تکامل هوش مصنوعی

ما در عصری زندگی می کنیم که رشد گسترده ای در داده و قدرت محاسبه را شاهد هستیم. ما در یادگیری ماشین و یادگیری عمیق پیشرفت های زیادی را شاهد بوده ایم ، اما نیاز به رشد فزاینده ای برای هوش مصنوعی و قابل توضیح بیشتر در حال رشد است.

درک بیشتر مردم از هوش مصنوعی به داستانهای علمی و تخیلی محدود می شود.

پایه های هوش مصنوعی معمولی شامل تکنیک های عددی مانند تجزیه و تحلیل داده ها می شود که میتوان به مواردی همچون تجزیه و تحلیل آماری ، مدل سازی و یادگیری ماشین اشاره کرد. این روش اولیه در مورد هوش مصنوعی طی چند دهه گذشته با موفقیت چشمگیر شرکتهای بی شماری در بسیاری از صنایع همراه بوده است.

علم داده طی دو سال اخیر به عنوان یک موضوع داغ در صنعت مطرح شده است و به یادگیری ماشینی بسیار متکی است که توسط الگوریتم های پیچیده تر و بر مبنای قدرت محاسبات بیشتر بنا شده است .

این رویکرد به ویژه اخیراً دستاوردهای مناسبی را ایجاد کرده است و به پیشرفت یادگیری عمیق منجر شده است. شرکت هایی مانند Google DeepMind بازیگران بزرگی در این زمینه هستند که موفقیت های مختلفی را در صنعت بدست آورده اند. با این حال ، هوش مصنوعی معمولی هنوز در دارایی های صنعتی پیچیده و با ارزش بالا ، به ویژه در شرایط کم تر از ایده آل ، کم ارزش است.

با وجود توانایی آنها در خرد کردن اعداد و یافتن پاسخ ، بیشتر رویکردهای عادی هوش مصنوعی در ارائه و توضیح ، درک روشنی از نحوه تولید پاسخ نمی توانند ارائه دهند.

هوش مصنوعی معمولی درباره دلیل نتیجه گیری اینکه چگونه می توان از این اطلاعات برای کمک به تصمیم گیری مهم استفاده کرد، شفاف نیست و همچنین در توضیح ارائه روشن، در مورد چگونگی توان حلقه های بازخورد ناتوان است. کارشناسان انسانی می توانند با سیستم ها در تعامل باشند و روند رو به رشد خود را در مرور زمان بهتر نمایند.

آیا هوش مصنوعی شما به اندازه کافی زیرک است؟

اعتماد به ماشین

در صنایع پرخطر ، مانند انرژی ، مراقبت های بهداشتی و دارایی ، بدون این که درک روشنی از استدلال آن داشته باشد،  نیاز به ریسک بالایی برای اعتماد به تصمیمات یک ماشین با ارزش واقعی وجود دارد. از آنجا که یادگیری ماشین یک مؤلفه برای بسیاری از سیستم های هوش مصنوعی است ، برای ما اهمیت دارد که دقیقاً بدانیم ماشین در حال یادگیری چه چیزی است.

یادگیری ماشین یک روش عالی برای پردازش داده های زیاد است که می تواند چیزی را برای شما تعریف کند. اما برای اینکه سیستمهای هوش مصنوعی به مشاوران قابل اعتماد در تصمیم گیرندگان انسانی تبدیل شوند ، باید بتوانند دلیل نتایج به دست آمده را توضیح دهند.

برای اینکه سیستم هوش مصنوعی قابل توضیح باشد ، استدلال نمادین را در بالای محاسبه عددی اضافه می کنیم. استدلال نمادین به سیستم اجازه می دهد مانند یک شخص فکر کند و استدلال های شبیه به انسان را به توصیه های خود اضافه کند. این رویکرد ترکیبی از تکنیکهای عادی و عددی با استدلال نمادین ، ​​هوش مصنوعی شناختی نامیده می شود. برای درک شهودی تر این رویکرد ، باید به کاوش در فضا بپردازیم.

از هوش مصنوعی معمولی تا هوش مصنوعی شناختی

هوش مصنوعی نمادین : کلیدی برای قفل شناختی

هوش مصنوعی معمولی برای یافتن الگو به تفسیر داده ها تکیه می کند ، اما در جایی که هیچ داده قدیمی برای تجزیه و تحلیل وجود نداشته باشد ، چه اتفاقی می افتد؟ اینجاست که هوش مصنوعی نمادین کلید می خورد.

