هوش مصنوعی چیست؟

هوش مصنوعی همه جا ظاهر می‌شود - روی تلفن شما، در صندوق ورودی‌تان، نقشه‌ها را جابجا می‌کند، ایمیل‌هایی را که نیمی از قصدتان برای نوشتنشان بوده، می‌نویسد. اما هوش مصنوعی چیست ؟ خلاصه: مجموعه‌ای از تکنیک‌هاست که به کامپیوترها اجازه می‌دهد وظایفی را که ما با هوش انسانی مرتبط می‌دانیم، مانند تشخیص الگوها، پیش‌بینی و تولید زبان یا تصاویر، انجام دهند. این بازاریابی دستی نیست. این یک حوزه‌ی مبتنی بر ریاضیات، داده‌ها و مقدار زیادی آزمون و خطا است. منابع معتبر، هوش مصنوعی را به عنوان سیستم‌هایی تعریف می‌کنند که می‌توانند یاد بگیرند، استدلال کنند و به سمت اهدافی که ما آنها را هوشمند می‌دانیم، عمل کنند. [1]

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 هوش مصنوعی متن باز چیست؟
هوش مصنوعی متن‌باز، مزایا، مدل‌های صدور مجوز و همکاری‌های اجتماعی را درک کنید.

🔗 شبکه عصبی در هوش مصنوعی چیست؟
اصول اولیه شبکه عصبی، انواع معماری، آموزش و کاربردهای رایج آن را بیاموزید.

🔗 بینایی کامپیوتر در هوش مصنوعی چیست؟
ببینید که ماشین‌ها چگونه تصاویر، وظایف کلیدی، مجموعه داده‌ها و برنامه‌ها را تفسیر می‌کنند.

🔗 هوش مصنوعی نمادین چیست؟
استدلال نمادین، نمودارهای دانش، قوانین و سیستم‌های عصبی-نمادین ترکیبی را بررسی کنید.

هوش مصنوعی چیست: نسخه سریع 🧠➡️💻

هوش مصنوعی مجموعه‌ای از روش‌ها است که به نرم‌افزار اجازه می‌دهد رفتار هوشمند را تخمین بزند. به جای کدگذاری هر قانون، ما اغلب آموزش می‌دهیم تا بتوانند به موقعیت‌های جدید تعمیم دهند - تشخیص تصویر، تبدیل گفتار به متن، برنامه‌ریزی مسیر، دستیاران کد، پیش‌بینی ساختار پروتئین و غیره. اگر تعریفی ساده برای یادداشت‌هایتان می‌خواهید: سیستم‌های کامپیوتری را در نظر بگیرید که وظایفی مرتبط با فرآیندهای فکری انسان مانند استدلال، کشف معنا و یادگیری از داده‌ها را انجام می‌دهند. [1]

یک مدل ذهنی مفید در این حوزه، در نظر گرفتن هوش مصنوعی به عنوان سیستم‌های هدفمند که محیط خود را درک کرده و اقدامات را انتخاب می‌کنند - این مدل زمانی مفید است که شما شروع به فکر کردن در مورد حلقه‌های ارزیابی و کنترل می‌کنید. [1]

چه چیزی هوش مصنوعی را واقعاً مفید می‌کند✅

چرا به جای قوانین سنتی به سراغ هوش مصنوعی برویم؟

• قدرت الگو - مدل‌ها همبستگی‌های ظریفی را در مجموعه داده‌های عظیم تشخیص می‌دهند که انسان‌ها قبل از ناهار از دست می‌دهند.

• تطبیق - با داده‌های بیشتر، عملکرد می‌تواند بدون بازنویسی تمام کد بهبود یابد.

• سرعت در مقیاس - مدل‌ها پس از آموزش، حتی در حجم‌های استرس‌زا، سریع و مداوم اجرا می‌شوند.

• زایندگی - سیستم‌های مدرن می‌توانند متن، تصویر، کد و حتی مولکول‌های کاندید تولید کنند، نه فقط چیزها را طبقه‌بندی کنند.

