اصطلاح «هوش مصنوعی» از دهه 1950 در علوم کمپیوتر به‌کار برده می‌شود، اما اکثر افراد خارج از صنعت فناوری، از آن تا انتهای سال 2022 صحبت نمی‌کردند. این به این دلیل است که پیشرفت‌های اخیر در «یادگیری ماشینی» منجر به پیشرفت‌های بزرگی شده‌اند که شروع به تأثیر گذاری عمیق بر تقریباً هر جنبه‌ای از زندگی ما کرده‌اند. ما اینجا برخی از اصطلاحاتی را تشریح می‌کنیم که بتوانید مفاهیم اساسی هوش مصنوعی را بهتر درک کنید و با آن به بخشی از گفت‌و‌گوی جهانی بپیوندید.
1. هوش مصنوعی - Artificial Intelligence (AI)
هوش مصنوعی در اصل یک سیستم کمپیوتری بسیار هوشمند است که به بعضی از روش‌های انسانی می‌تواند شبیه شود، مانند درک آنچه مردم می‌گویند، تصمیم‌گیری، ترجمه بین زبان‌ها، تجزیه و تحلیل اگر چیزی منفی یا مثبت است، و حتی یادگیری از تجربیات. این هوش، مصنوعی است که توسط انسان‌ها با استفاده از تکنولوژی ایجاد شده است. بعضی اوقات مردم می‌گویند که سیستم‌های هوش مصنوعی مغزهای دیجیتال دارند، اما آنها ماشین‌های فیزیکی یا ربات‌های فیزیکی نیستند - آنها برنامه‌هایی هستند که روی کمپیوترها اجرا می‌شوند. آنها با انجام مجموعه‌های بزرگی از داده‌ها از طریق الگوریتم‌ها، که مجموعه‌ای از دستورات هستند، مدل‌هایی ایجاد می‌کنند که می‌توانند وظایفی را خودکار سازی کنند که به طور معمول نیاز به هوش و زمان انسانی دارند. بعضی اوقات مردم به طور خاص با یک سیستم هوش مصنوعی در تعامل هستند - مانند درخواست کمک از Bing Chat برای کمک به مسائلی - اما بیشتر هوش مصنوعی در پس‌زمینه در اطراف ما اتفاق می‌افتد، کلماتی را در حین تایپ توصیه می‌کند، آهنگ‌ها را در لیست پخش‌ها پیشنهاد می‌کند و اطلاعات بیشتر واجد ارتباط‌تری بر اساس ترجیحات ما ارائه می‌دهد.
2. یادگیری ماشین - Machine Learning
اگر هوش مصنوعی هدف باشد، «یادگیری ماشین» راهی است که ما به آن می‌رسیم. این یک حوزه از علوم کمپیوتر است که در چتر هوش مصنوعی قرار دارد،، جایی که مردم به یک سیستم کمپیوتری، چگونگی انجام یک کار را برای شناسایی الگوها و پیش‌بینی‌ها بر اساس آنها آموزش می‌دهند. داده‌ها به صورت مکرر از طریق الگوریتم‌ها اجرا می‌شوند، هر بار با ورودی و بازخورد متفاوت تا به سیستم کمک شود تا در فرآیند آموزش یاد بگیرد و بهبود یابد - مانند تمرین مقیاس‌های پیانو ۱۰ میلیون بار برای خواندن نت‌های موسیقی در آینده. این به ویژه در حل مسائلی مفید است که در غیر این صورت با استفاده از تکنیک‌های برنامه‌نویسی سنتی دشوار یا غیرممکن باشد، مانند شناسایی تصاویر و ترجمه زبان‌ها. این مقدار زیادی از داده (دیتا) را می‌گیرد، و این چیزی است که تنها در سال‌های اخیر ما توانسته‌ایم از آن بهره ببریم زیرا اطلاعات بیشتری به صورت دیجیتال درآورده شده است و سخت‌افزار کمپیوتر سریع‌تر، کوچک‌تر، قدرتمندتر و بهتر شده است تا بتواند همه آن اطلاعات را پردازش کند. به همین دلیل مدل‌های زبان بزرگی که از یادگیری ماشین استفاده می‌کنند - مانند Bing Chat، ChatGPT، Claude و Gemini - ناگهان در صحنه ظاهر شده‌اند.
3. مدل‌های بزرگ زبان - Large Language Models (LLM)
مدل‌های بزرگ زبان یا LLMها از تکنیک‌های یادگیری ماشین برای کمک در پردازش زبان استفاده می‌کنند تا بتوانند روش ارتباط انسان‌ها را تقلید کنند. آنها بر اساس شبکه‌های عصبی است، که سیستم‌های محاسباتی الهام گرفته از مغز انسان می‌باشند - مانند یک دسته از گره‌ها و اتصالاتی که نورون‌ها و رشته‌های اتصالات عصبی را شبیه‌سازی می‌کنند. آنها بر روی یک مقدار عظیمی از متن‌ها آموزش دیده می‌شوند تا الگوها و روابط در زبان را بیاموزند که به آنها در استفاده از کلمات انسانی کمک می‌کند. قابلیت حل مسائل آنها می‌تواند برای ترجمه زبان‌ها، پاسخ دادن به سوالات به صورت چت‌بات، خلاصه‌سازی متون و حتی نوشتن داستان‌ها، شعرها و کد‌های کمپیوتری استفاده شود. آنها افکار یا احساساتی ندارند، اما گاهی اوقات مانند اینکه احساساتی دارند را نیز نمایش می‌دهند، زیرا الگوها را یاد گرفته‌اند که به آنها کمک می‌کند به همان روشی که انسان ممکن است عمل کند، پاسخ دهند. آنها اغلب توسط توسعه‌دهندگان با استفاده از فرآیند یادگیری تقویتی از بازخورد انسانی {Reinforcement Learning from Human Feedback (RLHF)} تنظیم می‌شوند تا به آنها کمک کند تا مکالمه‌ای‌تر به نظر برسند.
4. هوش مصنوعی مولد - Generative AI
هوش مصنوعی مولد از قدرت مدل‌های زبانی بزرگ، نه اینکه فقط اطلاعاتی درباره چیزهای موجود ارائه کند، بلکه الگوها و ساختارها را از آن می‌آموزد و سپس چیزی مشابه اما جدید تولید می‌کند. می‌تواند چیزهایی مانند عکس، موسیقی، متن، ویدئوها و کد بسازد. می‌توان از آن برای خلق آثار هنری، نوشتن داستان‌ها، طراحی محصولات، و حتی کمک به پزشکان در انجام وظایف اداری استفاده کرد. اما همچنین می‌تواند توسط اشخاص بد برای ایجاد و انتشار اخبار جعلی یا تصاویری که شبیه عکس‌هایی به نظر می‌رسند اما واقعی نیستند، استفاده شوند، بنابراین شرکت‌های فناوری در حال کار روی روش‌هایی برای شناسایی واضح محتوای تولید شده توسط هوش مصنوعی هستند.
5. توهمات - Hallucinations
سیستم‌های هوش مصنوعی مولد می‌توانند داستان، شعv و آهنگ بسازند، اما گاهی اوقات می‌خواهیم نتایج براساس حقیقت باشند. از آنجایی که این سیستم‌ها نمی‌توانند تفاوت بین واقعی و جعلی را تشخیص دهند، ممکن‌ست پاسخ‌های نادرستی ارائه دهند که توسعه‌دهندگان به آنها توهمات یا به‌اصطلاح دقیق‌تر، ساختگی می‌گویند — بسیار شبیه به این که کسی چیزی شبیه به خطوط صورت را روی ماه ببیند و ادعا کند که یک مرد واقعی در ماه است. توسعه‌دهندگان سعی می‌کنند این مشکلات را از طریق "پایه‌گذاری" حل کنند، که به معنی ارائه اطلاعات اضافی از منبع یا منابع معتبر به سیستم هوش مصنوعی برای بهبود دقت در مورد موضوع خاصی است. گاهی اوقات پیش‌بینی‌های سیستم نیز اشتباه است، اگر مدل پس از آموزش، اطلاعات بروز نداشته باشد.
6. هوش مصنوعی مسئولیت‌پذیر - Responsible AI
هوش مصنوعی مسئول راهنمایی‌هایی را ارائه می‌دهد که افراد در طراحی سیستم‌های ایمن و منصفانه در هر سطح، از جمله مدل یادگیری ماشین، نرم‌افزار، رابط کاربری و قوانین و محدودیت‌های دسترسی به یک برنامه، آن را دنبال کنند. این عنصر حیاتی است زیرا این سیستم‌ها اغلب وظیفه دارند که به تصمیم‌گیری‌های مهم درباره افراد کمک کنند، مانند آموزش و مراقبت‌های بهداشتی، اما از آنجایی‌که توسط انسان‌ها ایجاد شده و بر اساس داده‌های یک دنیای ناقص آموزش دیده‌اند، ممکن‌ست هرگونه تعصب و سوءگیری ذاتی را بازتاب دهند. بخش بزرگی از هوش مصنوعی مسئولیت‌پذیر شامل درک داده‌هایی است که برای آموزش سیستم‌ها استفاده شده و یافتن راه‌هایی برای کاهش هر گونه کمی و کاستی به‌منظور بهتر منعکس کردن جامعه به طور کلی، و نه فقط گروه‌های خاصی از مردم، می‌شود.
7. مدل‌های چندوجهی - Multimodal Models
مدل چندوجهی یا چندحالتی می‌تواند به طور همزمان با انواع و حالت‌های مختلفی از داده‌ها کار کند. این مدل می‌تواند به تصاویر نگاه کند، به صداها گوش دهد و کلمات را بخواند. این مدل نهایت توانایی چندوظیفگی را دارد! می‌تواند تمام این اطلاعات را برای انجام کارهایی مانند پاسخ به سؤالات درباره تصاویر ترکیب کند.
8. پیشنهادات - Prompts
پیشنهاد یک دستورالعمل است که به صورت زبان، تصاویر یا کد وارد یک سیستم می‌شود و به هوش مصنوعی می‌گوید چه وظیفه‌ای را انجام دهد. مهندسان - و در واقع همه ما که با سیستم‌های هوش مصنوعی سروکار داریم - باید دستورالعمل‌ها را به دقت طراحی کنند تا نتیجه دلخواه از مدل‌های زبانی بزرگ بدست بیاید. مثل این‌ست که سفارش خود را در یک پیشخوان اغذیه‌فروشی ثبت کنید: شما فقط یک ساندویچ نمی‌خواهید، بلکه نوع نان، نوع و مقدار چاشنی‌ها، سبزیجات، پنیر و گوشت را مشخص می‌کنید تا نهاری خوشمزه و مغذی داشته باشید.
9. کمک‌خلبان‌ها - Copilots
کوپایلت یا کمک‌خلبان مانند یک دستیار شخصی است که در انواع برنامه‌های دیجیتال در کنار شما کار می‌کند و در مورادی مانند نوشتن، کدنویسی، خلاصه‌سازی و جستجو کمک تان می‌کند. همچنین می‌تواند به شما در تصمیم‌گیری و درک حجم زیادی از داده‌ها کمک کند. توسعه اخیر مدل‌های زبانی بزرگ، کمک‌خلبان‌ها را بیشتر امکان‌پذیرتر ساخته، و به آنها اجازه می‌دهد زبان طبیعی انسان را درک کنند و به آن پاسخ دهند، محتوا بسازند یا در حین کار در برنامه‌های مختلف کمپیوتری عمل کنند. کمک‌خلبان‌ها با رعایت اصول هوش مصنوعی مسئولیت‌پذیر ساخته شده‌اند تا اطمینان حاصل شود که آنها ایمن و مطمئن هستند و به شیوه‌ای خوب استفاده می‌شوند. مانند یک کمک‌خلبان در هواپیما، آنها مسئول نیستند - شما مسئول هستید - اما آنها ابزاری هستند که می‌توانند به شما کمک کنند کارآمدتر و موثرتر باشید.
10. افزونه‌ها - Plugins
افزونه‌ها کمی شبیه زمانی هستند که شما اپلیکیشن‌هایی به تلفن هوشمند خود اضافه می‌کنید: آنها برای رفع نیازهای ویژه‌ای که ممکن است به وجود آیند، وارد عمل می‌شوند و برنامه‌های هوش مصنوعی را قادر می‌سازند تا کارهای بیشتری انجام دهند بدون اینکه مدل پایه و اصلی را تغییر دهند. آنها همان چیزی هستند که به کمک‌خلبان‌ها اجازه می‌دهند با نرم‌افزارها و خدمات دیگر تعامل داشته باشند، برای مثال. آنها می‌توانند به سیستم‌های هوش مصنوعی کمک کنند تا به اطلاعات جدید دسترسی پیدا کنند، ریاضیات پیچیده را انجام دهند یا با برنامه‌های دیگر صحبت کنند. آنها سیستم‌های هوش مصنوعی را با اتصال آنها به بقیه دنیای دیجیتال قدرتمندتر می‌کنند.
منبع: مایکروسافت | برگردان: ا. عبیدی
