آیا هوش مصنوعی می‌تواند به همه‌گیر شدن ارزهای دیجیتال کمک کند؟

نوشته شده توسط:امیر سلامی در | ۲۵ دی ۱۳۹۷ - ۱۶:۳۳ | ۰ دیدگاه

راه‌های مختلفی وجود دارد که می‌توان با انتخاب آنها، دنیای ارزهای دیجیتال و استفاده از چنین ارزهایی در زندگی روزمره را بهتر و بهتر نمود.

اخیراً توجه من به سمت اقتصادی مبتنی بر توکن‌ها یا به‌اصطلاح اقتصاد توکنی (Tokenomics) جلب شده است. به عقیده من برای رسیدن به پاداش‌های بیشتر باید به شناخت بهتری نسبت به چنین اقتصادی رسید. به‌عنوان‌مثال، صرافی‌های سنتی، پاداش‌های کافی و مناسبی را برای کاربران خود فراهم نمی‌کنند که البته در این میان صرافی‌هایی مانند بایننس (binance)، کاس (coss) و اِی.بی.سی.سی (ABCC) نیز پیدا می‌شوند که از این قاعده مستثنا باشند. من به‌شخصه علاقه بسیاری به ABCC دارم چراکه به نظر من، این صرافی به‌وسیله توکن های مخصوص خود به نام AT، تمرکز ویژه‌ای بر سودهای حاصله برای کاربران دارد. از طرف دیگر این صرافی با ارائه توکن های نظارتی یا حاکمیت محور، دست دارندگان توکن ها را بازتر می‌گذارند. به‌عبارت‌دیگر در این صرافی دارندگان توکن های AT قدرتمندند. نسبت به آینده بسیار امیدوارم و دوست دارم ببینم که چه کارهای دیگری برای قدرتمندتر شدن کاربران در فضای کریپتو صورت خواهد گرفت، چرا که هدف اصلی نظام‌های غیرمتمرکز و توزیع‌شده همین است.

بیشتر بخوانید: تحلیل نظام ارزش در اقتصاد اشتراکی با فناوری بلاک چین

آیا هوش مصنوعی می‌تواند به همه‌گیر شدن ارزهای دیجیتال کمک کند؟

حالا نوبت به آن رسیده که مسئله دیگری را مورد برسی قرار دهیم و آن هم چیزی نیست جز استفاده‌ها و نقش هوش مصنوعی در دنیای ارزهای دیجیتالی و بالا بردن کاربرد این ارزها در سطوح جهانی. مشخصاً بیان با جزئیات و کامل این مسئله از آن جهت که بیشتر خوانندگان از مسائل فنی مرتبط آگاهی کافی را ندارند و نسبت به کارکرد این تکنولوژی‌ها بی‌اطلاع هستند، مهم و صد البته مشکل خواهد بود.

در ادامه قصد داریم تا ابزارهایی که به واسطه هوش مصنوعی در اختیارمان قرار داده شده را بررسی نماییم تا ببینیم که آیا می‌توان از آنها در عرصه ارزهای دیجیتالی، بهبود کیفیت این ارزها و توسعه پروژه‌های مرتبط استفاده نمود یا خیر. به علاوه بر سر این مسئله بحث خواهیم نمود که ابزارهای مبتنی بر هوش مصنوعی می‌توانند با پردازش زبان‌های طبیعی تلفیق شوند تا به هدفی مهم دست یابند؟ این هدف مهم چیزی جز امکان استفاده بهتر از هر گونه هوش مصنوعی در حوزه بلاک چین نخواهد بود.

در پایان لازم به ذکر است که تصاویر و نمودارهای بسیاری برای شما فراهم‌شده تا به فهم بهتری از بلاک چین و نحوه کارکرد آن دست پیدا کنید.

مشخص است که دستاوردهایی که در حوزه هوش مصنوعی به دست آمده، توانایی استفاده در حوزه بلاک چین و ارزهای دیجیتالی را دارا هستند. دستاوردهایی نظیر ربات‌ها و دستیاران رایانه‌ای هوشمند از جمله آنها هستند. استفاده از ربات‌ها و چنین دستیارانی می‌تواند در حل باگ‌های موجود در زمینه قراردادهای هوشمند، بازرسی دوباره آنها و حتی اصلاح، کمک‌های شایانی را انجام دهد. اما این سؤال نیز مطرح خواهد شد که کاربران چه سودی از این مسئله خواهند برد؟ بیاید پاسخ کاملی به این سؤال بدهیم.

