هوش مصنوعی و امنیت ملی در اسرائیل-3

هوش مصنوعی و کاربردهای امنیتی 

 

آنچه خوانده اید:

در قسمت دوم اهداف نویسنده از نگارش کتاب  و توضیحاتی اجمالی از هوش  مصنوعی  و پیشنهاداتی برای فرمانده هان و مسئولان و تصمیم گیران اسرائیلی در خصوص آشنایی با هوش مصنوعی و چگونگی استفاده از آن آمده بود.

در قسمت سوم، به پیشینه تاریخی، تعریف و زیر دامنه و کاربردهای هوش مصنوعی اشاره می شود.

 

بزرگترین خطر هوش مصنوعی برای مردم این است که خیلی زود به این نتیجه می رسند آن را فهمیده اند.

“الیازر یودکووسکی”، محقق و نویسنده آمریکایی در حوزه هوش مصنوعی

بخش اول:

 فصل اول:

هوش مصنوعی چیست؟

در سال ۱۹۴۵ ایده هوش مصنوعی اولین بار زمانی که «وانوار بوش»، یکی از بنیانگذاران اولیه، سیستمی را برای افزایش دانش و درک انسان پیشنهاد کرد، ارائه شد. پس از او در سال ۱۹۵۰ “آلن تورینگ”، مقاله ای در مورد قابلیت های ماشین ها برای شبیه سازی انسان و توانایی آنها در انجام اقدامات هوشمندانه همچون بازی شطرنج نوشت.

هوش مصنوعی و کاربردهای امنیتی

 اصطلاح هوش مصنوعی(AI)  چند سال بعد تکامل یافت و به جان “مک کارتی”، دانشمند کامپیوتر و محقق در زمینه علوم شناختی، که اولین کنفرانس آکادمیک در این زمینه را در سال ۱۹۵۶ سازماندهی و همینطور به “ماروین لی مینسکی” که به عنوان یک ریاضیدان آموزش دیده بود و در تحقیقات، اختراعات و بسیاری فعالیت می کرد، نسبت داده شد.

این «مینسکی» بود که تعریف رایج هوش مصنوعی را ابداع و خاطرنشان کرد: «هوش مصنوعی علم ساخت  ماشین برای انجام کارهایی است که اگر توسط انسان انجام شود؛ نیاز به هوش دارد.»

در آغاز مطالعه هوش مصنوعی، پارادایم غالب، الگوی “نمادین” بود که به دنبال تکرار افکار سطح بالای انسانی داشت.

با گذشت سال ها، پارادایم «پیوندگرا» جایگزین آن شد، یعنی اینکه تلاش شد هوش مصنوعی از طریق نورون های مصنوعی و طبق بیولوژیکی شناخت انسان دنبال و تقلید شود. با این حال، این  پارادایم ها نتوانست انتظارات فراتر از  نمایش های نظری یا تست های آزمایشگاهی را برآورده کنند و عملا به «زمستان هوش مصنوعی» منجر شد، و تحقیقات و  سرمایه گذاری ها در هوش مصنوعی برای  دوره های زمانی طولانی راکد ماند.

در دهه گذشته، با توجه به پیشرفت در تحقیقات علوم کامپیوتر، توسعه سخت افزار و نرم افزار در محاسبات و ارتباطات و همچنین محاسبات ابری و داده های بزرگ، هوش مصنوعی پیشرفت چشمگیری داشته است، از جمله در حوزه های فرعی مانند یادگیری ماشین و شبکه های عصبی مصنوعی. این مفاهیم بعداً به تفصیل بررسی خواهد شد (. در برخی از مطالعات آمده است؛ پیشرفت در زمینه شبکه های عصبی به قدری عمیق است که تقریباً مترادف با هوش مصنوعی تلقی می شود).

هوش مصنوعی و کاربردهای امنیتی

بیشتر کاربردهای رایج در هوش مصنوعی متعلق به زیر  دامنه ای به نام یادگیری ماشینی است که شامل  الگوریتم های آماری است که با تجزیه و تحلیل حجم زیادی از  داده ها و ایجاد قوانینی در مورد آنها بوده و به دنبال تقلید از وظایف شناختی انسان هستند.

الگوریتم در واقع بر روی اطلاعات موجود «آموزش»  می دهد و نوعی مدل آماری برای خود ایجاد  می کند تا در آینده همان کار را بر روی  داده های جدیدی که قبلاً با  آنها مواجه نشده است، انجام دهد.

