یادگیری ماشینی چیست و چه کاربردی دارد؟

نیروی محرکه پشت ربات‌های چت و پیش‌بینی‌کننده کننده متن در کیبورد شما، ماشین‌های ترجمه، فید پیشنهادی یوتیوب و سایر رسانه‌های اجتماعی شما، نیرویی است که به آن یادگیری ماشینی (Machine Learning) می‌گویند.

یادگیری ماشینی یا ماشین لرنینگ، شاخه‌ای از هوش مصنوعی (AI) و علوم کامپیوتر است. تلاش در عرصه توسعه ماشین لرنینگ، این است که با استفاده از دیتا و الگوریتم‌های مختلف، از شیوه‌های یادگیری انسان‌ها تقلید شود. در نتیجه، قدرت یادگیری ماشین به تدریج بهبود یافته و دقت آن نیز افزایش خواهد یافت.

یادگیری ماشینی چیست؟

شرکت‌هایی که امروزه ساخت برنامه‌های هوش مصنوعی را به کار می‌گیرند، به احتمال زیاد از یادگیری ماشینی استفاده می‌کنند. به همین دلیل، امکان دارد خیلی مواقع از دو عبارت «یادگیری ماشینی» (Machine Learning) و «هوش مصنوعی» (Artificial Intelligence) به جای یکدیگر استفاده شود. یادگیری ماشینی زیرشاخه‌ای از هوش مصنوعی است که به کامپیوترها، توانایی یادگیری بدون برنامه‌ریزی قبلی را می‌دهد.

طی چند دهه گذشته، پیشرفت‌های تکنولوژیکی در زمینه ذخیره‌سازی و قدرت پردازش، محصولات نوآورانه ای مبتنی بر یادگیری ماشینی ارائه نموده اند. از همین رو، سرویس‌هایی مانند موتور توصیه نتفلیکس، فید شبکه‌های اجتماعی مختلف و خودروهای خودران، ممکن و قابل بهره برداری شده اند.

یادگیری ماشینی جزء مهمی از حوزه رو به رشد علم داده است. از طریق استفاده از روش‌های آماری، الگوریتم‌ها برای طبقه بندی یا پیش بینی و کشف بینش‌های کلیدی در پروژه‌های داده کاوی آموزش داده می‌شوند. این بینش‌ها متعاقباً تصمیم‌گیری را در برنامه‌ها و کسب‌وکارها هدایت می‌کنند و به طور ایده‌آل بر معیارهای رشد کلیدی تأثیر می‌گذارند. با ادامه گسترش و رشد داده‌های بزرگ، تقاضای بازار برای دانشمندان داده افزایش می‌یابد. از آنها خواسته می‌شود تا به شناسایی مرتبط ترین سؤالات تجاری و داده‌های پاسخ به آنها کمک کنند.

الگوریتم‌های یادگیری ماشینی معمولاً با استفاده از چارچوب‌هایی ایجاد می‌شوند که توسعه راه‌حل را تسریع می‌کنند؛ مانند TensorFlow و PyTorch.

یادگیری ماشینی (Machine Learning) چگونه کار می‌کند؟

• فرآیند تصمیم گیری: به طور کلی، الگوریتم‌های یادگیری ماشینی برای پیش بینی یا طبقه بندی استفاده می‌شوند. بر اساس برخی از داده‌های ورودی که امکان دارد برچسب داشته باشند یا بدون برچسب باشند، الگوریتم در مورد یک الگو در داده‌های معین تخمین‌هایی به عمل می‌آورد.
• تابع خطا: تابع خطا، پیش بینی مدل را ارزیابی می‌کند. اگر نمونه‌های شناخته شده ای وجود داشته باشد، یک تابع خطا می‌تواند مقایسه ای برای ارزیابی دقت مدل انجام دهد.
• بهینه سازی مدل: اگر مدل بتواند با دیتای مشخص شده در مجموعه آموزشی تطابق بیشتری داشته باشد، تنظیمات مدل به گونه‌ای تغییر داده می‌شوند تا اختلاف بین تخمین مدل و نمونه مشخص به حداقل برسد. الگوریتم این فرآیند «ارزیابی و بهینه سازی» را تکرار می‌کند و تا رسیدن به آستانه دقت، مقادیر تخمین زده شده را آپدیت می‌کند.