هوش مصنوعی نمادین ریشه های عمیقی در برنامه فضایی بدون سرنشین ناسا دارد. وقتی بقیه جهان درگیر تغییر انقلاب یادگیری ماشینی شده بودند ، ناسا سرمایه گذاری در هوش مصنوعی را ادامه داد. گزینه ای جز یادگیری ماشین برای ناسا نبود زیرا اطلاعات کمی در قلمروهای ناشناخته ی فضا وجود دارد. برای پشتیبانی از مأموریتها ۱۵۰ میلیون مایل از زمین باید توانایی تحمل شرایط در حال تغییر به طور خودمختار را داشته باشد.

مریخ نورد Opportunity ناسا اولین مأموریت از نوع خود به مریخ بود ، جایی که شرایط بسیار سخت ، ناشناخته و غیرقابل پیش بینی است. این مریخ نورد نیاز به حل مشکلات تهدیدآمیز برای مأموریت روزانه دارد تا نه تنها به طور مؤثر هدف اصلی خود را انجام دهد ، بلکه همچنین از پشتیبانی عملیاتی برای کلیه آزمایشهای علمی (و سایر کارهایی) که باید انجام دهد اطمینان حاصل شود. به وجود آمدن این نیازهای اساسی باعث شده فن آوری های اساسی پدید آمده اند که آن ها اساس بلوک های بنیادی هوش مصنوعی امروز هستند.

آموخته های هوش مصنوعی از فضا

استقلال بسیار مهم است

استقلال برای کنجکاوی مأموریت مریخ نورد مهم بود. این مریخ نورد برای تردد در محیط نامشخص خود باید متکی به خود باشد و بتواند اهداف خود را برآورده سازد.

ناسا هنگام ارسال اولین مریخ نورد به مریخ ، داده های زیادی در اختیار نداشت. آنها نمی دانستند که هوا یا زمین چگونه به نظر می رسد . با این اوصاف ضروری بود که سیستم با تمام مهارت های لازم برای مقابله با آن برآید  و بطبع به دلیل عدم قطعیت متوقف شود ، اما از طرف دیگر باید خرابی ایجاد نشود و مریخ نورد چیزی برای نمایش دادن داشته باشد.

بدیهی است که برقراری ارتباط بسیار حیاتی بود زیرا در حالی که مریخ نورد در حال کشف اسرار مریخ بود ، مهندسان این جا در روی زمین نمی توانند به ارتباطات در زمان واقعی اعتماد کنند. هفت دقیقه طول می کشد تا یک سیگنال ۱۵۰ میلیون مایل طی کند و هفت دقیقه دیگر هم برای پاسخ دادن به پیام زمان می برد . ما به سختی می توانیم این را “زمان واقعی” بنامیم.

برای اینکه بفهمیم مریخ نورد دقیقاً چه کاری انجام می داد و چه تصمیماتی را به صورت خودمختار اتخاذ می کرد ، باید توانایی برقراری ارتباط وجود بیاید و به مهندسان اجازه ورود دهد تا متوجه شوند دقیقا مریخ نورد چه کاری انجام می دهد و چگونه در مورد اقدامات انجام شده در پاسخ به سناریوهای جدید تصمیم گیری می کند.

به عنوان مثال ، هنگامی که مریخ نورد برای اولین بار در سیاره هدف خود به زمین نشست ، مهندسان می دانستند که مدیریت نیرو یکی از مهمترین موضوعات برای یک مأموریت موفق است. سیستم نمی داند که چگونه وقتی برای اولین بار به مریخ می رسد می تواند همه مشکلات را حل کند ، زیرا به سادگی نمی توان در مورد عواملی مانند آب و هوا یا زمین از قبل آموزش داد . طبیعتا این دانش در دسترس نبوده زیرا مریخ نورد به جایی سفر کرده بود که کسی قبلا آنجا نبوده است.

یکی از فناوری های پویای هسته اصلی سیستم مریخ نورد امروزه در سیستم های فرا تر از حد هوش مصنوعی استفاده می شود: تولید سناریوی فرضی (HSG) .

مدیریت نیرو در مریخ

هنگامی که توده هوای بد به مریخ برخورد کرد ، مریخ نورد مجبور به شارژ مجدد صفحات خورشیدی خود شد تا اینکه HSG شروع به کار کرد و به خود آموخت که با جمع بندی شواهد موجود گرفته شده از محیط اطلاعاتی (از نظر آب و هوا و اندازه گیری های حسگر اضافی) را دریافت کند تا به استدلالی شبیه انسان برسد.

سرانجام ، خود سیستم به مریخ نورد آموزش داده است که صفحات خورشیدی خود را به سمت وارونه بکشد و گرد و غبار جمع شده را که مانع از جذب ضروری اشعه خورشیدی است ، بلرزاند. سیستم، این منطق انسان گونه را برای حل مشکل برای ادامه مأموریت اجرا کرد. با استفاده از این حلقه بازخورد و یادگیری خود مختار ، تفکر شناسایی مانند انسان برای سیستم پدیدار شد.

دانشمندان JPL دریافتند که این مریخ نورد موفق شده است به خود بیاموزد که چگونه می تواند شواهد حسی را با اهداف ماموریت خود مرتبط کند و اولین مدل عملی آب و هوایی یک سیاره دور را بسازد.

در نتیجه ی یک مدیریت هوشمند ، این مأموریت موفقیتی باورنکردنی داشت ، و در واقع بسیار فراتر از زمانبندی که دانشمندان در حال آغاز کار بودند ، گسترش یافت.

کشف ارزش هوش مصنوعی شناختی

چگونه این تجربه در فضا به تحقق ارزش هوش مصنوعی غیر متعارف تبدیل شده است و چگونه راه حل هایی را برای مشکلات چند جانبه در اینجا روی زمین ایجاد کرده است؟

ما به این درک رسیدیم که هوش مصنوعی معمولی برای تکامل به هوش شناختی نیاز دارد. ما قدرت رویکردهای عددی هوش مصنوعی معمولی را با فناوری ادغام کرده ایم که از هوش مصنوعی نمادین برای تولید موتورهای هوش مصنوعی شناختی، قلب فناوری Beyond Limits استفاده می کند. این هوش هیبریدی منحصر به فرد ترکیبی از بهترین روشهای عددی-آماری را با بهترین تکنیکهای منطقی-نمادین ترکیب می کند تا از جمع اجزای آن بیشتر شود.

انسانها در حلقه

هوش مصنوعی شناختی موفقیت آمیز است. زیرا از طریق ترکیب درک مسئله از نظر تئوری های اساسی ، دانش انسانی و اهداف و اولویت هایی که باید مورد توجه قرار گیرند ، هر مسئله را حل می کند. همه این مؤلفه ها ، در رابطه با توان سیستم های عددی ، می توانند داده های متنوعی را در منابع مختلف به دست آورند ، و در نهایت از پیچیده ترین الگوریتم های عددی امروزی برای استخراج ویژگی ها و مفاهیم با ارزش استفاده کنند.

موتور استدلال شناختی از منطق نمادین ، ​​استدلال، شهود ، برنامه ریزی شناختی و عقل سلیم برای هیبریداسیون یک روش عددی و نمادین برای ارائه یک سیستم هوش مصنوعی شناختی واقعی استفاده می کند که به افراد کمک می کند تا تصمیم گیری بهتری انجام دهند.

پشتیبانی از تصمیم گیری های مهم برای ماموریت

سؤالاتی که باید در هنگام رسیدگی به شواهد پرسیده شود ، و الزامات مربوط به تصمیم گیری های مهم برای آسان تر (و شفاف تر) کردن ماموریت انجام شود:

• خطرات و یا فرصتهای مرتبط با این تصمیمات مهم ماموریت چیست؟
• چگونه می توان عدم قطعیت را تعیین کرد و آن را با بازیکنان اصلی ارتباط داد؟
• چگونه می توانیم از مهارت و تجربه انسانی برای آگاهی دادن به استدلال شناختی استفاده و آن ها را رمزگذاری کنیم؟
• چگونه پیشنهادهایی را ارائه دهیم تا متخصصان انسانی بتوانند به آنها اعتماد کنند؟
• چگونه می توانیم به این سیستم بازگردیم (از آنجا که دانش و تخصص بیشتری کسب می کنیم) و اطمینان حاصل کنیم که این توانایی را دارد که از اطلاعات به دست آمده برای باهوش تر ، بهتر و کارآمدتر شدن در طول زمان استفاده کند؟

فکر کردن به خود

اگر واقعاً به آن فکر می کنید که فناوری شناختی ما مبتنی بر مفاهیم است می توانید یک مفهوم را در یک سطح الگوریتمی دقیق توصیف کنید ، یا می توانید اجزای طبیعی بیشتری را اضافه کنید که به سیستم امکان توضیح خود را می دهد.

