سامانه شناختی و هوش مصنوعی

سامانه های شناختی که امروزه عنصری ضروری در بسیاری از زمینه ها هستند، در آینده تاثیر بسزایی بر تعداد رو به رشد صنایع و بخش های اقتصادی خواهند داشت. طبق برآوردهای شرکت تحقیقاتی IDC، تا سال 2022، مبلغ 77.6 میلیارد دلار در سامانه های شناختی سرمایه گذاری خواهد شد که این امر آن ها را به پایه فناوری های آینده مانند رانندگی خودکار و سایر سامانه های خودکار، صنعت 4.0 و اینترنت اشیا (IoT) تبدیل می کند.

سامانه های شناختی چیستند؟

سامانه های شناختی را به عنوان سامانه های فنی قادر به حل مستقلانه وظایف انسانی و توسعه راهبردها برای آن ها تعریف می کنند. برای انجام این کار، این سامانه ها به قابلیت های شناختی برای درک زمینه، تعامل، سازگاری و یادگیری مجهز هستند. سامانه های شناختی می توانند از روش های هوش مصنوعی مانند یادگیری ماشین، شبکه های عصبی و یادگیری عمیق استفاده کنند.

سامانه های شناختی درک می کنند، یاد می گیرند و تصمیم می گیرند

سامانه های شناختی به مهارت ها و توانایی های انسانی گرایش دارند. آن ها می توانند چیزها را درک و فهم کنند، نتیجه گیری کنند و یاد بگیرند. آن ها همچنین می توانند به طور قابل اعتماد به رویدادهای غیرمنتظره واکنش نشان دهند. سامانه های شناختی اغلب با مقادیر زیادی از اطلاعات ساختار نیافته، مانند داده های حسگر، که اغلب ناقص یا نادرست هستند و بنابراین غیرقابل اعتماد هستند، مواجه هستند. سامانه های شناختی از این داده ها به عنوان پایه برای یادگیری و تصمیم گیری استفاده می کنند. سامانه همچنین دارای دیدگاهی کلی از زمینه خود، مانند تاثیرات محیطی، تعامل با محیط اطراف، استنتاج های مربوطه و بهینه سازی اقدامات خود است.

خط مرزی بین هوش مصنوعی و سامانه های شناختی

سامانه های شناختی نباید با هوش مصنوعی اشتباه گرفته شوند. آن ها سامانه های هوشمند مصنوعی هستند که به روش های مختلف مبتنی بر هوش مصنوعی تکیه می کنند، اما می توانند شامل رویکردهای دیگر نیز باشند. در یک تعریف سامانه های شناختی را به عنوان سامانه های نرم افزاری یکپارچه و هوشمند با معماری های انعطاف پذیر که برای کاربرد با طیف گسترده ای از روش ها و فرایندهای مهندسی سامانه و ایمنی ترکیب می شوند، می بیند.

شبکه های سامانه های شناختی

سامانه های شناختی نه تنها در محیط های مستقل استفاده می شوند، بلکه بسیاری از آن ها باید در یک سامانه سطح بالاتر، به اصطلاح سامانه سامانه ها، با هم کار کنند. در این زمینه، تحقیقاتی در مورد چگونگی واکنش بهینه و قابل اعتماد سامانه های منفرد با یکدیگر، از جمله در یک شبکه، انجام می شود.

سامانه های شناختی در کجا مستقر می شوند؟

سامانه های شناختی طیف گسترده ای از کاربردها دارند، مانند دستیاران صوتی یا در تحلیل مقادیر زیادی از داده ها. با این حال، تمرکز موسسه بر سامانه های شناختی است که همچنین وظایف ایمنی حیاتی را بر عهده می گیرند. در این محیط ها، سامانه های شناختی بیشترین ارزش افزوده را زمانی ارائه می دهند که رویکردها و روش های سنتی دیگر دخالت نکنند. برای مثال، برای موفقیت همکاری انسان-ربات، یک ربات صنعتی باید از مسیر خارج شود و در صورت نزدیک شدن بیش از حد یک انسان، به طور ایده آل به کار خود ادامه دهد، نه اینکه به سادگی در جای خود متوقف شود.

سه معیار باید قبل از استفاده از سامانه های شناختی در کاربردهای ایمنی حیاتی مانند رانندگی خودکار یا صنعت 4.0 برآورده شوند:

• آن ها باید ایمن باشند،
• آن ها باید قابل اعتماد و دائما در دسترس باشند، 
• و در عین حال، توسعه و استفاده از آن ها باید مقرون به صرفه باشد.

مثال: سامانه شناختی به شکل رانندگی خودکار

مثال رانندگی خودکار می تواند برای نشان دادن سه معیار استفاده شود: یک خودروی خودران باید بدون ایجاد تصادف به طور ایمن در ترافیک حرکت کند. در عین حال، باید از نظر در دسترس بودن قابل اعتماد باشد - به این معنی که باید قابل استفاده باقی بماند. اگرچه خودرویی که در همه شرایط نامعلوم کار نمی کند و در کنار جاده می نشیند، ایمن است، اما قابل اعتماد نیست. این سوال اضافی هزینه ها را مطرح می کند. خودروهای خودران باید میلیون ها کیلومتر آزمایش شوند در حالی که تحت نظارت هستند. این رویکرد به ویژه در ایالات متحده محبوب است، جایی که برای کسب هرچه بیشتر تجربه با عملکرد خودرو استفاده می شود. با این حال، تعداد کیلومترهای آزمایش به تنهایی این آزمایش ها را بسیار پیچیده می کند و نیاز به زمان و هزینه قابل توجه دارد. به عنوان مثال، هر سناریو ممکن باید آزمایش شود، مانند موارد مختلف نور، شرایط آب و هوا و موقعیت ها در اطراف خودرو. علاوه بر این، هر تغییر نرم افزاری، مانند به روزرسانی یا نسخه جدید، باید با آزمایش های گسترده جاده ای دوباره تایید شود. این روش به تنهایی منجر به موفقیت رانندگی خودکار نخواهد شد.

با در نظر گرفتن این موضوع، روش های مبتنی بر هوش مصنوعی و سامانه های شناختی باید با یک معماری سامانه و نرم افزار متناظر تایید شوند که یک چارچوب محافظ تشکیل می دهد که در آن تصمیمات اشتباه توسط فناوری هوش مصنوعی هیچ آسیبی ایجاد نخواهد کرد.

اتصال شناختی - هوش جمعی

قدرت واقعی سامانه های شناختی در این واقعیت نهفته است که زیرسامانه ها می توانند یک سامانه شناختی بزرگ، به اصطلاح سامانه های سایبری-فیزیکی (CPSoS) را تشکیل دهند. زیرسامانه های منفرد به طور موقت یا دائمی برای انجام مشترک یک کار همکاری می کنند. برای مثال، سامانه های حمل ونقل مشارکتی می توانند برای جابه جایی بار سنگین یک مانور مشترک انجام دهند. برای انجام این کار، سامانه های حمل ونقل خودران ادراک خود را به اشتراک می گذارند، اطلاعات را به جلو ارسال می کنند و با یکدیگر هماهنگ می شوند. پس از تکمیل کار، جمع دوباره منحل می شود. برای اطمینان از تاب آوری چنین سامانه هایی، تحقیقاتی در زمینه هایی مانند ادغام سناریوهای پشتیبان (fallback) قابل اعتماد برای رفتار جمعی انجام می دهد. یک سامانه منفرد باید قادر باشد در صورت عدم کارکرد هماهنگی یا ارتباط با سامانه کلی، وظایف ایمنی حیاتی را به تنهایی انجام دهد. علاوه بر این، جمع باید به طور بهینه و کارآمد وظایف خود را بدون به خطر انداختن ایمنی تکمیل کند. بنابراین، سامانه های شناختی نیازمند معماری های انعطاف پذیر و سازگار هستند.

معماری های شناختی - انعطاف پذیر و سازگار

از آنجایی که سامانه های شناختی اغلب باید در یک سامانه کلی با هم کار کنند، معماری های نرم افزاری انعطاف پذیر و سازگار جنبه دیگری از فعالیت های تحقیقاتی هستند. در یک سامانه کلی بزرگ، خدمات و فناوری های جدید دائما اضافه یا حذف می شوند که سامانه های شناختی باید بتوانند با آن ها کنار بیایند. عملکردها و سامانه ها می توانند به طور ناگهانی در خودروهای خودران نیز در دسترس نباشند، مانند زمانی که یک حسگر اندازه گیری فاصله پنهان می شود. در این حالت، معماری نرم افزار باید مداخله کند و رفتارهای قابل اعتماد جایگزین را پیشنهاد کند تا زمانی که حسگر فاصله دوباره کار کند. هدف تحقیقات برای سامانه های شناختی توسعه معماری های مبتنی بر خدمت است که نه تنها انعطاف پذیری کافی برای سازگاری با نیازهای فعلی را دارند، بلکه عملیاتی هستند - به عبارت دیگر، معماری هایی که حتی در هنگام نقص عملکرد نیز به کار خود ادامه می دهند.

رفتار شناختی - هوش مصنوعی قابل اعتماد

این محیط ها بیش از هر چیز به داشتن یک معماری سامانه قابل اعتماد نیاز دارند. قلب سامانه شناختی - هوش مصنوعی - باید ایمن باشد. با در نظر گرفتن این موضوع، تحقیقات در مورد روش های توسعه هوش مصنوعی باید طوری انجام شود که ایمنی مطلق انرا تضمین کند و بتواند نقاط ضعف و آسیب پذیری های خود را شناسایی کند. یکی از اهداف توسعه فناوری هوش مصنوعی به اندازه کافی مقاوم است. علاوه بر این، شناسایی عدم اطمینان در هوش مصنوعی در هر موقعیت برای توانایی واکنش مناسب ضروری است. تحقیق همچنین شامل بررسی اقدامات خاص آزمایش و تایید برای اعتبارسنجی فناوری هوش مصنوعی است. این سوال را مطرح می کند: چه زمانی سامانه من به اندازه کافی ایمن است؟ برای پاسخ به این سوال، موسسات در حال توسعه روش شناسی برای سامانه سازی آسیب پذیری ها در یک سامانه شناختی است. با این روش نظام مند، توسعه دهندگان می فهمند که کدام موقعیت ها قبلا در نظر گرفته شده و به اندازه کافی آزمایش شده اند و می دانند که هوش مصنوعی هنوز چه چیزی باید یاد بگیرد.

منبع سایت :

https://www.iks.fraunhofer.de/en/topics/cognitive-systems.html

اطلاعات برای ارتباط بیشتر:

a.mohammadian@iran.ir

حساب کاربری در پیام رسان بله: aminuser