هوش مصنوعی چیست – AI

 خلاصه و اصل مطلب

این مقاله به بررسی هوش مصنوعی (AI) و انواع مختلف آن، از جمله هوش مصنوعی ضعیف و قوی، یادگیری ماشین و یادگیری عمیق می‌پردازد. همچنین به کاربردهای واقعی هوش مصنوعی در زمینه‌های مختلف مانند تشخیص گفتار، خدمات مشتری، بینایی کامپیوتر، زنجیره تأمین، پیش‌بینی هوا و تشخیص ناهنجاری‌ها اشاره می‌کند. تاریخچه‌ای از هوش مصنوعی و نقاط عطف مهم آن نیز ارائه شده است.

 
هوش مصنوعی چیست؟

هوش مصنوعی یا AI، فناوری است که به کامپیوترها و ماشین‌ها امکان می‌دهد تا هوش و قابلیت‌های حل مسئله انسانی را شبیه‌سازی کنند. به تنهایی یا در ترکیب با فناوری‌های دیگر (مانند حسگرها، موقعیت‌یابی جغرافیایی، رباتیک)، AI می‌تواند وظایفی را انجام دهد که در غیر این صورت نیاز به هوش یا مداخله انسانی دارند. دستیاران دیجیتال، راهنمایی GPS، وسایل نقلیه خودران و ابزارهای تولیدی AI (مانند Chat GPT از Open AI) تنها چند نمونه از AI در اخبار روزانه و زندگی روزمره ما هستند.

به عنوان یک زمینه از علوم کامپیوتر، هوش مصنوعی شامل (و اغلب همراه با) یادگیری ماشین و یادگیری عمیق است. این رشته‌ها شامل توسعه الگوریتم‌های AI هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند و می‌توانند از داده‌های موجود یاد بگیرند و با گذشت زمان طبقه‌بندی‌ها یا پیش‌بینی‌های دقیق‌تری انجام دهند.

هوش مصنوعی از چرخه‌های زیادی از هیجان عبور کرده است، اما حتی برای شکاکان، انتشار ChatGPT به نظر می‌رسد که نقطه عطفی باشد. آخرین باری که AI تولیدی اینقدر بزرگ بود، پیشرفت‌ها در بینایی کامپیوتر بود، اما اکنون جهش به جلو در پردازش زبان طبیعی (NLP) است. امروزه، AI تولیدی می‌تواند نه تنها زبان انسانی بلکه انواع داده‌های دیگر از جمله تصاویر، ویدئو، کد نرم‌افزار و حتی ساختارهای مولکولی را یاد بگیرد و ترکیب کند.

کاربردهای AI هر روز در حال رشد هستند. اما با افزایش هیجان در مورد استفاده از ابزارهای AI در کسب و کار، گفتگوها در مورد اخلاق AI و AI مسئولانه بسیار مهم می‌شوند. برای اطلاعات بیشتر در مورد موضع IBM در این مسائل، لطفاً مقاله “Building trust in AI” را بخوانید.

انواع هوش مصنوعی: هوش مصنوعی  ضعیف در مقابل هوش مصنوعی قوی

هوش مصنوعی ضعیف—که به عنوان هوش مصنوعی محدود یا هوش مصنوعی محدود مصنوعی (ANI) نیز شناخته می‌شود—AI است که برای انجام وظایف خاص آموزش دیده و متمرکز شده است. هوش مصنوعی ضعیف بیشتر AI‌هایی که امروز ما را احاطه کرده‌اند را هدایت می‌کند. “محدود” ممکن است توصیف مناسب‌تری برای این نوع AI باشد زیرا اصلاً ضعیف نیست: این نوع AI برخی از کاربردهای بسیار قوی را ممکن می‌سازد، مانند Siri اپل، Alexa آمازون، IBM watsonx™ و وسایل نقلیه خودران.

هوش مصنوعی قوی شامل هوش عمومی مصنوعی (AGI) و هوش فوق‌العاده مصنوعی (ASI) است. AGI، یا هوش عمومی، یک شکل نظری از AI است که در آن یک ماشین دارای هوشی برابر با انسان‌ها خواهد بود؛ این ماشین خودآگاه خواهد بود و توانایی حل مسئله، یادگیری و برنامه‌ریزی برای آینده را خواهد داشت. ASI—که به عنوان هوش فوق‌العاده نیز شناخته می‌شود—از هوش و توانایی مغز انسان فراتر خواهد رفت. در حالی که هوش مصنوعی قوی هنوز کاملاً نظری است و هیچ نمونه عملی در حال حاضر وجود ندارد، این بدان معنا نیست که محققان AI نیز در حال بررسی توسعه آن نیستند. در همین حال، بهترین نمونه‌های ASI ممکن است از داستان‌های علمی تخیلی باشد، مانند HAL، دستیار کامپیوتری فوق‌العاده و سرکش در “2001: A Space Odyssey”.

یادگیری عمیق در مقابل یادگیری ماشین

یادگیری ماشین و یادگیری عمیق زیرشاخه‌های AI هستند و یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است.

