جدیدترین اخبار هوش مصنوعی ایران و جهان در هوشیو

هوشیو پایگاه جامع هوش مصنوعی است که هدف آن انتشار جدیدترین اخبار هوش مصنوعی و کاربردهای نوین آن، بیان چالش‌های فنی این حوزه و ارائه مقالات آموزشی است. این مقالات برگرفته از به‌روزترین و معتبرترین منابع خارجی‌اند که با توجه به نیازهای جامعه هوش مصنوعی کشور ترجمه شده‌اند و در اختیار مخاطب قرار می‌گیرند. از آن‌جا که اثربخش‌ترین شکل یادگیری، یادگیری پیوسته و مستمر است، هوشیو تلاش می‌کند با ارائه مداوم مطالب آموزشی به علاقه‌مندان و متخصصان این حوزه، به دانش‌افزایی و آموزش سریع‌تر آنان کمک کند.

علاوه بر این، هوشیو سعی دارد با بیان چالش‌های فنی حوزه هوش مصنوعی، دید وسیع‌تر و واقع‌بینانه‌تری در زمینه راه‌اندازی کسب‌وکار مبتنی بر هوش مصنوعی به متخصصان این حوزه ارائه دهد. انتشار جدیدترین اخبار و کاربردهای نوین هوش مصنوعی، هدف دیگر تیم هوشیو است تا کاربردهای هوش مصنوعی در جهان واقعی را ملموس‌تر از همیشه به مخاطبان نشان دهد و سرمایه‌گذاران را به سودآوری در زمینه هوش مصنوعی مطمئن‌تر کند. هوشیو در تولید محتوای آموزشی خود از منابع معتبر، دست اول و به‌روز استفاده می‌کند تا مخاطبان کمترین فاصله را با علم روز دنیا داشته باشند.

در صورتی که به حوزه هوش مصنوعی علاقه‌مند هستید، حتما از سایت هوشیو دیدن کنید.

کاربرد هوش مصنوعی در کاوش فضایی منجر به شناسایی چاله‌های جدیدی در مریخ شد

کاربرد هوش مصنوعی در کاوش فضایی به سازمان ناسا اجازه داده تا اطلاعات دقیق‌تری درباره حفره‌های سطح مریخ جمع‌آوری کند. این سازمان اخیرا توسط یک الگوریتم هوش مصنوعی توانسته ده‌ها حفره جدید در سطح مریخ را کشف کند. این روش نوینی برای کشف منظومه شمسی و تاریخ سیاره‌ها است.

اکتشاف‌گر مریخ در طول پانزده سال گذشته در مدار این سیاره تردد داشته تا داده‌‌های مربوط به آب و هوا و زمین‌شناسی این سیاره را جمع‌آوری کند. این کاوشگر خستگی‌ناپذیر روزانه مجموعه‌ای ارزشمند از تصاویر فضایی و سایر داده‌هایی که توسط حسگرها جمع‌آوری شده را برای دانشمندان ناسا ارسال می‌کند. آنها به رسم معمول از این تصاویر برای مکان‌یابی حفره‌های سطح مریخ و مدل پراکندگی یخ بر روی این سیاره استفاده می‌کنند.

یکی از داده‌هایی که در این تصاویر علاقه‌مندی بیشتر متخصصان ناسا را به همراه داشته، همین حفره‌های روی سطح سیاره هستند. با بررسی این حفره‌ها از منظر زمین‌شناسی و باستان‌شناسی اطلاعات جالبی درباره تاریخ شکل‌گیری و تحولات مریخ فراهم می‌شود. اما یکی از چالش‌های فعلی مهندسان آژانس فضایی عدم تثبیت فرضیه‌های زمین‌شناسی درباره حفره‌های مریخ است. دلیل اصلی این است که هنوز سفری به این سیاره انجام نشده که فضانوردان بتوانند نمونه‌هایی از سنگ و خاک مریخ را به مقر ناسا در زمین بیاورند. عدم دسترسی به نمونه‌ها باعث شده تا متخصصان ناسا صرفا به داده‌های ماهواره‌ای اعتماد کنند. در چنین شرایطی آنها تصمیم گرفته‌اند با استفاده از کاربردهای هوش مصنوعی الگوریتمی طراحی کنند که می‌تواند سن و شکل هر حفره را به دقت تشخیص دهد.

گفتنی است هوش مصنوعی در کاوش فضایی در سایر بخش‌های آژانس فضایی آمریکا نیز مورد استفاده قرار گرفته است. خبرگزاری انلیتیکس‌اینسایتز چندی پیش اعلام کرد، مهندسان ناسا از سیستم روباتیک با نام استروبی برای تسریع انجام امور روزانه فضانوردان استفاده می‌کنند. هوش مصنوعی باعث شده تا فضانوردان بیشتر وقت‌شان را بر روی حل چالش‌هایی بگذارند که نیازمند تصمیم‌گیری و استفاده از هوش انسان است.

