هوش مصنوعی و مغز انسان
آموزش‌های پیشرفته هوش مصنوعیداده کاوی و بیگ دیتاکاربردهای هوش مصنوعی

آیا شکاف در هوش مصنوعی و مغز انسان برای بازاریابی مهم است؟

    0
    مدت زمان مطالعه: ۳ دقیقه

    با در نظر گرفتن همه انتظارات و امیدهایی که درباره هوش مصنوعی می‌شنویم، شاید تعجب‌آور باشد که بدانیم محققان در مورد چگونگی توسعه این حوزه به شدت اختلاف نظر دارند. این دودستگی و شکاف در هوش مصنوعی و مغز انسان ، بین طرفداران هوش مصنوعی سنتی و منطق‌محور و علاقه‌مندان به مدل‌های شبکه عصبی وجود دارد. مایکل وولریج دانشمند کامپیوتر این مباحث را در یک سوال خلاصه می‌کند و آن هم این است که ما باید ذهن را مدل‌سازی کنیم یا مغز را؟
    البته پاسخ به این سوال کاملاً ساده نیست. اما امید می‌رود که توضیح تفاوت این دو غیرممکن نباشد.

    هوش مصنوعی نمادین

    ریشه‌های تاریخی  هوش مصنوعی به یک آزمون فکری که توسط آلن تورینگ ارائه شد برمی‌گردد. این آزمون به عنوان «تست تورینگ» شناخته می‌شود. به طور خلاصه، این آزمون قرار بود ملاکی باشد برای قضاوت در این مورد که انسان‌ها تا چه اندازه موفق می‌شوند هوش و ذهن انسانی را شبیه‌سازی کنند.

    برای دهه‌ها، هدف اصلی هوش مصنوعی مدل‌سازی موفق هوش بود. در واقع هوش مصنوعی نمادین به این فرضیه رایج اشاره داشت که هوش انسان قابل ساده‌سازی به گزاره‌های منطقی است. به شکلی که می‌تواند توسط منطق نمادین جذب شود. چنین رویکردی، به هوش مصنوعی این امکان را داد تا بتواند در حوزه‌هایی از هوش انسانی که به واسطه قوانین کاملاً مشخص، محدود شده است، گام‌های بلندی بردارد. برای مثال می‌توان به محاسبات ریاضی و معروف‌تر از همه بازی شطرنج اشاره کرد. مشکل این بود که بسیاری از تفکرات بشری این قوانین را شفاف و واضح بیان نمی‌کنند حتی اگر این قوانین زمینه ساز فرایندهای فکری ما باشند. هوش مصنوعی سنتی در شناخت الگوها و در نتیجه درک تصاویر عقب‌مانده و این یک شکاف در هوش مصنوعی است.

    هوش مصنوعی و مغز انسان

    یادگیری عمیق

    برای یک رویکرد جایگزین هوش مصنوعی، گاهی اوقات به اشتباه چیزی که توصیف می‌شود مبتنی بر مدل‌سازی شبکه‌ها در مغز انسان است. اما به جای آن، این رویکرد از نحوه کار شبکه های عصبی انسان الهام می‌گیرد. در این رویکرد شبکه‌های بزرگ، عمیق و مصنوعی که روی مجموعه داده‌های بزرگی آموزش دیده‌اند، یاد می‌گیرند روابط آماری را در داده‌ها تشخیص دهند و یک حلقه بازخورد بین لایه‌های گره‌ها امکان خود اصلاحی را ایجاد می‌کند. گستردگی مقیاس پردازش و چندین لایه گره باعث شده تا این رویکرد، «یادگیری عمیق» نامیده شود.

    این دقیقاً مقیاسی بود که مانع توسعه این رویکرد شد. تا همین اواخر، اطلاعات کافی و رایانه‌های قدرتمندی وجود نداشتند تا یادگیری عمیق را عملی و مقرون به صرفه کند. اما این روند در حال تغییر است و به همین دلیل است که در سال‌های اخیر، شاهد بهبود سریع در هوش مصنوعی و یکی از فناوری‌های آن یعنی فناوری تشخص چهره بوده‌ایم.

    همواره یکی از این معایب این بوده است که این ابزار فوق العاده قدرتمند اساساً به شکل کور رفتار می‌کند. به ویژه وقتی که پای درک متون به میان می‌آید. در واقع تنها قادر است مقدار زیادی همبستگی در داده‌های ورودی را تشخیص دهد و بر این اساس پاسخ می‌دهد.

    از آنجا که این ابزار، نمی‌تواند داده‌ها را به صورت هوشمند درک کند، خطاها یا آنچه که دیگران به عنوان پیش‌داوری می‌شناسند بیشتر اتفاق می‌افتند مگر اینکه یک هوش انسانی برای اصلاح امور وارد عمل شود. به زبان ساده، ما با یک سیستم یادگیری حریص و سیری ناپذیر طرفیم که می‌تواند هرچه که در اینترنت وجود دارد را جذب کند. با انجام این کار، بسیاری از چیزهای بیهوده را نیز جذب می‌کند که برخی از آن‌ها مضر هستند. علاوه بر این، تاثیر کربنی بسیاری از خود به جای می‌گذارد.

    پیامدها

    آیا موارد گفته شده برای بازاریابان مهم هستند؟ تا زمانی که بازاریابی در پروژه مدل‌سازی هوش انسانی سرمایه‌گذاری نشود می‌توان گفت پاسخ منفی است. اگرچه تا رسیدن به نقطه‌ای که بتوان استراتژی کسب و کار یا برنامه ریزی را به هوش مصنوعی سپرد راه بسیار دور و درازی است.

    اگر در این میان یک مزیت وجود داشته باشد این است که هوش مصنوعی می‌تواند از برخی عملکردها در بازاریابی پشتیبانی کند. مواردی همچون بهینه‌سازی کمپین، شخصی‌سازی، مدیریت داده و غیره. در این صورت بازاریابان می‌توانند با خیال راحت‌تر به تدوین استراتژی‌ها و نشان دادن خلاقیت خود بپردازند.

    در حال حاضر مسئله خیلی از بازاریابان این نیست که امیدوار باشند هوش مصنوعی شغل آن‌ها را نگیرد، بلکه مساله این است که شکاف در هوش مصنوعی و مغز انسان باعث شده که این فناوری هنوز آماده انجام این کار نیست.

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید.

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    مقدمه‌ای بر توابع پایه شعاعی: کرنل‌ها و شبکه‌های RBF

    مقاله قبلی

    بهترین دانشگاه‌های دنیا برای تحصیل در رشته یادگیری ماشین

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *