هوش مصنوعی چیست؟ بررسی کاربردهای Artificial intelligence

هوش مصنوعی یکی از 10 عنوان برتری بوده که در سال‌های اخیر مورد توجه عموم مردم قرار گرفته است. هوش مصنوعی شاخه‌ای از علوم کامپیوتر بوده که هدف آن تلاش برای تکرار یا شبیه سازی هوش انسانی در ماشین‌ها است.

هوش مصنوعی چیست؟ بررسی کاربردهای Artificial intelligence
لیست مطالبی که در این مقاله می خوانید:

هوش مصنوعی یکی از 10 عنوان برتری بوده که در سال‌های اخیر مورد توجه عموم مردم قرار گرفته است. طبق تحقیقاتی که انجام شده نه تنها دانشمندان و متخصصان حوزه کامپیوتر، بلکه مردم عادی هم به این مفهوم علاقه‌مند شده و به دنبال پیدا کردن کاربردهای آن هستند. ما در این مقاله سعی داریم تا به طور کامل به بررسی هوش مصنوعی پرداخته و با معرفی انواع آن متوجه حوزه عملکرد AI شویم. در انتها هم به بررسی کاربردهای Artificial Intelligence در زندگی روزمره بپردازیم.

 

 کمتر از یک دهه پیش از پیروزی نیروهای متفقین در جنگ جهانی دوم، با شکستن رمزهای آنیگمای نازی‌ها، ریاضیدان معروف آلن تورینگ با یک سؤال ساده تاریخ را برای بار دوم تغییر داد. سؤال تورینگ این بود که: «آیا ماشین‌ها می‌توانند فکر کنند؟» مقاله تورینگ با عنوان «ماشین آلات محاسباتی و هوش» در سال 1950 و تست تورینگ در ادامه آن، هدف و چشم انداز اساسی هوش مصنوعی را مشخص کرد. درباره اینکه تست تورینگ چیست در ادامه صحبت خواهیم کرد.

هوش مصنوعی در هسته داخلی خود شاخه‌ای از علوم کامپیوتر بوده که هدف آن تلاش برای تکرار یا شبیه سازی هوش انسانی در ماشین‌ها است. هدف گسترده آن، بحث‌ها و سؤالات زیادی را به وجود آورده است. به حدی که هیچ تعریف واحدی پذیرفته شده نیست اما می‌توان با بیان ویژگی‌های آن،‌ به تعریف نسبتاً مناسبی دست پیدا کرد.

برای درک هوش مصنوعی ابتدا باید آن را به زبانی ساده تعریف کنیم. تصور کنید ماشین‌ها و ابزارهایی با این هدف ساخته شده‌اند که مانند ما انسان‌ها فکر کرده و کارهای ما را تقلید کنند. هنگامی که هوش انسانی در این ماشین‌ها برنامه ریزی می‌شود، به آن هوش مصنوعی یا Artificial Intelligence گفته می‌شود. البته این عبارت به طور کلی به هر ماشینی که ویژگی‌های ذهن انسان مانند فکر کردن و حل مسئله را انجام دهد، گفته می‌شود.

 

ایرادات این تعریف Artificial Intelligence چیست؟

مهم‌ترین ایرادی که در این تعریف از AI به چشم می‌خورد، عبارت «ساخت ماشین‌هایی که هوشمند هستند» بوده زیرا در واقع توضیح نمی‌دهد که این هوشمندی دقیقاً چیست و چه چیزی باعث می‌شود تا یک ماشین هوشمند باشد. Artificial Intelligence یک علم میان رشته‌ای با رویکردهای متعدد است اما پیشرفت‌هایی که در زمینه ماشین لرنینگ و یادگیری عمیق تقریباً در هر بخش از صنعت فناوری یک تغییر پارادایم ایجاد می‌کند.