• تفکر احتمالاتی - آنها عدم قطعیت را با ظرافت بیشتری نسبت به جنگل‌های شکننده‌ی «اگر-در غیر این صورت» مدیریت می‌کنند.

• ابزارهای استفاده از ابزار - می‌توانید مدل‌ها را به ماشین‌حساب‌ها، پایگاه‌های داده یا جستجو متصل کنید تا قابلیت اطمینان را افزایش دهید.

• وقتی اوضاع خوب نیست - تعصب، توهم، داده‌های آموزشی قدیمی، خطرات حریم خصوصی. به آنجا هم خواهیم رسید.

بیایید صادق باشیم: گاهی اوقات هوش مصنوعی مانند دوچرخه‌ای برای ذهن است و گاهی اوقات مانند تک‌چرخه‌ای روی شن. هر دو می‌توانند درست باشند.

نحوه عملکرد هوش مصنوعی، با سرعت انسان 🔧

بیشتر سیستم‌های هوش مصنوعی مدرن موارد زیر را با هم ترکیب می‌کنند:

1. داده‌ها - نمونه‌هایی از زبان، تصاویر، کلیک‌ها، خوانش حسگرها.

2. اهداف - یک تابع زیان که می‌گوید «خوب» چگونه به نظر می‌رسد.

3. الگوریتم‌ها - رویه آموزشی که یک مدل را به سمت به حداقل رساندن آن ضرر سوق می‌دهد.

4. ارزیابی - مجموعه‌های آزمون، معیارها، بررسی‌های سلامت.

5. استقرار - ارائه خدمات به مدل با نظارت، ایمنی و نرده‌های محافظ.

دو سنت گسترده:

• هوش مصنوعی نمادین یا مبتنی بر منطق - قوانین صریح، نمودارهای دانش، جستجو. عالی برای استدلال رسمی و محدودیت‌ها.

• هوش مصنوعی آماری یا مبتنی بر یادگیری - مدل‌هایی که از داده‌ها یاد می‌گیرند. این جایی است که یادگیری عمیق در آن زندگی می‌کند و بیشتر هیاهوی اخیر از آنجا ناشی می‌شود؛ یک بررسی که به طور گسترده مورد استناد قرار گرفته است، قلمرو را از نمایش‌های لایه‌ای تا بهینه‌سازی و تعمیم ترسیم می‌کند. [2]

در هوش مصنوعی مبتنی بر یادگیری، چند رکن مهم هستند:

• یادگیری نظارت‌شده - یادگیری از نمونه‌های برچسب‌گذاری‌شده.

• بدون نظارت و خودنظارت - ساختار را از داده‌های بدون برچسب یاد بگیرید.

• یادگیری تقویتی - یادگیری از طریق آزمایش و بازخورد.

• مدل‌سازی مولد - یاد بگیرید نمونه‌های جدیدی تولید کنید که واقعی به نظر برسند.

دو خانواده‌ی مولد که روزانه درباره‌شان خواهید شنید:

• ترانسفورماتورها - معماری پشت اکثر مدل‌های زبانی بزرگ. این معماری از توجه برای مرتبط کردن هر توکن به توکن‌های دیگر استفاده می‌کند و آموزش موازی و خروجی‌های روان و شگفت‌انگیز را امکان‌پذیر می‌سازد. اگر «توجه به خود» را شنیده‌اید، این ترفند اصلی است. [3]

• مدل‌های انتشار - آنها یاد می‌گیرند که یک فرآیند نویز را معکوس کنند و از نویز تصادفی به یک تصویر یا صدای واضح برگردند. این مانند باز کردن یک دسته کارت است، به آرامی و با دقت، اما با حساب دیفرانسیل و انتگرال؛ کار بنیادی نشان داد که چگونه می‌توان آموزش داد و به طور موثر نمونه‌برداری کرد. [5]

اگر استعاره‌ها کش‌دار به نظر می‌رسند، منصفانه است - هوش مصنوعی یک هدف متحرک است. همه ما در حال یادگیری رقص هستیم در حالی که موسیقی در اواسط آهنگ تغییر می‌کند.