سیستمهای شناختی Beyond Limits باید بگویند: “من برای درک این نوع از مشکلات آموزش دیده ام. شما مجموعه ای از ویژگی ها را به من ارائه می دهید ، بنابراین من باید نسبت به آموزش هایم این ویژگی ها را دستکاری کنم. ” این فرآیند دستکاری ویژگیها به منظور انجام استدلال القایی ، قیاسی و منطقی ، دنباله ای قابل توضیح را ایجاد می کند. در صورت وجود اعلامیه های زبان طبیعی ، سیستم می تواند (در لحظه ای بعد یا بهم پیوست) توضیحات زبان طبیعی از آنچه در هر لحظه انجام می دهد تولید کند.

وقتی مهندسان هوش مصنوعی با متخصصان موضوعی کار می کنند تا در مورد تخصص های مربوطه خود بیاموزند ، به ترکیب قدرتمندی می رسند. مهندسین تخصص را از منظر الگوریتم / فرآیند / کارآگاه مطالعه می کنند و سپس آن را به شکلی حاشیه نویسی می کنند تا دستگاه بتواند در سطح درک انسانی، قابلیت توضیح را ارائه دهد. این یک الزام برای ماموریت های فضایی بود که سالها پیش دانشمندان Beyond Limits حل کردند.

هوش مصنوعی در محل کار

هوش مصنوعی شناختی فراتر از محدودیت ها برای مدیریت پالایشگاه به کار می رود. از نمونه های بارز آن، این است که چگونه یک سیستم هوش مصنوعی قابل توضیح می تواند از مردم در محیط های پرتحرک و پر مخاطره پشتیبانی کند ، جایی که ممکن است عواقب شدید برای تصمیم گیری های ناقص داشته باشد. این فناوری هوش مصنوعی عددی و نمادین را متحد می کند تا به عنوان شریک قابل اعتماد برای انسانهایی که هر روز با تجهیزات پیچیده کار می کنند ، عمل کند. سیستم شناختی و انسان می توانند مشترکاً تصمیم گیری کنند تا پالایشگاه با حداکثر توان ممکن کار کند.

این سیستم با در نظر گرفتن داده هایی از سنسورهای تصفیه خانه برای دستیابی به تصویری جامع از آنچه که در این مرکز اتفاق می افتد ، این کار را انجام می دهد ، سپس با استفاده از یادگیری ماشین برای تجزیه و تحلیل داده ها ، شناسایی روندها و تعیین اینکه آیا عملیات در یک جهت نامطلوب انجام می شود یا خیر استفاده می کند.

با اضافه کردن یک لایه نمادین (که شامل اطلاعات مربوط به موارد زیر است: اهداف پالایشگاه ، بهترین روشهای عملیاتی ، دانش موضوعی تاریخچه) ، می توان به این نکته پی برد که همه عناصر با هم کار می کنند تا در کنار توصیه های مورد اعتماد ، قطعنامه های شفاف را در اختیار کاربران قرار دهند. راه حل های هوش مصنوعی مانند این برای امکانات صنعتی در مقیاس بزرگ طراحی شده است که در آن فرآیندهای پیچیده نیاز به نظارت و تعدیل مداوم برای جابجایی جریان عملیات در حال انجام ، تغییر شرایط نظارتی ، تجهیزات کهولت با تغییرات رفتاری ، شرایط نوسانی بازار و بسیاری از عوامل دیگر است.

از بازگشت سرمایه های شناختی هوش مصنوعی به درآمد حاصل از هوش مصنوعی (RAI)

هوش مصنوعی فردا

در صنایع پرمحتوا مانند انرژی ، راه حل های شفاف و قابل اعتماد برای انجام عملیات در مقیاس بزرگ به عنوان پالایشگاه می تواند تا ۱۲٪ هزینه ها را کاهش دهد. با دارایی های با ارزش و تولید محصولات با ارزش بالا ، هوش شناختی فراتر از حد برای مدیریت پالایشگاه می تواند میلیون ها دلار سود اضافی تولید کند.

سایر فناوریهای Beyond Limits از پتانسیل نزولی مشابهی برخوردار هستند. به عنوان مثال: هوش مصنوعی شناختی عاملی برای بهبود عملکرد بالادست می باشد و  می تواند تجزیه و تحلیل زیرسطحی را از ماهها به ساعتها تسریع کند و تولید بشکه را افزایش دهد که منجر به درآمد ۴۰ میلیون دلاری اضافی در سال می شود.

افزایش بهره وری و یا کاهش ضایعات در صنایع با ارزش بالا و حتی با درصد “تعداد کم” می تواند نتایج عظیمی را به بار آورد. با استفاده از این نتایج قابل توجه ، صنعتگران دیگر نیازی به تمرکز روی ROI نخواهند داشت. درعوض ، آنها می توانند از RAI یا درآمد حاصل از هوش مصنوعی بهره مند شوند.

منبع:https://shahaab-co.ir