اصطلاح هوش مصنوعی

هوش مصنوعی چیست؟

توصیفی برای هوش مصنوعی

ماهیت هوش مصنوعی:

به‌طور کلی ماهیت وجودی هوش به مفهوم جمع‌آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم به‌کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود. هوش مصنوعی علم و مهندسی ایجاد ماشین‌هایی هوشمند با به ‌کارگیری کامپیوتر و الگوگیری از درک هوش انسانی یا حیوانی و نهایتاً دست یابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.

مقایسه هوش مصنوعی و انسانی:

در مقایسه هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده، تجزیه و تحلیل مسائل، در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و فرآیند هایی، از قبل تعبیه شده بر روی کامپیوتر است. در نتیجه علی ‌رغم وجود رایانه ‌های بسیار کارا و قوی در عصر حاضر، ما هنوز قادر به پیاده کردن سیستمی نزدیک به هوش انسان در ایجاد هوش‌های مصنوعی نبوده‌ایم.
به‌طور کلی، هوش مصنوعی را می‌توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. ما باید بین هوش مصنوعی به عنوان یک هدف، رشته تحصیلی دانشگاهی، یا به عنوان مجموعه فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته‌است تفاوت قائل شویم.

مقاله محققان ایرانی در زمینه هوش مصنوعی:

محققان ایرانی 1830 مقاله در زمینه هوش‌مصنوعی منتشر کرده اند که از این تعداد 1672 مورد یعنی حدود 92 درصد از مقالات ارائه‌ شده، از نظر علمی قابل استناد هستند. کشور های ترکیه، عربستان سعودی، مصر، امارات متحده عربی، عراق، اردن، قطر، لبنان، عمان، کویت، بحرین، یمن و سوریه به‌ ترتیب در رتبه‌های بعد از ایران قرار گرفته‌اند. همچنین ایران در میان 155 کشور جهان که از دانش هوش مصنوعی برخوردارند، رتبه نهم را دارا است. چین صدرنشین کشور های جهان در زمینه ی هوش مصنوعی است. نکته قابل‌ توجه این است که محققان ایرانی نیز در رتبه‌ بندی دستیابی به دانش و تحقیقات در زمینه هوش مصنوعی بالاتر از کشور های کره‌جنوبی، استرالیا، کانادا، اسپانیا، برزیل، مالزی، سنگاپور و لهستان قرار دارند.

آماری از سوی معاونت علمی و فناوری:

طبق آماری که از سوی معاونت علمی و فناوری ریاست‌ جمهوری ارائه شده است، درحال‌حاضر 60 کشور، سند ملی برای توسعه این فناوری کاربردی در کشور خود تنظیم کرده‌اند. در این راستا 10 کشور، چین، ویتنام، اندونزی، آمریکا، تایلند، برزیل، فرانسه، انگلستان، لهستان و ایتالیا رشد قابل‌توجهی داشته‌اند و بیشترین میزان استفاده از این فناوری را دارند. برآوردها نشان می‌دهد حجم اقتصادی این فناوری نوظهور در دنیا تا سال 2030، رقمی حدود ۱۶هزار میلیارد دلار برآورد شده است. همچنین براساس آمار‌های جهانی پیش‌بینی‌شده ۴۷ درصد از کل جایگاه‌های شغلی در سال ۲۰۳۰ به شکلی اتوماسیون و بدون حضور انسان انجام ‌شوند.

تدریس هوش مصنوعی در ایران

بی‌شک باید یکی از بزرگ‌ترین روزنه‌‌های اقتصادی کشور در آینده نزدیک را فناوری هوش مصنوعی دانست. ایران نیز در سال‌های اخیر و با رشد روزافزون سطح علمی و فناوری کشور، همگام با دیگر کشورهای دنیا به اهمیت توسعه هوش مصنوعی واقف شده است. در این راستا، دانشگاه‌ها در جایگاه مراکز علمی، پیشتاز توسعه فناوری‌ هوش مصنوعی بوده ‌اند و در حال ‌حاضر دانشگاه ‌های متعددی در ایران رشته هوش مصنوعی را به‌عنوان یکی از گرایش‌های تحصیلی خود، به متقاضیان تحصیل در این رشته ارائه می‌دهند.