با این حال در سال‌های اخیر آزمایش‌های جدید و مختلفی پیشنهاد شده‌اند که تا حد زیادی مورد استقبال قرار گرفته‌اند؛ از جمله یک مقاله تحقیقاتی در سال 2019 با عنوان «اندازه گیری هوش». فرانسوا شولت، محقق و مهندس گوگل در این مقاله استدلال می‌کند که هوش عبارت از «روشی که در آن فردی که در حال یادگیری بوده تجربیات و پیشینه‌های خود را به مهارت‌های جدید در کارهای ارزشمند تبدیل می‌کند که این تبدیل شامل عدم قطعیت و سازگاری است.» به عبارت ساده‌تر می‌توان گفت که هوشمندترین سیستم‌ها می‌توانند تنها با مقدار کمی تجربه، حدس بزنند که در بسیاری از موقعیت‌ها نتیجه چه چیزی خواهد بود.

 

کمی بالاتر به این مسئله اشاره کردیم که آلن تورینگ با این سؤال که آیا ماشین‌ها فکر می‌کنند و پیاده سازی تست تورینگ، توانست سنگ بنای اولیه هوش مصنوعی را بسازد. احتمالاً این سؤال برایتان به وجود آمده که تست تورینگ چیست. هدف از این آزمون این است که میزان کارکرد هوش مصنوعی سنجیده شود. برای شروع باید یک داور، یک شرکت کننده انسانی و یک ماشین انتخاب شود.

داور هیچ اطلاعاتی در مورد دو شرکت کننده انسانی و کامپیوتری ندارد ولی قرار است با پرسیدن سؤالات مختلف این موضوع را متوجه شود. اگر ماشین یا همان هوش مصنوعی بتواند بیش از نیمی از سؤالات را به شکلی پاسخ داده که داور هویت او را با انسان اشتباه بگیرد، در اینجا ماشین برنده خواهد شد.

 

اگر بخواهیم چگونگی کارکرد هوش مصنوعی را بررسی کنیم باید بگوییم که این سیستم‌ها با ترکیب مجموعه داده‌های بسیار زیاد و پردازش آن‌ها با استفاده از الگوریتم‌های هوشمند و تکراری کار می‌کنند. با این کار می‌توانند از الگوها و ویژگی‌های موجود در داده‌هایی که آنالیز می‌کنند، مفاهیم جدید را یاد بگیرند. هر بار که یک سیستم AI یک دور پردازش داده را اجرا می‌کند، عملکرد خود را آزمایش و اندازه‌گیری کرده و عملکردش در یک موضوع بیشتر می‌شود.

از آن جایی که هوش مصنوعی مانند ما انسان‌ها نیازی به استراحت ندارد،‌ می‌تواند صدها، هزاران یا حتی میلیون‌ها کار را به سرعت انجام دهد؛ در زمان بسیار کمی چیزهای زیادی یاد بگیرد و در انجام هر کاری که برای انجام آن آموزش داده می‌شود، بسیار توانمند شود.

با این حال ترفندی که به شما درک درستی از چگونگی عملکرد واقعی این هوش می‌دهد درک این ایده است که Artificial Intelligence تنها یک برنامه یا نرم افزار کامپیوتری نیست بلکه یک رشته تخصصی و یک علم کامل است. هدف این علم هم ساختن یک سیستم کامپیوتری بوده که قادر به مدل سازی رفتار انسان است تا بتواند از فرآیندهای تفکر انسانی برای حل مشکلات پیچیده استفاده کند.

برای دستیابی به این هدف، سیستم‌های AI از مجموعه‌ای کامل از تکنیک‌ها و فرآیندها و همچنین طیف وسیعی از فناوری‌های مختلف استفاده می‌کنند. با نگاهی به این تکنیک‌ها و فناوری‌ها می‌توانیم بفهمیم که واقعاً این هوش چگونه کار می‌کند.

 

اجزای مختلفی برای یک سیستم هوش مصنوعی وجود دارد که می‌توانید آن‌ها را زیر شاخه‌های این علم در نظر بگیرید. هریک از زمینه‌های گفته شده در ادامه معمولاً توسط فناوری AI استفاده می‌شود:

ماشین لرنینگ

یکی از پر تقاضاترین زمینه‌ها در حوزه فناوری‌های پیشرفته، ماشین لرنینگ است. این حوزه به سیستم‌های کامپیوتری، برنامه‌ها و نرم افزارهای کاربردی اجازه می‌دهد تا به طور خودکار یاد بگیرند و بر اساس تجربیاتشان نتایج بهتری را ایجاد کنند. همه این کار بدون اینکه برای آن برنامه ریزی شده باشند، انجام می‌شود. ماشین لرنینگ به AI اجازه می‌دهد تا الگوهایی را در داده‌ها پیدا کرده و رابطه بین آن‌ها را کشف کند و نتایج هر وظیفه‌ای که به عهده سیستم بوده را بهبود ببخشد.

در چند سال گذشته خودروهای خودران مانند اتومبیل‌های تسلا، تشخیص تصویر و گفتار، مدل‌های پیش بینی تقاضا، جستجوی وب به‌صورت مفید و برنامه‌های کاربردی مختلف به‌واسطه ماشین لرنینگ در دسترس ما قرار گرفته است. این حوزه اساساً روی برنامه‌هایی همگرا می‌شود که با اتکا به تجربیات خود، پتانسیل تصمیم گیری یا دقت پیش بینی خود را در یک دوره زمانی ارتقا می‌دهند.

شبکه عصبی

شبکه عصبی فرآیندی بوده که مجموعه داده‌ها را بارها و بارها تجزیه و تحلیل می‌کند تا ارتباط بین آن‌ها را پیدا کند. شبکه عصبی مانند نورون‌های مغز انسان عمل می‌کنند و به سیستم‌های هوش مصنوعی اجازه می‌دهند که مجموعه داده‌های بزرگ را دریافت کرده، الگوهایی که بین آن‌ها بوده را کشف کرده و به سؤالات مربوط به آن پاسخ دهند. با استفاده از شبکه عصبی می‌توان برای پیش بینی و تحقیقات بازار استفاده کرد. از این داده‌های گسترده می‌توان برای پیدا کردن هرگونه تقلب، تجزیه و تحلیل ریسک، پیش بینی بورس اوراق بهادار، پیش بینی فروش و بسیاری موارد دیگر استفاده کرد.

 

پردازش زبان طبیعی

به زبان ساده NLP (Natural Language Processing)، بخشی از علوم کامپیوتر و هوش مصنوعی بوده که می‌تواند به برقراری ارتباط بین کامپیوتر و انسان با زبان طبیعی کمک کند. این یک تکنیک پردازش محاسباتی برای زبان‌های انسانی است. این تکنیک کامپیوتر را قادر می‌سازد تا با تقلید از زبان طبیعی انسان، داده‌ها را خوانده و درک کند. پردازش زبان طبیعی برای هر سیستم مبتنی بر هوش مصنوعی که به طریقی با انسان‌ها تعامل دارد، چه از طریق نوشتار یا ورودی‌های گفتاری، حیاتی است.

اجرای تکنیک NLP مزایای مختلفی دارد:

  • دقت و کارایی اسناد را بهبود می‌بخشد.
  • این قابلیت را دارد که به‌صورت خودکار، خلاصه متن بسازد.
  • برای دستیار شخصی مانند الکسا، بسیار سودمند است.
  • این به سازمان‌ها امکان می‌دهد ربات‌های چت را برای پشتیبانی مشتری انتخاب کنند.
  • تجزیه و تحلیل احساسات را آسان‌تر می‌کند.

 

یادگیری عمیق

یادگیری عمیق (Deep Learning) نوع خاصی از ماشین لرنینگ بوده که به AI اجازه می‌دهد تا با پردازش داده‌ها یاد بگیرد و خود را بهبود ببخشد. یادگیری عمیق از شبکه‌های عصبی مصنوعی استفاده می‌کند تا شبکه‌های عصبی بیولوژیکی در مغز انسان را برای پردازش اطلاعات، یافتن ارتباط بین داده‌ها و استنتاج یا یافتن نتایج مبتنی بر تقویت یا رد یک ایده را استفاده کند.

