هوش مصنوعی:

هوش مصنوعی (AI) چیست؟

هوش مصنوعی شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص هوش مصنوعی شامل سیستم های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین است.

هوش مصنوعی چگونه کار می کند؟

از آنجایی که هیاهو در مورد هوش مصنوعی سرعت گرفته است، فروشندگان در تلاش برای تبلیغ نحوه استفاده محصولات و خدمات خود از آن هستند. اغلب، آنچه آنها به عنوان AI از آن یاد می کنند، به سادگی جزئی از فناوری است، مانند یادگیری ماشین.هوش مصنوعی به پایه ای از سخت افزار و نرم افزار تخصصی برای نوشتن و آموزش الگوریتم های یادگیری ماشین نیاز دارد. هیچ زبان برنامه نویسی به تنهایی مترادف با هوش مصنوعی نیست، اما پایتون، R، جاوا، سی پلاس پلاس و جولیا دارای ویژگی های محبوب توسعه دهندگان هوش مصنوعی هستند.

به طور کلی، سیستم‌های هوش مصنوعی با دریافت مقادیر زیادی از داده‌های آموزشی برچسب‌گذاری شده، تجزیه و تحلیل داده‌ها برای همبستگی‌ها و الگوها کار می‌کنند،و استفاده از این الگوها برای پیش بینی وضعیت های آینده، به این ترتیب،یک ربات چت که از نمونه‌های متن تغذیه می‌شود، می‌تواند یاد بگیرد که تبادلات واقعی با مردم ایجاد کندیا یک ابزار تشخیص تصویر می تواند با مرور میلیون ها مثال، شناسایی و توصیف اشیاء در تصاویر را بیاموزد. تکنیک‌های جدید هوش مصنوعی که به سرعت در حال بهبود هستند می‌توانند متن، تصاویر، موسیقی و سایر رسانه‌های واقعی را خلق کنند.

برنامه نویسی هوش مصنوعی بر مهارت های شناختی تمرکز دارد که شامل موارد زیر است:

• یادگیری: این جنبه از برنامه نویسی هوش مصنوعی بر به دست آوردن داده ها و ایجاد قوانینی برای چگونگی تبدیل آن به اطلاعات عملی متمرکز است. قوانین، که الگوریتم نامیده می شوند، دستورالعمل های گام به گام را برای دستگاه های محاسباتی برای نحوه تکمیل یک کار خاص ارائه می دهند.
• استدلال: این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه دلخواه متمرکز است.
• خود اصلاحی: این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم مداوم الگوریتم ها و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.
• خلاقیت: این جنبه از هوش مصنوعی از شبکه های عصبی، سیستم های مبتنی بر قوانین، روش های آماری و سایر تکنیک های هوش مصنوعی برای تولید تصاویر جدید، متن جدید، موسیقی جدید و ایده های جدید استفاده می کند.

تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

هوش مصنوعی، یادگیری ماشین و یادگیری عمیق اصطلاحات رایج در فناوری اطلاعات سازمانی هستند و گاهی اوقات به جای یکدیگر استفاده می‌شوند، به خصوص توسط شرکت‌ها در مواد بازاریابی خود. اما تمایزاتی وجود دارد.اصطلاح هوش مصنوعی که در دهه 1950 ابداع شد، به شبیه سازی هوش انسانی توسط ماشین ها اشاره دارد. با توسعه فناوری‌های جدید، مجموعه‌ای از قابلیت‌ها در حال تغییر را پوشش می‌دهد. فناوری هایی که زیر چتر هوش مصنوعی قرار می گیرند شامل یادگیری ماشینی و یادگیری عمیق هستند.یادگیری ماشینی برنامه‌های نرم‌افزاری را قادر می‌سازد تا در پیش‌بینی نتایج دقیق‌تر شوند، بدون اینکه به صراحت برای انجام این کار برنامه‌ریزی شده باشند.الگوریتم های یادگیری ماشین از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند. این رویکرد با افزایش مجموعه داده های بزرگ برای آموزش بسیار مؤثرتر شد. یادگیری عمیق، زیر مجموعه ای از یادگیری ماشینی، بر اساس درک ما از ساختار مغز است. استفاده یادگیری عمیق از ساختار شبکه عصبی مصنوعی، زیربنای پیشرفت‌های اخیر در هوش مصنوعی، از جمله ماشین‌های خودران و ChatGPT است.

چرا هوش مصنوعی مهم است؟

هوش مصنوعی به دلیل پتانسیل آن برای تغییر نحوه زندگی، کار و بازی ما مهم است. این به طور موثر در تجارت برای خودکار کردن وظایف انجام شده توسط انسان، از جمله خدمات مشتری، تولید سرنخ، تشخیص تقلب و کنترل کیفیت استفاده شده است.در تعدادی از زمینه ها، هوش مصنوعی می تواند وظایف را بسیار بهتر از انسان ها انجام دهد. به خصوص وقتی صحبت از کارهای تکراری و جزئیات محور می شود، مانند تجزیه و تحلیل تعداد زیادی از اسناد قانونی برای اطمینان از پر شدن صحیح فیلدهای مربوطه، ابزارهای هوش مصنوعی اغلب کارها را به سرعت و با خطاهای نسبتاً کمی تکمیل می کنند.به دلیل مجموعه داده‌های عظیمی که می‌تواند پردازش کند، هوش مصنوعی همچنین می‌تواند به شرکت‌ها بینش‌هایی درباره عملیات‌هایشان بدهد که ممکن است از آن‌ها اطلاعی نداشته باشند. جمعیت ابزارهای مولد هوش مصنوعی که به سرعت در حال گسترش است در زمینه هایی از آموزش و بازاریابی گرفته تا طراحی محصول مهم خواهد بود.

در واقع، پیشرفت در تکنیک‌های هوش مصنوعی نه تنها به افزایش کارایی کمک کرده است، بلکه دری را برای فرصت‌های تجاری کاملاً جدید برای برخی از شرکت‌های بزرگتر باز کرده است.در موج کنونی هوش مصنوعی، تصور استفاده از نرم‌افزار رایانه‌ای برای اتصال سواران به تاکسی‌ها سخت بود، اما اوبر با انجام این کار به یک شرکت فورچون 500 تبدیل شده است.هوش مصنوعی برای بسیاری از بزرگترین و موفق‌ترین شرکت‌های امروزی، از جمله آلفابت، اپل، مایکروسافت و متا، که از فناوری‌های هوش مصنوعی برای بهبود عملکرد و پیشی گرفتن از رقبا استفاده می‌شود، به مرکزیت تبدیل شده است.به عنوان مثال، در گوگل، زیرمجموعه آلفابت، هوش مصنوعی در موتور جستجوی آن، خودروهای خودران Waymo و Google Brain که معماری شبکه عصبی ترانسفورماتور را که زیربنای پیشرفت‌های اخیر در زبان طبیعی است اختراع کرده است، مرکزی است.

مزایا و معایب هوش مصنوعی چیست؟

شبکه‌های عصبی مصنوعی و فناوری‌های هوش مصنوعی یادگیری عمیق به سرعت در حال تکامل هستند، در درجه اول به این دلیل که هوش مصنوعی می‌تواند مقادیر زیادی از داده‌ها را بسیار سریع‌تر پردازش کند و پیش‌بینی‌ها را دقیق‌تر از آنچه که انسان ممکن است انجام دهد.در حالی که حجم عظیم داده های ایجاد شده به صورت روزانه یک محقق انسانی را دفن می کند، برنامه های کاربردی هوش مصنوعی با استفاده از یادگیری ماشینی می توانند این داده ها را گرفته و به سرعت آن ها را به اطلاعات عملی تبدیل کنند. تا لحظه نگارش این مطلب یک عیب اصلی هوش مصنوعی این است که پردازش مقادیر زیادی از داده های مورد نیاز برنامه نویسی هوش مصنوعی گران است.از آنجایی که تکنیک‌های هوش مصنوعی در محصولات و خدمات بیشتری ادغام می‌شوند، سازمان‌ها نیز باید با پتانسیل هوش مصنوعی برای ایجاد سیستم‌های مغرضانه و تبعیض‌آمیز، عمدا یا سهوا هماهنگ باشند.