دانشگاه‌ های: شریف، امیرکبیر، تهران، علم ‌و صنعت، شهید بهشتی، خواجه ‌نصیرالدین طوسی، صنعتی اصفهان، شیراز، فردوسی مشهد و دانشگاه اصفهان را می توان به‌عنوان بهترین دانشگاه‌های این رشته از لحاظ سطح علمی اساتید، کیفیت، رتبه و سطح علمی دانشگاه نام برد.

دستاوردهای علمی ایران در سال ۲۰۱۸ در حوزه هوش مصنوعی موجب شد ایران در نظام رتبه‌بندی سایمگو که یک گروه پژوهشی در اسپانیا می باشد، صدرنشین علم هوش مصنوعی در غرب آسیا باشد.

موارد استفاده از هوش مصنوعی:

استفاده از هوش مصنوعی، محدود به یک یا چند حوزه نمی‌شود. تمام فعالان اقتصادی، اجتماعی، سیاسی و به‌طور کلی همه بخش‌های خدمات‌رسان در هر کشوری می‌توانند از هوش مصنوعی در راستای پیشبرد اهداف خود و صرفه‌جویی در وقت و هزینه استفاده کنند. شاید ذکر چند مثال، جایگاه هوش مصنوعی را در زندگی روزمره مشخص و اهمیت آن را تبیین کند. قانون و حوزه‌های حقوقی یکی از بسترهای استفاده از هوش مصنوعی است. از آنجایی که بخش عمده‌ ای از تحقیقات که در حوزه قانون و رسیدگی به شکایات انجام می‌شود، بسیار وقت‌گیر و پرهزینه است و از سویی دیگر با در نظر گرفتن اینکه انسان ممکن به خطاست و می‌تواند مرتکب اشتباه شود و ممکن است با کوچک‌ترین خطای یک وکیل، زندگی یک فرد با مخاطره مواجه شود، لذا بسیاری از شرکت‌های حقوقی، به سیستم‌های کشف الکترونیکی با استفاده از هوش مصنوعی روی آورده‌اند. این سیستم‌ها ایمیل‌ها و اسناد را غربال گری می‌کنند تا موارد مرتبط با یک دادخواهی را شناسایی کنند. براساس آمار، سیستم‌ های کشف الکترونیکی تقریبا در ۹۵ درصد زمان وکالت صرفه ‌جویی می‌کنند.

خدمات مالی:

خدمات مالی یکی دیگر از بخش‌هایی است که از هوش مصنوعی برای تصمیم‌گیری در آن استفاده می‌شود. در این حوزه، شرکت ‌ها می‌توانند با استفاده از این فناوری به تجزیه و تحلیل فوری داده‌ ها بپردازند، به‌عنوان مثال یک بانک می‌تواند با استفاده از هوش مصنوعی پیشنهادهای بهتری از خدمات بانک به مشتری ارائه دهد و با تحلیل شرایط بازار، تصمیمات گذشته مشتری و رویداد های اخیر زندگی وی بهترین خدمات را در اختیار مشتریان خود بگذارد.

کاربرد هوش مصنوعی:

کاربرد هوش مصنوعی در حوزه حمل‌ و نقل و ترافیک نیز بسیار مهم است، مثلا مدیریت هوشمند حمل‌ونقل و ترافیک هم‌اکنون از طریق ابزارهای هوش مصنوعی با کمترین میزان اشتباه انجام می‌شود. این موارد، تنها بخش کوچکی از کاربردهای هوش مصنوعی در حوزه‌‌های مختلف است. با وجود این، روزبه‌روز بهره‌گیری از هوش مصنوعی در دنیا رو به فزونی می باشد و تکنولوژی ‌های نوین به کمک کارکرد های هوش مصنوعی به زندگی انسان‌ها وارد می شوند.