مدیران ناسا نسبت به استفاده از فناوری هوش مصنوعی خوش‌بین هستند و سهم بزرگی را برای آن در چشم‌انداز آینده ناسا در نظر گرفته‌اند.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

منبع: hooshio.com

یک مدل یادگیری ماشین که می‌تواند کارهای روزمره ما را انجام دهد

محققان یک مدل یادگیری ماشین را آموزش می دهند تا بتواند عملکردی هم سطح انسان در شناخت مفاهیم انتزاعی موجود در فیلم ها داشته باشد.

توانایی استدلال انتزاعی درباره وقایع لحظه‌ای یکی از شاخص‌های تعیین‌کننده هوش انسانی است. ما به‌طور غریزی می‌دانیم که گریه‌ کردن و نوشتن، ابزارهایی برای برقراری ارتباط هستند و پاندایی که از روی درخت سقوط می‌کند و هواپیمایی که فرود می‌آید نشانگر کم شدن شاخص ارتفاع است. کامپیوترها از عهده دسته‌بندی جهان در طبقات انتزاعی بر نمی‌آیند اما در سال‌های اخیر محققان با آموزش مدل‌های یادگیری به این هدف نزدیک‌تر شده‌اند. این مدل‌ها در مورد کار روی کلمات و تصاویری که با اطلاعات دنیای پیرامونمان ترکیب‌ شده‌اند و چگونگی ارتباط اشیاء، حیوانات و کنش‌ها و رفتارهای ما است.

در یک مطالعه جدید که در کنفرانس اروپایی بینایی ماشین در ماه گذشته برگزار شد ، محققان از یک مدل ترکیبی از بینایی ماشین و پردازش زبان طبیعی رونمایی کردند که می‌تواند مجموعه‌ای از رویدادهای پویای ضبط‌ شده در فیلم را با هم مقایسه  کند یا تضاد بین آن‌ها را نشان دهد تا به مفاهیم سطح بالایی که آن‌ها را به هم متصل می‌کند، پی برد. مدل آن‌ها در دو نوع  استدلال بصری، یا به‌ خوبی انسان عمل کرده یا بهتر از انسان‌ها بوده است؛ انتخاب ویدئویی که به‌طور مفهومی به بهترین شکل مجموعه را کامل می‌کند و انتخاب ویدئویی که مناسب نیست.

به‌ عنوان ‌مثال فیلم‌هایی از پارس کردن یک سگ و زوزه کشیدن یک مرد در کنار سگ خود را به سیستم نشان دادند و مدل برای کامل کردن این مجموعه از تصاویر از بین ۵ کلیپ، ویدیوی مربوط به گریه کردن یک کودک را انتخاب کرد. محققان نتایج خود را در دو دیتاست برای آموزش سیستم‌های هوش مصنوعی در تشخیص عمل تکرار کردند: MIT’s Multi-Moments in Time و Deep Mind’s Kinetics.

آود اولیوا نویسنده ارشد این مقاله که دانشمند ارشد تحقیقات در MIT  است دراین‌باره می‌گوید: “ما نشان دادیم که شما می‌توانید توانایی درک مفاهیم انتزاعی را در سیستم‌های هوش مصنوعی ایجاد کنید تا بتوانند کارهای مربوط به استدلال بصری را در سطحی نزدیک به سطح انسان‌ها انجام دهند. مدیر آزمایشگاه هوش مصنوعی MIT-IBM Watson نیز می‌گوید “مدلی که بتواند وقایع و مفاهیم انتزاعی را تشخیص دهد پیش‌بینی‌های منطقی و دقیق‌تری را ارائه می‌دهد و برای تصمیم‌گیری مفیدتر است.”

هم‌زمان که شبکه‌های عصبی عمیق در تشخیص اشیاء و کنش‌های موجود در عکس‌ها و فیلم‌ها توانمندتر می‌شوند، محققان در حال کار روی نقطه عطف بعدی هستند؛ یعنی انتزاع و آموزش مدل‌ها برای آنکه بتوانند درباره آنچه می‌بینند استدلال کنند. در یک رویکرد، محققان قدرت تطبیق الگوهای شبکه‌های عمیق را با منطق برنامه‌های نمادین تلفیق کرده‌اند تا یک مدل آموزش دهند که بتواند روابط پیچیده اشیا را  در یک صحنه تفسیر کند. رویکرد دیگر این است که  محققان از روابط موجود در معنای کلمات بهره ببرند تا به مدل خود قدرت استدلال بصری دهند.

ماتیو مونفورت یکی از نویسندگان این مقاله که از محققان آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT است می‌گوید: “بازنمایی‌های زبانی به ما امکان می‌دهد تا اطلاعات متنی آموخته‌شده از پایگاه داده‌های متنی را در مدل‌های تصویری خود ادغام کنیم. کلماتی مانند دویدن، بلندکردن و بوکس دارای برخی از ویژگی‌های مشترک هستند که باعث می‌شود آن‌ها را بیشتر به مفهوم ورزش نزدیک کند تا رانندگی.

محققان با استفاده از WordNet که یک پایگاه داده‌ای از معانی کلمات است، رابطه هربرچسب موجود در دو دیتاست Moments و Kinetics را با سایر برچسب‌های هر دو دیتاست ترسیم کردند. به‌عنوان‌مثال کلماتی مانند مجسمه‌سازی، کنده‌کاری و برش به مفاهیم سطح بالاتری همچون صنایع‌دستی، هنر و آشپزی مرتبط شدند. ازاین‌ پس هرگاه مدل فعالیتی مانند مجسمه‌سازی را تشخیص دهد، می‌تواند فعالیت‌های مشابه مفهومی را در دیتاست انتخاب کند.