مزایای هوش مصنوعی:

در زیر برخی از مزایای هوش مصنوعی آورده شده است.

• در مشاغل مرتبط با جزئیات خوب است. هوش مصنوعی ثابت کرده است که در تشخیص برخی سرطان ها، از جمله سرطان سینه و ملانوما، اگر بهتر از پزشکان نباشد، به همان اندازه خوب است.
• کاهش زمان برای کارهای سنگین داده. هوش مصنوعی به طور گسترده در صنایع سنگین داده، از جمله بانکداری و اوراق بهادار، داروسازی و بیمه، برای کاهش زمان لازم برای تجزیه و تحلیل مجموعه های کلان داده استفاده می شود. به عنوان مثال، خدمات مالی به طور معمول از هوش مصنوعی برای پردازش درخواست های وام و کشف تقلب استفاده می کنند.
• باعث صرفه جویی در نیروی کار و افزایش بهره وری می شود. یک مثال در اینجا استفاده از اتوماسیون انبار است که در طول همه‌گیری رشد کرد و انتظار می‌رود با ادغام هوش مصنوعی و یادگیری ماشین افزایش یابد.
• نتایج ثابتی را ارائه می دهد. بهترین ابزارهای ترجمه هوش مصنوعی سطوح بالایی از سازگاری را ارائه می دهند و حتی به مشاغل کوچک نیز توانایی دسترسی به مشتریان را به زبان مادری خود ارائه می دهند.
• می تواند رضایت مشتری را از طریق شخصی سازی بهبود بخشد. هوش مصنوعی می‌تواند محتوا، پیام‌ها، تبلیغات، توصیه‌ها و وب‌سایت‌ها را برای مشتریان فردی شخصی‌سازی کند.
• عوامل مجازی مبتنی بر هوش مصنوعی همیشه در دسترس هستند. برنامه های هوش مصنوعی نیازی به خوابیدن یا استراحت ندارند و خدمات 24/7 ارائه می دهند.

در زیر برخی از معایب هوش مصنوعی آورده شده است.

• گران.
• به تخصص فنی عمیق نیاز دارد.
• عرضه محدود کارگران واجد شرایط برای ساخت ابزارهای هوش مصنوعی.
• عدم توانایی تعمیم از یک کار به کار دیگر.
• مشاغل انسانی را حذف می کند، نرخ بیکاری را افزایش می دهد.

هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف

هوش مصنوعی را می توان به دو دسته ضعیف یا قوی طبقه بندی کرد.

هوش مصنوعی ضعیف که به عنوان هوش مصنوعی باریک نیز شناخته می شود، برای انجام یک کار خاص طراحی و آموزش داده شده است. ربات های صنعتی و دستیاران شخصی مجازی مانند سیری اپل از هوش مصنوعی ضعیف استفاده می کنند.هوش مصنوعی قوی، همچنین به عنوان هوش عمومی مصنوعی (AGI) شناخته می شود، برنامه ریزی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند.هنگامی که با یک کار ناآشنا ارائه می شود، یک سیستم هوش مصنوعی قوی می تواند از منطق فازی برای اعمال دانش از یک دامنه به حوزه دیگر و یافتن راه حل به طور مستقل استفاده کند.در تئوری، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم آرگومان اتاق چینی را پشت سر بگذارد.

4 نوع هوش مصنوعی چیست؟

آرند هنتزه، استادیار زیست شناسی و علوم کامپیوتری و مهندسی در دانشگاه ایالتی میشیگان، توضیح داد که هوش مصنوعی را می توان به چهار نوع طبقه بندی کرد، که از سیستم های هوشمند ویژه کار که امروزه به طور گسترده استفاده می شود شروع می شود و به سیستم های حساس پیشرفت می کند. هنوز وجود دارد. دسته بندی ها به شرح زیر است.

• نوع 1: ماشین های راکتیو این سیستم‌های هوش مصنوعی حافظه ندارند و مختص کار هستند. به عنوان مثال Deep Blue، برنامه شطرنج IBM که گری کاسپاروف را در دهه 1990 شکست داد. آبی عمیق می تواند مهره های روی صفحه شطرنج را شناسایی کند و پیش بینی کند، اما چون حافظه ندارد، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.
• نوع 2: حافظه محدود. این سیستم های هوش مصنوعی دارای حافظه هستند، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در خودروهای خودران به این شکل طراحی شده اند.
• نوع 3: نظریه ذهن. نظریه ذهن یک اصطلاح روانشناسی است. وقتی برای هوش مصنوعی اعمال می شود، به این معنی است که سیستم هوش اجتماعی برای درک احساسات را دارد. این نوع هوش مصنوعی قادر به استنباط نیات انسان و پیش بینی رفتار خواهد بود، مهارتی ضروری برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای جدایی ناپذیر تیم های انسانی.
• نوع 4: خودآگاهی. در این دسته، سیستم‌های هوش مصنوعی حسی از خود دارند که به آنها آگاهی می‌دهد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع هوش مصنوعی هنوز وجود ندارد.

نمونه هایی از فناوری هوش مصنوعی چیست و امروزه چگونه از آن استفاده می شود؟

هوش مصنوعی در انواع مختلف فناوری گنجانده شده است. در اینجا هفت نمونه آورده شده است.

اتوماسیون. وقتی ابزارهای اتوماسیون با فناوری‌های هوش مصنوعی همراه شوند، می‌توانند حجم و انواع وظایف انجام‌شده را افزایش دهند. به عنوان مثال، اتوماسیون فرآیند رباتیک (RPA)، نوعی نرم افزار است که وظایف پردازش داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود، خودکار می کند.هنگامی که با یادگیری ماشین و ابزارهای نوظهور هوش مصنوعی ترکیب می‌شود، RPA می‌تواند بخش‌های بزرگ‌تری از مشاغل سازمانی را خودکار کند و ربات‌های تاکتیکی RPA را قادر می‌سازد تا اطلاعات هوش مصنوعی را به همراه داشته باشند و به تغییرات فرآیند پاسخ دهند.

• فراگیری ماشین. این علم به کار بردن کامپیوتر بدون برنامه نویسی است. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینی است که به زبان بسیار ساده می‌توان آن را خودکارسازی تجزیه و تحلیل پیش‌بینی‌کننده در نظر گرفت. سه نوع الگوریتم یادگیری ماشین وجود دارد:
• یادگیری بدون نظارت مجموعه داده ها برچسب گذاری نمی شوند و بر اساس شباهت ها یا تفاوت ها مرتب می شوند.
• یادگیری بدون نظارت مجموعه داده ها برچسب گذاری نمی شوند و بر اساس شباهت ها یا تفاوت ها مرتب می شوند.

بینایی ماشین. این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین اطلاعات بصری را با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال ضبط و تجزیه و تحلیل می‌کند.این بینایی اغلب با بینایی انسان مقایسه می شود، اما بینایی ماشینی به بیولوژی محدود نمی شود و می تواند برای مثال برای دیدن از طریق دیوار برنامه ریزی شود. در طیف وسیعی از کاربردها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی کامپیوتر، که بر پردازش تصویر مبتنی بر ماشین متمرکز است، اغلب با بینایی ماشین ترکیب می شود.

پردازش زبان طبیعی (NLP).این پردازش زبان انسان توسط یک برنامه کامپیوتری است. یکی از قدیمی‌ترین و شناخته‌شده‌ترین نمونه‌های NLP، تشخیص هرزنامه است که به موضوع و متن ایمیل نگاه می‌کند و تصمیم می‌گیرد که آیا ناخواسته است یا خیر. رویکردهای فعلی NLP مبتنی بر یادگیری ماشینی است. وظایف NLP شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.

رباتیک. این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. ربات ها اغلب برای انجام کارهایی استفاده می شوند که انجام و یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال، ربات ها در خطوط مونتاژ تولید خودرو یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شوند. محققان همچنین از یادگیری ماشینی برای ساخت روبات‌هایی استفاده می‌کنند که می‌توانند در محیط‌های اجتماعی تعامل داشته باشند.

ماشین های خودران. وسایل نقلیه خودران از ترکیبی از بینایی کامپیوتر، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت‌های خودکار برای هدایت یک وسیله نقلیه در حالی که در یک خط معین می‌مانند و اجتناب از موانع غیرمنتظره مانند عابران پیاده استفاده می‌کنند.

تولید متن، تصویر و صدا. تکنیک‌های هوش مصنوعی مولد، که انواع مختلفی از رسانه‌ها را از پیام‌های متنی ایجاد می‌کنند، به‌طور گسترده در سراسر کسب‌وکارها به کار می‌روند تا طیف به ظاهر نامحدودی از انواع محتوا از هنر واقعی گرفته تا پاسخ‌های ایمیل و فیلمنامه‌ها را ایجاد کنند.

کاربردهای هوش مصنوعی چیست؟

هوش مصنوعی راه خود را به بازارهای مختلف باز کرده است. در اینجا 11 نمونه آورده شده است.

هوش مصنوعی در مراقبت های بهداشتی بزرگترین شرط بندی ها بر روی بهبود نتایج بیمار و کاهش هزینه ها است. شرکت‌ها از یادگیری ماشینی برای تشخیص‌های پزشکی بهتر و سریع‌تر از انسان‌ها استفاده می‌کنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است.زبان طبیعی را می‌فهمد و می‌تواند به سوالاتی که از آن پرسیده می‌شود پاسخ دهد.این سیستم داده‌های بیمار و سایر منابع داده موجود را استخراج می‌کند تا فرضیه‌ای را تشکیل دهد، که سپس با طرح امتیازدهی اطمینان ارائه می‌کند.سایر برنامه های کاربردی هوش مصنوعی شامل استفاده از دستیاران سلامت مجازی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی، برنامه ریزی قرار ملاقات، درک فرآیند صدور صورت حساب و تکمیل سایر فرآیندهای اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی، مبارزه و درک بیماری های همه گیر مانند COVID-19 استفاده می شود.

هوش مصنوعی در تجارت الگوریتم های یادگیری ماشین در حال ادغام در پلتفرم های تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM) هستند تا اطلاعاتی را در مورد نحوه ارائه خدمات بهتر به مشتریان کشف کنند.چت بات ها برای ارائه خدمات فوری به مشتریان در وب سایت ها گنجانده شده اند. انتظار می رود پیشرفت سریع فناوری مولد هوش مصنوعی مانند ChatGPT پیامدهای گسترده ای داشته باشد: حذف مشاغل، ایجاد انقلابی در طراحی محصول و اختلال در مدل های تجاری.

هوش مصنوعی در امور مالی هوش مصنوعی در برنامه های مالی شخصی، مانند Intuit Mint یا TurboTax، مؤسسات مالی را مختل می کند. برنامه هایی مانند اینها داده های شخصی را جمع آوری می کنند و مشاوره مالی ارائه می دهند. برنامه های دیگری مانند IBM Watson در فرآیند خرید خانه به کار گرفته شده است. امروزه نرم افزار هوش مصنوعی بیشتر معاملات را در وال استریت انجام می دهد.

هوش مصنوعی در قانون روند کشف — غربال کردن اسناد — در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای پر زحمت صنعت قانونی باعث صرفه جویی در زمان و بهبود خدمات مشتری می شود. شرکت های حقوقی از یادگیری ماشینی برای توصیف داده ها و پیش بینی نتایج، بینایی کامپیوتری برای طبقه بندی و استخراج اطلاعات از اسناد و NLP برای تفسیر درخواست های اطلاعات استفاده می کنند.

