هوش مصنوعی (AI) فناوریای است که کامپیوترها و ماشینها را قادر میسازد تا یادگیری، درک، حل مسئله، تصمیمگیری، خلاقیت و استقلال انسان را شبیهسازی کنند.
برنامهها و دستگاههای مجهز به هوش مصنوعی میتوانند اشیاء را ببینند و شناسایی کنند. آنها میتوانند زبان انسان را درک کنند و به آن پاسخ دهند. آنها میتوانند از اطلاعات و تجربیات جدید یاد بگیرند. آنها میتوانند توصیههای دقیقی به کاربران و متخصصان ارائه دهند. آنها میتوانند به طور مستقل عمل کنند و نیاز به هوش یا مداخله انسان را برطرف سازند (که نمونه کلاسیک آن، خودروهای خودران است).
اما در سال ۲۰۲۴، بیشتر پژوهشگران، متخصصان و سرخط خبرهای مرتبط با هوش مصنوعی بر دستاوردهای بزرگ در حوزه هوش مصنوعی مولد (gen AI) تمرکز دارند؛ فناوریای که میتواند متن، تصویر، ویدیو و سایر محتواهای اصیل را خلق کند. برای درک کامل هوش مصنوعی مولد، بسیار مهم است که ابتدا فناوریهایی را که ابزارهای هوش مصنوعی مولد بر پایه آنها ساخته شدهاند درک کنیم: یادگیری ماشین (ML) و یادگیری عمیق.
چگونه هوش مصنوعی جهان ما را دگرگون میکند؟ یک راهنمای ساده
کاربرد های هوش مصنوعی بسیار گسترده است. از موتورهای جستجو و دستیارهای صوتی گرفته تا سیستمهای پیشرفته تشخیص چهره، این فناوری به ماشینها اجازه میدهد تا مانند انسانها فکر کنند، تصمیم بگیرند و یاد بگیرند.
در این مقاله، ما به زبانی ساده و کاربردی بررسی میکنیم که هوش مصنوعی دقیقاً چیست، چگونه کار میکند و چه تفاوتی با فناوریهای زیرمجموعه خود مانند یادگیری ماشین و یادگیری عمیق دارد. با ما همراه باشید تا با مزایا، کاربردها و چالشهای آینده این فناوری شگفتانگیز آشنا شوید. و بدانید برای آموزش هوش مصنوعی چه مراحلی را باید طی کنید؟
یادگیری ماشین
یک راه ساده برای درک هوش مصنوعی، تصور آن به عنوان مجموعهای از مفاهیم تودرتو یا مشتقشده است که در طول بیش از ۷۰ سال شکل گرفتهاند:
در سطح پایینتر هوش مصنوعی، یادگیری ماشین قرار دارد که شامل ساخت مدلها از طریق آموزش دادن به یک الگوریتم برای پیشبینی یا تصمیمگیری بر اساس دادههاست. یادگیری ماشین طیف وسیعی از تکنیکها را در بر میگیرد که کامپیوترها را قادر میسازد بدون نیاز به برنامهنویسی صریح برای کارهای خاص، از دادهها یاد بگیرند و بر اساس آنها استنتاج کنند.
تکنیکها و الگوریتمهای یادگیری ماشین انواع مختلفی دارند؛ از جمله رگرسیون خطی، رگرسیون لجستیک، درختهای تصمیم، جنگل تصادفی، ماشینهای بردار پشتیبان (SVMها)، k-نزدیکترین همسایه (KNN)، خوشهبندی و موارد دیگر. هر یک از این روشها برای انواع خاصی از مسائل و دادهها مناسب هستند.
اما یکی از محبوبترین انواع الگوریتمهای یادگیری ماشین، شبکه عصبی (یا شبکه عصبی مصنوعی) نام دارد. شبکههای عصبی بر اساس ساختار و عملکرد مغز انسان مدلسازی میشوند. یک شبکه عصبی از لایههای متصلبههم از گرهها (مشابه نورونها) تشکیل شده است که برای پردازش و تحلیل دادههای پیچیده با یکدیگر همکاری میکنند. شبکههای عصبی برای کارهایی که شامل شناسایی الگوها و روابط پیچیده در حجم وسیعی از دادهها هستند، بسیار مناسباند.
سادهترین شکل یادگیری ماشین، یادگیری نظارتشده نام دارد که در آن از مجموعهدادههای برچسبدار برای آموزش الگوریتمها جهت طبقهبندی دقیق دادهها یا پیشبینی نتایج استفاده میشود. در یادگیری نظارتشده، انسانها هر نمونه آموزشی را با یک برچسب خروجی جفت میکنند. هدف این است که مدل رابطه (نگاشت) بین ورودیها و خروجیها را در دادههای آموزشی یاد بگیرد تا بتواند برچسب دادههای جدید و دیدهنشده را پیشبینی کند.
یادگیری عمیق
یادگیری عمیق زیرمجموعهای از یادگیری ماشین است که از شبکههای عصبی چندلایه (به نام شبکههای عصبی عمیق) استفاده میکند؛ شبکههایی که قدرت تصمیمگیری پیچیده مغز انسان را با دقت بیشتری شبیهسازی میکنند.
شبکههای عصبی عمیق شامل یک لایه ورودی، حداقل سه (و معمولاً صدها) لایه پنهان و یک لایه خروجی هستند؛ برخلاف شبکههای عصبی به کار رفته در مدلهای کلاسیک یادگیری ماشین که معمولاً فقط یک یا دو لایه پنهان دارند.
این لایههای متعدد، یادگیری بدون نظارت را امکانپذیر میسازند؛ به این معنی که میتوانند فرآیند استخراج ویژگیها از مجموعهدادههای بزرگ، بدون برچسب و ساختارنیافته را خودکارسازی کرده و درباره مفهوم این دادهها، پیشبینیهای خاص خود را ارائه دهند.
از آنجا که یادگیری عمیق نیازی به مداخله انسانی ندارد، یادگیری ماشین را در مقیاسی بسیار بزرگ ممکن میسازد. این روش برای پردازش زبان طبیعی (NLP), بینایی ماشین و دیگر وظایفی که نیازمند شناسایی سریع و دقیق الگوها و روابط پیچیده در حجم عظیمی از دادهها هستند، بسیار مناسب است. امروزه انواعی از یادگیری عمیق، نیرومحرکه بیشتر برنامههای کاربردی هوش مصنوعی (AI) در زندگی ما هستند.
در یک شبکه عصبی عمیق، چندین لایه از گرهها (نودها) میتوانند مفاهیم و روابط را از حجم وسیعی از دادههای بدون برچسب و ساختارنیافته استخراج کنند.
یادگیری عمیق همچنین موارد زیر را امکانپذیر میسازد:
- یادگیری نیمهنظارتی، که با استفاده از دادههای برچسبدار و بدون برچسب، یادگیری نظارتشده و بدون نظارت را با هم ترکیب میکند تا مدلهای هوش مصنوعی را برای کارهای دستهبندی و رگرسیون آموزش دهد.
- یادگیری خودنظارتی، که به جای اتکا به مجموعهدادههای برچسبدار برای سیگنالهای نظارتی، برچسبهای ضمنی را از دادههای ساختارنیافته ایجاد میکند.
- یادگیری تقویتی، که به جای استخراج اطلاعات از الگوهای پنهان، از طریق آزمون و خطا و توابع پاداش یاد میگیرد.
- یادگیری انتقالی، که در آن دانشِ بهدستآمده از یک کار یا مجموعهداده، برای بهبود عملکرد مدل در کار مرتبط دیگر یا مجموعهدادهای متفاوت استفاده میشود.
آموزش انواع یادیگری ها از ارکان اصلی آموزش تخصصی علم داده و یادگیری ماشین است.
هوش مصنوعی مولد
هوش مصنوعی مولد که گاهی به آن «gen AI» نیز گفته میشود، به مدلهای یادگیری عمیقی اشاره دارد که میتوانند در پاسخ به دستور یا درخواست کاربر، محتوای اصیل و پیچیدهای مانند متون بلند، تصاویر باکیفیت، ویدیوها یا صداهای واقعگرایانه و موارد دیگر را خلق کنند.
در یک نگاه کلی، مدلهای مولد بازنمایی سادهشدهای از دادههای آموزشی خود را رمزگذاری میکنند و سپس از آن بازنمایی برای خلق اثر جدیدی استفاده میکنند که مشابه دادههای اولیه است، اما با آنها یکسان نیست.
مدلهای مولد سالهاست که در آمار برای تحلیل دادههای عددی استفاده میشوند. اما طی دهه گذشته، آنها تکامل یافتهند تا انواع دادههای پیچیدهتری را تحلیل و تولید کنند. این تکامل با ظهور سه نوع مدل یادگیری عمیقِ پیشرفته همزمان شد:
- اتوانکودرهای متغیر (Variational autoencoders) یا VAEها، که در سال ۲۰۱۳ معرفی شدند و مدلهایی را امکانپذیر ساختند که میتوانستند در پاسخ به یک دستور یا دستورالعمل، چندین نسخه مختلف از محتوا را تولید کنند.
- مدلهای انتشار (Diffusion models) که اولین بار در سال ۲۰۱۴ مطرح شدند، به تصاویر آنقدر نویز اضافه میکنند تا غیرقابل تشخیص شوند و سپس با حذف نویز، در پاسخ به دستورات، تصاویر جدید و اصیلی تولید میکنند.
- ترنسفورمرها (Transformers) که به آنها مدلهای ترانسفورمر نیز گفته میشود، روی دادههای متوالی آموزش میبینند تا توالیهای گستردهای از محتوا (مانند کلمات در جملات، اشکال در یک تصویر، فریمهای یک ویدیو یا دستورات در کدهای برنامهنویسی) را تولید کنند. ترانسفورمرها هسته اصلی اکثر ابزارهای هوش مصنوعی مولد خبرساز امروزی هستند، از جمله ChatGPT و GPT-4، کوپایلت (Copilot)، BERT، بارد (Bard) و میدجرنی (Midjourney).
طرز کار هوش مصنوعی مولد
به طور کلی، هوش مصنوعی مولد در سه مرحله عمل میکند:
- آموزش، برای ایجاد یک مدل پایه.
- تنظیم، برای سازگار کردن مدل با یک کاربرد خاص.
- تولید، ارزیابی و تنظیم بیشتر، برای بهبود دقت.
آموزش
هوش مصنوعی مولد با یک «مدل پایه» (foundation model) آغاز میشود؛ یک مدل یادگیری عمیق که به عنوان مبنایی برای چندین نوع مختلف از برنامههای کاربردی هوش مصنوعی مولد عمل میکند.
امروزه رایجترین مدلهای پایه، مدلهای زبانی بزرگ (LLMs) هستند که برای برنامههای تولید متن ایجاد شدهاند. اما مدلهای پایهای نیز برای تولید تصویر، ویدیو، صدا یا موسیقی و همچنین مدلهای پایه چندوجهی وجود دارند که از چندین نوع محتوا پشتیبانی میکنند.
برای ایجاد یک مدل پایه، متخصصان یک الگوریتم یادگیری عمیق را روی حجم عظیمی از دادههای مرتبط خام، ساختارنیافته و بدون برچسب آموزش میدهند؛ مانند ترابایتها یا پتابایتها داده متنی، تصویری یا ویدیویی از اینترنت. این آموزش منجر به ایجاد یک شبکه عصبی با میلیاردها پارامتر میشود؛ یعنی بازنماییهای رمزگذاریشده از موجودیتها، الگوها و روابط موجود در دادهها که میتوانند به طور خودکار در پاسخ به دستورها (پرامپتها) محتوا تولید کنند. این همان مدل پایه است.
این فرآیند آموزش از نظر محاسباتی سنگین، زمانبر و هزینهبر است. این کار نیازمند هزاران پردازنده گرافیکی (GPU) خوشهای و هفتهها پردازش است که معمولاً میلیونها دلار هزینه دارد. پروژههای مدل پایه متنباز، مانند Llama-2 متا، توسعهدهندگان هوش مصنوعی مولد را قادر میسازند تا از این مرحله و هزینههای آن بینیاز شوند.
تنظیم
در مرحله بعد، مدل باید برای یک وظیفه تولید محتوای خاص تنظیم شود. این کار را میتوان به روشهای مختلفی انجام داد، از جمله:
- تنظیم دقیق (Fine-tuning)، که شامل تغذیه مدل با دادههای برچسبدارِ مخصوص یک کاربرد خاص، سوالات یا دستورهایی است که احتمال میرود برنامه دریافت کند، همراه با پاسخهای صحیح مربوطه در قالب دلخواه.
- یادگیری تقویتی با بازخورد انسانی (RLHF)، که در آن کاربران انسانی دقت یا ارتباط خروجیهای مدل را ارزیابی میکنند تا مدل بتواند خود را بهبود بخشد. این کار میتواند به سادگی تایپ کردن یا گفتن اصلاحات توسط افراد به یک چتبات یا دستیار مجازی باشد.
تولید، ارزیابی و تنظیم بیشتر
توسعهدهندگان و کاربران به طور منظم خروجیهای برنامههای هوش مصنوعی مولد خود را ارزیابی میکنند و برای دقت یا ارتباط بیشتر، مدل را حتی تا هفتهای یکبار تنظیم میکنند. در مقابل، خود مدل پایه بسیار کمتر بهروزرسانی میشود، شاید هر سال یا هر ۱۸ ماه یکبار.
گزینه دیگر برای بهبود عملکرد یک برنامه هوش مصنوعی مولد، تولید افزوده با بازیابی (RAG) است؛ تکنیکی برای توسعه مدل پایه جهت استفاده از منابع مرتبط خارج از دادههای آموزشی، برای اصلاح پارامترها به منظور دستیابی به دقت یا ارتباط بیشتر.
AI agents و agentic AI
یک عامل هوش مصنوعی یا AI agents یک برنامه هوش مصنوعی خودمختار است که میتواند بدون دخالت انسان، از طریق طراحی گردش کار خود و استفاده از ابزارهای در دسترس (سایر برنامهها یا خدمات)، وظایفی را انجام دهد و اهدافی را به نمایندگی از یک کاربر یا سیستمی دیگر محقق سازد.
agentic AI سیستمی متشکل از چندین عامل هوش مصنوعی است که تلاشهای آنها برای انجام یک کار پیچیدهتر یا دستیابی به هدفی بزرگتر از آنچه هر یک از عوامل به تنهایی در سیستم میتوانند انجام دهند، هماهنگ یا سازماندهی (ارکستره) میشود.
برخلاف چتباتها و سایر مدلهای هوش مصنوعی که در چارچوب محدودیتهای پیشفرض عمل میکنند و به دخالت انسان نیاز دارند، AI agents و agentic AI، خودمختاری، رفتار هدفمحور و انعطافپذیری در مواجهه با شرایط متغیر نشان میدهند. اصطلاحات «عامل» و «عاملی» به عاملیت این مدلها یا توانایی آنها برای عمل کردن به صورت مستقل و هدفمند اشاره دارد.
یک راه برای درک مفهوم عوامل این است که آنها را گام طبیعی بعدی پس از هوش مصنوعی مولد بدانیم. مدلهای هوش مصنوعی مولد بر خلق محتوا بر اساس الگوهای آموختهشده تمرکز دارند؛ در حالی که عوامل از آن محتوا برای تعامل با یکدیگر و سایر ابزارها جهت تصمیمگیری، حل مسئله و انجام وظایف استفاده میکنند. به عنوان مثال، یک برنامه هوش مصنوعی مولد ممکن است بتواند با توجه به برنامه کاری شما، بهترین زمان برای صعود به قله اورست را به شما بگوید، اما یک عامل میتواند این اطلاعات را به شما بدهد و سپس از یک سرویس مسافرتی آنلاین برای رزرو بهترین پرواز و یک اتاق در مناسبترین هتل در نپال استفاده کند.
مزایای هوش مصنوعی
هوش مصنوعی مزایای متعددی را در صنایع و کاربردهای مختلف ارائه میدهد. برخی از رایجترین مزایای ذکرشده عبارتند از:
- اتوماسیون وظایف تکراری.
- کسب بینش بیشتر و سریعتر از دادهها.
- بهبود تصمیمگیری.
- خطاهای انسانی کمتر.
- در دسترس بودن شبانهروزی (۲۴/۷).
- کاهش خطرات فیزیکی.
اتوماسیون وظایف تکراری
اتوماسیون با هوش مصنوعی میتواند وظایف روتین، تکراری و اغلب خستهکننده را خودکارسازی کند؛ از جمله کارهای دیجیتالی مانند جمعآوری، ورود و پیشپردازش دادهها، و وظایف فیزیکی مانند چیدمان کالا در انبار و فرآیندهای تولید. این اتوماسیون زمان کارکنان را آزاد میکند تا روی کارهای باارزشتر و خلاقانهتر تمرکز کنند.
بهبود تصمیمگیری
چه برای پشتیبانی از تصمیمگیری استفاده شود و چه برای تصمیمگیری کاملاً خودکار، هوش مصنوعی پیشبینیهای سریعتر و دقیقتر و تصمیمگیریهای مبتنی بر داده و قابل اعتمادی را امکانپذیر میسازد. هوش مصنوعی در ترکیب با اتوماسیون، کسبوکارها را قادر میسازد تا در لحظه و بدون دخالت انسان، از فرصتها بهرهبرداری کنند و به بحرانها در زمان وقوع پاسخ دهند.
خطاهای انسانی کمتر
هوش مصنوعی میتواند خطاهای انسانی را به روشهای گوناگونی کاهش دهد؛ از راهنمایی افراد در مراحل صحیح یک فرآیند گرفته تا هشدار درباره خطاهای احتمالی پیش از وقوع آنها و خودکارسازی کامل فرآیندها بدون دخالت انسان. این امر به ویژه در صنایعی مانند مراقبتهای بهداشتی اهمیت بالایی دارد؛ جایی که برای مثال، رباتهای جراحی هدایتشونده با هوش مصنوعی دقت و ثبات بالایی را به همراه میآورند.
الگوریتمهای یادگیری ماشین میتوانند با قرار گرفتن در معرض دادههای بیشتر و «یادگیری» از تجربه، دقت خود را به طور مستمر بهبود بخشند و خطاها را بیش از پیش کاهش دهند.
در دسترس بودن شبانهروزی و سازگاری عملکرد
هوش مصنوعی همیشه روشن و به صورت شبانهروزی در دسترس است و عملکردی یکنواخت و پایدار ارائه میدهد. ابزارهایی مانند چتباتهای هوش مصنوعی یا دستیارهای مجازی میتوانند نیاز به نیروی انسانی برای خدمات یا پشتیبانی مشتریان را کاهش دهند. در سایر کاربردها مانند پردازش مواد یا خطوط تولید، استفاده از هوش مصنوعی برای انجام وظایف تکراری یا خستهکننده میتواند به حفظ کیفیت کار و سطح تولیدِ یکنواخت کمک کند.
کاهش خطرات فیزیکی
با خودکارسازی کارهای خطرناک مانند کنترل حیوانات وحشی، کار با مواد منفجره و انجام وظایف در اعماق اقیانوسها، ارتفاعات بالا یا در فضا، هوش مصنوعی میتواند نیاز به مواجهه کارگران انسانی با خطر آسیبدیدگی یا بدتر از آن را از بین ببرد. خودروهای خودران و سایر وسایل نقلیه، هرچند هنوز به تکامل کامل نرسیدهاند، پتانسیل کاهش خطر آسیب به سرنشینان را دارند.
کاربردهای هوش مصنوعی
کاربردهای واقعی هوش مصنوعی بسیار متعددند. در ادامه نمونههای کوچکی از کاربردهای آن در صنایع مختلف آورده شده است تا پتانسیل بالای این فناوری را نشان دهد:
تجربه، خدمات و پشتیبانی مشتریان
شرکتها میتوانند چتباتها و دستیارهای مجازی مبتنی بر هوش مصنوعی را برای مدیریت درخواستهای مشتریان، تیکتهای پشتیبانی و موارد دیگر پیادهسازی کنند. این ابزارها از پردازش زبان طبیعی (NLP) و قابلیتهای هوش مصنوعی مولد برای درک و پاسخدهی به پرسشهای مشتریان درباره وضعیت سفارش، جزئیات محصول و سیاستهای مرجوعی کالا استفاده میکنند.
چتباتهای هوش مصنوعی و دستیارهای مجازی امکان پشتیبانی همیشگی و شبانهروزی را فراهم میکنند، به سوالات متداول (FAQs) سریعتر پاسخ میدهند، کارشناسان انسانی را برای تمرکز روی وظایف پیچیدهتر آزاد میکنند و خدماتی سریعتر و یکپارچهتر به مشتریان ارائه میدهند.
تشخیص کلاهبرداری
الگوریتمهای یادگیری ماشین و یادگیری عمیق میتوانند الگوهای تراکنش را تحلیل کنند و ناهنجاریهایی مانند مخارج غیرعادی یا مکانهای ورود مشکوک به سیستم را که نشاندهنده تراکنشهای کلاهبردارانه هستند، شناسایی و نشانهگذاری کنند. این امر سازمانها را قادر میسازد تا سریعتر به کلاهبرداریهای احتمالی واکنش نشان دهند و دامنه تأثیر آن را محدود کنند که در نتیجه آرامش خاطر بیشتری برای خود و مشتریانشان به ارمغان میآورند.
بازاریابی شخصیسازیشده
خردهفروشان، بانکها و سایر شرکتهای مرتبط با مشتریان میتوانند از هوش مصنوعی برای خلق تجربههای شخصیسازیشده و کمپینهای بازاریابی جذاب استفاده کنند که رضایت مشتری را جلب کند، فروش را بهبود بخشد و مانع از ریزش مشتریان شود. الگوریتمهای یادگیری عمیق بر اساس دادههای حاصل از تاریخچه خرید و رفتارهای مشتری، میتوانند محصولات و خدماتی را که احتمالاً مشتری به آنها علاقه دارد پیشنهاد دهند و حتی متنهای تبلیغاتی شخصیسازیشده و پیشنهادهای ویژهای را به صورت آنی برای هر مشتری تولید کنند.
منابع انسانی و استخدام
پلتفرمهای استخدام مبتنی بر هوش مصنوعی میتوانند با غربالگری رزومهها، مطابقت دادن متقاضیان با شرح شغل و حتی انجام مصاحبههای اولیه با استفاده از تحلیل ویدیو، فرآیند جذب نیرو را ساده و بهینه کنند. این ابزارها و ابزارهای مشابه میتوانند حجم عظیمی از کاغذبازیهای اداری مربوط به بررسی تعداد زیادی از متقاضیان را به شدت کاهش دهند. همچنین، این فناوری میتواند زمان پاسخگویی و مدتزمان فرآیند استخدام را کاهش دهد و تجربه بهتری برای متقاضیان کار فراهم کند؛ چه در نهایت استخدام شوند و چه نشوند.
توسعه و مدرنسازی نرمافزارها
ابزارهای تولید کد مبتنی بر هوش مصنوعی مولد و ابزارهای اتوماسیون میتوانند وظایف تکراری کدنویسی در توسعه نرمافزار را تسهیل کنند و فرآیند مهاجرت و مدرنسازی (تغییر قالب و بستر اجرایی) نرمافزارهای قدیمی را در مقیاس بزرگ شتاب بخشند. این ابزارها سرعت انجام کار را بالا میبرند، به حفظ یکپارچگی کد کمک میکنند و خطاها را کاهش میدهند.
نگهداری و تعمیرات پیشبینانه
مدلهای یادگیری ماشین میتوانند دادههای دریافتی از حسگرها، دستگاههای اینترنت اشیاء (IoT) و فناوریهای عملیاتی (OT) را تحلیل کنند تا زمان نیاز به تعمیر و نگهداری را پیشبینی کرده و خرابی تجهیزات را پیش از وقوع حدس بزنند. نگهداری پیشبینانه مبتنی بر هوش مصنوعی به جلوگیری از توقف کار تجهیزات کمک میکند و شما را قادر میسازد تا پیش از آسیب رسیدن به سودآوری نهایی، از بروز مشکلات زنجیره تأمین جلوگیری کنید.
چالشها و خطرات هوش مصنوعی
سازمانها برای بهرهمندی از جدیدترین فناوریهای هوش مصنوعی و استفاده از مزایای متعدد آن با یکدیگر رقابت میکنند. این پذیرش سریع امری ضروری است، اما پیادهسازی و نگهداری گردشهای کاری هوش مصنوعی با چالشها و خطراتی نیز همراه است.
خطرات دادهها
سیستمهای هوش مصنوعی به مجموعههای داده متکی هستند که ممکن است در معرض آسیبهایی چون مسمومیت دادهها، دستکاری دادهها، سوگیری دادهها یا حملات سایبری (که میتوانند منجر به نشت دادهها شوند) قرار بگیرند. سازمانها میتوانند با محافظت از یکپارچگی دادهها و برقرار ساختن امنیت و در دسترس بودن در سراسر چرخه عمر هوش مصنوعی — از توسعه گرفته تا آموزش، استقرار و پس از استقرار — این خطرات را کاهش دهند.
خطرات مدل
عوامل تهدید میتوانند مدلهای هوش مصنوعی را با هدف سرقت، مهندسی معکوس یا دستکاری غیرمجاز هدف قرار دهند. مهاجمان ممکن است با دستکاری معماری، وزنها یا پارامترها (یعنی همان اجزای اصلی که رفتار، دقت و عملکرد مدل را تعیین میکنند)، یکپارچگی مدل را به خطر بیندازند.
خطرات عملیاتی
مدلها نیز مانند تمام فناوریها، مستعد خطرات عملیاتی نظیر انحراف مدل، سوگیری و فروپاشی ساختار حاکمیتی هستند. این خطرات در صورت عدم رسیدگی، میتوانند به خرابی سیستم و ایجاد آسیبپذیریهای امنیت سایبری منجر شوند که عوامل تهدید قادر به سوءاستفاده از آنها خواهند بود.
خطرات اخلاقی و قانونی
اگر سازمانها هنگام توسعه و استقرار سیستمهای هوش مصنوعی، ایمنی و اخلاق را در اولویت قرار ندهند، با خطر نقض حریم خصوصی و تولید نتایج سوگیرانه مواجه خواهند شد. به عنوان مثال، استفاده از دادههای آموزشی سوگیرانه برای تصمیمگیری در زمینه استخدام، ممکن است کلیشههای جنسیتی یا نژادی را تقویت کند و مدلهای هوش مصنوعی را به سمتی ببرد که گروههای جمعیتی خاصی را به دیگران ترجیح دهند.
اخلاق و حاکمیت هوش مصنوعی
اخلاق هوش مصنوعی یک حوزه چندرشتهای است که نحوه بهینهسازی تأثیرات مثبت هوش مصنوعی و در عین حال کاهش خطرات و پیامدهای نامطلوب آن را مطالعه میکند. اصول اخلاق هوش مصنوعی از طریق سیستمی از حاکمیت هوش مصنوعی اعمال میشوند که متشکل از چارچوبهای حفاظتی برای کمک به اطمینان از ایمن و اخلاقی ماندن ابزارها و سیستمهای هوش مصنوعی است.
حاکمیت هوش مصنوعی شامل سازوکارهای نظارتی است که به مدیریت خطرات میپردازند. یک رویکرد اخلاقی به حاکمیت هوش مصنوعی نیازمند مشارکت طیف گستردهای از ذینفعان، از جمله توسعهدهندگان، کاربران، سیاستگذاران و متخصصان اخلاق است که به اطمینان از توسعه و استفاده از سیستمهای مرتبط با هوش مصنوعی در راستای ارزشهای جامعه کمک میکند.
در ادامه ارزشهای رایج مرتبط با اخلاق هوش مصنوعی و هوش مصنوعی مسئولانه آورده شده است:
توضیحپذیری و تفسیرپذیری
با پیشرفتهتر شدن هوش مصنوعی، انسانها برای درک و ردیابی نحوه رسیدن الگوریتم به نتیجه با چالش مواجه میشوند. هوش مصنوعی توضیحپذیر مجموعهای از فرآیندها و روشها است که کاربران انسانی را قادر میسازد تا نتایج و خروجیهای ایجادشده توسط الگوریتمها را تفسیر و درک کرده و به آنها اعتماد کنند.
انصاف و فراگیری
اگرچه یادگیری ماشین به دلیل ماهیت خود نوعی تبعیض آماری است، اما این تبعیض زمانی غیرقابلقبول میشود که به گروههای برخوردار مزیتی سیستماتیک و به گروههای خاص کمبرخوردار محرومیتی سیستماتیک بدهد و به طور بالقوه آسیبهای مختلفی به همراه داشته باشد. برای ترویج انصاف، متخصصان میتوانند سوگیری الگوریتمی را در فرآیند جمعآوری دادهها و طراحی مدل به حداقل برسانند و تیمهای متنوعتر و فراگیرتری بسازند.
تابآوری و امنیت
هوش مصنوعی تابآور شرایط استثنایی، مانند ناهنجاری در دادههای ورودی یا حملات مخرب را بدون ایجاد آسیبهای ناخواسته، به طور موثر مدیریت میکند. این سیستم همچنین به گونهای طراحی شده است که با محافظت در برابر آسیبپذیریهای افشاشده، در برابر تداخلهای عمدی و غیرعمدی مقاومت کند.
پاسخگویی و شفافیت
سازمانها باید ساختارهای حاکمیتی و مسئولیتهای مشخصی را برای توسعه، استقرار و پیامدهای سیستمهای هوش مصنوعی تعریف کنند. علاوه بر این، کاربران باید بتوانند نحوه کارکرد یک سرویس هوش مصنوعی را مشاهده کنند، عملکرد آن را ارزیابی نمایند و نقاط قوت و محدودیتهای آن را درک کنند. افزایش شفافیت، اطلاعاتی را در اختیار مصرفکنندگان هوش مصنوعی قرار میدهد تا درک بهتری از نحوه ایجاد مدل یا سرویس هوش مصنوعی به دست آورند.
حریم خصوصی و انطباق
بسیاری از چارچوبهای مقرراتی، از جمله GDPR، سازمانها را ملزم میکنند که هنگام پردازش اطلاعات شخصی از اصول خاصی در زمینه حریم خصوصی پیروی کنند. محافظت از مدلهای هوش مصنوعی که ممکن است حاوی اطلاعات شخصی باشند، کنترل دادههایی که در وهله اول وارد مدل میشوند، و ساخت سیستمهای انعطافپذیری که بتوانند خود را با تغییرات مقررات و نگرشهای پیرامون اخلاق هوش مصنوعی تطبیق دهند، بسیار حیاتی است.
هوش مصنوعی ضعیف در برابر هوش مصنوعی قوی
به منظور درک بهتر اینکه هوش مصنوعی چیست و کاربرد آن در سطوح مختلف پیچیدگی و پیشرفتگی به چه صورت است، پژوهشگران چندین نوع هوش مصنوعی را بر اساس سطح پیشرفتگی آنها تعریف کردهاند:
هوش مصنوعی ضعیف: که با نام «هوش مصنوعی محدود» نیز شناخته میشود، به سیستمهای هوش مصنوعی اشاره دارد که برای انجام یک کار مشخص یا مجموعهای از کارها طراحی شدهاند. به عنوان نمونه میتوان به برنامههای دستیار صوتی «هوشمند» مانند الکسای آمازون، سیری اپل، چتباتهای شبکههای اجتماعی یا خودروهای خودرانی که تسلا وعده آنها را داده است، اشاره کرد.
هوش مصنوعی قوی: که با نام هوش مصنوعی عمومی (AGI) نیز شناخته میشود، توانایی درک، یادگیری و بهکارگیری دانش را در طیف گستردهای از کارها، در سطحی برابر با هوش انسانی یا فراتر از هوش انسانی دارد. این سطح از هوش مصنوعی در حال حاضر نظری است و هیچ سیستم هوش مصنوعی شناختهشدهای به این سطح از پیشرفتگی نزدیک نشده است. پژوهشگران استدلال میکنند که حتی در صورت امکانپذیر بودن دستیابی به AGI، این امر مستلزم افزایش چشمگیر قدرت محاسباتی است. با وجود پیشرفتهای اخیر در توسعه هوش مصنوعی، سیستمهای هوش مصنوعی خودآگاه در داستانهای علمی-تخیلی همچنان در همان قلمرو تخیل باقی ماندهاند.
تاریخچه هوش مصنوعی
ایده «ماشینی که فکر میکند» به یونان باستان بازمیگردد. اما از زمان ظهور محاسبات الکترونیکی (و در رابطه با برخی از موضوعات بحثشده در این مقاله)، رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:
- 1950 آلن تورینگ مقاله Computing Machinery and Intelligence را منتشر کرد. در این مقاله، تورینگ که به دلیل شکستن کد انیگما (ENIGMA) آلمان در طول جنگ جهانی دوم مشهور است و اغلب از او به عنوان «پدر علوم کامپیوتر» یاد میشود، این سوال را مطرح میکند: «آیا ماشینها میتوانند فکر کنند؟»
- او در ادامه، آزمونی را پیشنهاد میکند که اکنون به عنوان «آزمون تورینگ» شناخته میشود؛ آزمونی که در آن یک ارزیاب انسانی تلاش میکند پاسخ متنی یک کامپیوتر را از پاسخ یک انسان تشخیص دهد. اگرچه این آزمون از زمان انتشار مورد بررسیهای انتقادی زیادی قرار گرفته است، اما همچنان بخش مهمی از تاریخچه هوش مصنوعی و مفهومی جاری در فلسفه به شمار میرود، زیرا از ایدههای مربوط به زبانشناسی بهره میبرد.
- 1956 جان مککارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث، واژه «هوش مصنوعی» را ابداع کرد. (مککارتی در ادامه زبان Lisp را اختراع کرد.) اواخر همان سال، آلن نیوول، جی. سی. شاو و هربرت سایمون، Logic Theorist را که اولین برنامه کامپیوتری در حوزه هوش مصنوعی بود که اجرا شد، ساختند.
- 1967 فرانک روزنبلات پرسپترون مارک ۱ (Mark 1 Perceptron) را ساخت؛ اولین کامپیوتر مبتنی بر شبکه عصبی که از طریق آزمون و خطا «یاد میگرفت». تنها یک سال بعد، ماروین مینسکی و سیمور پاپرت کتابی به نام Perceptrons را منتشر کردند که هم به اثری برجسته در زمینه شبکههای عصبی تبدیل شد و هم، حداقل برای مدتی، به عنوان استدلالی علیه تحقیقات آینده در حوزه شبکههای عصبی مورد استفاده قرار گرفت.
- 1980 شبکههای عصبی که از الگوریتم پسانتشار (backpropagation) برای آموزش خود استفاده میکنند، به طور گسترده در برنامههای کاربردی هوش مصنوعی مورد استفاده قرار گرفتند.
- 1995 استوارت راسل و پیتر نورویگ کتاب Artificial Intelligence: A Modern Approach را منتشر کردند که به یکی از کتابهای درسی مرجع در مطالعه هوش مصنوعی تبدیل شد. آنها در این کتاب به چهار هدف یا تعریف بالقوه برای هوش مصنوعی میپردازند که سیستمهای کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل کردن متمایز میکنند.
- 1997 ابرکامپیوتر دیپ بلو (Deep Blue) متعلق به آیبیام، گری کاسپاروف قهرمان وقت شطرنج جهان را در یک مسابقه شطرنج (و بازی مجدد) شکست داد.
- 2004 جان مککارتی مقالهای با عنوان What Is Artificial Intelligence? (هوش مصنوعی چیست؟) نوشت و تعریفی برای هوش مصنوعی ارائه داد که بارها به آن استناد شده است. تا این زمان، دوران دادههای بزرگ (big data) و رایانش ابری آغاز شده بود و سازمانها را قادر میساخت تا مجموعههای بسیار بزرگتری از دادهها را مدیریت کنند که روزی برای آموزش مدلهای هوش مصنوعی مورد استفاده قرار میگرفتند.
- 2011 سیستم IBM Watson® قهرمانان مسابقه Jeopardy! یعنی کن جنینگز و برد راتر را شکست داد. همچنین، در همین دوران، علم داده به عنوان یک رشته محبوب شروع به ظهور کرد.
- 2015 ابرکامپیوتر Minwa متعلق به بایدو از یک شبکه عصبی عمیق ویژه به نام convolutional neural network برای شناسایی و دستهبندی تصاویر با دقتی بالاتر از یک انسان معمولی استفاده کرد.
- 2016 برنامه AlphaGo متعلق به دیپمایند (DeepMind) که از یک شبکه عصبی عمیق قدرت میگرفت، لی سدول قهرمان جهان در بازی Go را در یک مسابقه پنجبازی شکست داد. این پیروزی با توجه به تعداد بسیار زیاد حرکتهای ممکن در طول بازی بسیار اهمیت داشت (بیش از ۱۴.۵ تریلیون احتمال تنها پس از چهار حرکت). بعدها، گوگل شرکت دیپمایند را با مبلغی معادل ۴۰۰ میلیون دلار خریداری کرد.
- 2022 ظهور مدلهای زبانی بزرگ یا همان LLMها مانند ChatGPT از شرکت OpenAI، تغییر عظیمی در عملکرد هوش مصنوعی و پتانسیل آن برای ارزشآفرینی در کسبوکارها ایجاد کرد. با استفاده از این روشهای نوین هوش مصنوعی مولد، مدلهای یادگیری عمیق میتوانند از قبل روی مقادیر عظیمی از دادهها آموزش ببینند.
- 2024 آخرین روندهای هوش مصنوعی به رنسانس مداوم هوش مصنوعی اشاره دارند. مدلهای چندوجهی (multimodal) که میتوانند انواع مختلفی از دادهها را به عنوان ورودی دریافت کنند، تجربههای غنیتر و پویاتری را ارائه میدهند. این مدلها قابلیتهای تشخیص تصویر بینایی کامپیوتر (computer vision) و تشخیص گفتار NLP را با هم ترکیب میکنند. همچنین در عصبی که مدلهای عظیم با تعداد پارامترهای بسیار بالا بازدهی نزولی پیدا کردهاند، مدلهای کوچکتر در حال پیشرفتهای بزرگی هستند.
در مقاله تاریخچه هوش مصنوعی مفصل به این موضوعات پرداخته شده است.
چگونه هوش مصنوعی را یادبگیریم؟ (شروع مسیر یادگیری)
بعد از آشنایی با اهمیت و کاربردهای این حوزه، معمولا اولین سؤال این است که «از کجا باید شروع کنم؟». هوش مصنوعی حوزهای میانرشتهای و پویا است و مسیرهای مختلفی برای یادگیری آن وجود دارد. اگر به دنبال یک مسیر مشخص و مرحلهبهمرحله هستید، نقشه راه یادگیری هوش مصنوعی دیتایاد میتواند نقطهی شروع مناسبی باشد.
مرور مسیر یادگیری در یک نگاه
برای ورود مؤثر به این حوزه، معمولاً یک مسیر ساختارمند پیشنهاد میشود:
پایههای ریاضی و برنامهنویسی:
تسلط نسبی بر پایتون، جبر خطی، احتمال و آمار به درک بهتر مفاهیم ضروری است. برای یادگیری درست و اصولی این حوزه، باید زمان مناسبی را صرف آموزش ریاضیات هوش مصنوعی کنیم.
آشنایی با مبانی یادگیری ماشین:
ابتدا بهتر است با الگوریتمهای یادگیری با نظارت و بدون نظارت و مفاهیم پایه مدلسازی آشنا شوید.
ورود به یادگیری عمیق و شبکههای عصبی:
برای کار با دادههای حجیم و مسائل پیچیدهتر، یادگیری عمیق و آشنایی با فریمورکهایی مثل TensorFlow یا PyTorch ضروری است.
اجرای پروژههای عملی:
پیادهسازی الگوریتمها روی دادههای واقعی و انجام پروژههای کوچک، بیشترین تأثیر را در تثبیت یادگیری دارد.
اگر قصد دارید این مسیر را بهصورت قدمبهقدم و جامع دنبال کنید، دوره هوش مصنوعی با پایتون همهی این مباحث را از پایه پوشش میدهد تا بتوانید بدون پیشنیاز وارد این حوزه شوید.
بر اساس تجربه ما در تیم آموزشی دیتایاد و کار با صدها دانشجو، بزرگترین ترسی که افراد برای ورود به دنیای هوش مصنوعی دارند، مباحث پیچیده ریاضی و برنامهنویسی است. همچنین بسیاری افراد در پیدا کردن نقطه شروع و ادامه مسیر یادگیری دچار سردرگمی هستند. بسیاری از دانشجویان ما در جلسات اول میپرسند که آیا بدون پیشزمینه قوی میتوانند موفق شوند؟ پاسخ ما همیشه این است که بله! ما در دیتایاد دیدهایم کسانی که مسیر یادگیری را به صورت پروژهمحور پیش میبرند و به جای حفظ کردن فرمولها، سعی میکنند با پایتون یک مدل ساده بسازند، خیلی سریعتر جذب بازار کار ایران میشوند. بازار کار امروز، بیشتر از تئوری، به دنبال کسانی است که بتوانند هوش مصنوعی را برای حل مشکلات واقعی کسبوکارها به کار بگیرند.
سوالات متداول
۱. تفاوت هوش مصنوعی (AI) با یادگیری ماشین (ML) چیست؟
هوش مصنوعی مفهوم کلی شبیهسازی هوش انسان در ماشینها است، در حالی که یادگیری ماشین یکی از زیر مجموعههای اصلی آن به شمار میرود. در یادگیری ماشین، سیستمها به جای برنامهنویسی مستقیم، از طریق تحلیل دادهها و الگوها یاد میگیرند که چگونه پیشبینی کنند یا تصمیم بگیرند.
۲. هوش مصنوعی مولد (Generative AI) چگونه کار میکند؟
هوش مصنوعی مولد ابتدا روی حجم عظیمی از دادهها آموزش میبیند تا یک «مدل پایه» ایجاد کند. سپس بر اساس دستور یا پرامپت کاربر، با استفاده از الگوریتمهای پیشرفته یادگیری عمیق، محتوای جدید و اصیلی مانند متن، تصویر یا کد تولید میکند.
۳. تفاوت هوش مصنوعی ضعیف و قوی در چیست؟
هوش مصنوعی ضعیف (یا محدود) برای انجام یک وظیفه مشخص مانند دستیارهای صوتی یا شطرنج طراحی شده است. در مقابل، هوش مصنوعی قوی (AGI) توانایی درک و یادگیری هر کار فکری را در سطح انسان یا فراتر از آن دارد که در حال حاضر فناوری کاملاً نظری است.
۴. حاکمیت هوش مصنوعی چیست و چرا اهمیت دارد؟
حاکمیت هوش مصنوعی شامل چارچوبها و سازوکارهای نظارتی است که به مدیریت خطرات، امنیت دادهها، رفع سوگیریهای الگوریتمی و رعایت حریم خصوصی کمک میکند تا اطمینان حاصل شود که فناوری هوش مصنوعی به شکلی اخلاقی و مسئولانه توسعه مییابد.
