اصطلاحات هوش مصنوعی رایج + توضیح به زبان ساده

۲۰۹۵ بازدید
آخرین به‌روزرسانی: ۱۳ شهریور ۱۴۰۲
زمان مطالعه: ۳۱ دقیقه
اصطلاحات هوش مصنوعی رایج + توضیح به زبان ساده

اگرچه شاید خیلی لازم نباشد همگان برای هوش مصنوعی اهمیت قائل شوند، یادگیری برخی از مفاهیم، اصطلاحات و واژه‌های مقدماتی مرتبط با این حوزه از علوم کامپیوتر می‌تواند بسیار ارزشمند باشد، چراکه آینده هوش مصنوعی بسیار تعیین کننده است. این مطلب، واژه‌نامه‌ای از مفاهیم و اصطلاحات هوش مصنوعی رایج مناسب برای افراد تازه‌کار محسوب می‌شود. اکثر اصطلاحات رایج هوش مصنوعی ارائه شده در این مطلب در سطح مقدماتی و مبتدی هستند و ممکن است افراد در اخبار، محل کار یا هنگام معاشرت با سایر افراد با آن‌ها مواجه شوند. البته از معرفی و شرح اصطلاحات تخصصی و مهم هم قافل نشده‌ایم و در کل به معرفی و شرح بیش از ۳۰ اصطلاح هوش مصنوعی پرداخته‌ایم.

فهرست مطالب این نوشته

هوش مصنوعی یا همان AI به صورت تصاعدی در حال رشد است و انقلابی عظیم را در اکثر حوزه‌های تخصصی به وجود آورده است و خواهد آورد. تحولات عظیمی که هوش مصنوعی در صنایع و کسب و کارهای مختلف ایجاد می‌کند، از طریق ارائه سطحی از خودکارسازی و دقت انجام می‌شود که هیچ انسانی نمی‌تواند به آن دست یابد. این به معنی وجود بسیاری از فرصت‌های جدید و کاربردهایی از هوش مصنوعی است که هیچگاه قابل تصور نبوده‌اند. مثلاً، آیا می‌دانستید یک هوش مصنوعی تولید کننده هنر، برنده مسابقه هنری شده است که بسیاری از هنرمندان نخبه و با استعداد در آن شرکت داشته‌اند؟

چه قشری از افراد بیشتر با اصطلاحات هوش مصنوعی سر و کار دارند؟

اصطلاحات هوش مصنوعی بیشتر در حوزه تخصصی «فناوری اطلاعات» (IT) استفاده می‌شود و بازه گسترده‌ای از فرصت‌های شغلی در هوش مصنوعی وجود دارد. افراد حرفه‌ای نظیر مهندسان نرم‌افزار، دانشمندان محقق، مهندسان یادگیری ماشین، مهندسان هوش مصنوعی، دانشمندان داده، تحلیل‌گران داده و سایر مشاغل این حوزه از اصطلاحات هوش مصنوعی استفاده می‌کنند.

۳۰ اصطلاح هوش مصنوعی رایج

اصطلاحات رایج هوش مصنوعی

برای آنکه بتوان قدر تاثیر هوش مصنوعی را در زندگی خود دانست، لازم است با ابتدایی‌ترین اصطلاحات رایج هوش مصنوعی آشنا شویم. در این بخش، به ۵ اصطلاح هوش مصنوعی که رایج‌ترین‌ها به حساب می‌آیند اشاره شده است. چه فردی در زمینه هوش مصنوعی فعال نباشد و چه در مسیر تبدیل شدن به دانشمندی مشتاق در زمینه تحقیقات هوش مصنوعی باشد، حتماً باید با این ۵ اصطلاح رایج هوش مصنوعی آشنایی لازم را داشت.

  1. «الگوریتم» (Algorithm)
  2. «چت‌بات» (Chatbot)
  3. «یادگیری عمیق» (Deep Learning)
  4. «ماشین لرنینگ» (Machine Learning)
  5. «پردازش زبان طبیعی» (Natural Language Processing)

اصطلاح الگوریتم Algorithm در هوش مصنوعی

الگوریتم در برنامه نویسی و هوش مصنوعی مجموعه‌ای از دستورات است که کامپیوتر می‌تواند آن‌ها را برای درک نحوه اجرا و تکمیل یک وظیفه دنبال کند و انجام دهد. برای مثال، در برنامه‌های ماشین لرنینگ، از هر یک از الگوریتم‌های یادگیری ماشین مثلاً برای پیش‌بینی استفاده می‌شود.

اصطلاح هوش مصنوعی الگوریتم

چرا دانشمندان محقق باید راجع به الگوریتم ها اطلاعات داشته باشند؟

الگوریتم‌ها برای گستره‌ای از وظایف مختلف مثل داده‌های مطالعاتی، کسب «بینش» (Insight) و تولید پیش‌بینی بسیار ضروری هستند. بنابراین، درک اصول الگوریتم‌ها و همچنین الگوریتم‌های مختص وظایف به عنوان یک دانشمند محقق به شما کمک خواهد کرد تا بتوانید آن‌ها را بهتر پیاده‌سازی کنید.

چت بات Chatbot در هوش مصنوعی

چت‌بات یک سیستم هوش مصنوعی است که با کاربر از طریق کانال‌های صوتی یا متنی به تعامل می‌پردازد تا کاربران را در خصوص کارهای ساده راهنمایی کند. از جمله مثال‌هایی برای چت‌بات‌ها می‌توان به موارد زیر اشاره کرد:

  • «بات هوشمند» (Smartbot)
  • «بات سخنگو» (Talkbot)
  • «بات گفتگو» (Chatterbot)
  • «بات» (Bot)
  • IM bot
  • «عامل تعاملی» (Interactive Agent)
  • «واسط مکالماتی» (Conversational Interface)
  • «واحد مکالماتی مصنوعی» (Artificial Conversational Entity)

چرا باید راجع به چت بات ها اطلاعات داشته باشیم؟

خصوصاً یک دانشمند محقق باید درک کند که چت‌بات‌ها تنها ابزارهایی برای مکالمه نیستند و ارزش بسیار بیشتری دارند. همچنین چت‌بات قابلیت خودکارسازی پردازش‌های وقت‌گیر و تکراری مثل ایمیل زدن به مشتریان، پاسخگویی به پرسش و پاسخ‌های رایج و تکمیل نظرسنجی‌ها را دارا هستند.

چت بات یک اصطلاح مهم هوش مصنوعی

یادگیری عمیق Deep Learning در AI

در این قابلیت پیشرفته هوش مصنوعی، نحوه کسب دانش توسط انسان‌ها با استفاده از شبکه‌های عصبی مصنوعی شبیه‌سازی شده است. یادگیری عمیق اغلب به عنوان نوعی از یادگیری ماشین به حساب می‌آید و می‌تواند شکل یادگیری نظارت شده، نیمه نظارتی یا نظارت نشده را به خود بگیرد.

چرا باید با یادگیری عمیق آشنایی داشته باشیم؟

یادگیری عمیق به شدت برای محققان سودمند و مفید است، چراکه دانشمندان مسئولیت جمع‌آوری، تجزیه و تحلیل و تفسیر مقادیر بزرگ داده‌ها را بر عهده دارند. به کمک یادگیری عمیق می‌توان این فرایند را بسیار بهینه‌تر کرد.

یادگیری ماشین Machine Learning

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که بر استفاده از الگوریتم‌ها و داده‌ها برای تقلید از نحوه یادگیری انسان‌ها تمرکز دارد. این به ماشین‌ها امکان می‌دهد تا بتوانند به خودشان آموزش بدهند و وظایف را به گونه‌ای موثرتر و بدون دخالت انسان‌ها از طریق به‌کارگیری الگوها و استنتاج‌ها اجرا کنند.

اصطلاح ماشین لرنینگ در هوش مصنوعی

چرا محققان باید راجع به یادگیری ماشین بدانند؟

بسیاری از دانشمندان محقق یادگیری ماشین، مشاغل مهندسی داده و مدل‌سازی را برعهده دارند. محققان یادگیری ماشین برای جلوگیری از اتلاف وقت و ذخیره منابع محاسباتی، اغلب از مدل‌های یکدیگر استفاده می‌کنند، بنابراین باید آشنایی لازم را با مفاهیم یادگیری ماشین داشته باشند.

پردازش زبان طبیعی Natural Language Processing

پردازش زبان طبیعی که به اختصار آن را NLP خطاب می‌کنند، اصطلاحی فراگیر است که در خصوص قابلیت کامپیوترها برای اجرای کارکردها و عملکردهای مربوط به صحبت کردن و مکالمه مطرح می‌شود. برای مثال، حوزه‌هایی مثل «تشخیص گفتار» (Speech Recognition)، درک معنا و مفهوم و پاسخگویی به طرز هوشمندانه، جزء پردازش زبان طبیعی یا همان NLP به حساب می‌آیند.

چرا افراد باید با پردازش زبان طبیعی آشنایی داشته باشند؟

دلیل اهمیت NLP‌ برای دانشمندان و محققان این است که NLP به رفع عدم قطعیت در بازشناسی زبان‌های رایج کمک می‌کند و باعث می‌شود برای بسیاری از حوزه‌های کاربردی، مثل بازشناسی گفتار انسان یا فراکافت متن بسیار مفید باشد.

به این ترتیب، معرفی اصطلاحات رایج هوش مصنوعی در این بخش به پایان می‌رسد. در بخش بعدی اما به معرفی اصطلاحات بیشتری پرداخته شده است که آن‌ها هم در حوزه هوش مصنوعی بسیار مهم و رایج هستند. ممکن است برخی از اصطلاحات معرفی شده در بخش بعدی تکراری باشند که این مسئله به دلیل اهمیت بسیار زیاد آن‌هاست و بنابراین سعی کرده‌ایم بیشتر به آن‌ها بپردازیم. پیش از ورود به بخش بعدی، ابتدا مجموعه دوره‌های آموزش هوش مصنوعی فرادرس به علاقه‌مندان معرفی شده است.

معرفی فیلم های آموزش هوش مصنوعی

هوش مصنوعی فرادرس

در پلتفرم آموزشی فرادرس، دوره‌های آموزشی مرتبطی که پیرامون موضوعی خاص ارائه شده‌اند را در قالب مجموعه‌های آموزشی دسته‌بندی کرده‌ایم و صفحاتی را برای هر موضوع ایجاد و دوره‌های مربوطه را به ترتیب در صفحه مخصوص به آن موضوع خاص در دسترس قرار داده‌ایم. یکی از این صفحات نیز به مجموعه دوره‌های آموزش هوش مصنوعی فرادرس اختصاص دارد. کلیه دوره‌های آموزشی مرتبط با مبحث هوش مصنوعی در این مجموعه گردآوری شده است. از آموزش مقدماتی هوش مصنوعی و مبانی یادگیری ماشین با پایتون گرفته تا مباحث پیشرفته‌تری همچون شبکه‌های عصبی پیچشی و بسیاری از دوره‌های آموزشی دیگر در این مجموعه در دسترس علاقه‌مندان قرار دارند.

اکثر دوره‌های مجموعه آموزش‌های هوش مصنوعی فرادرس پروژه‌محور هستند و همچنین با استفاده از رایج‌ترین و به‌روزترین ابزارها و فناوری‌های توسعه هوش مصنوعی مثل پایتون، OpenCV، متلب و بسیاری از موارد دیگر آموزش داده شده‌‌اند. در تصویر فوق تنها تعداد کمی از دوره‌های این مجموعه به عنوان نمونه نشان داده شده‌اند.

اصطلاحات هوش مصنوعی رایج و مهم

در این بخش نیز به معرفی و شرح بیش از ۲۵ اصطلاح هوش مصنوعی پرداخته شده است که برای افراد تازه‌کار در سال ۱۴۰۱ یا ۲۰۲۲ مناسب است.

اصطلاحات رایج هوش مصنوعی

اصطلاح هوش مصنوعی AI

در هوش مصنوعی یا AI، فرایند هوش انسانی به وسیله استفاده از برنامه‌های کامپیوتری تقلید می‌شود. ایده برنامه یا سیستم هوش مصنوعی این است که درست مثل انسان‌ها یاد بگیرد. برای مثال، سیستم هوش مصنوعی می‌تواند رانندگی کند، تصاویر را تشخیص دهد و بسیاری از کارهای دیگر را انجام دهد.

امروزه هوش مصنوعی به یکی از اصطلاحات بسیار رایج و پرطرفدار تبدیل شده است. باید توجه داشت که اصطلاح هوش مصنوعی در باطن چیزی بیش از ریاضیات و آمار و احتمال نیست.

معمولاً شنیده می‌شود که در AI از کدها و برنامه نویسی استفاده نمی‌شود. اما این ادعا با واقعیت مطابقتی ندارد و غلط است. تمام برنامه‌های مبتنی بر هوش مصنوعی به وسیله دانشمندان داده و برنامه‌نویسان و توسعه‌دهندگان با استفاده از زبان‌های برنامه نویسی مثل پایتون نوشته شده‌اند. اما برنامه‌ها به گونه‌ای ساخته می‌شوند که به خودی خود قادر به تصمیم‌گیری هستند. بنابراین، کارهایی که نرم‌افزار هوش مصنوعی انجام می‌دهد به صورت کدنویسی سخت در سیستم تعبیه نشده‌اند؛ یعنی اینطور نیست که برای تک‌تک کارها و حالت‌های ممکن یا سناریوهای مختلف کدنویسی انجام شده باشد، بلکه، برنامه‌نویسی به گونه‌ای انجام می‌شود که سیستم می‌تواند با استفاده از داده‌های دریافتی و آزمون و خطا یاد بگیرد و آموزش ببیند و در نتیجه هر بار عملکردش بهتر می‌شود.

اصطلاح هوش مصنوعی یا AI چیست

به لحاظ مفهومی، هوش مصنوعی چیز جدیدی نیست. اولین فرضیه و طرح پیشنهادی شبکه‌های عصبی به سال ۱۹۴۰ یعنی ۱۳۲۰ خورشیدی بازمی‌گردد. اما همان‌طور که تصور می‌شود، آن روزها قدرت محاسباتی لازم وجود نداشته است. در قرن بیست و یکم، پیشرفت‌ها در فناوری باعث شده است بتوان به وسیله کامپیوترهای قدرمتند فرضیه‌ها را به صورت عملی اجرا و آزمایش کرد. دلیل اصلی اینکه حوزه‌های هوش مصنوعی پس از ۸۰ سال به تازگی شاهد پیشرفت‌هایی چشمگیر بوده‌اند هم همین ارتقا یافتن شگفت‌انگیز قدرت محاسباتی و سخت‌افزاری است.

رابط برنامه نویسی اپلیکیشن API

API مخفف عبارت «Application Programming Interface» به معنی «واسط برنامه نویسی اپلیکیشن» است که از طریق آن توسعه‌دهندگان می‌توانند به داده‌ها و راه‌حل‌های کدنویسی از پیش ساخته شده دسترسی داشته باشند. در فضای هوش مصنوعی، بسیاری از شرکت‌ها و استارتاپ‌ها از APIها استفاده می‌کنند که از طریق آن‌ها می‌توانند به راهکارهای شخص ثالث هوش مصنوعی دسترسی داشته باشند. این معمولاً باعث شود که بتوان ساخت اپلیکیشن‌ها و کاربردهای هوش مصنوعی را بسیار آسان‌تر انجام داد.

ایده استفاده از API مشخص می‌کند که چرا استارتاپ‌ها و توسعه‌دهندگان مستقل به یک باره به انواع مختلفی از قابلیت‌های برتر هوش مصنوعی دست یافته‌اند. دلیل برتری و ارزش بالای API نیز همین است. به جای تخصیص میلیون‌ها دلار هزینه برای انجام تحقیقات، هر فردی می‌تواند کسب و کار هوش مصنوعی خودش را با کم‌ترین هزینه یا حتی بدون هزینه آغاز کند.

برای مثال، در اکثر ابزارهای موثر و فوق‌العاده ساخت هوش مصنوعی در باطن از طریق یک API از زبان GPT-3 متعلق به OpenAI استفاده می‌شود. با این کار، یک شرکت، تنها به عنوان واسطی میان مشتری و هوش مصنوعی فراهم شده توسط شرکت شخص ثالث عمل می‌کند. این روزها اکثر افراد با دانش فنی کم می‌توانند نرم‌افزارهای جالب توجه هوش مصنوعی را در مدت زمانی اندک تنها با استفاده از نوع API مناسب توسعه دهند.

بیگ دیتا یا کلان داده Big Data در هوش مصنوعی

کلان داده (بیگ دیتا | Big Data) به مجموعه داده‌های بزرگی گفته می‌شود که به دلیل حجم بسیار زیاد، دیگر استفاده از روش‌های قدیمی پردازش داده برای آن‌ها منطقی نیست. کلان داده ترکیبی از داده‌های ساختاریافته، نیمه‌ساختارمند و بدون ساختار است که سازمان‌ها جمع‌آوری می‌کنند. معمولاً، کسب و کارها از بیگ دیتا به منظور استخراج اطلاعات از داده‌ها برای تصمیم‌گیری‌های تجاری بهتر استفاده می‌کنند.

به عنوان مثال می‌توان به کاربردهای کلان داده در یادگیری ماشین و هوش مصنوعی اشاره کرد. راهکارهای هوش مصنوعی به داده‌ها وابسته هستند. برای آموزش یک مدل هوش مصنوعی قدرتمند، لازم است آن را روی داده‌هایی حجیم اجرا کنیم. کلان داده معمولاً به وسیله ۳ ویژگی قابل شناسایی است که هر ۳ با حرف V شروع می‌شوند:

  • حجم (Volume): کلان داده حاوی حجم بزرگی از داده‌ها در محیط‌های مختلف است.
  • تنوع (Variety): در سیستم‌های کلان داده طیف وسیعی از انواع داده‌ها ذخیره می‌شود.
  • سرعت (Velocity): منظور از این شاخص، نرخ یا همان سرعت تولید، جمع‌آوری و پردازش داده‌ها است.

دسته بندی یا طبقه بندی Classification

در یادگیری ماشین، «دسته‌بندی» (طبقه‌بندی | Classification) یعنی یک مسئله مدل‌سازی که در آن مدل‌های یادگیری ماشین برچسب دسته را برای داده‌های ورودی پیش‌بینی می‌کند.

به عنوان یک نمونه و مثال بارز برای کاربرد طبقه‌بندی در یادگیری ماشین، می‌توان «پالایش هرزنامه» (Spam Filtering) را نام برد. در فیلتر اسپم، وظیفه مدل یادگیری ماشین این است که با دریافت ورودی مشخص کند آیا پیام مربوطه اسپم (هرزنامه) هست یا خیر.

اسپم فیلترینگ در یادگیری ماشین

مثالی دیگر برای طبقه‌بندی در ماشین لرنینگ، تشخیص متن دست‌نویس در تصاویر است. با دریافت تصویری از یک حرف الفبا (کاراکتر)، مدل یادگیری ماشین سعی می‌کند کاراکتر مربوطه را دسته‌بندی کند.

برای ساخت یک طبقه‌بند کارامد، نیاز به مجموعه داده‌ای بزرگ وجود دارد که دارای نمونه‌های ورودی و خروجی زیادی باشد تا از طریق آن‌ها مدل بتواند یاد بگیرد خروجی‌ها را به درستی پیش‌بینی کند.

مثلاً برای ساخت یک تشخیص‌دهنده متن دست‌نویس، لازم است آرایه وسیعی از نمونه کاراکترهای دست‌نویس در اختیار مدل قرار داده شود.

هوش مصنوعی مرکب Composite AI

هوش مصنوعی مرکب به ترکیبی از روش‌های هوش مصنوعی برای کسب بهترین نتایج اطلاق می‌شود. باید به یاد داشته باشیم که هوش مصنوعی اصطلاحی بسیار کلی و گسترده است که زیرشاخه‌های زیادی مثل یادگیری ماشین، پردازش زبان طبیعی، یادگیری عمیق، شبکه‌های عصبی دارد و بسیاری از حوزه‌های دیگر را هم در بر می‌گیرد.

گاهی راه‌حل تنها به وسیله استفاده از یک روش بدست نمی‌آید. به همین دلیل، گاهی راهکارها و روش‌های هوش مصنوعی با استفاده از ساختاری مرکب ساخته می‌شوند که در آن‌ها چندین زیرشاخه از هوش مصنوعی با هم ترکیب می‌شوند تا نتیجه لازم حاصل شود.

بینایی کامپیوتر Computer Vision

بینایی کامپیوتر یکی از اصلی‌ترین زیرشاخه‌های هوش مصنوعی به حساب می‌آید. برنامه بینایی کامپیوتری از داده‌های تصویری برای آموزش و تربیت کامپیوتر استفاده می‌کند تا بتواند به وسیله آن دنیای بصری را ببیند.

برای راه‌اندازی سیستم بینایی کامپیوتری، برنامه باید تصاویر دیجیتال را تجزیه و تحلیل کند و با استفاده از مدل‌های یادگیری عمیق از تصاویر دیجیتال و ویدیوها یاد بگیرد. برنامه بینایی کامپیوتری می‌تواند بر‌اساس داده‌ها اشیاء را دسته‌بندی کند و حتی در صورت نیاز تصمیم‌گیری‌های لازم را هم انجام دهد.

بینایی کامپیوتر در AI

ممکن است تعجب‌آور باشد، اما اولین آزمایش‌ها در خصوص بینایی کامپیوتری در AI در دهه ۵۰ میلادی (۱۳۳۰ خورشیدی) انجام شده است. در این دوران، اولین شبکه‌های عصبی مصنوعی برای تعیین لبه اشیا در تصاویر برای دسته‌بندی آن‌ها به عنوان دایره یا مستطیل مورد استفاده قرار گرفتند. در طول دهه ۷۰ میلادی، سیستمی توسعه داده شد که در آن کامپیوتر متن دست‌نویس را به وسیله «تشخیص نوری کاراکتر» (Optical Character Recognition) تفسیر می‌کرد. در ادامه، ۴ اتفاقی فهرست شده‌اند که باعث شدند حوزه بینایی کامپیوتر رشد چشمگیری داشته باشد.

  • دستگاه‌های موبایل دارای دوربین داخلی
  • افزایش قدرت محاسباتی در کامپیوترها
  • پدید آمدن سخت‌افزارهای متمرکز بر بینایی کامپیوتر
  • الگوریتم‌های جدید بینایی کامپیوتر، مثل شبکه‌های پیچشی (CNNها)

DALL-E 2 چیست؟

DALL-E 2 الگوریتمی تاثیر‌گذار و قابل تحسین است که برای تبدیل متن به تصویر استفاده می‌شود و اخیراً به طور گسترده‌ای توجه‌ها را به سمت خود جلب کرده است.

به طور خلاصه، نحوه عملکرد DALL-E 2 به این صورت است که ورودی متن را دریافت و تصویری را خروجی می‌دهد که توصیف کننده ورودی است. در زمان انتشار این مطلب، DALL-E 2 به صورت عمومی در دسترس نیست. در عوض، فهرست انتظاری با ده‌ها هزار شرکت کننده پذیرفته شده وجود دارد.

در سطح انتزاع بسیار بالا، DALL-E 2 تنها تابعی است که نگاشت متن را به تصویر انجام می‌دهد. اما در باطن (سطوح پایین‌تر)، این سیستم چیزی بسیار بیشتر و پیچیده‌تر از یک تابع ساده است.

برخلاف تلاش‌های قبلی برای تولید تصاویر از متن، DALL-E 2 گامی فراتر بر می‌دارد. توصیه می‌شود برخی از تصاویری را که DALL-E 2 توانسته است تولید کند را بررسی کنید. برای مثال، تصویری از وب‌سایت این سیستم هوش مصنوعی در ادامه آمده است.

تصویر فوق به همراه چند تصویر دیگر بر اساس یک توصیف متنی توسط هوش مصنوعی DALL-E 2 تولید شده است. این توصیف متنی را می‌توان در وب‌سایت DALL-E 2 مشاهده کرد. برای تولید تصاویر، DALL-E 2 از ۲ روش استفاده می‌کند:

  • پردازش زبان طبیعی برای تجزیه و تحلیل هدف و مقصود متن ورودی
  • ساخت بینایی کامپیوتری برای ارائه تصویری در خروجی که به بهترین نحو با مقصود تعیین شده در مرحله قبل مطابقت دارد.

داده کاوی  Data Mining

داده کاوی به پیدا کردن الگو در داده‌ها برای پیش‌بینی خروجی گفته می‌شود. به بیان دیگر، داده کاوی فرایند و پردازشی است که در آن داده‌های خام به اطلاعات مفیدی تبدیل می‌شوند و می‌توان از آن اطلاعات برای انجام اقدامات لازم استفاده کرد. داده کاوی شامل روش‌های بسیاری است که کسب و کارها می‌توانند از آن‌ها استفاده کنند. از جمله مزیت‌های استفاده از داده کاوی در شرکت‌های تجاری می‌توان به موارد زیر اشاره کرد:

  • کاهش هزینه‌ها
  • کاهش خطرات و ریسک
  • افزایش سود
  • بهبود روابط مشتریان
  • بسیاری از موارد دیگر
مفاهیم داده کاوی

همچنین به داده کاوی «کشف دانش در بانک‌های اطلاعاتی» هم می‌گویند که نام‌گذاری طولانی‌تری است، اما توصیف بهتری را برای چیستی داده کاوی ارائه می‌دهد. داده کاوی فرایندی است که در آن ارتباط‌های پنهان میان داده‌ها مشخص می‌شود که می‌توان با استفاده از آن‌ها آینده را پیش‌بینی کرد.

داده کاوی چگونه انجام می شود؟

پروسه داده کاوی تقریباً گام‌های زیر را شامل می‌شود:

  1. شرح اهداف کسب و کار: در این مرحله، شناسایی مسئله کسب و کار و پرسیدن تعداد زیادی سوال انجام می‌شود. در طول این مرحله، گاهی تحلیل‌گران باید برخی تحقیقاتی را انجام دهند تا بتوانند بافت و مضمون کسب و کار را بهتر درک کنند.
  2. آماده‌سازی داده‌ها (Data Preparation): پس از آنکه مسئله تعریف و تشریح شد، دانشمندان داده مجموعه داده‌ای را مشخص می‌کنند که می‌توان از آن برای پاسخ دادن به سوال‌های مطرح شده برای آن مسئله استفاده کرد. در طول این مرحله از فرایند داده کاوی، داده‌ها پاک‌سازی می‌شوند تا برای مثال داده‌های تکراری، مقادیر گم شده و داده‌های پرت (Outlier) حذف شوند.
  3. تحلیل داده‌ها (Data Analysis): دانشمندان داده سعی می‌کنند به دنبال روابط میان داده‌ها مثل همبستگی‌ها، روابط و وابستگی‌های متقابل یا سایر انواع الگوها باشند. تحلیل داده مرحله‌ای مهم است که به سمت رسیدن به نتیجه‌گیری و تصمیم‌گیری بر اساس داده‌ها متمایل می‌شود.
  4. ارزیابی نتیجه (Result Evaluation): پس از تجمیع داده‌ها، زمان ارزیابی و تفسیر نتایج فرا می‌رسد. در طول این مرحله، نتایج در قالبی قابل درک و قابل اجرا نهایی‌سازی می‌شوند. با رسیدن به این نتایج، شرکت‌ها می‌توانند خط مشی‌های جدید و راهکارهای تازه برای رسیدن به اهدافشان را به کار بگیرند.

علم داده  Data Science

علم داده مطالعه وسیع حجم‌های گسترده‌ای از داده‌ها به حساب می‌آید. دانشمند داده از ابزارها، روش‌ها و الگوریتم‌های مُدرن استفاده می‌کند تا موارد زیر را عملی سازد:

  • پیدا کردن الگوهای دیده نشده
  • کشف اطلاعات خردمندانه (دارای بینش)
  • اتخاذ تصمیات تجاری بهتر برای کسب و کارها

دانشمندان داده از الگوریتم‌های یادگیری ماشین برای ساخت مدل‌های پیشگویانه به منظور استخراج اطلاعات از داده‌ها استفاده می‌کنند.

داده‌هایی که تجزیه و تحلیل می‌شوند ممکن است از منابع مختلفی دریافت شده باشند و انواع قالب‌های مختلف و متفاوتی داشته باشند. داده‌ها می‌توانند ساختارمند یا بدون ساختار باشند. گاهی داده‌ها از پیش در یک ذخیره‌گاه داده یا بانک اطلاعاتی موجود هستند. معمولاً اما لازم است داده‌ها را از جایی دریافت و جمع‌آوری کنیم. مثلاً یک روش برای بدست آوردن داده‌ها، استفاده از «خزش در وب» (Web Scraping) است.

مهارت های مهم برای علم داده کدامند؟

در ادامه برخی از مفاهیم کلیدی مرتبط با علم داده فهرست شده‌اند:

پیش از یادگیری علم داده، باید با موضوعات و حوزه‌های فهرست شده در بالا آشنایی لازم را داشته باشیم و در خصوص نحوه استفاده از آن‌ها مهارت لازم را کسب کنیم.

یادگیری عمیق Deep Learning

کامپیوتر آنچه که دارد یاد می‌گیرد را مثل انسان‌ها درک نمی‌کند. برای اینکه یادگیری در کامپیوتر اتفاق بیوفتد، ماشین باید فرایند یادگیری هوش انسانی را تقلید کند. اینجا است که از یادگیری عمیق استفاده می‌شود. یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است. الگوریتم‌های یادگیری عمیق به کامپیوترها آموزش می‌دهند که چگونه با مثال یاد بگیرند. یکی از کاربردهای برجسته یادگیری عمیق، خودروهای خودران است.

کاربرد یادگیری عمیق در خودروهای خودران

الگوریتم‌های یادگیری عمیقی که در پشت پرده ماشین‌های خودران اجرا می‌شوند را می‌توان آموزش داد تا اشیای داخل جاده را به طور لحظه‌ای تشخیص دهند. از جمله اشیای داخل جاده می‌توان به موارد زیر اشاره کرد:

  • تابلو‌های علائم رانندگی
  • عابران پیاده
  • چراغ‌های راهنمایی
  • دیگر وسایل نقلیه

سایر کاربردهای یادگیری عمیق

همچنین، خدمات کنترل صوتی نیز حاصل الگوریتم‌های هوشمند یادگیری عمیق هستند. برای اینکه الگوریتم‌های یادگیری عمیق به درستی کار کنند، لازم است حجم زیادی از داده‌های برچسب‌گذاری شده به آن خورانده شود. الگوریتم‌های یادگیری عمیق از این داده‌ها برای آموزش دادن خود به منظور تشخیص الگوها استفاده می‌کنند.

برای مثال، با داشتن داده‌های آموزشی کافی، می‌توان به یک الگوریتم یادگیری عمیق آموزش داد که اشیا را در تصاویر تشخیص دهد.

هوش مصنوعی اخلاقی Ethical AI

هوش مصنوعی اخلاقی به نوعی از هوش مصنوعی گفته می‌شود که با دستور‌العمل‌های مربوط به ارزش‌های بنیادین در ارتباط است. از جمله این ارزش‌های بنیادین می‌توان به موارد زیر اشاره کرد:

  • حقوق فردی
  • حریم خصوصی
  • عدم تبعیض
  • عدم دستکاری

ایده هوش مصنوعی اخلاقی، اهمیت دادن به جنبه‌های اخلاقی برای مشخص کردن این مسئله است که هوش مصنوعی قانونی چیست و هوش مصنوعی غیر قانونی چگونه تعریف می‌شود. سازمان‌هایی که از هوش مصنوعی اخلاقی استفاده می‌کنند، خط مشی‌ها و فرایندهایی را مشخص کرده‌اند تا اطمینان حاصل شود هوش مصنوعی مورد استفاده توسط آن‌ها با قوانین و مقررات هوش مصنوعی اخلاقی مطابقت دارد.

اخلاق در هوش مصنوعی

هوش مصنوعی اخلاقی موارد را تنها به لحاظ قانونی مجاز در نظر نمی‌گیرد، بلکه گامی فراتر در این خصوص بر می‌دارد؛ به بیان دیگر، اگر چیزی قانونی باشد، به این معنی نیست که هوش اخلاقی خواهد بود. مثلاً یک الگوریتم هوش مصنوعی قانونی که افراد را برای انجام رفتار خودتخریب‌گرانه فریب می‌دهد، به هیچ عنوان هوش مصنوعی اخلاقی به حساب نخواهد آمد.

هوش مصنوعی ترکیبی Hybrid AI

هوش مصنوعی هیبریدی نظیر یادگیری ماشین و یادگیری عمیق، ترکیبی از بینش انسانی و AI است. این نوع از هوش مصنوعی همچنان در مراحل اولیه توسعه قرار دارد و با برخی چالش‌ها مواجه است. اما متخصصان همچان به آن باور دارند. توصیف و تعریف دیگری برای هوش مصنوعی ترکیبی این است که این نوع AI ترکیبی از «هوش مصنوعی نمادین» (Symbolic AI) و «هوش مصنوعی غیر سمبلیک» (non-Symbolic AI) است.

هوش مصنوعی هیبریدی

یک موتور جستجوی وب می‌تواند مثالی عالی برای هوش مصنوعی ترکیبی باشد. مثلاً فرض کنیم کاربری عبارت «EUR to USD‎» را در موتور جستجویی مثل گوگل وارد می‌کند. نحوه عملکرد سیستم هوش مصنوعی موتور جستجو به صورت زیر است:

  1. موتور جستجو، مسئله تبدیل واحد پولی را در گزاره جستجو شناسایی می‌کند. این کار مربوط به بخش هوش مصنوعی نمادین در موتور جستجوی مربوط می‌شود.
  2. سپس موتور جستجو، الگوریتم‌های یادگیری ماشین را برای رتبه‌بندی و ارائه نتایج جستجو اجرا می‌کند. این بخش غیر سمبلیک هوش مصنوعی در موتور جستجو به حساب می‌آید.

تشخیص تصاویر Image Recognition

تشخیص تصویر یا بازشناسی تصاویر زیرشاخه‌ای از بینایی کامپیوتری و هوش مصنوعی به حساب می‌آید. منظور از تشخیص تصاویر، مجموعه روش‌هایی است که برای شناسایی و تجزیه و تحلیل تصاویر مورد استفاده قرار می‌گیرند تا وظایف لازم برای این کار خودکارسازی شوند.

بازشناسی تصویر در هوش مصنوعی

آخرین و مدرن‌ترین الگوریتم‌های تشخیص تصاویر، قابلیت شناسایی افراد، مکان‌ها، اشیاء و سایر عناصر مشابه را در یک تصویر یا نقاشی دارا هستند. به علاوه، این الگوریتم‌ها می‌توانند جمع‌بندی‌ها و نتیجه‌گیری‌های قابل اجرایی را از اشیای شناسایی شده ارائه دهند.

جبر خطی Linear Algebra

جبر خطی شاخه‌ای کلیدی از ریاضیات مورد استفاده در الگوریتم‌های هوش مصنوعی و یادگیری ماشین به حساب می‌آید.

در جبر خطی با دستگاه معادلات خطی، فضاهای برداری و ماتریس‌ها سر و کار داریم. به بیان دیگر، جبر خطی در واقع مطالعه توابع و بردارهای خطی است. اگرچه به طور سنتی از دیرباز جبر خطی را برای مدل‌سازی پدیده‌های طبیعی به کار می‌گیرند، با این حال این شاخه از ریاضیات، نقشی کلیدی در توسعه الگوریتم‌های یادگیری ماشین دارد.

اصطلاح یادگیری ماشین Machine Learning

همان‌طور که در ابتدای مطلب نیز به آن پرداختیم، یادگیری ماشین یکی از شناخته شده‌ترین زیرشاخه‌های هوش مصنوعی به حساب می‌آید. یادگیری ماشین حوزه‌ای مطالعاتی است که بر استفاده از داده‌ها و الگوریتم‌ها برای شبیه‌سازی یادگیری انسان‌ها تمرکز دارد.

برنامه‌های یادگیری ماشین بر کلان داده متکی هستند تا الگوها و روابط میان داده‌ها را بیاموزند. در پشت صحنه، یادگیری ماشین چیزی به جز مباحث زیادی از جبر خطی پایه‌ای نیست. ساده‌ترین شکل از الگوریتم یادگیری ماشین، داده‌ها را دریافت می‌کند و یک منحنی را بر آن منطبق می‌سازد تا مقادیر آینده را پیش‌بینی کند.

الگوریتم های یادگیری ماشین چطور کار می کنند؟

فرایند عملکرد الگوریتم‌های یادگیری ماشین را می‌توان به ۳ بخش مختلف تقسیم کرد:

  1. فرایند تصمیم‌گیری: الگوریتم یادگیری ماشین یا پیش‌بینی می‌کند یا دسته‌بندی انجام می‌دهد. با استفاده از داده‌های ورودی، الگوریتم تخمینی از الگوها را در داده‌ها تولید می‌کند.
  2. تابع خطا: این تابع «کیفیت» پیش‌بینی انجام شده به وسیله مدل را در نظر می‌گیرد. اگر نمونه‌های شناخته شده‌ای وجود داشته باشد، تابع خطا می‌تواند پیش‌بینی انجام شده را با این نمونه‌ها مقایسه کند تا بتوان با استفاده از تابع زیان میزان دقت را ارزیابی کرد.
  3. فرایند بهینه‌سازی مدل: بسته به خروجی پیش‌بینی انجام شده به وسیله الگوریتم، ممکن است نیاز به تنظیم آن وجود داشته باشد. روش‌های بهینه‌سازی در یادگیری ماشین برای کاهش دادن خطای تولید شده به وسیله الگوریتم در زمان مقایسه پیش‌بینی با نمونه واقعی انجام می‌شوند.

هوش مصنوعی تولید کننده آثار هنری به نام MidJourney

هوش مصنوعی MidJourney، تولید کننده آثار هنری جدیدی است که مشابه DALL-E  متن را به تصویر تبدیل می‌کند. اما خروجی MidJourney هر تصویری نیست، بلکه تصویری واقع‌گرایانه، هوشمندانه و شاهکاری انتزاعی به حساب می‌آید که تاکنون مشابه آن مشاهده نشده است.

به لطف خلق آثار هنری متحیر کننده، هوش مصنوعی MidJourney اخیراً به طرز شگفت‌انگیزی فراگیر شده است. برای استفاده از MidJourney، می‌توانیم ورودی متنی برگرفته از عمیق‌ترین خیال‌پردازی‌های خود را به MidJourney ارائه دهیم و این هوش مصنوعی آن را به یک تصویر خارق‌العاده تبدیل خواهد کرد.

اصطلاح MidJourney در هوش مصنوعی

باید توجه داشت که در زمان انتشار این مقاله، MidJourney هنوز در مرحله آزمایشی (بتا) قرار دارد و تنها از طریق دعوت اعضا می‌توان به آن دسترسی داشت.

هوش مصنوعی MidJourney نماینده موج جدید نرم‌افزارهای تبدیل متن به تصویر است. همین حالا هم MidJourney در یک مسابقه هنری واقعی برنده شده است. البته، MidJourney قطعاً تنها ابزار هنری هوش مصنوعی به حساب نمی‌آید. سایر راهکارهای مشابهی مثل DALL-E و Stable Diffusion نیز در حال ارتقا و بهبود هستند.

بهترین نکته راجع به این ابزارهای هنری هوش مصنوعی این است که آن‌ها به سرعت در حال تحول هستند و انتظار می‌رود روز به روز بهتر و بهتر شوند.

اصطلاح مُدل در هوش مصنوعی

«مدل» (Model) اصطلاحی رایج در یادگیری ماشین، زیرشاخه کلیدی هوش مصنوعی، است. مدل یا همان «مدل یادگیری ماشین» فایلی است که انواع مشخصی از الگوها را در داده‌ها شناسایی می‌کند. برای ساخت یک مدل یادگیری ماشین، باید الگوریتمی نوشت و مدل را با استفاده از آن و همچنین به وسیله کلان داده آموزش داد.

مدل یادگیری ماشین از داده‌ها یاد می‌گیرد و می‌توان از مدل برای پیش‌بینی نتایج مقادیر آتی استفاده کرد.

برای مثال، می‌توان مدل یادگیری ماشینی ساخت که با دریافت دمای صبح، بیشترین دما را در طول روز پیش‌بینی می‌کند. می‌توان الگوریتم را با استفاده از یک مدل رگرسیون خطی و تعدادی از نقاط داده مربوط به آب و هوای دریافتی از گذشته، آموزش داد.

اصطلاح پردازش زبان طبیعی Natural Language Processing

همان‌طور که پیش‌تر هم بیان شد، پردازش زبان طبیعی که به اختصار آن را NLP خطاب می‌کنند، یکی از زیرشاخه‌های کلیدی هوش مصنوعی به حساب می‌آید. با استفاده از NLP، برنامه کامپیوتری می‌تواند متن و صوت را مشابه انسان‌ها پردازش کند. پردازش زبان طبیعی این امکان را برای انسان‌ها فراهم می‌سازد تا بتوانند با استفاده از زبان طبیعی با انسان‌ها به تعامل بپردازند. در NLP شاخه‌ها و روش‌های زیر با هم ترکیب می‌شوند.

  • «زبان‌شناسی محاسباتی» (Computational Linguistics)
  • «مدل‌سازی آماری» (Statistical Modeling)
  • «مدل‌های یادگیری ماشین» (Machine Learning Models)
  • «مدل‌های یادگیری عمیق» (Deep Learning Models)

در صورت استفاده هوشمندانه، ترکیبی از این مطالعات باعث ساخت برنامه‌هایی کامپیوتری می‌شود که قابلیت درک کامل متن یا صوت را دارند. این یعنی برنامه می‌تواند قصد و قرض و عواطف را هم حس کند. NLP در ترجمه، پاسخگویی به دستورات صوتی، خلاصه‌سازی متن‌ها و بسیاری از موارد دیگر کاربرد دارد.

شبکه عصبی Neural Network

شبکه عصبی زیر مجموعه‌ای از یادگیری عمیق است که خود یکی از زیرشاخه‌های کلیدی هوش مصنوعی به حساب می‌آید. یک شبکه عصبی فرایند تشخیص الگوی مغز انسان را تقلید می‌کند. شبکه‌های عصبی مصنوعی در واقع نوعی شبیه‌سازی از نحوه برقراری ارتباط نورون‌های زیستی در مغز انسان است.

اجزای شبکه عصبی چه هستند؟

شبکه عصبی با استفاده از اجزای زیر تشکیل می‌شود:

  • لایه ورودی
  • یک یا بیش از یک لایه پنهان
  • لایه خروجی

لایه‌ها شامل گره‌ها (نورون‌های مصنوعی) می‌شوند. گره‌های لایه قبلی به گره‌های لایه بعدی متصل هستند. علاوه بر این، هر گره وزن خاصی را حمل می‌کند و آستانه تحمل مشخصی دارد.

شبکه عصبی مصنوعی چگونه کار می کند؟

در صورتی که خروجی یک گره از آستانه مربوطه عبور کند، گره فعال می‌شود و داده‌ها را به لایه بعدی می‌فرستد.

این فرایند مشابه نحوه فعالیت عصب‌ها در مغز ما است. برای ساخت الگوریتم یادگیری عمیق، توسعه دهنده داده‌های آموزشی را به خورد یک شبکه عصبی می‌دهد. سپس، الگوریتم نحوه طبقه‌بندی داده‌های آموزشی را بر اساس فعال‌سازی‌های رخ داده شده در شبکه عصبی یاد می‌گیرد.

اصطلاح OpenAI در هوش مصنوعی یعنی چه؟

اصطلاح هوش مصنوعی OpenAI نام یک آزمایشگاه تحقیقات هوش مصنوعی و شرکتی برجسته است. OpenAI یکی از بازیگران کلیدی در دنیای هوش مصنوعی به حساب می‌آید. این شرکت تا‌کنون تعدادی برنامه قدرت گرفته از هوش مصنوعی ساخته است که پیش از این قابل تصور نبوده‌اند. از جمله بهترین نمونه‌ها برای الگوریتم‌های ساخته شده توسط OpenAI می‌توان به دو مورد زیر اشاره کرد:

  • DALL-E: پیش‌تر به DALL-E به عنوان یکی از اصطلاحات هوش مصنوعی رایج پرداخته شد. این الگوریتم هوش مصنوعی، امکان تولید تصاویر خارق‌العاده را بر اساس ورودی‌های متنی فراهم می‌کند.
  • GPT-3: در این مدل پیشتاز پردازش زبان طبیعی، امکان تولید نتایج مبتنی بر متن با دریافت یک ورودی کوتاه فراهم شده است. هوش مصنوعی GPT-3 می‌تواند اخبار، شعر، داستان کوتاه یا حتی کتاب بنویسد و تحول شگرفی در این حوزه به حساب می‌آید.

بهترین جنبه این مدل‌های هوش مصنوعی این است که آن‌ها برای عموم مردم در دسترس هستند. هر فردی که بخواهد می‌تواند به GPT-3 دسترسی داشته باشد و با استفاده از آن یک اپلیکیشن فوق قدرتمند در ارتباط با تولید متن بسازد.

اندرو اینگ پیشگام در هوش مصنوعی

تشخیص نوری حروف الفبا Optical Character Recognition

در تشخیص نوری کاراکتر که به اختصار OCR (برای تشخیص متن) نامیده می‌شود، داده‌های متنی از تصاویر، اسناد اسکن شده، فایل‌های PDF و سایر موارد استخراج می‌شوند. الگوریتم‌های OCR به صورت زیر کار می‌کنند.

  1. شناسایی تمام حروف الفبا در یک تصویر
  2. در نظر گرفتن حروف الفبا در قالب کلمات
  3. در نظر گرفتن کلمه‌ها در قالب جمله‌ها

به وسیله OCR می‌توان از هوش مصنوعی به منظور ایجاد روش‌هایی با تاثیرگذاری بسیار بیشتر برای استخراج متن از تصاویر استفاده کرد. گاهی OCRهای قدرت گرفته از هوش مصنوعی را ICR هم می‌نامند که مخفف عبارت «Intelligent Character Recognition» به معنی «تشخیص هوشمندانه حروف الفبا» است. ICR می‌تواند زبان‌ها را از نوشته‌ها تشخیص دهد یا اطلاعات را از دست‌خط‌های مختلف استخراج کند.

تشخیص نوری حروف الفبا

یک نرم‌افزار رایج OCR به صرفه‌جویی در زمان کمک می‌کند و باعث می‌شود بتوانیم در خصوص تبدیل اسناد فیزیکی به قالب‌های دیجیتال، هزینه‌ها را کاهش دهیم. به جای اینکه کارها را به صورت دستی انجام دهیم، تنها کافی است با دوربین عکس بگیریم و از OCR برای اسکن خودکار محتوای تصویر استفاده کنیم.

اصطلاح Prompt Engineering در هوش مصنوعی

اصطلاح هوش مصنوعی «Prompt Engineering» که می‌توان آن را «مهندسی پیام آمادگی» ترجمه کرد، حداقل در زمان انتشار این نوشته، یکی از اصطلاحات هوش مصنوعی تقریباً جدید در حوزه AI به حساب می‌آید. این اصطلاح به نوشتن ورودی‌های متنی به دقت فکر شده برای الگوریتم‌های هوش مصنوعی به منظور تولید خروجی مطلوب و دلخواه مربوط می‌شود.

اصطلاح هوش مصنوعی Prompt Engineering را در زمان استفاده از موارد زیر به کار می‌بریم:

  • تولید کننده‌های تصویر از متن مبتنی بر AI
  • تولید کننده‌های متن مبتنی بر هوش مصنوعی

برای مثال، در یک تولید کننده AI تصویر از متن، اگر ورودی متنی به اندازه کافی توصیفی و صریح نباشد، ممکن است نتایجی نه چندان مطلوب و بی‌تاثیر را تولید کند.

برای استفاده از هوش مصنوعی به منظور تولید تصاویر، ویدیوها یا متن‌های تاثیرگذار، لازم است در زمان ارائه ورودی، دقت لازم را به عمل آوریم.

اصطلاح هوش مصنوعی Prompt Engineering

به عنوان مثال، ممکن است نیاز باشد نام یک هنرمند، اثر هنری، سبک نقاشی و مواردی از این دست را در ورودی مشخص کنیم. علاوه بر این، ممکن است نیاز باشد برخی از اصطلاحات فنی در زمان ارسال پیام ورودی یا همان رخداد «Prompt» درج شوند تا به تصویر‌سازی مربوطه ظاهر خاصی داده شود. احتمالاً می‌توان Prompt Engineering را یکی از مشاغل بسیار آینده‌دار به حساب آورد.

تکینگی یا Singularity در هوش مصنوعی

در حوزه هوش مصنوعی، تکینگی یا یکتایی به رویدادی گفته می‌شود که در آن هوش مصنوعی خودآگاه می‌شود و خودش خارج از کنترل شروع به تکامل می‌کند. اما فعلاً جای نگرانی نیست. هوش مصنوعی دوران مدرن در مقایسه با مغز انسان چندان هوشمند نیست.

اگرچه تکینگی در حال حاضر دغدغه‌ای معقول به حساب نمی‌آید، قطعاً مقوله‌ای است که در آینده باید حتماً به آن دقت و توجه بیشتری داشته باشیم. پیشرفت سریع در حوزه محاسبات و فناوری ممکن است به خطرناک و مخرب شدن هوش مصنوعی بینجامد. پیشرفت‌ها در زمینه هوش مصنوعی باید در راستای ایجاد دوستی بین AI و انسان‌ها صورت بگیرند، نه اینکه باعث ایجاد دشمنی شوند.

Singularity در هوش مصنوعی

تشخیص گفتار Speech Recognition

تشخیص یا بازشناسی گفتار کاربرد محبوبی از هوش مصنوعی به حساب می‌آید. ایده تشخیص گفتار یا «تشخیص گفتار خودکار» (Automatic Speech Recognition | ASR) به این صورت است که یک برنامه کامپیوتری بتواند کلمات صحبت شده را دریافت و آن‌ها را به متن تبدیل کند.

بسیاری از سرویس‌های تشخیص گفتار از الگوریتم‌های هوش مصنوعی برای پردازش زبان گفتار استفاده می‌کنند. این سرویس‌ها ترکیب صدا و سیگنال‌های صوتی را برای پردازش گفتار به کار می‌گیرند.

الگوریتم‌های تشخیص گفتار بسیاری شامل روش‌های پردازش زبان طبیعی و شبکه‌های عصبی وجود دارد.

سیستم ایده‌آل تشخیص گفتار در طول زمان بیشتر و بیشتر یاد می‌گیرد و این باعث می‌شود دقت چنین ابزارهایی در طول زمان بیش‌تر و بیش‌تر شود.

هوش مصنوعی قوی Strong AI

هوش مصنوعی قوی سطح نظری یا تئوریک هوش مصنوعی و یکی از اصطلاحات هوش مصنوعی رایج به حساب می‌آید که در آن AI به اندازه انسان‌ها هوشمند و خودآگاه است. علاوه بر این، یک سیستم هوش مصنوعی قوی درست مثل انسان این قابلیت را دارد که مسئله‌ها را حل کند، مهارت‌های جدید بیاموزد و آینده را پیش‌بینی کند.

هوش مصنوعی قوی را به طور رایج با عنوان «هوش جامع مصنوعی» یا «هوش فراگیر مصنوعی» (Artificial General Intelligence) یا به اختصار AGI هم خطاب می‌کنند. در خصوص اینکه آیا اصلاً انسان بتواند به این سطح از هوش مصنوعی دست یابد، جای بحث دارد. برخی از محققان خوش‌بین، مدعی هستند که دست‌یابی به این هوش مصنوعی فراگیر تنها چند دهه بیشتر با ما فاصله ندارد. دیگران اما می‌گویند که هیچ‌گاه نمی‌توان به آن دست پیدا کرد. بنابراین، فقط زمان می‌تواند مشخص کند که چه رخ خواهد داد.

آزمون تورینگ در هوش مصنوعی

تست تورینگ یا همان آزمون «تورینگ» (Turing) آزمونی است که مشخص می‌کند آیا ماشینی دارای هوشمندی مثل انسان هست یا نیست و این مفهوم یکی از اصطلاحات هوش مصنوعی بسیار رایج به حساب می‌آید. اگر ماشینی گفتگویی را بدون اینکه شناسایی شود با یک انسان داشته باشد، آن ماشین در تست تورینگ با موفقیت قبول می‌شود و این یعنی از خودش هوشمندی انسان‌گونه به نمایش گذاشته است.

آزمون تورینگ در دهه ۱۹۵۰ توسط «آلن تورینگ» (Alan Turing) ارائه شده است. حتی با وجود پیشرفت‌های چشمگیر و توسعه سریعی که در حوزه هوش مصنوعی رخ داده، تا کنون هیچ ماشینی موفق به قبولی در آزمون تورینگ نشده است، اما هر روز به این امر نزدیک‌تر می‌شویم. انگیزه اصلی و نظریه‌های هوش مصنوعی همگی حول مفهوم قبولی در آزمون تورینگ تکامل می‌یابند. به همین دلیل است که معمولاً بسیاری از افراد دائماً راجع به آزمون تورینگ یا قبولی در آن صحبت می‌کنند.

آلن تورینگ مبدع ماشین تورینگ و تست تورینگ

هوش مصنوعی ضعیف

«هوش مصنوعی ضعیف» (Weak AI) یکی از رویکردها در تحقیق و توسعه AI و یکی از اصطلاحات هوش مصنوعی رایج به حساب می‌آید. در هوش مصنوعی ضعیف به این صورت در نظر گرفته می‌شود که هوش مصنوعی تنها قادر به شبیه‌سازی فرایند هوش انسانی است. سیستم‌های هوش مصنوعی ضعیف در حقیقت خودآگاه نیستند. هوش مصنوعی ضعیف به واسطه قوانینی که برای آن توسعه داده شده‌اند، دارای محدودیت است.

چت‌بات را می‌توان بهترین نمونه هوش مصنوعی ضعیف دانست. AI ضعیف در ظاهر خودآگاه به نظر می‌رسد و پاسخ‌هایی هوشمندانه می‌دهد، اما هرگز نمی‌تواند فراتر از این حد عمل کند. واقعیت امر این است که تمام راهکارهای امروزی AI همگی نمونه‌هایی از هوش مصنوعی ضعیف به حساب می‌آیند. همچنین به طور رایج، AI ضعیف را «هوش مصنوعی محدود» (Narrow Artificial Intelligence) هم می‌نامند.

هوش مصنوعی ضعیف

یکی دیگر از اصطلاحات هوش مصنوعی رایجی که زیاد راجع به آن سوال می‌شود، اصطلاح بایاس در هوش مصنوعی است که در ادامه به آن پرداخته شده است.

بایاس در هوش مصنوعی چیست ؟

«بایاس یادگیری ماشین» که آن را با عنوان «بایاس الگوریتم» هم خطاب می‌کنیم، به تمایل الگوریتم‌ها برای بازتاب بایاس‌های انسانی اشاره دارد. کلمه «بایاس» (Bias) را می‌توان «گذردهی»، «سوگیری» یا «انحراف» ترجمه کرد. بایاس به عنوان پدیده‌ای در هوش مصنوعی، زمانی رخ می‌دهد که الگوریتم به دلیل وجود فرضیه‌های دارای خطای یادگیری ماشینی، به طور منظم نتایج بایاس شده‌ای را خروجی می‌دهد. در فضای افزایش بازنمایی و تنوع امروزی، این مسئله حتی بیشتر هم مشکل‌ساز می‌شود، زیرا الگوریتم‌ها ممکن است بایاس‌هایی را تحمیل کنند.

برای مثال، یک الگوریتم تشخیص چهره را می‌توان برای تشخیص چهره افراد سفید پوست نسبت به تیره پوستان، راحت‌تر آموزش داد. دلیلش این است که تصاویر مربوط به چهره افراد سفید پوست بیشتر در داده‌های آموزشی استفاده شده‌اند. این موضوع می‌تواند روی تشخیص چهره گروه‌های اقلیت تاثیر منفی داشته باشد، زیرا تبعیض مانع ایجاد فرصت برابر و تداوم ظلم می‌شود. مشکل اینجاست که چنین بایاس‌هایی عمدی نیستند و شناسایی و شناخت آن‌ها پیش از انجام برنامه‌نویسی و تعبیه در نرم‌افزار بسیار دشوار است.

هوش مصنوعی بایاس شده

اصطلاحات هوش تجاری رایج BI

درست مثل همه زمینه‌های تخصصی، حوزه «هوش تجاری» (business Intelligence) که به اختصار BI خطاب می‌شود نیز دارای اصطلاحات تخصصی مربوط به خودش است.  به طور طبیعی، اگر آشنایی لازم با اصطلاحات هوش تجاری وجود نداشته باشد، شنیدن آن‌ها از جانب دیگران می‌تواند سردرگمی ایجاد کند.

بنابراین، با توجه به اینکه هوش تجاری هم به نوعی زیرشاخه هوش مصنوعی به حساب می‌آید، در این بخش از مقاله اصطلاحات هوش مصنوعی رایج به معرفی و شرح اجمالی ۵ اصطلاح رایج BI پرداخته شده است.

اصطلاح Data Silo یا سیلوی داده در BI به چه معناست؟

«سیلوی داده» (Data Silo) منبعی مستقل از داده‌ها به حساب می‌آید که به هیچ منبع داده دیگر یا یک مخزن داده مرکزی متصل نیست. اساساً، اکثر کسب و کارها حجم‌های عظیمی از داده‌ها را در محل‌های مختلفی از طریق تمام فعالیت‌های متفاوت خود تولید می‌کنند. از فایل‌های ساده اکسل و پایگاه داده‌های تعبیه شده در محل گرفته تا پروفایل‌های رسانه‌های اجتماعی و خدمات وب SaaS، همگی باعث تولید داده‌هایی حجیم می‌شوند و می‌توان برای ذخیره‌سازی آن‌ها از سیلوهای داده استفاده کرد.

حتی می‌توانیم سیلوهای مجزایی برای هر بخش از یک شرکت تجاری داشته باشیم. بخش فروش، بازاریابی، مالی و سایر بخش‌ها همگی می‌توانند از سیستم‌های داخلی متفاوتی استفاده کنند که داده‌ها را جمع‌آوری می‌کنند و آن‌ها را به صورت جدا از سایر بخش‌ها ذخیره‌سازی خواهند کرد.

اصطلاح سیلو در هوش تجاری

یکی از کاربردهای اساسی هوش تجاری، مهار کردن و بهره‌برداری داده‌ها از این سیلوهای مختلف است. در هوش تجاری یا از ابزارهایی برای جستجوی داده‌ها و کوئری زدن روی آن‌ها در همانجایی که هستند استفاده می‌شود یا آن‌ها را با داده‌های دیگر برگرفته از سایر منابع ترکیب می‌کنند یا آن داده‌ها را از آنجا به یک مخزن مرکزی انتقال می‌دهند که این خودش ما را به اصطلاح دیگری در هوش تجاری سوق می‌دهد و در ادامه به آن پرداخته شده است.

اصطلاح انبار داده در هوش تجاری

«انبار داده» (Data Warehouse) نوعی پایگاه داده به حساب می‌آید که همان‌طور که از نامش پیداست از محل‌ها و سیلوهای متفاوت و مختلفی استخراج شده است. هدف انبار داده این است که تمام این داده‌ها در یکجا جمع‌آوری شوند تا بتوان فرایندهای تحلیلی مربوط به هوش تجاری را روی آن‌ها انجام داد.

اصطلاح ETL در هوش تجاری به چیزی گفته می‌شود؟

در این بخش اصطلاح ETL را داریم. نام ابزار ETL مخفف سه وظیفه‌ای است که انجام می‌دهد. ETL مخفف کلمات «Transform» ،»Extract» و «Load» به حساب می‌آید. کلمه Extract به معنی «استخراج»، Transform یعنی «تبدیل» و Load به معنی «بارگذاری» است. نحوه کارکرد ETL به این صورت است که داده‌ها را از یک محل برمی‌دارد و پیش از بارگذاری آن‌ها در محلی دیگر، تبدیلاتی را روی آن‌ها انجام می‌دهد. در اصل، ETL دو تا از چالش‌های اساسی پیرامون بخش داده‌ها را در فرایند هوش تجاری برطرف می‌سازد. اول اینکه داده‌ها همه جا در سیلوهایی قرار دارند که لزوماً به یکدیگر متصل نیستند. ETLها این امکان را فراهم می‌کنند تا تمام این منابع داده را در یک محل، مثل یک انبار داده گردآوری کنیم.

دومین چالش این است که داده‌ها می‌توانند دارای قالب‌های مختلفی، مثل جدولی در پایگاه داده یا فرمت XML ،JSON و CSV یا بسیاری از موارد دیگر باشند. قابلیت‌های تبدیلی در یک ETL اجازه می‌دهند تا بتوان این فرمت‌های متفاوت داده را استانداردسازی و نرمال‌سازی کرد؛ این باعث می‌شود بتوان آن‌ها را بسیار آسان‌تر با هم ترکیب و تجزیه و تحلیل کرد.

اصطلاح KPI در هوش تجاری

کوته‌نوشت KPI مخففی برای عبارت «Key Performance Indicator» به معنی «شاخص کلیدی عملکرد» است. KPIها معیارها یا مقادیری هستند که به کسب و کارها کمک می‌کنند تا میزان عملکرد یا موفقیت خود را در رسیدن به اهداف‌شان بسنجند. بسته به طبیعت کسب و کار افراد، KPIها متفاوت خواهند بود؛ یک KPI می‌تواند سطح بالا باشد و عملکرد کلی یک سازمان را اندازه‌گیری کند یا ممکن است KPIیی هم وجود داشته باشد که بیشتر روی جنبه‌های خاصی از یک فعالیت مشخص مثل بازاریابی، امور مالی، فروش یا ترافیک وب‌سایت تمرکز داشته باشد.

شاخص‌های KPI معیارهای بسیار مهمی در حیطه هوش تجاری به حساب می‌آیند و اگر می‌خواهید بیشتر راجع به آن‌ها بدانید، توصیه می‌کنیم مطلب زیر را مطالعه کنید.

اصطلاح داشبورد در هوش تجاری یعنی چه؟

آخرین اصطلاح هوش تجاری که در این مطلب به آن می‌پردازیم، «داشبورد» (Dashboard) است. داشبوردها در واقع همان محصولات نهایی هوش تجاری به حساب می‌آیند. داشبوردها گزارش‌هایی هستند که نمایش لحظه‌ای و در یک نگاه را از KPIها و داده‌های تجمعی یک کسب و کار ارائه مي‌دهند.

این خاصیتِ اجمالی و مختصر بودن داشبوردها است که داشبوردها را از گزارش‌های سنتی و قدیمی متمایز می‌کند که بیشتر طبیعتی روایت‌گونه دارند. داشبوردها گزارش‌هایی تک‌صفحه‌ای هستند که اغلب، البته نه همیشه، به داده‌های برخط (زنده) متصل و دائماً در حال به‌روزرسانی هستند.

حیطه خانه هوشمند هم ارتباط تنگاتنگی با بحث اصطلاحات هوش مصنوعی رایج دارد و افراد بسیاری به دنبال اصطلاحات خانه هوشمند هم هستند. بنابراین بخش آخر مطلب اصطلاحات هوش مصنوعی رایج به این موضوع یعنی اصطلاحات رایج خانه هوشمند اختصاص داده شده است.

اصطلاحات رایج در رابطه با خانه هوشمند

امروزه در خصوص «خانه هوشمند« (Smart Home) محصولات، شرکت‌ها، پروتکل‌ها و به طور کلی اصطلاحات خانه هوشمند بسیاری وجود دارند که حتی ممکن است باعث سردرگمی افراد متخصص هم بشود. بنابراین، در این بخش قصد داریم کمی از ابهامات در این حوزه بکاهیم و برخی از اصطلاحات خانه هوشمند را معرفی کنیم و به طور خلاصه شرح دهیم که رایج هستند و ممکن است گیج‌کننده به نظر برسند.

اصطلاح دستگاه هوشمند Smart Device

به دستگاهی الکترونیکی گفته می‌شود که معمولاً به سایر دستگاه‌ها یا شبکه‌ها از طریق پروتکل‌های وایرلس مثل بلوتوث، NFC، وایفای، 3G و سایر موارد قابل اتصال است. در واقع دستگاه هوشمند این قابلیت را دارد که تا میزان خاصی، به صورت تعاملی و خودکار عمل کند.

اصطلاح هاب در خانه هوشمند

«هاب» (Hub) در حوزه خانه هوشمند دستگاهی است که به تمام دستگاه‌های هوشمند در ساختمان متصل می‌شود و امکان کنترل آن‌ها را از یک محل مرکزی فراهم می‌کند. برخی از برندهای محبوب هاب در بازار خارج، SmartThings و شرکت Wink است. Wink در حال حاضر با چالش‌هایی دست و پنجه نرم می‌کند. البته هنوز هاب در بازار انبوه خانه هوشمند چندان رایج نشده و به همین دلیل هم شرکت Wink دچار مشکل شده است.

اصطلاح اتوماسیون ساختمان

اغلب می‌شنویم که افراد از دو اصطلاح «اتوماسیون خانگی» (Home Automation) و «کنترل خانه» (Home Control) به جای یکدیگر استفاده و فکر می‌کنند این ۲ اصطلاح یکسان هستند، اما بین این دو تفاوت‌هایی وجود دارد که لازم است به آن‌ها پرداخته شود.

یک خانه دارای اتوماسیون، خانه‌ای است که در آن بسیاری از دستگاه‌ها از طریق یک کنترل‌کننده مرکزی برای ارائه امنیت بهتر، بهینگی بیشتر در مصرف انرژی و راحتی بیشتر با یکدیگر هماهنگ شده‌اند. همچنین، خانه اتومات شده، کارها را براساس ساعت خاصی در روز، وضعیت آب و هوایی و الگو‌های فراگیری شده به صورت خودکار انجام می‌دهد.

اتوماسیون ساختمان

از طرف دیگر، در مضمون کنترل ساختمان یا همان Home Control، دسترسی لازم برای کنترل الکترونیکی دستگاه‌ها به ساکن خانه ارائه می‌شود. برای مثال، روشن و خاموش کردن چراغ‌ها با اپلیکیشن Hue یا تغییر آهنگ در حال پخش با اپلیکیشن Sonos از جمله نمونه‌هایی از این رویکرد به حساب می‌آیند. این شیوه‌ای عالی محسوب می‌شود، اما کمی سخت است که بخواهیم این روش را هوشمند بنامیم، بنابراین بسیاری از محصولات «خانه هوشمند» اغلب اشتباه برچسب‌گذاری شده‌اند و بیشتر به حیطه «Home Control» مرتبط هستند.

اصطلاح AV Installer در خانه هوشمند

یک «نصاب صوتی تصویری» (AV Installer) تکنسینی است که در زمینه نصب و برنامه‌ریزی تمام دستگاه‌های صوتی و ویدیویی و سیستم‌های کنترلی الکترونیکی در فضای خانگی یا اداری تخصص دارد. با توجه به اینکه این افراد به ایجاد پیکربندی‌های سفارشی کمک می‌کنند، خدمات آن‌ها معمولاً توسط ثروتمندان و افراد متمول برای سطوح بالاتری از اتوماسیون خانگی مورد تقاضا است.

معمولاً افراد با نصاب صوتی تصویری برای انتخاب اینکه چه دستگاه‌هایی از همه بهتر هستند مشورت می‌کنند. مثلاً آن‌ها با نصاب‌ها در خصوص اینکه کدام سیستم کنترلی، Crestron یا Control4 بهتر است گفتگو می‌کنند. اگر نیاز به سیستمی کاملاً خودکار وجود داشته باشد که به خوبی کار کند، با توجه به اینکه نصب و نگهداری بسیاری از این سیستم‌های کنترلی بسیار پیچیده و دشوار است، نیاز به نصابی بسیار باتجربه و ماهر وجود دارد.

اصطلاح Wi-Fi در خانه هوشمند

اصطلاح Wi-Fi یا همان وایفای به شبکه‌ای قدرتمندتر گفته می‌شود که ظرفیت مقادیر زیادی از داده‌ها را دارد، البته استفاده از سرویس وایفای معمولاً نیاز به مصرف انرژی زیادی دارد. بسیاری از دستگاه‌هایی که توان مصرفی آن‌ها به وسیله باتری تامین می‌شود، دقیقاً به همین دلیل، استفاده از وایفای را پشتیبانی نمی‌کنند.

دستگاه‌هایی مثل پایش‌گرِ دمای Nest و Nestcam در جایی که نصب می‌شوند، انرژی خود را از سایر منابع الکتریکی دریافت می‌کنند. امکان و قدرت دسترسی و کنترل دستگاه‌هایی که از وایفای پشتیبانی می‌کنند از هر مکانی وجود دارد، البته در صورتی که دسترسی به شبکه (اینترنت) داشته باشیم.

از جمله سایر اصطلاحات خانه هوشمند می‌توان به بلوتوث، Zigbee و Z-Wave اشاره کرد. با توجه به اینکه موضوع اصلی این مقاله، اصطلاحات هوش مصنوعی رایج هست، بهتر است بیش از این به بحث اصطلاحات خانه هوشمند نپردازیم و به احتمال زیاد در آینده مطلب جداگانه‌ای را در این خصوص منتشر خواهیم کرد.

جمع‌بندی

در این مطلب تعداد زیادی از اصطلاحات هوش مصنوعی رایج معرفی شدند که ممکن است همه روزه با آن‌ها سر و کار داشته باشید. در یک جمع‌بندی، باید گفت AI یا همان هوش مصنوعی زیرشاخه‌ای به سرعت در حال پیشرفت از حوزه علوم کامپیوتر به حساب می‌آید. هوش مصنوعی همین حالا هم کاربردهای جذابی دارد و به وسیله آن وظایفی را می‌توان انجام داد که پیش از این هیچ‌گاه قابل تصور نبوده است. تنها زمان مشخص خواهد کرد که آینده هوش مصنوعی برای انسان‌ها چه چیزی را در چنته دارد.در این مقاله به اصطلاحات هوش تجاری و اصطلاحات خانه هوشمند هم پرداخته شد.

بر اساس رای ۱۴ نفر
آیا این مطلب برای شما مفید بود؟
اگر بازخوردی درباره این مطلب دارید یا پرسشی دارید که بدون پاسخ مانده است، آن را از طریق بخش نظرات مطرح کنید.
منابع:
codingem.comLEVITYJosh – MediumkearnBI
نظر شما چیست؟

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *