هوش مصنوعی شاخه‌ای از علوم کامپیوتر است و در چند دهه گذشته در بعضی حوزه‌های محدود دستاوردهای زیادی داشته‌است. در چند سال گذشته با سرعت گرفتن رشد این شاخته از کامپیوتر و وارد شدن آن به محصولات تجاری و همچنین علاقمند شدن مصرف کنندگان به این محصولات علاوه بر ایجاد یک بازار جدید، بسیاری از دانشمندان و اندیشمندان از مخاطرات هوشمند شدن کامپیوترها سخن گفته‌اند.
هوش مصنوعی تا سال‌ها با تصویری که مردم از روبات‌ها داشتند گره خورده بود اما در یک دهه اخیر کاربردهای غیر سخت‌افزاری هوش مصنوعی در زندگی روزمره بیشتر ملموس شده‌است.
تاریخچه پیدایش هوش مصنوعی به عنوان یک شاخه از علوم به سال‌های جنگ جهانی دوم و تحقیقات الن تورینگ باز می‌گردد. پایه تحقیقات علمی برروی هوش مصنوعی به سال ۱۹۵۶ و کنفرانس علمی در دانشگاه راتماوث و با حضور چهره‌های جامعه هوش مصنوعی نظیر جان مک‌کارتی، ماروین مینسکی، آلن نیوول و هربرت سایمون بازمی‌گردد.
هوش چیست؟
در تعریفی که اکثر دانشمندان بر آن اجماع دارند رفتار ساده انسانی هوشمند و پیچیده‌ترین رفتار یک مورچه یا موریانه غیر هوشمند تلقی می‌شود. تفاوت این دو در چیست؟ مثال ساده برای تعریف این تفاوت در رفتار زنبور هورنت آمریکایی است. وقتی زنبور ماده به کندوی خود غذا می‌آورد آن را در محلی قرار می‌دهد و بعد دوباره از کندو خارج می‌شود تا از نبود حشرات مزاحم مطمئن شود. غیر هوشمند بودن رفتار این موجود زمانی روشن می‌شود که بعد از خروج آن از کندو، غذایی که با خود آورده کمی جابجا شود. در این شرایط حشره دوباره تمام مراحل را تکرار می‌کند و اگر هر بار غذای وی جابجا شود تا ابد این روند را تکرار می‌کند. ساده‌ترین خصوصیت یک ارگانیسم هوشمند قابلیت تطبیق با شرایط جدید است.
در علوم رفتاری برای هوشمندی جنبه‌های متعددی تعریف شده اما در علوم کامپیوتر و هوش مصنوعی تنها دارا بودن پنج خصوصیت یادگیری، استنتاج، حل مسئله، ادراک و فهم زبان برای هوشمند بودن یک سیستم کافی است.
در هوش مصنوعی برای ساخت ماشین‌های هوشمند علاوه بر مطالعه این پنج شاخه، از دستاوردهای شاخه‌های دیگر کامپیوتر نظیر پردازش تصویر و صوت، پردازش زبان‌های طبیعی و پردازش سیگنال استفاده می‌کنند. یکی از مباحث اصلی هوش مصنوعی که در یک دهه گذشته متخصصان علوم دیگر و همچنین شرکت‌های تجاری نیز از آن استقبال زیادی کرده‌اند، یادگیری ماشین (Machine Learning) نام دارد.
یادگیری ماشین برروی فرآیند یادگیری با استفاده از مشاهدات و داده‌ها در ماشین‌ها تمرکز می‌کند. در یادگیری ماشین، مجموعه داده به عنوان داده آموزشی (Training Data) به ماشین ارائه می‌شود و ماشین با استفاده از روش‌های مختلفی می‌تواند از این داده‌ها برای یادگیری یک روند (Pattern) استفاده کند. این روند ماشین را قادر می‌سازد تا در آینده بتواند داده‌هایی که به آن ارائه می‌شود را تمیز دهد یا برروی آن‌ها تصمیم گیری انجام دهد.
یکی از کاربردهای پرطفدار یادگیری ماشین که شرکت‌های تجاری و مصرف کنندگان به آن علاقه زیادی نشان داده‌اند، دسته بندی داده‌ها (Classification)، تصمیم‌گیری (Decision Making) و پیش‌بینی تحلیلی (Predictive Analysis) است. در حال حاضر سیستم عامل پردازش ابری مایکروسافت به نام ویندوز آزور (Azure) سرویس‌های یادگیری ماشین خود را به کاربران این نرم‌افزار ارائه می‌دهد و اکثر شرکت‌های تجاری بزرگ نظیر بوئینگ و مرسدس بنز از این سرویس‌ها بهره می‌برند.
شرکت فیس‌بوک در سال ۲۰۱۴ با استفاده از یکی از زیرشاخه‌های یادگیری ماشین به نام یادگیری عمیق (Deep Learning) سیستم تشخیص چهره‌ای تولید کرد که ۰.۳ درصد از میانگین انسان‌ها دقیق‌تر است. بسیاری از رابط‌های صوتی نظیر سرویس Siri شرکت اپل از پردازش زبان‌های طبیعی و یادگیری ماشین برای ارتباط با کاربران استفاده می‌کنند.