در این مقاله تنها نظر و عقاید شخصی خود را بیان می‌کنم و مشاوره مالی نمی‌دهم. من بخشی از پس‌انداز خود را در ارز دیجیتال سرمایه‌گذاری کرده‌ام بنابراین آنچه می‌نویسم صد در صد مطمئن نیست… پولی را که تحمل از دست دادنش را ندارید، در سرمایه‌گذاری خرج نکنید و تا جایی که می‌توانید قبل از سرمایه‌گذاری در یک پروژه راجع به آن مطالعه کنید. هرگز فراموش نکنید: قدرت زیاد مسئولیت زیادی به همراه می‌آورد. وقتی بانک خود باشید، همیشه مسئول پول خود هستید.

شبکه‌های عصبی مجازی چه چیزهایی هستند؟

اگر به دنبال فهم درستی از چگونگی عملکرد، یادگیری و دانش افزایی هوش‌های مصنوعی هستید، ابتدا باید به درک درستی از شبکه‌ی عصبی مصنوعی برسید. این موضوع به‌روزترین حوزه در ارتباط با یادگیری دستگاه‌هاست.

شبکه‌های عصبی و الگوریتم‌های پردازش زبان‌های طبیعی، این امکان را به ماشین‌ها (دستگاه‌ها) می‌دهند تا درست به مانند انسان‌ها مسائل مختلفی را یاد بگیرند. این گونه یادگیری با الهام از شبکه عصبی در انسان‌ها و امواج الکتریکی که میان محرک، پردازش و خروجی رد و بدل می‌شود، ایجاد شده است. در انسان‌ها محرک می‌تواند تصویری باشد که ما در چشممان می‌بینیم یا عصبی باشد که در دستمان قرار دارد و خروجی نیز واکنشمان به نور، لمس یا احساس گرما خواهد بود. به‌عبارت‌دیگر شبکه‌های عصبی دیدگاهی اکتشافی را وارد مبحث یادگیری ماشین‌ها کرده‌اند. در واقع در این روش شکست نوعی ابزار برای رسیدن به یادگیری مطرح می‌شود.

انواع شبکه‌های عصبی

مشخصاً در این مقاله فضا برای تشریح کاملی از انواع شبکه‌های عصبی وجود نخواهد داشت، اما در ادامه به مهم‌ترین انواع این شبکه‌ها که می‌توانند در پردازش زبان‌های طبیعی مورداستفاده قرار گیرند، اشاره‌هایی خواهیم داشت. پردازش زبان‌های طبیعی در دستگاه‌های مبتنی بر هوش مصنوعی به کار می‌روند و این دستگاه‌ها را قادر می‌سازند تا زبانی را به زبان دیگر ترجمه کنند، متن‌ها را به گفتار تبدیل کرده، تصاویر را به متن و صدا را به متن تبدیل نمایند. دستگاه‌ها به وسیله تکنیک‌های ساده‌ای از یادگیری قادر به انجام این کارها هستند. شبیه‌ساز «مونت کارلو» و «ول گشت» ازجمله مشهورترین این روش‌ها هستند.

می‌توان گفت که:

هدف اصلی شبکه‌های عصبی بخشیدن قدرتی به ماشین‌هاست تا به مانند انسان بتوانند به‌وسیله آزمون‌وخطا، قدرت یادگیری و منطق کسب نمایند.

شبکه‌های عصبی چندلایه (MLP)

در شبکه‌های MPL، یا پرسپترون های چندلایه (Multilayer perceptron)، نودها به شکلی که در پایین آورده شده، با تمام نودهای دیگر ارتباط برقرار می‌کنند، این کار تا زمان ادامه خواهد یافت که شبکه به‌صورت کامل به هم متصل شود. به عنوان مثال، از جمله نرم‌افزارهای پرسپترون چندلایه پردازش زبان‌های طبیعی می‌توان به برنامه‌هایی اشاره کرد که ترجمه‌های ماشینی انجام داده یا صداهای مختلف را شناسایی می‌کنند.

شبکه‌های عصبی پیچشی (CNN)

لایه‌های هم‌گشتی (کانولوشن) از یک عملکرد هم‌گشت برای وارد کردن نتایج به‌دست آمده به لایه بعدی استفاده می‌کنند. از همین رو در برنامه‌هایی نظیر برنامه‌های مترجم یا ربات‌ها، نتایج بسیار قابل قبولی را از خود به نمایش می‌گذارند.

شبک‌های عصبی LSTM

به عبارت ساده، شبکه‌های LSTM، از سلول‌هایی وابسته استفاده می‌کنند که بسته به شرایط می‌توانند به صورت حافظه‌های کوتاه یا بلند مدت مورد استفاده قرار گیرند. خروجی چنین شبکه‌هایی نیز وابسته به نوع این سلول‌هاست. در مواردی که داده‌های ورودی ترتیبی تاریخی دارند، استفاده از LSTM می‌تواند بسیار کار آمد باشد.

