در این قسمت از مجموعه ویدیو‌های آموزشی مرحله مقدماتی آزمایشگاه نوآوری مدلین، دکتر اشکان یوسفی، هم‌بنیان‌گذار و مدیر فناوری استارتاپ سلامت اسمارت دنت، به بررسی تاریخچه، وضعیت کنونی، چالش‌ها و آینده‌ی هوش‌مصنوعی می‌پردازد.
متن ویدیو “هوش مصنوعی چیست؟”
در سال ۱۹۵۰ آلن تورینگ، دانشمند انگلیسی و پدر علم کامپیوتر، در مقاله‌ای به این موضوع اشاره کرده‌است که «آیا ماشین‌ها می‌توانند فکر کنند؟» و برای اولین بار به موضوع هوش مصنوعی اشاره شد. از آن زمان تا اکنون هوش مصنوعی هر بار اوج گرفته و سرمایه‌گذاران را به خود جذب کرده‌است اما به دلایل مختلف به سرانجامی نرسیده‌است.
در حال حاضر در فصل چهارم هوش مصنوعی قرار داریم. با اتفاقات مهمی از جمله افزایش پردازش کامپیوتر (processing)، ارزان شدن قیمت حافظه (memory)، ابداع (GPU (Graphic Processor Unit، شبکه‌های یادگیری عمیق (deep learning) که سبب ارائه‌ی اپلیکیشن‌های کاربردی‌تر از هوش‌مصنوعی شده‌است و افزایش میزان داده‌ها و تکنولوژی‌های دیگر، از سال ۲۰۱۲ وارد فضایی شده‌ایم که هوش مصنوعی کاربرد‌های وسیعی در حوزه‌های مختلف از جمله پزشکی پیدا کرده‌است.
تفاوت میان هوش مصنوعی و برنامه‌نویسی چیست؟
در زبان برنامه‌نویسی یک‌سری داده‌هایی (input) وجود دارد که با استفاده از منطقی که توسط برنامه‌نویسی پیاده‌سازی شده‌است (program) اعمال کرده و یک سری خروجی (output) به‌دست می‌آید. زمانی که وارد این فضا می‌شوید تعداد حالت‌هایی که در نظر گرفته‌شده، محدود است؛ در واقع می‌گوییم اگر اتفاق X افتاد، خروجی Y داده شود.
در هوش مصنوعی این اتفاق متفاوت است. داده‌های ورودی و داده‌های خروجی به ماشین داده‌می‌شود و همانند مغز انسان، از ماشین می‌خواهیم روابط میان این داده‌ها را که همان برنامه است، پیدا کند. در واقع با تنظیم و وزن‌دهی شبکه‌های عصبی، می‌تواند با مشاهده‌ی داده‌‌ی ورودی ، داده‌‌ی خروجی را تشخیص دهد.
نکته‌ی اصلی این است که داده‌ها را به صورت خام نمی‌توان به ماشین ارائه کرد، زیرا این داده‌ها همراه با داده‌هایی است که کارکرد آن شبکه را تحت تاثیر منفی قرار می‌دهد. پس داده‌ها باید مرتب‌سازی یا به اصطلاح cleaning انجام شود و پس از مرتب‌سازی و برچسب‌گذاری می‌تواند استفاده شود.
داده‌ها label یا برچسب خاصی ندارند و از منابع مختلف جمع‌آوری شده‌است، ابزار‌های اینترنت اشیا (IOT) و تلفن‌های همراه مثال‌هایی از این نوع داده‌ها هستند. این داده‌ها باید برچسب‌گذاری شوند (labeling). فرض کنید ۲۰۰ عکس رادیولوژی ریه را با برچسب نرمال بودن به کامپیوتر نشان می‌دهیم و پس از آن برای مجموعه‌ی ۱۰۰۰ تا ۲۰۰۰ تایی از عکس‌ها پنومونی و نرمال بودن را به کامپیوتر نشان می‌دهیم. کامپیوتر نیز مانند مغز انسان پس از دیدن این تعداد عکس می‌تواند تفاوت میان این عکس‌ها را تشخیص دهد. به‌طور کلی labeling یعنی برچسبی را به تصویر بزنیم که ویژگی‌هایی را که دنبال آن هستیم، نمایش دهد.
برچسب‌گذاری چگونه انجام می‌شود؟
این فرایند توسط انسان انجام می‌شود. پلتفرم‌ها و ابزار‌های مختلفی در دنیا برای انجام این فرایند پدید‌آمده‌است. به طور مثال amazon-turk پلتفرمی‌است که در‌آن افراد ( به‌ویژه در کشور‌های در حال توسعه) به ازای دریافت مبلغ اندکی این کار را انجام می‌دهند. البته در کار‌های پیچیده‌تر باید از متخصصان آن رشته استفاده شود، مانند برچسب‌گذاری عکس‌های MRI که باید از تعدادی رادیولوژیست استفاده شود.
قسمت‌هایی از فرایند برچسب‌گذاری در حال خودکارشدن است. در واقع هوش‌مصنوعی‌ها و پلتفرم‌هایی آموزش دیده‌اند که برچسب‌گذاری را انجام دهند و این قسمت تنها وابسته به انسان نباشد.