این گراف وابستگی مربوط به طبقه‌های انتزاعی برای آموزش مدل به منظور انجام دو کار اساسی استفاده می‌شود. با توجه به مجموعه‌ای از ویدئوها، مدل به هر ویدیو عددی اختصاص می‌دهد که با همان کلماتی که بیانگر اقدامات نشان داده‌شده در ویدئو است همسو هستند. سپس یک ماژول انتزاعی با عدد اختصاص داده‌شده به  هر ویدئو در مجموعه ترکیب می‌شود تا شماره اختصاصی مجموعه جدید  ایجاد شود. به ‌این ترتیب از این می‌توان برای شناسایی دیگر مفاهیم انتزاعی به اشتراک گذاشته‌شده از طریق همه فیلم‌های مجموعه استفاده شود.

محققان برای سنجش نحوه عملکرد این مدل در مقایسه با انسان‌ها، از افراد خواستند که همان مجموعه وظایف استدلال بصری را که مدل انجام داده به‌صورت آنلاین انجام دهند. در کمال تعجب، این مدل در بسیاری از سناریوها عملکردی به‌خوبی برخی از انسان‌ها داشت و حتی گاهی اوقات نتایج غیرمنتظره بود. در یک سنجش دیگر، به مدل ویدیویی از فردی که در حال کادو کردن است نشان دادند سپس مدل ویدیویی را از فردی در ساحل نشان می‌دهد که در حال ریختن ماسه بر روی شخص دیگری است. کامیلو فوسکو، دانشجوی دکترای MIT که نویسنده اول این مقاله است می‌گوید: این مفهوم پوشاندن را به‌خوبی نشان می‌دهد.

تمایل به تأکید بیش ‌از حد روی برخی از ویژگی‌ها از معایب و محدودیت‌های این مدل است. به‌طور مثال در یک مورد مدل پیشنهاد داد مجموعه‌ای از فیلم‌های ورزشی را می‌توان با یک فیلم از یک کودک و یک توپ تکمیل کند که نشان می‌دهد مدل، توپ‌ها را همواره با ورزش و رقابت همراه می‌کند.

محققان می‌گویند یک مدل یادگیری عمیق که می‌تواند برای “فکر کردن” به‌صورت انتزاعی آموزش ببیند ممکن است بتواند با داده‌های کمتری نیز قابلیت یادگیری را داشته باشد.  به‌طورکلی انتزاع راه را برای استدلال‌های سطح بالاتر و انسانی‌تر باز می‌کند.

اولیوا می‌گوید: یکی از ویژگی‌های بارز شناخت انسان این است که می‌تواند چیزهای مختلف را در رابطه باهم توصیف و مقایسه کند یا تضاد بین آن‌ها را مشخص نماید.  این یک روش غنی و کارآمد برای یادگیری است که درنهایت می‌تواند به انواع مدل یادگیری ماشین آموزش داده شود تا قیاس‌ها را درک کنند و ازنظر هوشمندی بسیار به ما نزدیک‌تر هستند.

منبع: hooshio.com

عقل سلیم در هوش مصنوعی چگونه دنیای ما را تغییر می‌دهد؟

دیوید فروچی کامپیوتری ساخت که در مسابقه تلویزیونی Jeopardi! پیروز شد! از آن زمان به بعد، فروچی وقت خود را صرف پرداختن به مسئله‌ای چالش برانگیزتر کرده است.دیوید فروچی، سازنده واتسون – ماشینی که به IBM تعلق دارد و Jeopardy! بازی می‌کند- برای ماشینی که به تازگی ساخته‌ است، داستانی کودکانه تعریف می‌کند.