منطق فازی

در دنیای واقعی، گاهی اوقات ما با شرایطی روبرو می‌شویم که تشخیص درست و غلط داستان کار سختی می‌شود. منطق فازی اجازه می‌دهد تا با انعطاف پذیری مناسبی استدلال کرده و عدم قطعیت هر شرطی مورد بررسی قرار بگیرد. به عبارت ساده‌تر، منطق فازی تکنیکی است که هر اطلاعات نامطمئنی را با اندازه گیری میزان درستی فرضیه نشان می‌دهد و اصلاح می‌کند.

همچنین منطق فازی برای استدلال در مورد مفاهیم غیرقطعی طبیعی استفاده می‌شود. این روش برای پیاده سازی تکنیک‌های یادگیری ماشین لرنینگ راحت و انعطاف پذیر است و به تقلید منطقی فکر انسان کمک می‌کند.

 

کامپیوتر ویژن

یکی از کاربردهای پربار فناوری هوش مصنوعی، توانایی بازبینی و تفسیر محتوای یک تصویر از طریق تشخیص الگو و یادگیری عمیق است. Computer Vision به سیستم‌های AI اجازه می‌دهد تا اجزای داده‌های بصری را شناسایی کنند. به عنوان مثال کپچاهایی که در سراسر وب می‌بینید و در آن‌ها از انسان‌ها درخواست می‌کنند تا خودروها، عابر پیاده، کوه‌ها و دیگر آیتم‌ها را شناسایی کنند یکی از راه‌هایی بوده که باعث می‌شود تا سیستم رفته رفته بیشتر یاد بگیرد.

 

هوش مصنوعی را می‌توان بر اساس قابلیت‌ها (Capability) و عملکرد (Functionality) تقسیم بندی کرد. اگر بخواهیم AI را بر اساس قابلیت‌ها تقسیم بندی کنیم، سه دسته مختلف به وجود می‌آیند:

  • هوش مصنوعی محدود
  • هوش مصنوعی عمومی
  • سوپر هوش مصنوعی

در مقابل اگر هم بخواهیم AI را بر اساس عملکرد دسته بندی کنیم، شامل گروه زیر می‌شود:

  • ماشین‌های واکنشی
  • تئوری محدود
  • نظریه ذهن
  • خودآگاهی

در ادامه هرکدام از این انواع هوش را به طور مفصل توضیح خواهیم داد. ابتدا به سراغ انواع هوش مصنوعی بر اساس قابلیت‌ها می‌رویم.

 

هوش مصنوعی محدود (Narrow AI) چیست؟

هوش مصنوعی محدود که به آن هوش ضعیف هم می‌گویند، روی یک موضوع محدود تمرکز می‌کند و نمی‌تواند فراتر از محدودیت‌های خود عمل کند. زیر مجموعه‌ای از توانایی‌های شناختی را هدف قرار داده و در آن طیف پیشرفت می‌کند. با ادامه توسعه روش‌های ماشین لرنینگ و یادگیری عمیق، کاربردهای محدود AI در زندگی روزمره ما به طور فزاینده‌ای رایج خواهند شد.

سیری اپل نمونه‌ای از هوش مصنوعی محدود است که با طیف کوچکی از عملکردهای از پیش تعریف شده عمل می‌کند. سیری اغلب با وظایفی خارج از وسعت توانایی‌های خود مشکل دارد. نمونه دیگری از Narrow AI، گوگل ترنسلیت، نرم افزار تشخیص تصویر، فیلتر اسپم و الگوریتم رتبه بندی صفحه گوگل است.

 

هوش مصنوعی عمومی (General AI) چیست؟

این AI به عنوان هوش مصنوعی عمومی قوی شناخته می‌شود زیرا می‌تواند هر کار فکری را که یک انسان می‌تواند، درک کرده و بیاموزد. این موضوع به ماشین اجازه می‌دهد تا دانش و مهارت‌ها را در زمینه‌های مختلف به کار بگیرد. محققان هوش مصنوعی تاکنون نتوانسته‌اند به هوش مصنوعی قوی دست پیدا کنند. آن‌ها باید روشی را بیابند تا ماشین‌ها را آگاه کرده و مجموعه‌ای از توانایی‌های شناختی کامل را برنامه ریزی کنند.

فوجیتسو، کامپیوتر K را یکی از سریع‌ترین ابررایانه‌های جهان بوده، ساخته است. این یکی از تلاش‌های مهم برای دستیابی به هوش مصنوعی قوی است. تقریباً 40 دقیقه طول می‌کند تا یک ثانیه فعالیت عصبی شبیه سازی شود. از این رو، تعیین اینکه آیا هوش مصنوعی قوی به زودی به دست خواهد آمد، دشوار است.

 

سوپر هوش مصنوعی (Super AI) چیست؟

سوپر هوش مصنوعی از هوش انسان پیشی می‌گیرد و می‌تواند هر کاری را بهتر از انسان‌ها انجام دهد. مفهوم ابر هوش مصنوعی این است که می‌تواند احساسات و تجربیات انسان‌ها را نه تنها درک کرده که باورها و خواسته‌های خود را ایجاد کند. وجود چنین هوشی هنوز فرضی بوده اما دستیابی به آن می‌تواند شگفت انگیز باشد. برخی از ویژگی‌های حیاتی Super Artificial Intelligence شامل تفکر، حل پازل و تصمیم گیری به تنهایی است.

در مرحله بعدی قصد داریم تا انواع هوش مصنوعی بر اساس عملکرد را بررسی کنیم.

ماشین واکنشی (Reactive Machine) چیست؟

ماشین‌های واکنشی شکل اولیه هوش مصنوعی هستند که خاطرات را ذخیره نمی‌کنند یا از تجربیات گذشته برای تعیین اقدامات آینده استفاده نمی‌کنند. این ماشین‌ها فقط با داده‌های فعلی کار می‌کنند. آن‌ها دنیا را درک می‌کنند و به آن واکنش نشان می‌دهند. ماشین‌های واکنشی با وظایف خاصی ارائه می‌شوند و قابلیت‌هایی فراتر از این وظایف ندارند.

دیپ بلو که استاد بزرگ شطرنج، گری کاسپاروف را شکست داد یک ماشین واکنشی بوده که مهره‌های صفحه شطرنج را می‌بیند و به آن واکنش نشان می‌دهد. دیپ بلو نمی‌تواند به هیچ یک از تجربیات قبلی خود دسترسی داشته یا با تمرین بهبود پیدا کند. او فقط می‌تواند مهره‌های روی صفحه شطرنج را شناسایی کرده و حرکت هر کدام را بلد باشد. دیپ بلو می‌تواند پیش بینی کند که چه حرکاتی ممکن است برای خود و حریفش مناسب باشد. نکته جالب این است که به مهره‌های شطرنج همان‌طور که در حال حاضر هستند نگاه می‌کند و هر چیزی که مربوط به لحظه قبل باشد را نادیده می‌گیرد و از بین حرکات احتمالی بعدی، انتخاب می‌کند.

 

حافظه محدود (Limited Memory) چیست؟

حافظه محدود از داده‌های گذشته و قدیمی برای تصمیم‌گیری‌های جدید استفاده می‌کند. حافظه سیستم‌های مبتنی بر Limited Memory کوتاه مدت بوده و آن‌ها می‌توانند از این داده‌های گذشته برای یک دوره زمانی خاص استفاده کنند اما نمی‌توانند آن را به کتابخانه تجربیات خود اضافه کنند. این نوع فناوری در وسایل نقلیه خودران استفاده می‌شود.

هوش مصنوعی حافظه محدود مشاهده می‌کند که چگونه وسایل نقلیه دیگر در حال حاضر و با گذشت زمان در اطراف او حرکت می‌کنند. این داده‌های جمع آوری شده مداوم به داده‌های ثابت ماشین هوش مصنوعی، مانند نشانگرهای خطوط و چراغ‌های راهنمایی اضافه می‌شود. زمانی که وسیله نقلیه تصمیم می‌گیرد که چه زمانی باید لاین را عوض کند، مواردی مانند عدم برخورد با اتومبیل دیگر یا ارتباط به راننده کناری را مدنظر قرار می‌دهد.

 

نظریه ذهن (The Theory of Mind) چیست؟

تئوری ذهن هوش مصنوعی، یک کلاس پیشرفته از این فناوری را نشان می‌دهد و فقط به عنوان یک مفهوم وجود دارد. چنین AI مستلزم درک کامل این موضوع بوده که افراد و چیزهای موجود در یک محیط می‌توانند احساسات و رفتارها را تغییر دهند، بنابراین باید عواطف، احساسات و افکار مردم را درک کند. اگرچه پیشرفت‌های زیادی در این زمینه به وجود آمده است اما این نوع هوش مصنوعی هنوز کامل نشده است.

یکی از مثال‌های واقعی برای نظریه ذهن، هوش مصنوعی Kismet است. Kismet یک ربات بوده که در اواخر دهه 90 توسط یک محقق MIT ساخته شد. این ربات می‌تواند احساسات انسانی را تقلید کرده و آن‌ها را تشخیص دهد. هردوی این توانایی‌ها پیشرفت‌های کلیدی در نظریه ذهن هستند اما این ربات نمی‌تواند نگاه‌ها را دنبال کرده یا توجه خود را به انسان منتقل کند.

 

خودآگاهی (Self-Awareness) چیست؟

هوش مصنوعی خودآگاهی فقط به‌صورت فرضی وجود دارد. چنین سیستم‌هایی ویژگی‌ها، حالات و شرایط درونی را فهمیده و احساسات انسانی را درک می‌کنند. این ماشین‌ها هوشمندتر از ذهن انسان خواهند بود. این نوع AI نه تنها قادر به درک و برانگیختن احساسات در افرادی بوده که با آن‌ها تعامل دارد،‌ بلکه دارای احساسات، نیازها و باورهای خود است.

 

احتمالاً با تعاریفی که از هوش مصنوعی و انواع آن داشتیم، این سؤال برایتان پیش آمده باشد که این تکنولوژی چه تاثیری در زندگی روزمره دارد. برای درک آن به مثال‌های زیر توجه کنید.

 

نقشه‌ها

به جای اتکا به نقشه‌های چاپ شده، این روزها می‌توانید از Google Map و Waze برای پیدا کردن مقصد خود استفاده کنید. در گذشته نه چندان دور، تنها GPS مبتنی بر ماهواره در دسترس بود اما در حال حاضر،‌ هوش مصنوعی با بررسی مسیر بهینه، موانعی که خیابان را مسدود کرده و ازدحام ترافیک سعی می‌کند تا تجربه بسیار بهتری را در اختیار کاربران قرار دهد.

با استفاده از ماشین لرنینگ به این اپلیکیشن‌ها آموزش داده شده است که تغییراتی که در جریان ترافیک به وجود می‌آید را درک و شناسایی کند تا بتواند مسیر بهتری را به کاربر نشان دهد. این مسیرها مانع از مسدود شدن جاده شده و از ازدحام بیش از حد جلوگیری می‌کند.

 

تشخیص چهره

استفاده از فیلترهای مجازی روی صورت ما هنگام عکس گرفتن و استفاده از فیس آیدی برای باز کردن قفل گوشی، دو نمونه از هوش مصنوعی هستند که اکنون به بخش مهمی از زندگی ما تبدیل شده‌اند. اولی می‌تواند چهره هر انسانی را تشخیص دهد و دومی با استفاده از تشخیص چهره فرد، یک چهره خاص را شناسایی می‌کند. تشخیص چهره همچنین برای نظارت و امنیت توسط تأسیسات دولتی و در فرودگاه‌ها استفاده می‌شود.

 

ویرایشگرها یا تصحیح خودکار متن

الگوریتم‌های AI از ماشین لرنینگ، یادگیری عمیق و پردازش زبان طبیعی برای شناسایی استفاده نادرست از زبان و پیشنهاد اصلاحات در پردازشگرهای کلمه، پیام‌رسان‌ها و هر رسانه نوشتاری دیگر استفاده می‌کنند. زبان شناسان و دانشمندان حوزه کامپیوتر با هم فعالیت می‌کنند تا به ماشین‌ها دستور زبان آموزش دهند درست همان‌طور که ما در مدرسه یاد می‌گرفتیم. الگوریتم‌ها از طریق داده‌های زبان با کیفیت بالا آموزش داده می‌شوند برای همین اگر از ویرگول اشتباه استفاده کنید، ویرایشگر متوجه شده و آن را تغییر می‌دهد.

 

الگوریتم‌های جستجو و پیشنهاد

وقتی می‌خواهید فیلمی را تماشا کنید یا به سراغ خرید آنلاین می‌روید، آیا متوجه شده‌اید که اغلب مواردی پیشنهاد می‌شود که با علایق شما و جستجوهای اخیرتان همسو هستند؟ این سیستم‌های توصیه هوشمند در طول زمان با دنبال کردن فعالیت آنلاین شما، رفتارها و علایق شما را یاد گرفته‌اند. داده‌ها در قسمت جلویی از کاربر گرفته شده و از طریق یادگیری عمیق و ماشین لرنینگ تجزیه و تحلیل می‌شوند. سپس می‌توانند تشخیص دهند که ترجیحات و علایق شما شامل کدام دسته شده و همان‌ها را به شما پیشنهاد می‌دهند.

 

دستیار دیجیتال

استفاده از دستیار دیجیتال اخیراً بسیار زیاد شده است. به عنوان مثال در حال رانندگی هستید و از دستیار دیجیتالتان درخواست می‌کنید تا با مادرتان تماس بگیرد. دستیارهای مجازی مانند سیری نمونه‌ای از هوش مصنوعی هستند که به مخاطبین شما دسترسی پیدا می‌کنند، کلمه مادر را شناسایی کرده و با شماره او تماس می‌گیرند. این دستیاران از ماشین لرنینگ و پردازش زبان طبیعی، تجزیه و تحلیل آماری و اجرای الگوریتمی استفاده می‌کنند تا تصمیم بگیرند که چه چیزی را می‌خواهید و سعی می‌کنند آن را برای شما فراهم کنند.

 

پرداخت الکترونیک

مراجعه به بانک برای هر تراکنش، اتلاف وقت بسیار زیادی است. Artificial Intelligence نقش مهمی در عدم مراجعه شما به بانک‌ها در 5 سال گذشته داشته است. بانک‌ها در حال حاضر از AI برای تسهیل مشتریان و ساده‌سازی فرآیندهای پرداخت استفاده می‌کنند. الگوریتم‌های هوشمند امکان سپرده گذاری، انتقال پول و حتی بازکردن حساب‌ها را از هر جایی ممکن کرده‌اند. در این بین از هوش مصنوعی هم برای امنیت، مدیریت هویت و کنترل حریم خصوصی استفاده می‌کنند.

با استفاده از AI حتی می‌توان کلاه‌برداری احتمالی را با مشاهده الگوهای خرج کردن کارت اعتباری کاربران شناسایی کرد. این الگوریتم‌ها به طور معمول می‌دانند که شما چه خریدهایی دارید و آن‌ها را از کجاها انجام می‌دهید و در چه بازه قیمتی پول خرج می‌کنید. هنگامی که یک فعالیت غیرمعمول در حساب کاربری شما به وجود می‌آید که با پروفایلتان همخوانی ندارد، سیستم یک هشدار یا اعلان برای تأیید تراکنش‌ها ارسال می‌کند.

 

 

نظرات کاربران


 
در حال بارگذاری...

برای مشاهده مطالب بیشتر به آکادمی آذرآنلاین مراجعه کنید

محتوای بیشتری برای بارگذاری وجود ندارید