فرهنگ‌نامه هوش مصنوعی

واژه‌نامه هوش مصنوعی

The AI glossary

هوش مصنوعی یک دنیای عمیق و پیچیده است. دانشمندان فعال در این حوزه معمولاً برای توضیح فعالیت‌های خود از اصطلاحات فنی و زبان خاصی استفاده می‌کنند. به همین دلیل، ما مجبور هستیم در مقالات خود به این اصطلاحات فنی اشاره کنیم. از این رو، تصمیم گرفتیم که یک واژه‌نامه تهیه کنیم که شامل تعریفات برخی از مهم‌ترین واژه‌ها و عبارات مورد استفاده در مقالات‌مان باشد. این واژه‌نامه به‌طور مرتب به‌روز خواهد شد تا با اضافه‌کردن واژه‌های جدید، هم‌زمان با کشف شیوه‌های نوین توسط محققان و شناسایی خطرات ایمنی نوظهور، به‌روزرسانی شود. وب‌سایت ما، 'iwl.ir'، مکانی است که می‌توانید این واژه‌نامه و دیگر اطلاعات مفید در زمینه هوش مصنوعی را پیدا کنید. در این راستا، به بررسی واژه‌ها و مفاهیم جدید خواهیم پرداخت تا همگان بتوانند به راحتی به دنیای پیچیده هوش مصنوعی وارد شوند.

عامل هوش مصنوعی

You have an agent

نماینده هوش مصنوعی به ابزاری اطلاق می‌شود که از فناوری‌های هوش مصنوعی برای انجام مجموعه‌ای از وظایف به نمایندگی از شما استفاده می‌کند. این وظایف فراتر از قابلیت‌های یک چت‌بات هوش مصنوعی ابتدایی شامل می‌شوند، به‌طوری‌که می‌توانند شامل ثبت هزینه‌ها، رزرو بلیط یا میز در رستوران و حتی نوشتن و نگهداری کدهای برنامه‌نویسی باشند. با این حال، همان‌طور که پیش‌تر توضیح داده‌ایم، با توجه به تحولات سریع این حوزه، معانی مختلفی از نماینده هوش مصنوعی وجود دارد که افراد ممکن است به آن اشاره کنند. هنوز زیرساخت‌ها در حال تکمیل هستند تا توانایی‌های پیش‌بینی‌شده را فراهم کنند. مفهوم اصلی چنین سیستمی به یک سیستم خودمختار اشاره دارد که می‌تواند از چندین سیستم هوش مصنوعی استفاده کند تا وظایف چند مرحله‌ای را به‌طور مؤثر انجام دهد. این مسئله نشان‌دهنده این است که آینده هوش مصنوعی و تعاملات آن با زندگی روزمره ما چه تغییراتی را به دنبال خواهد داشت و چگونه می‌تواند به بهبود کیفیت خدمات کمک کند.

زنجیره تفکر

Chain of thought

زنجیره فکر
زمانی که با یک سؤال ساده مواجه می‌شویم، مغز انسان می‌تواند به راحتی به آن پاسخ دهد بدون اینکه خیلی به آن فکر کند؛ مثلاً سوالاتی مانند "کدام حیوان بین زرافه و گربه بلندتر است؟" اما در بسیاری از مواقع، برای پیدا کردن پاسخ درست نیاز به کاغذ و قلم داریم زیرا مراحل میان‌بر آن وجود دارد. به عنوان مثال، اگر یک کشاورز مرغ و گاو داشته باشد و مجموعاً 40 سر و 120 پا داشته باشند، ممکن است نیاز باشد یک معادله ساده بنویسید تا به پاسخ برسید (20 مرغ و 20 گاو).
در زمینه هوش مصنوعی، استدلال زنجیره‌ای برای مدل‌های زبانی بزرگ به معنای تجزیه یک مشکل به مراحل کوچک‌تر و میان‌بر است تا کیفیت نتیجه نهایی بهبود یابد. معمولاً برای رسیدن به پاسخ زمان بیشتری صرف می‌شود، اما احتمال دقیق‌تر بودن آن بیشتر است، به ویژه در زمینه‌های منطقی یا برنامه‌نویسی. مدل‌های استدلالی از مدل‌های زبانی بزرگ سنتی توسعه یافته و به کمک یادگیری تقویتی برای تفکر زنجیره‌ای بهینه‌سازی شده‌اند. از این رو، در فرآیندهای پیچیده، چنین رویکردهایی می‌توانند به ما کمک کنند تا با تجزیه و تحلیل دقیق‌تر و استفاده از مراحل منطقی، به نتایج صحیح‌تری دست یابیم.

عمیق یادگیری

Deep learning

یادگیری عمیق، شاخه‌ای از یادگیری ماشین است که به صورت خودبه‌خود بهبود می‌یابد و در آن الگوریتم‌های هوش مصنوعی با ساختاری چند‌لایه و شبکه‌های عصبی مصنوعی (ANN) طراحی می‌شوند. این نوع ساختار به آنها اجازه می‌دهد تا روابط پیچیده‌تری نسبت به سیستم‌های ساده‌تر مبتنی بر یادگیری ماشین، مانند مدل‌های خطی یا درخت‌های تصمیم‌گیری، شناسایی کنند. این الگوریتم‌ها از الگوهای ارتباطی نورون‌ها در مغز انسان الهام می‌گیرند. یکی از ویژگی‌های خاص یادگیری عمیق این است که می‌تواند به طور مستقل ویژگی‌های کلیدی داده‌ها را شناسایی کند و نیازی به تعریف این ویژگی‌ها توسط مهندسان انسانی نداشته باشد.
علاوه بر این، این ساختار به الگوریتم‌ها این امکان را می‌دهد که از اشتباهات خود بیاموزند و از طریق فرآیند تکرار و تنظیم، خروجی‌های خود را بهبود بخشند. با این حال، سیستم‌های یادگیری عمیق نیازمند تعداد زیادی نقطه داده برای ایجاد نتایج رضایت‌بخش هستند (میلیون‌ها یا بیشتر). همچنین، زمان آموزش برای یادگیری عمیق معمولاً بیشتر از الگوریتم‌های ساده‌تر یادگیری ماشین است، بنابراین هزینه‌های توسعه اغلب بالاتر می‌رود. به علاوه، افزایش داده‌ها و قدرت محاسباتی نیز می‌تواند تأثیر مثبتی بر دقت و کارایی این سیستم‌ها داشته باشد.
به همین دلیل، یادگیری عمیق به عنوان ابزاری قدرتمند در حوزه‌هایی مانند بینایی کامپیوتری، پردازش زبان طبیعی و تجزیه و تحلیل داده‌ها شناخته می‌شود و به بهبود تصمیم‌گیری و پیش‌بینی‌ها کمک می‌کند.

تنظیم دقیق

Fine tuning

تنظیم دقیق مدل‌های هوش مصنوعی به معنای انجام مراحل اضافی آموزش بر روی مدل‌هایی است که هدف از آن بهبود عملکرد در یک وظیفه یا حوزه خاص‌تر از آنچه که قبلاً در آموزش اصلی بر روی آن تمرکز شده، می‌باشد. این فرآیند معمولاً با استفاده از داده‌های جدید و تخصصی که به‌طور خاص به آن وظیفه مرتبط هستند، انجام می‌شود. امروزه بسیاری از استارتاپ‌های هوش مصنوعی با استفاده از مدل‌های زبانی بزرگ به عنوان نقطه آغازین، سعی دارند محصولات تجاری خود را ایجاد کنند. آن‌ها تلاش می‌کنند تا با اضافه کردن اطلاعات تخصصی و بر اساس دانش و تجربه‌های مختص به حوزه خود، قابلیت‌های این مدل‌ها را برای یک بخش یا وظیفه هدف خاص تقویت کنند. به این شکل، می‌توانند از پتانسیل مدل‌ها بهره‌برداری بهینه‌تری داشته باشند و خدمات بهتری به مشتریان ارائه دهند. در واقع، این فرآیند به مدل‌ها کمک می‌کند تا در شرایط خاص عملکرد مؤثرتری داشته باشند و در نتیجه سودآوری بیشتری برای کسب‌وکارها ایجاد کنند.

مدل زبان بزرگ (LLM)

Large language model (LLM)

مدل‌های زبان بزرگ (LLM)
مدل‌های زبان بزرگ، یا به اختصار LLMها، مدل‌های هوش مصنوعی هستند که توسط دستیاران هوش مصنوعی معروفی مانند ChatGPT، Claude، Gemini گوگل، AI Llama متا، Copilot مایکروسافت و Le Chat میاسترال استفاده می‌شوند. زمانی که با یک دستیار هوش مصنوعی گفت‌وگو می‌کنید، در واقع با یک مدل زبان بزرگ روبرو هستید که درخواست شما را به طور مستقیم یا با کمک ابزارهای مختلفی مانند مرور وب یا مفسرهای کد پردازش می‌کند.
این دستیاران هوش مصنوعی و LLMها ممکن است نام‌های متفاوتی داشته باشند. به عنوان مثال، GPT مدل زبان بزرگ OpenAI است و ChatGPT محصول دستیار هوش مصنوعی این شرکت محسوب می‌شود. LLMها شبکه‌های عصبی عمیقی هستند که از میلیاردها پارامتر عددی (یا وزن‌ها) تشکیل شده‌اند و روابط بین کلمات و عبارات را یاد می‌گیرند و نمایشی از زبان، نوعی نقشه چندبعدی از کلمات، ایجاد می‌کنند. این نقشه‌ها از الگوهایی که در میلیاردها کتاب، مقاله و متن پیدا می‌کنند، کدگذاری می‌شوند.
زمانی که شما یک دستور به LLM می‌دهید، مدل الگوی محتملی را که مناسب با درخواست شماست تولید می‌کند. سپس براساس آنچه که قبلاً گفته شده، احتمالاً بهترین کلمه بعدی را ارزیابی می‌کند. این فرآیند بارها و بارها تکرار می‌شود.
در وب‌سایت ما، iwl.ir، می‌توانید اطلاعات بیشتری درباره عملکرد LLMها و کاربردهای آن‌ها در زمینه‌های مختلف پیدا کنید و نحوه تعامل با این فناوری را بهتر درک کنید. LLMها به دلیل قدرت بالایشان در پردازش زبان طبیعی و تولید متن‌های انسانی‌وار، به ابزاری بسیار مهم در دنیای امروز تبدیل شده‌اند.

