ما از سال‌هایی که استفاده یا عدم استفاده از هوش ماشینی هنوز به‌عنوان یک سؤال مطرح بود عبور کرده‌ایم. در حال حاضر این فناوری به‌طور گسترده مورد استفاده قرار می‌گیرد. هوش مصنوعی خودش را در زمینه‌های مختلف اثبات کرده است و نشان داده که می‌تواند در شرایط مختلف به کمک ما بیاید. همین باعث شده که ما هم چنان به دنبال ارتقا و بهبود هوش ماشینی باشیم. حالا توانسته‌ایم هوش مصنوعی را به مرحله‌ای برسانیم که بتواند با نگاه به تصویر یک پرنده، نوع و گونه آن را تشخیص دهد. ابزار جدیدی مبتنی بر هوش ماشینی ساخته شده قادر است بیش از ۲۰۰ گونه از پرنده‌ها را تشخیص دهد.
این تکنولوژی از دانشگاه دوک (Duke University) می‌آید. جایی که برای آموزش هوش ماشینی از بیش از ۱۱ هزار تصویر مربوط به ۲۰۰ گونه پرنده استفاده شد. این هوش مصنوعی اکنون قادر است انواع و اقسام پرنده‌ها از مرغ مقلد گرفته تا اردک را با تشخیص ویژگی‌هایی که با الگوی های برداشت شده از تصاویر قبلی آن پرنده مطابق بوده است، تشخیص دهد.
در کنار تشخیص تصاویر پرنده‌ها، این هوش مصنوعی یک نقشه حرارتی از تصویر داده شده هم ارائه می‌کند تا به‌خوبی به ما یادآور شود که این هوش مصنوعی چندان هم ساده عمل نمی‌کند! نقشه حرارتی به ما نشان می‌دهد که هوش ماشینی دقیقاً به چه مواردی توجه داشته و بر چه اساسی ویژگی‌های تصویر پرنده را با الگوها منطبق کرده است.
نتیجه تلاش‌های تیم دست اندر کار ساخت این هوش مصنوعی، دقت ۸۴ درصدی در تشخیص گونه‌های پرنده‌های مختلف بود. به‌طور کلی می‌توان گفت که این هوش ماشینی مشابه فناوری تشخیص چهره عمل می‌کند. در فناوری تشخیص چهره، هوش مصنوعی ویژگی چهره هر فرد را تشخیص داده و آن را با داده‌هایی که در اختیار دارد مقایسه می‌کند. به این صورت است که در شبکه‌های اجتماعی مثل فیسبوک و …. پیشنهاد استفاده از تگ و … داده می‌شود.
با این حال این هوش ماشینی پرنده باز یک تفاوت اصلی با فناوری تشخیص چهره دارد؛ بر خلاف تشخیص چهره که حواشی و جنجال‌های بسیاری در مورد نحوه استفاده از آن مطرح شد، هوش ماشینی دانشگاه دوک فقط جهت بررسی نحوه عملکرد و یادگیری هوش مصنوعی و تشخیص الگوها و ویژگی‌ها استفاده می‌شود.
همان طور که گفته شد، این هوش مصنوعی فعلاً دقتی معادل ۸۴ درصد دارد و این یعنی ۱۶ درصد خطا. کاری که تیم تحقیقاتی انجام می‌دهد بررسی اشتباهات و علت وقوع آن‌هاست. به این ترتیب تیم تحقیقاتی امیدوار است بتواند با بررسی دقیق اشکالاتی که در تشخیص الگوها و تشخیص ویژگی‌ها ایجاد می‌شود، هوش ماشینی ارتقا داده و آن را یک قدم جلوتر ببرد. نهایتاً از این هوش ماشینی می‌توان برای تحلیل و تشخیص تصاویر پزشکی استفاده کرد. مثل تشخیص توده‌ها در بیماران.
حتی اگر روزی به هوش ماشینی دست پیدا کنیم که بتواند به‌درستی تمام تصاویر را تشخیص دهد، باز هم این سؤال مهم باقی خواهد ماند که چرا؟ اگر این هوش مصنوعی قرار باشد در مورد یک تومور یا توده تصمیم بگیرد، ما به‌عنوان افرادی که قرار است ادامه کار را به دست بگیریم باید بدانیم که چرا و بر چه اساسی این هوش مصنوعی چنین تصمیمی گرفته است. به همین دلیل است که نحوه یادگیری و تصمیم گیری هوش مصنوعی برای ما اهمیت پیدا می‌کند.
منبع: digitaltrends