هوش مصنوعی در سرگرمی و رسانه کسب و کار سرگرمی از تکنیک های هوش مصنوعی برای تبلیغات هدفمند، توصیه محتوا، توزیع، کشف تقلب، ایجاد فیلمنامه و ساخت فیلم استفاده می کند.روزنامه‌نگاری خودکار به اتاق‌های خبر کمک می‌کند تا جریان کار رسانه‌ای را ساده‌تر کنند و زمان، هزینه‌ها و پیچیدگی را کاهش دهند. اتاق های خبر از هوش مصنوعی برای خودکارسازی کارهای معمولی مانند ورود داده ها و تصحیح استفاده می کنند. و برای تحقیق در مورد موضوعات و کمک به سرفصل ها. اینکه چگونه روزنامه نگاری می تواند به طور قابل اعتماد از ChatGPT و سایر هوش مصنوعی مولد برای تولید محتوا استفاده کند جای سوال دارد.

هوش مصنوعی در کدنویسی نرم افزار و فرآیندهای فناوری اطلاعات.ابزارهای مولد جدید هوش مصنوعی را می توان برای تولید کد برنامه بر اساس اعلان های زبان طبیعی استفاده کرد، اما روزهای اولیه برای این ابزارها است و بعید است که به زودی جایگزین مهندسان نرم افزار شوند. همچنین از هوش مصنوعی برای خودکارسازی بسیاری از فرآیندهای فناوری اطلاعات، از جمله ورود داده ها، کشف تقلب، خدمات مشتری و نگهداری و امنیت پیش بینی شده استفاده می شود.

امنیت. هوش مصنوعی و یادگیری ماشین در صدر فهرست کلیدواژه‌های امنیتی هستند که فروشندگان برای بازاریابی محصولات خود استفاده می‌کنند، بنابراین خریداران باید با احتیاط برخورد کنند. با این حال، تکنیک‌های هوش مصنوعی با موفقیت در جنبه‌های مختلف امنیت سایبری از جمله تشخیص ناهنجاری، حل مشکل مثبت کاذب و انجام تجزیه و تحلیل تهدیدات رفتاری استفاده می‌شوند.سازمان‌ها از یادگیری ماشین در نرم‌افزار مدیریت رویداد و اطلاعات امنیتی (SIEM) و حوزه‌های مرتبط برای شناسایی ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدید هستند، استفاده می‌کنند. با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها به کدهای مخرب شناخته شده، هوش مصنوعی می‌تواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی و تکرارهای فناوری قبلی ارائه دهد.

هوش مصنوعی در تولید تولید در خط مقدم ترکیب ربات ها در جریان کار بوده است. به عنوان مثال، ربات‌های صنعتی که در یک زمان برای انجام وظایف منفرد برنامه‌ریزی شده بودند و از کارگران انسانی جدا می‌شدند، به طور فزاینده‌ای به عنوان کوبات عمل می‌کنند:

ربات‌های کوچک‌تر و چندوظیفه‌ای که با انسان‌ها همکاری می‌کنند و مسئولیت بخش‌های بیشتری از کار را در انبارها، کف کارخانه‌ها و سایر فضاهای کاری بر عهده می‌گیرند.

هوش مصنوعی در بانکداری بانک ها با موفقیت از چت بات ها استفاده می کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و تراکنش هایی را انجام دهند که نیازی به دخالت انسانی ندارند.دستیارهای مجازی هوش مصنوعی برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شوند. سازمان‌های بانکی از هوش مصنوعی برای بهبود تصمیم‌گیری برای وام‌ها، تعیین محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه‌گذاری استفاده می‌کنند.

هوش مصنوعی در حمل و نقل علاوه بر نقش اساسی هوش مصنوعی در به کار انداختن وسایل نقلیه خودران، فناوری‌های هوش مصنوعی در حمل و نقل برای مدیریت ترافیک، پیش‌بینی تأخیرهای پرواز و ایمن‌تر و کارآمدتر کردن حمل و نقل اقیانوس‌ها استفاده می‌شوند.در زنجیره‌های تامین، هوش مصنوعی جایگزین روش‌های سنتی پیش‌بینی تقاضا و پیش‌بینی اختلالات می‌شود، روندی که با کووید-۱۹ شتاب گرفت، زمانی که بسیاری از شرکت‌ها در اثر یک بیماری همه‌گیر جهانی بر عرضه و تقاضای کالا غافل شدند.

هوش افزوده در مقابل هوش مصنوعی

برخی از کارشناسان صنعت استدلال کرده اند که اصطلاح هوش مصنوعی بیش از حد با فرهنگ عامه مرتبط است، که باعث شده است عموم مردم انتظارات نامحتملی در مورد اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر می دهد، داشته باشد. آنها پیشنهاد کرده‌اند که از اصطلاح هوش افزوده برای تمایز بین سیستم‌های هوش مصنوعی که به طور مستقل عمل می‌کنند – نمونه‌های فرهنگ عامه شامل Hal 9000 و The Terminator – و ابزارهای هوش مصنوعی که از انسان پشتیبانی می‌کنند، استفاده شود.

• هوش افزوده برخی از محققان و بازاریابان امیدوارند برچسب هوش افزوده، که مفهومی خنثی‌تری دارد، به مردم کمک کند تا درک کنند که بیشتر پیاده‌سازی‌های هوش مصنوعی ضعیف هستند و به سادگی محصولات و خدمات را بهبود می‌بخشند.به عنوان مثال می توان به نمایش خودکار اطلاعات مهم در گزارش های هوش تجاری یا برجسته کردن اطلاعات مهم در پرونده های حقوقی اشاره کرد.پذیرش سریع ChatGPT و Bard در سراسر صنعت نشان دهنده تمایل به استفاده از هوش مصنوعی برای حمایت از تصمیم گیری انسانی است.
• هوش مصنوعی. هوش مصنوعی واقعی، یا AGI، ارتباط نزدیکی با مفهوم تکینگی فناوری دارد – آینده ای که توسط یک ابر هوش مصنوعی اداره می شود که بسیار فراتر از توانایی مغز انسان برای درک آن یا نحوه شکل دادن به واقعیت ما است.این در قلمرو داستان های علمی تخیلی باقی می ماند، اگرچه برخی از توسعه دهندگان در حال کار بر روی این مشکل هستند. بسیاری بر این باورند که فناوری هایی مانند محاسبات کوانتومی می توانند نقش مهمی در تحقق AGI ایفا کنند و ما باید استفاده از اصطلاح هوش مصنوعی را برای این نوع هوش عمومی محفوظ نگه داریم.

استفاده اخلاقی از هوش مصنوعی

در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند، استفاده از هوش مصنوعی سوالات اخلاقی را نیز مطرح می کند، زیرا، خوب یا بد، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است، تقویت می کند.

این می‌تواند مشکل‌ساز باشد زیرا الگوریتم‌های یادگیری ماشین، که زیربنای بسیاری از پیشرفته‌ترین ابزارهای هوش مصنوعی هستند، به اندازه داده‌هایی که در آموزش داده می‌شوند هوشمند هستند. از آنجایی که یک انسان انتخاب می‌کند چه داده‌هایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل سوگیری یادگیری ماشینی ذاتی است و باید به دقت نظارت شود.

هر کسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از دنیای واقعی و سیستم های تولیدی است، باید اخلاق را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کند و تلاش کند از سوگیری جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتم‌های هوش مصنوعی که ذاتاً در برنامه‌های یادگیری عمیق و شبکه‌های متخاصم تولیدی (GAN) غیرقابل توضیح هستند، صادق است.

توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت الزامات انطباق مقرراتی دقیق عمل می کنند. به عنوان مثال، موسسات مالی در ایالات متحده بر اساس مقرراتی عمل می کنند که آنها را ملزم می کند تصمیمات صدور اعتبار خود را توضیح دهند.با این حال، زمانی که تصمیم برای رد اعتبار توسط برنامه‌نویسی هوش مصنوعی گرفته می‌شود، توضیح چگونگی تصمیم‌گیری ممکن است دشوار باشد، زیرا ابزارهای هوش مصنوعی که برای چنین تصمیم‌گیری‌هایی استفاده می‌شوند با از بین بردن همبستگی‌های ظریف بین هزاران متغیر عمل می‌کنند. هنگامی که فرآیند تصمیم گیری قابل توضیح نباشد، برنامه ممکن است به عنوان هوش مصنوعی جعبه سیاه نامیده شود.

به طور خلاصه، چالش های اخلاقی هوش مصنوعی شامل موارد زیر است:

• سوگیری ناشی از الگوریتم های آموزش نادرست و تعصب انسانی.
• استفاده نادرست به دلیل دیپ فیک و فیشینگ.
• نگرانی های حقوقی، از جمله افترا هوش مصنوعی و مسائل مربوط به حق چاپ.
• حذف مشاغل به دلیل افزایش قابلیت های هوش مصنوعی.
• نگرانی های حفظ حریم خصوصی داده ها، به ویژه در زمینه های بانکی، مراقبت های بهداشتی و قانونی.

حاکمیت و مقررات هوش مصنوعی

علیرغم خطرات احتمالی، در حال حاضر مقررات کمی وجود دارد که بر استفاده از ابزارهای هوش مصنوعی حاکم باشد، و در مواردی که قوانین وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. به عنوان مثال، همانطور که قبلا ذکر شد، مقررات وام منصفانه ایالات متحده مؤسسات مالی را ملزم می کند که تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان استفاده وام دهندگان از الگوریتم های یادگیری عمیق را محدود می کند، الگوریتم هایی که طبیعتاً غیرشفاف هستند و قابلیت توضیح ندارند.

مقررات عمومی حفاظت از داده های اتحادیه اروپا (GDPR) در حال بررسی مقررات هوش مصنوعی است. محدودیت‌های سخت‌گیرانه GDPR در مورد نحوه استفاده شرکت‌ها از داده‌های مصرف‌کننده، آموزش و عملکرد بسیاری از برنامه‌های هوش مصنوعی مصرف‌کننده را محدود می‌کند.

سیاستگذاران در ایالات متحده هنوز قوانین هوش مصنوعی را صادر نکرده اند، اما این امر می تواند به زودی تغییر کند. طرحی برای منشور حقوق هوش مصنوعی که در اکتبر 2022 توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) منتشر شد، کسب‌وکارها را در مورد نحوه پیاده‌سازی سیستم‌های هوش مصنوعی اخلاقی راهنمایی می‌کند. اتاق بازرگانی ایالات متحده همچنین در گزارشی که در مارس 2023 منتشر شد، خواستار مقررات هوش مصنوعی شد.

تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل انواع فناوری‌هایی است که شرکت‌ها برای اهداف مختلف از آن‌ها استفاده می‌کنند، و تا حدودی به این دلیل که مقررات می‌تواند به قیمت پیشرفت و توسعه هوش مصنوعی تمام شود. تکامل سریع فن‌آوری‌های هوش مصنوعی مانع دیگری برای شکل‌گیری مقررات معنی‌دار هوش مصنوعی است، همانطور که چالش‌های ارائه‌شده توسط فقدان شفافیت هوش مصنوعی است که دیدن نحوه رسیدن الگوریتم‌ها به نتایج خود را دشوار می‌کند. علاوه بر این، پیشرفت های فناوری و برنامه های کاربردی جدید مانند ChatGPT و Dall-E می توانند قوانین موجود را فوراً منسوخ کنند. و البته، قوانینی که دولت‌ها برای تنظیم هوش مصنوعی وضع می‌کنند، مجرمان را از استفاده از این فناوری با نیت مخرب باز نمی‌دارد.