هر دو الگوریتم یادگیری ماشین و یادگیری عمیق از شبکه‌های عصبی برای “یادگیری” از مقادیر زیادی داده استفاده می‌کنند. این شبکه‌های عصبی ساختارهای برنامه‌ریزی شده‌ای هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند. آن‌ها از لایه‌های گره‌های متصل به هم تشکیل شده‌اند که ویژگی‌هایی را از داده‌ها استخراج کرده و پیش‌بینی‌هایی در مورد آنچه داده‌ها نشان می‌دهند انجام می‌دهند.

یادگیری ماشین و یادگیری عمیق در انواع شبکه‌های عصبی که استفاده می‌کنند و میزان مداخله انسانی متفاوت هستند. الگوریتم‌های کلاسیک یادگیری ماشین از شبکه‌های عصبی با یک لایه ورودی، یک یا دو لایه “پنهان” و یک لایه خروجی استفاده می‌کنند. به طور معمول، این الگوریتم‌ها به یادگیری نظارت شده محدود می‌شوند: داده‌ها باید توسط کارشناسان انسانی ساختاردهی یا برچسب‌گذاری شوند تا الگوریتم بتواند ویژگی‌هایی را از داده‌ها استخراج کند.

الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی عمیق استفاده می‌کنند—شبکه‌هایی که از یک لایه ورودی، سه یا بیشتر (اما معمولاً صدها) لایه پنهان و یک لایه خروجی تشکیل شده‌اند. این لایه‌های متعدد یادگیری بدون نظارت را ممکن می‌سازند: آن‌ها استخراج ویژگی‌ها از مجموعه‌های داده بزرگ، بدون برچسب و غیرساختاریافته را خودکار می‌کنند. زیرا نیازی به مداخله انسانی ندارد، یادگیری عمیق اساساً یادگیری ماشین در مقیاس را ممکن می‌سازد.

ظهور مدل‌های تولیدی

AI تولیدی به مدل‌های یادگیری عمیقی اشاره دارد که می‌توانند داده‌های خام—مثلاً تمام ویکی‌پدیا یا آثار جمع‌آوری شده رمبرانت—را بگیرند و “یاد بگیرند” که خروجی‌های آماری محتمل را هنگام درخواست تولید کنند. در سطح بالا، مدل‌های تولیدی یک نمایش ساده‌شده از داده‌های آموزشی خود را رمزگذاری می‌کنند و از آن برای ایجاد یک کار جدید که مشابه، اما نه یکسان با داده‌های اصلی است، استفاده می‌کنند.

مدل‌های تولیدی سال‌ها در آمار برای تحلیل داده‌های عددی استفاده شده‌اند. با این حال، ظهور یادگیری عمیق امکان گسترش آن‌ها به تصاویر، گفتار و انواع داده‌های پیچیده دیگر را فراهم کرد. از جمله اولین کلاس مدل‌های AI که این دستاورد را به دست آوردند، اتواینکودرهای واریاسیونال یا VAEs بودند که در سال 2013 معرفی شدند. VAEs اولین مدل‌های یادگیری عمیقی بودند که به طور گسترده برای تولید تصاویر و گفتار واقعی استفاده شدند.

“VAEs دروازه‌های مدل‌سازی تولیدی عمیق را با آسان‌تر کردن مقیاس‌بندی مدل‌ها باز کردند”، گفت آکاش سریواستاوا، یک متخصص AI تولیدی در آزمایشگاه MIT-IBM Watson AI. “بسیاری از آنچه که امروز به عنوان AI تولیدی می‌شناسیم از اینجا شروع شد.”

نمونه‌های اولیه مدل‌ها، از جمله GPT-3، BERT، یا DALL-E 2، نشان داده‌اند که چه چیزی ممکن است. در آینده، مدل‌ها بر روی مجموعه گسترده‌ای از داده‌های بدون برچسب آموزش داده خواهند شد که می‌توانند برای وظایف مختلف با حداقل تنظیم دقیق استفاده شوند. سیستم‌هایی که وظایف خاصی را در یک حوزه انجام می‌دهند، جای خود را به سیستم‌های AI گسترده‌ای می‌دهند که به طور کلی‌تر یاد می‌گیرند و در حوزه‌ها و مشکلات مختلف کار می‌کنند. مدل‌های پایه، که بر روی مجموعه‌های داده بزرگ و بدون برچسب آموزش داده شده و برای مجموعه‌ای از کاربردها تنظیم دقیق شده‌اند، این تغییر را هدایت می‌کنند.

در مورد آینده AI، وقتی صحبت از AI تولیدی می‌شود، پیش‌بینی می‌شود که مدل‌های پایه به طور چشمگیری پذیرش AI در شرکت‌ها را تسریع کنند. کاهش نیاز به برچسب‌گذاری، ورود کسب و کارها را بسیار آسان‌تر خواهد کرد و اتوماسیون AI بسیار دقیق و کارآمدی که آن‌ها ممکن

منبع مطلب : IBM