در این داستان، فرناندو و زویی چند گیاه می‌خرند. فرناندو گیاه خود را لب پنجره می‌گذارد و زویی گیاه خود را در یک اتاق تاریک می‌گذارد. پس از گذشت چندین روز، گیاه فرناندو سبز و شاداب است اما برگ‌های گیاه زویی زرد شده‌اند. زویی گیاه خود را به لب پنجره منتقل می‌کند و گیاه او هم رشد می‌کند و شاداب می‌شود.
یک سؤال بر روی صفحه نمایش مقابل فروچی ظاهر می‌شود: «آیا فرناندو برای این‌که می‌خواهد گیاهش سر سبز و شاداب شود، آن را لب پنجره می‌گذارد؟ از پنجره نور خورشید به داخل می‌تابد و گیاه باید شاداب و سرسبز باشد.
سیستم هوش مصنوعی فروچی با پرسیدن این سؤال قصد دارد ساز و کار دنیای پیرامون خود را یاد بگیرد. بی‌شک من و شما می‌دانیم چرا فرناندو گیاه خود را لب پنجره گذاشته است. اما درک این موضوع برای سیستم هوش مصنوعی به طور شگفت‌انگیزی دشوار است.
فروچی و شرکت وی موسوم به Elemental Cognition قصد دارند به ماشین‌ها آموزش دهند دانش روزمره‌ای که امکان برقراری ارتباط، استدلال و گشت‌وگذار در محیط پیرامون را برای انسان‌ها فراهم می‌کند، کسب کنند و آن را به کار ببندد و امیدوارند از این طریق بتوانند نواقص و کاستی‌های هوش مصنوعی کنونی را برطرف کنند. استفاده از استدلال عقلانی به حدی برای انسان‌ها آسان است و به صورت مکرر از آن استفاده می‌کنند که به ندرت متوجه وجود چنین‌ چیزی می‌شوند.
ارنست دیویس ، یکی از اساتید دانشگاه نیویورک که چندین دهه از عمر خود را صرف مطالعه بر روی این مسئله کرده، معتقد است عقل سلیم برای پیشرفت و ترقی هر چیزی از زبان گرفته تا روباتیک لازم و ضروری است. به گفته وی عقل سلیم «در مرکز اکثر کارهایی قرار دارد که می‌خواهیم با هوش مصنوعی انجام دهیم.»
دیویس معتقد است برای آن‌که ماشین‌ها بتوانند هوشمندی حقیقی و جامعی داشته باشند باید مفاهیم پایه‌ای همچون زمان، رابطه علت و معلولی و تعامل اجتماعی را فرا بگیرند. به عقیده وی «این مانع بزرگی است که رویکردهای کنونی مشکلات جدی با آن دارند.»
تازه‌ترین موج پیشرفت در زمینه هوش مصنوعی که در نتیجه ادغام یادگیری ماشین و کلان‌داده حاصل شده، گجت‌هایی را برای ما به ارمغان آورده که به دستورات و فرامین صوتی پاسخ می‌گویند و منجر به ساخت نمونه‌هایی از ماشین‌های خودران شده که می‌توانند اشیای حاضر مسیر پیش‌رو را تشخیص دهند. تمامی پیشرفت‌هایی که در این زمینه حاصل شده خارق‌العاده هستند اما از عقل سلیم برخوردار نیستند. اَلِکسا و سیری با بهره‌گیری از ویکی‌پدیا می‌توانند اطلاعاتی در مورد گونه‌ای گیاه در اختیار شما قرار دهند اما هیچ کدام نمی‌دانند اگر گیاهی را در یک اتاق تاریک بگذارید، چه اتفاقی می‌افتد. برنامه‌ای که آموزش می‌بیند تا موانع موجود در جاده را تشخیص دهد، به طور معمول نمی‌داند چرا ممانعت از تصادف با عابرین مهم‌تر از گیر نکردن در ترافیک‌های سنگین است.

آیا روزی فرا می‌رسد که ماشین‌ها بتوانند چیزهایی که می‌خوانند را درک کنند؟ تحقق این هدف کار دشواری است.

-دیوید فروچی، Elemental Cognition

دوباره به داستان کامپیوتر فروچی برمی‌گردیم. پژوهش‌گر در پاسخ به سؤالی که سیستم راجع به گیاه فرناندو پرسیده بر روی گزینه «بله» کلیک می‌کند. در جایی از سِرور، یک برنامه هوش مصنوعی به نام CLARA این اطلاعات را به کتاب‌خانه حقایق و مفاهیم – نوعی دانش عقل سلیم مصنوعی- اضافه می‌کند. CLARA شبیه به کودکی که کنجکاوی‌اش پایانی ندارد، به صورت مکرر از فروچی سؤالاتی راجع به داستان گیاه می‌پرسد و تلاش می‌کند ساز‌و‌کار محیط پیرامون را «درک کند». CLARA مخفف واژه Collaborative Learning and Reading Agent است. سؤالی که فروچی مطرح می‌کند این است که « آیا روزی فرا می‌رسد که ماشین‌ها بتوانند چیزهایی که می‌خوانند را درک کنند؟»، وی در ادامه می‌گوید « تحقق این هدف کار دشواری است و البته هدف نهایی Elemental Cognition هم همین است.»
فروچی از مدتی قبل به مطالعه و بررسی این مشکل پرداخته است. یک دهه قبل، زمانی‌که فروچی پروژه توسعه واتسون، متعلق به IBM، را رهبری می‌کرد، توسعه و ساخت کامپیوتری که بتواند به سؤالات مسابقه Jeopardy! پاسخ دهد، امری غیرممکن به نظر می‌رسید. با این حال، واتسون توانست در سال ۲۰۱۱ چندین نفر از برندگان این مسابقه تلویزیونی که تبلیغات زیادی راجع به آن شده بود را شکست دهد. واتسون حجم بالایی از متون را تجزیه و تحلیل می‌کند تا اطلاعات مهم نهفته در جزئیات پیش‌پاافتاده که دربردارنده پاسخ سؤالات مسابقه Jeopardy! هستند را پیدا کند. برنده‌شدن در این مسابقه دستاورد بزرگی برای هوش مصنوعی بود اما عدم درک کامل و صحیح هوش مصنوعی از مسائل و موضوعات نیز به وضوح آشکار بود. برای مثال، این ماشین در پخش زنده، یکی از سؤالات مربوط به بخش «شهرهای آمریکا» را با «تورونتو چیست » پاسخ داد.
به گفته فروچی نواقص و کاستی‌های واتسون و گزافه‌پردازی‌های رسانه‌ها راجع به این ماشین، او را بر آن داشته تا ماشین‌هایی بسازد که درک بهتری از دنیا و محیط پیرامون داشته باشند. از آن زمان به بعد IBM واتسون را به یک برند تجاری تبدیل کرده که به انواع گوناگونی از فناوری‌ها اشاره دارد که بسیاری از آن‌ها در توسعه و ساخت ماشین اصلی کاربردی نداشته‌اند.
یک سال پس از مسابقه Jeopardy! فروچی از تیم IBM جدا شد تا شرکت Elemental Cognition را تأسیس کند. تا به امروز Bridgewater Associates منابع مالی این شرکت را تأمین کرده است؛ Bridgewater Associates یک صندوق پوشش ریسک است که توسط رِی دالیو ایجاد شده که سرمایه‌ای معادل ۱۶۰ میلیارد دلار و سه حزب دیگر را مدیریت می‌کند. Elemental Cognition در محوطه Bridgewater واقع شده است؛ Bridgewater در جنگل‌های سرسبز وست‌‌پورت ، کنتیک واقع شده و منظره‌ای رو به دریاچه دارد.
مدت زمان کوتاهی پس از پیروزی واتسون تغییر و تحولاتی در حوزه فناوری هوش مصنوعی ایجاد شد. یادگیری عمیق که با تغذیه حجم بالایی از داده‌ها به کامپیوترها شناسایی چهره، رونویسی گفتار و غیره را آموزش می‌داد به ابزاری بسیار قدرتمند تبدیل شد و به شیوه‌های گوناگونی مورد استفاده قرار گرفت.
طی دو سال گذشته، یادگیری عمیق در زمینه درک زبان پیشرفت‌های چشم‌گیری داشته است. تغذیه حجم بالایی از متون به نوع خاصی از شبکه‌های عصبی مصنوعی منجر به ساخت مدلی می‌شود که می‌تواند به سؤالات پاسخ دهد و یا متونی ایجاد کند که انسجام بالایی دارند. تیم‌های مستقر در Google، Baidu، Microsoft و OpenAI مدل‌های بزرگ‌تر و پیچیده‌تری ساخته‌اند که در درک زبان به مراتب عملکرد بهتری دارند.
با این حال این مد‌ل‌ها از عقل سلیم برخوردار نیستند. برای مثال، تیم فروچی داستان فرناندو و زویی را به یک مدل پیشرفته زبان دادند و از او خواستند جمله مقابل را کامل کند: « زویی گیاهش را لب پنجره‌ای قرار می‌دهد که از آن نور خورشید به داخل می‌تابد. به زودی …» این مدل متوجه نشد که نور خورشید برای رشد گیاه لازم است و در نتیجه بر مبنای تطبیق آماری الگوها عبارت‌های نامفهومی برای تکمیل جمله ایجاد کرد:« چیزی ناخوشایند پیدا کرد»، « در پنجره کود دیده می‌شود» و « از اتاق خواب یک گیاه کم شده است.»

به نظر می‌رسد از نکته‌ای جدی غافل مانده‌ایم

-ارنست دیویس، دانشگاه نیویورک

CLARA قصد دارد پا را فراتر از این بگذارد و با بهره‌گیری از قوانین منطقی صریح، برای مثال گیاهان برگ دارند و به نور احتیاج دارند، تکنیک‌های یادگیری عمیق را با شیوه‌های قدیمی ماشین‌ها برای فراگیری دانش ترکیب کند. CLARA برای تشخیص مفاهیمی از جمله اسم و فعل‌های در جملات از روش‌های آماری استفاده می‌کند. علاوه بر این CLARA دارای قطعاتی به نام «دانش مرکزی » است؛ برای مثال اتفاقات در مناسب روی می‌دهند و موجب می‌شوند اتفاقات دیگری روی دهد.
دانش راجع به برخی موضوعات خاص را Mechanical Turkers در اختیار سازندگان CLARA قرار می‌دهد و سپس آن‌ها دانش کسب‌شده را به CLARA تغذیه می‌کنند. برای مثال دانش راجع به موضوعات خاص ممکن است شامل حقایقی از این قبلی باشد: نور به رشد گیاه کمک می‌کند و وجود پنجره موجب می‌شود نور خورشید به داخل راه پیدا کند. در مقابل، یک مدل یادگیری عمیق که از داده‌ها و اطلاعات صحیح تغذیه می‌شود ممکن است بتواند و یا شاید نتواند به سؤالاتی که راجع به گیاه‌شناسی پرسیده می‌شود پاسخ صحیح بدهد.
از آن‌جایی‌که پیش از این نیز افرادی تلاش کرده‌اند به صورت دستی موتورهای دانش بسازند و تلاش آن‌ها موفقیت‌آمیز نبوده است، تغذیه تمامی دانش عقل سلیم به سیستم به صورت دستی فرایندی زمان‌بر خواهد بود. از این روی CLARA حقایقی که به او تغذیه می‌شود را به مدل‌های زبانی یادگیری عمیق ترکیب می‌کند تا عقل سلیم خود را بسازد. برای مثال، در داستان گیاه فرناندو و زویی، عقل سلیم به CLARA کمک می‌کند که متوجه شود قرار داشتن در کنار پنجره به رشد و سرسبزی گیاه کمک می‌کند.
علاوه بر این CLARA از طریق برقراری تعامل و ارتباط با کاربران نیز به عقل سلیم دست پیدا می‌کند. و در صورتی‌که با تناقضی مواجه شود می‌تواند بپرسد کدام عبارت بیشتر اوقات صحیح است.

به گفته راجر لوی ، یکی از اساتید دانشگاه MIT که در زمینه هوش مصنوعی، زبان و علوم شناختی فعالیت دارد، « این کار اقدامی چالش برانگیز است، اما به عقیده من هدف و رویایی حائز اهمیت است»، « زبان فقط مجموعه‌ای از الگوها و ارتباطات آماری نیست – زبان با معنا و مفهوم و استدلال و عقل سلیم ما از دنیا پیوند دارد.»

تا حدودی به دلیل این‌که Elemental Cognition تا حد زیادی فعالیت‌های خود را به صورت محرمانه انجام می‌دهد کسی نمی‌داند فروچی تا چه میزان در آموزش عقل سلیم به هوش مصنوعی موفق بوده است. Elemental Cognition اخیراً مقاله‌ای منتشر کرده و در آن اظهار داشته بیشتر تلاش‌هایی که برای درک ماشین‌ها انجام می‌شود با شکست مواجه می‌شود و به همین دلیل باید با تلاش‌هایی جایگزین شوند که سؤالات مفهومی‌تری راجع به معنای متن می‌پرسند جایگزین شوند. Elemental Cognition در این مقاله هیچ کد و یا جزئیاتی راجع به سیستم خود منتشر نکرده است.
مقیاس‌گذاری این چنین سیستم پیچیده‌ای فراتر از داستان‌ها و مثال‌های ساده به احتمال زیاد با دشواری‌هایی همراه خواهد بود. به نظر می‌رسد فروچی به دنبال شرکتی است که منابع مالی زیادی در اختیار داشته باشد و هم‌چنین به کمک تعداد زیادی از کاربران نیاز دارد. اگر مردم به یک موتور جست‌و‌جو و یا یک دستیار مجازی کمک کنند تا به عقل سلیم دست پیدا کند، فرایند دست‌یابی به عقل سلیم تسریع پیدا می‌کند. یکی دیگر از احتمالاتی که فروچی پیشنهاد می‌دهد، برنامه‌ای است که از دانش‌آموزان راجع به متنی که مطالعه کرده‌اند سؤالاتی می‌پرسد تا هر دو مطمئن شوند که متن را درست متوجه شده‌اند و آن برنامه هم بتواند مبنای دانش خود را شکل دهد.
فروچی گفته « اگر مؤسسه‌ای قصد سرمایه‌گذاری دارد، من آماده‌‌ام که با او وارد مذاکره شوم»، « من در حال حاضر به پول احتیاج ندارم، اما دوست دارم با شرکت دیگری همکاری کنم و یا شرکت دیگری را خریداری کنیم.»

CLARA تنها سیستم هوش مصنوعی دارای عقل سلیم در شهر نیست. یجین چوآ ، یکی از اساتید دانشگاه واشنگتن و یکی از پژوهش‌گران مؤسسه هوش مصنوعی آلن ، اخیراً توسعه روش دیگری را رهبری کرده، در این روش که COMET نامیده می‌شود یادگیری عمیق و منطق نمادین در کنار یکدیگر می‌گیرند. این برنامه هنگام گفت‌و‌گو و پاسخ‌دهی به سؤالات نسبت به مدل‌های زبانی یادگیری عمیق کمتر سردرگم می‌شود، با این حال برخی مواقع دچار اشتباه می‌شود.

چوآ اعلام کرده دوست دارد پیش از هرگونه قضاوتی، نحوه عملکرد داخلی CLARA را ببیند. زمانی که راجع به این برنامه برای او توضیح دادند، گفت: « در سطح بالا منطقی به نظر می‌رسد». « به عقیده من می‌توانند برای این برنامه چندین مثال از اسباب‌بازی‌ها بیاورند، اما باور این‌که این برنامه بتواند عقل سلیم را در هر کاری تعمیم دهد، دشوار است.»

دیویس از دانشگاه نیویورک مطمئن نیست که هوش مصنوعی عقل سلیم برای واتسون آماده باشد. به گمان او، ضروری است پیشرفت‌های بنیادی در حوزه ماشین‌ها حاصل شود تا آن‌ها بتوانند بدون تلاش و زحمت، همچون انسان‌ها عقل سلیم را فرا بگیرند. برای مثال، به گفته وی مشخص نیست که ماشین‌ها چگونه می‌توانند مفاهیم نامشخص را درک کنند. به گفته دیویس « به نظر می‌رسد از نکته‌ای جدی غافل مانده‌ایم»، « جنبه‌هایی از آن وجود دارد که ما به آنها حتی نزدیک هم نشده‌ایم.»