جایی که شما هر روز با هوش مصنوعی ملاقات می‌کنید 📱🗺️📧

• جستجو و توصیه‌ها - رتبه‌بندی نتایج، فیدها، ویدیوها.

• ایمیل و اسناد - تکمیل خودکار، خلاصه‌سازی، بررسی کیفیت.

• دوربین و صدا - حذف نویز، HDR، رونویسی.

• ناوبری - پیش‌بینی ترافیک، برنامه‌ریزی مسیر.

• پشتیبانی و خدمات - نمایندگان چت که پاسخ‌ها را اولویت‌بندی و پیش‌نویس می‌کنند.

• کدنویسی - پیشنهادها، اصلاح کدها، آزمایش‌ها.

• سلامت و علوم - اولویت‌بندی، پشتیبانی تصویربرداری، پیش‌بینی ساختار. (با زمینه‌های بالینی به عنوان زمینه‌های حیاتی برای ایمنی رفتار کنید؛ از نظارت انسانی و محدودیت‌های مستند استفاده کنید.) [2]

حکایت کوتاه: یک تیم محصول ممکن است یک مرحله بازیابی را قبل از یک مدل زبانی، تست A/B انجام دهد؛ میزان خطا اغلب کاهش می‌یابد زیرا مدل به جای حدس زدن، بر اساس زمینه جدیدتر و مختص به وظیفه استدلال می‌کند. (روش: معیارها را از قبل تعریف کنید، مجموعه‌ای از گزینه‌های جایگزین را نگه دارید و درخواست‌های مشابه را با هم مقایسه کنید.)

نقاط قوت، محدودیت‌ها و آشفتگی خفیف بین آنها ⚖️

نقاط قوت

• مجموعه داده‌های بزرگ و نامرتب را با ظرافت مدیریت می‌کند.

• با استفاده از ماشین‌آلات اصلی یکسان، در وظایف مختلف مقیاس‌پذیر است.

• ساختار نهفته‌ای را که ما مهندسی دستی نکرده‌ایم، یاد می‌گیرد. [2]

محدودیت‌ها

• توهمات - مدل‌ها ممکن است خروجی‌های به ظاهر قابل قبول اما نادرستی تولید کنند.

• سوگیری - داده‌های آموزشی می‌توانند سوگیری‌های اجتماعی را رمزگذاری کنند که سیستم‌ها سپس آنها را بازتولید می‌کنند.

• استحکام - موارد حاشیه‌ای، ورودی‌های خصمانه و تغییر توزیع می‌تواند همه چیز را خراب کند.

• حریم خصوصی و امنیت - اگر مراقب نباشید، داده‌های حساس می‌توانند نشت کنند.

• قابل توضیح بودن - چرا این را گفته است؟ گاهی اوقات نامشخص است، که ممیزی‌ها را ناامید می‌کند.

مدیریت ریسک وجود دارد تا شما دچار هرج و مرج نشوید: چارچوب مدیریت ریسک هوش مصنوعی NIST راهنمایی‌های عملی و داوطلبانه‌ای را برای بهبود قابلیت اعتماد در طراحی، توسعه و استقرار ارائه می‌دهد - به نقشه‌برداری از ریسک‌ها، اندازه‌گیری آنها و مدیریت استفاده از ابتدا تا انتها فکر کنید. [4]

قوانین جاده: ایمنی، حکومتداری و پاسخگویی 🛡️

مقررات و راهنمایی‌ها در حال رسیدن به سطح عمل هستند:

• رویکردهای مبتنی بر ریسک - کاربردهای پرخطرتر با الزامات سختگیرانه‌تری روبرو هستند؛ مستندسازی، مدیریت داده‌ها و مدیریت حوادث اهمیت دارند. چارچوب‌های عمومی بر شفافیت، نظارت انسانی و نظارت مستمر تأکید دارند. [4]

