هوش مصنوعی

شبکه‌های عمیق عصبی که برخی منابع به آن‌ها شبکه عصبی مصنوعی می‌گویند این توانایی را دارند تا از طریق برنامه‌نویسی و بر مبنای الگوریتم‌های هوشمند به‌گونه‌ای رفتار کنند که عملکردی شبیه به سلول‌های عصبی طبیعی داشته باشند. شبکه‌هایی که در عمل برای حل مشکلات و مسائل بغرنج استفاده می‌شوند. غیر ممکن است درباره هوش مصنوعی صحبت کنیم، اما اشاره‌ای به شبکه‌های عصبی نداشته باشیم، زیرا شبکه‌های عصبی از مهم‌ترین شاخه‌های هوش مصنوعی هستند. البته در این مقاله برای آن‌که صحبت ما کمتر جنبه تئوری داشته باشد نحوه طراحی یک شبکه عصبی ساده را نیز بررسی کرده‌ایم.

هوش مصنوعی در چند سال اخیر در حوزه امنیت پیشرفت‌های قابل توجهی داشته اشت. این پیشرفت‌ها به اندازه‌ای عمیق و چشم‌گیر بوده‌اند که برخی از کارشناسان پیش‌بینی کرده‌اند با ورود جدی هوش مصنوعی به عرصه امنیت، ضدویروس‌های رایج امروزی برای همیشه به تاریخ خواهند پیوست، زیرا بخش اعظمی از فرآیندها بر عهده هوش مصنوعی است و این فناوری شناسایایی بدافزارها را به سبک خود انجام می‌دهد.

استارت‌آپ نوپای گراف‌کور (Graphcore) که عمری دو ساله دارد و با هدف تولید نسل جدیدی از تراشه‌های هوش مصنوعی تأسیس شده حالا توجه سرمایه‌گذاران بزرگی همچون بی‌اِم‌و، مایکروسافت‌، سامسونگ و دل را به خود جلب کرده است. هدف نهایی بنیان‌گذاران گراف‌کور، عرضه تراشه‌های هوش مصنوعی چندمنظوره به بازار است. آن‌چه در ادامه می‌آید اشاره‌ای است مختصر به تلاش این استارت‌آپ و تراشه‌ای که عرضه کرده است. شاید در اینجا بهتر بود که بیشتر به ساختار داخلی تراشه و معماری به‌کار رفته در آن می‌پرداختیم، اما در لابه‌لای سطور، نکاتی وجود دارد که توجه به آن‌ها خالی از لطف نیست به ویژه بخش مربوط به شکل‌گیری شرکت که به نظر من بسیار جای تمرکز دارد.

برای آموزش شبکه‌های عصبی، توان پردازشی زیادی را هدر می‌دهیم، زیرا شبکه‌هایی بزرگ‌تر از آن‌چه نیاز داریم را انتخاب می‌کنیم تا شانس بیشتری برای آموختن داشته باشند. فرایند آموزش چنین شبکه‌ای چندین روز زمان می‌برد و تأمین توان پردازشی آن پرهزینه است. چه می‌شد اگر می‌توانستیم شبکه‌های کوچک و منطبق با نیازمان را آموزش دهیم؟ این پرسشی است که محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه اِم‌آی‌تی سعی کرده‌اند پاسخی برای آن بیابند. آن‌ها دریافته‌اند که می‌توان اندازه یک شبکه را بسیار کوچک کرد به‌گونه‌ای‌ که پس از آموزش، همان عملکرد شبکه اصلی را داشته باشد. به بیان دیگر می‌توانیم با شبکه‌ای کوچک‌تر شروع کنیم و با صرف زمان و هزینه کمتر به همان نتیجه برسیم.