یادگیری ماشینی؛ یادگیری عمیق؛ و شبکه‌های عصبی

از آنجایی که یادگیری عمیق (Deep Learning) و یادگیری ماشینی خیلی مواقع به جای یکدیگر مورد استفاده قرار می‌گیرند، بایستی به تفاوت‌های ظریف بین این دو توجه داشته باشیم. یادگیری ماشینی، یادگیری عمیق و شبکه‌های عصبی همگی زیر شاخه‌های هوش مصنوعی هستند. با این حال، شبکه‌های عصبی در واقع زیر شاخه ای از یادگیری ماشینی محسوب می‌شوند و یادگیری عمیق نیز زیر شاخه ای از شبکه‌های عصبی است.

• یادگیری ماشین کلاسیک یا «غیر عمیق»، بیشتر به مداخله انسان برای یادگیری وابسته است. متخصصان انسانی، مجموعه ای از ویژگی‌ها را برای درک تفاوت بین ورودی‌های داده تعیین می‌کنند که معمولاً برای یادگیری به داده‌های ساختاریافته بیشتری نیاز دارند.
• شبکه‌های عصبی یا شبکه‌های عصبی مصنوعی (ANN)، از لایه‌های نود (Node) تشکیل شده اند که شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی می‌شود. هر نود یا نورون مصنوعی به نود دیگری متصل می‌شود و دارای وزن و آستانه مرتبط است.
• یادگیری عمیق و شبکه‌های عصبی با تسریع پیشرفت در زمینه‌هایی مانند دیدکامپیوتری، پردازش زبان طبیعی و تشخیص گفتار کاربرد دارند.

مدل‌های یادگیری ماشینی

مدل‌های یادگیری ماشینی به سه دسته اصلی تقسیم می‌شوند:

یادگیری ماشینی تحت نظارت

یادگیری نظارت شده (Supervised Machine Learning)، با استفاده از مجموعه داده‌های برچسب گذاری شده و با هدف آموزش الگوریتم‌ها برای طبقه بندی داده‌ها یا پیش بینی دقیق نتایج، تعریف می‌شود. زمانی که داده‌های ورودی به مدل وارد می‌شود، مدل مقادیر ورودی را تغییر داده و طوری تنظیم می‌کند تا به مقیاس قابل قبولی برسد. این امر، به عنوان بخشی از فرآیند اعتبار سنجی متقاطع انجام می‌شود تا اطمینان حاصل شود که مشکلاتی مانند انطباق مازاد پیش نیاید. یادگیری تحت نظارت، به سازمان‌ها کمک می‌کند تا انواع مشکلات را در مقیاس دنیای واقعی حل کنند؛ مانند طبقه بندی هرزنامه‌ها در یک پوشه جداگانه از صندوق اینباکس اصلی.

برخی از روش‌های مورد استفاده در یادگیری نظارت شده عبارتند از: شبکه‌های عصبی (neural networks)، دسته بندی کننده‌های بیز (naïve bayes)، رگرسیون خطی (linear regression)، رگرسیون لجستیک (logistic regression)، جنگل تصادفی (random forest) و ماشین بردار پشتیبان (SVM).

یادگیری ماشینی بدون نظارت

یادگیری ماشینی بدون نظارت (Unsupervised Machine Learning) از الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل و دسته بندی مجموعه داده‌های بدون برچسب استفاده می‌کند. این الگوریتم‌ها، الگوهای پنهان یا گروه بندی داده‌ها را بدون نیاز به دخالت انسان کشف می‌کنند. توانایی این روش در کشف شباهت‌ها و تفاوت‌ها در اطلاعات، آن را برای تجزیه و تحلیل داده‌های اکتشافی، استراتژی‌های فروش متقابل، تقسیم‌بندی مشتری، و تشخیص تصویر و الگو ایده‌آل می‌کند. همچنین برای کاهش تعداد ویژگی‌های یک مدل از طریق فرآیند کاهش ابعاد استفاده می‌شود. تجزیه و تحلیل مؤلفه اصلی (PCA) و تجزیه ارزش منفرد (SVD)، دو رویکرد رایج برای این کار هستند. سایر الگوریتم‌های مورد استفاده در یادگیری بدون نظارت، شامل شبکه‌های عصبی، دسته بندی k-means و روش‌های دسته بندی احتمالی است

