هوش مصنوعی (AI) بهطورکلی به رفتاری شبیه انسان گفته میشود که از ماشین یا سیستم سر میزند. در ابتداییترین شکل AI، کامپیوترها برنامهریزی شدهاند تا رفتار انسان را با استفاده از دادههای مربوط به نمونههای پیشین رفتار مشابه «تقلید» کنند. این دادهها میتوانند محدودهای وسیع از شناسایی تفاوتهای بین گربه و پرنده تا اجرای فعالیتهای پیچیده در محیط یک کارخانه را شامل شوند. در این مقالۀ فکت کوینز AI را تعریف کرده و در موردش اطلاعاتی فراهم کردهایم. با ما همراه باشید.
اطلاعات بیشتر در مورد هوش مصنوعی
خواه در مورد یادگیری عمیق صحبت کنیم، راجع به تفکر استراتژیک یا سایر جنبههای این فناوری، اساس کاربرد هوش مصنوعی در موقعیتهایی است که به پاسخ بسیار سریع نیاز باشد. ماشینها با استفاده از AI میتوانند بهطوری کارآمد کار کرده و انبوهی از اطلاعات را در یکچشم برهمزدن تحلیل کنند، مشکلات را با یادگیری نظارت شده، بدون نظارت یا تقویت شده حل کنند.
روزهای اولیۀ AI
درحالیکه شکلهای ابتدایی AI کامپیوترها را قادر میسازد تا بازیهایی مانند خشکسالی علیه انسانها را اجرا کنند، این فناوری اکنون به بخشی از زندگی روزمرۀ ما تبدیل شده است. هوش مصنوعی برای کنترل کیفیت، تحلیل ویدئویی، تبدیل گفتار به متن (پردازش زبان طبیعی) و رانندگی اتوماتیک (autonomous driving) و همچنین در زمینه بهداشت و سلامت، تولید، خدمات مالی و سرگرمی راهحلهای جالبی به ما ارائه میدهد.
ابزاری قدرتمند برای کسبوکارها و سازمانها
این فناوری میتواند برای شرکتهای بزرگی که دادههای بسیار مهمی تولید میکنند و نیز سازمانهای کوچکی که باید تماسهایشان را با مشتریان به طور مؤثرتری پردازش کنند، ابزار بسیار قدرتمندی باشد. هوش مصنوعی میتواند فرایندهای کسبوکار را سادهتر کند، وظایف را سریعتر انجام دهد، خطاهای انسانی را حذف کند و در بسیاری امور دیگر به کمک انسان بیاید.
آینده هوش مصنوعی
HPE با استفاده از دادهها و بهدستآوردن اطلاعات لازم، پیشگام مرزهای جدیدی از AI است. محققان با استفاده از این فناوری، تحلیلی بیدرنگ برای اتوماسیون، پیشبینی و کنترل موفقیت ارائه میدهند تا به بشریت کمک کنند ارزش دادههایشان را سریعتر درک کنند و از فرصتهای نامحدود برای نوآوری، رشد و موفقیت استفاده کنند.
مطلب مفید: اینترنت اشیا (IoT) چیست؟ رابطه IOT و بلاک چین
تاریخچۀ مختصری از AI
تا پیش از سال 1949 کامپیوترها میتوانستند فرمانها را اجرا کنند، اما نمیتوانستند کارهایی را که انجام دادهاند به یاد بیاورند، چون امکان ذخیرۀ این فرمانها را نداشتند. در سال 1950 آلن تورینگ (Alan Turing) در مقالهای به نام «ماشین رایانش و هوش» در مورد نحوۀ ساختن ماشینهای هوشمند و آزمایش این هوش بحث کرد. پنج سال بعد، اولین برنامۀ AI در پروژۀ تحقیقاتی تابستانی دارموث در مورد هوش مصنوعی (DSPRAI) ارائه شد. این رویداد، مانند کاتالیزوری برای تحقیق در مورد AI در طی چند دهه بعد بود.
