اخبار, ایده های مدیریتی در کسب و کار

هوش مصنوعی محدود چیست؟ تعریف، چالش‌ها، و بهترین روش‌ها برای سال 2022

هوش مصنوعی محدود شده، هوش مصنوعی محدود

هوش مصنوعی محدود (ANI) نسخه‌ای ضعیف از هوش مصنوعی است که تنها بر روی انجام یک زیرمجموعه خاص از وظایف تمرکز دارد.

هوش مصنوعی محدود (ANI) به عنوان نسخه‌ای هدفمند از هوش مصنوعی تعریف می‌شود که برای انجام بهتر یک وظیفه خاص طراحی شده است، مانند پیگیری به‌روزرسانی‌های هواشناسی، تولید گزارش‌های علم داده با تحلیل داده‌های خام، یا بازی‌هایی همچون پوکر و شطرنج. این مقاله اصول اصلی هوش مصنوعی محدود را توضیح می‌دهد، مزایا و چالش‌های اصلی آن را مورد بررسی قرار می‌دهد، و 10 روش برتر برای توسعه هوش مصنوعی محدود را تشریح می‌کند.

هوش مصنوعی محدود چیست؟

هوش مصنوعی محدود (Narrow AI یا ANI) به نوع خاصی از هوش مصنوعی اطلاق می‌شود که برای انجام یک مجموعه محدود از وظایف یا حتی یک وظیفه خاص به خوبی طراحی و آموزش داده شده است. بر خلاف هوش مصنوعی عمومی که هدف آن تقلید از دامنه گسترده‌ای از توانمندی‌های شناختی انسان است، هوش مصنوعی محدود به بهترین شکل ممکن در یک دامنه تعریف‌شده تمرکز دارد.

به عبارت دیگر، سامانه‌های هوش مصنوعی محدود برای وظایف خاصی مانند تشخیص تصویر یا گفتار، پردازش زبان طبیعی، بازی‌های خاص، یا انجام وظایف خاص تجزیه و تحلیل داده طراحی و بهینه‌سازی شده‌اند. این سیستم‌ها قابلیت انتقال دانش یا مهارت‌های خود به وظایف خارج از دامنه مشخص شده‌شان را ندارند.

هوش مصنوعی محدود به طور معمول با هوش مصنوعی عمومی (AGI) مقایسه می‌شود که قابلیت درک، یادگیری، و انجام هر وظیفه فکری که یک انسان می‌تواند انجام دهد را دارد. در حال حاضر، برنامه‌ها و کاربردهای هوش مصنوعی محدود بسیار رایج و عملی هستند و به طور گسترده در صنایع مختلف برای اهداف خاص، از معاونان مجازی و سیستم‌های پیشنهاد دهنده تا وسایل نقلیه خودران و اتوماسیون صنعتی، مورد استفاده قرار می‌گیرند.

برعکس، زمانی که سوالات اساسی مانند “دمای بیرون چقدر است” را از معاونان مجازی مانند Siri می‌پرسیم، تمایل داریم که پاسخ دقیقی دریافت کنیم. این به این دلیل است که پاسخ به چنین سوالات ابتدایی در دامین هوش Siri قرار دارد که برای آن طراحی شده است.

علاوه بر این، حتی چیزی به اندازه پیچیده خودروهای خودران نیز زیر هوش مصنوعی ضعیف قرار می‌گیرد، زیرا آنها برای هدایت منطقه اطراف خود با کمک مجموعه داده رانندگی مشخص شده آموزش دیده‌اند. یک خودروی خودران معمولی شامل چندین سیستم هوش مصنوعی محدود است که برای حرکت صاف و بدون مشکل آن در یک محیط شهری بسیار پیچید اساسی هستند.

هوش مصنوعی محدود

مزایا و چالش‌های هوش مصنوعی محدود
هوش مصنوعی فعلی و ماشین‌های هوشمند در دسته “هوش مصنوعی ضعیف” قرار دارند. با این حال، این امر از مزایای هوش مصنوعی محدود کاسته نمی‌شود، زیرا یکی از مهمترین نوآوری‌ها و دستاوردهای فکری انسان به شمار می‌رود.

ابتدا، بیایید مزایای هوش مصنوعی محدود را درک کنیم.

1. تسهیل فرآیند تصمیم‌گیری سریع
سیستم‌های هوش مصنوعی محدود به تسریع فرآیند تصمیم‌گیری کمک می‌کنند، زیرا اطلاعات را پردازش و وظایف را به نحو قابل توجهی سریع‌تر از انسان‌ها انجام می‌دهند. به عبارت دیگر، این سیستم‌ها به ما این امکان را می‌دهند که بهره‌وری و کارایی کلی را افزایش دهیم و در نتیجه کیفیت زندگی را بهبود بخشیم. به عنوان مثال، سیستم‌های هوش مصنوعی محدود مانند واتسون از IBM، به پزشکان در انجام تصمیمات سریع مبتنی بر داده کمک می‌کنند با بهره‌گیری از قدرت هوش مصنوعی. این باعث بهبود بهتر، سریع‌تر و ایمن‌تر شدن خدمات بهداشتی گردیده است.

2. آزادسازی انسان از وظایف خسته‌کننده
توسعه‌های حوزه هوش مصنوعی محدود اطمینان حاصل کرده‌اند که انسان‌ها از تعدادی از وظایف خسته‌کننده، روزمره و تکراری آزاد شوند. این امر زندگی روزمره‌مان را آسان‌تر کرده است، از سفارش آنلاین غذا با کمک Siri گرفته تا کاهش زحمت تجزیه و تحلیل حجم عظیم داده‌ها برای تولید نتایج.

علاوه بر این، فناوری‌هایی چون خودروهای خودران از ما خلاصی از استرس و بار ترافیک بلند مدت کرده‌اند و به جای آن به ما زمان بیشتری برای انجام فعالیت‌ها یا وظایفی که به آن‌ها علاقه داریم، ارائه کرده‌اند.

3. به عنوان یک عنصر سازنده برای توسعه هوش مصنوعی هوشمندتر
سیستم‌های هوش مصنوعی محدود به عنوان پایه‌ای برای توسعه نسخه‌های هوشمندتر هوش مصنوعی مانند هوش مصنوعی عمومی و هوش مصنوعی فوق‌العاده عمل می‌کنند. شناخت گفتار به کامپیوترها این امکان را می‌دهد که صداها را با دقت قابل توجهی به متن تبدیل کنند، در حالی که بینایی کامپیوتری تشخیص و دسته‌بندی اشیاء در جریان‌های ویدئویی را ممکن می‌سازد. در حال حاضر، گوگل از هوش مصنوعی برای زیرنویس‌گذاری میلیون‌ها ویدئوی یوتیوب استفاده می‌کند.

در حال حاضر، هوش مصنوعی توانایی دید کامپیوتری از قفل زدن صفحه و تگ کردن دوستان آنلاین را فراهم می‌کند. همزمان، بخش خودروهای خودران در زمینه “هوش مصنوعی عاطفی” را بررسی می‌کند که در آن سیستم می‌تواند نوآوری‌های غیرکلامی (احساسات، احساسات) را یاد بگیرد و رانندگان خسته را برانگیزد تا هوشیار بمانند و در حین رانندگی توجه داشته باشند. تمام این فناوری‌های اساسی تنها راه را برای نسخه‌های آینده هوش مصنوعی خودآگاه و آگاه از خود باز می‌کنند.
1. عدم وجود هوش قابل توجیه
یکی از نیازهای اساسی برای پیشرفت هوش مصنوعی، تمرین ایجاد هوش مصنوعی کمتری از جعبه سیاه است. این به معنای این است که ما باید در جایگاه بهتری باشیم تا بفهمیم چه اتفاقی در شبکه‌های عصبی رخ می‌دهد. سیستم‌های هوش مصنوعی امروزی، مانند سیستم توصیه‌ای که کتاب‌ها را پیشنهاد می‌دهد، به‌طور مؤثر از روش جعبه سیاه استفاده می‌کنند. الگوریتم یادگیری عمیق مورد استفاده در چنین مواردی، میلیون‌ها نقطه داده را به عنوان ورودی در نظر گرفته و ویژگی‌های خاص را با یکدیگر مرتبط می‌کند تا نتیجه را ارائه دهد. فرآیند زیرین خود هدایتی است و برای برنامه‌نویسان و کارشناسان در زمینه تفسیر مشکلات دارد.

با این حال، زمانی که افراد تصمیمات کسب و کار با ارزش‌های بالا را که شامل سرمایه‌گذاری‌های عظیم است، با اعتماد به مدل‌های هوش مصنوعی اتخاذ می‌کنند، چنین رویکردی از جعبه سیاه می‌تواند مخرب باشد زیرا ورودی‌ها و عملیات سیستم برای اطرافیان قابل مشاهده نیستند. بنابراین، یکی از چالش‌های اساسی ایجاد هوش مصنوعی قابل توجیه بدون استفاده از روش جعبه سیاه است.
2. نیاز به امنیت غیرقابل نفوذ
شبکه‌های عصبی به طور گسترده‌ای توسط هوش مصنوعی محدود به کار گرفته می‌شوند. با این حال، این مهم است که درک کنیم که هوش مصنوعی به نسبت آسیب‌پذیر است – امکان دارد نویزی درج کرده و سیستم را گول زنیم. به عنوان مثال، یک حمله‌کننده می‌تواند به سیستم نرم‌افزاری خودروهای خودران نفوذ کرده و کد برنامه هوش مصنوعی را تغییر دهد تا برنامه ممکن است یک اتوبوس در جاده را به اشتباه به عنوان یک فیل بشناسد. این ممکن است پیامدها و نتایج جدی داشته باشد. یک هکر همچنین می‌تواند به شبکه کلی از خودروهای خودران که در یک منطقه فعال هستند نفوذ کرده و در نهایت سرمایه‌گذاری میلیارد دلاری را از بین ببرد.

علاوه بر این، یک نفوذ تنها به یک شبکه عصبی می‌تواند عملیات چندین سیستم وابسته به همان شبکه را مختل کند. به علاوه، چون شبکه‌های عصبی قابلیت حملات را دارا هستند، فراهم کردن امنیت غیرقابل نفوذ یک چالش اساسی باقی می‌ماند.
3. نیاز به یادگیری از داده‌های کم
مدل‌های هوش مصنوعی بر اساس داده‌های مشتق شده از نمونه‌ها آموزش دیده می‌شوند – که به معنای این است که نمونه‌ها ارز واقعی برای هوش مصنوعی امروزی هستند. برای پیشرفت بیشتر هوش مصنوعی، باید آماده باشد که بیشتر از داده کمتر یاد بگیرد. هوش مصنوعی باید قادر باشد تا یادگیری خود را از یک شبکه عصبی به شبکه‌های دیگر با بهره‌گیری از دانش پیشین انتقال دهد.

هوش مصنوعی یادگیری و استدلال را ترکیب می‌کند. اگرچه هوش مصنوعی امروزی پیشرفت قابل توجهی در یادگیری و تجمیع دانش داشته است، اعمال استدلال به آن دانش چالش مانده است. به عنوان مثال، یک چت‌بات خدمات مشتری یک فروشگاه ممکن است به سوالات مربوط به ساعات فروشگاه، قیمت محصولات و سیاست‌های لغو فروشگاه پاسخ دهد.

هرچند که سازندگان می‌توانند چت‌بات‌ها را برنامه‌ریزی کنند تا به چنین سوالاتی پاسخ دهند، اما آموزش یک هوش مصنوعی برای اعمال استدلال به تنهایی همچنان یک مشکل برای اکثر دانشمندان و متخصصان باقی مانده است.
4. در معرض تعصب
سیستم‌های هوش مصنوعی امروزی به تعصب در مهابطه می‌شوند چرا که اغلب نتایج نادرستی ارائه می‌دهند بدون توجیه قابل قبول. مدل‌های پیچیده هوش مصنوعی به طور مداوم بر داده‌های زیادی آموزش می‌بینند که شامل تعصبات یا اطلاعات نادرست می‌شوند. بنابراین، یک مدل آموزش دیده شده بر روی چنین مجموعه داده‌های تعصب‌آمیزی ممکن است اطلاعات نادرست را قابل اعتماد در نظر بگیرد و پیش‌بینی‌های منحرفی ارائه دهد.

همچنین، زمانی که سیستم‌های هوش مصنوعی از نمونه‌های گذشته یاد می‌گیرند، یک سیستم مسئول برای اتخاذ تصمیمات اعتباری را در نظر بگیرید. این سیستم ممکن است “عدم ارائه اعتبار به زنان یا اقلیت‌ها” را بر اساس الگوهای گذشته مناسب در نظر بگیرد. بنابراین، تأیید و بررسی اینکه نمونه‌های استفاده شده توسط سیستم از تعصبات خالی هستند، یک چالش اساسی باقی می‌ماند.

علاوه بر این، زیرا هوش مصنوعی محدود به جنبه “حس مشترک” یا حس منصفانه و انصاف محدود است، مدیریت تعصبات آموزشی نیاز به برنامه‌ریزی و طراحی قابل توجهی دارد.
5. تحت تأثیر نواقص انسانی
هوش مصنوعی محدود به طور گسترده به انسان‌ها برای انجام وظایف وابسته است. بنابراین، در معرض نواقص انسانی است، مانند تعیین اهداف تجاری بیش از حد جسورانه توسط افراد یا اولویت‌بندی اشتباه وظایف.

تصور کنید یک شرایط که یک انسان وظیفه را اشتباه تعریف کند. در این حالت، ناشی از اینکه ماشین چقدر کار کند یا چند محاسبه انجام دهد، نتیجه نهایی همچنان یک استنتاج غلط خواهد بود. بنابراین، وابستگی هوش مصنوعی محدود به انسان‌های قابل خطا یک چالش عظیم برای متخصصان در این زمینه است.
توسعه هوش مصنوعی به طریق قابل ملاحظه‌ای به بهبود زندگی افراد در سراسر جهان کمک کرده است، از عملیات تجاری، هوانوردی، تولید، بهداشت تا آموزش. با تبدیل سیستم‌های هوش مصنوعی به بخشی جدایی‌ناپذیر از هر عمود صنعتی، بحث‌ها در مورد بهترین راه‌ها برای درج عدالت، تفسیرپذیری، حفظ حریم خصوصی و امنیت در این سیستم‌ها باز شده است.

