Artificial Narrow Intelligence - ANI(هوش مصنوعی باریک)

این همان هوش مصنوعی «حرفه‌ای تک‌کاره» است.

· تصویر دقیق: ANI را مانند یک ماشین حساب فوق‌پیشرفته یا یک شطرنج‌باز حرفه‌ای تصور کنید. این سیستم در یک زمین بسیار خاص و محدود، عملکردی شگفت‌انگیز دارد (حتی از بهترین انسان هم بهتر است)، اما خارج از آن زمین، کاملاً بی‌سواد و ناتوان است. ANI «نمی‌فهمد» چه کار می‌کند، فقط الگوها را دنبال می‌کند.· محدودیت بزرگ (شکاف تعمیم): ANI نمی‌تواند دانش خود را از یک حوزه به حوزه دیگر ببرد. سیستمی که تشخیص سرطان ریه را یاد گرفته، کوچک‌ترین ایده‌ای برای رانندگی ماشین یا شعر گفتن ندارد. به این مشکل «شکاف تعمیم» (Generalization Gap) می‌گویند.·

چرا ANI اینقدر موفق است؟ چون هزینه‌اش کم است، قابل پیش‌بینی است (در چارچوب خودش)، و برای 99% کارهایی که ما می‌خواهیم (تشخیص چهره، ترجمه، فیلتر اسپم) کاملاً کافی است.· مثال عمیقتر (سیستم توصیه‌گر یوتیوب): این سیستم فقط به سه چیز نگاه می‌کند:

1) تاریخچه تماشای شما، 2) ویدیوهایی که دیگران مشابه شما دیده‌اند، 3) کلیک یا نکردن شما روی ویدیوها. هیچ‌چیز از محتوای احساسی، فلسفی یا اخلاقی ویدیوها نمی‌فهمد. اگر 10 ویدیوی آشپزی دیده باشید، فرض می‌کند ویدیوی یازدهم هم باید آشپزی باشد. این «هوش» نیست، «همبستگی آماری» است.

دسته‌بندی کاربردهای ANI بر اساس صنعت و نحوه عملکرد:

1. تشخیص الگو و بینایی کامپیوتر (Computer Vision)
این حوزه به ماشین‌ها «دیدن» و «تشخیص دادن» اشیاء، افراد، متن و صحنه‌ها را یاد می‌دهد.

· تشخیص چهره (Face Recognition): · کاربرد: باز کردن قفل گوشی، شناسایی مجرمین از روی دوربین‌های شهری، ثبت حضور و غیاب کارمندان. · نحوه عملکرد مختصر: شبکه عصبی عمیق، مختصات کلیدی صورت (فاصله دو چشم، شکل بینی، منحنی لب‌ها) را به یک «بردار عددی» (فینگرپرینت صورت) تبدیل می‌کند و با بردار ذخیره شده مقایسه می‌کند.

· تشخیص پزشکی با تصویر (Medical Imaging): · کاربرد: تشخیص تومور سرطانی در ماموگرافی، تشخیص خونریزی داخلی در سی‌تی اسکن، تشخیص بیماری دیابتی شبکیه چشم از روی عکس شبکیه. · نکته مهم: ANI در این زمینه از بسیاری از پزشکان متخصص بهتر عمل می‌کند، چون می‌تواند میکروکلسیفیکاسیون‌های (ریزرسوبات کلسیمی) بسیار کوچکی را ببیند که چشم انسان از دیدن آنها عاجز است. اما هنوز جایگزین پزشک نشده، فقط به عنوان «دستیار دوم» کمک می‌کند.

· تشخیص متن در تصاویر (OCR - Optical Character Recognition): · کاربرد: تبدیل اسناد کاغذی قدیمی به فایل متنی، خواندن خودکار پلاک خودرو، خواندن شماره کارت بانکی در برنامه‌های پرداخت. · مثال عینی: اپلیکیشن Google Lens: دوربین را روی یک تابلو می‌گیرید، متن را استخراج و حتی ترجمه می‌کند.

2. پردازش زبان طبیعی (NLP - Natural Language Processing) این حوزه به ماشین‌ها «درک کردن» و «تولید کردن» زبان انسان را یاد می‌دهد (البته در سطح ANI، فقط «شبیه‌سازی» درک).

· دستیارهای صوتی (Voice Assistants): · کاربرد: سیری، الکسا، گوگل اسیستنت، بیکسبی. · سه مرحله عملکرد: 1. تشخیص گفتار (Speech-to-Text): امواج صوتی را به متن تبدیل می‌کند (یک ANI مجزا). 2. درک زبان (NLU): متن را تحلیل می‌کند و «قصد» (Intent) کاربر را می‌فهمد. مثلاً از عبارت «آب و هوا چطوره؟» می‌فهمد که قصد «گرفتن پیش‌بینی هوا» است. 3. پاسخ‌دهی: یک ANI دیگر پاسخ مناسب را تولید می‌کند (متن یا تبدیل متن به گفتار).· چت‌بات‌های پشتیبانی مشتری (Customer Support Chatbots): · کاربرد: پاسخ به سوالات رایج کاربران در سایت‌های فروشگاهی، بانک‌ها، اپراتورهای تلفن همراه. · نحوه عملکرد: معمولاً ترکیبی از دو روش: 1) Rule-based برای سوالات ساده (مثلاً «ساعت کاری؟») و 2) یادگیری ماشین برای سوالات پیچیده‌تر (مثلاً «شارژ من دیروز انجام نشد، چرا؟»). کاربر اغلب متوجه نمی‌شود با ربات حرف می‌زند.

· ترجمه ماشینی (Machine Translation): · کاربرد: گوگل ترنسلیت، دیکشنری‌های آنلاین. · نکته فنی: ترجمه امروزی از یادگیری عمیق (مدل‌های ترانسفورمر مانند BERT یا GPT) استفاده می‌کند. مدل، کل جمله مبدأ را یکجا می‌خواند و با توجه به «زمینه» (کلمات قبل و بعد) ترجمه می‌کند. به همین دلیل دیگر ترجمه‌های «کلمه‌به‌کلمه» و اشتباهات فاحش گذشته را نمی‌بینیم.· تحلیل احساسات (Sentiment Analysis): · کاربرد: برندها و شرکت‌ها کامنت‌های کاربران در توییتر، اینستاگرام یا نظرات فروشگاه را تحلیل می‌کنند تا ببینند «نظر مردم مثبت است، منفی است یا خنثی؟». · مثال: یک شرکت هواپیمایی هزاران توییت را بررسی می‌کند و می‌فهمد 70درصد توییت‌هایی که نامش ذکر شده، حاوی کلمات «تأخیر»، «بدقولی» و «عصبانی» است. نتیجه می‌گیرد: رضایت مشتری پایین است.