یادگیری ماشین
"یادگیری ماشین" درمان این درد بود! حالا بجای بکارگیری آدم‌ها برای نوشتن صدها هزار خط کد، با بکارگیری یادگیری ماشین، کامپیوتر بصورت اتوماتیک، قواعد را از داده‌ها استخراج می‌کرد.
شبکه‌های Bayesian، شبکه‌های عصبی، روش‌های مارکوف، SVMها و الگوریتم‌های تکاملی (مانند الگوریتم ژنتیک) و... همگی ابزارهایی برای این منظور بودند. همه آنها به نحوی، دنبال یافتن الگو در داده‌ها بودند و نقاط ضعف و قوت خودشان را داشتند.

شبکه‌های عصبی
در سال 2012 یک خبر مثل بمب در جامعه هوش مصنوعی ترکید. در مسابقات سالانه‌ی ImageNet (که برای توسعه‌ی هوش مصنوعی و بینایی ماشین شکل گرفته بود) یک استاد دانشگاه تورنتو به نام Geoffrey Hinton به همراه دانشجویانش یک شبکه عصبی طراحی کردند به نام AlexNet که بیشتر از 10% رکورد دقت تشخیص را بهبود داد. این موفقیت، نقطه عطفی بود برای گسترش شبکه های عصبی و یادگیری عمیق.
بزودی موج بزرگی در دنیای هوش مصنوعی ایجاد شد و محققان و دانشگاه های زیادی را به سمت شبکه‌های عصبی کشاند.

یادگیری تقویتی
این الگوریتمها البته خیلی جدید هم نیستند. در حقیقت روشهای یادگیری ماشین را به سه نوع تقسیم میکنند:
Supervised Learning
Unsupervised Learning
Reinforcement Learning

نحوه کارکرد RL ها الهام گرفته از فرایند یادگیری در حیوانها و انسانهاست که با پاداش و تنبیه همراه است.

نقطه عطف گسترش RL ها به موفقیت پروژه AlphaGo در 2015 برمیگردد. این برنامه کامپیوتری که میتواند یک نوع بازی تخته به نام Go را بازی کند توانست قهرمان جهان را شکست دهد. بعد از این اتفاق توجه های بیشتری به استفاده از RL ها جلب شده است.
تحلیلها نشان میدهد که این روش‌ها جایگاه بالاتری در سال‌های آینده خواهند دا‌شت.