هوش مصنوعی یکی از موضاعاتی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در هوش مصنوعی می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله می خواهیم که هوش مصنوعی را به شما بطور مختصر ولی مفید معرفی کنیم.ما سعی کرده ایم این مقاله بصورتی باشد که به اندازه کافی راهنمای شما باشد.
– هوش مصنوعی چیست؟
هوش مصنوعی، در واقع هوش ماشین هاست! شاخه ای از علوم کامپیوتر هوش مصنوعی است که می تواند راه حل های الگوریتمی را ارائه کند تا بتوان توسط آنها در ماشین ها هوشمندی بوجود آورد. اما این تعریف مفهوم جامعی نیست؛ اول از همه باید تعریفی از هوشمندی بدانیم و بعد باید درکی از مفهوم ماشین داشته باشیم:
استدلال، منطق، تصمیم گیری ؛همگی توانایی هستند که شما از آنها بهره می برید. بنابراین شما هوشمندید. اگر این توانایی ها را در کامپیوتر هم بوجود بیاوریم، اینگونه به ماشین هوشمند دست پیدا می کنیم! به همین راحتی… اما به جز این ها موضوعات دیگری هم در رابطه با تعریف هوشمندی هستند که علم به آنها بسیار مفید و ارزشمند است. در واقع موضوعاتی که درباره هوش‌مصنوعی است؛ تنها به دوره ی ما و قرن ۲۱ ارتباط پیدا نمی کند، بلکه از قرن نوزدهم این مباحث به صورت جدی مطرح شد.
– تاریخچه ی هوش مصنوعی:
می بایست خاظر نشان کرد که از این منظرهوش‌مصنوعی از لحاظ تاریخی بسیار سابقه زیادی دارد، منتها در داستان ها! ماشین ها و دستگاه های مصنوعی با درک و فهم ، ابتدا در یونان باستان رقم خورد. انسان های گذشته باور داشتند که ملزم به تشکیل یک تمدن غنی و بزرگ هستند؛ مجسمه های شبه انسان در مصر و یونان شروع به حرکت کرده بودند و … تا جایی که پای جابر بن حیّان و چند نفر دیگر را هم به سازندگان موجودات مصنوعی باز نمودند.
اما جدا از قصه ها ؛فلاسفه و ریاضی دانان ازسالیان گذشته موضوعات استدلال و منطق را مورد بررسی قرار می دادند. و امروزه این موضوعات به صورت قرار دادی، کاملا رسمی شده است. یکی از افرادی که نقش اساسی و مهمی در این مورد داشت آقای آلن تورینگ بود.
نظریه تورینگ:
نظریه تورینگ اساسش بر این بود که می شود با استفاده از علامت ها و اعدادی مانند ۰ و ۱، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های جدیدی در بخش های عصب شناسی، نظریه اطلاعات و فرمانشناسی، انجام گرفت. این پیشرفت ها گروه کوچکی از اندیشمندان را مجاب کرد تا به دید جدی به موضوع ایجاد یک مغز الکترونیکی بپردازند.
– تست تورینگ:
در سال ۱۹۵۰، آلن تورینگ مقاله ای با موضوع هوش‌مصنوعی منتشر کرد که بعد ها به تست تورینگ مشهور شد. در این مقاله آورده شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر تکلم کتبی داشته باشد و نداند که آن انسان نیست و پس از اتمام مکالمه نیز این موضوع را نفهمد ، این موقع کامپیوتر را ماشینی هوشمند دانست زیرا توانایی به کارگیری استدلال و منطق را داراست. تست تورینگ کمک کرد تا هوش مندی را توجیه کند ولی نه زیاد ! اما از آن زمان تا الان ماشینی اختراع نشده است که توانسته باشد توانایی موفقیت در این تست را دارا باشد. هر چند زبان AIML ابداع شد، ولی این زبان هرگز به این مرز از هوش مصنوعی نرسید.
تیمی که آن زمان در زمینه هوش مصنوعی تحقیقاتی داشتند، در تابستان سال ۱۹۵۶، کنفرانسی را در محوطه کالج دارتموس داشتند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای سالها پرجم داران تحقیق در زمینه هوش مصنوعی بودند صورت گرفت. آنها و دانش آموزان شان،برنامه ای نوشته بودند که واقعا برای عده زیادی از مردم عجیب و قابل توجه بود. این برنامه توانایی حل مشکلات نوشتاری در جبر را حل کرد، استدلال های منطقی را به اثبات رساند و به زبان انگلیسی صحبت کند. در اواسط دهه ی ۱۹۶۰، بودجه هنگفتی برای ایجاد آزمایشگاه های تحقیقاتی در تمام دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص یافت. پیشتازان هوش مصنوعی درباره آینده آن در دنیا بسیار خوش بین بودند. هربت سیمون پیشبینی کرده بود که ظرف مدت ۲۰ سال، کامپیوترهای هوشمند توانایی این را دارند ، هر کاری را که انسان می تواند بکند، انجام دهند. در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش‌مصنوعی وجود داشت، اساسی رفع شده بود.
– زمستانی سخت برای هوش مصنوعی:
علیرغم مواردی که بیان شد، تیم ذکر شده، در شناخت و رفع برخی از معضلات هوش مصنوعی با شکست روبرو شد، در سال ۱۹۷۰ با وجود انتقادات آقای لایتهیل از انگلیس و فشارهای بسیار زیاد کنگره برای کاهش بودجه پروژه های عظیم، دولت های انگلیس و آمریکا همه پژوهش های نیمه کاره در حوزه هوش مصنوعی را لغو کردند و در سالیان کمی بعد از آن، با مشقت های فراوان برای هوش مصنوعی، بودجه تخصیص می یافت. این دوره را زمستان هوش مصنوعی یا A.I winter نامگذاری شد.
اما در سال ۱۹۸۰، پژوهش ها با موضوع هوش مصنوعی از دوباره آغاز شد و این اتفاق مدیون این بود که سیستم های هوشمند، به موفقیت های تجاری رسیدند. سیستم های هوشمند، تلفیقی از هوش مصنوعی بودند که تبحر و دانش و توان تجزیه تحلیلی یک متخصص را همانند سازی می کردند. در سال ۱۹۸۵، هوش مصنوعی به مرز درامد یک میلیارد دلاری دست یافت و در همان دوره پروژه ی کامپیوتر های نسل پنجم ژاپن، که تقریبا فعالیتی نداشتند، از سر گرفته شد و بودجه ای برای تحقیقات آکادمیک در این حوزه اختصاص یافت. اما در سال ۱۹۸۷ باز هم شرایط بر وفق مراد هوش‌مصنوعی پیش نرفت و بازار فروش ماشین های پردازش لیست (Lisp Machines) (با زبان Lisp) که با مشکلاتی روبرو بودند، از بین رفت و در یک لحظه تمام نقشه های هوش مصنوعی را نقش بر آب کرد. در نتیجه یک بار دیگر زمستان برای هوش مصنوعی از راه رسید اما اینبار سخت تر و طولانی تر.
– پس از آن، بهاری نو :
پس از این مشکلات، بطور تقریبی در قرن بیست و یکم، هوش مصنوعی به یکی از عظیم ترین دستاورد های خود تا ان زمان دست یافت. هرچند که همه چیز روشن نشد اما هوش‌مصنوعی در زمینه های مهمی مانند استدلال و منطق، داده کاوی، تشخیص های پزشکی و گستره ای از تکنولوژی و صنعت مورد استفاده قرار گرفت.
– مقایسه، استدلال و حل مسائل:
توسعه دهندگان هوش‌مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از شیوه حل مساله ((گام به گام)) بهره مند شوند. بدین منظور که انسان ها هم معمولا برای حل مواردی از جمله: ساخت پازل و … از همین شیوه استفاده می کنند.به همین شکل آن ها توانستند که پس از دهه های ۸۰ و ۹۰ الگوریتم های موفقی را برای درک داده ها و اطلاعات ناقص عرضه کنند که این الگوریتم ها با استفاده از احتمالات، برای درک این اطلاعات بهره می بردند.
برای حل مسائل دشوار، اکثریت این الگوریتم ها به کامپیوتر های عظیم و پر قدرتی برای پردازش نیازمند بودند. تعداد زیادی از این الگوریتم ها به میزان زیادی حافظه (رم) نیاز داشتند و حتی در صورت رفع این نیاز، با وجود سخت افزار های آن دوره، مدت مورد نیاز برای پردازش بیش از حد زیاد بود. بنابر این می توان فهمید که: جستجو برای الگوریتم هایی بهینه تر در آن زمان، یکی از اولویت های پژوهشگران هوش‌مصنوعی بود.
انسان برای حل مساله های خود سرعت بالایی دارد. جالب است بدانید اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما داستان فقط جمع و تفریق نیست. در واقع اولین قدم برای حل مساله فهمیدن آن است و این همان چیزی است که برای انسان بسیار آسان و برای کامپیوتردشوار خواهد بود. دانشمندان به تحقیقات زیادی پرداختند و نتیجه گرفتند که باید برای بازدهی بیشتر از شبکه های عصبی بهره ببرند. این کار به آنها کمک می کرد تا توانایی این را داشته باشند که به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.
– نمایش معلومات:
نمایش معلومات و مهندسی معلومات در پژوهش های هوش‌مصنوعی بسیار قابل توجه بودند. بسیاری از دستگاه های حل مساله برای حل مسائل نیاز دارند که معلومات زیادی داشته باشند که این معلومات شامل : شناخت اشیاء، خواص و اقلام – شناختنپ روابط مابین اشیاء- درک موقعیت، نوع واقعه و زمان و مکان- علت ها و تاثیر عوامل و بسیاری چیز های دیگر بود.
و سخت ترین مشکلات درباره نمایش اطلاعات و معلومات عبارت بود از:
۱- استدلال پیش فرض و مسائل نسبی: دانش یک فرد از یک مورد برابر است با برداشت او از آن چیز، مثلا وقتی نام پرنده که آورده می شود، معمولا یک موجود کوچک را یادآور می شود با صدای زیبا و داشتن قابلیت پرواز؛ در حالی که این مسائل برای همه ی پرندگان صادق نیست. مثلا پنگوئن کدا یک از این ویژگی ها را دارد؟هیچکدام! جان مک کارتی این موضوع را به عنوان یک مسئله نسبی در سال ۱۹۶۹ کشف کرد. برای هر قضاوت درست (در تعریف عام) که دانشمندان در زمینه هوش‌مصنوعی، سعی در پیاده سازی آن داشتند، تعداد زیادی مستثنا وجود داشت. در نتیجه، آنها به این موضوع رسیدند که در قضاوت عام، نمی توان یک مسئله را کاملا درست یا غلط دانست بلکه همه چیز نسبی است. به عنوان مثال وقتی به شما می گویند که فلانی، خوب است یا بد؟ اول مسائلی به ذهن شما می آید که مهم تر است و بر این اساس در مورد خوبی و بدی آن فرد قضاوت می کنید. در حالی که هیچ فردی خوب یا بد مطلق نیست! در واقع شما اول به موارد با اهمیت بیشتر توجه می کنید. محققین هوش‌مصنوعی هم با پیاده کردن همین الگوریتم توانستند این مشکلات را حل کنند.
۲- سطح وسیع اطلاعات مورد نیاز برای قضاوت عام: در واقع معنی قضاوت عام، همان شیوه قضاوتی است که در بالا بیان شد که شما به مواردی که مهم تر هستند، امتیاز بیشتری اختصاص می دهید و آنها را معیار قضاوت قرار می دهید. اما این نوع روش، شاید در روزمرگی های ما کار عادی شده باشند؛ اما باید بگوییم برای کامپیوتر این کار نیاز به اطلاعات پایه ای بسیاری در حوزه هستی شناسی و شناخت ویژگی های موجودات دارد. محققان هوش‌مصنوعی می بایست، مفاهیم دقیق و پیچیده ای را با دست خود، به کامپیوتر می فهماندند. کار بزرگی که انجام شد این بود که توانستند کامپیوترها را به سمتی ببرند که از منابع اطلاعاتی (مثلا اینترنت امروزی) ، مفاهیمی را کسب کنند و از این راه به اطلاعات خود در این باره بیشتر کنند.
۳- استفاده از زبان Sub-Symbolic برای توضیح بعضی مفاهیم در قضاوت عام:بیشتر معلوماتی که مردم دارند، مواردی است که نمی توان آن ها را به تصویر درآورد و یا توضیح داد. به عنوان مثال یک شطرنج باز متبحر، از قرار دادن یک مهره در یک وضعیت خطر پرهیز می کند زیرا احساس می کند که این کار غلط است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی هنری تشخیص می دهد که آن اثر هنری اصلی یا تقلبی است. پیاده کردن اینگونه الگوریتم هایی که با استفاده از زبان سمبلیکامکانش وجود ندارد میبایست از زبان دیگری بر پایه Sub-Symbolic استفاده می شد.
بطور کلی اساس کار زبان های سمبلیک بر پایه استدلال و نتیجه گیری و به طور عام، منطق است. در این نوع زبان ها برای متغیر ها و توابع مقدار های معینی در نظر گرفته می شود و اینگونه ، هر متغیر شامل بخشی از اطلاعات برنامه و هر تابع شامل بخشی از قوانین استنباطی برنامه می باشد.
اما روش Sub-Symbolic تا حد زیادی فرق دارد. این شیوه از شبکه های عصبی برای پردازش اطلاعات بهره می برد. این شبکه های عصبی از واحد های ورودی، واحد های پنهان و واحد های خروجی بوجود می ایند که همگی با یکدیگرمرتبطند. این واحدها بعضا سلول عصبی نیز، نامیده می شوند.همانطور که گفته شد، این سلول های عصبی با یک دیگر ارتباط دارند. اما چیزی که باید بدانید این است که اطلاعات در میان این ارتباطات، پردازش خواهد شد و بر این اساس احتمال دارد یک سلول عصبی در پردازش اطلاعات موثر و یا کم اثر باشد. در عوض، در شبکه های عصبی تمامی اجزا اهمیت زیادی دارند. چون هیچ یک از آنها به تنهایی نمی توانند، اطلاعات را پردازش کنند اما وقتی تمام اجزا با هم کار کنند، موجب ایجاد یک عملکرد هوشمند می شوند.
برای این که این شیوه را بهترمتوجه شوید ،یک مثال میزنیم : یک مورچه تنها را درتصور کنید، طبعا نه کاری می تواند بکند و نه تاثیری دارد، اما وقتی تعدا آنها زیاد می شود و یک کلونی را تشکیل می دهند، در این هنگام جامعه ای از آنها درست می شود که بطور کلی ، هوشمند و موثر است، به طوری که حتی ما هم با دانستن راز های زندگی جمعی مورچه ها، چند لحظه در فکر می رویم! همین روش را می شود با شبکه های عصبي انجام داد و يک شبه مغز را درست نمود.
– برنامه ریزی:
موجودات و به طور کلی، هرچیز هوشمند، باید بتوانند هدف هایی را برای خودمشخص کند و به آنها برسد. برای این کار در مرحله اول لازم است که تصوری از آینده خود در ذهنمان بوجود بیاوریم. بدین معنی که وضع کنونی هدف مورد نظر را در نظر بگیریم و پیش بینی کنیم که تصمیماتی که در اینده میگیریم، چگونه می تواند بر آن هدف تاثیرش را بگزارد. اما در مرحله دوم باید، برای رسیدن به نتیجه اصلی ؛ از میان گزینه های موجود، بهترین و سودمند ترین آنها را پیدا کنیم.
پس تصمیم گیری و برنامه ریزی از این شیوه، کاری است که بدون وجود هوشمندی، نمی توان آن را انجام داد و فقط موجودات هوشمند از این عهده بر می آیند! در مسائل کلاسیکی که در مورد برنامه ریزی وجود داشت، عامل هوشمند میتوانست فرض کند که تنها یک مورد (هدف مورد نظر) در جهان فعال است و احتمالا می توان نتیجه آن را عوض کرد. بنا بر این هدف مورد نظر مشخص می شد و برای آن راه حل هایی ارائه می گردید. همچنین عامل هوشمند – که میتواند برنامه و یا هر چیز دیگری باشد – به طور منظم و دائم چک می شود که پیش بینی هایش درست باشد و اگر اینگونه نبود، روش مورد نظر برای هدفش را عوض میکرد.
در این مورد می توانید یک روبات را در تصور کنید که می خواهد از یک مسیر مارپیچ عبور نماید. این روبات ابتدا هر یک از این مسیر ها را امتحان می کند و اگر هر کدام از آنها به بن بست، رسید ، آن را به حافظه می سپارد تا مجدد تکرارش نکند و این کار را آنقدر ادامه می دهد که راه خودش را بیابد!
