Cognitive Computing: حوزه‌ای از علوم کامپیوتر برای تقلید از نحوهٔ عملکرد مغز انسان

Cognitive Computing: حوزه‌ای از علوم کامپیوتر برای تقلید از نحوهٔ عملکرد مغز انسان

Cognitive Computing یا به اختصار CC، مُعرف رشته‌ای در علوم کامپیوتر است که با به‌کارگیری از مدل‌های یادگیری ماشینی و یادگیری ژرف، در پی تقلید از نحوهٔ عملکرد مغز انسان و علوم شناختی است به طوری که این فناوری نهایتاً منجر به اختراع سیستم‌هایی می‌شود که سیستم‌های اتوماسیونی را ایجاد کرده که در نهایت قادر خواهند بود تا مسائل مختلف را بدون کمک انسان و با ترکیبی از علوم شناختی و علوم کامپیوتر حل‌وفصل کنند.

اولین کسی باشید که به این سؤال پاسخ می‌دهید

شناخت در سیستم‌هایی مبتنی بر CC از کجا حاصل می‌شود؟
به‌ طور کلی، شناخت در ما انسان‌ها از فرایندهایی که در مغز حاصل می‌شوند صورت می‌گیرد اما مسئله اینجا است که در Cognitive Computing (رایانش شناختی) منشأ این شناخت کجا است؟ اگر بخواهیم ادوار محاسبات کامپیوتری را دسته‌بندی کنیم، بایستی بگوییم که رایانش شناختی در سومین دوره از ادوار محاسبه توسط ماشین رخ داده است.

در اولین دوره در قرن 19 میلادی، Charles Babbage که به‌ عنوان پدر کامپیوتر نیز شناخته می‌شود، ایده و طرح یک ماشین قابل‌‌برنامه‌ریزی را مطرح کرد. این کامپیوترهای اولیه که در محاسبات مسیریابی دریایی به‌ کار گرفته می‌شدند، طوری طراحی شده بودند تا توابع چندمجهولی را محاسبه کنند.

دومین دوره که به اواسط قرن 20 میلادی برمی‌گردد، تجربهٔ برنامه‌نویسی دیجیتال با کامپیوترهایی نظیر ENIAC آغاز شد و بستری فراهم شد برای سیستم‌های قابل‌برنامه‌ریزی و کامپیوترهای دورهٔ مدرن امروزی.

اکنون هم که روند فناوری به‌ سمت محاسبات شناختی متمایل شده، این محاسبات بر اساس الگوریتم‌های Deep Learning و تحلیل‌ Big Data برای ارائه اطلاعات استوار است (برای آشنایی بیشتر با مفهوم Deep Learning، به مقالهٔ یادگیری ژرف چیست و چگونه کار می‌کند؟ مراجعه نمایید.) بنابراین مغز یک سیستم شناختی به‌ عنوان شبکه‌ٔ عصبی آن خواهد بود که ایدهٔ بنیادین پشت Deep Learning هم دقیقاً همین مسئله می‌باشد. به طور خلاصه، شبکهٔ عصبی کامپیوتر سیستمی متشکل از سخت‌افزارها و نرم‌افزارهایی است که با تقلید از سیستم مرکزی عصبی انسان ساخته شده تا بتواند مجهولاتی را تخمین بزند که به تعداد بیشماری از ورودی‌های نامعلوم وابسته است.

آشنایی با مشخصات یک سیستم رایانش شناختی
تاکنون فناوری‌هایی همچون Siri ،Cortana و Alexa توسط شرکت‌های فناوری مطرح به بازار عرضه شده‌اند که با توجه به وضعیت کنونی رایانش شناختی می‌توانند به‌ خوبی نقش یک دستیار و یا مشاور مجازی را بازی کنند. به‌ منظور پیاده‌سازی تجاری و گستردهٔ این سیستم‌های شناختی بر روی اپلیکیشن‌ها، Cognitive Computing Consortium ویژگی‌هایی را برای این سیستم‌ها پیشنهاد کرده است که در ادامه به معرفی مهم‌ترین آن‌ها خواهیم پرداخت:

- قابلیت تطبیق: این سیستم‌ها باید بتوانند هم‌زمان با تغییر اطلاعات و شکل‌گیری تدریجی اهداف و ملزومات آتی، به‌ درستی به محاسبات خود ادامه دهند. در واقع، آن‌ها باید بتوانند هرگونه ابهامی را برطرف کرده و در برابر امور غیرقابل‌پیش‌بینی تاب آورده و می‌بایست طوری مهندسی شوند تا با ورودی‌های به اصطلاح Real-Time (آنی) و یا نزدیک به آنی، به‌ درستی کار کنند.

- قابلیت تعامل: همانند مغز انسان، یک CC باید بتواند با تمام اجزای یک سیستم از جمله پردازنده مرکزی، ابزارها، سرویس‌های کلود و همچنین کاربران تعامل برقرار سازد. در ضمن، فراموش نکنیم که این تعامل باید دوسویه باشد؛ به عبارت دیگر، این سیستم‌ها باید ورودی‌هایی که از طریق کاربر ارسال می‌شوند را بفهمند و نتایج مرتبط را توسط فرایند طبیعی زبان انسان و یادگیری ژرف در اختیار کاربر قرار دهند. 

- قابلیت تکرارشوندگی: سیستم‌های شناختی باید بتوانند از طریق پرسیدن سؤال و یا یافتن منابع ورودی اضافی در تعریف یک مسئله وقتی که صورت آن مبهم و یا ناقص است، مشارکت کنند. آن‌ها باید بتوانند تعاملات قبلی در یک فرایند مشخص را به یاد بیاورند و اطلاعات مناسب را برای یک کاربرد خاص در یک نقطه از زمان بازیابی کنند.

- قابلیت درک زمان و مکان: سیستم‌های شناختی باید قابلیت فهم، تشخیص و استخراج عوامل محیطی و متنی مانند معنی، دستور زبان، زمان، مکان، حوزه، قواعد و ... را داشته باشند. آن‌ها ممکن است به منابع اطلاعاتی متعددی شامل اطلاعات دیجیتال به اصطلاح Structured و یا Unstructured و همچنین ورودی‌های حسی مانند بینایی، شنوایی، حرکتی و یا از طریق حسگرها مجهز باشند.

سخن پایانی
Cognitive Computing قطعاً گام بعدی است که با اتوماسیون ماشین‌ها شروع شده است؛ این دستاوردها سطح اتکایی خواهند بود تا سیستم‌های محاسباتی به سطح توان مغز انسان برسند اما فراموش نکنیم که در عین حال محدودیت‌هایی نیز وجود دارد. برای مثال، سیستم‌های هوش مصنوعی در موقعیت‌هایی با سطح عدم قطعیت بالا، تغییرات سریع و یا درخواست‌های خلاقانه به سختی قابل‌اجرا هستند که در عین حال موضوع چالش‌برانگیز دیگر مواردی همچون جمع‌آوری، ادغام و تحلیل این دست اطلاعات است که ساختار خاصی هم ندارند. به طور خلاصه، یک سیستم پیچیده که از Cognitive Computing بهره می‌گیرد باید دارای تکنولوژی‌های زیادی باشد تا با در کنار هم قرار دادنشان، به نتایج درست و واقعی دست یابد.

منبع