دستیارهای مجازی (Assistants) چه چیزهایی هستند؟

حال که از انواع پروسه‌های یادگیری و کاربردهای آنها مطلع شدید، باید به سراغ اصل مطلب برویم.

معمولاً هرگاه از دستیار صحبت می‌شود، ناخودآگاه ذهن ما به سمت مراحل نصبی می‌رفت که در دهه نود میلادی و کمی بعدتر از آنها استفاده می‌شود. مراحلی که کمک‌های شایانی را به کاربران برای نصب یک نرم‌افزار می‌کرد. اصلاً آنها را به یاد دارید؟ مشخصاً آنها را به یاد دارید. امروزه از آن مراحل با عنوان رابط‌های کاربری یاد می‌شود. تنها فرق نمونه‌های امروزی آنها این است که، امروز انواع مختلفی از دستیارها در محصولات مختلفی که به دستمان می‌رسد، وجود دارند. نمونه بسیار عینی آنها را می‌توان در شبکه‌های اجتماعی‌ای نظیر تلگرام مشاهده نمود که از ربات‌های ارتباطی استفاده می‌کنند.

انواع دستیار

چهار دسته بندی مهم برای دستیارها وجود دارد که بسته به نوع هوش مصنوعی به کار رفته، قدرت منحصربه‌فردی را به کاربر برای ارتباط می‌دهند.

بسته به نوع دستیار، احتمال کم یا زیادی وجود دارد که هوش مصنوعی تصمیمی نامناسب را اتخاذ کند. در اینجا منظور از تصمیم نامناسب، عملی است که با هدف کاربر در تضاد باشد. همان‌طور که پیش‌تر مشاهده کردیم، قدرت پیش بینی یک ماشین نیز بسته به الگوریتم‌های ماشین و نوع داده‌های کسب شده متفاوت خواهد بود. قبل از اینکه به شرح انواع دستیارها بپردازیم باید ذکر کنیم که درک و فهم درستی از نقاط قوت و ضعف دستیارانی که بر پایه هوش مصنوعی کار می‌کنند، ضروری است.

اولین مشکلی که در ارتباط با دستیاران مجازی با آنها مواجه می‌شویم آن است که قطعیت پیش بینی‌های آنها صد در صد نیست و یک هوش مصنوعی بنا بر طرح ریزی‌های انجام‌شده و منطقی که در آن به کار رفته است، تلاش می‌کند تا بهترین نتیجه را برای کاربر به ارمغان بیاورد. به‌عبارت‌دیگر، هدف یک هوش مصنوعی بسته به عملکرد آن متفاوت خواهد بود. گرچه، استفاده از مشوق‌های مناسب و مکانیزم‌های بازی گونه برای موفقیت هر هوش مصنوعی‌ای لازم است.

مشکل دوم در میان، آن است که توسعه‌دهنده هیچ‌گاه نمی‌تواند، نقاط اتکای کافی برای جلوگیری از اشتباهات کاربران نا وارد را ایجاد کند. چراکه متخصصین از علم کافی بهره‌مند هستند، این یعنی یک هوش مصنوعی می‌تواند فراتر از فهم انسان پا گذارد و این در حالی است که ممکن است سازنده آن از درک کافی برای فهم اهداف و منطق آن برخوردار نباشد.

حال که با این مشکلات آشنا شدید، زمان آن رسیده که به انواع مختلفی از دستیارها بپردازیم:

۱- اوراکل‌ها (واسطه‌های فضای مجازی و حقیقی): سیستم‌های پرسش و پاسخ (تنها قادر به خوانش اطلاعاتند)

اوراکل ها (Oracles) را می‌توان رابط میان کاربر و ماشین دانست. معمولاً یک اوراکل پاسخ‌ها و دستورالعمل‌های لازم را در ارتباط با سؤال یک کاربر در مورد یک برنامه خاص فراهم می‌کند.

اوراکل ها می‌توانند محدود به یک دامنه خاص باشند، یعنی هر پاسخ دارای یک منشأ ریاضی باشد. اوراکل‌هایی نیز وجود دارند که دارای خروجی‌های محدودی هستند. این نوع از اوراکل ها، تنها قادرند تا جواب‌هایی در محدوده: «بله، خیر، نامشخص» ارائه نمایند. در پایان نیز اوراکل‌هایی هستند که می‌توانند حاشیه امنیتی را در ارتباط با پاسخ ایجاد نمایند و جوابی به سؤال مطرح‌شده نداشته باشند. ربات‌های تلگرامی را می‌توان از این دسته اوراکل ها دانست. چرا که در این ربات‌ها کاربران می‌توانند با درخواست اطلاعاتی در ارتباط با موضوعی خاص، با گروهی مشخص تبادل اطلاعات داشته باشند.

۲- جینی‌ها: سیستم‌های اجرای دستور (قابلیت خوانش و ویرایش)

جینی‌ها (Genies) دومین لایه از ابزارها و دستیارها هستند. این گونه از دستیارها دارای درجه‌ای خاص از درک اطلاعات توسط کاربران‌اند. معمولاً این سیستم‌ها بر اساس منطق کاربر، اعمال خاصی را انجام می‌دهند که می‌توانند بر اساس زبانی طبیعی باشد. ازجمله آنها بازهم می‌توان به ربات‌های تلگرام اشاره نمود. در بیشتر موارد، برقراری ارتباط با جینی به صورت دستور یا پرسش و پاسخ صورت می‌گیرد و سیستم بر اساس خروجی موردنظر کاربر، عملی را اجرا خواهد کرد. در یک جینی امکان ایجاد قابلیت تخریب امن نیز وجود دارد که موجب می‌شود تا خروجی‌های نا مناسب در سیستم رخ ندهند. با این حال چنین سیستم‌هایی در معرض خطاهای انسانی قرار دارند از همین رو نسبت به اوراکل ها آزادی عملی بیشتر در اختیار کاربر است.

۳- سوورین (Sovereigns): عملیات‌هایی مستقل و آزاد (با اهدافی شناخته‌شده و ناشناس)

از آن جهت که این سیستم‌ها با دستورالعمل‌های محدودی ساخته‌شده‌اند تا به هدفی مشخص دست یابند، سوورین ها را می‌توان معمولاً به تکنیک‌های زبان طبیعی مرتبط دانست. این هوش مصنوعی می‌بایست به وسیله مدل‌هایی مانند مونت‌کارلو اطلاعات را یاد گیرد و به وسیله آزمون‌وخطا، پر بازده‌ترین راه را برگزیند.

۴- ابزارهای هوشمند مصنوعی: سیستمی که برای نمایش رفتاری هدف محور ساخته نشده

این قبیل ابزارها به منظور پروسه‌های آزاد اطلاعات ساخته‌شده‌اند. ساخت یک ابزار هوش مصنوعی به این منظور صورت می‌گیرد که بدون نیاز به استفاده کننده‌ای مشخص، رفتارهایی از روی سازوکار نمایش دهد. این مسئله می‌تواند در کادرهای جستجو موجب نمایش نتایجی اشتباه شود. این ابزارها به کاربران این امکان را می‌دهند تا با تعیین پارامترها و زمینه موردنظر، اقدام به جستجو نمایند. این روش در کسب‌وکارهایی مانند گوگل، بیگ کوئری یا IBM استفاده‌شده است.

اهمیت تصویرسازی از اطلاعات

حالا که با بسترهای شبکه‌های عصبی و اهداف آنها آشنا شدید و تفاوت‌های میان انواع مختلف دستیارهای مجازی را فهمیدید، باید بدانید که جای چه چیزی در بحث ما خالی است.

اگر جواب شما، تصویرسازی از اطلاعات بوده، باید بگوییم که کاملاً درست حدس زده‌اید.

آخرین نقطه میان کاربر و هوش مصنوعی، نوع نمایش اطلاعات است. با اضافه کردن المان‌های تصویری مانند عکس‌ها، نمودارها و جداول، فهم اطلاعات توسط انسان‌ها به‌مراتب آسان‌تر خواهد شد. از همین رو استفاده از داده‌های تصویری در ابزارهای مبتنی بر هوش مصنوعی و استفاده از ربات‌هایی مانند سیستم‌های NLP بسیار مهم است. چنین راهی، سریع‌ترین و کارآمدترین روش برای انتقال اطلاعات از یک ماشین به یک انسان است.

پلتفرم‌هایی مانند بلاک چین، DappRadar، Ethplorer و Coin360 در بحث استفاده از داده‌های تصویرسازی شده، به موفقیت‌های بسیاری دست یافته‌اند. این قبیل از اطلاعات بیشتر از زمینه ارزهای دیجیتالی و بازار آنها کاربرد دارد. با وجود این، به عقیده من استفاده از گزینه‌های بیشتر ضروری است. درصورتی‌که از داده‌های تصویری بر روی سیستم‌های نظیر سوورین ها و اوراکل‌ ها بیشتر استفاده شود، می‌توان اطلاعات به‌مراتب پیچیده‌تری را برای کاربران مهیا نمود.

در حال حاضر پروژه‌های زیادی در ارتباط با بلاک چین وجود دارند که می‌توان از هوش مصنوعی در آنها استفاده نمود. این در حالی است که پروژه‌های بسیار زیادی نیز مانند Golem ،DeepBrainChain ، Singularity NET وجود دارند که چندان آشنا نیستند.