– یادگیری:
ایجاد امکان یادگیری برای ماشین ها، همیشه از دغدغه های اصلی در حوزه ی هوش‌مصنوعی بوده است. یادگیری بدون نظارت: امکان یادگیری الگو ها، از اطلاعات ورودی را ایجاد میکند. یادگیری نظارت شده هم، می تواند هردو امکان: طبقه بندی و عبرت عددی را بوجود می آورد.
طبقه بندی این توانایی را دارد که کامپیوتر بتواند تشخیص دهد که چه مواردی را می توان در یک گروه خاص گنجاند. عبارت عددی (Regression takes) نیز به این شکل عمل می کند که بعد از دادن مواردی با عنوان ورودی به کامپیوتر و تعیین خروجی دقیق آنها، کامپیوتر می تواند روابط بین ورودی و خروجی را پیدا کرده و الگوریتم ها و توابع پیوسته ای را برای آنها مشخص کند. این شیوه برای به وجود آوردن الگوریتم های بسیار سخت، مصبرثمر خواهد بود.
با یک مثال توضیح می دهیم: وقتی پشت فرمان هستید و به عابران پیاده نگاه می کنید، می توانید تا حد کاملی پیش بینی کنید که آنها قصد دارند چه کاری کنند. مثلا قصد دارند از خیابان رد شوند یا این که تاکسی بگیرند و یا این که فقط کنار خیابان ایستاده اند. خب، این کار برای شما تقریبا ساده است اما اصولا برای نوشتن الگوریتم آن برای کامپیوتر، از دست یک انسان کاری بر نمی آید.با استفاده از شیوه عبارت عددی می توان با روش های ویژه این مورد را با مثال های متعددی به کامپیوتر و برنامه ی مربوطه نشان داد و کم کم الگوریتم مورد نیاز را تحویل گرفت.
ولی چیزی که باید الان به آن اشاره نمود، عملیات تقویت یادگیری ست. این کار به این شکل انجام می شود که تئوری تصمیم گیری کامپیوتر آنالیز شده و برداشت های مفید آن تئوری، تاکید می شود. واقعیت این است که کار های درست با تشویق (به صورت اولویت دادن) و کار های اشتباه با تنبیه (به صورت امتیاز منفی) پاسخ داده می شوند و به همین دلیل یادگیری کامپیوتر به طور دائم بهبود می یابد.
– پردازش زبان طبیعی:
پردازش زبان طبیعی یا Natural Language Processing، به ماشین های هوشمند این امکان را می دهد که زبان انسان ها را بخوانند و آنها را متوجه شوند. بسیاری از تحقیقات نتیجه گرفته اند که برای ایجاد قدرت کافی برای سیستم پردازش زبان طبیعی، نیازمند این است که اطلاعات بسیاری و کاملی را به این سیستم ارائه کنیم که می تواند با استفاده از خواندن متن های موجود در اینترنت انجام شود.
برنامه هایی که هم اکنون در حوزه پردازش زبان طبیعی درست عمل می کنند، از ویژگی هایی مثل: بازیابی اطلاعات، جستجو در متن ها و امکان ترجمه ماشینی استفاده میکنند.
– حرکت و جا به جا کردن اجسام: تحقیقات در زمینه روبوتیک، بیش از هر چیزی به هوش مصنوعی وابسته است. روبات ها برای موارد بسیار زیادی نیاز به هوشمندی دارند که از جمله آنها می توان مواردی مانند: مسیر یابی ، جا به جا کردن، این که بدانند کجا هستند، این که درکی از محیط خود داشته باشند و بتوانند برای حرکت به سوی نقطه معینی، برنامه ریزی نمایند و هدف خود را مشخص کنند. بدین شکل هوش‌مصنوعی برای روبات ها کاربردهای زیادی دارد و تقریبا در همه زمینه های یاد شده از آن استفاده می نمایند.
– ادراک:
درک ماشینی، به آنها اجازه می دهد که بتوانند با کمک از سنسور های ورودی خود، همانند : دوربین، میکروفون ها و دیگر سنسور های عجیب و غریب ؛ از محیط خود برداشت درستی داشته باشند و این امکان را داشته باشند که محیط پیرامون خود را درک کند. در واقع، بینایی کامپیوتری این امکان را در اخیار می گذارد که کامپیوتر بتواند چیز هایی که می بیند را تجزیه و تحلیل کند. چند مثال از آنالیز های مشهور در روبات ها عبارت اند از : آنالیز صحبت و صدا ها و تشخیص منظور، آنالیز چهره ها و تشخیص حالات آن ها. مانند: ناراحتی ،خنده ،خشم و … ، آنالیز اشیاء اطراف و تشخیص آنها .
با به کار گیری انواع آنالیز ها و تجزیه و تحلیل هایی که در بالا گفته شدند، روبات ها قادرند که بسیار هوشمند تر از پیش عمل کنند. به عنوان مثال در جا به جایی جسم شیشه ای، دقت بیشتری کنند. با کسی که ناراحت و عصبانی است، شوخی نکند! و سلام را با خدانگهدار پاسخ ندهد.
– هوش اجتماعی:
احساسات و مهارت های اجتماعی، ۲ بخش اساسی از هوشمندی را شکل می دهند. اولا، موجب می شود که ماشین هوشمند بتواند عکس العمل طرف مقابلش را در برابر یک رفتار بخصوصی، تشخیص دهد. که این عمل با درک از انگیزه فرد و احساسات او صورت خواهد گرفت.
دوما؛ برای تعامل بیشترمیان فرد و کامپیوتر، ماشین هوشمند باید بتواند که احساساتی را از خود نشان دهد. در بد ترین حالت، این اتفاق باید به شکل نشان دادن احساسات ضعیف در کلام و با کمال ادب صورت بگیرد و در بهترین حالت باید با حساسیت طبیعی و مناسب در برابر انسان توام باشد. در واقع تلاش می شود که کامپیوتر طوری عمل کند که اگر با لحن بدی با اوصحبت شود، با کمال ادب به شما پاسخی مناسب با لحن خودتان دهد. و برعکس!
– ابتکار وخلاقیت:
یکی از شاخه های اساسی هوش‌مصنوعی ،سعی در بوجود آوردن قوه ی خلاقیت در کامپیوتر است. پیاده سازی ابتکار و خلاقیت در هوش مصنوعی، هم از لحاظ فلسفی و هم از لحاظ فیزیولوژی قابل توجیه است. همچنین از نظر عملی هم با پیاده سازی یک الگوریتم بخصوص که خروجی هایی هوشمندانه و متفکرانه تولید می کند، امکان پذیر است. این شاخه بطور معمول با نام های: درک مصنوعی (Artificial Intuition) و پندار مصنوعی (Artificial Imagination) مشهور است.
– هوش عمومی:
برای پیاده سازی هوش عمومی روی کامپیوتر ملزم می شوید که از تمامی توانایی های بالقوه ی هوش‌مصنوعی بهره مند شوید.مثلا مترجم متن گوگل را تصور کنید؛ واقفید که این مترجم در حال حاضر با اشتباهات بسیاری رو به روست. حال اگر بخواهیم که اشکالات این ترجمه، مرتفع شود؛ میتوان از هوش عمومی استفاده نمود: برای ترجمه صحیح باید ابتدا بدانیم که نویسنده از چه استدلال ها و چه دلایلی برای مطرح کردن یک منظور خاصی استفاده می کند.( به کار گیری جنبه درک استدلال و منطق)، همینطور باید بدانیم که موردی که درباره آن صحبت شده در واقع چیست.(درک و جمع آوری اطلاعات). مرحله بعدی کار ما بدین صورت است که مقصود نویسنده از جملات را بیابیم؛ مثلا بفهمیم که در حال انتقاد است یا تعریف. (هوش اجتماعی). پس از همه اینها و با در نظر گرفتن موارد فوق می شود به ترجمه یک متن پرداخت.
شاید بپرسید که اگر مشکل فقط این است، پس چرا گوگل کاری انجام نمی دهد ؟ در واقع باید بگوییم که شاید در کلام ساده بنظر برسد اما به کار گیری این الگوریتم هایی با خطای بسیار اندک، در حال حاضر عملا امکان پذیر نیست. البته این الگوریتم ها در ترجمه گوگل بکار گرفته می شوند ولی خطای آنها زیاد است. برای کم کردن این نوع خطاها، راهی که کارشناسان پیشنهاد می دهند، استفاده از شبکه های عصبی و زبان Sub-Symbolic است.