یادگیری تقویت شده

یادگیری تقویت شده (Reinforced Learning)، یکی از تکنیک‌های یادگیری ماشینی است که مبتنی بر بازخورد عمل می‎کند. در این حالت، یک عامل (agent) با انجام اقدامات و دیدن نتایج آنها یاد می‌گیرد چطور بایستی در یک محیط رفتار کند. برای هر اقدام مناسب، بازخورد مثبت می‌گیرد و برای هر اقدام بد، بازخورد منفی یا جریمه دریافت می کند.
در یادگیری تقویت شده، عامل بر خلاف یادگیری تحت نظارت، به طور خودکار با استفاده از بازخوردها و بدون هیچ گونه دیتای برچسب گذاری شده، یاد می‌گیرد. به عبارتی با آزمون خطا و بر اساس تجربه، می‌آموزد کار را به نحو بهتری انجام دهد. از این رو، می توان گفت که یادگیری تقویت شده، نوعی روش یادگیری ماشینی است که در آن یک عامل هوشمند (برنامه کامپیوتری) با محیط تعامل می کند و یاد می گیرد که در محیط چطور و بر چه اساسی عمل کند.

چه الگوریتم‌هایی در یادگیری ماشینی رایج هستند؟

رایج ترین الگوریتم‌های یادگیری ماشینی، شامل موارد زیر می‌شوند:

• شبکه‌های عصبی: شبکه‌های عصبی، نحوه عملکرد مغز انسان با تعداد زیادی نود پردازشی مرتبط به هم را شبیه سازی می‌کنند. شبکه‌های عصبی، در تشخیص الگوها خوب هستند و نقش مهمی در کاربردهایی از جمله ترجمه زبان با لحنی طبیعی، تشخیص تصویر، تشخیص گفتار و خلق تصویر دارند.
• رگرسیون خطی: این الگوریتم برای پیش بینی مقادیر عددی، بر اساس رابطه خطی بین مقادیر مختلف استفاده می‌شود. مثلاً این تکنیک می‌تواند برای پیش بینی قیمت خانه بر اساس داده‌های تاریخی برای منطقه مورد استفاده قرار گیرد.
• رگرسیون لجستیک: این الگوریتم یادگیری نظارت شده، پیش بینی‌هایی را برای متغیرهای پاسخ طبقه بندی شده، مانند پاسخ‌های “بله/خیر” به سوالات انجام می‌دهد. می‌توان از آن برای برنامه‌هایی مانند طبقه بندی اسپم‌ها و کنترل کیفیت در خط تولید استفاده کرد.
• دسته بندی: با استفاده از یادگیری بدون نظارت، الگوریتم‌های دسته بندی می‌توانند الگوهای موجود در دیتا را شناسایی کنند تا بتوانند آنها را گروه بندی کنند. ماشین‌ها قادرند با شناسایی تفاوت‌های بین اقلام دیتایی که انسان‌ها نادیده گرفته اند، به دانشمندان دیتا کمک کنند.
• درخت تصمیم: درخت تصمیم را می‌توان هم برای پیش بینی مقادیر عددی (رگرسیون) و هم برای طبقه بندی دیتا در قالب دسته‌ها استفاده کرد. درختان تصمیم از یک دنباله انشعاب از تصمیمات مرتبط استفاده می‌کنند که می‌تواند با یک نمودار درختی نمایش داده شود. یکی از مزایای درخت تصمیم، این است که بر خلاف جعبه سیاه شبکه عصبی، اعتبارسنجی و ارزشیابی آن به آسانی انجام می‌شود.
• جنگل‌های تصادفی: در یک جنگل تصادفی، الگوریتم یادگیری ماشینی یک مقدار یا دسته را با ترکیب نتایج تعدادی درخت تصمیم پیش بینی می‌کند.

یادگیری ماشینی در دنیای واقعی چه کاربردهایی دارد؟

در ادامه، به چند نمونه یادگیری ماشینی اشاره خواهیم کرد که احتمالاً با آنها آشنا باشید.

• تشخیص گفتار: این کاربرد که به نام‌های تشخیص خودکار گفتار (ASR)، تشخیص گفتار کامپیوتری یا گفتار به متن نیز شناخته می‌شود، قابلیتی است که از پردازش زبان طبیعی (NLP) برای ترجمه گفتار انسان به قالب نوشتاری استفاده می‌کند. بسیاری از دستگاه‌های تلفن همراه، برای انجام جستجوی صوتی از تشخیص گفتار در سیستم‌های خود بهره می‌برند. مثلاً ربات‌های الکسا و Siri از این قابلیت استفاده می‌کنند.
• خدمات مشتری: چت ربات‌های آنلاین، برای خدمات رسانی به کاربران جایگزین اپراتورهای انسانی می‌شوند و طرز فکر ما را در مورد تعامل با کاربران در وب‌سایت‌ها و پلتفرم‌های رسانه‌های اجتماعی تغییر می‌دهند. ربات‌های گفتگو در سؤالات متداول (FAQ) در مورد موضوعاتی مانند حمل و نقل، به سوالات پاسخ می‌دهند. همچنین با ارائه توصیه‌های شخصی، به فروش متقابل محصولات یا ارائه اندازه‌های پیشنهادی برای کاربران کمک می‌کنند. به عنوان مثال می‌توان به عوامل مجازی در سایت‌های تجارت الکترونیک اشاره کرد. ربات‌های پیام‌رسان، با استفاده از فضای چت به عنوان اپراتور عمل می‌کنند و با کاربران در ارتباط هستند.
• دید کامپیوتری: فناوری هوش مصنوعی، کامپیوترها را قادر می‌سازد تا اطلاعات معنی‌داری را از تصاویر دیجیتال، ویدیوها و سایر ورودی‌های بصری به دست آورند و سپس اقدام مناسبی انجام دهند. بینایی کامپیوتر با پشتیبانی از شبکه‌های عصبی کانولوشنال، کاربردهای فراوانی در برچسب گذاری تصاویر در رسانه‌های اجتماعی، تصویربرداری رادیولوژی در مراقبت‌های بهداشتی و خودروهای خودران در صنعت خودرو دارد.
• موتورهای توصیه: الگوریتم‌های هوش مصنوعی می‌توانند با استفاده از دیتای رفتارهای مصرف گذشته، به کشف روندهای دیتا کمک کنند. این روندها، برای توسعه استراتژی‌های فروش متقابل مؤثرتر مورد استفاده قرار می‌گیرند. این رویکرد توسط خرده فروشان آنلاین و با هدف ارائه توصیه‌های مربوط به محصول به مشتریان در طول فرآیند پرداخت استفاده می‌شود.
• معاملات خودکار سهام: پلتفرم‌های معاملاتی با فرکانس بالا که مبتنی بر هوش مصنوعی و با هدف بهینه‌سازی سبد سهام طراحی شده‌اند، قادرند هزاران یا حتی میلیون‌ها معامله را در روز و بدون دخالت انسان انجام دهند.
• تشخیص تقلب: بانک‌ها و سایر موسسات مالی می‌توانند از یادگیری ماشینی برای شناسایی تراکنش‌های مشکوک استفاده کنند. یادگیری تحت نظارت می‌تواند یک مدل را با استفاده از اطلاعات مربوط به تراکنش‌های جعلی شناخته شده آموزش دهد. تشخیص ناهنجاری می‌تواند تراکنش‌هایی را شناسایی کند که غیر معمول به نظر می‌رسند و نیازمند بررسی بیشتر هستند.

مزایا و معایب یادگیری ماشینی چیست؟

بسیاری از فناوری‌های امروزی مبتنی بر یادگیری ماشینی هستند. از موتورهای تحلیلی پیش‌بینی‌کننده محصولات در فروشگاه‌‎های آنلاین گرفته تا فناوری ai که در برنامه‌های امنیتی و آنتی‌ویروس بی‌شماری در سراسر جهان استفاده می‌شود. یادگیری ماشینی مزایای بسیاری دربر دارد؛ اما درست مانند هر تکنولوژی دیگری، یادگیری ماشینی نیز کامل نیست و معایبی نیز دربر دارد.

در ادامه به بررسی مزایا و معایب یادگیری ماشینی و اینکه چگونه ممکن است بر اشخاص و اهداف آنها تأثیر بگذارد، خواهیم پرداخت.

مزایای یادگیری ماشینی

• شناسایی سریع و راحت الگوها و روندها

یک مزیت کلیدی یادگیری ماشینی، مربوط به توانایی این فناوری برای بررسی حجم زیادی از داده‌ها و شناسایی الگوها و روندهایی است که ممکن است برای انسان آشکار نباشد. مثلاً یک برنامه یادگیری ماشینی ممکن است به خوبی رابطه بین دو رویداد و دلیل ارتباط آنها را مشخص کند. این امر باعث می‌شود که این تکنولوژی در داده‌کاوی بسیار مؤثر باشد؛ به‌ویژه برای کارهای مداوم و مستمر. توانایی شناسایی سریع و دقیق روندها یا الگوها، یکی از مزایای کلیدی یادگیری ماشینی است.

• پیشرفت یادگیری ماشینی در طی زمان

یکی از بزرگترین مزیت‌های الگوریتم‌های یادگیری ماشینی، توانایی آنها برای بهبود عملکرد در طول زمان است. پردازش حجم فراوان دیتا در طی زمان، به تقویت سرعت و دقت یادگیری ماشینی کمک فراوانی می‌کند . وجود این امر درالگوریتم یا برنامه، به کسب «تجربه» بیشتری می‌انجامد، که به نوبه خود می‌تواند برای تصمیم گیری یا پیش بینی بهتر استفاده شود.

یک مثال عالی از این نوع بهبود در طول زمان، مدل‌های پیش بینی آب و هواست. پیش بینی‌ها با نگاه به الگوهای آب و هوا و رویدادهای گذشته انجام می‌شود. سپس از این دیتا برای تعیین اینکه چه چیزی در یک سناریوی خاص اتفاق می‌افتد استفاده می‌شود. هرچه داده‌های بیشتری در مجموعه داده‌های خود داشته باشید، دقت پیش بینی بیشتر خواهد شد. همین مفهوم اساسی برای الگوریتم‌هایی که برای تصمیم گیری یا توصیه‌ها استفاده می‌شوند نیز صادق است.

• امکان ایجاد سازگاری بدون دخالت انسان

این تکنولوژی، امکان سازگاری آنی را بدون نیاز به دخالت انسان فراهم می‌کند. این عملاً از مزایای اصلی یادگیری ماشینی محسوب می‌شود.

یک مثال عالی از این موضوع را می‌توان در برنامه‌های نرم افزاری امنیتی و آنتی ویروس یافت که از یادگیری ماشینی و فناوری هوش مصنوعی، برای پیاده سازی فیلترها و سایر اقدامات حفاظتی در پاسخ به تهدیدات جدید استفاده می‌کنند.

این سیستم‌ها از یادگیری ماشینی برای شناسایی تهدیدها و روندهای جدید استفاده می‌کنند. تکنولوژی هوش مصنوعی، برای اجرای اقدامات مناسب جهت خنثی سازی یا محافظت در برابر تهدیدها استفاده می‌شود. یادگیری ماشینی شکاف بین زمان شناسایی تهدید جدید و زمان صدور پاسخ را از بین برده است. زمانی که ربات‌، ویروس‌، کرم‌، هکر و سایر تهدیدات سایبری هزاران یا حتی میلیون‌ها نفر را در عرض چند دقیقه در معرض خطر قرار می‌دهند، این پاسخ تقریباً فوری کمک فراوانی به جلوگیری از آسیب‌های متعدد خواهد کرد.

معایب یادگیری ماشینی

• نیاز یادگیری ماشینی به زمان (و منابع) برای دستیابی به نتایج

از آنجایی که یادگیری ماشین در طول زمان و به تدریج اتفاق می‌افتد، امکان دارد در برخی مواقع الگوریتم یا رابط، به اندازه ای توسعه نیافته باشد که بتواند پردازش حجم عظیمی از دیتا را درست و با بازدهی بالا انجام بدهد. به عبارت دیگر، یادگیری ماشینی زمان بر است؛ به خصوص اگر قدرت محاسباتی محدودی داشته باشید. مدیریت حجم عظیمی از دیتا و اجرای مدل‌های کامپیوتری، قدرت محاسباتی زیادی می‌طلبد و همین امر به طور بالقوه می‌تواند بسیار پرهزینه باشد.

بنابراین، قبل از روی آوردن به یادگیری ماشینی، خیلی مهم است که در نظر بگیرید آیا می‌توانید مقدار زمان و یا منابع مالی مورد نیاز برای توسعه فناوری را سرمایه‌گذاری کنید تا به سوددهی برسید؟ مقدار دقیق زمان موردنیاز، بسته به منبع داده، ماهیت داده‌ها و نحوه استفاده از آن به طور چشمگیری متفاوت خواهد بود. بنابراین، عاقلانه است که در مورد پروژه خود با یک متخصص در داده کاوی و یادگیری ماشینی مشورت کنید.

• سطح بالایی از حساسیت به خطا

یک خطا می‌تواند باعث خرابی رابط یادگیری ماشینی شود؛ چون در اثر تنها یک اشکال، همه خروجی‌های بعدی ممکن است ناقص، مبهم یا نامطلوب باشند. خطاها همیشه اتفاق می‌افتند و این حساسیتی است که توسعه‌دهندگان تاکنون نتوانسته‌اند به طور مداوم، برای مقابله با آن از پیش برنامه‌ریزی کنند و آن را خنثی کنند. این خطاها می‌توانند اشکال مختلفی داشته باشند؛ که بسته به روشی که شما از فناوری یادگیری ماشین استفاده می‌کنید، متفاوت خواهند بود.

به عنوان مثال، ممکن است یک سنسور معیوب داشته باشید که یک مجموعه دیتای معیوب تولید می‌کند. همین دیتای نادرست نیز وارد یک برنامه یادگیری ماشینی می‌شود که از آن به عنوان اساس به روز رسانی الگوریتم استفاده می‌کند. این وضعیت باعث می‌شود سیستم نتایج نامطلوبی را به عنوان خروجی الگوریتم، تحویل شما بدهد. در زندگی واقعی، چنین نتیجه ای می‌تواند وضعیتی باشد که در آن توصیه‌های محصول مرتبط واقعاً مرتبط یا مشابه یکدیگر نیستند. کامپیوتر توانایی این را ندارد که به طور اتوماتیک، روابط منطقی در دنیای واقعی را تشخیص بدهد و اینجاست که از هوش انسانی عقب می‌ماند.

اتوماسیون با یادگیری ماشینی: مزیت، یا عیب؟

یادگیری ماشینی، یک جزء کلیدی در فناوری‌هایی مانند تجزیه و تحلیل پیش بینی و هوش مصنوعی محسوب می‌شود. ماهیت اتوماتیک یادگیری ماشینی، به این معناست که می‌توانید در زمان و هزینه صرفه جویی کنید. توسعه دهندگان و تحلیلگران، قادرند برخی وظایف را به ماشین‌ها بسپارند و در نتیجه، خودشان برای انجام وظایف سطح بالایی که از عهده یک کامپیوتر برنمی‌آید، آزاد خواهند بود.

از طرف دیگر، توسعه دهندگان قطعاً صددرصد از اینکه کارها را به ماشین‌ها بسپارند راضی نخواهند بود؛ چون همواره احتمال خطا یا استنباط‌های غیرمنطقی وجود خواهد داشت.

در حال حاضر، تکنولوژی یادگیری ماشینی هنوز ناقص است. با این حال، راه‌حل‌هایی برای کم و کاست‌ها وجود دارد. به عنوان مثال، اگر از فناوری یادگیری ماشینی برای توسعه یک الگوریتم استفاده کنید، می‌توانید رابط یادگیری ماشین را طوری برنامه ریزی کنید که فقط پیشرفت‌ها یا تغییراتی را پیشنهاد کند که بایستی توسط یک انسان پیاده سازی شوند.

این راه‌حل، یک دروازه‌بان انسانی را به معادله اضافه می‌کند. در نتیجه احتمال بروز مشکلاتی را که ممکن است هنگام کنترل کامپیوتری به وجود بیاید، حذف می‌کند. به هر حال، الگوریتمی که از لحاظ تئوری خوب به نظر می‌رسد ممکن است زمانی که عملی می‌شود به‌طور مؤثری کار نکند.

سخن آخر

یادگیری ماشینی، زیرشاخه ای از هوش مصنوعی است که به طور کلی به عنوان توانایی ماشین برای تقلید از رفتار هوشمند انسان تعریف می‌شود. سیستم‌های هوش مصنوعی برای انجام وظایف پیچیده برنامه ریزی می‌شوند تا با روشی مشابه نحوه حل مشکلات توسط انسان‌ها، به حل مسئله بپردازند.

به گفته بوریس کاتز، محقق اصلی و رئیس گروه InfoLab در CSAIL، هدف هوش مصنوعی ایجاد مدل‌های رایانه‌ای است که مانند انسان «رفتارهای هوشمند» از خود نشان می‌دهند. این امر، به معنای ظهور ماشین‌هایی است که می‌توانند یک صحنه بصری را تشخیص دهند، متنی را که به زبان طبیعی نوشته شده را بفهمند، یا در دنیای فیزیکی کاری انجام بدهند.