هوش مصنوعی

هوش مصنوعی و اینترنت اشیا
سطح های هوش مصنوعی

هوش مصنوعی محدود،هوش مصنوعی عمومی و هوش مصنوعی سوپر

محدود

هوش مصنوعی محدود بسیار زودتر از انواع دیگر آن پدید آمده است. این روزها نمونه های  محدود زیاد است. برای مثال رایانه‌هایی که در بازی های پیچیده‌ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و انواع دیگر کارهای مهم توانسته‌اند بهتر از انسان عمل کنند نمونه‌هایی از هوش مصنوعی محدود هستند. زمانی که در مورد هوش مصنوعی محدود صحبت می‌کنیم منظورمان سیستم‌های هوشمندی است که در انجام دادن یک وظیفه (task) به خصوص بهتر از انسان عمل می‌کنند. برای مثال سیستم هوشمندی که می‌تواند به صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادرند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند. اکثر سرویس های هوش مصنوعی اطراف ما از این نوع بوده که به عنوان مثال می توان سامانه های تاکسی اینترنتی، ماشین های خودران، دستیارهای شخصی مثل الکسا، سرویس های هوشمند شناسایی ایمیل های زائد، سامانه های پیش بینی بورس، پیش بینی آب و هوا و …. هر کدام از مدل های خاصی از هوش مصنوعی با الگوریتم های متفاوت استفاده می کنند

هوش مصنوعی و اینترنت اشیا
 عمومی

هوش مصنوعی عمومی ماشینی است که می‌تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام فعالیت‌ها و وظایفی است که یک انسان به طور معمول آن‌ها را انجام می‌دهد.از نظر تئوری یک هوش مصنوعی عمومی می‌تواند هم سطح انسان فعالیت کند و یا حتی در زمینه‌هایی مانند حافظه و غیره از او بهتر عمل کند.سیستم‌های  عمومی می‌توانند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در موقعیت های مختلف می تواند رفتارهای انسان را شبیه سازی کرده و کاملا مانند یک انسان فکر کند، بفهمد و رفتار کند.در سطح عمومی آن‌ها می‌توانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همه‌ی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و غیره باشد. در سطوح بالا این سیستم‌ها می‌توانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسان‌ها بستگی دارد و می‌توانند به خوبی از پس چنین کارهایی بر بیایند.

سوپر 

سوپر هوش مصنوعی به نوعی دارای هوش فرا بشری خواهد شد. تا به حال هنوز هیچ جامعه‌ای نتوانسته به سوپر هوش مصنوعی دست پیدا کند.در این مرحله کامپیوترها از همه لحاظ نسبت به انسان ها برتری خواهند یافت. آن ها می توانند ربات هایی بسیار قوی تر، بسیار سریع تر، بسیار باهوش تر و بسیار خلاق تر از انسان ها باشند.

هوش مصنوعی و اینترنت اشیا

آموزش هوش مصنوعی

سیستم‌های هوش مصنوعی به کمک یادگیری ماشین و یادگیری عمیق هوشمند  می‌توانند آموزش ببینند.
یادگیری ماشین

یادگیری ماشین (Machine Learning) یکی از زیر مجموعه های هوش مصنوعی (AI) است که به سیستم ها این امکان را می دهد تا به صورت خودکار یادگیری و پیشرفت داشته باشند بدون اینکه نیاز باید تا یک برنامه نویسی مخصوص به آن یادگیری خاص را انجام داد. تمرکز اصلی یادگیری ماشینی بر توسعه برنامه‌هایی است که بتوانند با دسترسی به داده‌ها، به طور خودکار از آن‌ها برای یادگیری خود سیستم استفاده کنند.

یک الگوریتم یادگیری ماشین، با دیدن مجموعه‌ای از داده‌ها می‌تواند به یک هوشمندی نسبی برسد. به عنوان مثال کافی است عکس حشره های زیادی را به الگوریتم یادگیری ماشین نشان دهید تا از آن پس قادر به تشخیص هرنوع حشره ای باشد.

در یادگیری ماشین فرآیند یادگیری با مشاهدات یا داده ها آغاز می شود و سیستم از مثال ها، تجارب مستقیم و یا دستور العمل ها و.. استفاده می‌کند تا به یک الگو مشخص برسد و بر اساس آن الگو شروع به تصمیم گیری و حل مسئله کند. هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنیم کند.

هوش مصنوعی و اینترنت اشیا
یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده می‌باشد که شامل آمار و مدل سازی پیش بینی است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع آوری ، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده ها را دارند، بسیار کاربردی است و روند تحلیل و تفسیر داده‌ها را سریعتر و آسان تر می کند.

 یادگیری عمیق تکنولوژی اصلی ساخت خودروهای خودران است؛ یادگیری عمیق به خودروها این توانایی را می‌دهد که تابلوها را شناسایی کنند، و یا تیر چراغ برق را از انسان تشخیص دهند.

به نوعی می توان گفت یادگیری عمیق در واقع همان یادگیری ماشین است به گونه ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم انجام می‌دهد و به این صورت ماشین درک بهتری از واقعیت های وجودی پیدا می‌کند و می تواند الگوهای مختلف را شناسایی کند. در ساده ترین سطح، یادگیری عمیق را می توان راهی برای خودکار سازی تجزیه و تحلیل پیش بینی‌ها دانست.