اصطلاحات مهم و کاربردی هوش مصنوعی چه معنایی دارند؟

با توجه به گسترش نقش هوش مصنوعی در زندگی روزمره و صنایع مختلف، آشنایی با مفاهیم و واژه‌های تخصصی این حوزه اهمیت روزافزونی یافته است. بسیاری از علاقه‌مندان، دانشجویان و حتی فعالان فناوری، هنگام مطالعه اخبار و متون تخصصی یا استفاده از ابزارهای هوشمند با اصطلاحاتی مانند AGI، شبکه عصبی، مدل‌های زبانی بزرگ یا پدیده‌هایی چون توهم مدل‌های هوشمند مواجه می‌شوند. در این گزارش به نقل از TechCrunch، سعی شده است مهم‌ترین و پرکاربردترین این اصطلاحات به زبان ساده، به صورت دسته‌بندی‌شده و کاربردی ارائه شود تا راهنمایی قابل اتکا برای ورود به دنیای هوش مصنوعی باشد.

شرح مفاهیم بنیان‌گذار و اصلی

هوش عمومی مصنوعی (AGI): هوش عمومی مصنوعی به سامانه‌هایی اطلاق می‌شود که در انجام بسیاری از انواع وظایف شناختی، عملکردی هم‌تراز یا فراتر از انسان دارند. در تعریف‌های مختلف، این مفهوم از توانمندی در انجام کار‌های ارزشمند اقتصادی تا برابری با انسان در فعالیت‌های شناختی روزمره مطرح شده است.

شبکه عصبی (Neural Network): شبکه عصبی به ساختار چندلایه‌ای از الگوریتم‌ها اشاره دارد که الهام‌گرفته از ارتباطات نورون‌های مغز انسان است و نقش زیربنایی در یادگیری عمیق و مدل‌های زبانی بزرگ ایفا می‌کند.

یادگیری عمیق (Deep Learning): نوعی یادگیری ماشینی است که در آن ساختار‌های شبکه عصبی چندلایه به کار گرفته می‌شود تا خودکار ویژگی‌های مهم داده‌ها را استخراج کرده و اصلاح نماید. این روش برای مشکلات پیچیده و داده‌های حجم بالا به کار می‌رود.

مدل زبانی بزرگ (LLM): مدل‌های زبانی بزرگ نظیر ChatGPT و Gemini، شبکه‌های عصبی حجیم با میلیارد‌ها پارامترند که با تحلیل الگو‌های زبانی در متون متعدد، قادر به تولید و پیش‌بینی زبان به صورت مشابه انسان هستند.

اصطلاحات تخصصی پیشرفته

عامل هوشمند (AI Agent): عامل هوشمند، ابزاری مبتنی بر هوش مصنوعی است که وظایف چندمرحله‌ای مانند ثبت هزینه، رزرو یا کدنویسی را به طور خودکار انجام می‌دهد. این عوامل معمولا با همکاری چند سامانه هوشمند دیگر فعالیت می‌کنند.

تفکر زنجیره‌ای (Chain of Thought): در این رویکرد، مدل مسئله را به گام‌های میانی تقسیم می‌کند تا کیفیت پاسخ به ویژه در کار‌های منطقی و کدنویسی افزایش یابد.

انتشار (Diffusion): الگوریتم‌های انتشار، ساختار داده‌ای مانند تصویر یا صدا را با افزودن نویز کاهش داده و سپس در فرآیندی معکوس، داده اولیه را بازسازی می‌کنند. این رویکرد، پایه مدل‌های مولد تصویر و موسیقی مبتنی بر هوش مصنوعی است.

شبکه مولد مقابله‌ای (GAN): شبکه‌های مولد مقابله‌ای، شامل دو مدل مجزا و رقیب هستند: مولد وظیفه تولید داده به عهده دارد و متمایزکننده نقش تشخیص داده مصنوعی را ایفا می‌کند. این فرایند رقابتی موجب تولید خروجی‌هایی نزدیک به واقعیت می‌شود، به ویژه در زمینه تولید تصویر و ویدئو.

فرآیند‌های یادگیری و بهبود مدل‌ها

توصیف‌گری (Distillation): این روش برای ایجاد مدل‌های کوچکتر و چابک‌تر با انتقال دانش از مدل بزرگ‌تر به مدل کوچک‌تر (دانش‌آموز-معلم) به کار می‌رود تا ضمن حفظ دقت، هزینه پردازشی کاهش یابد.

تنظیم دقیق (Fine-tuning): فرآیندی که طی آن مدل اولیه با اضافه کردن داده‌های تخصصی و جدید برای انجام یک وظیفه خاص، عملکرد خود را ارتقاء می‌دهد.

یادگیری انتقالی (Transfer Learning): استفاده از مدل از پیش آموزش‌دیده برای توسعه قابلیت‌های جدید بر پایه داده یا وظیفه‌ای متفاوت، که موجب تسریع در توسعه مدل و کاهش نیاز به داده زیاد می‌شود.

وزن‌ها (Weights): وزن‌ها پارامتر‌های عددی هستند که میزان اهمیت هر ویژگی ورودی در داده را تعیین می‌کنند. آموزش مدل از طریق تغییر وزن‌ها بر مبنای داده‌های نمونه انجام می‌شود.

کارکرد‌های مدل و خطرات محتمل

توهم (Hallucination): پدیده‌ای که مدل هوش مصنوعی، داده یا اطلاعاتی نادرست تولید می‌کند. این موضوع بیشتر ناشی از کاستی داده‌های آموزشی است و می‌تواند منجر به ارائه اطلاعات گمراه‌کننده یا اشتباه شود.

استنتاج (Inference): فرآیند استفاده از مدل آموزشیافته برای پیش‌بینی یا نتیجه‌گیری بر پایه داده‌های جدید است. سرعت و کارایی استنتاج به توان سخت‌افزا‌های مورد استفاده وابسته است.

آموزش (Training): فرآیندی که طی آن مدل هوش مصنوعی با دریافت حجم زیادی از داده و با استفاده از الگوریتم‌های بهینه‌ساز، الگو‌ها و وابستگی‌ها را استخراج می‌کند تا بتواند خروجی‌های کاربردی ارائه دهد.

صنعت هوش مصنوعی با پیشرفت‌های مداوم در حوزه مدل‌سازی و یادگیری، هر روز با واژه‌ها و مفاهیم جدید رو‌به‌رو می‌شود. آشنایی با مبانی و اصطلاحات کلیدی، ابزار ضروری برای درک بهتر عملکرد مدل‌ها و چالش‌های جاری محسوب می‌شود. این واژه‌نامه به صورت دوره‌ای به‌روزرسانی خواهد شد تا آخرین دستاورد‌ها و چالش‌ها را منعکس کند.