هوش مصنوعی به حوزه  وسیع تری از علم داده تعلق دارد و در واقع، برای عملکرد مؤثر به  داده های زیادی نیاز دارد،  به ویژه  داده های بزرگ، که برای ایجاد بینش مهم با کمک  الگوریتم های یادگیری مورد نیاز است. با این حال، هوش مصنوعی تنها به  داده های بزرگ وابسته نیست، که تنها یکی از ابزارهای کارآمد برای تولید ارزش و دانش از چنین حجمی از  داده ها است که به  الگوریتم های قوی برای تجزیه و تحلیل آنها نیاز دارد.

بخش قابل توجه ی از کار بنیانگذاران هوش مصنوعی بر مبنای نظری الگوریتم های یادگیری ماشینی بود که در بسیاری از    سیستم های معاصر استفاده می شوند و اقداماتی مانند شناسایی تصویر و رانندگی مستقل را امکان پذیر  می سازند.

این سیستم ها به آنچه به عنوان هوش مصنوعی محدود یا هوش مصنوعی ضعیف شناخته می شود، تعلق دارند، اگرچه گاهی اوقات اینها می توانند برنامه های پیشرفته ای باشند.

این مفهوم به الگوریتم هایی اشاره دارد که برای مقابله با مجموعه ای از مشکلات خاص، مانند بازی ها، شناسایی تصویر، یا ناوبری طراحی شده اند.

این مفهوم با هوش مصنوعی عمومی، که مربوط به سیستمی است که قادر به استفاده از هوش در سطح انسانی برای طیف وسیعی از وظایف است، متفاوت است. تا زمان نگارش این مقاله، هوش مصنوعی عمومی هنوز وجود نداشت، و نظرات در مورد اینکه آیا حداقل در دو دهه آینده ایجاد خواهد شد یا خیر، متفاوت است.

هوش مصنوعی توسعه یافته عمدتاً به برنامه های یادگیری عمیق تعلق دارد. این فناوری را در واقع  می توان به عنوان هوش مصنوعی محدود طبقه بندی کرد، اما شکل دقیق تری از یادگیری رایانه ای و همچنین استفاده تجاری گسترده تر از برنامه های هوش مصنوعی را ممکن می سازد.

هوش مصنوعی و کاربردهای امنیتی

پیشینه تاریخی: سه موج اول هوش مصنوعی

توسعه هوش مصنوعی را می توان بر اساس توسعه قابلیت های هوش مصنوعی به سه موج مجزا تقسیم کرد. آژانس پروژه های تحقیقاتی پیشرفته دفاعی ( دارپا ) وزارت دفاع ایالات متحده یکی از نهاده ای پیشرو در جهان درتوسعه هوش مصنوعی برای اهداف امنیتی است. “دارپا” هوش مصنوعی را به عنوان «توانایی برنامه ریزی شده برای پردازش اطلاعات» تعریف می کند. در کنار این تعریف ساده، “دارپا” هوش مصنوعی را به سه موج تقسیم کرده است که با مقیاس هوش مفهومی مشخص  می شود که در آن چهار قابلیت زیر  اندازه گیری  می شوند، قابلیت هایی که می توان آن را با مشابه با ابعاد هوش انسانی ارزیابی کرد:

. 1 ادراک: توانایی تشخیص رویدادهای جهانی

. 2 یادگیری: توانایی یادگیری چیزها و سازگاری با موقعیت های مختلف

. 3 انتزاع: توانایی گرفتن دانش کشف شده در سطح معین و استنتاج از آن یا به کار بردن آن در سطحی دیگر.

. 4 استدلال: توانایی توضیح منطقی، یا تصمیم گیری منطقی.

هوش مصنوعی و کاربردهای امنیتی

موج اول هوش مصنوعی مبتنی بر «دانش دست ساز» بود که در آن متخصصان دانش موجود را در مورد یک موضوع خاص جمع آوری کرده و آن را در چارچوب قوانینی که می توانستند برای رایانه اعمال کنند، توصیف  می کردند که به نوبه خود  می توانست مفاهیم آنها را یاد بگیرند.

این نسل از هوش مصنوعی شامل نرم افزار لجستیک برای برنامه ریزی عملیاتی مانند  محموله ها، نرم افزار محاسبه مالیات و نرم افزاری که می تواند با مردم شطرنج بازی کند، می شود.

بسیاری از برنامه ها و اپلیکیشن های کامپیوتری در گوشی های هوشمند یا نرم افزارهایی مانند مایکروسافت آفیس بر اساس این موج هوش مصنوعی ساخته شده اند. به گفته “دارپا”، محصولات موج اول توانایی حسی متوسطی دارند و می توانند علیت را در جنبه های بسیار محدود توضیح دهند، اما فاقد توانایی یادگیری هستند و نمی توانند با عدم قطعیت کنار بیایند. با این حال، “دارپا” ادعا می کند که این موج دستاوردهای زیادی ماننددفاع سایبری داشته و توسعه آن همچنان ادامه دارد و امروز نیز مطرح است.

 موج دوم به عنوان “یادگیری آماری” شناخته می شود که با طبقه بندی مشخص می شود. در این موج،کارشناسان از  قابلیت های  پیشرفته تری که توسط یادگیری ماشینی تسهیل  می شود، استفاده کردند، که در آن  الگوریتم های یادگیری آماری بر  داده های بزرگ متکی هستند. در این موج برخلاف موج قبلی،کارشناسان به جای قوانین ثابت،  مدل های آماری مسائل مختلف را به  رایانه ها آموزش دادند و سپس  الگوریتم ها را بر روی بسیاری از  مثال ها آموزش دادند تا اینکه به سطح دقت مطلوب رسیدند. محصولات این موج، تشخیص صدا یا تشخیص چهره را در  تلفن های همراه و “ربات ها» که خدمات مشتریان را ازطریق مکاتبات چت اینترنتی ارائه  می دهند، فعال  میک رد.

این نسل از هوش مصنوعی شامل سیستم هایی برای تجزیه و تحلیل یا ترجمه متن است. نرم افزاردستیار شخصی در تلفن های هوشمند؛ و توانایی انجام بازی های چالش برانگیز مانند بازی استراتژی چینی Go.

این موج هوش مصنوعی شامل رانندگی خودکار نیز می شود. با این حال، این نسل از هوش مصنوعی توانایی درک قوانین یا علیت در پشت اقداماتی که انجام می دهد را ندارد، بنابراین در معرض خطا یا دستکاری است. به گفته “دارپا”، موج دوم هوش مصنوعی  می توانست چیزها را بر اساس  تفاوت های ظریف و توانایی  پیش بینی  طبقه بندی کند، اما فاقد  توانایی های  زمینه ای و حداقل  توانایی ها برای استدلال منطقی بود.

موج سوم که از آن به عنوان «انطباق متنی» یاد می شود، یک موج توضیحی است که در حال حاضر در حال توسعه است. الگوریتم ها یا سیستم های این موج مدل هایی را فرموله می کنند که موضوعات خاصی را توضیح می دهند. “دارپا” انتظار دارد که سیستم های ساخته شده حول مدل های زمینه ای به تنهایی یاد بگیرند که چگونه مدل های مختلف باید ساختاری شوند.

این توانایی ها به طور قابل توجهی با بسیاری از الگوریتم هایی که در حال حاضر به عنوان یک “جعبه سیاه” عمل می کنند متفاوت است و باعث ایجاد چالش در توضیح نحوه رسیدن آنها به نتیجه می شود ( موضوعی که در بخش بعدی توضیح داده خواهد شد).

بنابراین، این موج هوش مصنوعی از اطلاعات به صورت انتزاعی استفاده می کند و آن را یک گام به جلو می برد، اما در حال حاضر قابلیت های این سیستم ها هنوز محدود است. امید است که محصولات این موج بیشتر «انسانی» باشند و بتوانند به زبان طبیعی ارتباط برقرار کنند، بتوانند خود را آموزش و پرورش بدهند (مانند نرم افزار Alpha-Go که خود را در هزاران بازی”Go» علیه خودش آموزش داده است.) و قادر خواهد بود داده ها را از چندین منبع مختلف جمع آوری کند و نتیجه گیری هایی را به خوبی توضیح دهد.

به گفته “دارپا”، این موج  می تواند  قابلیت های هوش مصنوعی را در  زمینه های حسی، یادگیری و استدلال بهبود بخشد، اگرچه محصولات هنوز هم فقط  قابلیت های متوسطی در زمینه انتزاع خواهند داشت.

فناوری های موجود در زمینه این موج شامل «دستیارهای هوشمند» است که توانایی کمک به آنها فراتر از  فناوری های نسل دوم مانند “سیری” و “الکسا» پیشرفت کرده است.

مثال دیگر Google Duplex است که  می تواند قرار  ملاقات هایی ( مانند رزرو در آرایشگاه یا رستوران) بگذارد و در عین حال مکالمه صوتی منسجمی را با نماینده خدمات انسانی مدیریت کند. علاوه بر وظایف عملیاتی مستقل این نرم افزار همچنین می داند که چگونه با شناسایی وظایفی که نمی تواند به تنهایی انجام دهد، به کاربر سیگنال دهد.

 

هوش مصنوعی و کاربردهای امنیتی

تعاریف از هوش مصنوعی:

در حالی که سه موج هوش مصنوعی به راحتی قابل شناسایی هستند، اکثر تحقیقات مربوط به هوش مصنوعی در سال های اخیر، به ویژه در زمینه امنیت ملی، به این واقعیت پرداخته اند که هیچ تعریف واحدی برای اصطلاح هوش مصنوعی وجودندارد. تدوین یک تعریف پذیرفته شده از هوش مصنوعی به دو دلیل عمده مشکل ساز است: اول، رویکردهای متنوع و گوناگونی برای تحقیق در این زمینه وجود دارد. دوم، به دلیل  محدودیت هایی که هنوز در مطالعه علوم اعصاب (و همچنین در فلسفه) نقض  نشده اند، درتعریف یا توافق بر سر تعریف «هوش» مشکل اساسی وجود دارد. بنابراین توانایی بررسی این مفاهیم در رابطه با  ماشین ها یا اعمال  آنها در  ماشین ها محدود است.

برغم این دشواری، این مطالعه تعاریف مختلف را بررسی می کند و تعریفی را برای بحث باقی مانده در این سند و توصیه های راهبردی که در ادامه می آید پیشنهاد می کند.

هوش مصنوعی و یک تعریف عملیاتی:

یکی از تعاریف شناخته شده هوش مصنوعی که قبًلاً ذکر شد، توسط “ماروین لی مینسکی” این گونه بیان شد: «دانش ساخت  ماشین هایی است که کارهایی را انجام می دهند که اگر توسط انسان انجام شود نیاز به هوش دارد.»  مزیت این تعریف گسترده بودن آن به اندازه ای است که ایده ها، روش ها و ابزارهای مختلف را شامل شود.

با این حال، فاقد استفاده از اصطلاح “هوشمند” در بافت انسانی است – اصطلاحی که هنوز تعریف نشده است و توسط رشته های علمی درگیر در این موضوع به طور واضح مشخص می شود. علاوه بر این، هنگام تعریف نظم و انضباط برای امنیت ملی و ارائه  توصیه های راهبردی، تعریف ضروری  دوگانه تری برای تعیین اینکه باید شامل چه چیزی شود و چه چیزی نامربوط است،کمک می کند.

“دارل وست و جان آلن” ادعا کرده اندکه “هوش مصنوعی( AI) ابزارگسترده ای است که به مردم امکان می دهد درباره نحوه ادغام اطلاعات، تجزیه و تحلیل داده ها و استفاده از بینش های حاصل برای بهبود تصمیم گیری تجدید نظر کنند.

“وست و آلن” معتقدند که با وجود اینکه هیچ تعریف پذیرفته شده یکسانی وجود ندارد، درست است که به هوش مصنوعی به عنوان «ماشین هایی که با توجه به ظرفیت انسان برای تفکر، قضاوت و نیت به تحریک سازگار با پاسخ های سنتی انسان پاسخ می دهند» اشاره کنیم.

به گفته “وست و آلن”، «هوش مصنوعی به  داده هایی بستگی دارد که  می توان  آنها را در زمان واقعی تجزیه و تحلیل کرد و به مشکلات عینی رسیدگی کرد. داشتن داده هایی که در جامعه تحقیقاتی «در دسترس برای اکتشاف» باشد، پیش نیاز توسعه موفقیت آمیز هوش مصنوعی است».

هوش مصنوعی و کاربردهای امنیتی

به گفته “شابه ندو شوکلا و ویجی جیسوال”،  برنامه های کاربردی هوش مصنوعی “تصمیم هایی را  می گیرند که معموًلاً به سطح انسانی تخصص نیاز دارند» و به افراد کمک  می کنند تا مشکلات را  پیش بینی کنند یا با مسائلی که به وجود  می آیند مقابله نمایند. بنابراین، برنامه های کاربردی هوش مصنوعی هدفمند، هوشمندانه و سازگارانه عمل می کنند. پس از بحث در مورد برخی از تعاریف نظری، مناسب است بررسی کنیم که سازمان های درگیر در تحقیق و توسعه یا مقررات و قوانین هوش مصنوعی چگونه عملاً آن را تعریف می کنند. علیرغم تعریف کلی “دارپا” از هوش مصنوعی به عنوان «توانایی برنامه ریزی شده برای پردازش اطلاعات»، باید روشن شود که هر سیستم محاسباتی؛ از هوش مصنوعی استفاده نمی کند. الگوریتم های هوش مصنوعی برای تصمیم گیری و انجام این کار با استفاده از داده های وارد شده در زمان واقعی طراحی شده اند.

هنگامی که آنها در سیستم های مختلف استفاده می شوند، این ماشین های غیرفعال نیستند که فقط قادر به واکنش های مکانیکی یا از پیش تعیین شده، مانند دوران اتوماسیون(مانند درب های اتوماتیک یا حتی عملکردهای اتوماتیک در ماشین لباسشویی)؛ هستند بلکه  ماشین هایی با حسگرها،  داده های دیجیتال و حتی  ورودی های راه دور هستند که  می توانند اطلاعات را از منابع مختلف یکپارچه کنند، بلافاصله  آنها را تجزیه و تحلیل و بر اساس  بینش های مبتنی بر  داده ها عمل کنند.

این امر پیچیدگی و سرعتی را در پذیرش  داده هایی که قبلاً ممکن نبود، ممکن  می سازد تا جایی که به دولت ایالات متحده مربوط می شود، هیچ تعریف رسمی از هوش مصنوعی وجود ندارد و سازمان های مختلف ممکن است بنا به نیاز خود آن را به گونه ای متفاوت تعریف کنند. با این حال، مجموعه ای از قوانینی که بودجه وزارت دفاع ایالات متحده را تنظیم می کند (قانون مجوز دفاع ملی سال مالی ۲۰۱۹) تعریفی از هوش مصنوعی برای تصویب بخش ۲۳۸ ارائه می دهد که در تحقیق و توسعه این مقاله مفید است:

• هر سیستم مصنوعی که وظایفی را تحت شرایط مختلف و غیرقابل پیش بینی بدون نظارت قابل توجه انسان انجام دهد، یا بتواند از تجربه درس گرفته و در صورت قرار گرفتن در معرض مجموعه داده ها، عملکرد خود را بهبود بخشد.
• یک سیستم مصنوعی توسعه یافته در نرم افزار کامپیوتر، سخت افزار فیزیکی، یا زمینه های دیگر که وظایفی را که نیاز به ادراک، شناخت، برنامه ریزی، یادگیری، ارتباط یا عمل فیزیکی شبه انسانی دارند را حل کند.
• یک سیستم مصنوعی طراحی شده که قادر به تفکر، مانند یک انسان، از جمله معماری های شناختی و شبکه های عصبی باشد.
• مجموعه ای از تکنیک ها، از جمله یادگیری ماشینی که برای تقریب یک کار شناختی طراحی شده باشد.
• یک سیستم مصنوعی طراحی شده برای عمل منطقی، شامل یک عامل نرم افزاری هوشمند یا ربات که با استفاده از ادراک، برنامه ریزی، استدلال، یادگیری، برقراری ارتباط، تصمیم گیری و عمل به اهداف مورد نظر برسد.

هوش مصنوعی و کاربردهای امنیتی

این تعریف کاملاً مفصل و در واقع برای مقاصد قانونی مناسب است. همچنین در مقایسه با سایر تعاریف به تصمیم گیری در مورد اینکه کدام حوزه های برنامه نویسی و محاسبات به رشته هوش مصنوعی تعلق ندارند کمک می کند. با این وجود، بسیار طولانی و فنی است.

با توجه به هدف این سند – در دسترس قرار دادن دانش در مورد هوش مصنوعی برای تصمیم گیرندگان و توصیه راهبردی در بخش امنیت ملی – این مطالعه به تعریف کوتاه تر و ساده تری مانند “دارپا” نیاز دارد.

تعریف “دارپا” برای اهداف این تحقیق مناسب تر از تعریف “مینسکی” است، برای مثال، زیرا به موضوع بحث برانگیز هوش انسانی مربوط نمی شود، و در واقع، انواع برنامه ها یا روش های پردازش پذیرفته شده در حال حاضر را امکان پذیر و حتی آن را رها می سازد.

در این تعاریف  دریچه ای برای پیشرفت های آینده، بدون بار جزئیات فنی که برای درک آن نیاز به تخصص دارد وجود ندارد. حتی اگر این تعریف به احتمال زیاد شامل  قابلیت های محاسباتی و پردازشی «ضعیف”هم باشد، باز همانطور که در بالا توضیح داده شد، برخی از  روش ها و  برداشت های موج اول هنوز در  زمینه ها و کاربردهای مختلف مفیدتر و حتی ارزشمند تر هستند.

با این حال، در مواردی که تصمیم گیرندگان برای بررسی باید تعریف را محدود کنند که آیا یک توسعه مطابق با تعریف هوش مصنوعی است یا خیر، هوش مصنوعی را  می توان به عنوان توانایی ایجاد دانش و  بینش هایی که قبلاً وجود نداشت، با استفاده از اطلاعات و تکیه بر  ماشین ها و  رایانه ها یاد کرد.

با تمرکز بر توانایی برنامه ریزی شده برای پردازش اطلاعات، این تعریف بین بخش قابل توجهی از برنامه های کاربردی هوش مصنوعی و برنامه های کاربردی کامپیوتر عمومی تمایز قائل می شود و تعریف کلی را به گونه ای محدود می کند که هنوز تعداد زیادی از برنامه ها و طیف گسترده ای از رشته ها را پوشش می دهد در حالی که بر خلق دانش جدید تاکید می کند.

بنابراین، تعریف راهنمای هوش مصنوعی که در اینجا استفاده  می شود، استفاده از اطلاعات و  سیستم های  رایانه ای برای ارائه رفتاری است که هوشمندانه به نظر  می رسد، یا ایجاد دانش و بینشی که قبلاً هرگز وجود نداشته است.

این تعریف به  اندازه ای گسترده است که  فناوری ها و کاربردهای مختلف و نیازهای مختلف برای تحقق این  توانایی ها را شامل  می شود. در عین حال، این تعریف به  اندازه ای محدود است که همه  حوزه های محاسباتی را شامل  نمی شود، بلکه فقط  آنهایی را شامل می شود که  ویژگی های هوش مصنوعی در آنها بیان  می شود. هرچند این تعریف توانست به تدوین فصول بعدی ما  کمک کند.

هوش مصنوعی و کاربردهای امنیتی

فصل دوم

زمینه های هوش مصنوعی

هوش مصنوعی شامل بسیاری از حوزه های  ادراکی و فناوری از جمله  یادگیری  ماشینی،  یادگیری عمیق،  بینایی رایانه ای ، پردازش  زبان طبیعی  و تعدادی از زمینه ها ی به هم پیوسته است. این فصل بر زیر دامنه های مختلف هوش مصنوعی تمرکز دارد.

رایج ترین زیر دامنه هوش مصنوعی، یادگیری ماشینی است.

یادگیری ماشینی به الگوریتم ها اجازه  می دهد تا از اطلاعات یاد بگیرند و  راه حل ها را به طور مستقل توسعه دهند، با استفاده از  الگوریتم های مبتنی بر آمار که از  پایگاه های داده بزرگ «یاد  می گیرند» تا  توانایی های شناختی انسان را بازسازی کنند و بنابراین وظایف مشخص را در  موقعیت های ناآشنا انجام دهند.

یادگیری ماشینی به الگوریتم ها اجازه می دهد تا از طریق آموزش های مکرر یاد بگیرند و نتایجی را ایجاد کنند که با توجه به دامنه آموزش و تجربه الگوریتم بهبود یابد. این با نرم افزار نوشته شده توسط یک برنامه نویس انسانی متفاوت است.

یک مثال، یک برنامه هوش مصنوعی است که پایگاه داده ای از الفبای دست نویس را دریافت می کند و یاد می گیرد که بین حروف دست نویس تمایز قائل شود، حتی اگر دست خط شخص در مخزن موجود ظاهر نشود.

چندین رویکرد برای یادگیری ماشین وجود دارد، از جمله یادگیری با نظارت، که در آن برنامه نویس یادگیری را بر اساس مدل اولیه موجود قرار  می دهد که ماشین آن را بهبود می بخشد و یادگیری بدون نظارت، که در آن سیستم های یادگیری مدل خود را توسعه  می دهند، که به مدل موجود بستگی ندارد. رویکرد دیگر یادگیری تقویتی است که در آن نرم افزار از آزمون و خطا یاد  می گیرد، نه از یک مخزن اطلاعات موجود.

هوش مصنوعی و کاربردهای امنیتی

یادگیری عمیق

یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که از شبکه های عصبی مصنوعی استفاده می کند. اینها الگوریتم هایی هستند که از رفتار شبکه عصبی در مغز انسان الهام گرفته شده اند.

شبکه عصبی با انجام اصلاحات کوچک با بررسی مقدار زیادی از داده ها برای بهبود دقت آن، یاد می گیرد.

بنابراین خروجی یک نورون ورودی نورون دیگر است. یادگیری عمیق به این دلیل نام خود را به دست آورد که بر اساس لایه های زیادی از نورون های مصنوعی است.  شبکه های عصبی به دلیل  موفقیت های  قابل توجهی که دارند، به رایج ترین رویکردها برای یادگیری ماشین تبدیل شده اند و مسئول دستاوردهای مختلفی در زمینه هوش مصنوعی از جمله تشخیص چهره در سطحی بالاتر از توانایی انسان برای شناسایی  چهره ها؛ شناسایی اشیاء در تصاویر؛ کنترل وسایل نقلیه خودران و هواپیماهای بدون سرنشین؛ رونویسی گفتار در سطحی فراتر از سطح یک رونویس کننده حرفه ای انسانی و ترجمه زبان، از جمله آن دسته از زبان هایی که فناوری به آنها آموزش داده نشده است ؛ هستند.

این رویکردهای مرکزی دارای  قابلیت هایی در  زمینه های مختلف زیر هستند:

پردازش تصویر: قابلیت پردازش تصویر از یادگیری عمیق استفاده  می کند و  نرم افزار را قادر  می سازد تا اشیاء درون یک تصویر را تشخیص دهد و آنها را  دسته بندی کند. این نرم افزار تصویر را به پیکسل تقسیم می کند و به هر پیکسل با توجه به رنگ آن مقادیری اضافه می کند.

این تجزیه و تحلیل تصویر از سیستم عمیق شبکه های عصبی مصنوعی نرم افزار عبور می کند که بر روی پایگاه داده بزرگی از تصاویر آموزش داده شده و تصویر را بر اساس آن دسته بندی می کند.

امروزه برخی از  فناوری ها در این زمینه به عنوان یک محصول خارج از قفسه در دسترس عموم هستند، مانند  نرم افزار Google AI Vision.

بینایی کامپیوتر: بینایی کامپیوتری با  فناوری های پردازش تصویر متفاوت است، زیرا  نرم افزار را قادر  می سازد تا اشیا را در زمان واقعی شناسایی کند و مشابه توانایی بینایی انسان، اما بدون نیاز به  دسته بندی، به آنها پاسخ دهد.

برای مثال، این  فناوری ها در خودروهای خودران استفاده  می شوند، زیرا  می توانند فردی را که ناگهان به جاده برخورد  می کند شناسایی کرده و به راننده هشدار دهند. بینایی رایانه ای همچنین تجسم سه بعدی، اندازه گیری توده استخوانی، ناوبری مستقل و کنترل تراکنش های نامنظم را فعال کرده است.

پردازش زبان طبیعی: پردازش زبان طبیعی( NLP) زیردامنه ای از یادگیری ماشینی است که نرم افزار را قادر می سازد تا رونویسی، ترجمه، و اعمال را بر اساس معانی گسترده یک زبان گفتاری و نوشتاری انجام دهد و کلمات و جملات جدیدی تولید کند که برای شخص معنادار باشد.

از جمله برنامه های کاربردی پردازش زبان طبیعی، تولید زبان طبیعی( NLG) است که به پردازش مقادیر زیادی از اطلاعات و تولید روایت ها و بینش های ساده و قابل فهم و درک زبان طبیعی( NLU) که به پردازش متونی که اطلاعات آنها گم شده یا ساختاری ندارد کمک می کند.

طیف گسترده ای از برنامه های کاربردی هوش مصنوعی اکنون از فناوری NLP استفاده می کنند، از جمله برنامه های دستیار شخصی مانند « سیری » ، « اکو » و دستیار « گوگل » ، برنامه های کاربردی ترجمه زبان، برنامه های کاربردی دولتی و تجاری که پایگاه داده های بزرگ مبتنی بر متن و حتی برنامه های امنیتی در زمینه نظامی را تجزیه و تحلیل می کنند.

هوش مصنوعی و کاربردهای امنیتی

یک فناوری مرتبط، تحت تأثیر هوش مصنوعی و توسعه آن، اینترنت اشیا است . اینترنت اشیا (IoT) دنیایی را توصیف می کند که در آن رایانه ها و حسگرهای کوچک در اشیاء مختلف تعبیه شده اند. این اشیاء می توانند اطلاعات دیجیتالی را تولید و ذخیره کنند، در حالی که محیط خود را نظارت می کنند، اطلاعات ارائه می دهند و عملیات را در یک سطح مستقل یا حداقل خودکار انجام می دهند.

این اشیاء همچنین به اینترنت متصل می شوند و به آنها اجازه می دهند با محیط، سایر دستگاه ها و افراد ارتباط برقرار کنند. از آنجایی که فناوری هوش مصنوعی به وجود داده های انبوه نیز متکی است که آن را قادر به نتیجه گیری می کند، فناوری اینترنت اشیا نقش مهمی در ارتقای هوش مصنوعی دارد.

علاوه بر این، ادغام این فناوری در  برنامه های هوش مصنوعی بلادرنگ به سیستم هوش مصنوعی اجازه  می دهد تا  ورودی های واقعیت زمان واقعی را دریافت کند و به طور منظم پاسخ خود را بهبود بخشد. این فناوری، برای مثال، خدمات شهرهای هوشمند را فعال می کند، همانطور که در شهر چینی « هانگژو » نشان داده شد.

به طور مشابه، این فناوری دارای کاربردهای امنیتی بسیاری از جمله اینترنت ابزار میدان جنگ ( IoBT) است.

یکی از ویژگی های فناوری هوش مصنوعی این است که قابلیت استفاده دوگانه دارد. یعنی می توان از همان برنامه برای اهداف غیرنظامی، نظامی یا امنیتی استفاده کرد. این منحصر به هوش مصنوعی نیست و در سایر فناوری ها و زمینه های علمی وجود دارد. قابلیت استفاده دوگانه هوش مصنوعی مشهود است،

به عنوان مثال، در یوتیوب نرم افزاری است که می تواند به طور مستقل اشیاء نامناسب را در ویدیوها شناسایی کرده و به کاربر هشدار دهد. این نرم افزار همچنین می تواند اسلحه ها یا شخصیت های مشکوک را در فیلم های امنیتی شناسایی کرده و در مورد آنها هشدار تولید کند.

این قابلیت استفاده دوگانه فرصت ها و همچنین چالش هایی را ایجاد می کند. صنایع امنیتی را قادر  می سازد تا با بخش تجاری همکاری کنند و  فناوری هایی را با کاربردهای مختلف توسعه دهند که برای هر دو بخش مفید است.

با استفاده از حداقل تنظیمات، فناوری توسعه یافته برای بخش تجاری می تواند برای اهداف جنگی مورد استفاده قرار گیرد و می تواند قابلیت های پیشرفته ای را برای نیروهای متخاصم یا زیرسلطه دولتی فراهم کند.

این چالش امنیتی علاوه بر محصولات یا اجزای تکنولوژیکی مختلف است که با تنظیمات ساده می توانند به راحتی برای کسانی که نمی توانند آنها را از صنایع امنیتی خریداری کنند به سلاح تبدیل شوند.

انواع مختلف برنامه های کاربردی هوش مصنوعی  که قابلیت های متفاوتی دارند و در حال حاضر در بسیاری از حوزه ها تعبیه شده اند، بر اساس یافته های مقالات و مطالعات  سالهای ۲۰۱۸-۲۰۱۹ در جدول ۱ زیر خلاصه شده است.

هوش مصنوعی و کاربردهای امنیتی

ادامه مطلب…