شبکه عصبی

Neural network

شبکه‌های عصبی به ساختار الگوریتمی چند لایه‌ای اشاره دارد که پایه‌گذار یادگیری عمیق است و به طور کلی، موجب رونق ابزارهای تولیدی هوش مصنوعی پس از ظهور مدل‌های زبانی بزرگ شده است. اگرچه مفهوم الهام‌گیری از مسیرهای به‌هم‌پیوسته و متراکم مغز انسان به عنوان یک الگو برای الگوریتم‌های پردازش داده به دهه 1940 برمی‌گردد، اما ظهور اخیر سخت‌افزارهای پردازش گرافیکی (GPU) — به ویژه از طریق صنعت بازی‌های ویدیویی — به واقع قدرت این نظریه را آزاد کرد. این تراشه‌ها به طور خاص برای آموزش الگوریتم‌هایی با لایه‌های بسیار بیشتر از آنچه در دوران‌های گذشته ممکن بود، مناسب بودند. این پیشرفت‌ها به سیستم‌های هوش مصنوعی مبتنی بر شبکه‌های عصبی اجازه داد تا عملکرد بسیار بهتری را در حوزه‌های مختلف، از شناسایی صدا گرفته تا ناوبری خودکار و کشف دارو، به دست آورند. ظهور مدل‌های زبانی بزرگ (LLM) نقش مهمی در این پیشرفت‌ها ایفا کرده است. با توجه به نیاز روزافزون به پردازش داده‌های پیچیده و ارتباطات انسانی، آینده شبکه‌های عصبی به شدت وابسته به نوآوری‌های تکنولوژیکی است که در دیگر زمینه‌ها نیز به کار خواهند رفت.

وزن‌ها

Weights

وزن‌ها بنیادهای آموزش هوش مصنوعی هستند و تعیین می‌کنند که چقدر اهمیت (یا وزن) به ویژگی‌های مختلف (یا متغیرهای ورودی) در داده‌های مورد استفاده برای آموزش سیستم داده می‌شود. این امر به نوبه خود خروجی مدل هوش مصنوعی را شکل می‌دهد. به عبارت دیگر، وزن‌ها پارامترهای عددی هستند که مشخص می‌کنند کدام ویژگی‌ها در یک مجموعه داده برای وظیفه آموزشی مشخص، برجسته‌تر هستند. عملکرد آنها با ضرب کردن به ورودی‌ها حاصل می‌شود.
آموزش مدل معمولاً با وزن‌هایی که به‌طور تصادفی تخصیص داده شده‌اند آغاز می‌شود، اما با پیشرفت فرآیند، وزن‌ها تطبیق می‌یابند تا مدل به خروجی‌ای برسد که بیشتر با هدف مطابقت داشته باشد. برای مثال، یک مدل هوش مصنوعی که برای پیش‌بینی قیمت خانه‌ها بر اساس داده‌های تاریخی املاک در یک منطقه خاص آموزش دیده است، می‌تواند وزن‌هایی برای ویژگی‌هایی مانند تعداد اتاق خواب‌ها و حمام‌ها، جدا یا نیمه‌جدایی بودن ملک، وجود یا عدم وجود پارکینگ، گاراژ و غیره در نظر بگیرد.
در نهایت، وزن‌هایی که مدل به هر یک از این ورودی‌ها می‌دهد، نشان‌دهنده تأثیر آنها بر ارزش یک ملک است و این تأثیر بر اساس داده‌های موجود در مجموعه داده تعیین می‌شود. به این ترتیب، فهم درست وزن‌ها و نحوه تعامل آنها با دیگر متغیرها، کلید موفقیت در ایجاد مدل‌های هوش مصنوعی دقیق و قابل اعتماد است. آموزش مؤثر این وزن‌ها، به توسعه سیستم‌هایی منجر می‌شود که قادر به پیش‌بینی و تحلیل داده‌ها با دقت بالاتری هستند.

• AI
• artificial intelligence
• evergreens
• Glossary