• تفاوت‌های جزئی در بخش‌ها - حوزه‌های حیاتی ایمنی (مانند سلامت) نیاز به ارزیابی دقیق و حضور انسان در حلقه دارند؛ ابزارهای همه منظوره همچنان از مستندات واضح در مورد کاربرد و محدودیت‌های مورد نظر بهره‌مند هستند. [2]

این به معنای خفه کردن نوآوری نیست؛ بلکه به معنای تبدیل نکردن محصول شما به یک دستگاه پاپ کورن ساز در کتابخانه است... که تا زمانی که این اتفاق نیفتد، جالب به نظر می‌رسد.

انواع هوش مصنوعی در عمل، به همراه مثال‌ها 🧰

• ادراک - بینایی، گفتار، ادغام حسگرها.

• زبان - گپ، ترجمه، خلاصه‌سازی، استخراج.

• پیش‌بینی - پیش‌بینی تقاضا، امتیازدهی ریسک، تشخیص ناهنجاری.

• برنامه‌ریزی و کنترل - رباتیک، لجستیک

• تولید - تصاویر، صدا، ویدئو، کد، داده‌های ساختاریافته.

در باطن، ریاضیات بر جبر خطی، احتمال، بهینه‌سازی و پشته‌های محاسباتی متکی است که همه چیز را فعال نگه می‌دارند. برای بررسی عمیق‌تر مبانی یادگیری عمیق، به بررسی متعارف مراجعه کنید. [2]

جدول مقایسه: ابزارهای محبوب هوش مصنوعی در یک نگاه 🧪

(عمداً کمی ناقص است. قیمت‌ها تغییر می‌کنند. مسافت پیموده شده شما متفاوت خواهد بود.)

چگونه یک سیستم هوش مصنوعی را مانند یک حرفه‌ای ارزیابی کنیم 🧪🔍

1. شغل را تعریف کنید - شرح وظایف در یک جمله.

2. معیارها را انتخاب کنید - دقت، تأخیر، هزینه، عوامل ایمنی.

3. یک مجموعه آزمایشی تهیه کنید - نمونه، متنوع، و جامع.

4. حالت‌های خرابی را بررسی کنید - ورودی‌هایی که سیستم باید رد کند یا تشدید کند.

5. آزمون سوگیری - برش‌های جمعیتی و ویژگی‌های حساس در صورت لزوم.

6. انسان در حلقه - مشخص کنید چه زمانی یک فرد باید بررسی کند.

7. ثبت و نظارت - تشخیص رانش، پاسخ به حادثه، بازگرداندن به حالت اولیه.

8. سند - منابع داده، محدودیت‌ها، کاربرد مورد نظر، پرچم‌های قرمز. NIST AI RMF زبان و فرآیندهای مشترکی را برای این کار در اختیار شما قرار می‌دهد. [4]

باورهای غلط رایجی که همیشه می‌شنوم 🙃

• «این فقط کپی کردن است.» آموزش، ساختار آماری را یاد می‌گیرد؛ تولید، خروجی‌های جدیدی را مطابق با آن ساختار ترکیب می‌کند. این می‌تواند ابتکاری - یا اشتباه - باشد، اما کپی-پیست نیست. [2]

• «هوش مصنوعی مانند یک انسان می‌فهمد.» این مدل‌سازی می‌کند . گاهی اوقات این به نظر می‌رسد که او می‌فهمد؛ گاهی اوقات یک ابهام مطمئن است. [2]

• «بزرگتر همیشه بهتر است.» مقیاس کمک می‌کند، اما کیفیت داده‌ها، هم‌ترازی و بازیابی اغلب اهمیت بیشتری دارند. [2][3]

• «یک هوش مصنوعی برای حکمرانی بر همه آنها.» پشته‌های واقعی چند مدلی هستند: بازیابی برای حقایق، مولد برای متن، مدل‌های سریع کوچک روی دستگاه، به علاوه جستجوی کلاسیک.

