معرفی گرایش هوش مصنوعی
تا حالا شده قبل از این‌که جمله‌ت تموم بشه، گوگل با تکمیل کلماتت دقیقاً حدس بزنه که چی می‌خواستی بگی؟ یا تا حالا از خودت پرسیدی برنامه‌های نقشه و مسیریابی چطوری توی یک شهر شلوغ، مسیر ایده‌آل بین دو نقطه رو با توجه به ترافیک و وضعیت جاده‌ها بهت پیشنهاد میدن؟ برات سؤال شده که قفل‌گشای چهره‌ایِ موبایل چطوری کار می‌کنه؟ یا اسپاتیفای چطوری آهنگ مورد علاقهٔ تو رو پیدا و پیشنهاد می‌کنه؟ با این‌که بیشتر شبیه یه معجزه می‌مونه، اما اصلاً خبری از جادو نیست! همه‌ش کار هوش مصنوعیه.
اگر تازه وارد دنیای مهندسی کامپیوتر شدی، هوش مصنوعی یکی از جذاب‌ترین گزینه‌های پیش روی تو در چهار سال آینده است. لازم نیست از روز اول «ماتریس»، «امید ریاضی»، یا «دیپ لرنینگ» بلد باشی. کافیه یه‌کم کنجکاو باشی، به موضوع هوشمندی علاقه داشته باشی و از امتحان‌کردن و شکست‌خوردن نترسی.
مسائل زیادی اطراف ما هستند که الگوهای مشخصی دارند و میشه برای اون‌ها الگوریتم (دستور‌العمل‌های حل مسئله) طراحی کرد. مثلاً مرتب‌سازی تعدادی عدد نامرتب و یا پیدا کردن کوتاه‌ترین فاصلهٔ بین دو نقطه در یک نقشه، از مواردی هستن که با توجه به الگوهای مشخص در ذات مسئله، میشه تعدادی قاعده و قانون برای حل اون‌ها طراحی کرد. وقتی این به اصلاح دستورالعمل‌ها مشخص شدند، حالا میشه نمونه‌ای جدید از اون مسئله رو به الگوریتم بدیم و راه‌حل رو دریافت کنیم. حالا شاید برات سؤال باشه که وقتی دنیای الگوریتم‌ها وجود داره، پس چه نیازی به هوش مصنوعی داریم؟
هوش مصنوعی معمولاً اون‌جایی وارد عمل میشه که ما خودمون قاعده‌ها و الگوها رو دقیق نمی‌دونیم یا این‌که این الگوها خیلی پیچیده‌تر از اون هستن که بخوای براشون قانون بنویسی. در واقع میزان پیچیدگی مسئله به قدری زیاد هست که ما قادر نیستیم دستورالعمل‌ها رو به شکل صریح بیان کنیم.
مثلاً فرض کن بخوای از روی یک عکس چهره تشخیص بدی که فرد داخل اون عکس آیا خوشحال هست یا ناراحت. سخته، نه؟ چون الگوی مشخصی نداره یا به‌عبارتی الگوی ناراحتی و خوش‌حالی چهره خیلی پیچیده است. شاید بخوای بگی «اگر گوشهٔ لب به اندازهٔ ۲ سانتی‌متر بالا بود و پلک راست نیمه‌باز بود، یعنی خوشحال!»، اما خیلی سریع متوجه می‌شی که این قاعده به اندازهٔ کافی جامعیت نداره و هزاران حالت دیگه از چهره هم وجود داره که فرد در اون خوشحال هست. حالا در این موارد که نمی‌شه به اصلاح الگوریتمی برای حل مسئله نوشت، چی‌کار کنیم؟ به‌جاش ما می‌تونیم هزاران عکس مختلف از چهره‌های آدم‌ها جمع کنیم و به سیستم هوش مصنوعی خودمون بگیم: «این‌ها دارن لبخند می‌زنن، و اینا ناراحتن.»، بعد هوش مصنوعی خودش شروع می‌کنه دنبال پیدا کردنِ الگوها در داده‌ها، بدون این‌که ما بهش بگیم دقیقاً دنبال چی بگرده.
به‌‌عبارت ساده‌تر، هوش مصنوعی یعنی کشف الگو در دل شلوغی داده‌ها، بدون نیاز به فرمول از‌پیش‌نوشته‌شده. برای همین هم هست که هوش مصنوعی توی دنیای واقعی خیلی کاربرد داره؛ چون زندگی پر از داده‌هایی هست که الگوهاشون واضح نیست. مثل تصاویر پزشکی که ممکنه نشون‌دهندهٔ بیماری باشن و یا تصاویر ماهواره‌ای که وضعیت آب و هوا رو نشون میدن. پس هوش مصنوعی بیشتر از این‌که شبیه یه ماشین‌حساب دقیق باشه که قواعد از‌پیش‌تعیین‌شده رو اجرا می‌کنه، شبیه یه موجود کنجکاوه که از دل تجربه‌ها و داده‌ها، الگوهای اصلی مسئله رو یاد می‌گیره. وقتی هم که فرایند یادگیری‌ش تموم میشه، میشه یک نمونهٔ جدید از مسئله رو بهش داد و امیدوار بود که هوش مصنوعی به خوبی از پس اون نمونهٔ جدید بر میاد.
تنها برخورد جدی تو با هوش مصنوعی تا الان ممکنه فیلمی مثل Her یا سریالی مثل Black Mirror باشه. در سینما، هوش مصنوعی معمولاً یا نابغه است یا قاتل. اما دنیای واقعی خیلی متفاوت‌تر از این داستان‌هاست. در واقع، هوش مصنوعی فعلاً بیشتر درگیرِ مسائل ملموس روی زمینه، تا تسخیر خود زمین. اما نمی‌شه منکر این شد که ما همین الان هم در شروع یه انقلاب جدید هستیم. اگر زمانی انقلاب کوپرنیک در نجوم یا انقلاب کوانتوم در فیزیک رو داشتیم که دنیا رو برای همیشه تغییر دادند، الان هم ما در آستانهٔ انقلاب هوش مصنوعی در همهٔ حوزه‌ها هستم.
