هوش مصنوعی به زبان آدمیزاد؛ راهنمای جامع برای مبتدیان

[MOON ୨ৎ]

شکست قهرمان شطرنج دنیا دربرابر دیپ‌بلو؛ اولین گام بزرگ به سمت توسعه AI با قابلیت تصمیم‌گیری

از قضا، هوش مصنوعی در نبود بودجه‌ی دولتی و هیاهوی تبلیغاتی، فرصت دیگری برای رشد پیدا کرد. در طول دهه‌های ۱۹۹۰ و ۲۰۰۰، بسیاری از اهداف مهم هوش مصنوعی محقق شد. در سال ۱۹۹۷، ابرکامپیوتر شطرنج‌بازی به نام دیپ بلو (Deep Blue) ساخته شرکت IBM توانست گری کاسپارف، استاد بزرگ و قهرمان شطرنج جهان را شکست دهد. در این مسابقه که با هیاهوی رسانه‌ای بزرگی همراه بود، برای نخستین بار در تاریخ، قهرمان شطرنج جهان در برابر کامپیوتر شکست خورد و از آن به‌عنوان اولین گام بزرگ به‌سوی توسعه‌ی برنامه‌ی هوش مصنوعی با قابلیت تصمیم‌گیری یاد می‌شود.

در همان سال، نرم‌افزار تشخیص گفتار شرکت Dragon System روی ویندوز...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

زمان؛ مرهم تمام زخم‌ها

دانشمندان هنوز از همان روش‌های چند دهه‌ی پیش برای برنامه‌نویسی هوش مصنوعی استفاده می‌کنند؛ اما چه شد که حالا به دستاوردهای چشمگیری مثل چت‌بات ChatGPT و مولد تصویر Dall-E و Midjourney رسیدیم؟

پاسخ این است که مهندسان سرانجام موفق شدند مشکل محدودیت ذخیره‌سازی کامپیوترها را حل کنند. قانون مور (Moore’s Law) که تخمین می‌زند حافظه و سرعت کامپیوترها هر سال دوبرابر می‌شود، بالاخره توانست به وقوع بپیوندد و حتی در بسیاری از موارد، از این حد هم فراتر برود.

 

[MOON ୨ৎ]

دلیل شکست انسان‌ها از هوش مصنوعی؛ افزایش سرعت و حافظه‌ کامپیوترها

درواقع، دلیل شکست گری کاسپارف در سال ۱۹۹۷ و شکست قهرمان بازی تخته‌ای گو، که جی (Ke Jie) در سال ۲۰۱۷ دربرابر برنامه‌ی AlphaGo گوگل به همین افزایش سرعت و حافظه‌ی کامپیوترها برمی‌گردد. این قضیه، روند پژوهش‌های هوش مصنوعی را کمی توضیح می‌دهد؛ اینکه ما قابلیت‌های هوش مصنوعی را تا سطح قدرت محاسباتی فعلی (از نظر سرعت پردازش و حافظه‌ی ذخیری‌سازی) توسعه می‌دهیم و بعد منتظر می‌مانیم تا قانون مور دوباره به ما برسد.

ما اکنون در عصر «کلان‌داده» زندگی می‌کنیم؛ عصری که در آن توانایی جمع‌آوری حجم عظیمی از اطلاعات را داریم که پردازش تمام آن‌ها توسط انسان‌ها بی‌نهایت دشوار و وقت‌گیر است. استفاده از هوش مصنوعی در صنایع مختلفی ازجمله...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

انواع هوش مصنوعی
اولین و رایج‌ترین روش برای دسته‌بندی هوش مصنوعی، نگاه کردن به قابلیت‌ها و عمومیت هوش آن است. در این طیف، ما سه سطح کاملاً متمایز از هوش ماشینی را می‌بینیم.

پایین‌ترین و در عین حال فراگیرترین سطح، هوش مصنوعی محدود (ANI) نام دارد که گاهی از آن با عنوان «هوش مصنوعی ضعیف» نیز یاد می‌شود. تمام سیستم‌های هوش مصنوعی که امروز در زندگی روزمره با آن‌ها سروکار داریم، از این نوع هستند. یک سیستم ANI برای انجام یک وظیفه بسیار خاص یا مجموعه‌ای محدود از وظایف طراحی شده است. این سیستم‌ها می‌توانند در حوزه تخصصی خود عملکردی فوق‌العاده و حتی فراتر از انسان داشته باشند، اما دانش آن‌ها قابل تعمیم به حوزه‌های دیگر نیست.

مرحله بعدی در این طیف، مفهومی است که هدف نهایی بسیاری از تحقیقات...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

نردبان آگاهی: چهار پله از واکنش تا خودآگاهی
چارچوب دوم برای فهم هوش مصنوعی، طبقه‌بندی آن براساس عملکرد و نحوه تعامل با محیط است. این دیدگاه که توسط آرند هینتز، محقق هوش مصنوعی ارائه شده، سیستم‌ها را در چهار نوع یا پله از یک نردبان تکاملی قرار می‌دهد. دو نوع اول در حال حاضر وجود دارند و دو نوع آخر، اهداف آینده و نظری هستند.

پله اول، ماشین‌های واکنشی (Reactive Machines) هستند. این‌ها ابتدایی‌ترین نوع هوش مصنوعی محسوب می‌شوند. ویژگی اصلی این ماشین‌ها نداشتن حافظه است؛ آن‌ها نمی‌توانند از تجربیات گذشته برای تصمیم‌گیری‌های آینده استفاده کنند. یک ماشین واکنشی صرفاً به محرک‌های فعلی واکنش نشان می‌دهد و برای هر ورودی یکسان، همیشه یک خروجی یکسان تولید خواهد کرد؛ مثل سیستم فیلترکردن...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

هوش مصنوعی چگونه کار می‌کند؟

وقتی هوش مصنوعی تصویری شگفت‌انگیز خلق می‌کند، زبانی را روان ترجمه می‌کند یا در یک بازی پیچیده بر قهرمان جهان پیروز می‌شود، ممکن است به نظر برسد که با نوعی قدرت جادویی روبرو هستیم. اما در پشت پرده، هیچ جادویی در کار نیست. آنچه هست، یک اکوسیستم پیچیده با سه ستون اصلی است: داده‌های عظیم، الگوریتم‌های هوشمند و قدرت محاسباتی بالا. هوش مصنوعی در هسته خود، فرآیندی است برای شناسایی الگوها و روابط پنهان در میان حجم وسیعی از داده‌‌ها. و ما این فرایند را با نام «یادگیری ماشین» می‌شناسیم.

 

[MOON ୨ৎ]

یادگیری ماشین (Machine Learning)

یادگیری ماشین زیرمجموعه‌ای حیاتی از هوش مصنوعی است که به سیستم‌ها اجازه می‌دهد بدون اینکه برای هر وظیفه به طور صریح برنامه‌ریزی شوند، مستقیماً از داده‌ها بیاموزند و عملکرد خود را بهبود بخشند. این فرآیند شباهت شگفت‌انگیزی به نحوه یادگیری در انسان دارد.

برای مثال، وقتی می‌خواهیم به یک کودک تشخیص گربه را یاد بدهیم، به جای ارائه مجموعه‌ای از قوانین سفت و سخت (مانند «گربه سبیل دارد» یا «گربه گوش‌های نوک‌تیز دارد»)، هزاران عکس مختلف از گربه‌ را به او نشان می‌دهیم. کودک به تدریج الگوهای بصری مشترک را می‌آموزد و مدلی ذهنی می‌سازد. یادگیری ماشین نیز دقیقاً به همین شکل عمل می‌کند؛ با تحلیل داده‌های نمونه، مدل‌های پیش‌بینی‌کننده می‌سازد.

این فرآیند یادگیری...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

در یادگیری ماشین انتخاب نوع مدل بسیار مهم است

در یادگیری ماشین، به نمایش کامپیوتری چیزهای یاد گرفته شده و ذخیره شده، «مدل» می‌گویند. اینکه از چه مدلی استفاده کنید، بسیار مهم است، چون این مدل است که روش یادگیری هوش مصنوعی، نوع داده‌هایی که می‌تواند از آن بیاموزد و نوع سوال‌هایی را که می‌توان از آن پرسید، مشخص می‌کند.

بیایید این موضوع را با یک مثال ساده روشن‌تر کنیم. فرض کنید برای خرید انجیر به میوه‌فروشی رفته‌ایم و می‌خواهیم به‌کمک یادگیری ماشین بفهمیم کدام انجیرها رسیده‌اند. کار آسانی باید باشد، چون می‌دانیم هرچه انجیر نرم‌تر باشد، رسیده‌تر و شیرین‌تر خواهد بود. می‌توانیم چند نمونه انجیر رسیده و کال را انتخاب کرده، میزان شیرینی آن‌ها را مشخص کنیم و بعد اطلاعاتشان را روی نمودار...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.

 

[MOON ୨ৎ]

چالش اصلی یادگیری ماشین، ایجاد و انتخاب مدل مناسب برای حل مسئله است

با این حساب، چالش اصلی یادگیری ماشین، ایجاد و انتخاب مدل مناسب برای حل مسئله است. ما به مدلی نیاز داریم که به‌قدری پیچیده باشد که بتواند روابط و ساختارهای بسیار پیچیده را نشان دهد و در عین حال به قدری ساده باشد که بتوانیم با آن کار کنیم و آموزشش بدهیم. برای همین، اگرچه اینترنت، گوشی‌های هوشمند و چیزهایی از این دست، دسترسی به حجم عظیمی از داده را ممکن کرده‌اند، ما هنوز برای استفاده از این داده‌ها باید سراغ مدل‌های مناسب برویم.

و این دقیقا جایی است که ما به نوع دیگر هوش مصنوعی، یعنی یادگیری عمیق نیاز پیدا می‌کنیم

 

[MOON ୨ৎ]

یادگیری عمیق (Deep Learning)

یادگیری عمیق در واقع نوعی از یادگیری ماشین است که از شبکه‌های عصبی با تعداد بسیار زیادی لایه پنهان استفاده می‌کند. کلمه «عمیق» در این عبارت، صرفاً به تعداد زیاد این لایه‌ها اشاره دارد. این عمق زیاد به مدل اجازه می‌دهد تا الگوهای بسیار پیچیده، ظریف و انتزاعی را در داده‌ها بیاموزد؛ الگوهایی مانند تشخیص چهره یک فرد خاص در میان هزاران تصویر یا درک مفاهیم ظریف و کنایه‌ها در زبان انسان.

شبکه‌های عصبی نوعی مدل یادگیری ماشین هستند که از ساختاری مشابه نورون‌های مغز انسان برای انجام محاسبات و پیش‌بینی استفاده می‌کنند. نورون‌ها در شبکه‌های عصبی در لایه‌های مختلف طبقه‌بندی می‌شوند و هر لایه یک سری محاسبات ساده انجام می‌دهد و پاسخ آن را به لایه‌ی بعدی منتقل...

لطفا برای مشاهده کامل مطالب در انجمن ثبت نام کنید.