بین سالهای 1957 و 1974، کامپیوترها سریعتر و ارزانتر شده و بیشتر در دسترس بودند. الگوریتمهای یادگیری ماشین بهتر شده و یکی از میزبانان DSPRAI در سال 1970 به مجلۀ Life گفت که ظرف 3 تا 8 سال آینده ماشینی با هوش عمومی یک انسان متوسط ایجاد خواهد شد. علیرغم موفقیتشان، ناتوانی کامپیوترها در ذخیره یا پردازش سریع اطلاعات، موانعی را در مسیر پیگیری AI برای ده سال آینده ایجاد کرد.
رویدادهای این زمینه در دهۀ 1980
در دهۀ 1980 هوش مصنوعی با گسترش مجموعه ابزارات الگوریتمی و بودجۀ اختصاصیِ بیشتر، احیا شد. جان هوپفیلد و دیوید روملهارت تکنیکهای «یادگیری عمیق» را معرفی کردند که کامپیوترها با کمک آن میتوانستند از طریق تجربه، یاد بگیرند. ادوارد فایگنبام «سیستمهای خبرهای» (expert systems) را معرفی کرد که از تصمیمگیری انسانی تقلید میکردند. با وجود کمبود بودجۀ دولتی و تبلیغات عمومی، این فناوری رشد کرد و بسیاری از اهداف برجسته در دو دهه بعد محقق شدند.
در سال 1997، گری کاسپاروف قهرمان شطرنج جهان و استاد بزرگ شطرنج مغلوب برنامۀ کامپیوتری شطرنج Deep Blue شرکت IBM شد. در همان سال، نرمافزار تشخیص گفتار که شرکت Dragon Systems آن را توسعه داده بود، بر روی ویندوز پیادهسازی شد. سینتیا بریزیل نیز Kismet یعنی رباتی را ساخت که میتوانست احساسات را تشخیص دهد و نشان دهد.
در سال 2016، برنامۀ AlphaGo گوگل، Lee Se-dol استادِ GO را شکست داد و Libratus، یک ابرکامپیوتر بازی پوکر، بهترین بازیکنان انسانی را در سال 2017 مغلوب کرد.
انواع AI
فناوری AI در دو گروه اصلی دستهبندی میشود: AI مبتنی بر کارآمدی و AI مبتنی بر توانمندی
هوش مصنوعی مبتنی بر کارآمدی
- ماشین واکنشگرا (Reactive Machine) – این نوع هوش مصنوعی قدرت حافظه ندارد و نمیتواند از اقدامات پیشین چیزی بیاموزد. IBM Deep Blue در این دسته قرار میگیرد.
- تئوری محدود – با افزوده شدن حافظه، این مدل AI برای گرفتن تصمیمهای بهتر از اطلاعات گذشته استفاده میکند. اپلیکیشنهای رایج مانند GPS در این گروه قرار دارند.
- تئوری ذهن – این مدل همچنان درحالتوسعه است و هدفش آن است که از ذهنهای انسان درک بسیار عمیقی به دست آورد.
- AI خودآگاه – این نوع که میتواند احساسات انسانی و نیز احساسات خودش را شناخته و درک کند، هنوز فقط در حد فرضیه است.
AI مبتنی بر توانمندی
- AI محدود (ANI) – سیستمی است که وظایف برنامهریزیشده با تعریف محدود را اجرا میکند. این مدل ترکیبی از حافظۀ واکنشگرا و محدود دارد. اکثر اپلیکیشنهای AI امروزی در این زمره قرار میگیرند.
- هوش مصنوعی عمومی (AGI) – این مدل توانایی آموزش، یادگیری، درک و عملکرد مانند انسان را دارد.
- سوپر هوش مصنوعی (ASI) – این مدل AI به دلیل پردازش دادهها، حافظه و تواناییهای برتر در تصمیمگیری، وظایف را بهتر از انسان انجام میدهد. امروزه هیچ نمونهای از آن در دنیای واقعی وجود ندارد.
ارتباط بین AI، یادگیری ماشین و یادگیری عمیق
AI یکی از شاخههای علوم کامپیوتر است که هدفش شبیهسازی هوش انسان در ماشین است. سیستمهای این فناوری با الگوریتمها تقویت میشوند تا با استفاده از تکنیکهایی مانند یادگیری ماشین و یادگیری عمیق رفتار «هوشمندانه» را نشان دهند.
