تعامل انسان و هوش مصنوعی : چطور تجربه مشتری را بهینه کنیم

یکی از ویژگی‌های بارز مشاغل موفق در قرن بیست و یکم، تعامل مشتری است. طبق توضیح هاب اسپات تعامل مشتری ایجاد تعامل با مصرف کنندگان در چندین کانال برای تقویت ارتباط شرکت با آن‌ها است و امروزه به لطف پیشرفت در شبکه های اجتماعی، تعامل مشتری در بالاترین حد خود قرار دارد. با توجه به حجم وسیع داده در این مشکل، تعامل انسان و هوش مصنوعی می‌تواند فکر خوبی باشد.

MIT معتقد است کلان داده، هنگامی که از هوش مصنوعی بهره ببرد، می تواند به بینش هیجان‌انگیز و حیاتی امروز کسب و کارها منجر شود. اما هنگامی که در مورد هوش مصنوعی صحبت می کنیم، این اصطلاح طیف گسترده ای از فناوری‌های نوظهور را در بر می‌گیرد. همه آنها به معنای تجربه مشتری و تعامل انسان و هوش مصنوعی قابل استفاده نیستند. در اینجا، ما خواهیم فهمید که چگونه داده‌ها و هوش مصنوعی می‌توانند با هم کار کنند و به ایجاد یک سیستم عمیق‌تر و قوی‌تر تعامل انسان و هوش مصنوعی برای یک کسب و کار کمک کنند.

منابع داده و CX

اگر اخیراً از گوگل برای جستجو استفاده کرده‌اید، متوجه شده‌اید که اکنون این موتور جستجو تمایل دارد کاربران را به سمت آنچه که فکر می‌کند به دنبال آن هستند، سوق دهد. مرتبط بودن در آنچه موتور جستجو به شما ارائه می‌دهد، امری حیاتی است و مشاغلی که برای تغذیه هوش مصنوعی‎شان از داده‌ها استفاده می‌کنند هم از این قاعده مستثنی نیستند. شرکت‌ها می‌توانند داده‌ها را از کوکی‌ها یا برنامه‌های تلفن همراه جمع‌آوری کنند، هوش مصنوعی خود را آموزش دهند و تجربه منحصر به فردی برای مشتری ایجاد کنند. از آنجا که الگوریتم‌های یادگیری ماشین امکان آموزش مجدد بر اساس اطلاعات جدید را دارند، پاسخ‌های هوش مصنوعی همیشه براساس آخرین داده‌های جمع‌آوری شده در حساب آن کاربر مرتبط خواهند بود. قوانین مربوط به جمع‌آوری داده‌های کاربران متفاوت هستند، اما اگر مشاغل قصد انجام این کار را دارند، باید اطمینان حاصل کنند که در تمامی پلتفرم‌ها انجام این کار قانونی باشد.

درجه بالاتر محاسبات الگوریتمی

مجله وایرد نوشته الگوریتم‌ها مجموعه‌ای از مراحل برای یک محاسبه خاص هستند. اما این یک اصطلاح ریاضی در ساده‌ترین شکل آن است. وقتی صحبت از الگوریتم در علوم کامپیوتر باشد، نیاز به تعریفی ظریف‌تر داریم. یادگیری الگوریتمی، قلب تپنده هوش مصنوعی است، زیرا به سیستم می‌آموزد چه چیزی را باید از داده‌های جدید انتخاب کند. در شرایطی که بیشتر الگوریتم‌ها تحت نظارت هستند (توسط مدیر تحت نظارت قرار می‌گیرند و در صورت بروز خطا اصلاح می‌شوند)، در نهایت، آن‌ها می‌توانند به تنهایی هم اجرا شوند. یادگیری ماشین می‌تواند تفاوت‌های ظریف رفتار مصرف‌کننده را در نظر گرفته و جنبه‌های روانشناختی خریدار را نمایان سازد. داده‌هایی که توسط یادگیری ماشین تولید می‌شود هم می‌توانند به چیدمان درست آیتم‌های مربوط برای مشتریان کمک کند.

تکنولوژی پردازش زبان طبیعی

پردازش زبان طبیعی سعی دارد شرایط تعامل انسان و هوش مصنوعی را بهبود بخشد و کاری کند تا هوش مصنوعی با استفاده از پارامترهای انسانی و نه آنچه از کامپیوتر انتظار دارید، پاسخگوی مسائل باشد. پردازش زبان طبیعی نحوه تعامل یک برند با خریداران خود را تغییر می‌دهد. این امر باعث می‌شود که برخورد با هوش مصنوعی از دیدگاه مصرف‌کننده بسیار ساده‌تر به نظر برسد؛ زیرا آن‌ها نیازی به یادگیری رابط‌های پیچیده ندارند. این سیستم به سادگی با آن‌ها به زبان انگلیسی ساده صحبت می‌کند و بازخوردشان را جمع‌آوری می‌کند و آن بازخوردها را به ذخیره داده‌های موجود اضافه می‌کند. همچنین چت‌بات‌ها دارای سیستم‌های یکپارچه‌سازی آسان هستند که به آن‌ها این امکان را می‌دهد که در وب‌سایت یک شرکت قرار گیرند. هزینه‌های استفاده از این فناوری در یک وب‌سایت تجاری نیز به میزان قابل توجهی کمتر است.

بینایی ماشین و تجربه مشتری

مشتریان همیشه به دنبال روش‌های کارآمدتر برای بهینه‌‎سازی خریدهای خود هستند. بینایی ماشین سیستمی است که به سادگی می‌تواند برای تجزیه و تحلیل داده‌ها از یک منبع خاص استفاده کند. به عنوان مثال، با جمع‌آوری داده‌های ترافیک در یک فروشگاه، بینایی ماشین می‌تواند یک نقشه گرمایی ایجاد کند تا نشان دهد اکثر مصرف‌کنندگان بیشتر در چه بخش‌هایی وقت خود را صرف می کنند. این یعنی بهترین شیوه تعامل انسان و هوش مصنوعی . این بینش می‌تواند به هدایت مشاغل به سمت کمپین‌های تبلیغاتی موثرتر یا محصولاتی که مشتریان بیشتری دارد، کمک کند. یکی دیگر از نمونه‌های عالی استفاده از بینایی ماشین، ویژگی لنز پینترست است. این ویژگی به کاربران اجازه می‌دهد با استفاده از دوربین تلفن هوشمند خود هرچه را می‌خواهند در دنیای اطراف خود جستجو کنند. این ویژگی دقیقاً نشان می‌دهد که هوش مصنوعی با انگیزه مناسب چه توانایی‌هایی دارد.

یادگیری عمیق در کنار تجربه مشتری

یادگیری عمیق یعنی به هوش مصنوعی آموزش دهیم که مانند یک انسان فکر کند. ما معتقدیم این کار آسان است، زیرا این کار را به صورت طبیعی انجام می‌دهیم، اما در واقع یک فرایند پیچیده است که برای دستیابی به آن، محاسبات زیادی نیاز است. الگوریتم‌های یادگیری عمیق می‌توانند در ایجاد سرنخ و ایجاد فرصت برای مشاغل بی ارزش باشند. یکی از بهترین نمونه‌ها در بخش مراقبت‌های بهداشتی استفاده از داده‌های مقیاس پذیر در دنیای واقعی است که توسط Trialbee پیاده‌سازی شده است. مشارکت بیمار در طی تحقیقات بالینی برای آزمایشات مربوط به واکسن بسیار سودمند است. این یعنی به کسب‌و‌کارها راه‌حلی برای تعامل انسان با هوش مصنوعی پیشنهاد دهیم که از آن برای مطابقت شرکت‌ها با شرکت‌کنندگانی که در مطالعات مشابه در سراسر جهان شرکت کرده‌اند، استفاده کنند. استفاده از هوش مصنوعی برای سازمان‌های دارویی، medtech، بیوتکنولوژی و CRO باعث افزایش بهره‌وری خواهد شد و همچنین تجربه مشتری منحصر به فردی را برای شرکت‌کنندگان ایجاد می‌کند.

یکی دیگر از کاربردهای مناسب یادگیری عمیق، تعاملات به موقع است. مصرف‌کنندگان در حین کار با نماینده خدمات مشتری، توقعات مشخصی دارند. اکثریت مشتریان برای وقت خود ارزش قائل هستند و این که مجبور شوند منتظر بمانند آن‌ها را بی‌میل کرده و از برندها دور می‌کند. تعامل انسان و هوش مصنوعی در زمان مناسب باعث می‌شود که هوش مصنوعی پاسخی درست در چارچوبی دقیق برای این مشکل داشته باشد. این سیستم با استفاده از زمینه و هدف کاربر تعیین می‌کند که آن‌ها چه کاری می‌خواهند انجام دهند و نسبت به اقدامات آن‌ها واکنش نشان می‌دهد.

ایجاد تعامل بهتر با مشتری از طریق استفاده هوشمندانه از هوش مصنوعی

تعامل انسان و هوش مصنوعی باعث می‌شود که شرکت موفق‌تر باشد و به طور کلی، اساس یک شرکت وقتی با مشتریانش تعامل داشته باشد، بسیار سالم‌‎تر به نظر می‌رسد. در بازاریابی‌های قدیمی، تماس با کاربران و درک نیازهای آن‌ها مسئله‌ای ساده بود که البته توجه زیادی به آن نمی‌شد. از طرفی، تعامل انسان و هوش مصنوعی به انرژی زیادی نیاز دارد که برای تامین آن شاید به همکاری همه کارکنان نیاز باشد. اگر کسب‌و‌کاری بخواهد در این محیط مدرن فعال باقی بماند، باید با این شرایط سازگار شود. هوش مصنوعی بهترین راه برای حرکت شرکت‌ها به سوی موفقیت است، اما هوش مصنوعی بدون داده مانند وسیله نقلیه بدون سوخت است. با اطمینان از این‌که سیستم هوش مصنوعی داده کافی برای یادگیری و توسعه را دارد، مشاغل می‌توانند از تمام پتانسیل آن در جذب مشتری استفاده کنند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

منبع: hooshio.com

پیش بینی جهش ویروسی با مدل جدیدی مبتنی بر هوش مصنوعی دانشگاه MIT

محققان MIT روش جدیدی برای مدل محاسباتی پیش بینی جهش ویروسی توسعه داده‌اند. این مطالعه که در مجله Science منتشر شده است، می‌تواند تولید واکسن برای ویروس HIV، آنفلوانزا و ویروس کرونا را سرعت بخشد.

هر پستانداری در این سیاره توانایی این را دارد که به طور غریزی با محیط اطراف خود به یک تعادل طبیعی برسد، اما انسان نمی‌تواند. انسان‌ها به یک منطقه نقل مکان می‌کنند و آنقدر زاد و ولد می‌کنند تا تمامی منابع طبیعی را مصرف کنند و سپس تنها راهی که پیش روی انسان وجود دارد تا بقای خود را حفط کند گسترش مناطق خود و رفتن به یک جای دیگر است. یک موجود زنده دیگر نیز در این کره خاکی وجود دارد که همین کار را انجام می‌دهد. می‌دانید در مورد چه چیزی صحبت می‌کنیم؟ بله ویروس‌ها. این‌ها دیالوگ مامور اسمیت در فیلم ماتریکس است.

از زمان‌های گذشته، ویروس‌ها اصلی‌ترین الهه انتقام انسان‌ها بوده‌اند. اگرچه انسان‌ها برای جان به در بردن از این موجود کوچک و خطرناک توانسته‌اند واکسن بسازند، اما ویروس‌ها همیشه در این بازی راهی پیدا کرده‌اند تا ما را شکست دهند.

به گفته بانی برگر رئیس گروه محاسبات و زیست‌شناسی در آزمایشگاه علوم رایانه‌ای و هوش مصنوعی MIT، جهش ویروسی یکی از دلایل موانع تولید واکسن برای ویروس آنفلوانزا و اچ آی وی است. در مقاله پیش رو سعی می‌کنیم بفهمیم چگونه محققان این مدل را برای پیش بینی جهش ویروسی آموزش داده‌اند و چگونه این موضوع چگونه می‌تواند توسعه واکسن را تسهیل کند.

این مدل چگونه کار می‌کند؟

این مدل می‌تواند مقاطعی از پروتئین‌های سطح ویروسی را که احتمال کمتری دارد جهش کنند پیش‌بینی کند تا اگر قرار است واکسنی توسعه داده شود از آن قسمت‌ها استفاده شود. محققان از یک الگوریتم یادگیری ماشین که در اصل برای پردازش زبان طبیعی انسان ساخته شده بود به‌منظور پیش بینی رفتار ویروس استفاده کردند. محققان کشف کردند که این مدل پردازش زبان طبیعی می‌تواند در توالی‌های ژنتیکی اعمال شود. در اینجا، دستور زبان نقشی مشابه قوانینی دارد که تعیین می‌کند پروتئین رمزگذاری شده در یک توالی خاص عملکردی است یا خیر. در واقع به این معنا است که آیا پروتئین می‌تواند شکل جدیدی برای فرار از آنتی بادی ها به خود بگیرد یا نه. درواقع در یک جهش، ویروس می‌خواهد سالم بماند. به عبارت دیگر، دستورالعمل ویروس حفظ می‌شود در حالی که ساختار پروتئین به روشی مفید تغییر خواهد کرد.

طبق بیانیه مطبوعاتی MIT، محققان این مدل پردازش زبان طبیعی را در ۶۰،۰۰۰ توالی HIV ، ۴۵،۰۰۰ توالی آنفلوانزا و ۴۰۰۰ توالی ویروس کرونا آموزش دادند تا توالی‌های ژنتیکی دستوری و معنایی آن را تجزیه و تحلیل کنند. مدل آموزش دیده توالی‌هایی را که احتمال جهش در آنها بالا است پیش‌بینی می‌کند. این مدل، توالی را در سه پروتئین پیش بینی می‌کند: پروتئین spike ویروس کرونا، پروتئین envelope اچ آی وی و پروتئین hemagglutinin آنفلوانزا.

یافته‌ها نشان داد توالی‌های موجود در پروتئین hemagglutinin آنفلوانزا کمترین احتمال جهش را داشتند. آنتی‌بادی‌های هدف می‌توانند پایه این پروتپین را به سرعت از بین ببرند تا از آنفلوانزا جلوگیری کنند.

همچنین در ویروس کرونا، قسمت زیر واحد -۲ یا S2 پروتئین spike کمترین احتمال ایجاد جهش را دارد. این حال، برخلاف آنفلوانزا و اچ آی وی، ما نمی‌دانیم سرعت جهش‌ها در ویروس کرونا چقدر است و آیا واکسن فعلی جوابگو است یا نه. در حالی که یافته‌های اولیه نشان می‌داد جهش‌ها از سرعت زیادی برخوردار نیستند، با این حال جهش‌های جدیدی در سنگاپور، آفریقای جنوبی و مالزی ظاهر شده‌اند. دانشمندان از مدل پردازش زبان طبیعی برای نوع جهش یافته استفاده کرده‌اند و همزمان تحقیقات در انتظار داوری هستند. در ویروس اچ آی وی نیز، دانشمندان دریافتند که قسمت های V1-V2 از پروتئین envelope، احتمال زیادی برای جهش کردن دارد.

چشم انداز

پیش‌بینی جهش ویروسی می‌تواند به سرعت در شناسایی پروتئین‌های خطرناکی که باید هدف قرار بگیرند کمک کند. این مدل فرصت‌های بی‌نظیری را برای توسعه دارو در همه بیماری‌ها به وجود می‌آورد. اکنون محققان در MIT در حال شناسایی اهداف احتمالی برای واکسن سرطان هستند، واکسنی که سیستم ایمنی را تحریک می‌کند تا تومورها را از بین ببرد.

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

منبع: hooshio.com

کاربردهای یادگیری ماشین ، ساخت آن و مهارت‌های مورد نیاز

یادگیری ماشین یکی از کلمات سنگینی است که این روزها زیاد آن را می‎‌شنوید. بیشتر مدیران دوست دارند از کاربردهای یادگیری ماشین استفاده کنند، اما نمی‌دانند معنای دقیق آن چیست و از کجا باید شروع کنند. شاید در نگاه اول رازآلود، بیش از اندازه فنی و حتی ترسناک به نظر برسد، اما در این مطلب به خوبی توضیح می‌دهیم که یادگیری ماشین چیست، کاربردهای آن کدام هستند، چطور ساخته می‎شود و برای استفاده از آن در سطح مدیریتی چه مهارت‌هایی باید داشته باشید.

یادگیری ماشین چیست؟

به بیان ساده، یادگیری ماشین توانایی برخی از برنامه‌های کامپیوتری خاص برای یادگیری از تجارب، درست همانگونه که انسان‌ها از تجربه‎‌هایشان می‌آموزند، است. برای توصیف دقیق‌تر بیایید کمی به گذشته سفر کنیم، به زمانی که یک نوزاد بودید و والدین سعی داشتند به شما یاد دهند کدام حیوان سگ است و کدام گربه. برای این کار اولین کاری که می‌کردند این بود که تصویر یک سگ از نژاد لابرادو را نشانتان می‌دادند و می‌گفتند «سگ». بعد از آن نوبت تصویری از یک گربه ایرانی بود و برای شما تکرار می‌کردند «گربه». این کار را با تصاویر مختلف سگ و گربه برایتان انجام می‌دادند، سگ و گربه‌هایی با نژادهای مختلف و در حالت‌های مختلف.

یک روز شما سگی را می‌بینید که هرگز مشابهش را ندیده‌اید، سگی از نژاد متفاوت. در این شرایط به درستی تشخیص می‌دهید که آن یک سگ است. چطور این اتفاق افتاد؟ هیچ کس تا به حال نژاد آن سگ خاص را به شما نشان نداده بود و نگفته بود این یک سگ است، اما شما باز هم توانستید آن را طبق تجربه طبقه‌بندی کنید و این مهارت را با دیدن سگ‌های دیگر به دست آوردید.

روش کار یادگیری ماشین هم شباهت زیادی به این موضوع دارد. ما می‎توانیم تصاویر طبقه‌بندی شده از سگ‌ها و گربه‌های مختلف را به عنوان مثال‌های گوناگون به برنامه کامپیوتری نشان دهیم. اگر تعداد مثال‌هایی که با آن به برنامه آموزش می‌دهیم، کافی باشد، برنامه می‌تواند توانایی تشخیص سگ و گربه را داشته باشد. حتی می‌تواند نژادهایی از سگ یا گربه که تا به حال ندیده را هم به عنوان سگ یا گربه شناسایی کند و این کار را حتی بهتر از انسان‌ها انجام می‌دهد.

کاربردهای یادگیری ماشین

همان‌طور که تشخیص سگ و گربه را می‌توانیم به برنامه کامپیوتری یاد دهیم، امکان آموزش در زمینه‌های دیگر هم فراهم است. مثلا این که تصویر ریه یک فرد نشان دهنده یک ریه سالم است یا سرطانی. جالب است بدانید Google دقیقا این کار را کرده و با نشان دادن هزاران تصویر از ریه سالم و سرطانی به کامپیوتر، توانایی تشخیص این دو را به آن آموخته و جالب‌تر این که دقت تشخیص برنامه کامپیوتری ۱۰۰% بوده است. پس حالا می‌توانید تصور کنید که این اقدام تا چه اندازه می‌تواند تاثیرگذار باشد. فرض کنید در شرایطی که دسترسی به پزشک نباشد، این تکنولوژی چقدر کار را راحت می‌کند. به همین دلیل است که یادگیری ماشین پتانسیل خوبی برای نجات جان افراد دارد.

یکی از زیرمجموعه‌ ‎های یادگیری ماشین یادگیری عمیق نام دارد و توانسته بخش بینایی ماشین را متحول کند. بینایی ماشین یعنی استفاده از کامپیوترها برای درک و تفسیر تصاویر و ویدئوها. برخی از کاربردهای بینایی ماشین به شرح زیر هستند:
۱- طبقه‌‎بندی تصاویر پزشکی
۲- شناسایی چهره Apple
۳- جستجوی وارونه Google
۴- برچسب زدن Facebook
۵- متعادل‎‌سازی محتوا Youtube
۶- دوربین تشخیص صحنه گوشی هوشمند
۷- تقویت کیفیت بازی‌های ویدئویی NVIDIA به نام Deep Learning Super Sampling
۸- اتومبیل‌های خودران
و برنامه‌‎های بسیار دیگر.

چطور یک سیستم یادگیری ماشین بسازیم

بیشتر سیستم‌های یادگیری ماشین دو فاز اولیه دارند:

۱- فاز تمرینی
۲- فاز آزمایشی/ استنباطی

در فاز تمرینی انسان به سیستم یادگیری ماشین نمونه‌های زیادی از داده‌های مربوط به وظایفی که می‌خواهد سیستم یاد بگیرد و انجام دهد، را نشان می‌دهد. این فاز شبیه به همان بخشی است که والدین کودکان به آن‌ها تصویر نشان می‌دهند. در فاز آزمایشی یا استنباطی ما از سیستم یادگیری ماشینی که تصاویر را آموخته استفاده می‌کنیم تا نمونه‌های جدید که قبلا ندیده را پیش‌‎بینی کند. این بخش شبیه به قسمتی است که یک کودک نژاد جدیدی از سگ را می‌‎بیند که قبلا شبیه به آن را ندیده بوده است. یا بخشی که سیستم یادگیری ماشین توانست ریه سالم را از سرطانی تشخیص دهد.

با تمام قدرت منقلب‌کننده‌ای که کاربردهای یادگیری ماشین دارد، باز هم میزان توانایی آن رابطه مستقیم با تعداد تصاویری دارد که به آن نشان می‌دهیم. به محض این که سیستم یادگیری ماشین کاری که باید انجام دهد را یاد بگیرد، آن را بهتر از نیروی انسانی انجام می‌دهد. برای مثال سیستم Google با نام Alpha Go بود که توانست در بازی Go بهترین بازیکن که یک انسان بود را شکست دهد. Alpha Go انقدر خوب بود که بسیاری از استراتژی‌های مورد استفاده آن برای برنده شدن باعث گیج شدن متخصصان شد و بسیاری از آن‌ها شروع به یادگیری استراتژی‌های آن کردند.

مهارت‌های مورد نیاز

حالا که به قدرت یادگیری ماشین پی‌ بردید، چطور می‌خواهید آن را برای خودتان به کار گیرید؟ این‌ها مهارت‌هایی هستند که باید آن‌‎ها را یاد بگیرید:

۱- ریاضیات و آمار
۲- علم منطق و برنامه‌نویسی: مخصوصا پایتون
۳- چارچوب‌های هوش مصنوعی: Tensorflow، Pytorch، Numpy، Pandas، Sklearn، Matplotlib

گاهی اوقات این یک مزیت است که آمار را با پایتون یاد بگیرید تا بتوانید تئوری‌ها را با تمرین ادغام کنید. همچنین درباره انتخاب استفاده از پایتون یا زبان‌های برنامه‎‌نویسی R تردید‌هایی وجود دارد. اگر زمان کافی دارید هر دو زبان را به خوبی یاد بگیرید. البته بدون شک بیشتر سیستم‌های یادگیری ماشین از پایتون استفاده می‌کنند. اما اگر زمان شما محدود است، تمرکز روی پایتون بیشترین شانس به دست آوردن یک شغل در زمینه یادگیری ماشین را به شما می‌دهد.

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

منبع: hooshio.com

شروع یادگیری هوش مصنوعی ؛ راهنمایی برای تازه‌کاران

مسئله‌ی یادگیری هوش مصنوعی به «تب هوش مصنوعی» این روزها بی‌ارتباط نیست. هر روزی که می‌گذرد دامنه‌ی کاربردهای هوش مصنوعی در زندگی روزمره‌ی ما گسترده‌تر می‌شود. وقتی که از گوگل می‌خواهیم رستوران‌های نزدیک به خانه‌ی ما را برای‌مان لیست کند، تا پیج‌هایی که  فیس‌بوک و اینستاگرام و توئیتر برای دنبال کردن به ما پیشنهاد می‌دهند، همگی بر اساس هوش مصنوعی کار می‌کنند.

همین کاربردهای روبه‌گسترش هوش مصنوعی بسیاری از غیرمتخصصان را نیز جذب این حوزه کرده است. احتمالاً برای شروع یادگیری هوش مصنوعی شما هم سوالات زیادی دارید. واقعاً هوش مصنوعی را از کجا باید شروع کرد؟ پیش‌نیازهای یادگیری هوش مصنوعی چیست؟

برای ورود به حوزه‌ی هوش مصنوعی باید چه رشته‌ای بخوانیم؟

برای ورود به بازار کار هوش مصنوعی لزومی ندارد که حتماً در این حوزه تحصیلات دانشگاهی داشته باشید. این مهارت‌ها و توانایی‌های شماست که کارفرمایان را مجاب می‌کند با شما همکاری کنند، نه مدرک دانشگاهی. اما طبیعتاً تحصیل در این رشته می‌تواند به شما در درک بهتر موضوعات این حوزه کمک کند. هوش مصنوعی یکی از گرایش‌های رشته‌ی مهندسی کامپیوتر در مقطع ارشد است. برای اینکه وارد این رشته شوید، لزومی ندارد که حتماً در مقطع کارشناسی هم کامپیوتر خوانده باشید. هوش مصنوعی امروز ماهیت بین‌رشته‌ای پیدا کرده است و وارد حوزه‌های مختلفی شده است، از علوم پایه بگیرید تا انواع رشته‌های مهندسی.

۱- علاقه؛ گام اول شروع یادگیری هوش مصنوعی

بیایید همین ابتدا تکلیف خودمان را روشن کنیم. اگر مطمئنید به مباحث هوش مصنوعی علاقه ندارید بهتر است همین الان به سراغ علایقتان بروید. فرصت‌ها در زندگی کم است و منطقی است برای چیزی که علاقه‌ای به آن ندارید وقت نگذارید. اما اگر به‌تازگی با این حوزه آشنا شده‌اید و دوست دارید اول اطلاعاتتان را بالا ببرید و بعد درباره‌اش تصمیم بگیرید، می‌توانید به سراغ منابعی بروید که در ادامه‌ی مقاله معرفی می‌کنیم.

اگر انگلیسی بلد باشید که خوش‌ به حالتان. منابع بسیار زیادی از مباحث مقدماتی تا پیشرفته به‌صورت رایگان در اختیار خواهید داشت که در مسیر یادگیری هوش مصنوعی کمکتان خواهد کرد. ما در بخش رویدادهای هوش مصنوعی در سایت هوشیو برخی از دوره‌های رایگان دانشگاه‌های برتر جهان را معرفی کرده‌ایم. اما حتی اگر زبان انگلیسی‌تان لنگ می‌زند هم نگران نباشید. سعی می‌کنیم در ادامه ترکیبی از منابع فارسی و انگلیسی را معرفی کنیم تا به کار طیف‌های مختلف علاقه‌مندان هوش مصنوعی بیاید.

۲- صبور باشید

یادگیری هر موضوعی طبیعتاً سختی‌های خودش را دارد. همین که می‌توانید این متن را بخوانید نتیجه‌ی صبر و تحملی است که زمان یادگیری حروف الفبا داشتید. شروع یادگیری هوش مصنوعی هم سختی‌های خودش را دارد. جا نزنید. فراموش نکنید که حداقل هفتاد سال زمان برده تا هوش مصنوعی به اینجا برسد، بنابراین نمی‌توانید چندماهه پرونده‌ی یادگیری‌اش را ببندید. هوش مصنوعی حوزه‌ای روبه‌گسترش است. روزی نیست که اخبار یافته‌های جدیدی در این حوزه منتشر نشود. حتی کسانی که سال‌هاست وارد این حوزه شده‌اند مجبورند خود را به‌روز نگه‌دارند. شروع یادگیری هوش مصنوعی تازه آغاز ماجراست. یادگیری در این شاخه از علم هیچ‌گاه به پایان نمی‌رسد.

۳- داشتن تصویر کلی

اگر چند وقتی است که خیلی جدی دارید دنبال نقشه‌ی راهی برای شروع یادگیری هوش مصنوعی می‌گردید، احتمالاً این مقاله اولین مطلبی نیست که در این مورد می‌خوانید. بیشتر مطالبی که در این مورد نوشته شده این مرحله‌ی مهم را از قلم انداخته‌اند. شاید با اصطلاح bird’s-eye view آشنا باشید. داشتن تصویر کلی از آن چیزی که در انتظارتان است، از موضوع درک بهتری به شما می‌دهد. شاید شما فقط به یکی از شاخه‌های هوش مصنوعی علاقه داشته باشید. پس از آموختن مباحث مقدماتی به سراغ بخشی بروید که دوست دارید. فراموش نکنید که آرمان اولین کوشندگان حوزه‌ی هوش مصنوعی ساختن فناوری‌هایی بود که بتوانند کارهایی شبیه به انسان‌ها انجام دهند. بخش‌های مختلف هوش مصنوعی که به‌صورت خلاصه در ادامه برای‌تان می‌آوریم تلاش‌هایی است برای تحقق، یا حتی فراتر رفتن از این رویا.

پردازش زبان طبیعی (Natural language processing)

احتمالاً بارها و بارها از سرویس ترجمه‌ی گوگل استفاده کرده‌اید. بد نیست بدانید که گوگل ترنسلیت یکی از فناوری‌هایی است که در آن از پردازش زبان طبیعی استفاده شده است. زبان طبیعی همین زبانی است که ما برای برقراری ارتباط با هم از آن استفاده می‌کنیم؛ زبانی که در کودکی می‌آموزیم و برای برقراری ارتباط با محیط اطرافمان از آن بهره می‌بریم. معمولاً زبان طبیعی را در برابر  زبان مصنوعی قرار می‌دهند. ما زبان مصنوعی را  برای ارتباط با ماشین‌ها ساخته‌ایم، مثل زبان‌های برنامه‌نویسی. در واقع زبان‌های مصنوعی به‌صورت آگاهانه ساخته می‌شوند، اما زبانی که خودمان با آن حرف می‌زنیم را ما نساخته‌ایم؛ زبانی است که به‌صورت طبیعی و از کودکی آموخته‌ایم. پردازش زبان طبیعی فرایندی است که طی آن سعی می‌کنیم زبان طبیعی را به ماشین بیاموزیم تا ماشین بتواند بخشی از کارهایی را که ما با زبان انجام می‌دهیم به‌جای ما انجام دهد. نرم‌افزارهایی مثل گرامرلی (Grammarly) که متن انگلیسی را برای ما ویرایش می‌کند نیز از همین نوع تکنولوژی استفاده کرده است. اگر کنجکاوید بدانید در زمینه‌ی زبان فارسی در این حوزه چه کارهایی انجام شده می‌توانید برای مثال به سایت شرکت ترگمان سری بزنید. البته کارهای بزرگ دیگری نیز در حال انجام است که در مقالات دیگرمان به آن‌ها خواهیم پرداخت.

داده‌کاوی (Date Mining)

فرض کنید شرکتی می‌خواهد از مصرف‌کنندگان محصولاتش بازخورد بگیرد و تصویری از انتظارات مشتریان داشته باشد، تا بتواند از طریق آن به‌صورت واقع‌بینانه‌ای برای آینده برنامه‌ریزی کند. این شرکت در قدم اول نیاز دارد داده‌های خوبی از نظر کمی و کیفی جمع‌آوری کند. مرحله‌ی دوم تحلیل این داده‌هاست. در تحلیل داده‌هاست که اطلاعات مفید از میان حجم بالایی از اطلاعات بیرون کشیده می‌شود و الگوهایی برای برنامه‌های آتی ترسیم می‌شود. حال شرکتی را تصور کنید در حدواندازه‌های گوگل، با انبوهی داده که نیاز به تحلیل دارد. در اینجاست که داده کاوی به کار می‌آید. در داده‌کاوی تحلیل داده‌ها از خلال الگوریتم‌هایی انجام می‌شود که کارشان بیرون کشیدن الگوها و هم‌بستگی از دل  مجموعه‌داده‌هاست. شاید بتوان داده‌کاوی را نقطه تلاقی آمار، یادگیری ماشین (Machine Learning) و هوش مصنوعی دانست. در ایران نیز داریم شرکت‌هایی که کارشان جمع‌آوری و تحلیل داده‌هاست. در مطلب شرکت‌های داده کاوی در ایران می‌توانید با آن‌ها آشنا شوید.

اگر می‌خواهید اطلاعات بیشتری در این حوزه به دست آورید می‌توانید سری به فیلم‌های آموزش علوم داده سایت نیز بزنید.

بینایی ماشین (Machine Vision)

بینایی ماشین فناوری است که به ماشین امکان دیدن می‌دهد. سیستم‌های بازشناسی چهره شاید مثال خوبی از کاربردهای عملی این فناوری باشند. این سیستم‌ها از طریق تحلیل ویژگی‌های فیزیولوژیک چهره می‌توانند هویت فرد را تشخیص دهند. می‌توانید در مطلب شرکت‌های فعال در حوزه بینایی ماشین در ایران با آن‌ها آشنا شوید.

پردازش گفتار (Speech Processing)

اگر شما هم از کسانی هستید که تایپ کردن برای‌شان کاری سخت و طاقت‌فرساست، حتماً پیشرفت‌های حوزه‌ی پردازش گفتار را پیگیری کنید. یکی از مهم‌ترین کار سیستم‌های پردازش گفتار تبدیل صوت به متن است. می‌توانید در مطلب شرکت‌های فعال در حوزه پردازش گفتار در ایران با آن‌ها آشنا شوید.

۴- ریاضیات

راستش را بخواهید راه میان‌بُری وجود ندارد. اینجا دیگر جایی است که باید به سراغ ریاضیات و آمار بروید. بدون داشتن پشتوانه‌ی ریاضی درک مباحث هوش مصنوعی برای‌تان دشوار خواهد بود. بهتر است مستقیم به سراغ مباحثی از ریاضیات و آمار بروید که در هوش مصنوعی به کارتان می‌آید. می‌توانید سری به سایت خان آکادمی بزنید. دوره‌های جبرخطی و آمار و احتمالات این سایت به کارتان خواهد آمد. اگر دنبال منابع فارسی می‌گردید می‌توانید از دوره‌ی آموزشی آمار و احتمالات سایت فرادرس نیز استفاده کنید.

۵- زبان‌های برنامه‌نویسی

زبان‌های برنامه‌نویسی راه ارتباطی شما با کامپیوترها و ماشین‌ها هستند. بدون آشنایی با این زبان‌ها نمی‌توانید با سیستم‌ها ارتباط برقرار کنید.

خوشبختانه در چند سال اخیر محتوای آموزشی بسیار زیادی در حوزه‌ی آموزش زبان‌های برنامه‌نویسی تولید شده است. با جست‌وجویی ساده در گوگل دوره‌های برنامه‌نویسی فارسی بسیاری را خواهید یافت. زبان‌های برنامه‌نویسی را می‌توانید با یادگیری پایتون (Python) شروع کنید. پایتون یکی از آسان‌ترین زبان‌های برنامه‌نویسی برای یادگیری است. از طرف دیگر، پایتون به نوعی استاندارد تبدیل شده است که اغلب شرکت‌ها و کارفرمایان از شما انتظار دارند به این زبان برنامه‌نویسی مسلط باشید. نکته‌ی دیگر کتابخانه‌های پایتون است که بسیار قدرتمند و غنی‌اند. انتخاب دوره‌های آموزشی پایتون از میان این همه دوره کار سختی است. اینجا ما برای نمونه به دو دوره‌ی  آموزشی پایتون اشاره می‌کنیم. با یک جست‌وجوی ساده در گوگل می‌توانید به این دوره‌ها برسید:

آموزش پایتون مقدماتی مکتب‌خونه

مبانی برنامه‌نویسی و تفکر الگوریتمی کوئرا

جمع‌بندی

در این مقاله، سعی کردیم تصویری کلی و بسیار خلاصه از بخش‌های مختلف هوش مصنوعی برای‌تان ترسیم کنیم تا در شروع یادگیری هوش مصنوعی نقشه‌ی راهی داشته باشید. واقعیت این است که دیگر نمی‌توان هوش مصنوعی را نادیده گرفت. دور نیست روزی که آگاهی از حوزه‌ی هوش مصنوعی از ملزومات بدیهی همه‌ی شغل‌ها تلقی شود. فردای جهان از آن هوش مصنوعی است. یادگیری هوش مصنوعی را پشت‌گوش نیندازید. راستش را بخواهید شاید فردا برای شروع یادگیری هوش مصنوعی دیر باشد. حالا که قصدش را کرده‌اید که یادگیری را شروع کنید همین مقاله می‌تواند نقطه‌ی آغازی برای فرایند یادگیری‌تان باشد. پیش‌نیازهایی را که در مقاله آوردیم یاد بگیرید. یادگیری هوش مصنوعی را هم از بخشی آغاز کنید که بیشتر علاقه دارید. برای آموزش‌ها و مطالب بیشتر از لینک‌های داخل مقاله استفاده کنید.

منبع: hooshio.com

استفاده از شبکه های مولد تخاصمی برای تولید آثار هنری و فراتر از آن

شبکه های مولد تخاصمی (GAN) به طرز قابل ملاحظه‌ای پیشرفت کرده‌ است؛ از جمله قابلیت‌های پیشرفتۀ آن می‌توان به ترکیب و شبیه­ سازی فوق‌العاده دقیق چهره انسان، بازیابی رنگ و کیفیت ویدئوهای قدیمی و ساخت ویدئوهای دیپ فیک واقع‌گرایانه اشاره کرد. شبکه های‌ مولد تخاصمی عمدتاً بر تولید نمونه تمرکز دارد. پیکرۀ اصلیِ شبکه‌ مولد تخاصمی از تولید کننده و تفکیک کننده تشکیل یافته است. تولید­کننده به ساخت نمونه‌هایی می‌پردازد که معمولاً از داده‌های آموزشی نشات می‌گیرند، اما تفکیک­ کننده به قضاوت درباره نمونه‌هایِ ساخته شده می‌پردازد تا واقعی یا جعلی بودن آنها مشخص شود. مثال: فرد جاعلی که در تلاش است پولی چاپ کند که قابل تشخیص از پول اصلی باشد، اما پلیس در تلاش است تا پول جعلی را تشخیص دهد. اگرچه GAN عمدتاً در زمینه ترکیب و شبیه­سازی عکس به موفقیت‌های چشمگیری دست یافته است، اما آیا امکانِ استفاده از GAN در حوزه‌های دیگر نیز وجود دارد؟

تبدیل عکس به عکس

ترجمه ماشین این قابلیت را دارد که با یادگیری نگاشت‌های جفت جمله یا عبارت، از زبان مبداء به زبان مقصد ترجمه کند؛ به همین ترتیب، ترجمه عکس به عکس نیز به یادگیریِ نگاشت میان عکس ورودی و جفت عکس خروجی می‌پردازد.

بر اساس مطالعه‌ای که در دانشگاه برکلی انجام شد، الگوریتمی ارائه شد که یاد می‌گیرد از عکسی به عکس دیگر ترجمه کند. مثلاً از گورخر به اسب، یا از تابستان به زمستان. محققانِ این دانشگاه در مطالعه خود روشی برای یادگیری در صورت نبودِ مثال‌های جفتی ارائه کردند. این روش که از زبان تخاصمی استفاده می‌کند، می‌تواند مرزهای یادگیری بدون نظارت را جابجا کند. شما می‌توانید با مراجعه وب‌سایتِ ما با کاربردهایِ خلاقانۀ این روش آشنا شوید.

تولید متن

ماهیتِ متن، کار را برای GAN در تولید زنجیره‌هایی از توکن‌های گسسته دشوار می‌کند. خروجی‌های گسسته، انتقالِ آپدیت گرادیان از مدل تفکیک­ کننده به مدل تولید­کننده را به امری سخت و دشوار بدل کرده است. با این حال، آقای «یو» و همکارانش، SeqGAN را برای سرودن شعر چینی پیشنهاد دادند. SeqGAN با استفاده از ابزار BLEU score که در ارزیابی کیفیت متن کاربرد دارد، به سرودن اشعاری می‌پردازد که با نمونه‌های سروده شده توسط انسان توان رقابت دارد. افزون بر این، محققان اشعار چینیِ اصیل و تولید شده با این ابزار را ادغام نموده و از کارشناسان چینی در حوزه شعر دعوت به عمل آوردند تا دیدگاه خود را درباره اشعار اصیل و اشعار سروده شده توسط ماشین را اعلام کنند. در کمال تعجب، این کارشناسان نتوانستند اشعار اصیل را از اشعار ماشینی تشخیص دهند!

تولید گراف شبکه

قابلیت تولید گراف‌های ترکیبی اما واقع‌گرایانه از اهمیت بسزایی در تشخیص نابهنجاری برخوردار است؛ به طوری که تفکیک میان شبکه‌های غیرعادی و شبکه‌های عادی به آسانی صورت می‌گیرد. بوچفسکی و همکارانش، NetGAN را پیشنهاد دادند. NetGAN گراف‌هایی تولید می‌کند که الگوهای مشهور شبکه را با استفاده از Wasserstein GAN نمایش می‌دهد. تولید­کننده NetGAN یاد می‌گیرد که گام‌های تصادفی در گراف واقعی ایجاد کند، اما تفکیک­ کننده این گراف را از گراف‌های اصلی تمییز می‌دهد.

ترکیب یا سنتز صدا

سنتز صدا در طراحیِ خلاقانۀ صدا در موسیقی و فیلم به کار برده شده است. این کلیپ‌های صوتی در پایگاه‌های داده بزرگی از افکت‌های صوتی ذخیره می‌شوند، اما شاید افکت صوتی ایده‌آلی در کتابخانه وجود نداشته باشد. آیا این امکان وجود دارد که با تنظیم چند پارامتر ورودی، افکت‌های صوتیِ مربوط به حرکت روی مسیرهای سنگریزه‌دار یا مسیرهای شِنی را تولید کنیم؟ محققان دانشگاه کالیفرنیا به ارائۀ WaveGAN پرداختند. این ابزار یاد می‌گیرد تا صدا را برای تولید افکت‌های صوتی سنتز یا ترکیب کند. این ابزار در تولید افکت‌های صوتیِ نواخته شدن طبل عملکرد خوبی داشته است. WaveGAN می‌تواند صدای انواع گوناگونی از پرندگان را نیز تولید کند. این ابزار برای تولید صداهای پیانو از طیف وسیعی از الگوهای ریتمیک استفاده می‌کند. نمونه صداهای مربوط به آزمایش در این لینک گنجانده شده است.

یو و همکارانش از SeqGAN با آموزش مجموعه‌ای قطعات موسیقی محلی به تولید آثار موسیقیایی پرداختند. این محققان در کارهای تحقیقاتی‌شان، فایل‌های midi را به زنجیره‌ای از اعداد (۱ تا ۸۸) تبدیل کردند تا ۸۸ صدای مختلف کلیدهای پیانو را پوشش دهند. روش آنان عملکردی بهتر از الگوریتم‌های موجود داشت، اما کارشناسان در خصوص قطعات موسیقیِ تولید شده اظهار نظر نکرده‌اند.

منبع: hooshio.com