به نقل از «باشگاه خبرنگاران»

آیا باید نگران پیشی گرفتن هوش مصنوعی از هوش انسانی باشیم؟

تاریخ انتشار: ۴ اسفند ۱۴۰۱ | کد خبر: ۳۷۱۷۹۷۸۷

وقتی کامپیوتری را برای انجام یک بازی شطرنج به چالش می‌کشید، با یک دستیار هوشمند تعامل می‌کنید، سؤالی را در ChatGPT تایپ می‌کنید یا در DALL-E اثر هنری ایجاد می‌کنید، در حال تعامل با برنامه‌ای هستید که دانشمندان رایانه آن را به عنوان هوش مصنوعی طبقه‌بندی می‌کنند.

اما تعریف هوش مصنوعی می‌تواند پیچیده شود، به خصوص زمانی که اصطلاحات دیگری مانند «رباتیک» و «یادگیری ماشینی» در ترکیب قرار می‌گیرند.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

برای کمک به شما در درک اینکه چگونه این زمینه‌ها و اصطلاحات مختلف با یکدیگر مرتبط هستند، راهنمای سریعی را گردآوری و در ادامه ارائه داده‌ایم.

تعریف هوش مصنوعی خوب چیست؟

هوش مصنوعی یک رشته تحصیلی است، بسیار شبیه به شیمی یا فیزیک که در سال ۱۹۵۶ آغاز شد.
دانیلا روس، مدیر علوم کامپیوتر و مصنوعی می‌گوید: «هوش مصنوعی درباره علم و مهندسی ساخت ماشین‌هایی با ویژگی‌های انسان‌مانند در نحوه دیدن جهان، نحوه حرکت، بازی‌ها و حتی نحوه یادگیری است. هوش مصنوعی از اجزای فرعی بسیاری تشکیل شده است و انواع الگوریتم‌هایی وجود دارد که مشکلات مختلفی را در هوش مصنوعی حل می‌کنند».

مردم تمایل دارند هوش مصنوعی را با رباتیک و یادگیری ماشینی ترکیب کنند، اما این‌ها زمینه‌های جداگانه و مرتبطی هستند که هر کدام تمرکز مشخصی دارند. به طور کلی یادگیری ماشینی را می‌بینید که زیر چتر هوش مصنوعی طبقه بندی شده است، اما این همیشه درست نیست.

هوش مصنوعی در مورد تصمیم گیری برای ماشین‌ها است. رباتیک در مورد به حرکت درآوردن محاسبات است و یادگیری ماشینی در مورد استفاده از داده‌ها برای پیش بینی در مورد آنچه ممکن است در آینده اتفاق بیفتد یا آنچه سیستم باید انجام دهد، است. هوش مصنوعی یک زمینه گسترده است. در مورد تصمیم گیری است. شما می‌توانید با استفاده از یادگیری تصمیم بگیرید یا می‌توانید با استفاده از مدل‌ها تصمیم بگیرید.

ژنراتور‌های هوش مصنوعی، مانند ChatGPT و DALL-E، برنامه‌های یادگیری ماشینی هستند، اما حوزه هوش مصنوعی بسیار فراتر از یادگیری ماشینی است و یادگیری ماشین به طور کامل در هوش مصنوعی گنجانده نشده است. یادگیری ماشینی زیرشاخه هوش مصنوعی است. روس می‌گوید این امر به نوعی درگیر آمار و حوزه وسیع‌تر هوش مصنوعی است.

ارتباط هوش مصنوعی با یادگیری ماشینی و رباتیک چیست؟

پیچیدگی زمین بازی این است که از الگوریتم‌های یادگیری غیر ماشینی می‌توان برای حل مسائل در هوش مصنوعی استفاده کرد. به عنوان مثال، یک کامپیوتر می‌تواند بازی Tic-Tac-Toe را با یک الگوریتم یادگیری غیر ماشینی به نام بهینه سازی minimax بازی کند. این یک الگوریتم مستقیم است. شما یک درخت تصمیم می‌سازید و شروع به پیمایش می‌کنید. هیچ یادگیری وجود ندارد، هیچ داده‌ای در این الگوریتم وجود ندارد، اما هنوز هم نوعی هوش مصنوعی است.

در سال ۱۹۹۷، الگوریتم آبی عمیقی که IBM برای شکست گری کاسپاروف از آن استفاده کرد، هوش مصنوعی بود، اما نه یادگیری ماشینی، زیرا از داده‌های بازی استفاده نمی‌کرد. روس می‌گوید: «استدلال برنامه دست ساز بود. در حالی که AlphaGo (یک برنامه جدید شطرنج بازی) از یادگیری ماشینی برای ایجاد قوانین و تصمیمات خود برای نحوه حرکت استفاده می‌کند».

وقتی ربات‌ها باید در دنیا حرکت کنند، باید محیط اطراف خود را درک کنند. اینجاست که هوش مصنوعی وارد می‌شود: آن‌ها باید ببینند موانع کجا هستند و نقشه‌ای برای رفتن از نقطه A به نقطه B بیابند.

روس می‌گوید: «روش‌هایی وجود دارد که در آن ربات‌ها از مدل‌هایی مانند مکانیک نیوتنی استفاده می‌کنند، برای مثال، برای تشخیص اینکه چگونه حرکت کنند، چگونه سقوط نکنند تا بفهمند چگونه یک شی را بدون انداختن آن به چنگ بیاورند. اگر ربات باید مسیری را از نقطه A به نقطه B برنامه ریزی کند، می‌تواند به هندسه فضا نگاه کند و سپس می‌تواند بفهمد که چگونه خطی را بکشد که به هیچ مانعی برخورد نکند و آن خط را دنبال کند. این نمونه‌ای از تصمیم گیری رایانه‌ای است که از یادگیری ماشینی استفاده نمی‌کند، زیرا مبتنی بر داده نیست».
یا مثلا آموزش رانندگی به یک ربات را در نظر بگیرید؛ به عنوان مثال، در یک راه حل مبتنی بر یادگیری ماشین برای آموزش به ربات که چگونه آن کار را انجام دهد، ربات می‌تواند نحوه هدایت یا دور زدن انسان‌ها از پیچ را تماشا کند. بر اساس سطحی بودن خمیدگی، می‌آموزد که چرخ را کمی یا زیاد بچرخاند. برای مقایسه در راه حل یادگیری غیر ماشینی برای یادگیری رانندگی، ربات به سادگی به هندسه جاده نگاه می‌کند، دینامیک ماشین را در نظر می‌گیرد و از آن برای محاسبه زاویه اعمال بر روی چرخ برای حفظ ماشین استفاده می‌کند. در جاده بدون انحراف هر چند هر دو نمونه‌هایی از هوش مصنوعی در کار هستند.

در مورد مبتنی بر مدل، شما به هندسه نگاه می‌کنید، به فیزیک فکر می‌کنید و محاسبه می‌کنید که محرک چه چیزی باید باشد. در مورد یادگیری ماشینی مبتنی بر داده، شما به کار‌هایی که انسان انجام داده نگاه می‌کنید و آن را به خاطر می‌آورید و در آینده وقتی با موقعیت‌های مشابه مواجه می‌شوید، می‌توانید کاری را که انسان انجام داده است، انجام دهید، اما هر دوی این‌ها راه حل‌هایی هستند که ربات‌ها را وادار به تصمیم گیری و حرکت در جهان می‌کند.

اطلاعات بیشتر در مورد نحوه عملکرد یادگیری ماشینی
روس می‌گوید: «وقتی یادگیری ماشینی مبتنی بر داده را انجام می‌دهید که مردم آن را با هوش مصنوعی یکسان می‌کنند، وضعیت بسیار متفاوت است. یادگیری ماشینی از داده‌ها برای تعیین وزن و پارامتر‌های یک شبکه عظیم به نام شبکه عصبی مصنوعی استفاده می‌کند».
همانطور که از نامش پیداست، یادگیری ماشینی ایده یادگیری نرم افزار از داده‌ها است، در مقابل نرم افزار‌هایی که فقط از قوانین نوشته شده توسط انسان پیروی می‌کنند.