یادگیری ماشین در هوش مصنوعی
کامپیوترها زمانی «یاد میگیرند» که نرمافزارشان بتواند سناریوهای آشکار شده را بر اساس نتایج قبلی با موفقیت پیشبینی کرده و به آن واکنش نشان دهد. منظور از یادگیری ماشین فرایندی است که در آن کامپیوترها تشخیص الگو یا توانایی یادگیری مداوم از دادهها و پیشبینیهای مبتنی بر آنها را توسعه داده و بتوانند بدون اجرای برنامهریزی خاصی برای این کار، تنظیمات را انجام دهند. یادگیری ماشین که یکی از شکلهای هوش مصنوعی است، به طور مؤثری فرایند مدلسازی تحلیلی را خودکار کرده و به ماشینها امکان میدهد تا به طور مستقل با سناریوهای جدید سازگار شوند.
چهار مرحله برای ساخت یک مدل یادگیری ماشین عبارتاند از:
- انتخاب و آمادهکردن یک مجموعهداده آموزشی لازم برای حل مشکل. این دادهها میتوانند با یا بدون برچسب باشند.
- انتخاب یک الگوریتم برای اجرای دادههای آموزشی.
- اگر دادهها برچسبدار باشند، این الگوریتم میتواند مبتنی بر رگرسیون، درختهای تصمیمگیری یا نمونه باشند.
- دادههای بدون برچسب هم میتوانند یک الگوریتم خوشهبندی، یک الگوریتم ارتباطی (association algorithm) یا شبکۀ عصبی باشند.
- آموزش الگوریتم برای ایجاد مدل
- استفاده و بهبود مدل.
برای این حوزه سه روش وجود دارد: یادگیری «نظارت شده» با دادههای برچسبگذاری شده کار میکند و به آموزش کمتری نیاز دارد. مدل یادگیری «بدون نظارت» برای طبقهبندی دادههای بدون برچسب از راه شناسایی الگوها و روابط استفاده میشود. مدل «نیمه نظارت شده» از مجموعهدادههای برچسبگذاری شده کوچک برای راهنمایی طبقهبندی مجموعهدادههای بدون برچسب بزرگتر بهره میبرد.
یادگیری عمیق
این حوزه یکی از زیرمجموعههای یادگیری ماشین و هوش مصنوعی است که در مقایسه با برخی رویکردهای یادگیری ماشین سنتی عملکرد بسیار بهتری نشان داده است. این فناوری ترکیبی از شبکههای عصبی مصنوعی چندلایه و آموزشِ داده و محاسبهبَر را استفاده میکند که از جدیدترین شناخت از رفتار مغز انسان الهام گرفته است. این رویکرد آنقدر کارآمد شده است که حتی از توانمندیهای انسانی در بسیاری حوزهها مانند شناسایی تصویر و گفتار و پردازش زبان طبیعی فراتر رفته است.
مدلهای یادگیری عمیق حجم انبوهی از دادهها را پردازش کرده و معمولاً نظارت نشده یا نیمه نظارت شده هستند.
تبدیل کردن دادهها به کارایی و مزیت رقابتی با استفاده از اپلیکیشنهای مدرن AI
پس از چند قرن نظریهپردازی، چند دهه پژوهش و سالها تبلیغات، سرانجام هوش مصنوعی شرکتها را به جایی رسانده که در آنجا قرار است به یک ویژگی فراگیر تبدیل شود. در یک نظرسنجی اخیر، 50 درصد شرکتکنندگان گفتند که از یک نوآوری AI استفاده کردهاند، یکی در مرحلۀ اثبات مفهوم دارند یا قصد دارند در سال آینده استفاده کنند.
دلیل افزایش سرعت رشد هوش مصنوعی
پیشرفتهای اخیر در الگوریتمها، تکثیر مجموعهدادههای دیجیتال و بهبود محاسبات – از جمله بالارفتن قدرت پردازش و کاهش قیمت – گرد هم آمدهاند تا نسل جدیدی از فناوری AI را آغاز کنند که برای شرکتها آماده است. تقریباً تمام سازمانها انبوهی از داراییهای داده درحالرشد دارند و فناوری AI ابزاری را برای تحلیل این منبع در مناسبترین میزان فراهم میکند.
بهعلاوه، این فناوری قرار است در فرایند تحول دیجیتال به جزو اصلی سازمانها تبدیل شود. AI یک فناوری همهکاره است که میتواند کارایی و اطلاعات را تقریباً در هر فرایند تجاری – از عملیات خدمات مشتری و سیستمهای فیزیکی و امنیت سایبری گرفته تا عملکردهای تحقیق و توسعه (R&D) و فرایندهای تجزیهوتحلیل تجاری – بهینه کند.
کاربردهای مدرن برای AI
زمانی که بتوانید اطلاعاتی کلی در مورد پاسختان تعریف کنید اما نحوۀ رسیدن به آن را ندانید، این فناوری برای استخراج معنا از دادهها توانایی منحصربهفردی دارد. هوش مصنوعی میتواند تواناییهای انسان را تقویت و دادههای درحالرشد را به اطلاعات، عمل و ارزش تبدیل کند.
امروزه این فناوری در صنایع از جمله مراقبتهای بهداشتی، تولیدی و دولتی کاربردهای متنوعی دارد. در اینجا چند کاربرد خاص را ذکر کردهایم:
- نگهداری و تعمیرات تجویزی (Prescriptive maintenance) و کنترل کیفیت، مواردی مانند ساختن، تولید و خردهفروشی را از طریق یک چارچوب باز برای IT/OT بهبود میبخشد. راهحلهای یکپارچه بهترین تصمیمها را برای تعمیر و نگهداری نشان میدهند، اقدامات را خودکار کرده و با اجرای تکنیکهای بینایی کامپیوتری مبتنی بر AI سازمانی، فرایندهای کنترل کیفیت را بهتر میکنند.
- پردازش گفتار و زبان دادههای صوتی بدون ساختار را به اطلاعات و هوش تبدیل میکند. این مورد، درک زبان گفتاری و نوشتاری با ماشینها را با استفاده از پردازش زبان طبیعی، تحلیل گفتار به نوشتار، جستجوی بیومتریک یا نظارت بر تماس زنده (live call monitoring) خودکار میکند.
- تحلیل و نظارت ویدئویی، ویدئو را برای شناسایی رویدادها، شناسایی هویت، محیط و افراد و بهدستآوردن اطلاعات عملیاتی به طور خودکار تحلیل میکند. بهعلاوه، از سیستمهای تحلیل ویدئویی لبه به هسته (edge-to-core) برای مجموعۀ گستردهای از حجم کار و شرایط عملیاتی استفاده میکند.
- رانندگی بسیار خودمختار (Highly autonomous) بر روی یک پلتفرم جذب داده مقیاس افقی (scale-out data ingestion platform) ساخته شده است تا توسعهدهندگان بتوانند راهحل رانندگی بسیار خودمختار بهینه را ایجاد کنند که برای سرویسهای منبعباز، یادگیری ماشین و شبکههای عصبی یادگیری عمیق تنظیم شده است.
ارزش یافتن شریک AI مناسب
یکی از مهمترین بخشهای مهم ترسیم نقشۀ سفر AI سازمانی، یافتن شریکی است که مرحلۀ فعلی سازمان در سفر هوش مصنوعی را درک کند – و بتواند به ترسیم مسیری روبهجلو برای تحقق اهداف کوتاهمدت و بلندمدت کمک کند.
کار کردن با شریک مناسب میتواند به شرکت کمک کند تا ارزش دادهها در سراسر سازمان آشکار شود تا تحول و رشد کسبوکار را تقویت کند. همواره به دنبال شریکی باشید که بتواند این موارد را ارائه دهد:
- راهحلهای نقطهبهنقطه (End-to-end solutions) برای کاهش پیچیدگی و پشتیبانی از یکپارچگی با زیرساختهای موجود
- خدمات مشاورهای و حرفهای
- گزینههای محلی (On-prem)، ابری و ترکیبی که مکان تیم، نیازهای دسترسی، امنیت و محدودیتهای هزینه را در نظر میگیرند.
- سیستمهایی که برای نیازهای فعلی و آینده مقیاسپذیر باشند.
- یک اکوسیستم شریک که راهحلهای خاص صنعت را بشناسد.
HPE AI اطلاعاتی را بهمحض تقاضا، در هر مقیاسی ارائه میدهد
برای ایجاد تحول در کسبوکارها به AI تحلیلی بلادرنگ برای کنترلهای فعال، نگهداری پیشگویانه، فرایندهای مستقل و اطلاعات تغییردهندۀ بازی نیاز است. هوش مصنوعی در Intelligent Edge به کسبوکارها کمک میکند تا ارزش دادهها را سریعتر درک کرده و فرصتهای نامحدودی برای نوآوری و رشد به دست آورند.
HPE با سازمانها شریک میشود تا با استفاده از اطلاعاتی در لبۀ زمان، مکان و نحوۀ نیاز به آنها قدرت کامل دادهها را در مرز جدید AI به دست آورد.
رهبری و نوآوری فناوری در هوش مصنوعی
راهحلهای مبتنی بر نتیجۀ HPE به طور هدفمند برای AI ساخته شده و بهطوری ماهرانه برای intelligent edge طراحی شدهاند.
- طیف گستردهای از سختافزار و نرمافزار HPE
- پرتفوی نرمافزار HPE Ezmeral برای هماهنگسازی کانتینر (container orchestration)، مدیریت داده و بافت داده (data fabric)
- پلتفرم سرویسهای Aruba edge
تخصص در AI
مدلهای سرویس و استقرار مبتنی بر تخصص عمیق و تجربۀ اثبات شده عبارتاند از:
- سرویسهای مشاورهای و عملیاتی HPE Pointnext
- گزینههای خدمات مالی HPE
- مدلهای استقرار و مصرف HPE GreenLake
- کارگاه تحول HPE IoT برای شروع به کار هوش مصنوعی خود در سفر لبه (at the edge)
مزیت رقابتی AI
نقاط قوت HPE کسبوکار مشتریان ما کمک کرده و موارد زیر را ارائه میدهد:
- انجام کارهای پرریسک (on the edge) با قدرت تحلیل بلادرنگ برای اتوماسیون، پیشبینی و کنترل
- برتری داشتن در اقدام برای ایجاد ارزش جدید، فرصتهای تجاری، مدلها و تجربیات مشتری
- مشارکت فناوری اطلاعات و فناوری عملیاتی (OT) که زمان رسیدن به اطلاعات را با کارایی بیشتر تسریع میکند.
هوش مصنوعی HPE چندین صنعت را در بر میگیرد
HPE AI به شرکتهای فعال در هر صنعتی کمک میکند تا با کمک فناوریهای هدفمند، اطلاعات لبه را آزاد کنند. سازمانها فناوری AI را برای پیوستگی، استقلال، مدیریت حجم انبوهی از دادهها و رویدادهای حساس به زمان به کار میبرند. از کلینیکها گرفته تا آزمایشگاهها و انبارها تا شرکتها، کاربردهای این فناوری شامل پردازش زبان طبیعی (NLP)، تحلیل ویدئویی، تضمین کیفیت (QA)، نظارت و امنیت و نیز احساسات مشتری میشود.
سازمانهای فعال در بخش مراقبتهای بهداشتی و علوم زیستی از هوش مصنوعی HPE برای باز کردن اطلاعات پزشکی و ارائۀ سطوح جدید مراقبت در لبه بهره میبرند. کاربردهای آن مواردی مانند نظارت بر فناوریهای پوشیدنی در حوزۀ سلامت (wearable health monitoring) و مراقبتهای بهداشتی شخصی گرفته تا پزشکی سلامت و سلامت متصل (connected health) را شامل میشود. AI در لبه در یادگیری ازدحامی (swarm learning) برای کشف توزیع شده و در سایر کاربردها برای هدایت پژوهش پزشکی و پیشرفتهای علمی نیز استفاده میشود.
در حوزۀ تولید، HPE AI به افزایش بهرهوری و اثربخشی کلی تجهیزات (OEE) در لبه کمک میکند. کاربردهای این فناوری در این بخش شامل عملیات هوشمند، تحلیل پیشگویانه در داراییها و فرایندهای درون زنجیرۀ تأمین، و شبیهسازی با هوش مصنوعی میشود.
هوش مصنوعی (AI) بهطورکلی به رفتاری شبیه انسان گفته میشود که از ماشین یا سیستم سر میزند
کاربران با استفاده از HPE بهعنوان شریک AI میتوانند از موارد خاصی بهره مند شوند