محتوای دروس هوش مصنوعی مبتنی بر نیاز‌ هر دانشجو تنظیم می‌شود

بهروز معصومی عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین در گفت‌وگو با خبرنگار گروه آموزش و دانشگاه خبرگزاری علم و فناوری آنا، درباره آینده آموزش عالی در هوش مصنوعی اظهار کرد: آینده آموزش عالی و دانشگاه‌ها با توجه به پیشرفت هوش مصنوعی چالش‌برانگیز به نظر می‌رسد و طبق تصورات منابع آموزشی در این زمینه بیشتر می‌شود. 

وی افزود: دانشگاه‌ها و موسسات آموزشی در حوزه هوش مصنوعی به دنبال ارائه‌ دوره‌هایی می‌روند که فقط به مباحث فنی هوش مصنوعی محدود نیست؛ بلکه جنبه‌های اخلاقی، اجتماعی و فلسفی آن نیز مورد بررسی قرار می‌گیرد.

معصومی بیان کرد: با توجه به تکامل فناوری دانشجویان می‌توانند از محیط‌های مجازی و واقعیات مجازی برای یادگیری بهره مندی بیشتری داشته باشند، آموزش عالی به سمت آموزش بر پایه نیاز‌ها پیش می‌رود و حتی محتوای دروس مبتنی بر نیاز‌ها و توانایی هر دانشجو تنظیم می‌شود.

کم‌توجهی به استفاده از دانش استادان در حوزه هوش مصنوعی

عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین ادامه داد: در حیطه هوش مصنوعی نگاه به استادان از جنبه منابع اصلی اطلاعات و دانش کم شده و بیشتر از استادان در نقش راهنما و مشاوره استفاده می‌شود. فناوری هوش مصنوعی می‌تواند باعث تغییر در ساختار دانشگاه‌ها شود و دانشگاه‌ها به سمت ارائه واحد‌های مخصوصی برای پژوهش و آموزش در حوزه هوش مصنوعی پیش روند. با توجه به چالش‌های اخلاقی و اجتماعی ناشی از تکامل هوش مصنوعی، آموزش‌ها بر اخلاق در هوش مصنوعی و مسئولیت‌پذیری فناوری‌ها تأکید می‌کند. 

دانشگاه‌ها ناچار به تطابق با ساختار هوش مصنوعی هستند

معصومی گفت: هوش مصنوعی در جهان مدرن جایگاه خود را مستقر می‌کند و دانشگاه‌ها و موسسات آموزشی نیز ناچار به تجدید نظر و تطابق با این تغییرات هستند.

وی درباره کاربرد هوش مصنوعی در آموزش اظهار کرد: با توجه به تکامل فناوری و افزایش توانایی‌های هوش مصنوعی، انتظار می‌رود که کاربرد‌های بیشتری از هوش مصنوعی در آموزش شکل بگیرد، این فناوری‌ها می‌توانند به افزایش کیفیت آموزش، شخصی‌سازی تجربه یادگیری و ایجاد محیط‌های آموزشی جذاب‌تر کمک کنند. برخی از این کاربرد‌ها شامل یادگیری بر اساس علایق و نیاز‌های دانشجویان با توسعه سیستم‌های توصیه گر آموزشی، تطبیق پذیری محتوای آموزش با توجه به سطح یادگیرنده، ارائه راهنمایی و مشورت به دانشجویان در پاسخ به سوالات، عیب یابی و شناسایی مشکلات یادگیری، کمک به ارزیابی دقیق‌تر دانشجویان، تحلیل دقیق داده‌های آموزشی و برنامه ریزی دقیق‌تر است. 

قابلیت استفاده از هوش مصنوعی در تمام رشته‌ها

عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین با اشاره به کاربرد هوش مصنوعی در رشته‌های مختلف اظهار کرد: هوش مصنوعی (AI) یک فناوری تحت توسعه و در حال رشد است که قابلیت کاربرد در تمام رشته‌ها و زمینه‌های علمی را دارد. میزان به‌کارگیری هوش مصنوعی در رشته‌ها و زمینه‌های مختلف علمی و صنعتی متنوع است و به بسیاری از عوامل مانند نوع مسئله، دسترسی به داده‌ها، پیچیدگی موضوع، فناوری‌های موجود و سرمایه‌گذاری‌ها بستگی دارد.

کاربردی هوش مصنوعی در پزشکی

وی گفت: هوش مصنوعی در حوزه پزشکی در تصویربرداری پزشکی، تشخیص بیماری‌ها، پیش‌بینی بروز بیماری‌ها می‌توان کاربرد دارد. با پیشرفت‌های اخیر، این زمینه یکی از بزرگترین میدان‌های استفاده از هوش مصنوعی شده است. 

کاربرد هوش مصنوعی در امور بانکداری

معصومی بیان کرد: هوش مصنوعی در حوزه مالی و بانکداری برای تحلیل بازار، تشخیص تقلب و بهینه‌سازی تصمیمات مالی و هوش مصنوعی در تجارت الکترونیک شامل سیستم‌های توصیه‌گر، چت‌بات‌ها، تحلیل رفتار کاربران و بهبود تجربه کاربری و در حوزه علوم انسانی در تاریخ، زبان شناسی، روانشناسی و فلسفه برای تحلیل متون، شناسایی الگو‌های فرهنگی و تجزیه و تحلیل داده‌های رفتاری، شناسایی الگو‌های رفتاری و پیش‌بینی رفتار‌ها و مدل‌سازی منطقی، تجزیه و تحلیل متون فلسفی و ارتباط بین فلسفه و فناوری صنعت در تشخیص نقص، بهینه‌سازی فرآیند‌ها و رباتیک صنعتی از هوش مصنوعی بهره می‌برند.

کاربرد هوش مصنوعی در حمل و نقل

عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین با بیان اینکه هوش مصنوعی در حمل و نقل کاربرد دارد، تاکید کرد: هوش مصنوعی در خودرو‌های بدون راننده، بهینه‌سازی مسیر و پیش‌بینی وضعیت‌های ترافیکی استفاده می‌شود و در حوزه علوم مهندسی در بهینه‌سازی الگوریتم‌های پردازش سیگنال، تشخیص الگوها، و کاربرد‌هایی در مهندسی ارتباطات است و در حوزه مهندسی مکانیک شامل بهینه‌سازی طراحی‌ها، تشخیص نقص در تجهیزات و ماشین‌آلات است.

کاربرد هوش مصنوعی در مهندسی 

عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین ادامه داد: هوش مصنوعی در حوزه مهندسی شیمی شامل پیش‌بینی واکنش‌های شیمیایی و بهینه‌سازی فرآیندها، در مهندسی عمران شامل تجزیه و تحلیل ساختمان‌ها، پیش‌بینی وقوع زلزله و مدیریت منابع آب، در زبان‌ها و مترجمی شامل هوش مصنوعی در ترجمه زبان‌ها، تشخیص گفتار و تولید متن خودکار فعال است.

معصومی اضافه کرد: برخلاف تصور برخی از افراد، می‌تون اذعان کرد که هوش مصنوعی نمی‌تواند در همه جا به طور کامل به‌کار گرفته شود. همچنان بسیاری از مسائل وجود دارند که نیاز به تفکر انسانی، قضاوت و تجربه دارند. با این حال، هوش مصنوعی می‌تواند در بسیاری از زمینه‌ها به افزایش بهره‌وری، دقت و کارایی کمک کند.

انواع مدل‌های یادگیری در هوش مصنوعی

وی درباره چگونگی مدل یادگیری در هوش مصنوعی گفت: یادگیری ماشین، که یکی از زیرشاخه‌های هوش مصنوعی است به پردازش و تحلیل داده‌ها برای کشف الگو‌ها و به کار گیری این الگو‌ها در تصمیم‌گیری می‌پردازد. در این زمینه، مدل‌های مختلفی وجود دارد که می‌توانند برای مسائل مختلف استفاده شوند. 

معصومی ادامه داد: یادگیری نظارت‌شده (Supervised Learning) یکی از مدل‌های یادگیری ماشین است که در این نوع یادگیری، داده‌ها به همراه برچسب‌های مرتبط با آن‌ها به مدل داده می‌شود، هدف این است که مدل بتواند یک تابع رابطه بین ورودی‌ها و خروجی‌ها را یاد بگیرد. بر‌ای مثال، تشخیص ایمیل‌های هرز (spam/ not-spam) یا تشخیص تصاویر (مرد/زن) شامل این دسته است. 

عضو هیئت علمی دانشگاه آزاد اسلامی واحد قزوین افزود: یادگیری بدون نظارت (Unsupervised Learning) روش دیگری در یادگیری هوش مصنوعی است که در این نوع یادگیری، داده‌ها بدون برچسب به مدل داده می‌شود. هدف این است که مدل الگوها، ساختار‌ها یا تقسیم‌بندی‌ها را در داده‌ها کشف کند. برای مثال، خوشه‌بندی مشتریان یک فروشگاه بر اساس رفتار خرید در این زمینه است.

معصومی افزود: یادگیری تقویتی (Reinforcement Learning) یکی دیگر از الگو‌های یادگیری در هوش مصنوعی است که در این نوع یادگیری، یک عامل با محیط تعامل می‌کند و بر اساس بازخورد‌های مثبت یا منفی که از محیط دریافت می‌کند، سعی می‌کند رفتار خود را بهبود ببخشد، هدف این است که استراتژی‌های بهینه‌تری برای عملکرد در محیط پیدا کند. برای مثال، آموزش یک ربات برای راه رفتن یا آموزش یک سیستم برای بازی است.

وی گفت: یادگیری نیمه‌نظارتی (Semi-Supervised Learning) و یادگیری با نظارت خودکار (Self-Supervised Learning) روش دیگری در الگو‌های یادگیری در هوش مصنوعی است، در این دسته ترکیبی از داده‌های برچسب‌دار و بدون برچسب استفاده می‌شود یا از خود داده به عنوان برچسب استفاده می‌کند، این مدل‌ها به ویژه در مواردی کاربرد دارد که داده‌های برچسب‌دار محدود هستند. این‌ها فقط چند نوع اصلی از مدل‌های یادگیری ماشین هستند و البته تکنیک‌ها و مدل‌های زیاد دیگری نیز در این زمینه وجود دارد. انتخاب هر مدل به نوع مسئله، داده‌های موجود و هدف مورد نظر بستگی دارد.