هوش مصنوعی (AI) برای سالهاست که موجب حیرت افراد شده است. ایده‌ی تولید ماشینی که قادر به تفکر مستقل، تصمیم‌گیری و واکنش مناسب باشد، موفقیت‌های زیادی را در عرصه های تفریحی و حرفه‌ای در بر دارد. موارد استفاده از این تکنولوژی در زمینه‌هایی چون خرده‌فروشی، داروسازی و امنیت چندان دور به نظر نمیرسد.
هوش مصنوعی در حال حاضر در چه مرحله‌ای قرار دارد؟
هنگامی که افراد در مورد این موضوع صحبت میکنند، اصطلاحاتی چون "یادگیری ماشینی" و "یادگیری عمیق" به کنار گذاشته میشوند. برای فهم جایگاه فعلی هوش مصنوعی، آشنایی با خلاصه ای از انواع رویکردهای اتخاذ شده توسط برنامه‌ریزها و توسعه‌دهندگان در جهت ارتقاء وتوسعه‌ی بیشتر این تکنولوژی کارآمد، بسیار به ما کمک خواهد کرد.
شناسایی الگو در مقابل یادگیری ماشینی در مقابل یادگیری عمیق
از آنجایی که ایده‌ی هوش مصنوعی (AI) خیلی سال پیش مطرح شد، در تلاش برای قادر ساختن کامپیوترها به تفکر به صورت مستقل از چندین رویکرد استفاده شده است. نخستین روش شامل شناسایی الگو میشد. به ویژه، توسعه‌دهندگان برنامه‌هایی را طراحی کردند که در آن کامپیوترها روی اینکه دنبال چه نوع ویژگی‌ها و الگوهایی برای شناسایی یک شئ باشند، آموزش داده میشدند.
پس از آن، افراد این رویکرد را برای دربرگیری الگوریتم ها بسط دادند تا تفکر را به کامپوترها بیاموزند، که این حرکت به آنچه که اکنون آن را آموزش ماشینی میخوانیم منتهی شد. با استفاده از این الگوریتم ها و حجم زیادی از اطلاعات (که بعنوان نمونه هایی از پاسخ های درست و غلط استفاده میشود)، کامپیوتر از ریاضیات و آمار برای بیرون کشیدن الگوها بهره میگیرد و نتایج را طبقه بندی میکند، بنابراین به نحوی قادر به انجام نوعی تفکر اولیه است. با این حال، در صورت نبود اطلاعات کافی برای یادگیری، مسائلی در رابطه با این رویکرد پیش خواهد آمد. همچنین، در مواردی که هیچ گونه الگوی قابل تشخیص و واضحی همچون زمانی که محیط دائما در حال تغییر است وجود نداشته باشد، سیستم به خوبی کار نخواهد کرد.
گام بعدی در تکامل هوش مصنوعی (AI) که همه ی توجه ها را به خود جلب کرده، یادگیری عمیق است. بزرگترین تفاوت این رویکرد در توانایی آن برای تشخیص ویژگی های حائزاهمیت برای تشخیص است که بر کمک یک برنامه نویس/اپراتور متکی نیست.
این نوع سیستم که برگرفته از طرز کار مغز انسان است، متشکل از چندین لایه ی عصبی میباشد که الگوریتمهای مختلف را برای مجزاسازی دوباره داده های با سطوح بالا به کار میگیرد. لایه ی پایینی این عصبها به عنوان "سنسور"ی استفاده میشود که به قسمت های کوچک تصویر نگاه میاندازد و اطلاعات ارائه شده را به لایه های بالاتر میرساند؛ لایه های بالاتر در اقدامی برای ترکیب و جادهی آن اطلاعات در بافت یک تصویر یا الگوی بزرگتر هستند. این اقدام تا جایی ادامه می یابد که سیستم قادر به فهم و تشخیص تصویر باشد.
موارد کاربری در امنیت
مشاهده ی چگونگی جایگیری یادگیری عمیق در تنظیمات امنیتی آسان است، مخصوصا از آنجایی که یکی از عناصر کلیدی برای "یادگیری"، داده است و حجم زیادی از آن در نظارت ویدئویی موجود است. با توجه به توانایی این تکنولوژی در شناسایی صحیح اشیاء، افزودن آن به هوشمندتر شدن سیستم کمک میکند. از این رو، از این تکنولوژی میتوان برای انواع کاربری ها و سیستم های امنیتی، از تشخیص چهره، خودرو و پلاک خودرو گرفته تا آنالیز رفتار جمعیت استفاده کرد.
این سیستم را همچنین میتوان به گونه ای برنامه ریزی کرد که داده های وارد شده از سیستم های نظارتی را به صورت خودکار آنالیز کند و سرعت جستجها را بالا ببرد، اپراتورهای انسانی را از تمرکز روی جزئیات مهم آزاد و از صرف وقت بسیار برای مشاهده ی مقادیر زیادی از تصاویر و ویدئوهای ضبط شده جلوگیری میکند.
با پیشرفت مداوم هوش مصنوعی، تفکر در مورد این جالب است که چگونه این پیشرفت ها در تکنولوژی های نظارتی موجود گنجانده میشوند تا امنیت را بالا ببرند. چه کسی میداند، شاید آینده ازآنچه که فکر میکنیم به ما نزدیکتر باشد.
برگرفته از مجله a&s