بررسی اصطلاحات هوش مصنوعی از 0 تا 100

 

در دنیای امروز، هوش مصنوعی (AI) به یکی از مهم‌ترین و داغ‌ترین موضوعات فناوری تبدیل شده است. اما اگر تازه‌کار باشید یا حتی تجربه‌ کمی در این حوزه داشته باشید، احتمالاً با اصطلاحاتی روبه‌رو شده‌اید که معنی آن‌ها برایتان واضح نبوده است. در این مقاله از آی لرن (AiLearn)، قصد داریم به زبان ساده و قابل فهم، مهم‌ترین اصطلاحات هوش مصنوعی را بررسی کنیم؛ از الگوریتم‌های یادگیری ماشین گرفته تا مفاهیمی مثل شبکه‌های عصبی، مدل‌های زبانی، و یادگیری عمیق.

اگر می‌خواهید درک بهتری از مفاهیم رایج در هوش مصنوعی داشته باشید و هنگام مطالعه یا کار با این فناوری‌ها گیج نشوید، با ما در آیلرن همراه باشید. این راهنمای جامع می‌تواند برای دانشجویان، برنامه‌نویسان، علاقه‌مندان به تکنولوژی و حتی افراد غیرمتخصص مفید باشد.

 

AI (artificial intelligence)

Ai مخفف کلمه artificial intelligence است و به معنای شبیه سازی فرایندهای هوش انسانی توسط ماشین ها یا سیستم های کامپیوتری است. هوش مصنوعی این توانایی را دارد که مانند انسان ارتباط برقرا ر کرده، یادبگیرد و تصمیم گیری را تقلید کند.

AI ethics (اخلاق هوش مصنوعی)

اخلاق هوش مصنوعی به مسائلی اشاره دارد که ذینفعان هوش مصنوعی مانند مهندسان و مقامات دولتی باید برای اطمینان از توسعه و استفاده مسئولانه از این فناوری در نظر بگیرند. این بدان معناست که باید سیستم‌هایی را اتخاذ و اجرا کرد که از رویکردی ایمن، مطمئن، بی‌طرفانه و سازگار با محیط‌زیست در هوش مصنوعی پشتیبانی کنند.

Algorithm (الگوریتم)

الگوریتم یک دنباله از قوانین است که به یک ماشین هوش مصنوعی داده می‌شود تا یک کار را انجام دهد یا یک مسئله را حل کند. الگوریتم‌های رایج شامل طبقه‌بندی، رگرسیون و خوشه‌بندی می‌شوند. به عبارت ساده، الگوریتم یادگیری ماشین مانند یک دستور پخت است که به رایانه‌ها اجازه می‌دهد از داده‌ها یاد بگیرند و پیش‌بینی کنند. به جای اینکه به رایانه صریحاً بگوییم چه کاری انجام دهد، حجم زیادی از داده‌ها را در اختیار آن قرار می‌دهیم و اجازه می‌دهیم الگوها، روابط و بینش‌ها را به تنهایی کشف کند.

10 الگوریتم یادگیری ماشینی که دانستن آنها لازم است.

API (رابط برنامه‌نویسی کاربردی)

API یا ر ابط برنامه‌نویسی کاربردی، مجموعه‌ای از پروتکل‌ها است که نحوه تعامل دو نرم‌افزار با یکدیگر را تعیین می‌کند. APIها معمولاً با زبان‌های برنامه‌نویسی مانند C++ یا جاوا اسکریپت نوشته می‌شوند.
به بیان دیگر API مخفف رابط برنامه‌نویسی کاربردی است. یک API مجموعه‌ای از پروتکل‌ها و دستورالعمل‌هایی است که به زبان‌های برنامه‌نویسی مانند C++ یا JavaScript نوشته شده‌اند و نحوه برقراری ارتباط دو مؤلفه نرم‌افزاری را با یکدیگر تعیین می‌کنند. برخلاف رابط کاربری که برای همه قابل مشاهده است، APIها در پشت صحنه کار می‌کنند تا به کاربران امکان یافتن و بازیابی اطلاعات مورد درخواست را بدهند. APIها را مانند قراردادهایی در نظر بگیرید که نحوه تعامل دو سیستم نرم‌افزاری را تعیین می‌کنند.

به عنوان یک کاربر اینترنت، احتمالاً راحتی فناوری API را هنگام مرور یک وب‌سایت یا استفاده از یک برنامه موبایل تجربه کرده‌اید. رابط‌های برنامه‌نویسی کاربردی (APIها) جنبه‌ای حیاتی از تجربه کاربری (UX) هستند که در پشت صحنه عمل می‌کنند. چند مثال آشنا از APIها و نحوه استفاده از آن‌ها توسط مالک یا مدیر یک وب‌سایت را در نظر بگیرید:

API یوتیوب به شما امکان می‌دهد ویدیوها را به وب‌سایت یا برنامه خود اضافه کنید و همچنین لیست‌های پخش و اشتراک‌های خود را مدیریت کنید.
API فیسبوک برای تبدیل‌ها به شما امکان می‌دهد بازدیدهای صفحه و تبدیل‌ها را ردیابی کنید و همچنین داده‌هایی برای هدف‌گیری تبلیغات و گزارش‌دهی ارائه دهید.
API گوگل مپس به شما امکان می‌دهد نقشه‌های ثابت و پویا و همچنین تصاویر نمای خیابان را در وب‌سایت خود جاسازی کنید.

Big Data (داده های بزرگ، کلان داده)

داده‌های بزرگ به مجموعه‌های عظیمی از داده‌ها اشاره دارد که می‌توان آن‌ها را مطالعه کرد تا الگوها و روندها را برای پشتیبانی از تصمیمات تجاری آشکار کند. به آن “بزرگ” می‌گویند، زیرا سازمان‌ها اکنون می‌توانند با استفاده از ابزارها و سیستم‌های جمع‌آوری داده‌ها، مقادیر عظیمی از داده‌های پیچیده را جمع‌آوری کنند. داده‌های بزرگ را می‌توان بسیار سریع جمع‌آوری کرد و در قالب‌های مختلف ذخیره کرد.

چگونه از داده‌های بزرگ استفاده می‌شود؟
تقریباً هر نهاد می‌تواند از داده‌های بزرگ برای کسب بینش‌های ارزشمند و تصمیم‌گیری در مورد عملیات خود استفاده کند. به عنوان مثال، یک کسب‌وکار می‌تواند داده‌های جمع‌آوری‌شده را تجزیه و تحلیل کند تا ترجیحات مشتریان را بهتر درک کند و استراتژی‌های تجاری مؤثری تدوین کند.

داده‌های بزرگ در سیستم‌های مراقبت بهداشتی می‌توانند برای یافتن علائم مشترک بیماری‌ها یا تصمیم‌گیری در مورد تعداد پرسنل مورد نیاز در یک بخش بیمارستان در هر زمان معین استفاده شوند. دولت‌ها ممکن است از داده‌های ترافیک برای برنامه‌ریزی جاده‌های جدید یا ردیابی نرخ جرم و جنایت یا خطرات تروریسم برای تنظیم پاسخ خود استفاده کنند.
تحلیلگران داده و سایر متخصصانی که با داده‌های بزرگ کار می‌کنند ممکن است از ابزارها و روش‌های زیر استفاده کنند:

تحلیل پیش‌بینی: تحلیلگران می‌توانند با استفاده از مدل‌های پیش‌بینی و فناوری یادگیری ماشین، از داده‌ها برای پیش‌بینی احتمال وقوع رویدادها یا روندها در آینده استفاده کنند.
تحلیل بلادرنگ: تحلیل بلادرنگ فرآیندی است که شامل تجزیه و تحلیل و استفاده از داده‌ها در لحظه ورود آن‌ها به پایگاه داده برای تصمیم‌گیری سریع است، مانند زمانی که یک سیستم بانکی پرداختی را به عنوان پرداخت احتمالی کلاهبرداری هنگام انجام آن خارج از کشور علامت‌گذاری می‌کند.

کاوش داده: کاوش داده به فرآیندی اشاره دارد که مقادیر عظیمی از داده‌ها را برای یافتن الگوها، روندها و همبستگی‌ها بررسی می‌کند. یافتن روابط بین نقاط داده برای کمک به سازمان‌ها در تصمیم‌گیری بسیار مهم است.
یادگیری ماشین: یادگیری ماشین – نوعی هوش مصنوعی که به طور مداوم خود را یاد می‌گیرد و بهبود می‌بخشد – به پیش‌بینی روندها و یافتن الگوها در مجموعه داده‌های بزرگ کمک می‌کند. یادگیری ماشین می‌تواند در سازگاری با ورودی‌های داده جدید مفید باشد. نحوه مقیاس‌بندی علم داده و یادگیری ماشین برای داده‌های بزرگ با استفاده از Apache Spark را بیابید.

یادگیری عمیق: یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که بر اساس شبکه‌های عصبی مصنوعی است که فرآیند یادگیری مغز انسان را تقلید می‌کند. اغلب در تشخیص گفتار و متن و همچنین فناوری بینایی رایانه استفاده می‌شود.
انبارهای داده: انبارهای داده مقادیر عظیمی از داده‌های تاریخی را ذخیره می‌کنند. داده‌ها معمولاً تمیز و سازماندهی می‌شوند و می‌توان بعداً برای تجزیه و تحلیل به آن‌ها دسترسی پیدا کرد.

Hadoop :Hadoop یک چارچوب نرم‌افزاری است که برای ذخیره و پردازش حجم عظیمی از داده‌ها استفاده می‌شود که می‌تواند در چندین خوشه رایانه‌ای کار کند. ظرفیت مقیاس‌پذیری آسان Hadoop و توانایی ذخیره انواع مختلف داده‌ها به طور همزمان، آن را به پلتفرمی مناسب برای پردازش داده‌های بزرگ تبدیل کرده است. با دوره UC San Diego در مورد داده‌های بزرگ، نحوه پیمایش در دنیای داده‌های بزرگ و درک Hadoop را بیاموزید.
Apache Spark :Apache Spark یک چارچوب نرم‌افزاری است که تجزیه و تحلیل داده‌ها را با هوش مصنوعی ترکیب می‌کند. اغلب می‌تواند تجزیه و تحلیل‌ها را روی مجموعه داده‌های بزرگ سریع‌تر از Hadoop انجام دهد.

ChatBot (چت‌بات)

چت‌بات یک برنامه نرم‌افزاری است که برای تقلید از مکالمات انسانی از طریق متن یا دستورات صوتی طراحی شده است. مانند ChatGPT.

Cognitive computing (محاسبات شناختی)

محاسبات شناختی اساساً همان هوش مصنوعی (AI) است. این یک مدل کامپیوتری است که بر تقلید فرآیندهای تفکر انسانی مانند تشخیص الگو و یادگیری تمرکز دارد.
ویژگی‌های اصلی محاسبات شناختی:
یادگیری ماشین: سیستم‌های محاسباتی شناختی با استفاده از الگوریتم‌های یادگیری ماشین، قادر به یادگیری از داده‌ها و بهبود عملکرد خود هستند.
پردازش زبان طبیعی (NLP): این سیستم‌ها قادر به درک و تفسیر زبان طبیعی انسان هستند و می‌توانند با انسان‌ها به صورت طبیعی تعامل کنند.
استدلال و استنتاج: سیستم‌های محاسباتی شناختی می‌توانند بر اساس داده‌ها و اطلاعات موجود، استدلال کرده و نتیجه‌گیری کنند.
خودکارسازی: بسیاری از وظایف تکراری و زمان‌بر می‌توانند با استفاده از سیستم‌های محاسباتی شناختی خودکار شوند.

کاربردهای محاسبات شناختی:
خدمات مشتری: چت‌بات‌ها و دستیارهای مجازی که از محاسبات شناختی استفاده می‌کنند، می‌توانند به سوالات مشتریان پاسخ دهند و مشکلات آن‌ها را حل کنند.
سلامت: سیستم‌های محاسباتی شناختی می‌توانند در تشخیص بیماری‌ها، توسعه داروها و شخصی‌سازی درمان‌ها استفاده شوند.
مالی: این سیستم‌ها می‌توانند در پیش‌بینی بازار، تشخیص کلاهبرداری و مدیریت ریسک استفاده شوند.
تولید: سیستم‌های محاسباتی شناختی می‌توانند در بهینه‌سازی فرآیندهای تولید و نگهداری تجهیزات استفاده شوند.

مثال‌های از محاسبات شناختی:
سیری و الکسا: دستیارهای صوتی که از محاسبات شناختی برای درک دستورات صوتی و پاسخگویی به سوالات کاربران استفاده می‌کنند.
واتسون IBM: یک سیستم محاسباتی شناختی که در حوزه‌های مختلفی مانند پزشکی، مالی و حقوق استفاده می‌شود.
در کل، محاسبات شناختی یک حوزه بسیار مهم در هوش مصنوعی است که پتانسیل تغییر بسیاری از صنایع را دارد.

Computer vision (بینایی کامپیوتری)

بینایی کامپیوتری یک حوزه بین رشته‌ای از علم و فناوری است که بر نحوه درک رایانه‌ها از تصاویر و ویدیوها متمرکز است. بینایی کامپیوتری به مهندسان هوش مصنوعی امکان می‌دهد تا فعالیت‌هایی را که معمولاً توسط سیستم بینایی انسان انجام می‌شود، خودکار کنند.

Data mining (کاوش داده، داده کاوی)

کاوش داده فرآیندی است که شامل جستجو در مجموعه داده‌های بزرگ برای شناسایی الگوهایی است که می‌توانند مدل‌ها را بهبود بخشند یا مشکلات را حل کنند.

به عبارت دیگر داده‌کاوی فرآیندی است برای استخراج و کشف الگوها در مجموعه‌های بزرگ داده، که شامل روش‌هایی در تقاطع یادگیری ماشین، آمار و سیستم‌های پایگاه داده می‌شود.داده‌کاوی زیرشاخه‌ای بین رشته‌ای از علوم کامپیوتر و آمار است که هدف کلی آن استخراج اطلاعات (با روش‌های هوشمند) از یک مجموعه داده و تبدیل اطلاعات به یک ساختار قابل درک برای استفاده‌های بعدی می‌باشد. داده‌کاوی مرحله تحلیل فرآیند “کشف دانش در پایگاه‌های داده” یا KDD است. علاوه بر مرحله تحلیل خام، داده‌کاوی شامل جنبه‌های پایگاه داده و مدیریت داده، پیش‌پردازش داده، ملاحظات مدل و استنتاج، معیارهای جالب بودن، ملاحظات پیچیدگی، پردازش پسین ساختارهای کشف‌شده، نمایش بصری و به‌روزرسانی آنلاین می‌شود.

Data science (علم داده)

علم داده یک حوزه بین رشته‌ای از فناوری است که از الگوریتم‌ها و فرآیندها برای جمع‌آوری و تجزیه و تحلیل حجم عظیمی از داده‌ها استفاده می‌کند تا الگوها و بینش‌هایی را کشف کند که تصمیم‌گیری‌های تجاری را آگاهانه‌تر می‌کند.
به عبارت دیگر علم داده مطالعه داده‌ها است، درست مانند زیست‌شناسی دریایی که مطالعه موجودات زنده دریازی است. دانشمندان داده سوالاتی را در مورد مجموعه داده‌های خاص تدوین می‌کنند و سپس از تحلیل داده و تحلیل‌های پیشرفته برای یافتن الگوها، ایجاد مدل‌های پیش‌بینی و توسعه بینش‌هایی که تصمیم‌گیری در کسب‌وکارها را هدایت می‌کنند، استفاده می‌کنند.

Deep learning (یادگیری عمیق)

یادگیری عمیق عملکردی از هوش مصنوعی است که با یادگیری از نحوه ساختار و پردازش اطلاعات توسط مغز انسان برای تصمیم‌گیری، آن را تقلید می‌کند. برخلاف تکیه بر الگوریتمی که فقط می‌تواند یک کار خاص را انجام دهد، این زیرمجموعه یادگیری ماشین می‌تواند بدون نظارت از داده‌های بدون ساختار بیاموزد.
به عبارت دیگر ادگیری عمیق شاخه‌ای از یادگیری ماشین است که از یک شبکه عصبی با سه لایه یا بیشتر تشکیل شده است:

لایه ورودی: داده‌ها از طریق لایه ورودی وارد می‌شوند.
لایه‌های پنهان: لایه‌های پنهان داده‌ها را پردازش و به لایه‌های دیگر منتقل می‌کنند.
لایه خروجی: نتیجه نهایی یا پیش‌بینی در لایه خروجی انجام می‌شود.
شبکه‌های عصبی با هضم و تجزیه و تحلیل مقادیر عظیمی از اطلاعات که به عنوان داده‌های آموزشی نیز شناخته می‌شوند، تلاش می‌کنند تا یادگیری انسان را مدل‌سازی کنند. آن‌ها یک کار معین را با آن داده‌ها به طور مکرر انجام می‌دهند و در هر بار دقت خود را بهبود می‌بخشند. این شبیه به روشی است که ما برای بهبود مهارت‌ها مطالعه و تمرین می‌کنیم.

مدل‌های یادگیری عمیق
مدل‌های یادگیری عمیق فایل‌هایی هستند که دانشمندان داده آن‌ها را برای انجام وظایف با حداقل دخالت انسان آموزش می‌دهند. مدل‌های یادگیری عمیق شامل مجموعه‌های از پیش تعریف‌شده‌ای از مراحل (الگوریتم‌ها) هستند که به فایل می‌گویند چگونه با داده‌های خاصی رفتار کند. این روش آموزشی به مدل‌های یادگیری عمیق امکان می‌دهد تا الگوهای پیچیده‌تر را در متن، تصاویر یا صداها تشخیص دهند.

مثال‌هایی از یادگیری عمیق
یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از یک شبکه عصبی با سه لایه یا بیشتر تشکیل شده است. یک شبکه عصبی تلاش می‌کند با یادگیری از مجموعه داده‌های بزرگ، رفتار مغز انسان را مدل‌سازی کند. یادگیری عمیق بسیاری از برنامه‌های کاربردی هوش مصنوعی را که نحوه ارائه خدمات توسط سیستم‌ها و ابزارها را بهبود می‌بخشند، مانند فناوری‌های مبتنی بر صدا و تشخیص تقلب کارت اعتباری، هدایت می‌کند.
خودروهای خودران: وسایل نقلیه خودران در حال حاضر در جاده‌های ما حضور دارند. الگوریتم‌های یادگیری عمیق به تعیین وجود خودروهای دیگر، آوار یا انسان‌ها در اطراف و واکنش مناسب کمک می‌کنند.

چت‌بات‌ها: چت‌بات‌های یادگیری عمیق طراحی شده برای تقلید از هوش انسانی (مانند ChatGPT) به دلیل توانایی آن‌ها در پاسخ سریع و اغلب دقیق به سوالات زبان طبیعی، اخیراً محبوبیت زیادی پیدا کرده‌اند. هرچه مخزن داده‌ای که یادگیری عمیق از آن اتفاق می‌افتد عمیق‌تر باشد، یادگیری عمیق می‌تواند نتایج مورد نظر را سریع‌تر تولید کند.
تشخیص چهره: تشخیص چهره نقش اساسی در همه چیز، از برچسب‌گذاری افراد در رسانه‌های اجتماعی تا اقدامات امنیتی حیاتی، ایفا می‌کند. یادگیری عمیق به الگوریتم‌ها اجازه می‌دهد علی‌رغم تغییرات آرایشی مانند مدل مو، ریش یا نورپردازی ضعیف، به درستی عمل کنند.

علوم پزشکی: ژنوم انسان از تقریباً سه میلیارد جفت باز DNA کروموزوم تشکیل شده است. یادگیری ماشین به دانشمندان و سایر متخصصان پزشکی در ایجاد داروهای شخصی‌سازی شده و تشخیص تومورها کمک می‌کند و در حال تحقیق و استفاده برای سایر اهداف دارویی و پزشکی است.
تشخیص گفتار: مشابه تشخیص چهره، یادگیری عمیق از میلیون‌ها کلیپ صوتی برای یادگیری و تشخیص گفتار استفاده می‌کند. سپس می‌تواند الگوریتم‌ها را برای درک آنچه کسی گفته است و تمایز بین لحن‌های مختلف و همچنین تشخیص صدای یک شخص خاص فعال کند.

هوش مصنوعی چیست؟ 0 تا 100

Emergent behavior (رفتار نوظهور)

رفتار نوظهور، که گاهی اوقات ظهور نیز نامیده می‌شود، زمانی رخ می‌دهد که یک سیستم هوش مصنوعی قابلیت‌های غیرقابل پیش‌بینی یا ناخواسته‌ای از خود نشان می‌دهد.

Generative AI (هوش مصنوعی مولد)

هوش مصنوعی مولد نوعی فناوری است که از هوش مصنوعی برای ایجاد محتوا، از جمله متن، ویدیو، کد و تصاویر استفاده می‌کند. یک سیستم هوش مصنوعی مولد با استفاده از مقادیر زیادی داده آموزش می‌بیند تا بتواند الگوهایی برای تولید محتوای جدید پیدا کند.

پیشرفت‌های حاصل در شبکه‌های عصبی عمیق مبتنی بر ترانسفورمر، به ویژه مدل‌های زبانی بزرگ (LLM)، منجر به رونق هوش مصنوعی مولد در اوایل دهه 2020 شد. این شامل چت‌بات‌هایی مانند ChatGPT، Copilot، Gemini و LLaMA؛ سیستم‌های تولید تصویر هوش مصنوعی متن به تصویر مانند Stable Diffusion، Midjourney و DALL-E؛ و ژنراتورهای هوش مصنوعی متن به ویدیو مانند Sora می‌شود. شرکت‌هایی مانند OpenAI، Anthropic، Microsoft، Google و Baidu و همچنین بسیاری از شرکت‌های کوچکتر، مدل‌های هوش مصنوعی مولد را توسعه داده‌اند.

Guardrails (محدویت‌ها)

محدودیت‌ها به محدودیت‌ها و قوانینی اطلاق می‌شود که بر سیستم‌های هوش مصنوعی اعمال می‌شوند تا اطمینان حاصل شود که آن‌ها به درستی با داده‌ها برخورد می‌کنند و محتوای غیر اخلاقی تولید نمی‌کنند.

Hallucination (توهم)

توهم به پاسخ نادرست یک سیستم هوش مصنوعی یا اطلاعات نادرستی در خروجی اطلاق می‌شود که به عنوان اطلاعات واقعی ارائه می‌شود.
در زمینه هوش مصنوعی، به ویژه در مدل‌های زبانی بزرگ (LLM)، توهم به معنای تولید اطلاعات غلط، نادرست یا غیر واقعی توسط سیستم است.
این اطلاعات ممکن است شامل حقایق تاریخی نادرست، اظهارات ساختگی، رویدادهای خیالی یا حتی اطلاعات کاملاً بی معنی باشد.
توهمات معمولاً به دلیل محدودیت‌های مدل‌های هوش مصنوعی در درک کامل و دقیق اطلاعات و روابط بین آن‌ها رخ می‌دهند.

علل احتمالی توهم در هوش مصنوعی:
آموزش ناکافی: اگر مدل هوش مصنوعی بر روی داده‌های نادرست، ناقص یا مغرضانه آموزش دیده باشد، ممکن است اطلاعات نادرست تولید کند.
پیچیدگی زبان: زبان انسانی بسیار پیچیده و چند معنایی است و مدل‌های هوش مصنوعی ممکن است در درک کامل و دقیق آن دچار مشکل شوند.
عدم دسترسی به اطلاعات واقعی: اگر مدل هوش مصنوعی به اطلاعات واقعی و به‌روز دسترسی نداشته باشد، ممکن است اطلاعات نادرست تولید کند.

Hyperparameter (هایپرپارامتر)

هایپرپارامتر یک پارامتر یا مقداری است که بر نحوه یادگیری یک مدل هوش مصنوعی تأثیر می‌گذارد. معمولاً خارج از مدل به صورت دستی تنظیم می‌شود.
هایپرپارامترها در واقع تنظیماتی هستند که نحوه عملکرد الگوریتم یادگیری ماشین را کنترل می‌کنند.
برخلاف پارامترهای معمولی که توسط خود مدل یاد گرفته می‌شوند، هایپرپارامترها توسط انسان تعیین می‌شوند.
انتخاب مناسب هایپرپارامترها برای عملکرد خوب یک مدل هوش مصنوعی بسیار مهم است.

مثال‌هایی از هایپرپارامترها:
نرخ یادگیری (Learning rate): تعیین می‌کند که در هر مرحله از آموزش، چقدر وزن‌های مدل به‌روزرسانی شوند.
تعداد لایه‌ها و نرون‌ها در یک شبکه عصبی: تعیین می‌کند که شبکه عصبی چقدر پیچیده باشد.
اندازه دسته داده‌ها (Batch size): تعیین می‌کند که در هر مرحله از آموزش، چند نمونه داده برای به‌روزرسانی وزن‌های مدل استفاده شود.

Image recognition (تشخیص تصویر)

فرایندی است که طی آن یک شیء، شخص، مکان یا متن در یک تصویر یا ویدیو شناسایی می‌شود.
تشخیص تصویر یکی از شاخه‌های مهم پردازش تصویر و بینایی ماشین است.
در این فرایند، کامپیوتر با استفاده از الگوریتم‌های پیچیده، ویژگی‌های موجود در تصویر را تحلیل کرده و سپس آن را با اطلاعاتی که قبلاً در مورد اشیاء مختلف آموخته است، مقایسه می‌کند.

کاربردهای تشخیص تصویر:
سیستم‌های امنیتی: شناسایی چهره، تشخیص پلاک خودرو
جستجوی تصویری: یافتن تصاویر مشابه در پایگاه داده
خودروهای خودران: تشخیص عابر پیاده، علائم راهنمایی و رانندگی
پزشکی: تشخیص بیماری‌ها از روی تصاویر رادیولوژی
تجارت الکترونیک: پیشنهاد محصولات مرتبط بر اساس تصاویر
به طور خلاصه، تشخیص تصویر به کامپیوتر این توانایی را می‌دهد تا دنیای بصری را درک کرده و اطلاعات مفیدی از تصاویر استخراج کند.)

Large language model(LLM) (مدل زبانی بزرگ)

مدل زبانی بزرگ (LLM) یک مدل هوش مصنوعی است که با استفاده از مقادیر زیادی متن آموزش دیده است تا بتواند زبان را درک کند و متنی شبیه به انسان تولید کند.
مدل‌های زبانی بزرگ (LLM) نوعی از مدل‌های یادگیری عمیق هستند که بر روی مجموعه داده‌های عظیمی از متن آموزش دیده‌اند. این مدل‌ها قادرند به سوالات پاسخ دهند، متن را ترجمه کنند، خلاصه کنند، داستان بنویسند، شعر بسرایند و حتی کد کامپیوتری تولید کنند.
برخی از نمونه‌های معروف LLM عبارتند از: ChatGPT، Gemini، LaMDA.

ویژگی‌های اصلی LLM:
درک زبان طبیعی: LLM‌ها می‌توانند زبان طبیعی را درک کنند و به سوالات پیچیده پاسخ دهند.
تولید متن خلاقانه: LLM‌ها می‌توانند متن‌های خلاقانه و اصیل مانند داستان‌ها، شعرها و مقالات را تولید کنند.
یادگیری مداوم: LLM‌ها می‌توانند به طور مداوم از داده‌های جدید یاد بگیرند و بهبود یابند.
کاربردهای LLM:
خدمات مشتری: پاسخگویی به سوالات مشتریان، ارائه پشتیبانی فنی.
آموزش و پرورش: ایجاد محتوای آموزشی، کمک به یادگیری زبان‌های خارجی.
خلاقیت و هنر: تولید داستان‌ها، شعرها، موسیقی و آثار هنری.
توسعه نرم‌افزار: تولید کد، رفع اشکال و تست نرم‌افزار.

Limited memory (حافظه محدود)

حافظه محدود نوعی سیستم هوش مصنوعی است که دانش را از رویدادهای زمان واقعی دریافت می‌کند و آن را در پایگاه داده ذخیره می‌کند تا پیش‌بینی‌های بهتری انجام دهد.
حافظه محدود یکی از انواع معماری‌های هوش مصنوعی است که در آن سیستم می‌تواند اطلاعاتی را که در طول یک دوره زمانی محدود دریافت کرده است، به خاطر بسپارد.
این حافظه محدود به سیستم اجازه می‌دهد تا در تعاملات بعدی با کاربر، از اطلاعات قبلی استفاده کند و پاسخ‌های مرتبط‌تر و دقیق‌تری ارائه دهد.
مثال:
یک چت‌بات با حافظه محدود می‌تواند اطلاعاتی مانند نام کاربر، موضوعات قبلی مکالمه و ترجیحات کاربر را به خاطر بسپارد و در تعاملات بعدی از آن‌ها استفاده کند.

Machine learning (ماشین لرنینگ، یادگیری ماشین)

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است که جنبه‌هایی از علوم کامپیوتر، ریاضیات و برنامه‌نویسی را در بر می‌گیرد. یادگیری ماشین بر توسعه الگوریتم‌ها و مدل‌هایی تمرکز دارد که به ماشین‌ها کمک می‌کند از داده‌ها بیاموزند و بدون کمک انسان، روندها و رفتارها را پیش‌بینی کنند.
به عبارت دیگر یادگیری ماشین شاخه‌ای از هوش مصنوعی است که نحوه یادگیری انسان را تقلید می‌کند. همچنین شاخه‌ای از علوم کامپیوتر است که از الگوریتم‌ها و داده‌ها برای تنظیم اقدامات خود با جمع‌آوری اطلاعات بیشتر استفاده می‌کند.

یادگیری ماشین در بسیاری از کاربردهایی که روزانه استفاده می‌کنیم، مورد استفاده قرار می‌گیرد. فناوری تبدیل گفتار به متن، که آیفون‌ها و اندرویدها از آن استفاده می‌کنند، با استفاده از یادگیری ماشین – به‌ویژه یادگیری عمیق – ایجاد می‌شود، زیرا گفتار را تجزیه و تحلیل می‌کند و بر اساس دانش تثبیت‌شده نرم‌افزار در مورد نحوه تفسیر صدا به عنوان زبان، آن را به متن ترجمه می‌کند.

اهمیت یادگیری ماشین
یادگیری ماشین می‌تواند وظایف ساده مانند ورود داده‌ها یا گردآوری لیست‌های اطلاعات تماس در یک قالب خاص را خودکار کند. همچنین می‌تواند تغییرات تکنولوژیکی قابل توجهی ایجاد کند، مانند تعیین قیمت پویا برای بلیت‌های رویداد یا هشدارهای تاخیر در حمل‌ونقل عمومی. موارد زیر مزایا و فواید یادگیری ماشین را با جزئیات بیشتری توضیح می‌دهد.
خودکارسازی وظایف دستی: برنامه‌های یادگیری ماشین با هدف خودکارسازی وظایف و استخراج نتیجه‌گیری از مجموعه داده‌ها سریع‌تر از آنچه انسان‌ها می‌توانند با تجزیه و تحلیل دستی آن انجام دهند، طراحی شده‌اند. همچنین در وقت ما نیز بسیار صرفه‌جویی می‌کند.

شناسایی روندها و الگوها: یادگیری ماشین الگوهای موجود در داده‌ها را تشخیص می‌دهد و بر اساس آن الگوها، اقدامات را توصیه می‌کند. الگوریتم نتفلیکس الگوهایی را در تماشای تلویزیون شما تشخیص می‌دهد تا بر اساس ترجیحات شما، نمایش‌هایی را که دوست خواهید داشت، توصیه کند.
طیف گسترده‌ای از کاربردها: از “خانه‌های هوشمند” گرفته تا خودروهای خودران، یادگیری ماشین بسیاری از نوآوری‌های اخیر و پیشگامانه در فناوری را اطلاع می‌دهد.

بهبود مستمر: توجه دقیق به یک الگوریتم و مجموعه داده‌هایی که به آن وارد می‌شوند، و همچنین استفاده از زبان‌های برنامه‌نویسی مانند پایتون، می‌تواند زمینه‌های بهبود یک برنامه کاربردی یادگیری ماشین را برای ارائه تضمین کیفیت شناسایی کند. تنظیم هرچه بیشتر یک الگوریتم به حفظ اخلاق AI برای ایجاد تعصب قابل اجتناب کمک می‌کند.

پردازش سریع داده‌های چند بعدی: برنامه‌های کاربردی یادگیری ماشین به ما امکان می‌دهند داده‌ها را تجزیه و تحلیل کنیم و با سرعتی سریع‌تر و سطح پیچیده‌تری نسبت به آنچه انسان‌ها به تنهایی می‌توانند انجام دهند، نتیجه‌گیری کنیم. به عنوان مثال، بانک‌ها از هوش مصنوعی برای تشخیص پولشویی یا کلاهبرداری استفاده می‌کنند. دستیابی به این هدف بدون ماشین‌ها به کارکنان بسیار زیادی نیاز دارد که احتمالاً مقدار قابل توجهی از فعالیت‌های غیرقانونی را از دست خواهند داد.

Natural language processing(NLP) (پردازش زبان طبیعی)

پردازش زبان طبیعی (NLP) نوعی هوش مصنوعی است که به رایانه‌ها امکان می‌دهد زبان انسانی گفتاری و نوشتاری را درک کنند. NLP ویژگی‌هایی مانند تشخیص متن و گفتار را در دستگاه‌ها ممکن می‌سازد.
به عبارت دیگر پردازش زبان طبیعی (NLP) زیرمجموعه‌ای از هوش مصنوعی، علوم کامپیوتر و زبان‌شناسی است که بر قابل فهم شدن ارتباطات انسانی مانند گفتار و متن برای رایانه‌ها متمرکز است.
NLP در طیف گسترده‌ای از محصولات و خدمات روزمره استفاده می‌شود. برخی از رایج‌ترین روش‌های استفاده از NLP عبارتند از دستیارهای دیجیتال فعال‌شده با صدا در تلفن‌های هوشمند، برنامه‌های اسکن ایمیل که برای شناسایی اسپم استفاده می‌شوند و برنامه‌های ترجمه که زبان‌های خارجی را رمزگشایی می‌کنند.

تکنیک‌های پردازش زبان طبیعی
NLP طیف گسترده‌ای از تکنیک‌ها را برای تجزیه و تحلیل زبان انسانی در بر می‌گیرد. برخی از رایج‌ترین تکنیک‌هایی که احتمالاً در این زمینه با آن‌ها مواجه خواهید شد عبارتند از:
تحلیل احساسات: یک تکنیک NLP که متن را برای شناسایی احساسات آن، مانند “مثبت”، “منفی” یا “خنثی” تجزیه و تحلیل می‌کند. تحلیل احساسات معمولاً توسط کسب‌وکارها برای درک بهتر بازخورد مشتریان استفاده می‌شود.
خلاصه‌سازی: یک تکنیک NLP که متن طولانی‌تر را خلاصه می‌کند تا برای خوانندگان حساس به زمان قابل مدیریت‌تر شود. برخی از متون رایج که خلاصه می‌شوند شامل گزارش‌ها و مقالات است.

استخراج کلمات کلیدی: یک تکنیک NLP که متن را برای شناسایی مهم‌ترین کلمات کلیدی یا عبارات تجزیه و تحلیل می‌کند. استخراج کلمات کلیدی معمولاً برای بهینه‌سازی موتور جستجو (SEO)، نظارت بر رسانه‌های اجتماعی و اهداف کسب‌وکار هوشمند استفاده می‌شود.
توکن‌سازی: فرآیند تجزیه کاراکترها، کلمات یا زیرکلمات به “توکن”هایی که می‌توانند توسط یک برنامه تجزیه و تحلیل شوند. توکن‌سازی از وظایف رایج NLP مانند مدل‌سازی کلمات، ساخت واژگان و وقوع کلمات متداول پشتیبانی می‌کند.

Neural network (شبکه عصبی)

شبکه عصبی یک تکنیک یادگیری عمیق است که برای شبیه‌سازی ساختار مغز انسان طراحی شده است. شبکه‌های عصبی برای انجام محاسبات و ایجاد خروجی‌ها به مجموعه داده‌های بزرگی نیاز دارند که ویژگی‌هایی مانند تشخیص گفتار و بینایی را ممکن می‌سازد.
به عبارت دیگر در یادگیری ماشین، یک شبکه عصبی (همچنین به عنوان شبکه عصبی مصنوعی یا شبکه عصبی، با اختصار ANN یا NN شناخته می‌شود) مدلی است که از ساختار و عملکرد شبکه‌های عصبی زیستی در مغز حیوانات الهام گرفته شده است.

یک ANN از واحدها یا گره‌های متصل به هم تشکیل شده است که به عنوان نورون‌های مصنوعی شناخته می‌شوند و به طور تقریبی نورون‌های مغز را مدل‌سازی می‌کنند. مدل‌های نورون مصنوعی که نورون‌های زیستی را دقیق‌تر تقلید می‌کنند نیز اخیراً مورد بررسی قرار گرفته‌اند و نشان داده شده است که عملکرد را به طور قابل‌توجهی بهبود می‌بخشند.

اینها توسط لبه‌هایی متصل می‌شوند که سیناپس‌ها را در مغز مدل‌سازی می‌کنند. هر نورون مصنوعی سیگنال‌هایی را از نورون‌های متصل دریافت می‌کند، سپس آن‌ها را پردازش می‌کند و سیگنالی را به سایر نورون‌های متصل ارسال می‌کند. “سیگنال” یک عدد واقعی است و خروجی هر نورون توسط برخی از توابع غیرخطی مجموع ورودی‌های آن، به نام تابع فعال‌سازی، محاسبه می‌شود. قدرت سیگنال در هر اتصال توسط وزنی تعیین می‌شود که در طول فرآیند یادگیری تنظیم می‌شود.

مروری جامع بر تاریخچه هوش مصنوعی

Overfitting (بیش برازش)

بیش‌برازش در آموزش یادگیری ماشین رخ می‌دهد زمانی که الگوریتم تنها می‌تواند روی مثال‌های خاصی در داده‌های آموزشی کار کند. یک مدل AI معمولی باید بتواند الگوهای موجود در داده‌ها را تعمیم دهد تا بتواند وظایف جدید را انجام دهد.

Pattern recognition (تشخیص الگو)

تشخیص الگو روشی است که از الگوریتم‌های کامپیوتری برای تجزیه و تحلیل، تشخیص و برچسب‌گذاری نظم‌ها در داده‌ها استفاده می‌کند. این امر نشان می‌دهد که چگونه داده‌ها در دسته‌های مختلف طبقه‌بندی می‌شوند.
به عبارت دیگر شناسایی الگو یعنی اینکه به کامپیوتر یاد بدیم تا مثل انسان، الگوها رو توی اطلاعات پیدا کنه. مثلاً، وقتی به عکس یه گربه نگاه می‌کنیم، مغز ما سریع تشخیص می‌ده که این یه گربه است. کامپیوتر هم با استفاده از روش‌های خاصی، می‌تونه توی عکس‌ها، صداها، متن‌ها و هر نوع داده‌ی دیگه ای، الگوها رو پیدا کنه و اشیاء، افراد یا اتفاقات مختلف رو تشخیص بده.

چطور کامپیوتر این کار رو انجام میده؟
یادگیری از مثال‌ها: به کامپیوتر یه عالمه مثال نشون می‌دیم. مثلاً، بهش می‌گیم این عکس یه گربه است، این عکس یه سگ است و … . کامپیوتر با نگاه کردن به این مثال‌ها، ویژگی‌های مشترک هر دسته رو یاد می‌گیره و بعد می‌تونه اشیاء جدید رو بر اساس اون ویژگی‌ها طبقه‌بندی کنه.

استفاده از آمار: کامپیوتر با استفاده از روش‌های آماری، الگوهای پنهان توی داده‌ها رو پیدا می‌کنه. مثلاً، ممکنه بفهمه که گربه‌ها معمولاً گوش‌های تیز و دم بلندی دارند.
تفاوت با تطبیق الگو: تطبیق الگو یعنی اینکه یه الگوی مشخص رو توی داده‌ها پیدا کنیم. مثلاً، دنبال یه کلمه خاص توی یه متن بگردیم. اما شناسایی الگو کلی‌تره و می‌خواد الگوهای پیچیده‌تری رو پیدا کنه.

کاربردهای شناسایی الگو:
تشخیص چهره: تشخیص چهره توی گوشی‌ها، دوربین‌های مداربسته و …
تشخیص گفتار: تبدیل صدا به متن، دستیارهای صوتی مثل سیری و الکسا
تشخیص پزشکی: تشخیص بیماری‌ها از روی عکس‌های پزشکی، آنالیز داده‌های ژنتیکی
فیلتر کردن اسپم: تشخیص ایمیل‌های اسپم
توصیه سیستم‌ها: پیشنهاد محصولات به کاربران در فروشگاه‌های اینترنتی
به طور خلاصه:
شناسایی الگو یه ابزار قدرتمنده که به کامپیوترها اجازه می‌دهده تا اطلاعات رو درک کنن و تصمیمات هوشمندانه بگیرن. این تکنولوژی در خیلی از زمینه‌های زندگی ما کاربرد داره و آینده‌ی تکنولوژی رو شکل می‌ده.

Predictive analytics (تحلیل پیش‌بینی، تحلیل پیشگویانه)

تحلیل پیش‌بینی نوعی تحلیل است که از فناوری برای پیش‌بینی آنچه در یک بازه زمانی مشخص اتفاق خواهد افتاد بر اساس داده‌های تاریخی و الگوها استفاده می‌کند.
تحلیل پیش‌بینی با استفاده از تکنیک‌های آماری، یادگیری ماشین و سایر روش‌های تحلیلی، تلاش می‌کند آینده را پیش‌بینی کند.
این نوع تحلیل در بسیاری از زمینه‌ها مانند کسب‌وکار، مالی، بهداشت و درمان، حمل‌ونقل و غیره کاربرد دارد.

کاربردهای تحلیل پیش‌بینی:
کسب‌وکار: پیش‌بینی فروش، پیش‌بینی تقاضا، پیش‌بینی ریسک اعتباری.
مالی: پیش‌بینی نرخ ارز، پیش‌بینی نرخ بهره، پیش‌بینی ریسک سرمایه‌گذاری.
بهداشت و درمان: پیش‌بینی شیوع بیماری‌ها، پیش‌بینی نیاز به مراقبت‌های بهداشتی.
حمل‌ونقل: پیش‌بینی ترافیک، برنامه‌ریزی حمل‌ونقل.
هواشناسی: پیش‌بینی آب و هوا.
روش‌های تحلیل پیش‌بینی:
رگرسیون: پیش‌بینی یک متغیر پیوسته بر اساس متغیرهای مستقل.
سری زمانی: پیش‌بینی مقادیر آینده یک متغیر بر اساس مقادیر گذشته آن.
یادگیری ماشین: استفاده از الگوریتم‌های یادگیری ماشین مانند شبکه‌های عصبی و درخت تصمیم برای پیش‌بینی.

Prescriptive analytics (تحلیل تجویزی)

تحلیل تجویزی نوعی تحلیل است که از فناوری برای تجزیه و تحلیل داده‌ها با در نظر گرفتن عواملی مانند موقعیت‌ها و سناریوهای احتمالی، عملکرد گذشته و حال و سایر منابع استفاده می‌کند تا به سازمان‌ها در اتخاذ تصمیمات استراتژیک بهتر کمک کند.
تحلیل تجویزی یک مرحله پیشرفته‌تر از تحلیل پیش‌بینی است که نه تنها پیش‌بینی می‌کند چه اتفاقی خواهد افتاد، بلکه توصیه‌هایی برای اقدامات بعدی ارائه می‌دهد.
این نوع تحلیل با استفاده از تکنیک‌های هوش مصنوعی، یادگیری ماشین و سایر روش‌های پیشرفته، به سازمان‌ها کمک می‌کند تا بهترین تصمیمات ممکن را اتخاذ کنند.

کاربردهای تحلیل تجویزی:
کسب‌وکار: بهینه‌سازی زنجیره تأمین، مدیریت ریسک، قیمت‌گذاری پویا.
مالی: مدیریت ریسک مالی، سرمایه‌گذاری هوشمند، پیش‌بینی ورشکستگی.
بهداشت و درمان: شخصی‌سازی درمان، مدیریت منابع بیمارستانی.
حمل‌ونقل: بهینه‌سازی مسیرهای حمل‌ونقل، مدیریت ترافیک.

Prompt (پرامت)

پرامت در واقع دستور یا درخواست کاربری از سیستم هوش مصنوعی است.
کیفیت و دقت پرامت تأثیر مستقیمی بر کیفیت و دقت خروجی سیستم هوش مصنوعی دارد.
پرامت‌ها می‌توانند به اشکال مختلفی مانند متن، صدا، تصویر و حتی کد ارائه شوند.
مثال‌هایی از پرامت‌ها:
متن زیر را به زبان انگلیسی ترجمه کنید.
یک داستان کوتاه درباره یک گربه فضایی بنویس.
یک تصویر از یک اسب تک‌شاخ در جنگل بکش.
یک قطعه موسیقی جاز بساز.
تصویر یک ماهی در حال پرواز را بساز.

Quantum computing (رایانش کوانتومی)

رایانش کوانتومی فرآیندی است که از پدیده‌های مکانیک کوانتومی مانند درهم‌تنیدگی و برهم‌نهی برای انجام محاسبات استفاده می‌کند. یادگیری ماشین کوانتومی از این الگوریتم‌ها در رایانه‌های کوانتومی برای تسریع کار استفاده می‌کند زیرا بسیار سریع‌تر از یک برنامه یادگیری ماشین کلاسیک و رایانه عمل می‌کند.

به عبارت دیگر یادگیری ماشین کوانتومی از الگوریتم‌هایی استفاده می‌کند که بر روی دستگاه‌های کوانتومی مانند رایانه‌های کوانتومی اجرا می‌شوند تا کار انجام شده توسط یک برنامه یادگیری ماشین کلاسیک را تکمیل، تسریع یا پشتیبانی کنند. یادگیری ماشین کوانتومی که همچنین به عنوان یادگیری ماشین تقویت‌شده کوانتومی شناخته می‌شود، از قدرت پردازش اطلاعات فناوری‌های کوانتومی برای تقویت و سرعت بخشیدن به کار انجام شده توسط یک مدل یادگیری ماشین بهره می‌برد.

در حالی که رایانه‌های کلاسیک با ظرفیت‌های ذخیره‌سازی و پردازش محدود محدود می‌شوند، رایانه‌های کوانتومی امکان ذخیره‌سازی و پردازش توان بسیار بیشتری را فراهم می‌کنند. این توانایی ذخیره و پردازش حجم عظیمی از اطلاعات به این معنی است که رایانه‌های کوانتومی می‌توانند مجموعه داده‌های عظیمی را تجزیه و تحلیل کنند که انجام آن‌ها با روش‌های کلاسیک زمان بسیار بیشتری می‌برد. در نتیجه، یادگیری ماشین کوانتومی از این قدرت پردازش فوق‌العاده برای تسریع و بهبود توسعه مدل‌های یادگیری ماشین، شبکه‌های عصبی و سایر اشکال هوش مصنوعی (AI) بهره می‌برد.

Reinforcement learning(RL) (یادگیری تقویتی)

یادگیری تقویتی نوعی یادگیری ماشین است که در آن یک الگوریتم با تعامل با محیط خود یاد می‌گیرد و سپس بر اساس اقدامات خود پاداش یا مجازات می‌شود.

مفاهیم اصلی در یادگیری تقویتی:
عامل (Agent): موجودیتی که در محیط عمل می‌کند و تصمیمات می‌گیرد.
محیط (Environment): دنیایی که عامل در آن عمل می‌کند.
اقدام (Action): عملی که عامل در هر مرحله انجام می‌دهد.
پاداش (Reward): سیگنالی که به عامل داده می‌شود تا نشان دهد که آیا اقدام انجام شده خوب بوده است یا خیر.
حالت (State): وضعیت یا شرایط فعلی محیط.

کاربردهای یادگیری تقویتی:
بازی‌های کامپیوتری: آموزش ربات‌های بازی برای بازی‌های مانند شطرنج، Go و بازی‌های ویدیویی.
رباتیک: کنترل ربات‌ها برای انجام وظایفی مانند حرکت، دستکاری اشیاء و تعامل با محیط.
کنترل خودکار: کنترل سیستم‌های خودکار مانند پهپادها، خودروهای خودران و ربات‌های صنعتی.
سیستم‌های توصیه‌گر: ارائه پیشنهادات شخصی‌سازی‌شده به کاربران بر اساس رفتار آن‌ها.
مالی: مدیریت ریسک، سرمایه‌گذاری هوشمند و معاملات مالی.

مثال:
آموزش یک ربات برای حرکت در یک محیط و رسیدن به یک هدف خاص. ربات با انجام اقدامات مختلف مانند حرکت به جلو، عقب، چپ و راست، با محیط تعامل می‌کند. اگر ربات به هدف برسد، پاداش دریافت می‌کند و اگر به مانعی برخورد کند، مجازات می‌شود. در طول زمان، ربات یاد می‌گیرد که چگونه بهترین اقدامات را انتخاب کند تا به هدف برسد و پاداش بیشتری دریافت کند.

Sentiment analysis (تحلیل احساسات)

تحلیل احساسات که با نام کاوش نظر نیز شناخته می‌شود، فرآیندی است که از هوش مصنوعی برای تجزیه و تحلیل لحن و نظر یک متن معین استفاده می‌کند.
به عبارت دیگر تحلیل احساسات یا کاوش نظر فرآیندی است که برای تجزیه و تحلیل حجم زیادی از متن برای تعیین اینکه آیا بیانگر احساس مثبت، منفی یا خنثی است، استفاده می‌شود.
شرکت‌ها اکنون به داده‌های بیشتری در مورد مشتریان خود نسبت به هر زمان دیگری دسترسی دارند که هم فرصتی و هم چالشی را ارائه می‌دهد: تجزیه و تحلیل حجم عظیمی از داده‌های متنی موجود و استخراج بینش‌های معنادار برای هدایت تصمیمات تجاری آن‌ها.

از ایمیل‌ها و توییت‌ها گرفته تا پاسخ‌های نظرسنجی آنلاین، چت‌های با نمایندگان خدمات مشتری و بررسی‌ها، منابع موجود برای سنجش احساسات مشتریان ظاهراً بی‌پایان است. سیستم‌های تحلیل احساسات به شرکت‌ها کمک می‌کنند تا مشتریان خود را بهتر درک کنند، تجربیات مشتری قوی‌تری ارائه دهند و شهرت برند خود را بهبود بخشند.
چرا تحلیل احساسات مهم است؟

با وجود راه‌های بیشتری نسبت به گذشته برای بیان احساسات افراد آنلاین، سازمان‌ها به ابزارهای قدرتمندی برای نظارت بر آنچه در مورد آن‌ها و محصولات و خدماتشان گفته می‌شود در زمان تقریباً واقعی نیاز دارند. با پذیرش تحلیل احساسات توسط شرکت‌ها و شروع استفاده از آن برای تجزیه و تحلیل مکالمات و تعاملات بیشتر، شناسایی نقاط اصطکاک مشتری در هر مرحله از سفر مشتری آسان‌تر خواهد شد.

Structured data (داده ساخت یافته، داده های ساختار یافته)

داده ساختاری داده‌ای است که تعریف شده و قابل جستجو است. این شامل داده‌هایی مانند شماره تلفن، تاریخ و SKU محصولات می‌شود.
داده ساختاری معمولاً داده‌های کمی هستند که سازماندهی شده و به راحتی قابل جستجو هستند. زبان برنامه‌نویسی Structured Query Language (SQL) در یک پایگاه داده رابطه ای برای “پرس و جو” برای ورودی و جستجو در داده‌های ساختاری استفاده می‌شود.

انواع رایج داده‌های ساختاری شامل نام‌ها، آدرس‌ها، شماره کارت‌های اعتباری، شماره تلفن‌ها، رتبه‌بندی ستاره از مشتریان، اطلاعات بانکی و سایر داده‌هایی است که می‌توان به راحتی با استفاده از SQL جستجو کرد.
مثال‌های داده ساختاری
در دنیای واقعی، از داده‌های ساختاری می‌توان برای مواردی مانند موارد زیر استفاده کرد:
رزرو پرواز: داده‌های پرواز و رزرو مانند تاریخ‌ها، قیمت‌ها و مقاصد، به طور مرتب در قالب صفحه گسترده اکسل قرار می‌گیرند. هنگام رزرو پرواز، این اطلاعات در یک پایگاه داده ذخیره می‌شود.
مدیریت ارتباط با مشتری (CRM): نرم‌افزارهای CRM مانند Salesforce داده‌های ساختاری را از طریق ابزارهای تحلیلی اجرا می‌کنند تا مجموعه داده‌های جدیدی را برای تجزیه و تحلیل رفتار و ترجیحات مشتریان توسط مشاغل ایجاد کنند.

Unstructured data (داده‌های ساختار نیافته)

داده‌های ساختارنیافته هر نوع دیگری از داده‌ها هستند که ساختار ندارند. تقریباً ۸۰ تا ۹۰ درصد از داده‌ها ساختارنیافته هستند، به این معنی که اگر شرکت‌ها راه‌هایی برای استفاده از آن پیدا کنند، پتانسیل عظیمی برای برتری رقابتی دارند. داده‌های ساختارنیافته شامل طیف گسترده‌ای از فرمت‌ها مانند ایمیل‌ها، تصاویر، فایل‌های ویدیویی، فایل‌های صوتی، پست‌های رسانه‌های اجتماعی، PDF‌ها و موارد بسیار دیگر است.
داده‌های ساختارنیافته معمولاً در دریاچه‌های داده، پایگاه‌های داده NoSQL، انبارهای داده و برنامه‌های کاربردی ذخیره می‌شوند. امروزه، این اطلاعات می‌تواند توسط الگوریتم‌های هوش مصنوعی پردازش شود و ارزش عظیمی را برای سازمان‌ها ارائه دهد.

Supervised learning(SL) (یادگیری نظارت‌شده،یادگیری با داده‌های برچسب‌دار)

یادگیری نظارت‌شده نوعی یادگیری ماشین است که در آن از داده‌های خروجی طبقه‌بندی‌شده برای آموزش ماشین و تولید الگوریتم‌های صحیح استفاده می‌شود. این بسیار رایج‌تر از یادگیری بدون نظارت است.
یادگیری نظارت‌شده روشی در یادگیری ماشین است که در آن به الگوریتم، داده‌های آموزشی با برچسب‌های مربوطه ارائه می‌شود.

الگوریتم با استفاده از این داده‌های آموزشی، الگوها و روابط بین ورودی‌ها و خروجی‌های مورد انتظار را یاد می‌گیرد.
پس از آموزش، مدل می‌تواند ورودی‌های جدید را دریافت کند و خروجی‌های مربوطه را پیش‌بینی کند.
مثال‌های یادگیری نظارت‌شده:
طبقه‌بندی تصاویر: به مدل تصاویری از گربه‌ها و سگ‌ها همراه با برچسب‌های مربوط به هر دسته داده می‌شود تا بتواند بین آن‌ها تمایز قائل شود.
پیش‌بینی قیمت خانه: به مدل داده‌هایی از قیمت خانه‌ها همراه با ویژگی‌های مربوط به هر خانه مانند مساحت، تعداد اتاق‌ها و موقعیت مکانی ارائه می‌شود تا بتواند قیمت خانه‌های جدید را پیش‌بینی کند.

Unsupervised learning (یادگیری بدون نظارت)

یادگیری بدون نظارت چارچوبی در یادگیری ماشین است که در آن، برخلاف یادگیری نظارت‌شده، الگوریتم‌ها صرفاً از داده‌های بدون برچسب الگوها را یاد می‌گیرند. چارچوب‌های دیگر در طیف نظارت شامل نظارت ضعیف یا نیمه نظارت است که در آن بخش کوچکی از داده‌ها برچسب‌گذاری شده‌اند و خودنظارت است. برخی از محققان یادگیری خودنظارت را شکلی از یادگیری بدون نظارت می‌دانند.

از نظر مفهومی، یادگیری بدون نظارت به جنبه‌های داده، آموزش، الگوریتم و کاربردهای پایین‌دستی تقسیم می‌شود. به طور معمول، مجموعه داده‌ها به صورت ارزان‌قیمت “در طبیعت” برداشت می‌شود، مانند مجموعه عظیمی از متون که با خزیدن وب به دست می‌آید، با فیلترینگ جزئی (مانند Common Crawl). این در مقایسه با یادگیری نظارت‌شده که مجموعه داده‌ها (مانند ImageNet1000) معمولاً به صورت دستی ساخته می‌شوند، بسیار مقرون‌به‌صرفه‌تر است.

Token (توکن)

توکن یک واحد اساسی متن است که یک LLM برای درک و تولید زبان از آن استفاده می‌کند. یک توکن ممکن است یک کلمه کامل یا بخشی از یک کلمه باشد.
توکن در پردازش زبان طبیعی به کوچکترین واحد معنی‌دار متن گفته می‌شود.
توکن‌ها می‌توانند شامل کلمات کامل، علائم نگارشی، اعداد و حتی زیرواژه‌ها (subwords) باشند.
تقسیم متن به توکن‌ها به الگوریتم‌های پردازش زبان طبیعی کمک می‌کند تا متن را بهتر درک و پردازش کنند.

مثال:
جمله “سلام، من علی هستم.” می‌تواند به توکن‌های زیر تقسیم شود: “سلام”، “,”، “من”، “علی”، “هستم”، “.”
اهمیت توکن‌ها در LLM:
پردازش کارآمدتر: تقسیم متن به توکن‌ها به LLM‌ها اجازه می‌دهد تا متن را سریع‌تر و کارآمدتر پردازش کنند.
کاهش حجم داده‌ها: استفاده از زیرواژه‌ها به عنوان توکن می‌تواند به کاهش حجم داده‌های ورودی و بهبود عملکرد LLM کمک کند.
بهبود دقت: توکن‌سازی مناسب می‌تواند به بهبود دقت و کیفیت خروجی LLM کمک کند.

Training data (داده‌های آموزشی)

داده‌های آموزشی اطلاعات یا مثال‌هایی هستند که به یک سیستم هوش مصنوعی داده می‌شوند تا به آن امکان یادگیری، یافتن الگوها و ایجاد محتوای جدید را بدهند.
داده‌های آموزشی نقش بسیار مهمی در عملکرد سیستم‌های هوش مصنوعی دارند.
کیفیت و کمیت داده‌های آموزشی به طور مستقیم بر دقت و قابلیت تعمیم مدل‌های هوش مصنوعی تأثیر می‌گذارد.
داده‌های آموزشی باید متنوع، دقیق، عاری از خطا و به اندازه کافی بزرگ باشند تا مدل بتواند الگوهای پیچیده را یاد بگیرد.
انواع داده‌های آموزشی:
داده‌های متنی: شامل متن، مقالات، کتاب‌ها، کدهای منبع و غیره.
داده‌های تصویری: شامل تصاویر، ویدیوها و فیلم‌ها.
داده‌های صوتی: شامل فایل‌های صوتی، موسیقی و گفتار.
داده‌های عددی: شامل اعداد، آمار و داده‌های مالی.

Transfer learning(TL) (یادگیری انتقالی)

یادگیری انتقال سیستمی از یادگیری ماشین است که داده‌های موجود و قبلاً یادگرفته شده را گرفته و آن‌ها را به وظایف و فعالیت‌های جدید اعمال می‌کند.
یادگیری انتقال (TL) تکنیکی در یادگیری ماشین (ML) است که در آن دانش آموخته شده از یک کار برای تقویت عملکرد در یک کار مرتبط مجدداً استفاده می‌شود. برای مثال، برای طبقه‌بندی تصویر، دانش به دست آمده در حین یادگیری تشخیص خودروها می‌تواند هنگام تلاش برای تشخیص کامیون‌ها اعمال شود. این موضوع با ادبیات روانشناسی در مورد انتقال یادگیری مرتبط است، اگرچه ارتباطات عملی بین این دو حوزه محدود است. استفاده مجدد/انتقال اطلاعات از وظایف قبلاً یادگرفته شده به وظایف جدید پتانسیل بهبود قابل‌توجهی در کارایی یادگیری را دارد.

Turing test (تست تورینگ)

آزمون تورینگ توسط دانشمند کامپیوتر آلن تورینگ برای ارزیابی توانایی یک ماشین در نشان دادن هوش برابر با انسان، به ویژه در زبان و رفتار ایجاد شد. هنگام تسهیل آزمون، یک ارزیاب انسانی مکالمات بین انسان و ماشین را قضاوت می‌کند. اگر ارزیاب نتواند بین پاسخ‌ها تمایز قائل شود، ماشین در آزمون تورینگ قبول می‌شود.
آزمون تورینگ یک آزمون استاندارد برای تعیین اینکه آیا یک ماشین می‌تواند به طور قابل اعتمادی از یک انسان قابل تشخیص باشد یا خیر است.
در این آزمون، یک ارزیاب انسانی با یک انسان و یک ماشین مکالمه می‌کند.
اگر ارزیاب نتواند تشخیص دهد که کدام طرف مکالمه انسان است و کدام طرف ماشین، گفته می‌شود که ماشین در آزمون تورینگ موفق شده است.

اهمیت آزمون تورینگ:
آزمون تورینگ یک مفهوم اساسی در هوش مصنوعی است و به عنوان معیاری برای سنجش هوش مصنوعی استفاده می‌شود.
اگرچه آزمون تورینگ به طور گسترده مورد بحث و انتقاد قرار گرفته است، اما همچنان یک مفهوم مهم در زمینه هوش مصنوعی است.

آلن تورینگ پدر هوش مصنوعی و میراث وی برای آینده

Voice recognition (تشخیص گفتار)

تشخیص گفتار، که به عنوان شناسایی گفتار نیز شناخته می‌شود، روشی از تعامل انسان و کامپیوتر است که در آن رایانه‌ها به دیکته (گفتار) انسان گوش می‌دهند و آن را تفسیر می‌کنند و خروجی‌های نوشتاری یا گفتاری تولید می‌کنند. نمونه‌هایی از این موارد عبارتند از Siri اپل و Alexa آمازون، دستگاه‌هایی که درخواست‌ها و وظایف بدون دست را امکان‌پذیر می‌کنند.
تشخیص گفتار به توانایی رایانه‌ها در درک و تفسیر زبان انسانی گفته می‌شود.
در این فرایند، رایانه‌ها صدا را به متن تبدیل می‌کنند یا دستورات صوتی را اجرا می‌کنند.

کاربردهای تشخیص گفتار:
دستیارهای صوتی: مانند Siri، Alexa، Google Assistant.
کنترل دستگاه‌ها: کنترل دستگاه‌های خانگی هوشمند مانند تلویزیون، روشنایی و سیستم‌های صوتی.
ترجمه ماشینی: ترجمه گفتار به متن و ترجمه متون به گفتار.
سیستم‌های پاسخگویی صوتی خودکار: پاسخگویی به تماس‌های تلفنی مشتریان.
یادداشت‌برداری صوتی: تبدیل گفتار به متن برای ایجاد یادداشت‌ها، گزارش‌ها و مقالات.

Stable Diffusion (استیبل دیفیوژن)

Stable Diffusion یک مدل یادگیری عمیق است که به کمک آن می‌توان تصاویر واقع‌گرایانه و هنری از روی متن تولید کرد. این مدل با استفاده از یک شبکه عصبی قدرتمند، قادر است مفاهیم پیچیده و جزئیات بصری را درک کرده و آن‌ها را به تصاویر تبدیل کند.
چگونه کار می‌کند؟
Stable Diffusion با دریافت یک توصیف متنی (پرامپت)، شروع به ایجاد یک تصویر می‌کند. این فرآیند به صورت تدریجی و مرحله به مرحله انجام می‌شود، به طوری که در هر مرحله، مدل جزئیات بیشتری را به تصویر اضافه می‌کند. این روش شبیه به روشی است که یک نقاشی به تدریج شکل می‌گیرد.

مراحل اصلی کارکرد Stable Diffusion:
تبدیل متن به بردار: ابتدا، متن ورودی به یک بردار عددی تبدیل می‌شود که نمایانگر معنای آن است.
ایجاد یک تصویر اولیه تصادفی: مدل یک تصویر اولیه تصادفی ایجاد می‌کند که هیچ شباهتی به تصویر نهایی ندارد.
تکرار و بهبود: در هر تکرار، مدل سعی می‌کند تصویر را به گونه‌ای تغییر دهد که بیشتر به توصیف متنی مطابقت داشته باشد. این کار با استفاده از یک فرایند به نام “انتشار” انجام می‌شود که در آن نویز به تدریج از تصویر حذف می‌شود.
تولید تصویر نهایی: پس از چندین تکرار، مدل به یک تصویر پایدار می‌رسد که با توصیف متنی مطابقت دارد.

Midjourney (میدجرنی)

میدجورنی یک ابزار قدرتمند هوش مصنوعی است که به شما امکان می‌دهد با استفاده از توصیفات متنی، تصاویر هنری بی‌نظیری خلق کنید. این ابزار مبتنی بر یادگیری ماشینی است و با تحلیل حجم عظیمی از داده‌های تصویری، توانایی تولید تصاویر واقع‌گرایانه و هنری را به دست آورده است.

نحوه کار میدجورنی:
ورود توصیف متنی (Prompt): شما یک جمله یا پاراگراف توصیفی را وارد می‌کنید که دقیقاً مشخص می‌کند چه تصویری می‌خواهید. این توصیف می‌تواند شامل جزئیات زیادی مانند سبک هنری، رنگ‌ها، اشیاء، افراد، پس‌زمینه و حتی احساسات باشد.
تولید تصویر: میدجورنی با پردازش توصیف شما، چندین گزینه تصویر را تولید می‌کند. این گزینه‌ها ممکن است کمی با هم متفاوت باشند، اما همه آن‌ها بر اساس توصیف شما ایجاد شده‌اند.
ویرایش و بهبود: شما می‌توانید تصاویر تولید شده را ویرایش کنید. می‌توانید جزئیات بیشتری به توصیف اضافه کنید، سبک هنری را تغییر دهید یا حتی از تصاویر موجود به عنوان الگو استفاده کنید.

Google Gemini (گوگل جمنای، جمینی)

گوگل جمینی (Gemini) یک مدل زبانی بزرگ و چند وجهی (MMLLM) است که توسط گوگل توسعه یافته است. این مدل به عنوان یکی از پیشرفته‌ترین مدل‌های هوش مصنوعی در حال حاضر شناخته می‌شود و قابلیت‌های بسیار چشمگیری دارد.

جمینی چه کارهایی می‌تواند انجام دهد؟
درک و تولید انواع مختلف محتوا: جمینی می‌تواند متن، کد، صدا و تصویر را درک و پردازش کند. همچنین قادر به تولید انواع مختلف محتوا از جمله متن‌های خلاقانه، ترجمه‌های دقیق و کدهای کامپیوتری است.
حل مسائل پیچیده: این مدل می‌تواند مسائل پیچیده ریاضی، فیزیک و سایر علوم را حل کند. همچنین قادر به انجام استدلال‌های منطقی و حل مشکلات باز است.
یادگیری مداوم: جمینی به لطف معماری پیچیده خود، قابلیت یادگیری مداوم و بهبود عملکرد خود را دارد.
تکمیل وظایف چند مرحله‌ای: جمینی می‌تواند چندین وظیفه را به صورت همزمان انجام دهد و نتایج را با یکدیگر ترکیب کند.

 

ما در آی لرن همواره در تلاشیم تا منابع آموزشی مفید و رایگان را برای علاقه‌مندان به هوش مصنوعی و یادگیری ماشین فراهم کنیم. حمایت شما از سایت ما، به ما این امکان را می‌دهد که همچنان به تولید محتوای باکیفیت ادامه دهیم و قدمی بزرگ‌تر در مسیر آموزش برداریم.
چنانچه لز محتوای سایت ما بهره‌مند شدید، خواهش می‌کنیم که ما را با دوستان و همکارانتان به اشتراک بگذارید و حمایت خود را از آی‌لرن ادامه دهید. این حمایت‌ها به ما کمک می‌کند تا منابع بیشتری را برای شما فراهم کنیم و دنیای هوش مصنوعی را برای همگان قابل دسترس‌تر نماییم.