"  مقدمه  "

امروزه فناوری با سرعت زیادی در حال پیشرفت است و یکی از شگفت‌انگیزترین فناوری‌هایی که در سال‌های اخیر توجه بسیاری از مردم را به خود جلب کرده، هوش مصنوعی است. هوش مصنوعی به ماشین‌ها و رایانه‌ها کمک می‌کند تا بعضی از کارهایی را انجام دهند که معمولاً به توانایی‌های انسانی مانند یادگیری، تشخیص الگو، حل مسئله و تصمیم‌گیری نیاز دارند. شاید تصور کنیم هوش مصنوعی چیزی مربوط به آینده است، اما در حقیقت همین حالا هم در بسیاری از بخش‌های زندگی ما حضور دارد.  وقتی تلفن همراه چهره‌ی ما را تشخیص می‌دهد، وقتی یک برنامه موسیقی یا فیلمی را پیشنهاد می‌کند که ممکن است دوست داشته باشیم، یا وقتی یک دستیار هوشمند به پرسش‌های ما پاسخ می‌دهد، نمونه‌هایی از کاربرد هوش مصنوعی را می‌بینیم.

هوش مصنوعی می‌تواند در زمینه‌های مختلفی مانند آموزش، پزشکی، حمل‌ونقل، کشاورزی، علوم و ارتباطات به انسان‌ها کمک کند. برای مثال، پزشکان می‌توانند از برخی ابزارهای هوش مصنوعی برای بررسی اطلاعات پزشکی استفاده کنند و دانش‌آموزان نیز می‌توانند از فناوری‌های هوشمند برای یادگیری بهتر بهره ببرند. با این حال، استفاده از هوش مصنوعی همیشه ساده نیست و پرسش‌هایی درباره‌ی درست استفاده کردن از آن، حفظ حریم خصوصی و تأثیر آن بر آینده‌ی انسان‌ها به وجود آمده است.

در این کتاب، قدم‌به‌قدم وارد دنیای شگفت‌انگیز هوش مصنوعی می‌شویم. با مفهوم آن 

آشنا می‌شویم، کاربردهایش را بررسی می‌کنیم، مزایا و چالش‌هایش را می‌شناسیم و درباره‌ی آینده‌ای صحبت می‌کنیم که در آن هوش مصنوعی می‌تواند نقش مهمی داشته باشد.

پس با ما همراه شوید تا ببینیم هوش مصنوعی چگونه زندگی ما را تغییر داده است و چگونه ممکن است آینده‌ی ما را شکل دهد.

" فصل اول: هوش مصنوعی چیست؟ "     

تا به حال فکر کرده‌ایم یک رایانه چطور می‌تواند چهره‌ی ما را تشخیص دهد؟ یا چگونه یک برنامه می‌تواند حدس بزند چه فیلمی را دوست داریم؟

پاسخ بسیاری از این پرسش‌ها به فناوری شگفت‌انگیزی به نام هوش مصنوعی مربوط می‌شود.

هوش مصنوعی یا AI، مجموعه‌ای از روش‌ها و فناوری‌هاست که به رایانه‌ها و ماشین‌ها کمک می‌کند بعضی کارها را انجام دهند که معمولاً به توانایی‌های انسانی مانند یادگیری، تشخیص الگو، درک زبان، پیش‌بینی و حل مسئله نیاز دارند.

البته هوش مصنوعی دقیقاً مثل مغز انسان فکر نمی‌کند. رایانه‌ها احساسات و تجربه‌های انسانی را به همان شکل ما ندارند. آن‌ها با استفاده از داده‌ها و روش‌های ریاضی، الگوها را پیدا می‌کنند و بر اساس آنچه آموخته‌اند، پاسخ یا پیش‌بینی ارائه می‌دهند.

تصور کن می‌خواهیم به یک رایانه کمک کنیم تا گربه‌ها را در عکس‌ها تشخیص دهد. اگر نمونه‌های زیادی از عکس‌های گربه به یک سیستم هوش مصنوعی نشان داده شود، سیستم می‌تواند ویژگی‌ها و الگوهای مختلفی را در این تصاویر پیدا کند.

هرچه داده‌های مناسب‌تر و آموزش بهتری داشته باشد، ممکن است در تشخیص تصاویر جدید عملکرد بهتری پیدا کند.

این فرایند یکی از پایه‌های مهم یادگیری ماشین است؛ روشی که در آن رایانه‌ها از داده‌ها برای پیدا کردن الگو و انجام پیش‌بینی استفاده می‌کنند.

شاید فکر کنی هوش مصنوعی فقط در آزمایشگاه‌های علمی یا ربات‌های پیشرفته وجود دارد، اما این‌طور نیست!

امروزه نمونه‌هایی از آن در زندگی روزمره دیده می‌شوند.

وقتی تلفن همراه می‌تواند چهره را تشخیص دهد، وقتی یک برنامه موسیقی آهنگی را پیشنهاد می‌کند، یا وقتی یک دستیار هوشمند به پرسش ما پاسخ می‌دهد، ممکن است با نوعی از فناوری هوش مصنوعی روبه‌رو باشیم.

هوش مصنوعی همچنین در زمینه‌هایی مانند پزشکی، آموزش، کشاورزی، حمل‌ونقل و علوم کاربرد دارد و می‌تواند به انسان‌ها در انجام بعضی کارها کمک کند. 

هوش مصنوعی هنوز در حال پیشرفت است و هر روز روش‌های تازه‌ای برای استفاده از آن به وجود می‌آید.

اما یک نکته مهم را نباید فراموش کنیم:

هوش مصنوعی یک ابزار است؛ این انسان‌ها هستند که تصمیم می‌گیرند چگونه از آن استفاده کنند.

پس شناختن هوش مصنوعی فقط به معنای شناختن یک فناوری جدید نیست. ما باید یاد بگیریم چگونه از آن درست، مسئولانه و هوشمندانه استفاده کنیم.

در فصل بعد، به گذشته سفر می‌کنیم و می‌بینیم ایده‌ی ساخت ماشین‌های هوشمند از کجا شروع شد.

فصل دوم: سفر به گذشته‌ی هوش مصنوعی

امروز وقتی درباره‌ی هوش مصنوعی صحبت می‌کنیم، شاید یاد ربات‌های پیشرفته، خودروهای هوشمند یا برنامه‌هایی بیفتیم که می‌توانند به پرسش‌های ما پاسخ دهند. اما آیا می‌دانستی ایده‌ی ساخت ماشین‌های هوشمند، خیلی قدیمی‌تر از چیزی است که فکر می‌کنیم؟

برای پیدا کردن آغاز داستان هوش مصنوعی، باید کمی به گذشته سفر کنیم!

از زمان‌های بسیار دور، انسان‌ها به ساخت ابزارهایی فکر می‌کردند که بتوانند بعضی کارها را به جای انسان انجام دهند.

با پیشرفت علم و ساخت ماشین‌های حسابگر، این رؤیا کم‌کم شکل تازه‌ای پیدا کرد. دانشمندان از خودشان پرسیدند: «آیا می‌توان ماشینی ساخت که بتواند فکر کند و مسئله حل کند؟»

در ابتدا، رایانه‌ها بسیار بزرگ بودند و توانایی‌هایشان با رایانه‌های امروزی قابل مقایسه نبود. آن‌ها بیشتر برای انجام محاسبات و پردازش اطلاعات استفاده می‌شدند.

اما دانشمندان به این موضوع علاقه‌مند بودند که آیا رایانه می‌تواند کارهایی پیچیده‌تر از محاسبات ساده انجام دهد یا نه.

در دهه‌ی ۱۹۵۰ میلادی، پژوهشگران به‌طور جدی‌تر درباره‌ی «هوش مصنوعی» تحقیق کردند.

در سال ۱۹۵۶، گروهی از دانشمندان در یک نشست علمی در آمریکا درباره‌ی ساخت ماشین‌هایی که بتوانند از بعضی توانایی‌های هوشمندانه برخوردار باشند، گفت‌وگو کردند. این رویداد معمولاً یکی از نقاط مهم در شکل‌گیری رشته‌ی هوش مصنوعی به شمار می‌آید.

از آن زمان، پژوهشگران تلاش کردند برنامه‌هایی بسازند که بتوانند مسائلی را حل کنند که به نظر می‌رسید به نوعی هوش نیاز دارند.

رایانه‌ها چه چیزهایی یاد گرفتند؟

در سال‌های بعد، برنامه‌های رایانه‌ای توانستند در بعضی کارها پیشرفت کنند؛ برای مثال، حل کردن مسائل منطقی، بازی کردن و پردازش برخی اطلاعات.

البته مسیر همیشه آسان نبود.

رایانه‌ها محدودیت‌های زیادی داشتند، اطلاعات کافی در دسترس نبود و قدرت پردازشی آن‌ها نیز بسیار کمتر از امروز بود. به همین دلیل، پیشرفت هوش مصنوعی در بعضی دوره‌ها کند شد.

اما دانشمندان دست از تلاش برنداشتند.

با گذشت زمان، رایانه‌ها قدرتمندتر شدند و حجم بسیار زیادی از اطلاعات دیجیتال تولید شد. اینترنت، تلفن‌های هوشمند و دستگاه‌های مختلف باعث شدند داده‌های بیشتری در اختیار پژوهشگران قرار بگیرد.

این اتفاق فرصت تازه‌ای برای هوش مصنوعی ایجاد کرد.

روش‌هایی مانند یادگیری ماشین به رایانه‌ها کمک کردند تا بتوانند از داده‌ها الگو پیدا کنند و در انجام بعضی وظایف عملکرد بهتری داشته باشند.

بعدها پیشرفت سخت‌افزار، افزایش داده‌ها و روش‌های جدید یادگیری باعث شد هوش مصنوعی با سرعت بیشتری رشد کند. 

از رؤیا تا واقعیت                                     

داستان هوش مصنوعی نشان می‌دهد که بسیاری از فناوری‌های بزرگ، یک‌شبه به وجود نیامده‌اند.

سال‌ها تحقیق، آزمایش، شکست، ایده‌های تازه و تلاش دانشمندان باعث شد هوش مصنوعی از یک ایده‌ی علمی به فناوری‌ای تبدیل شود که امروز در بخش‌هایی از زندگی ما حضور دارد.

اما سفر ما هنوز تمام نشده است!

در فصل بعد، می‌خواهیم ببینیم هوش مصنوعی دقیقاً چگونه از داده‌ها یاد می‌گیرد و ماشین‌ها چطور می‌توانند الگوها را پیدا کنند. 

تصور کن یک دانش‌آموز تازه وارد کلاس شده است. معلم چندین نمونه  او نشان می‌دهد، اشتباه‌هایش را اصلاح می‌کند و کم‌کم او می‌تواند سؤال‌های جدید را پاسخ دهد.

در دنیای هوش مصنوعی هم چیزی شبیه به این اتفاق می‌افتد؛ با یک تفاوت بزرگ:

دانش‌آموز ما یک رایانه است!

رایانه برای یادگیری به چیزی بسیار مهم نیاز دارد: داده.

داده یعنی اطلاعاتی که می‌توان آن‌ها را بررسی و پردازش کرد.

یک عکس، یک جمله، یک صدای ضبط‌شده، یک عدد یا حتی اطلاعات مربوط به یک اتفاق می‌تواند نوعی داده باشد.

حالا تصور کن می‌خواهیم سیستمی بسازیم که بتواند عکس‌های مختلف را دسته‌بندی کند.

اگر فقط یک یا دو عکس به آن نشان دهیم، اطلاعات بسیار کمی برای یادگیری دارد. اما اگر هزاران یا میلیون‌ها نمونه‌ی مناسب در اختیارش باشد، فرصت بیشتری برای پیدا کردن الگوها خواهد داشت. 

هوش مصنوعی به جای اینکه فقط اطلاعات را حفظ کند، در بسیاری از روش‌ها تلاش می‌کند الگوهای موجود در داده‌ها را پیدا کند.

برای مثال، فرض کن یک سیستم باید تصاویر دست‌خط را بررسی کند.

ممکن است شکل حروف، اندازه‌ی آن‌ها و نحوه‌ی قرار گرفتنشان در کنار یکدیگر، اطلاعاتی باشند که سیستم از آن‌ها برای تشخیص الگو استفاده می‌کند.

پس از آموزش، وقتی نمونه‌ی جدیدی به سیستم داده می‌شود، می‌تواند آن را با الگوهایی که در فرایند آموزش پیدا کرده مقایسه کند و یک نتیجه ارائه دهد.

حالا یک مشکل جالب وجود دارد.

اگر داده‌های آموزشی ناقص، کم‌کیفیت یا نامناسب باشند، نتیجه‌ی سیستم هم ممکن 

است خوب نباشد.

مثلاً اگر دانش‌آموزی فقط چند نوع سؤال را تمرین کند، ممکن است هنگام روبه‌رو شدن با سؤال‌های متفاوت دچار مشکل شود.

سیستم‌های هوش مصنوعی هم به داده‌ها و روش آموزش مناسب نیاز دارند.

به همین دلیل، دانشمندان و مهندسان هنگام ساخت یک سیستم هوش مصنوعی، فقط به «یادگیری» آن توجه نمی‌کنند؛ بلکه باید بررسی کنند که سیستم روی نمونه‌های جدید چگونه عمل می‌کند. 

بعد از آموزش، سیستم را با داده‌هایی که برای آموزش مستقیم آن استفاده نشده‌اند نیز آزمایش می‌کنند.

اگر نتیجه مناسب نباشد، ممکن است روش آموزش، داده‌ها یا تنظیمات سیستم تغییر کند و دوباره آزمایش انجام شود.

این فرایند می‌تواند بارها تکرار شود تا سیستم عملکرد بهتری پیدا کند.