نگاهی کمی عمیق‌تر: ترانسفورماتورها و انتشار، در یک دقیقه ⏱️

• ترانسفورماتورها امتیاز توجه بین توکن‌ها را محاسبه می‌کنند تا تصمیم بگیرند روی چه چیزی تمرکز کنند. لایه‌های روی هم چیده شده، وابستگی‌های دوربرد را بدون تکرار صریح ثبت می‌کنند و امکان موازی‌سازی بالا و عملکرد قوی را در وظایف زبانی فراهم می‌کنند. این معماری زیربنای اکثر سیستم‌های زبانی مدرن است. [3]

• مدل‌های انتشار یاد می‌گیرند که نویز را گام به گام حذف کنند، مانند صیقل دادن یک آینه مه‌آلود تا زمانی که یک چهره ظاهر شود. ایده‌های اصلی آموزش و نمونه‌برداری، رونق تولید تصویر را ایجاد کردند و اکنون به صدا و تصویر نیز گسترش یافته‌اند. [5]

واژه‌نامه‌ی کوچکی که می‌توانید نگه دارید 📚

• مدل - یک تابع پارامتری که ما برای نگاشت ورودی‌ها به خروجی‌ها آموزش می‌دهیم.

• آموزش - بهینه‌سازی پارامترها برای به حداقل رساندن تلفات در مثال‌ها.

• بیش‌برازش - روی داده‌های آموزشی عالی عمل می‌کند، در جاهای دیگر نه.

• توهم - خروجی روان اما در واقع اشتباه.

• RAG - نسل بازیابی تقویت‌شده که به منابع جدید مراجعه می‌کند.

• همسویی - شکل‌دهی رفتار برای پیروی از دستورالعمل‌ها و هنجارها.

• ایمنی - جلوگیری از خروجی‌های مضر و مدیریت ریسک در طول چرخه عمر.

• استنتاج - استفاده از یک مدل آموزش دیده برای انجام پیش‌بینی‌ها.

• تأخیر - زمان از ورودی تا پاسخ.

• گاردریل‌ها - سیاست‌ها، فیلترها و کنترل‌های اطراف مدل.

خیلی طولانی بود، نخوندمش - حرف آخر 🌯

هوش مصنوعی چیست؟ مجموعه‌ای از تکنیک‌هایی که به کامپیوترها اجازه می‌دهد از داده‌ها یاد بگیرند و هوشمندانه در جهت اهداف عمل کنند. موج مدرن بر یادگیری عمیق - به ویژه ترانسفورماتورها برای زبان و انتشار برای رسانه - سوار است. هوش مصنوعی که با دقت استفاده شود، تشخیص الگو را مقیاس‌بندی می‌کند، کار خلاقانه و تحلیلی را سرعت می‌بخشد و درهای علمی جدیدی را باز می‌کند. اگر با بی‌دقتی استفاده شود، می‌تواند اعتماد را گمراه کند، حذف کند یا از بین ببرد. مسیر شاد، مهندسی قوی را با مدیریت، اندازه‌گیری و کمی فروتنی ترکیب می‌کند. این تعادل نه تنها ممکن است - بلکه با چارچوب‌ها و قوانین مناسب قابل آموزش، آزمایش و نگهداری است. [2][3][4][5]

منابع

[1] دایره المعارف بریتانیکا - هوش مصنوعی (AI) : ادامه مطلب
[2] طبیعت - "یادگیری عمیق" (LeCun، Bengio، Hinton) : ادامه مطلب
[3] arXiv - "توجه تنها چیزی است که نیاز دارید" (Vaswani و همکاران) : ادامه مطلب
[4] NIST - چارچوب مدیریت ریسک هوش مصنوعی : ادامه مطلب
[5] arXiv - "مدل‌های احتمالی انتشار نویز زدایی" (Ho و همکاران) : ادامه مطلب

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما