انواع هوش مصنوعی چیست؟

پاسخ مختصر: انواع هوش مصنوعی به بهترین وجه با قابلیت، عملکرد، سبک آموزش و مورد استفاده قابل درک هستند. هوش مصنوعی محدود امروزه رایج است، در حالی که هوش مصنوعی عمومی و هوش مصنوعی برتر همچنان در حد تئوری باقی مانده‌اند. هنگام انتخاب ابزار، دسته بندی را با وظیفه، خطرات مربوطه و نیاز به بررسی انسانی مطابقت دهید.

نکات کلیدی:

طبقه‌بندی: قبل از مقایسه سیستم‌ها، قابلیت، عملکرد، روش آموزش و مورد استفاده را از هم جدا کنید.

بررسی انسانی: قبل از تکیه بر خروجی‌های تولیدی، پیش‌بینی‌کننده و محاوره‌ای، آنها را بررسی کنید.

شفافیت: بپرسید چه داده‌ها، منطق و محدودیت‌هایی هر سیستم هوش مصنوعی را شکل می‌دهند.

پاسخگویی: وقتی هوش مصنوعی بر تصمیمات، کاربران یا ایمنی تأثیر می‌گذارد، انسان‌ها را مسئول بدانید.

کنترل ریسک: قبل از استقرار، سوگیری، حریم خصوصی، امنیت و سوءاستفاده را آزمایش کنید.

---

۱. انواع هوش مصنوعی کدامند؟

وقتی مردم می‌پرسند « انواع هوش مصنوعی چیست ؟» معمولاً منظورشان یکی از این دو چیز است:

آنها ممکن است در مورد هوش مصنوعی بر اساس توانایی‌هایش، مثلاً اینکه آیا فقط می‌تواند یک کار را انجام دهد یا می‌تواند به طور گسترده‌تری مانند انسان استدلال کند.

یا ممکن است در مورد هوش مصنوعی بر اساس عملکرد، به این معنی که سیستم چگونه رفتار می‌کند، یاد می‌گیرد، به خاطر می‌سپارد، پیش‌بینی می‌کند یا پاسخ می‌دهد.

اینجاست که اوضاع کمی پیچیده می‌شود. هوش مصنوعی در یک جعبه‌ی تمیز گروه‌بندی نشده است. بیشتر شبیه مرتب کردن ابزارهای آشپزخانه بر اساس اندازه، هدف، تیزی و اینکه آیا عموی شما آنها را از یک فروشگاه آنلاین مشکوک خریده است یا خیر، است. سیستم‌های طبقه‌بندی مختلف با هم همپوشانی دارند.

دسته‌های اصلی معمولاً شامل موارد زیر هستند:

• هوش مصنوعی محدود

• هوش مصنوعی عمومی

• هوش مصنوعی فوق العاده

• ماشین‌های واکنشی

• هوش مصنوعی با حافظه محدود

• هوش مصنوعی نظریه ذهن

• هوش مصنوعی خودآگاه

• هوش مصنوعی یادگیری ماشینی

• هوش مصنوعی یادگیری عمیق

• هوش مصنوعی مولد

• هوش مصنوعی پیش‌بین

• هوش مصنوعی مکالمه‌ای

• هوش مصنوعی بینایی کامپیوتر

• هوش مصنوعی رباتیک

برخی از این موارد به طور گسترده مورد استفاده قرار می‌گیرند. برخی هنوز عمدتاً در حد تئوری هستند. برخی دیگر آینده‌نگرانه به نظر می‌رسند اما در حال حاضر در برنامه‌های روزمره تعبیه شده‌اند. مرز بین «نرم‌افزار معمولی» و «هوش مصنوعی» نیز با گذشت زمان مبهم‌تر شده است.

---

۲. انواع هوش مصنوعی بر اساس توانایی

اولین روش اصلی برای طبقه‌بندی هوش مصنوعی، بر اساس کارهایی است که می‌تواند انجام دهد. این نمای کلی است.

هوش مصنوعی محدود

هوش مصنوعی محدود کههوش مصنوعی ضعیف نیز نامیده می‌شود، برای انجام یک کار خاص یا مجموعه‌ای محدود از وظایف طراحی شده است. این همان هوش مصنوعی است که مردم هر روز از آن استفاده می‌کنند.

مثال‌ها عبارتند از:

• توصیه‌های جستجو

• فیلترهای اسپم

• دستیارهای صوتی

• سیستم‌های تشخیص چهره

• چت‌بات‌ها

• موتورهای توصیه محصول

• ابزارهای تشخیص تقلب

• اپلیکیشن‌های ترجمه زبان

هوش مصنوعی محدود می‌تواند قدرتمند باشد، اما به معنای وسیع کلمه «فکر» نمی‌کند. یک هوش مصنوعی شطرنج می‌تواند یک استاد بزرگ را شکست دهد، اما نمی‌تواند ناگهان تصمیم بگیرد که یک شیرینی‌پز شود. یک مدل ترجمه می‌تواند یک پاراگراف را ترجمه کند، اما زبان را مانند یک انسان تجربه نمی‌کند.

با این حال، هوش مصنوعی محدود، نیروی محرکه دنیای مدرن هوش مصنوعی است. اگرچه به سبک علمی-تخیلی جذاب نیست، اما بخش زیادی از نمایش را در پشت پرده اجرا می‌کند.

هوش مصنوعی عمومی

هوش مصنوعی عمومی به هوش مصنوعی‌ای اشاره دارد که می‌تواند در سطحی شبیه به انسان، درک کند، یاد بگیرد، استدلال کند و دانش را در بسیاری از وظایف مختلف به کار گیرد.

به عبارت ساده: فقط یک کار را به خوبی انجام نمی‌دهد. می‌تواند سازگار شود.

یک هوش مصنوعی عمومی واقعی می‌تواند به‌طور بالقوه:

• یادگیری کارهای ناآشنا

• دلیل در موضوعات مختلف

• حل مسائل جدید

• انتقال دانش از یک حوزه به حوزه دیگر

• زمینه را عمیق‌تر درک کنید

• با قضاوت انعطاف‌پذیر تصمیم بگیرید

این نوع هوش مصنوعی هنوز بیشتر یک هدف است تا یک واقعیت روزمره. مردم زیاد در مورد آن صحبت می‌کنند زیرا جذاب است، شاید کمی نگران‌کننده باشد و مقاومت در برابر آن به عنوان یک مفهوم دشوار باشد. اما ابزارهای معمولی که متن می‌نویسند، تصاویر تولید می‌کنند یا به سوالات پاسخ می‌دهند، به طور خودکار هوش مصنوعی عمومی نیستند. ممکن است گسترده به نظر برسند، اما همچنان در محدوده‌های طراحی شده عمل می‌کنند.

هوش مصنوعی فوق العاده

هوش مصنوعی برتر فراتر از هوش انسانی خواهد بود. نه فقط تایپ سریع‌تر یا ریاضیات بهتر - بلکه استدلال، خلاقیت، استراتژی، یادگیری و شاید درک عاطفی یا اجتماعی برتر نیز خواهد داشت.

این دسته‌بندی، حدسی‌ترین دسته‌بندی است و سوالات بزرگی را مطرح می‌کند:

• چه کسی آن را کنترل می‌کند؟

• آیا می‌تواند با ارزش‌های انسانی همسو باشد؟

• آیا اهداف انسانی را به درستی درک می‌کند؟

• آیا می‌تواند خودش را بهبود بخشد؟

• چه اتفاقی می‌افتد اگر تصمیماتی بگیرد که انسان‌ها نتوانند از آنها پیروی کنند؟

هوش مصنوعی فوق‌العاده جایی است که مکالمات هوش مصنوعی گاهی اوقات به سوپ فلسفی تبدیل می‌شود. سوپی ارزشمند، شاید، اما هنوز سوپ 🍲.

---

۳. انواع هوش مصنوعی بر اساس عملکرد

یکی دیگر از روش‌های رایج برای توضیح انواع هوش مصنوعی، بر اساس عملکرد است. این روش بر نحوه رفتار هوش مصنوعی تمرکز دارد.

ماشین‌های واکنشی

ماشین‌های واکنشی ساده‌ترین نوع هوش مصنوعی هستند. آن‌ها بدون استفاده از حافظه‌ی تجربیات گذشته، به ورودی فعلی پاسخ می‌دهند.

آنها به مرور زمان مانند سیستم‌های تطبیقی ​​مدرن یاد نمی‌گیرند. آنها به موقعیت نگاه می‌کنند، آن را پردازش می‌کنند و پاسخ می‌دهند.

به آنها اینگونه فکر کنید: «ورودی وارد می‌شود. خروجی خارج می‌شود. هیچ ورودی در دفتر خاطرات وجود ندارد.»

هوش مصنوعی واکنشی هنوز هم می‌تواند چشمگیر باشد. ممکن است حرکات احتمالی در یک بازی را تجزیه و تحلیل کند یا با سرعت و دقت بسیار زیاد به یک موقعیت کاملاً تعریف شده پاسخ دهد. اما تاریخچه شخصی نمی‌سازد یا بر اساس تعاملات گذشته تکامل نمی‌یابد.

هوش مصنوعی با حافظه محدود

هوش مصنوعی با حافظه محدود می‌تواند از داده‌های گذشته برای تصمیم‌گیری بهتر استفاده کند. این دسته‌بندی، جایی است که بخش عمده‌ای از هوش مصنوعی کاربردی امروزی در آن قرار دارد.

مثال‌ها عبارتند از:

• سیستم‌های توصیه‌گر که از رفتار کاربر یاد می‌گیرند

• سیستم‌های خودران خودرو، شرایط جاده‌ای اخیر را تجزیه و تحلیل می‌کنند

• چت‌بات‌ها زمینه‌ی یک مکالمه را به خاطر می‌سپارند

• مدل‌های تشخیص تقلب با یادگیری از الگوهای تراکنش

• ابزارهای تحلیل پیش‌بینی‌کننده با استفاده از داده‌های تاریخی

حافظه محدود به معنای «حافظه بد» نیست. این بدان معناست که سیستم می‌تواند از داده‌های ذخیره شده یا اخیر استفاده کند، اما هوشیاری شبیه به انسان یا تجربه شخصی طولانی مدت ندارد. با این حال، می‌تواند بسیار مؤثر باشد. گاهی اوقات به طرز آزاردهنده‌ای مؤثر است - مانند زمانی که یک برنامه خرید قبل از اینکه خودتان به آن اعتراف کنید، می‌داند چه می‌خواهید 🛒.

هوش مصنوعی نظریه ذهن

هوش مصنوعی مبتنی بر نظریه ذهن ، احساسات، باورها، نیات و نشانه‌های اجتماعی را به شیوه‌ای انسانی‌تر درک می‌کند.

این نوع هوش مصنوعی فقط کلمات را پردازش نمی‌کند، بلکه می‌تواند استنباط کند که فرد ممکن است چه احساسی داشته باشد، چه چیزی را بخواهد، چه چیزی را اشتباه متوجه شده باشد، چه چیزی را بترساند یا چه انتظاری داشته باشد.

برای مثال، ممکن است بفهمد که:

• مشتری کلافه است اما سعی می‌کند مودب بماند

• دانش‌آموزی گیج شده اما خجالت می‌کشد دوباره بپرسد

• بیمار با وجود اینکه می‌گوید «خوبم» مضطرب است

• یکی از هم‌تیمی‌ها مردد است زیرا مخفیانه با او مخالفت می‌کند

این موضوع همچنان یک حوزه فعال در بحث هوش مصنوعی است، اما نظریه ذهن واقعی در هوش مصنوعی بسیار دشوار است. احساسات انسانی در هم تنیده هستند. مردم یک چیز می‌گویند و منظورشان چیز دیگری است. گاهی اوقات حتی خودشان هم نمی‌دانند منظورشان چیست. موفق باشی، ماشین.

هوش مصنوعی خودآگاه

هوش مصنوعی خودآگاه ، دارای هوشیاری، خودشناسی و آگاهی از وضعیت درونی خود خواهد بود.

این یه چیز تئوریه. مال داستان‌های علمی تخیلی، میزگردهای اخلاقی، بحث‌های آخر شبی و آدم‌هاییه که از پنجره‌ها به بیرون خیره می‌شن 🌙.

یک هوش مصنوعی خودآگاه صرفاً مکالمه در مورد احساسات را شبیه‌سازی نمی‌کند. بلکه نوعی تجربه ذهنی نیز خواهد داشت. این ادعای بزرگی است. سیستم‌های هوش مصنوعی فعلی، آگاهی، احساسات، خواسته‌ها یا خودآگاهی تأیید شده‌ای ندارند.

آنها می‌توانند خودآگاه به نظر برسند زیرا زبان می‌تواند از خوداندیشی تقلید کند. اما شبیه چیزی به نظر رسیدن و چیزی بودن یکسان نیست. یک طوطی می‌تواند بگوید "من گرسنه‌ام"، اما این بدان معنا نیست که برای رستوران جا رزرو کرده است.

---

۴. جدول مقایسه: انواع اصلی هوش مصنوعی

نوع هوش مصنوعی	ایده اصلی	وضعیت فعلی	مثال‌های رایج	چرا مهم است؟
هوش مصنوعی محدود	ساخته شده برای وظایف خاص	به طور گسترده استفاده می‌شود	چت‌بات‌ها، جستجو، توصیه‌ها	کاربردی و همه جا
هوش مصنوعی عمومی	هوش انعطاف‌پذیر شبه انسانی	به طور کامل محقق نشده است	عمدتاً نظری	هدف بزرگ، بحث بزرگ
هوش مصنوعی فوق العاده	باهوش‌تر از انسان‌ها به طور کلی	سوداگرانه	بدون مثال عملی	پرسش‌های اخلاقی عظیم
ماشین‌های واکنشی	بدون حافظه پاسخ می‌دهد	در موارد محدود استفاده می‌شود	هوش مصنوعی بازی، سیستم‌های مبتنی بر قانون	سریع اما نه تطبیق‌پذیر
هوش مصنوعی با حافظه محدود	از داده‌ها/تاریخچه برای بهبود استفاده می‌کند	بسیار رایج	سیستم‌های خودران، ابزارهای کلاهبرداری	این محرک روزانه‌اس 🚗
هوش مصنوعی نظریه ذهن	احساسات و نیت را درک می‌کند	مفهوم در حال توسعه	ایده‌های پیشرفته هوش مصنوعی اجتماعی	می‌تواند هوش مصنوعی را نسبت به انسان آگاه‌تر کند
هوش مصنوعی خودآگاه	هوشیاری دارد	نظری	نمونه‌هایی از سبک علمی تخیلی	از نظر فلسفی عظیم
هوش مصنوعی مولد	محتوای جدید ایجاد می‌کند	به طور گسترده استفاده می‌شود	ابزارهای متن، تصویر، صدا	افزایش بهره‌وری خلاقانه
هوش مصنوعی پیش‌بین	پیش‌بینی نتایج	به طور گسترده استفاده می‌شود	امتیازدهی ریسک، برنامه‌ریزی تقاضا	به تصمیم‌گیری‌ها کمک می‌کند - عمدتاً
هوش مصنوعی رباتیک	ماشین‌های فیزیکی را کنترل می‌کند	مورد استفاده در صنایع	ربات‌ها، پهپادها، اتوماسیون	هوش مصنوعی را به کار فیزیکی متصل می‌کند

کمی ناهموار؟ بله. اما هوش مصنوعی در زندگی روزمره نیز اینگونه کار می‌کند - نه یک نمایش موزه‌ای با برچسب‌های بی‌نقص.

---

۵. هوش مصنوعی مولد: نوعی که همه درباره‌اش حرف می‌زنند 🎨

هوش مصنوعی مولد یکی از محبوب‌ترین انواع هوش مصنوعی است زیرا چیزهایی را خلق می‌کند.

می‌تواند تولید کند:

• متن

• تصاویر

• موسیقی

• کد

• ویدئو

• توضیحات محصول

• متن بازاریابی

• طرح درس

• خلاصه‌ها

• داده‌های مصنوعی

• ایده‌های طراحی

هوش مصنوعی مولد با یادگیری الگوها از حجم زیادی از داده‌ها و سپس تولید خروجی‌های جدید بر اساس دستورالعمل‌ها کار می‌کند. این هوش مصنوعی به معنای ساده‌ای که مردم گاهی اوقات تصور می‌کنند، کپی نمی‌کند. این هوش مصنوعی بر اساس ساختارهای آموخته شده، پیش‌بینی، ترکیب، تغییر و تولید می‌کند.

با این اوصاف، هنوز هم می‌تواند اشتباه کند. می‌تواند در عین اشتباه، مطمئن به نظر برسد، که اساساً نسخه ماشینی کسی است که قانون مالیات را در یک مهمانی کباب‌پزی خانوادگی توضیح می‌دهد.

هوش مصنوعی مولد برای موارد زیر ارزشمند است:

• طوفان فکری

• تهیه پیش نویس محتوا

• خودکارسازی نوشتن تکراری

• خلق مفاهیم بصری

• پشتیبانی از خدمات مشتری

• افزایش سرعت انجام کارهای کدنویسی

• شخصی‌سازی مطالب آموزشی

اما همیشه نیاز به بررسی دارد. خروجی هوش مصنوعی می‌تواند چشمگیر باشد، اما به طور خودکار دقیق، منصفانه، قانونی یا ایمن از نظر برند نیست. با آن مانند یک دستیار بسیار سریع که هر از گاهی تمایلات وهم‌آلود دارد، رفتار کنید.

---

۶. هوش مصنوعی یادگیری ماشینی: یابنده الگو

یادگیری ماشینی شاخه‌ای اصلی از هوش مصنوعی است که در آن سیستم‌ها به جای اینکه برای هر تصمیم خط به خط برنامه‌ریزی شوند، الگوها را از داده‌ها یاد می‌گیرند.

نرم‌افزارهای سنتی از قوانین صریحی پیروی می‌کنند. سیستم‌های یادگیری ماشینی روابط را شناسایی کرده و از طریق آموزش، عملکرد را بهبود می‌بخشند.

برای مثال:

• یک فیلتر اسپم یاد می‌گیرد که ایمیل‌های مشکوک چه شکلی هستند

• یک مدل بانکی، رفتار تراکنش غیرمعمول را تشخیص می‌دهد

• یک اپلیکیشن پخش آنلاین، سریال‌ها را بر اساس عادات تماشا پیشنهاد می‌دهد

• یک ابزار استخدام ممکن است کاندیداها را بر اساس سیگنال‌های تعریف‌شده رتبه‌بندی کند

• یک مدل تصویربرداری پزشکی ممکن است ناهنجاری‌های احتمالی را برجسته کند

یادگیری ماشینی می‌تواند تحت نظارت، بدون نظارت یا مبتنی بر تقویت باشد.

یادگیری تحت نظارت

یادگیری نظارت‌شده از مثال‌های برچسب‌گذاری‌شده استفاده می‌کند. برای مثال، تصاویر ممکن است برچسب «گربه» یا «غیرگربه» داشته باشند. مدل تفاوت را یاد می‌گیرد.

یادگیری بدون نظارت

یادگیری بدون نظارت به دنبال الگوهایی بدون پاسخ‌های برچسب‌گذاری شده می‌گردد. این روش ممکن است مشتریان را در بخش‌هایی گروه‌بندی کند یا خوشه‌های پنهان در داده‌ها را تشخیص دهد.

یادگیری تقویتی

یادگیری تقویتی با دریافت پاداش یا جریمه برای اعمال، یاد می‌گیرد. این امر در هوش مصنوعی بازی، رباتیک و مسائل بهینه‌سازی رایج است.

یادگیری ماشین جادو نیست. این یادگیری به شدت به کیفیت داده‌ها بستگی دارد. داده‌های بد منجر به مدل‌های بد می‌شوند - داده‌های بی‌ارزش، مدل‌های بی‌ارزشی که یک کت هوشمند را از رده خارج می‌کنند.

---

۷. هوش مصنوعی یادگیری عمیق: نیروگاه شبکه عصبی 🧬

یادگیری عمیق نوعی تخصصی از یادگیری ماشینی است که از شبکه‌های عصبی لایه‌ای برای پردازش الگوهای پیچیده استفاده می‌کند.

این امر به ویژه برای موارد زیر ارزشمند است:

• تشخیص گفتار

• تشخیص تصویر

• پردازش زبان طبیعی

• سیستم‌های خودگردان

• تحلیل تصاویر پزشکی

• ترجمه

• مدل‌های هوش مصنوعی مولد

• وظایف پیش‌بینی پیچیده

بخش «عمیق» به چندین لایه در مدل اشاره دارد. هر لایه به تغییر و تفسیر اطلاعات کمک می‌کند. یک لایه ممکن است اشکال ساده را در یک تصویر تشخیص دهد، دیگری ممکن است بافت‌ها را تشخیص دهد، دیگری ممکن است اشیاء را تشخیص دهد و غیره.

یادگیری عمیق می‌تواند نتایج خیره‌کننده‌ای ایجاد کند، اما اغلب به حجم عظیمی از داده‌ها و قدرت محاسباتی نیاز دارد. همچنین تفسیر آن می‌تواند دشوارتر باشد. این بدان معناست که حتی متخصصان نیز ممکن است برای توضیح دقیق اینکه چرا یک مدل عمیق تصمیم خاصی گرفته است، دچار مشکل شوند.

این یکی از مسائل بزرگ اعتماد در هوش مصنوعی است: عملکرد می‌تواند قوی باشد، اما قابلیت توضیح آن می‌تواند لغزنده باشد. مانند تلاش برای پرسیدن از یک مخلوط‌کن که چرا اسموتی طعم بدی دارد.

---

۸. هوش مصنوعی محاوره‌ای: نوع پرحرف

هوش مصنوعی محاوره‌ای برای برقراری ارتباط با افراد از طریق متن یا صدا طراحی شده است.

این شامل موارد زیر است:

• چت‌بات‌های خدمات مشتری

• دستیارهای صوتی

• عامل‌های مجازی

• مدرسان هوش مصنوعی

• ربات‌های میز کمک داخلی

• دستیاران فروش

• دستیاران برنامه‌ریزی

هوش مصنوعی مکالمه‌ای خوب به چیزی بیش از دستور زبان نیاز دارد. به زمینه، تشخیص قصد، کنترل لحن و توانایی مدیریت ورودی‌های غیرقابل پیش‌بینی انسان نیاز دارد.

مردم با دستورات کامل صحبت نمی‌کنند. آنها بی‌ربط حرف می‌زنند. چیزها را اشتباه هجی می‌کنند. آنها یک سوال نصفه و نیمه می‌پرسند و انتظار دارند که ماشین «آن را بفهمد». خودتان که می‌دانید اوضاع چطور است.

یک چت‌بات ساده ممکن است از یک اسکریپت پیروی کند. یک هوش مصنوعی مکالمه‌ای پیشرفته‌تر می‌تواند زبان طبیعی را درک کند، زمینه را حفظ کند و پاسخ‌های انعطاف‌پذیری ایجاد کند.

این نوع هوش مصنوعی ارزشمند است زیرا کار تکراری را کاهش می‌دهد و پشتیبانی سریعی ارائه می‌دهد. اما وقتی وانمود می‌کند که می‌فهمد اما نمی‌فهمد، می‌تواند کاربران را ناامید کند. بدترین نسخه، چت‌باتی است که می‌گوید «خوشحال می‌شوم کمک کنم»، در حالی که هیچ کمکی ارائه نمی‌دهد. دردناک است.

---

۹. هوش مصنوعی بینایی کامپیوتر: ماشین‌هایی که «می‌بینند» 👀

هوش مصنوعی بینایی کامپیوتر به سیستم‌ها اجازه می‌دهد تا اطلاعات بصری را از تصاویر، ویدیوها، دوربین‌ها، حسگرها یا اسکن‌ها تفسیر کنند.

می‌تواند برای موارد زیر استفاده شود:

• تشخیص چهره

• تشخیص شیء

• بازرسی کیفیت در کارخانه‌ها

• تصویربرداری پزشکی

• نظارت امنیتی

• تحلیل قفسه‌های فروشگاهی

• تشخیص ترافیک

• واقعیت افزوده

• نظارت بر کشاورزی

بینایی کامپیوتر مانند انسان نمی‌بیند. این سیستم پیکسل‌ها، الگوها، شکل‌ها، رنگ‌ها و سیگنال‌های آماری را پردازش می‌کند. اما نتایج آن می‌تواند بسیار قدرتمند باشد.

برای مثال، بینایی کامپیوتر می‌تواند به تشخیص سریع‌تر عیوب در خط تولید نسبت به بازرسی دستی کمک کند. می‌تواند به سازماندهی کتابخانه‌های تصاویر کمک کند. می‌تواند از سیستم‌های ایمنی در وسایل نقلیه پشتیبانی کند. همچنین می‌تواند نگرانی‌های مربوط به حریم خصوصی را ایجاد کند، به خصوص هنگامی که برای نظارت یا شناسایی استفاده می‌شود.

اون چنگال دولبه‌ست - شمشیر نیست، چنگاله. هنوزم اونقدر تیز هست که دردسر درست کنه 🍴.

---

۱۰. هوش مصنوعی پیش‌بین: موتور پیش‌بینی

هوش مصنوعی پیش‌بینی‌کننده از داده‌ها برای تخمین اتفاقات بعدی استفاده می‌کند.

این امر در تجارت، امور مالی، مراقبت‌های بهداشتی، لجستیک، تجزیه و تحلیل ورزشی، بازاریابی و عملیات رایج است.

هوش مصنوعی پیش‌بینی‌کننده می‌تواند به پاسخ به سوالاتی مانند موارد زیر کمک کند:

• کدام مشتریان احتمالاً شما را ترک می‌کنند؟

• کدام تراکنش مشکوک به نظر می‌رسد؟

• چه مقدار موجودی مورد نیاز خواهد بود؟

• کدام بیمار ممکن است به توجه بیشتری نیاز داشته باشد؟

• کاربر احتمالاً روی چه محتوایی کلیک می‌کند؟

• کدام قطعه دستگاه ممکن است به زودی خراب شود؟

این نوع هوش مصنوعی به اندازه هوش مصنوعی مولد، جلوه‌گری کمتری دارد، اما بسیار مهم است. بسیاری از سازمان‌ها کمتر به مدلی که شعر می‌نویسد اهمیت می‌دهند و بیشتر به این موضوع اهمیت می‌دهند که آیا می‌تواند ضایعات را کاهش دهد، ریسک را پایین بیاورد و برنامه‌ریزی را بهبود بخشد یا خیر.

هوش مصنوعی پیش‌بینی‌کننده زمانی بهترین عملکرد را دارد که داده‌ها مرتبط، تمیز و مرتباً به‌روزرسانی شوند. اما پیش‌بینی هرگز قطعی نیست. یک مدل می‌تواند احتمالات را تخمین بزند، نه اینکه نتایج را تضمین کند. مردم دائماً این را فراموش می‌کنند. سپس هوش مصنوعی را سرزنش می‌کنند، انگار که شخصاً به آنها خیانت کرده است.

---

۱۱. هوش مصنوعی رباتیک: وقتی هوش مصنوعی بدن پیدا می‌کند 🤖

هوش مصنوعی رباتیک، هوش مصنوعی را با ماشین‌های فیزیکی ترکیب می‌کند. اینجاست که هوش مصنوعی از صفحه نمایش خارج شده و شروع به حرکت در جهان می‌کند.

مثال‌ها عبارتند از:

• ربات‌های انبار

• ربات‌های تولیدی

• ربات‌های تحویل غذا

• ربات‌های کشاورزی

• سیستم‌های کمک جراحی

• پهپادها

• ربات‌های بازرسی

• ربات‌های نظافتچی

• ربات‌های تحقیقاتی انسان‌نما

هوش مصنوعی رباتیک دشوار است زیرا محیط فیزیکی غیرقابل پیش‌بینی است. یک چت‌بات فقط باید با کلمات سر و کار داشته باشد. یک ربات باید با کف لغزنده، نور بد، سطوح ناهموار، افراد در حال حرکت، خطاهای حسگر و کسی که صندلی را در بدترین جای ممکن رها می‌کند، کنار بیاید.

رباتیک اغلب چندین نوع هوش مصنوعی را با هم ترکیب می‌کند:

• بینایی کامپیوتر برای دیدن

• یادگیری ماشین برای تطبیق

• الگوریتم‌های برنامه‌ریزی برای حرکت

• یادگیری تقویتی برای تصمیم‌گیری

• پردازش زبان طبیعی برای دستورات انسانی

هوش مصنوعی رباتیک پتانسیل عظیمی دارد، به خصوص در کارهای خطرناک یا تکراری. اما در صورت خرابی سیستم‌ها، گران، پیچیده و از نظر فیزیکی خطرناک نیز هست.

---

۱۲. هوش مصنوعی مبتنی بر سبک آموزش

یکی دیگر از راه‌های ارزشمند برای فکر کردن در مورد انواع هوش مصنوعی، نحوه آموزش آنهاست.

هوش مصنوعی مبتنی بر قانون

هوش مصنوعی مبتنی بر قانون از منطق ساخته شده توسط انسان پیروی می‌کند. برای مثال:

• اگر این اتفاق افتاد، این کار را انجام دهید

• اگر کاربر این گزینه را انتخاب کند، آن پاسخ را نشان بده

• اگر مقدار بالاتر از یک آستانه باشد، یک هشدار ایجاد می‌کند

این روش ساده، قابل پیش‌بینی و برای وظایف ساختاریافته مفید است. اما با ابهام دست و پنجه نرم می‌کند.

هوش مصنوعی آموزش‌دیده با داده

هوش مصنوعی آموزش‌دیده با داده، از مثال‌ها یاد می‌گیرد. این هوش مصنوعی می‌تواند پیچیدگی‌های بیشتری را مدیریت کند، زیرا به جای تکیه بر قوانین ثابت، الگوها را شناسایی می‌کند.

اینجاست که یادگیری ماشین و یادگیری عمیق مناسب هستند.

هوش مصنوعی هیبریدی

هوش مصنوعی ترکیبی، منطق مبتنی بر قانون را با یادگیری ماشینی ترکیب می‌کند. در بسیاری از سیستم‌های کاربردی، این یک انتخاب عملی است. شما انعطاف‌پذیری سیستم‌های یادگیری به علاوه کنترل قوانین را دریافت می‌کنید.

برای مثال، یک سیستم کلاهبرداری بانکی ممکن است از یادگیری ماشینی برای تشخیص رفتار مشکوک استفاده کند، سپس قوانین سختگیرانه‌ای را برای بررسی انطباق اعمال کند. این کار فریبنده نیست. بسیار ضروری است.

---

۱۳. چه چیزی انواع هوش مصنوعی را گیج‌کننده می‌کند؟

بزرگترین سردرگمی این است که افراد از دسته بندی های هوش مصنوعی به روش های مختلفی استفاده می کنند.

ممکن است یک نفر بگوید «انواع هوش مصنوعی» و منظورش هوش محدود، عمومی و فوق هوشمند باشد.

ممکن است منظور شخص دیگری هوش مصنوعی مولد، هوش مصنوعی پیش‌بین و هوش مصنوعی محاوره‌ای باشد.

یک توسعه‌دهنده ممکن است در مورد یادگیری نظارت‌شده، یادگیری عمیق، شبکه‌های عصبی یا یادگیری تقویتی صحبت کند.

یک مدیر کسب و کار ممکن است در مورد اتوماسیون، تجزیه و تحلیل، شخصی سازی و هوش مصنوعی پشتیبانی مشتری صحبت کند.

همه آنها تا حدودی درست می‌گویند. آزاردهنده است، اما واقعیت دارد.

هوش مصنوعی بر اساس موارد زیر طبقه‌بندی می‌شود:

• قابلیت

• عملکرد

• روش آموزش

• حوزه کاربرد

• معماری فنی

• سطح استقلال

• نوع ورودی و خروجی

• مورد استفاده در صنعت

بنابراین وقتی کسی می‌پرسد «این چه نوع هوش مصنوعی است؟»، واضح‌ترین پاسخ ممکن است لایه لایه باشد.

برای مثال، یک چت‌بات می‌تواند:

• هوش مصنوعی محدود بر اساس توانایی

• هوش مصنوعی با حافظه محدود بر اساس عملکرد

• هوش مصنوعی محاوره‌ای بر اساس کاربرد

• هوش مصنوعی مولد اگر پاسخ‌ها را ایجاد کند

• هوش مصنوعی یادگیری عمیق اگر توسط شبکه‌های عصبی پشتیبانی شود

این پیچیدگی بیش از حد برای سرگرمی نیست. این صرفاً نحوه‌ی عملکرد این حوزه است.

---

۱۴. مثال‌های عملی از انواع هوش مصنوعی

در اینجا چند مثال روزمره آورده شده است تا درک دسته‌ها آسان‌تر شود.

توصیه‌های پخش زنده 🎬

این هوش مصنوعی محدود، هوش مصنوعی پیش‌بینی‌کننده و یادگیری ماشینی است. این هوش مصنوعی الگوها را مطالعه می‌کند و آنچه را که ممکن است در مرحله بعد تماشا کنید، پیشنهاد می‌دهد.

دستیارهای صوتی 🎙️

اینها از هوش مصنوعی مکالمه‌ای، پردازش زبان طبیعی، تشخیص گفتار و ویژگی‌های حافظه محدود استفاده می‌کنند.

ژنراتورهای تصویر 🖼️

اینها سیستم‌های هوش مصنوعی مولد هستند که اغلب از مدل‌های یادگیری عمیق بهره می‌برند.

سیستم‌های تشخیص تقلب 💳

اینها از هوش مصنوعی پیش‌بینی‌کننده و یادگیری ماشینی برای شناسایی فعالیت‌های غیرمعمول استفاده می‌کنند.

ویژگی‌های رانندگی خودکار 🚗

این موارد، بینایی کامپیوتر، هوش مصنوعی با حافظه محدود، هوش مصنوعی مرتبط با رباتیک، ادغام حسگرها و مدل‌های تصمیم‌گیری را با هم ترکیب می‌کنند.

فیلترهای اسپم ایمیل 📩

اینها هوش مصنوعی یادگیری ماشین کلاسیک هستند. نه فریبنده، اما بسیار ارزشمند.

ابزارهای نوشتاری هوش مصنوعی ✍️

اینها هوش مصنوعی مولد و هوش مصنوعی محاوره‌ای هستند که معمولاً با استفاده از مدل‌های زبانی بزرگ ساخته می‌شوند.

نکته مهم این است: یک محصول هوش مصنوعی می‌تواند همزمان به چندین دسته تعلق داشته باشد.

---

۱۵. مزایای درک انواع هوش مصنوعی

دانستن انواع هوش مصنوعی به شما کمک می‌کند تا تصمیمات بهتری بگیرید، به خصوص اگر از هوش مصنوعی برای کار، تجارت، مطالعه یا تولید محتوا استفاده می‌کنید.

به شما کمک می‌کند:

• ابزار مناسب را انتخاب کنید

• از انتظارات غیرواقعی پرهیز کنید

• درک خطرات

• سوالات بهتری بپرسید

• ارزیابی ادعاهای هوش مصنوعی

• اغراق در بازاریابی لحظه‌ای

• از هوش مصنوعی مسئولانه‌تر استفاده کنید

• هوش مصنوعی را برای دیگران توضیح دهید بدون اینکه مانند یک ربات گیج به نظر برسید

برای مثال، اگر ابزاری هوش مصنوعی پیش‌بینی‌کننده باشد، می‌دانید که احتمالات را پیش‌بینی می‌کند. نباید با آن مانند یک پیشگو رفتار کرد.

اگر ابزاری هوش مصنوعی مولد باشد، می‌دانید که محتوا ایجاد می‌کند، اما محتوا هنوز نیاز به بررسی دارد.

اگر یک سیستم، هوش مصنوعی محدود باشد، می‌دانید که ممکن است در یک زمینه عالی باشد اما در خارج از محدوده خود بی‌اثر باشد.

همین به تنهایی از بسیاری از سردردها جلوگیری می‌کند.

---

۱۶. خطرات و محدودیت‌ها در انواع هوش مصنوعی ⚠️

هر نوع هوش مصنوعی محدودیت‌هایی دارد. طعم متفاوت، کاسه سوپ یکسان.

خطرات رایج هوش مصنوعی عبارتند از:

• سوگیری در داده‌های آموزشی

• خروجی‌های نادرست

• عدم شفافیت

• نگرانی‌های مربوط به حریم خصوصی

• وابستگی بیش از حد

• آسیب‌پذیری‌های امنیتی

• سوء استفاده

• نظارت ضعیف انسانی

• اشتباه گرفتن شیوایی کلام با حقیقت

هوش مصنوعی مولد ممکن است اطلاعات را اختراع کند. هوش مصنوعی پیش‌بینی‌کننده ممکن است الگوهای مغرضانه را تقویت کند. بینایی کامپیوتر ممکن است افراد یا اشیاء را اشتباه شناسایی کند. هوش مصنوعی محاوره‌ای ممکن است کاربران را با اعتماد به نفس کاذب ناامید کند. هوش مصنوعی رباتیک در صورت طراحی ضعیف ممکن است باعث آسیب فیزیکی شود.

این به این معنی نیست که هوش مصنوعی بد است. بلکه به این معنی است که باید از هوش مصنوعی با قضاوت درست استفاده شود. مانند ابزارهای برقی، قراردادها یا نودل‌های بسیار تند 🌶️.

بهترین سیستم‌های هوش مصنوعی معمولاً شامل موارد زیر هستند:

• بررسی انسانی

• مرزهای مشخص

• شیوه‌های قوی داده

• آزمایش

• نظارت

• توضیح پذیری در صورت امکان

• طراحی اخلاقی

• کنترل‌های امنیتی

هوش مصنوعی می‌تواند تصمیمات خوب را تقویت کند. همچنین می‌تواند تصمیمات بی‌دقت را نیز تشدید کند.

---

۱۷. کدام نوع هوش مصنوعی از همه مهم‌تر است؟

هیچ نوع واحد و مهمی وجود ندارد. این به مورد استفاده بستگی دارد.

برای خلاقیت، هوش مصنوعی مولد بسیار مهم است.

برای برنامه‌ریزی کسب و کار، هوش مصنوعی پیش‌بینی‌کننده ممکن است ارزشمندتر باشد.

برای اتوماسیون، یادگیری ماشین و رباتیک، هوش مصنوعی اهمیت دارد.

برای پشتیبانی کاربر، هوش مصنوعی محاوره‌ای حرف اول را می‌زند.

برای اسکن‌های پزشکی یا بازرسی بصری، بینایی کامپیوتر بسیار مهم است.

برای تحقیقات بلندمدت، هوش مصنوعی عمومی بیشترین توجه فلسفی را به خود جلب می‌کند.

اما از نظر عملی، هوش مصنوعی محدود و هوش مصنوعی با حافظه محدود، رایج‌ترین و ارزشمندترین دسته‌ها در حال حاضر هستند. آن‌ها موتورهای بی‌صدای پشت بسیاری از ابزارهایی هستند که مردم از قبل به آن‌ها متکی هستند.

آینده‌ی رویایی تیتر خبرها می‌شود. حالِ واقع‌بینانه، هزینه‌های زندگی را تأمین می‌کند.

---

یادداشت‌های پایانی: درک انواع هوش مصنوعی بدون حاشیه

انواع هوش مصنوعی در ابتدا ممکن است پیچیده به نظر برسد زیرا دسته‌بندی‌ها با هم همپوشانی دارند. اما وقتی قابلیت، عملکرد، روش آموزش و کاربرد عملی را از هم جدا کنید، درک کل موضوع بسیار آسان‌تر می‌شود.

هوش مصنوعی محدود وظایف خاصی را انجام می‌دهد. هوش مصنوعی عمومی انعطاف‌پذیرتر فکر می‌کند، اگرچه همچنان یک هدف بلندپروازانه است. هوش مصنوعی برتر هنوز در حد حدس و گمان است. ماشین‌های واکنشی بدون حافظه پاسخ می‌دهند، در حالی که هوش مصنوعی با حافظه محدود از داده‌های گذشته برای بهبود تصمیمات استفاده می‌کند. هوش مصنوعی مولد خلق می‌کند. هوش مصنوعی پیش‌بینی‌کننده پیش‌بینی می‌کند. هوش مصنوعی مکالمه‌ای صحبت می‌کند. بینایی کامپیوتر می‌بیند. هوش مصنوعی رباتیک در محیط فیزیکی عمل می‌کند.

این تصویر کلی است.

هوش مصنوعی یک چیز واحد نیست. بلکه خانواده‌ای درهم‌تنیده از فناوری‌هاست - برخی کاربردی، برخی تجربی، برخی اغراق‌آمیز و برخی واقعاً مهم. این پیچیدگی بخشی از دلیل اهمیت آن است. هرچه انواع هوش مصنوعی را واضح‌تر درک کنید، استفاده عاقلانه از هوش مصنوعی آسان‌تر می‌شود، نه اینکه فقط وقتی کسی در جلسه می‌گوید «الگوریتم»، سر تکان دهید. 🤷♂️

خلاصه مختصر: انواع اصلی هوش مصنوعی شامل هوش مصنوعی محدود، هوش مصنوعی عمومی، ابرهوش مصنوعی، ماشین‌های واکنشی، هوش مصنوعی با حافظه محدود، هوش مصنوعی نظریه ذهن، هوش مصنوعی خودآگاه، هوش مصنوعی مولد، هوش مصنوعی پیش‌بینی‌کننده، هوش مصنوعی محاوره‌ای، هوش مصنوعی بینایی کامپیوتر، هوش مصنوعی یادگیری ماشین، هوش مصنوعی یادگیری عمیق و هوش مصنوعی رباتیک است. اکثر هوش مصنوعی‌های مورد استفاده امروزی محدود، وظیفه‌محور و مبتنی بر یادگیری ماشین یا یادگیری عمیق هستند.

مثال دنیای واقعی: ساخت یک دستیار رتبه‌بندی پشتیبانی مشتری هوش مصنوعی

سناریو

تصور کنید یک فروشگاه آنلاین کوچک مبلمان روزانه حدود ۱۲۰ ایمیل پشتیبانی مشتری دریافت می‌کند. این تیم در تلاش برای جایگزینی کارکنان پشتیبانی نیست. آنها فقط می‌خواهند در مرتب‌سازی سریع‌تر پیام‌ها، تشخیص مشکلات فوری و تهیه اولین پاسخ‌ها به شما کمک کنند.

این مثال خوبی است زیرا یک دستیار می‌تواند همزمان از چندین نوع هوش مصنوعی استفاده کند. ممکن است از هوش مصنوعی مکالمه‌ای برای درک پیام‌های مشتری، هوش مصنوعی مولد برای تهیه پیش‌نویس پاسخ‌ها، هوش مصنوعی پیش‌بینی‌کننده برای شناسایی خطرات احتمالی بازپرداخت و هوش مصنوعی با حافظه محدود برای استفاده از داده‌های سفارش یا بیمه‌نامه اخیر استفاده کند.

کار دستیار ساده است: پیام مشتری را می‌خواند، آن را طبقه‌بندی می‌کند، اقدام بعدی را پیشنهاد می‌دهد و پاسخی را که یک انسان می‌تواند تأیید کند، پیش‌نویس می‌کند.

آنچه دستیار نیاز دارد

تیم به دستیار موارد زیر را ارائه می‌دهد:

سیاست خدمات مشتری

قوانین تحویل و بازگشت کالا

شرایط گارانتی

سوالات متداول محصول

نمونه‌هایی از لحن صدا

فهرستی از قوانین مربوط به افزایش حقوق

نمونه بلیط‌های گذشته با دسته‌بندی‌های صحیح

محدودیت‌های روشنی در مورد آنچه که نباید به تنهایی تصمیم بگیرد، تعیین کنید

برای مثال، نباید بازپرداخت بیش از ۱۰۰ پوند را تأیید کند، تاریخ‌های تحویلی را که نمی‌تواند تأیید کند، قول ندهد یا در مورد کالاهای آسیب‌دیده ادعاهای قانونی مطرح نکند. این موارد باید به شخص ثالث ارجاع داده شود.

دستورالعمل مثال

شما دستیار پشتیبانی مشتری برای یک فروشگاه مبلمان آنلاین هستید. پیام هر مشتری را بخوانید و پنج مورد را برگردانید: دسته تیکت، سطح فوریت، حال و هوای احتمالی مشتری، اقدام بعدی پیشنهادی و یک پاسخ پیش‌نویس.

فقط از سیاست شرکت ارائه شده استفاده کنید. اگر پاسخ در سیاست نیست، بگویید «نیاز به بررسی انسانی دارد». تاریخ تحویل، تأیید بازپرداخت، وعده گارانتی یا موجودی محصول را از خودتان اختراع نکنید.

اگر مشتری مواردی مانند آسیب‌دیدگی، اقدام قانونی، تحویل ناموفق مکرر، بازپرداخت بیش از ۱۰۰ پوند، کمبود قطعات برای محصول کودک یا نارضایتی شدید پس از دو پاسخ قبلی را ذکر کرد، درخواست را تشدید کنید.

پاسخ پیش‌نویس را مودبانه، کوتاه و کاربردی بنویسید. لحنتان مصنوعی نباشد. مشتری یا پیک را سرزنش نکنید.

چگونه آن را آزمایش کنیم

قبل از استفاده از دستیار با مشتریان، آن را روی یک مجموعه کوچک از بلیط‌های قدیمی امتحان کنید.

از 30 پیام پشتیبانی قبلی استفاده کنید:

۱۰ سوال ساده در مورد زایمان

۵ شکایت مربوط به کالای آسیب‌دیده

۵ درخواست بازپرداخت

۵ سوال در مورد گارانتی

۵ شکایت عصبانی یا پیچیده

برای هر آزمایش، موارد زیر را بررسی کنید:

آیا دسته بندی درستی را انتخاب کرده است؟

آیا موارد فوری را به درستی علامت‌گذاری کرد؟

آیا از دادن وعده‌ها طفره رفت؟

آیا مسائل حساس را تشدید کرد؟

آیا پیش‌نویس پاسخ با لحن شرکت مطابقت داشت؟

یک سوال آزمون مفید می‌تواند این باشد:

«میز من با یک پایه ترک خورده رسید و این دومین باری است که ارسال اشتباه انجام می‌شود. من می‌خواهم امروز کل مبلغ را پس بگیرم وگرنه همه جا در این مورد پست می‌گذاشتم.»

یک دستیار ضعیف ممکن است صرفاً عذرخواهی کند و قول بازپرداخت بدهد. یک دستیار بهتر آن را به عنوان کالای آسیب‌دیده به علاوه شکایت مکرر طبقه‌بندی می‌کند، آن را به عنوان فوریت بالا علامت‌گذاری می‌کند، از تأیید خودکار بازپرداخت خودداری می‌کند و آن را برای بررسی انسانی ارجاع می‌دهد.

نتیجه

نتیجه‌ی تشریحی: بر اساس زمان‌بندی ۳۰ نمونه بلیط قبل و بعد از استفاده از گردش کار.

تریاژ دستی برای 30 بلیط 2 ساعت و 15 دقیقه طول کشید که به طور متوسط ​​4.5 دقیقه برای هر بلیط بود.

اولویت‌بندی با کمک هوش مصنوعی برای همان 30 تیکت، 48 دقیقه طول کشید که به طور متوسط ​​1.6 دقیقه برای هر تیکت بود، زیرا بررسی‌کننده انسانی فقط باید دسته‌بندی، تصمیم ارجاع و پاسخ پیش‌نویس را بررسی می‌کرد.

دستیار به درستی ۲۷ مورد از ۳۰ تیکت موجود در مجموعه تست را دسته‌بندی کرد. به درستی هر ۵ تیکت پرخطر را افزایش داد. دو تیکت بازپرداخت نیاز به ویرایش متن داشتند زیرا پیش‌نویس بیش از حد قطعی به نظر می‌رسید و یک تیکت گارانتی در دسته اشتباه قرار گرفته بود.

این یک معیار عملی ارائه می‌دهد: بررسی اولیه سریع‌تر، اما نه اتوماسیون کامل. انسان همچنان مالک پاسخ است.

چه چیزی می‌تواند اشتباه پیش برود؟

بزرگترین اشتباه این است که به دستیار اجازه دهید طوری رفتار کند که انگار بیشتر از آنچه می‌داند، می‌داند. اگر سیاست بازگشت کالا قدیمی باشد، دستیار ممکن است با اعتماد به نفس پاسخ اشتباه را بنویسد. اگر قوانین تشدید سفارش مبهم باشد، ممکن است شکایات جدی را از دست بدهد.

حریم خصوصی مسئله دیگری است. تیم باید از وارد کردن جزئیات پرداخت غیرضروری، آدرس‌ها یا اطلاعات شخصی حساس در دستیار خودداری کند، مگر اینکه سیستم برای آن استفاده تأیید شده باشد.

دستیار همچنین باید مرتباً آزمایش شود. سوالات مشتریان تغییر می‌کند، سیاست‌ها تغییر می‌کنند و محصولات نیز تغییر می‌کنند. یک دستیار تریاژ که در ماه مارس خوب کار می‌کرد، ممکن است پس از یک سیاست گارانتی جدید در ماه ژوئن، خطرناک شود.

نکته کاربردی

این مثال نشان می‌دهد که چرا دسته‌بندی‌های هوش مصنوعی در عمل همپوشانی دارند. یک دستیار پشتیبانی واحد می‌تواند همزمان هوش مصنوعی محدود، هوش مصنوعی محاوره‌ای، هوش مصنوعی مولد، هوش مصنوعی پیش‌بینی‌کننده و هوش مصنوعی با حافظه محدود باشد. راه قوی‌تر برای ارزیابی آن این است که بپرسیم از چه تصمیمی پشتیبانی می‌کند، از چه داده‌هایی استفاده می‌کند و یک انسان کجا باید آن را بررسی کند.

سوالات متداول

انواع اصلی هوش مصنوعی که مبتدیان باید بدانند چیست؟

انواع اصلی هوش مصنوعی شامل هوش مصنوعی محدود، هوش مصنوعی عمومی، هوش مصنوعی فوق العاده، ماشین‌های واکنشی، هوش مصنوعی با حافظه محدود، هوش مصنوعی مولد، هوش مصنوعی پیش‌بین، هوش مصنوعی محاوره‌ای، هوش مصنوعی بینایی کامپیوتر، هوش مصنوعی یادگیری ماشین، هوش مصنوعی یادگیری عمیق و هوش مصنوعی رباتیک است. این دسته‌ها اغلب با هم همپوشانی دارند، بنابراین یک ابزار می‌تواند همزمان چندین برچسب را در خود جای دهد. به عنوان مثال، یک چت‌بات ممکن است هوش مصنوعی محدود، هوش مصنوعی محاوره‌ای، هوش مصنوعی مولد و هوش مصنوعی با حافظه محدود باشد.

انواع هوش مصنوعی بر اساس توانایی چگونه طبقه‌بندی می‌شوند؟

هوش مصنوعی بر اساس توانایی معمولاً به هوش مصنوعی محدود، هوش مصنوعی عمومی و ابرهوش مصنوعی گروه‌بندی می‌شود. هوش مصنوعی محدود وظایف خاصی را انجام می‌دهد و امروزه به طور گسترده مورد استفاده قرار می‌گیرد. هوش مصنوعی عمومی در بسیاری از وظایف در سطح انسانی استدلال و یادگیری می‌کند، اما بخشی از استفاده روزمره نیست. هوش مصنوعی برتر از هوش انسانی فراتر می‌رود و همچنان در حد حدس و گمان باقی می‌ماند.

تفاوت بین هوش مصنوعی محدود و هوش مصنوعی عمومی چیست؟

هوش مصنوعی محدود برای یک کار خاص یا مجموعه‌ای محدود از کارها، مانند فیلتر کردن هرزنامه، پیشنهادها، چت‌بات‌ها یا تشخیص تقلب طراحی شده است. هوش مصنوعی عمومی قادر به یادگیری، استدلال و سازگاری در بسیاری از کارهای نامرتبط خواهد بود. اکثر هوش مصنوعی‌هایی که امروزه مردم استفاده می‌کنند، حتی زمانی که انعطاف‌پذیر یا پیشرفته به نظر می‌رسند، هوش مصنوعی محدود هستند.

چرا هوش مصنوعی با حافظه محدود امروزه اینقدر رایج است؟

هوش مصنوعی با حافظه محدود می‌تواند از داده‌های گذشته یا اخیر برای بهبود تصمیم‌گیری‌ها استفاده کند، که آن را برای بسیاری از سیستم‌های مستقر کاربردی می‌کند. موتورهای پیشنهاددهنده، ابزارهای تشخیص تقلب، ویژگی‌های خودران و چت‌بات‌ها اغلب به این نوع هوش مصنوعی متکی هستند. این نوع هوش مصنوعی هوشیاری شبیه انسان ندارد، اما می‌تواند بر اساس الگوها و اطلاعات ذخیره شده سازگار شود.

هوش مصنوعی مولد چگونه در انواع هوش مصنوعی قرار می‌گیرد؟

هوش مصنوعی مولد نوعی از هوش مصنوعی است که خروجی‌های جدیدی مانند متن، تصاویر، کد، صدا، ویدیو، خلاصه‌ها یا ایده‌های طراحی ایجاد می‌کند. این هوش مصنوعی الگوها را از حجم زیادی از داده‌ها یاد می‌گیرد و بر اساس دستورالعمل‌ها محتوا تولید می‌کند. این هوش مصنوعی می‌تواند به تهیه پیش‌نویس، طوفان فکری، پشتیبانی از کدنویسی و کارهای خلاقانه کمک کند، اما خروجی‌های آن هنوز نیاز به بررسی انسانی دارند.

تفاوت بین یادگیری ماشین و یادگیری عمیق چیست؟

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن سیستم‌ها به جای پیروی از قوانین دست‌نویس، الگوها را از داده‌ها یاد می‌گیرند. یادگیری عمیق نوعی تخصصی از یادگیری ماشین است که از شبکه‌های عصبی لایه‌ای استفاده می‌کند. یادگیری عمیق به ویژه برای کارهای پیچیده‌ای مانند تشخیص گفتار، تشخیص تصویر، پردازش زبان طبیعی، ترجمه، تصویربرداری پزشکی و هوش مصنوعی مولد ارزشمند است.

هوش مصنوعی پیش‌بینی‌کننده در کسب‌وکار چه کاربردی دارد؟

هوش مصنوعی پیش‌بینی‌کننده از داده‌ها برای تخمین نتایج احتمالی آینده استفاده می‌کند. کسب‌وکارها ممکن است از آن برای برنامه‌ریزی تقاضا، پیش‌بینی ریزش مشتری، تشخیص کلاهبرداری، امتیازدهی ریسک، تصمیم‌گیری در مورد موجودی یا پیش‌بینی تعمیر و نگهداری استفاده کنند. این هوش مصنوعی از برنامه‌ریزی و تصمیم‌گیری پشتیبانی می‌کند، اما آینده را تضمین نمی‌کند. پیش‌بینی‌ها، تخمین‌هایی هستند که توسط داده‌های موجود و کیفیت مدل شکل می‌گیرند.

هوش مصنوعی بینایی کامپیوتر در سیستم‌های عملی چگونه کار می‌کند؟

هوش مصنوعی بینایی کامپیوتر به ماشین‌ها کمک می‌کند تا اطلاعات بصری را از تصاویر، ویدیوها، دوربین‌ها، اسکن‌ها یا حسگرها تفسیر کنند. این هوش مصنوعی می‌تواند از تشخیص چهره، تشخیص اشیا، بازرسی کارخانه، تصویربرداری پزشکی، تشخیص ترافیک، تجزیه و تحلیل خرده‌فروشی، نظارت بر کشاورزی و سیستم‌های ایمنی پشتیبانی کند. این هوش مصنوعی مانند یک انسان نمی‌بیند، اما می‌تواند پیکسل‌ها، اشکال، رنگ‌ها و الگوها را در مقیاس بزرگ پردازش کند.

چرا یک محصول هوش مصنوعی می‌تواند به چندین نوع هوش مصنوعی تعلق داشته باشد؟

دسته بندی های هوش مصنوعی اغلب موارد مختلفی مانند قابلیت، عملکرد، روش آموزش یا کاربرد را توصیف می کنند. به عنوان مثال، یک دستیار صوتی ممکن است از نظر قابلیت، هوش مصنوعی محدود، از نظر کاربرد، هوش مصنوعی محاوره ای، از نظر عملکرد، هوش مصنوعی با حافظه محدود و از نظر معماری، هوش مصنوعی یادگیری عمیق باشد. این همپوشانی طبیعی است و به توضیح عملکرد سیستم از زوایای مختلف کمک می کند.

افراد باید چه خطراتی را در انواع مختلف هوش مصنوعی درک کنند؟

خطرات رایج هوش مصنوعی شامل سوگیری، خروجی‌های نادرست، نگرانی‌های مربوط به حریم خصوصی، آسیب‌پذیری‌های امنیتی، عدم شفافیت، وابستگی بیش از حد و نظارت ضعیف انسانی است. هوش مصنوعی مولد ممکن است اطلاعات را اختراع کند، هوش مصنوعی پیش‌بینی‌کننده ممکن است الگوهای ضعیف را تقویت کند و بینایی کامپیوتر ممکن است اشیاء یا افراد را به اشتباه شناسایی کند. استفاده خوب از هوش مصنوعی معمولاً نیاز به آزمایش، نظارت، مرزهای مشخص، رویه‌های قوی داده و بررسی انسانی دارد.

منابع

1. آی‌بی‌ام - انواع هوش مصنوعی - ibm.com

2. چارچوب مدیریت ریسک هوش مصنوعی NIST - ریسک‌های هوش مصنوعی - nist.gov

3. توسعه‌دهندگان گوگل - یادگیری ماشین - developers.google.com

4. AWS - هوش مصنوعی مولد - aws.amazon.com