بدون شک امروزه هوش مصنوعی به یکی از کلیدواژههای اصلی جهان علم تبدیل شده است. در حال حاضر شرکتهای برتر فناوری با انجام به تحقیقات گسترده، میکوشند هوش مصنوعی را کاربردیتر کرده و از آن در راستای بهبود تجربه مشتری استفاده کنند.
سرمایهگذاریهای کلان و چند میلیارد دلاری شرکتهایی مانند آمازون، اپل، فیسبوک، گوگل، آیبیام و مایکروسافت در مسائل مرتبط با هوش مصنوعی از همین نگرش ناشی میشود.
Janakiram MSV، یکی از نویسندگان و تحلیلگران وبسایت فوربس معتقد است سه فاکتور مهم وجود دارد که میتواند سرعت نوآوری در یادگیری ماشین و هوش مصنوعی را شتاب ببخشد.
این فاکتورهای سهگانه عبارتند از:
۱. معماری نسل آتی معماری رایانهای
ریزپردازندهها و CPUهای سنتی برای سر و کار داشتن با یادگیری ماشین یا همان Machine Learning اختراع نشدهاند. حتی سریعترین CPUها نیز نمیتواند ابزار ایدهآلی برای انجام و اجرای مدلهای پیچیده یادگیری ماشین تلقی شود زیرا برای این کار، CPUهایی باید با پردازشگرهای جدید تکمیل و سازگار شوند. این در حالی است که به لطف هوش مصنوعی پردازشگرهای گرافیکی یا همان GPUها در حال رشد و تکامل هستند.
در واقع بر خلاف CPUها، بستر پردازشگرهای گرافیکی برای ابتکار و نوآوری مهیاتر است. مدار مجتمع دیجیتال برنامهپذیر (Field Programmable Gate Array) یا به اصطلاح FPGA را مجرای جدید جهش در این خصوص به شمار آوردهاند زیرا FPGAها را میتوان برای انجام برخی کارهای خاص، تنظیم و برنامهریزی کرد.
۲. دسترسی به دادههای قدیمی
زمانی که نام و نشانی از رایانش ابری در میان نبود، ذخیرهسازی و دسترسی به اطلاعات فرایندی گران و هزینهبر محسوب میشد ولی امروزه به لطف رایانش ابری، این کار برای کسبوکارها، نهادهای دولتی، دانشگاهها و دیگران آسانتر و البته ارزانتر شده است.
واقعیت آن است که دانشمندان داده برای اجرای انواع مدلهای یادگیری ماشین که بتواند با دقت بالایی دست به پیشبینی بزند، به دادههای قدیمی و انبوه نیاز دارند، زیرا کارآیی مدل یادگیری ماشین به طور مستقیم با اندازه و کیفیت دادهها مربوط است.
برای نمونه؛ محققان برای حل مشکلات پیچیدهای همچون تشخیص سرطان و یا پیشبینی رخدادهایی نظیر بارندگی، باید به مجموعهای بزرگ از دادههای گوناگون دسترسی داشته باشند.
واضح است که هر چه بهای تمام شده برای این کار کمتر باشد، موسسات دولتی، مراکز پزشکی و دانشگاه ها بهتر و آسانتر میتوانند دادههای غیرساختاری را در اختیار محافل پژوهشی قرار دهند.
۳. پیشرفت در شبکههای عصبی عمیق
سومین و مهمترین عامل موثر در حوزه تحقیقات هوش مصنوعی عبارت است از پیشرفت و توسعه در بخش یادگیری عمیق و شبکههای عصبی مصنوعی. وی معتقد است شبکههای عصبی مصنوعی (Artificial Neural Networks یا به اختصار ANN) جایگزین مدلهای سنتی یادگیری ماشین خواهند شد. شبکههای عصبی پیچشی (Convolutional Neural Networks – CNN) نیز قدرت یادگیری عمیق را به بینایی رایانهای (Computer Vision) تزریق خواهد کرد.
همچنین بعضی از تکنیکهای نوظهور یادگیری ماشین از قبیل CapsNet و یادگیری انتقال، تغییراتی بنیادین در مدلهای یادگیری ماشین به وجود خواهد آورد. در دسترس بودن دادههای غنی، در ترکیب با نسل نوین معماری رایانهای، دانشمندان را قادر میسازد تا با شتاب بیشتری دست به نوآوری بزنند. عواملی که در بالا به آنها اشاره شد سبب میشود در آیندهای نه چندان دور، هوش مصنوعی به بخش جداییناپذیر انواع اپلیکیشنها و دستگاههای مختلف تبدیل شود.