حمایت از توسعه فناوری هوش مصنوعی:

در ایران حمایت از توسعه فناوری هوش مصنوعی توسط ستاد توسعه فناوری ‌های اقتصاد دیجیتال معاونت علمی و فناوری ریاست‌ جمهوری دنبال می‌شود. این ستاد اعلام کرده است به ‌دنبال افزایش پنج برابری سرمایه‌گذاری‌ های دولتی و خصوصی در این صنعت جهانی می باشد و این ضرورت در ایران هم درک شده است، بر همین اساس نخبگان و سرآمدان علمی کشور با ورود به این عرصه می‌کوشند زیست‌بوم فناوری و نوآوری هوش مصنوعی در کشور را ارتقا دهند.

اقداماتی در این راستا:

یکی از اقداماتی که در این راستا انجام شده تلاش برای افزایش تعداد استارتاپ‌های این حوزه به حدود 200 مورد است که از این رهگذر سرمایه‌گذاران برای حضور در حوزه هوش مصنوعی ترغیب شوند. بر این اساس ستاد فناوری هوش مصنوعی با سه دانشگاه فعال در این حوزه وارد مذاکره شده تا آزمایشگاه‌های تخصصی هوش مصنوعی در این دانشگاه‌ها راه‌اندازی شود. به‌گفته معاون فناوری و نوآوری وزارت ارتباطات و فناوری اطلاعات، درحال ‌حاضر ایران در حوزه دانشی و بهره‌مندی از نیروی انسانی در حوزه هوش مصنوعی وضعیت مناسبی در دنیا دارد. همچنین ایران از نظر فارغ‌ التحصیلان دانشگاهی و توسعه فناوری هوش مصنوعی بین رتبه هفتم تا پانزدهم جهان قرار گرفته است.

هوش مصنوعی در برابر کرونا

تجزیه و تحلیل

کم خطا ترین راه برای تشخیص بیماری

تشخیص درست بیماری‌، به سال‌ها آموزش در حوزه پزشکی نیاز دارد و حتی پس از گذراندن دوره‌های آموزشی هم تشخیص بیماری، اغلب فرآیندی دشوار و زمان‌بر است. تقاضا برای افراد متخصص در بسیاری از حوزه‌ها، فراتر از شمار افراد قابل دسترس است و کمبود متخصص نیز معمولا تشخیص بیماری و نجات جان بیمار را به تعویق می‌اندازد.
یادگیری ماشینی به خصوص الگوریتم‌های یادگیری عمیق، اخیرا موجب پیشرفت‌های قابل توجهی در تشخیص خودکار، کم‌هزینه و در دسترس‌تر بیماری شده‌اند.
چگونه ماشین‌ها تشخیص دادن را یاد می‌گیرند؟
الگوریتم‌های یادگیری ماشینی می‌توانند یاد بگیرند که الگوها را مانند پزشکان مورد بررسی قرار دهند. یک تفاوت مهم میان دو تشخیص این است که الگوریتم‌ها، به نمونه‌های بسیاری برای یادگیری نیاز دارند و شاید برای آموزش آنها به هزاران نمونه نیاز باشد. از آنجا که ماشین‌ها قادر به مطالعه کتاب نیستند، همه این نمونه‌ها باید به صورت دیجیتال ارائه شوند.
بدین ترتیب، یادگیری ماشینی می‌تواند در حوزه‌هایی کارآمد باشد که در آن، اطلاعات تشخیصی بررسی شده توسط یک پزشک، به صورت دیجیتال ارائه می‌شوند. این حوزه می‌تواند مواردی از این دست را شامل شود:
• تشخیص سرطان ریه یا سکته براساس سی‌تی‌اسکن بیمار.
• ارزیابی خطر ایست ناگهانی قلب یا دیگر بیماری‌های قلبی براساس نوار قلب یا تصاویر ام‌آرآی بیمار.
• طبقه‌بندی ضایعات پوستی در تصاویر ثبت شده از پوست بیمار.
• یافتن شاخص‌های مربوط به عارضه “رتینوپاتی دیابتی”(Diabetic retinopathy) در تصاویر چشم بیمار.

از آنجا که داده‌های بسیاری در این حوزه‌ها موجود هستند، مهارت تشخیص الگوریتم‌های مبتنی بر هوش مصنوعی نیز در حال پیشرفت است. تفاوت میان تشخیص با این الگوریتم‌ها و تشخیص متخصصان این است که الگوریتم می‌تواند در کسری از ثانیه به نتیجه برسد و نتایج آن در سراسر جهان تکثیر شود. شاید به زودی همه افراد در همه جای جهان بتوانند به کیفیت تشخیص متخصصان با هزینه کم دست پیدا کنند.

پیشرفت تشخیص مبتنی بر هوش مصنوعی
کاربرد یادگیری ماشینی در تشخیص، به تازگی آغاز شده و سیستم‌های بیشتری در ادغام چندین منبع داده از جمله سی‌تی‌اسکن، ام‌آرآی، داده‌های مربوط به بیماران و حتی دست‌نوشته‌ها مداخله می‌کنند تا بیماری و روند گسترش آن ارزیابی شود.

هوش مصنوعی جایگزین پزشکان نیست
امکان ندارد که هوش مصنوعی فورا جای پزشکان را بگیرد ولی، سیستم‌های مبتنی بر هوش مصنوعی می‌توانند ضایعه‌های بدخیم یا الگوهای خطرناک قلب را برای متخصصان مشخص کنند و به آنها امکان دهند تا بر تفسیر این نشانه‌ها تمرکز داشته باشند.

کشف سریع دارو
کشف و ارائه دارو، یک فرآیند پرهزینه است. بسیاری از فرآیندهای تحلیلی مورد نیاز برای کشف دارو می‌توانند با کمک یادگیری ماشینی، کارآیی بیشتری داشته باشند. این روش می‌تواند نیاز به سالها پژوهش و صدها میلیون تومان سرمایه‌گذاری را برطرف کند.

هوش مصنوعی در حال حاضر با موفقیت در چهار حوزه مربوط به ارائه دارو به کار می‌رود:
• شناسایی هدف برای مداخله.
• کشف گزینه‌های دارویی.
• سرعت بخشیدن به آزمایش‌های بالینی.
• یافتن زیست‌نشانگرهایی برای تشخیص بیماری.

شناسایی هدف مداخله
نخستین گام برای کشف دارو، درک ریشه بیولوژیکی بیماری و مکانیسم مقاومتی آن است. پس از این مرحله باید اهداف مورد نظر که معمولا پروتئین‌ها هستند، شناسایی شوند تا به درمان بیماری کمک کنند. روش‌هایی مانند بررسی “آران‌ای کوچک سنجاق‌سری”(shRNA) که به صورت گسترده در دسترس قرار دارند، میزان داده‌های قابل ارزیابی برای کشف مسیرهای درمان را به صورت قابل توجهی افزایش داده‌اند اما به کار بردن روش‌های قدیمی، هنوز یک چالش برای ادغام منابع گسترده و گوناگون داده‌ها به شمار می‌رود.
الگوریتم‌های یادگیری ماشینی می‌توانند داده‌های در دسترس را به شکل ساده‌تری تحلیل کنند و حتی یاد بگیرند که به شناسایی خودکار پروتئین‌های مورد نظر بپردازند.

کشف گزینه‌های دارویی
در این مرحله، پژوهشگران باید ترکیبی را پیدا کنند که با مولکول شناسایی شده در تعامل قرار می‌گیرد. این کار به بررسی شمار زیادی از ترکیبات احتمالی نیاز دارد تا اثر آنها بر هدف تشخیص داده شود که این ترکیبات می‌توانند طبیعی یا آزمایشگاهی ارائه شوند.

نرم‌افزارهای کنونی، اغلب بی‌دقت هستند و به زمان زیادی برای بررسی نیاز دارند اما الگوریتم‌های هوش مصنوعی می‌توانند در این مرحله هم مفید واقع شوند. این الگوریتم‌ها، دوام یک مولکول را براساس ساختار آن پیش‌بینی می‌کنند و سپس از میان میلیون‌ها مولکول، بهترین مولکول را انتخاب می‌کنند که با کمترین عوارض جانبی همراه است. بدین‌ ترتیب، زمان قابل توجهی در ارائه دارو صرفه‌جویی خواهد شد.

سرعت بخشیدن به آزمایش‌های بالینی
یافتن گزینه‌های مناسب برای آزمایش‌های بالینی، کار دشواری است و اگر این گزینه‌ها اشتباه انتخاب شوند، زمان و هزینه زیادی را برای آزمایش به همراه خواهند داشت.
یادگیری ماشینی می‌تواند با شناسایی خودکار گزینه‌های مناسب، سرعت طراحی آزمایش‌های بالینی را افزایش دهد و استفاده از آنها را برای گروه‌های خاصی از شرکت‌کنندگان تضمین کند. الگوریتم‌ها می‌توانند گزینه‌های خوب و بد را جدا کنند تا انتخاب بهترین آنها ممکن شود.
این الگوریتم‌ها می‌توانند مانند یک سیستم هشدار در آزمایش‌های بالینی عمل کنند تا آزمایشی که نتیجه کارآمدی در بر ندارد، انجام نشود. بدین ترتیب، پژوهشگران می‌توانند امکان مداخله به موقع را داشته باشند.

یافتن زیست‌نشانگرهایی برای تشخیص بیماری
تنها هنگامی امکان درمان یک بیمار وجود دارد که از تشخیص درست اطمینان داشته باشیم. برخی از روش‌های تشخیص، بسیار پرهزینه هستند و علاوه بر دانش متخصص، به تجهیزات آزمایشگاهی پیچیده‌ای نیاز دارند.
زیست‌نشانگرها، مولکول‌هایی هستند که در مایعات بدن انسان به خصوص خون او وجود دارند و اطمینان لازم را در مورد بیمار بودن شخص فراهم می‌کنند. این مولکول‌ها موجب می‌شوند که روند تشخیص یک بیماری، با ایمنی بیشتر و هزینه کمتری صورت بگیرد.
از زیست‌نشانگرها می‌توان برای بررسی روند گسترش بیماری نیز استفاده کرد تا پزشکان بتوانند درمان مناسب را برای بیماری انتخاب کنند و عملکرد دارو را مورد بررسی قرار دهند. اما کشف زیست‌نشانگرهای مناسب برای یک بیماری خاص، کار دشواری است و به فرآیندی طولانی و پرهزینه برای بررسی ده‌ها هزار مولکول احتمالی نیاز دارد.
هوش مصنوعی می‌تواند بسیاری از کارهایی را که به صورت دستی انجام می‌شوند، خودکارسازی کند و به فرآیند کار سرعت بدهد. الگوریتم‌های مبتنی بر هوش مصنوعی، مولکول‌ها را به دو دسته خوب و بد تقسیم می‌کنند که پزشکان بتوانند به بررسی بهترین گزینه‌ها تمرکز داشته باشند.

زیست ‌نشانگرها را می‌توان برای شناسایی مواردی از این دست به کار برد:
• زیست ‌نشانگر تشخیصی، برای شناسایی به موقع وجود یک بیماری در بدن بیمار.
• زیست ‌نشانگر خطر، برای تشخیص خطر گسترش بیماری در بدن بیمار.
• زیست‌ نشانگر پیش از تشخیص، برای شناسایی احتمال گسترش یک بیماری.
• زیست ‌نشانگر پیش‌بینی، برای شناسایی این که آیا بیمار نسبت به دارو واکنشی خواهد داشت یا خیر.

شخصی‌سازی درمان
بیماران گوناگون، واکنش‌های متفاوتی نسبت به داروها و برنامه‌های درمانی دارند؛ در نتیجه شخصی‌سازی درمان می‌تواند طول عمر فرد را افزایش دهد اما شناسایی عواملی که بر انتخاب درمان تاثیر می‌گذارند، کار بسیار دشواری است.
یادگیری ماشینی می‌تواند با خودکارسازی این روند پیچیده، به کشف ویژگی‌هایی کمک کند که نشان دهد بیمار، واکنش مثبتی نسبت به درمان خواهد داشت. در واقع، الگوریتم‌ها می‌توانند واکنش احتمالی بیمار را نسبت به یک درمان خاص پیش‌بینی کنند.
این الگوریتم‌ها، کار خود را با بررسی بیماران مشابه و مقایسه درمان و پیامدهای آن یاد می‌گیرند. نتایج پیش‌بینی الگوریتم‌ها، به پزشکان کمک می‌کند تا برنامه درمان را ساده‌تر و به درستی طراحی کنند.