اما یه خبر خوب برای تو که شاید به زودی در این مسیر قدم بذاری! تو همین الان هم از خیلی‌ها جلوتر هستی. بذار ساده بگم. هوش مصنوعی الان مثل برق در قرن نوزدهمه؛ یعنی به مرور داره همه‌جا فراگیر میشه، ولی هنوز خیلی‌ها نمی‌دونن دقیقاً چطور قراره دنیای فردا رو تغییر بده. از گوشی تلفن همراه گرفته تا ماشین‌ها، از دانشگاه‌ها تا استارتاپ‌ها، از ماهواره‌های فضایی تا جنگ‌های مدرن، اثر هوش مصنوعی همه‌جا دیده میشه. و خوش به حال تو که داری در مسیری قدم می‌ذاری که قراره آیندهٔ جهان رو تسخیر کنه.
حالا شاید بگی: «خیلی هم عالی! ولی منِ دانشجوی تازه‌وارد از کجا باید شروع کنم؟» خبر خوب اینه که گام‌های اولیه در مسیر هوش مصنوعی تا حد زیادی شفاف و مشخصه. البته قرار نیست یه روز صبح ناگهانی به‌عنوان یک «مهندس یا محقق هوش مصنوعی» از خواب بیدار بشی، ولی همه چیز فقط با چند قدم ساده و کنجکاوی شروع میشه.
اولین چیزهایی که باید باهاشون رفیق بشی:
- برنامه‌نویسی (مخصوصاً Python): زبونی که تقریباً همهٔ مدل‌های هوش مصنوعی باهاش پیاده‌سازی میشن و کار می‌کنن.
- ریاضیات پشت صحنه: چیزهایی مثل آمار، احتمال و جبر خطی، که بهت یاد میدن مدل‌ها چطور آموزش می‌بینن و تصمیم می‌گیرن.
- تفکر الگوریتمی: یعنی بلد باشی چطوری با یک مسئلهٔ جدید مواجه بشی، اون مسئله رو تکه‌تکه کنی و براش راه‌حل منطقی و کارا بچینی.
در قدم بعدی لازمه بدونی که هوش مصنوعی چند تا شاخهٔ اصلی داره (نترس، قراره راحت و ساده بگیم):
- هوش مصنوعی کلاسیک: که بیشتر شامل الگوریتم‌های جست‌وجو و مدل‌‌سازی احتمالاتی از مسائل و جهانه.
- یادگیری ماشینMachine Learning : یعنی ماشین‌ها از داده‌ها الگو پیدا می‌کنن، درست مثل ما که از تجربه‌ها یاد می‌گیریم.
- یادگیری عمیقDeep Learning : یه نوع خاص از یادگیری ماشینه که از شبکه‌های عصبی عمیق استفاده می‌کنه؛ چیزی شبیه مغز ما.
- یادگیری تقویتیReinforcement Learning : یعنی یادگیری از روی تعامل با محیط اطراف و انجام آزمون و خطا در محیط، مثل ربات‌ها.
در مقطع کارشناسی، می‌تونی دروس هوش مصنوعی کلاسیک و یادگیری ماشین رو برداری و سفر هیجان‌انگیز خودت رو به این دنیا رسماً شروع کنی. همین‌طور می‌تونی دروسی مثل یادگیری عمیق، پردازش زبان‌های طبیعیNatural Language Proccessing (NLP)، هوش مصنوعی سیستم دوSystem-2 AI و برنامه‌ریزیPlanning رو به‌صورت اختیاری از مقطع کارشناسی ارشد برداری.
تازه، اگر علاقه‌مند بودی تا این مسیر رو عمیق‌تر و جامع‌تر ادامه بدی، می‌تونی از این لینک اساتید گروه هوش مصنوعی و زمینه‌های پژوهشی اون‌ها رو پیدا کنی و با دانشجویان و آزمایشگاه‌هاشون ارتباط بگیری تا وارد دنیای تحقیقات علمی بشی:
کلام پایانی
هوش مصنوعی فقط یه رشتهٔ درسی نیست؛ یه جور نگاه تازه به دنیاست. وقتی توی این حوزه کار می‌کنی، انگار داری سعی می‌کنی به ماشین‌ها یاد بدی چطور فکر کنن، ببینن و یاد بگیرن. اما در واقع، تو هم در این مسیر داری یاد می‌گیری چطور، خودت رو بهتر ببینی و فکر کنی. در این مسیر یه جاهایی ذوق‌مرگ می‌شی و احساس می‌کنی داری جادو می‌کنی، چون می‌بینی که یه تکه کد ساده می‌تونه کاری کنه که یه ماشین «درک» کنه، «بفهمه»، یا «حدس بزنه». یه جاهایی هم احساس می‌کنی وارد دنیایی شدی که علم، هنر و تخیل با هم قاطی شدن و همون‌جاست که می‌فهمی هوش مصنوعی فقط دربارهٔ الگوریتم‌ها و ماشین‌ها نیست، بلکه بیشتر دربارهٔ «فهمیدنِ خودِ فهمیدنه». توصیهٔ من در این مسیر به تو اینه: زیاد بپرس، زیاد امتحان کن و زیاد شکست بخور. چون هوش مصنوعی هم دقیقاً از همین جنس ساخته شده: یاد گرفتن از شکست‌ها و اشتباهات.