راید غنی، استاد دپارتمان یادگیری ماشین در دانشگاه کارنگی ملون می‌گوید: «بیشتر الگوریتم‌های یادگیری ماشینی در سطحی هستند که فقط یکسری آمار را محاسبه می‌کنند. قبل از یادگیری ماشینی، اگر می‌خواهید کامپیوتری یک شی را تشخیص دهد، باید آن را با جزئیات خسته‌کننده توصیف کنید. به عنوان مثال اگر می‌خواهید بینایی کامپیوتری علامت توقف را شناسایی کند، باید کدی بنویسید که رنگ، شکل و ویژگی‌های خاص را روی صفحه علامت توضیح دهد.
آنچه مردم تصور کردند این است که برای افرادی که آن را توصیف می‌کنند، جامع و کامل است. اصلی‌ترین تغییری که در یادگیری ماشین رخ داد این است که مردم در ارائه نمونه‌هایی از چیز‌ها بهتر بودند. رمزی که مردم می‌نوشتند برای توصیف یک علامت توقف نبود، بلکه برای تشخیص چیز‌های دسته A در مقابل دسته B مثلا علامت توقف در مقابل علامت تسلیم بود و سپس کامپیوتر تمایزات را کشف کرد که کارآمدتر بود.

آیا باید نگران پیشی گرفتن هوش مصنوعی از هوش انسانی باشیم؟
پاسخ کوتاه، در حال حاضر: نه.

امروزه هوش مصنوعی توانایی‌های خود را بسیار محدود کرده و قادر به انجام کار‌های خاصی است. هوش مصنوعی طراحی شده برای انجام بازی‌های بسیار خاص یا تشخیص چیز‌های خاص فقط می‌تواند این کار را انجام دهد و به گفته غنی نمی‌تواند کار دیگری را به خوبی انجام دهد؛ بنابراین شما باید یک سیستم جدید برای هر کار ایجاد کنید.

به یک معنا، روس می‌گوید تحقیقات تحت هوش مصنوعی برای توسعه ابزار‌ها استفاده می‌شود، اما نه ابزار‌هایی که بتوانید به طور مستقل در جهان آزاد کنید. او خاطرنشان می‌کند ChatGPT چشمگیر است، اما همیشه درست نیست. او می‌گوید: «آن‌ها ابزار‌هایی هستند که بینش‌ها، پیشنهاد‌ها و ایده‌هایی را برای مردم به ارمغان می‌آورند تا بر اساس آن‌ها عمل کنند و این بینش‌ها، پیشنهاد‌ها و ایده‌ها پاسخ نهایی نیستند».

به علاوه، غنی می‌گوید در حالی که این سیستم‌ها «به نظر هوشمند هستند»، تنها کاری که واقعا انجام می‌دهند، نگاه کردن به الگو‌ها است. آن‌ها فقط برای کنار هم قرار دادن چیز‌هایی که در گذشته اتفاق افتاده‌اند، کدگذاری شده‌اند و آن‌ها را به روش‌های جدید کنار هم قرار می‌دهند. یک کامپیوتر به تنهایی یاد نمی‌گیرد که زمین خوردن بد است. نیاز به دریافت بازخورد از یک برنامه نویس انسانی دارد که به آن می‌گوید بد است.
همچنین، الگوریتم‌های یادگیری ماشین می‌توانند تنبل باشندریال به عنوان مثال، تصور کنید به یک سیستم تصاویری از مردان و زنان بدهید و به آن بگویید که بین این دو تمایز قائل شود. الگو‌هایی را پیدا می‌کند که متفاوت هستند، اما لزوما الگو‌هایی معنادار یا مهم نیستند. اگر همه مردان یک رنگ لباس بپوشند، یا همه عکس‌های زنان با پس زمینه یک رنگ گرفته شده باشند، رنگ‌ها ویژگی‌هایی هستند که این سیستم‌ها از خود نشان می‌دهند.

این هوشمندانه نیست، اساسا می‌گوید «از من خواستی بین دو ست تمایز قائل شوم» و این تنبل‌ترین راه برای تشخیص این ویژگی بود؛ علاوه بر این، برخی از سیستم‌ها «طراحی شده‌اند تا پاسخ اکثریت را از طریق اینترنت برای بسیاری از این موارد ارائه دهند. این چیزی نیست که ما در جهان می‌خواهیم، پاسخ اکثریت را که معمولا نژادپرستانه و جنسیتی است، بپذیریم».

به نظر او، هنوز باید کار‌های زیادی برای سفارشی کردن الگوریتم‌ها برای موارد استفاده خاص انجام شود، تا برای انسان قابل درک باشد که چگونه مدل بر اساس ورودی‌هایی که داده شده به خروجی‌های خاصی می‌رسد.

دهه آینده برای هوش مصنوعی چگونه است؟

الگوریتم‌های کامپیوتری در گرفتن مقادیر زیادی از اطلاعات و ترکیب آن خوب هستند، در حالی که افراد در بررسی چند چیز در یک زمان خوب هستند. به همین دلیل، کامپیوتر‌ها به طور قابل درک، در بررسی یک میلیارد سند و کشف حقایق یا الگو‌های تکراری بسیار بهتر هستند. اما انسان‌ها می‌توانند به یک سند بروند، جزئیات کوچک را انتخاب کنند و از طریق آن‌ها استدلال کنند.

غنی می‌گوید: «من فکر می‌کنم یکی از چیز‌هایی که بیش‌ازحد مطرح می‌شود، خودمختاری هوش مصنوعی است که در محیط‌های کنترل‌نشده‌ای که انسان‌ها نیز در آن یافت می‌شوند، عمل می‌کند. در تنظیمات بسیار کنترل شده مانند تعیین قیمت برای دریافت محصولات غذایی در محدوده مشخصی بر اساس هدف نهایی بهینه سازی سود، هوش مصنوعی واقعا خوب عمل می‌کند؛ با این حال همکاری با انسان‌ها همچنان مهم است و در دهه‌های آینده، این حوزه شاهد پیشرفت‌های زیادی در سیستم‌هایی باشد که به صورت مشارکتی طراحی شده‌اند».

او می‌گوید تحقیقات کشف دارو نمونه خوبی است. انسان‌ها هنوز بسیاری از کار‌ها را با آزمایش‌های آزمایشگاهی انجام می‌دهند و رایانه به سادگی از یادگیری ماشینی استفاده می‌کند تا به آن‌ها کمک کند تا اولویت‌بندی آزمایش‌ها و تعاملات را بررسی کنند.

الگوریتم‌های هوش مصنوعی می‌توانند کار‌های واقعا خارق‌العاده‌ای را بسیار سریع‌تر از ما انجام دهند، اما راه فکر کردن در مورد آن این است که آن‌ها ابزار‌هایی هستند که قرار است نحوه عملکرد ما را تقویت کرده و بهبود بخشند و مانند هر ابزار دیگری، این راه حل‌ها ذاتا خوب یا بد نیستند. آن‌ها همان کاری هستند که ما انتخاب می‌کنیم با آن‌ها انجام دهیم».

منبع: popsci

   

 

 

باشگاه خبرنگاران جوان علمی پزشکی فناوری

منبع: باشگاه خبرنگاران

کلیدواژه: هوش مصنوعی یادگیری ماشینی یادگیری ماشینی هوش مصنوعی عنوان مثال هایی هستند الگوریتم ها روس می گوید تصمیم گیری داده ها انجام دهد انسان ها سیستم ها ابزار ها الگو ها بر اساس چیز ها راه حل کار ها

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.yjc.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «باشگاه خبرنگاران» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۷۱۷۹۷۸۷ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

آموزش اتوماسیون صنعتی به صورتی تخصصی و عملی

در این مقاله با مسیر درستی در یادگیری کار با تجهیزات اتوماسیون صنعتی نظیر پی ال سی، درایو، HMI و ... می‌پردازیم.

اگر این مقاله را می‌خوانید، قطعا با اتوماسیون صنعتی آشنا هستید و علاقه‌مند به یادگیری آن هستید. اتوماسیون صنعتی یکی از رشته‌های برق است و مربوط به اتوماتیک کرند فرآیندهای صنعتی با انواع تجهیزات مختلف است. این تجهیزات شمال پی ال سی، اینورتر، HMI، سروو موتور، انواع سنسورها و ... می‌شود.

این رشته به دلیل ماهیتی که دارد، پروسه یادگیری دشوار تری دارد و افرادی که می‌خواهند آن را یاد بگیرند معمولا با دشواری‌های زیادی مواجه می‌شوند. اتوماسیون صنعتی یک رشته تخصصی و تجربی است، به این معناست که برای یادگیری این حرفه به بهترین شکل لازم است شما در محیط های صنعتی قرار بگیرید و مدام با این تجهیزات کار کنید، اما متاسفانه امکان قرار گرفتن در محیط صنعتی و کار با تجهیزات گران قیمت این رشته برای همه فراهم نیست.

در این مقاله یکی از بهترین روش‌های آموزش اتوماسیون صنعتی را به شما خواهم گفت تا به بهترین، کامل‌ترین و سریع‌تر شکل ممکن اتوماسیون صنعتی را یاد بگیرید.

یادگیری اتوماسیون صنعتی را از کجا شروع کنیم؟

اتوماسیون صنعتی یکی از رشته‌های مربوط به برق است، از این رو اگر شما قصد دارید اتوماسیون صنعتی را یاد بگیرید، لازم است ابتدا با مفاهیم برق آشنا باشید. این مطالب در دانشگاه رشته برق به صورت کامل آموزش داده می‌شود، با این حال اگر این امکان برای شما وجود ندارد، آموزش‌های پایه برق را می‌توانید به صورت رایگان در اینترنت دریابید و از آنها استفاده کنید.

پس از آشنایی با مفاهیم برق، شما آماده ورود به حوزه اتوماسیون صنعتی هستید. آموزش اتوماسیون صنعتی را با مطالب رایگان داخل اینترنت و یا کتاب‌های اتوماسیون صنعتی آغاز کنید. این مطالب به شما کمک می‌کند تا با اتوماسیون صنعتی بیشتر آشنا شوید، با مفاهیم پایه اتوماسیون صنعتی آشنا شوید و آنها را یاد بگیرید. علاوه بر آن، به شما کمک می‌کند تا قبل از سرمایه گزاری در وقت و هزینه از علاقه خود نسبت به این زمینه مطمئن شوید.

مطالب رایگان داخل اینترنت و کتاب‌های موجود در بازار، درحالی که اهمیت بالایی دارند، ولی تنها با خواندن یک کتاب نمی‌توانید یک اتوماسیون کار شوید و پروژه اتوماسیون صنعتی را به تنهایی انجام دهید و کسب درآمد کنید. برای این کار لازم است با تجهیزات به صورت عملی کار کرده باشید و این سیستم‌ها را حداقل به صورت دمو راه اندازی کرده باشید. در این مرحله است که توصیه می‌شود شما آموزش و یادگیری اتوماسیون صنعتی را به مرحله بعدی برسانید و در یکی از دوره اتوماسیون صنعتی شرکت کنید.

مزایای یادگیری اتوماسیون صنعتی به صورت حضوری و عملی

همانطور که قبل تر اشاره کردیم، بزرگ ترین مشکل یادگیری اتوماسیون صنعتی برای یک فرد معمولی محدودیت در کار با تجهیزات است. این تجهیزات و قطعات معمولا قیمت بالایی دارند و فرد معمولی نمی‌تواند آنها را صرفا جهت تمرین تهیه کند و از آنها استفاده کنید. بزرگ‌ترین مزیت آموزش اتوماسیون صنعتی به صورت حضوری و کلاس‌های عملی، مهیا کردن محیط مناسب یادگیری با انواع تجهیزات است که امکان تمرین به صورت عملی را فراهم می‌کند.

علاوه بر این، در دوره‌های حضوری شما با یک استاد خبره و باتجربه در ارتباط هستید که می‌تواند به سوالات شما پاسخ دهد. همچنین با آشنا شدن با سایر شرکت کنندگان شما شانس برقراری و ایجاد ارتباطی قوی کاری را نیز دارید که برای شروع می‌تواند خیلی اهمیت بالایی داشته باشد.

بهترین مکان برای یادگیری تخصصی اتوماسیون صنعتی

پیشنهاد من برای کسانی که می‌خواهند در دوره‌های حضوری اتوماسیون صنعتی شرکت کنند، دوره‌های شرکت نیک صنعت است. دوره‌هایی که در این شرکت برگزار می‌شود از ادوات و تجهیزات متنوع و کاملی برخوردار هستند و اساتید این دوره‌ها از نام‌های شناخته شده ایران هستند. همچنین پس از اتمام دوره به شما یک مدرک داده می‌شود که می‌تواند کمک بسیار زیادی در پیدا کردن اولین شغل شما در کند. دوره‌های برگذار شده در این دوره‌ها شامل گارانتی دائمی نیز می‌باشد، به این معنا که پس از اتمام دوره، هر جا اگر به مشکلی برخورد کردید و سوالی داشتید، می‌توانید آن را در پشتیبانی بپرسید و پاسخ بگیرید.

انجام پروژه و شروع کسب درآمد

بعد از اتمام دوره‌های حضوری اتوماسیون صنعتی و دریافت مدرک این دوره‌ها شما آماده برای کسب درآمد هستید. به صورت کلی در ابتدا شما به دو حالت می‌توانید از این طریق درآمد داشته باشید

روش اول از طریق استخدام شدن در یکی از شرکت‌های اتوماسیون صنعتی در ایران است. این روش معمولا راحت‌ترین و ایمن‌ترین روش شروع کسب درآمد است، چرا که با استخدام شدن دیگر لازم نیست به دنبال پروژه اتوماسیون صنعتی باشید، و همچنین می‌توانید از ترجبه و دانش مهندیس آن شرکت نیز استفاده کنید و از آن بهره ببرید.

روش دوم انجام پروژه به صورت فری لنس هستش، یعنی اینکه خودتان به دنبال پروژه بگردید و آنها را به صورت خود مختار انجام دهید. این روش کسب درآمد با اینکه انعطاف‌پذیری بالایی را در دست شما قرار می‌دهد، یافتن و گرفتن پروژه اتوماسیون صنعتی برای اتوماسیون کار صفری که تجربه کاری ندارد و نام او شناخته شده نیست می‌تواند بسیار دشوار باشد.

جمع بندی

به طور خلاصه، بهترین روش و مسیر یادگیری اتوماسیون صنعتی ابتدا آشنا شدن با مفاهیم برق است، سپس آشنا شدن و یادگیری اتوماسیون صنعتی با استفاده از مطالب رایگان داخل اینترنت و کتاب‌ها و در انتها، برای یادگیری تخصصی توصیه می‌شود در دوره حضوری اتوماسیون صنعتی شرکت کنید. بعد از سپری کردن این مراحل شما آماده کسب درآمد هستید و می‌توانید فعالیت خود را آغاز کنید.

از دیگر مزایای نیک صنعت می‌توان به سایر خدمات این مجموعه اشاره کرد. این خدمات شامل خدمات فروش، تعمیر درایو و نصب و راه اندازی تجهیزات و سیستم‌های صنعتی است. پک کامل خدمات نیک صنعت باعث شده شما تمام نیزهای اتوماسیون صنعتی خود را بتوانید در یک مکان دریافت کنید.

کد خبر 748424