منبع: hooshio.com

مزایای هوش مصنوعی برای کسب و کارها

مزایای هوش مصنوعی برای کسب و کارها و کاربردهای آن در میان مردم و کسب‌وکارها برای بهبود تجربه مشتریان روزبه‌روز افزایش می‌یابد. یکی از مطالعات انجام‌شده توسط مؤسسه تحقیقاتی گارتنیرپیش‌بینی کرده است
که ارزش بازار هوش مصنوعی تا سال ۲۰۲۲ به ۲.۹ میلیارد دلار خواهد رسید. هوش مصنوعی می‌تواند روند کسب‌وکار را تسهیل کند، زیرا  تاثیر و مزایای هوش مصنوعی رشد و نمو کسب‌وکارهای جدید کمک می‌کند. در ادامه به مواردی اشاره خواهیم کرد که هوش مصنوعی در آن‌ها به کمک کارآفرینان شتافته است.

۱. هوش مصنوعی به افزایش کارآیی کمک می‌کند.

برای آن‌که بتوان یک تجارت را به‌طور کارآ مدیریت کرد و به پیش برد، باید از حداکثر منابع استفاده کرد. علاوه براین، کارآیی بیشتر در بلندمدت، زمان و هزینه موردنیاز برای اداره کسب‌وکار را کاهش می‌دهد. هوش مصنوعی در افزایش کارآیی عملیاتی به کارآفرینان کمک می‌کند. برای مثال، می‌توانید یک نرم‌افزار کاربردی تبدیل گفتار به نوشتار طراحی کنید که در زمان یادداشت‌برداری از سخنرانی‌ها به کمک پزشکانِ تیم پزشکی شما بیاید و صدای سخنران را به متن تبدیل کند. بدین ‌ترتیب، با استفاده از مزایای هوش مصنوعی، برای تهیه و بررسی فاکتورها دیگر لازم نیست نسخه‌ای از این یادداشت‌ها برای متصدیان و مسئولان ثبت و کدگذاری اطلاعات پزشکی فراهم کنید.

همچنین می‌توانید از یک دستیار صوتی مبتنی بر هوش مصنوعی بهره ببرید که کارآیی کل اداره را افزایش می‌دهد و می‌تواند به شما نیز در برنامه‌ریزی جلسات، تنظیم یادآورها و ثبت نکاتی که باید در جلسات و ارائه‌ها مطرح شوند، کمک ‌کند.

۲. هوش مصنوعی بهره‌وری را افزایش می‌دهد.

اگر به دنبال راهی برای بهبود عملکرد و افزایش خروجی کسب‌وکار خود هستید، هوش مصنوعی می‌تواند رسیدن به نتایج دلخواه‌تان را تضمین کند. شما می‌توانید به کمک هوش مصنوعی، بهره‌وری را افزایش دهید. برای مثال، می‌توانید نرم‌افزاری برای کسب‌وکار خود طراحی کنید که به فرآیند کنترل و مدیریت موجودی انبار در انبارها یا تأسیسات تولیدی سرعت بخشد. علاوه براین، هوش مصنوعی می‌تواند بهره‌وری شما در جذب مشتریان راغب را نیز افزایش دهد.
برای مثال، هارلی دِیویدسون با استفاده از یک سامانه بازاریابی مبتنی بر هوش مصنوعی توانست نرخ روزانه تولید مشتریان راغب برای کسب‌وکار خود را افزایش دهد. با به‌کارگیری این سامانه و استفاده از مزایای هوش مصنوعی، میزان مشتریان راغب برای محصولات شرکت وی تنها در طی ۳ ماه، ۲۹۳۰% افزایش یافت. با افزایش بهره‌وری و سرعت فرآیندها، می‌توان از قدرت هوش مصنوعی برای مقیاس‌بندی کسب‌وکار نیز بهره برد.

۳. کسب‌وکارها به کمک هوش مصنوعی می‌توانند فرآیندهای بیشتری را به صورت خودکار اجرا کنند.

اتوماسیون کارهای دستی، هزینه‌ها و زمان موردنیاز برای انجام کارها را کاهش داده و امکان رشد مداوم را برای کسب‌وکار شما فراهم می‌‌‌آورد. با به‌کارگیری نرم‌افزارهای کاربردی مبتنی بر هوش مصنوعی، انتظار می‌رود که روند اتوماسیون کسب‌وکارها تسریع شود. برای مثال، می‌توانید با توسعه یک نرم‌افزار کاربردی برای کسب‌وکار خود، بخشی از فرآیندها را به‌صورت خودکار اجرا کنید و زمان موردنیاز برای انجام کارهای دستی را کاهش دهید.
شرکت خرده‌فروشی وال‌مارتاز فن‌آوری خودکار‌سازی رباتی فرآیندها (RPA) استفاده کرد و با به‌کارگیری حدود ۵۰۰ ربات، توانست فرآیندهای بسیاری از جمله بازیابی اطلاعات مرتبط از اسناد حسابرسی و پاسخ‌دهی به سؤالات کارمندان را به صورت خودکار اجرا کند. بدین ترتیب، کارهای تکراری از حوزه وظایف کارگران خارج شدند. این شرکت همچنین توانست این سیستم اتوماسیون را برای اجرای کارآمد سایر فعالیت‌ها نیز به‌کار بگیرد.

۴. به کمک هوش مصنوعی می‌توان تجربه مشتریان را بهبود بخشید.

از دیگر مزایای هوش مصنوعی برای کسب و کارها می‌توان به بهبود تجربه مشتریان اشاره کرد. بهبود تجربه مشتریان یعنی زمانی که آن‌ها به کمک شما نیاز دارند، برای کمک به آن‌ها حاضر باشید. البته، هیچکس به تنهایی نمی‌تواند شبانه روز دردسترس باشد. همچنین راه‌اندازی بخش پشتیانی و حمایت از مشتری و استخدام نیروهای شیفتی برای این کار می‌تواند هزینه هنگفتی برای شما به همراه داشته باشد، به ویژه اگر به‌تازگی کسب‌وکار خود را راه‌اندازی کرده باشید.
البته، ربات‌های پاسخ‌گو می‌توانند توانایی‌های کارمندان را تقویت کنند و تجربه مشتری را بهبود بخشند. برای مثال، می‌توانید با استفاده از ربات‌های پاسخ‌گو، خدمات بهتری به مشتریان خود ارائه دهید. نرم‌افزارها و الگوریتم‌های هوش مصنوعی قادرند در زمان‌هایی که نیروی کار انسانی در محل کار حضور ندارد، سؤالات پرتکرار مشتریان و مراجعین را پاسخ دهند و به برخی امور رسیدگی نمایند.
استفاده از ربات‌های پاسخ‌گو یکی از راه‌هایی بود که شرکت‌های فعال در حوزه رزرو تورهای مسافرتی همچون ،اِکسپِدیا توانستند تجربه مشتریان خود از فرآیند رزرو تورهای مسافرتی را بهبود دهند. برای مثال، شرکت‌ها به کمک یادگیری ماشینی می‌توانند الگوهای جست‌وجو در اینترنت را تحلیل کنند و با استفاده از این ربات‌ها و بدون نیاز به حضور نیروهای انسانی، مقاصد مناسب برای مسافرت را به مشتریان خود پیشنهاد دهند.
بدین ترتیب، می‌توان در هر زمان و هر مکان، با ارائه پاسخ فوری به سؤالات مشتریان از آن‌ها حمایت کرد و تجربه بهتری را برای آن‌ها رقم زد. همچنین می‌توانید دستیار صوتی طراحی کنید که مشتریان سؤالات خود را به‌صورت شفاهی مطرح و پاسخ را دریافت نمایند تا دیگر نیازی نباشد که برای یافتن پاسخ سؤالات خود مقالات مختلف را بخوانند یا در فهرست‌ها جست‌وجو کنند.

۵. هوش مصنوعی احتمال وقوع خطا را کاهش می‌دهد.

خطاهای انسانی ممکن است هر کسب‌وکاری را متحمل هزینه‌های گزافی کند. اما به کمک هوش مصنوعی می‌توان احتمال رخ دادن این خطاهای انسانی را کاهش داد. شما می‌توانید یک نرم‌افزار کاربردی مبتنی بر هوش مصنوعی طراحی کنید که خطاها را کاهش داده و دقت انجام امور اداری، وارد کردن اطلاعات و بررسی اسناد و مدارک را افزایش دهد.
برای مثال، تیم حقوقی بانک جِی‌پی مورگان توانست با به‌کارگیری قابلیت‌های هوش مصنوعی در تحلیل اسناد و مدارک، میزان خطا را کاهش دهد. وقتی بتوانید زمان لازم برای بررسی مجموعه‌ بزرگی از داده‌ها یا انجام چندین کار را کاهش دهید، می‌توانید در طول زمان، از میزان هزینه‌ها بکاهید.

۶. هوش مصنوعی شرایط لازم برای بروز خلاقیت را فراهم می‌آورد.

اگر می‌خواهید کسب‌وکار شما از رقابت دنیای تجارت حذف نشود، باید نوآور باشید. داشتن خلاقیت یک قدم مهم در خلق نوآوری است. هوش مصنوعی می‌تواند زمینه‌ساز بروز خلاقیت باشد. برای مثال، می‌توان انجام کارهای تکراری از قبیل تهیه گزارشات و تحلیل مدیریت موجودی انبار را به فن‌آوری خودکارسازی رباتی فرآیندها (RPA) سپرد و بدین ترتیب، زمان مفید نیروی کار انسانی را ذخیره کرد تا بتوان آن را به کارهای خلاقانه‌تر اختصاص داد.

۷. به کمک هوش مصنوعی می‌توان بازگشت سرمایه را افزایش داد.

به کمک هوش مصنوعی می‌توانید بازگشت سرمایه (ROI) خود را افزایش دهید. وقتی کسب‌وکار شما کارآمد باشد و اعضای تیم بتوانند روی اموری چون برنامه‌ریزی راهبردی و طراحی تمرکز کنند، بهره‌وری  افزایش می‌یابد و تأثیر مستقیم بر راندمان کسب‌وکار شما خواهد داشت. افزایش کارآیی و بهره‌وری در کنار مدیریت روند کارها، بهبود تجربه مشتریان و افزایش دقت کارها، منجر به بقای کسب‌وکار و افزایش درآمد و بازدهی آن خواهد شد.

منبع: hooshio.com