هوش محدود

در زیر، ده شیوه برتر برای توسعه هوش مصنوعی محدود آورده شده‌اند:

1. **ملاحظات اخلاقی:**
– ملاحظات اخلاقی را در فرآیند توسعه جای دهید. با ادراک از تعصبات، تبعیض و نتایج ناخواسته، اطمینان حاصل کنید که سیستم هوش مصنوعی با استانداردهای اخلاقی هماهنگی داشته باشد و عدالت و جلبه اجتماعی را ترویج دهد.

2. **تفسیرپذیری و قابلیت توضیح:**
– در مدل‌های هوش مصنوعی، تفسیرپذیری و قابلیت توضیح را به عنوان اولویت مدنظر قرار دهید. تلاش کنید تا تصمیمات گرفته شده توسط مدل را درک و تفسیر کنید، به ویژه در کاربردهای حیاتی مانند مراقبت‌های بهداشتی و امور مالی.

3. **حفاظت از حریم خصوصی:**
– اقدامات قوی حفاظت از حریم خصوصی را پیاده‌سازی کنید. اطمینان حاصل کنید که اطلاعات شخصی و حساس به صورت امن رفتار می‌شوند و سیستم‌های هوش مصنوعی طراحی شده‌اند تا با مقررات حفاظت از داده‌ها هماهنگی داشته باشند.

4. **تدابیر امنیتی:**
– تدابیر امنیتی قوی را در طول چرخه توسعه هوش مصنوعی یکپارچه کنید. در مقابل تهدیدات سایبری و دسترسی غیرمجاز محافظت کنید، به ویژه در سیستم‌هایی که با داده‌ها یا فرآیندهای فیزیکی حیاتی سروکار دارند.

5. **کیفیت داده و کاهش تعصب:**
– بر کیفیت داده تأکید کنید و تعصب در مجموعه داده‌های آموزش را کاهش دهید. به طور منظم مجموعه‌های داده را بازرسی کرده و تعصبات را شناسایی و رفع کنید، به گونه‌ای که سیستم هوش مصنوعی نتایج عادلانه و دقیقی را در افراز جمعیت‌های متنوع تولید کند.

6. **نظارت و مداخله انسانی:**
– مکانیزم‌هایی برای نظارت و مداخله انسانی در سیستم‌های هوش مصنوعی درج کنید. سیستم هوش مصنوعی را به همراه تخصص‌های انسانی طراحی کنید، به این ترتیب که امکان مداخله در لحظات لازم فراهم شود و از اعتماد کور به تصمیم‌گیری خودکار جلوگیری شود.

7. **نظارت و به‌روزرسانی مداوم:**
– نظارت مداوم بر سیستم‌های هوش مصنوعی در حالت‌های واقعی اجرا کنید. مداوم مدل‌ها را به‌روزرسانی کنید تا با شرایط متغیر سازگار شوند، با تعصبات جدید روبه‌رو شوند و عملکرد کلی را بر اساس بازخورد و داده‌های جدید بهبود بخشید.

8. **آموزش و شفافیت کاربر:**
– کاربران را در مورد قابلیت‌ها و محدودیت‌های سیستم‌های هوش مصنوعی آگاه کنید. با ارائه توضیحات واضح در مورد نحوه عملکرد سیستم و داده‌های استفاده شده، شفافیت را ترویج دهید. تعاملات آگاهانه بین کاربران و برنامه‌های هوش مصنوعی را تشویق کنید.

9. **همکاری و اشتراک دانش:**
– همکاری و اشتراک دانش در جامعه هوش مصنوعی را ترویج دهید. اطلاعات، شیوه‌های بهترین و تجارب یادگرفته شده را به اشتراک بگذارید تا به طور جماعی توسعه و پیاده‌سازی سیستم‌های هوش مصنوعی محدود بهبود یابد.

10. **امتثال با مقررات:**
– با مقررات و استانداردهای هوش مصنوعی مربوط اطلاعات داشته و اطمینان حاصل کنید که به طور فعال با مقامات نظارتی همکاری کرده و در تدوین رهنمودهای اخلاقی و پاسخگویی مسئولیت پذیری مشارکت داشته باشید. اطمینان حاصل کنید که سیستم‌های هوش مصنوعی با الزامات قانونی هماهنگی داشته باشند.

این شیوه‌های برتر به منظور ترویج توسعه مسئولانه و اخلاقی هوش مصنوعی محدود استفاده می‌شوند، به منظور افزایش اعتماد، عدالت و تأثیر مثبت در حوزه‌های گوناگون.

 

منبع: www.spiceworks.com

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *