AI چیست؟ – هر آنچه باید درباره هوش مصنوعی بدانید

اصطلاح AI مربوط به حوزه‌ای از علوم کامپیوتر است که به طراحی سیستم‌ها و دستگاه‌هایی به حد کافی پیشرفته می‌پردازد تا از این راه بتوانند کارهایی را انجام دهند که در گذشته تنها به‌وسیله هوش انسانی قابل انجام بود. محققان حوزه AI، در پی توسعه الگوریتم‌ها و سیستم‌هایی هستند که داده‌ها را جمع‌آوری، پردازش و تحلیل می‌کنند. سپس الگو‌های موجود را شناسایی و تصمیم‌هایی را به‌کمک آن‌ها اتخاذ می‌کنند. در مطلب پیشِ رو از مجله فرادرس سعی کرده‌ایم تا به‌زبانی ساده و تا حد امکان به‌طور کامل توضیح دهیم که مفهوم AI چیست و چه کاربردی دارد. همچنین مزایا، خصوصیات و دیگر موارد مرتبط با آن را نیز شرح داده‌ایم.

مهم‌ترین هدف از توسعه سیستم‌های AI، تقلید یا شبیه‌سازی توانایی‌های شناختی انسان‌ها است. در ادامه، به برخی از این نوع قابلیت‌های انسانی اشاره کرده‌ایم.

• • برقراری ارتباط و معاشرت
  • یادگیری
  • ادارک
  • حل مسئله
  • استدلال

AI همچنین زیرشاخه‌های گوناگونی همچون موارد زیر را در بر می‌گیرد.

• «بینایی کامپیوتر» (Computer Vision)
• «سیستم‌های خبره» (Expert Systems)
• «یادگیری ماشین» (Machine Learning | ML)
• «پردازش زبان طبیعی» (Natural Language Processing | NLP)
• رباتیک

همچنین، نکاتی که در ادامه آمده است را نیز می‌توان در مورد AI بیان کرد.

• AI به‌طور معمول به نرم‌افزارهای مخصوصی اشاره دارد که به‌وسیله شرکت‌ها مورد استفاده قرار می‌گیرد.
• عده‌ای بر این باورند که ملاک واقعی سنجش AI این است که بتواند تفکری منطقی داشته باشد.
• AI شامل توان پردازشی بالای یک نرم‌افزار تخصصی به‌همراه دیتاستی بزرگ است.

AI چیست؟

AI یا همان «هوش مصنوعی» (Artificial Intelligence)، بیان‌گر این ایده است که یک «دستگاه» (Machine) - یا سیستمی کامپیوتری - بتواند هوشمندی مشابه با هوش انسانی را از خود به نمایش بگذارد. این اصطلاح همچنین کاربرد سیستم AI برای انجام کار یا نقشی را بیان می‌کند که تا پیش از این توسط یک انسان صورت می‌گرفت. پس نتیجه می‌گیریم که AI به زبان ساده بیان‌گر این است که برنامه‌ای کامپیوتری - یا یک دستگاه - دارای هوشی برابر یا حتی بیشتر از یک انسان باشد.

پیشینه تاریخی فناوری AI چیست؟

برای درک بهتر مفهوم AI، خوب است که با نحوه توسعه این حوزه نیز آشنا شویم. این فناوری به‌طور مستقیم از مغز انسان و عملکرد آن الهام گرفته است. هر مجموعه پیشرفت‌هایی که در این زمینه انجام شد هم، ضمن پیشرفت‌های فناوری، از یافته‌های جدید در مورد طرز کار مغز انسان نیز استفاده کرده است.

توسعه AI از اواسط قرن ۲۰ میلادی و با اختراع کامپیوترهای الکترونیکی به‌وسیله محققان شروع شد. پژوهشگرانی همچون آقایان «آلن تورینگ» و «جان فون نویمان» ایده ماشین‌هایی را مطرح کردند که می‌توانند فرایند‌های تفکر انسانی را شبیه‌سازی کنند. «تورینگ» نیز «آزمایش تورینگ» را به‌عنوان روشی پیشنهاد کرد که می‌توان با به‌کارگیری آن، توانایی یک ماشین را برای نمایش رفتار هوشمندانه و شبه‌انسانی مورد بررسی آزمایش قرار داد.

کنفرانس دارتموث در سال ۱۳۳۵ (۱۹۵۶ میلادی) به‌عنوان نقطه شروع رسمی و تولد AI به‌عنوان حوزه پژوهشی رسمی در نظر گرفته می‌شود. جایی‌که پژوهشگران این زمینه، اصطلاح هوش مصنوعی یا AI را با هدف ایجاد ماشین‌هایی با توانایی تقلید تمامی جنبه‌های هوش انسانی ابداع کردند.

در دهه ۳۰ و ۴۰ (سال‌های ۱۹۵۰ و ۱۹۶۰ میلادی)، پژوهشگران به توسعه نخستین برنامه‌های AI پرداختند که توانایی استدلال منطقی و حل مسائل به‌صورت نمادین را فراهم می‌کردند. در دهه ۵۰ (سال‌های ۱۹۷۰ میلادی)، تحقیقات AI به سمت سیستم‌های «مبتنی بر دانش» (Knowledge-Based) پیش رفت که دانش را به شکل قوانینی ارائه می‌کردند و برای استدلال و حل مسائل از «موتورهای استنتاجی» (Inference Engines) بهره می‌بردند.

پس از آن، در دهه ۶۰ و ۷۰ (سال‌های ۱۹۸۰ و ۱۹۹۰ میلادی)، «یادگیری ماشین» (Machine Learning) و «شبکه‌های عصبی» (Neural Networks) رویکردهای جدیدی را برای AI به‌همراه داشتند. الگوریتم‌های یادگیری ماشین نظیر «درخت‌های تصمیم» (Decision Trees) و شبکه‌های عصبی، این امکان را برای سیستم‌ها فراهم‌می‌کردند تا الگوها را یاد بگیرند و پیش‌بینی‌هایی را بر اساس داده‌ها انجام دهند. در این زمان، ظهور سیستم‌های خبره و همچنین توسعه روش‌های پردازش زبان طبیعی یا همان NLP را نیز شاهد بودیم.

با شروع قرن جدید و در دهه ۹۰ (طی سال‌های ۲۰۱۰ میلادی) با AI، کلان داده‌ها و همچنین قدرت محاسباتی افزایش‌یافته، شاهد «یادگیری عمیق» (Deep Learning) پیشرفته‌تری بودیم. «شبکه‌های عصبی عمیق» (Deep Neural Networks) با لایه‌های زیاد، توانایی یادگیری خودکار «نمایش‌های سلسله‌مراتبی» (Hierarchical Representation) را به‌دست آوردند که پیشرفت‌هایی در بینایی کامپیوتر، تشخیص گفتار و سیستم‌های NLP پیچیده‌تر را به دنبال داشت.

پیشرفت‌های صورت گرفته در «یادگیری تقویتی» (Reinforcement Learning) و مدل‌های «AI مولد» (Generative AI)، اخیراً در زمینه گوناگونی به‌کار گرفته شده‌اند. نظیر مواردی که در ادامه آورده‌ایم.

• «خودروهای خودران» (Self-Driving Cars)
• دستیاران مجازی
• تشخیص‌های مربوط به پزشکی
• امور مالی

و این‌ها بخش عظیمی از دلیل مهم بودن AI را نشان می‌دهند که در حال حاضر و در اطراف ما وجود دارد.

طرز کار فناوری AI چیست؟

یادگیری عمیق در AI مهم‌ترین بخش نحوه کار AI را تشکیل می‌دهد. این فرایند از ساختار و عملکرد مغز انسان الهام گرفته است. فناوری AI با به‌کارگیری الگوریتم‌ها و مدل‌های محاسباتی، داده‌ها را پردازش و تحلیل می‌کند. به کمک این ابزارها مواردی مانند شناسایی «الگوها» (Patterns)، اتخاذ تصمیم‌ها یا انجام پیش‌بینی‌ها برای سیستم امکان‌پذیر می‌شود.

فناوری یادگیری عمیق AI از «شبکه‌های عصبی مصنوعی» (Artificial Neural Networks | ANNs) با لایه‌های شبکه‌ای متعددی از گره‌ها یا نورون‌هایی مصنوعی به‌نام «Units» استفاده می‌کند. هر «واحد» (Unit) ورودی‌هایی را دریافت کرده، وزن‌هایی را به آن‌ها اختصاص داده و پس از انجام محاسبات، نتایج را به لایه بعدی منتقل می‌کند. مدل‌های یادگیری عمیق، نمایش سلسله‌مراتبی یا ویژگی‌ها را به‌طور خودکار از داده‌ها بیرون می‌کشند تا بتوانند الگوها و روابط پیچیده را «جمع‌آوری» (Capture) کنند.

طراحی معماری مدل، تعریف مواردی مانند تعداد و نوع لایه‌ها، تعداد واحدها در هر لایه و اتصالات بین آن‌ها را در بر می‌گیرد. از معماری‌های مرسوم می‌توان به موارد آورده شده در زیر اشاره کرد.

• «شبکه‌های عصبی پیچشی» (Convolutional Neural Networks | CNNs) یا «شبکه‌های عصبی کانوُلوشن» که بیشتر برای داده‌های تصویری به‌کار می‌روند.
• «شبکه‌های عصبی پیش‌خور» (Feedforward Neural Networks) که به‌طور عمده برای «یادگیری با نظارت» (Supervised Learning) استفاده می‌شوند.
• «شبکه‌های عصبی بازگشتی» (Recurrent Neural Networks | RNNs) که بیشتر برای «داده‌های متوالی» (Sequential Data) به‌کار می‌روند.

در طول مرحله آموزش - یا فاز Training - مدل یادگیری عمیق با گذشت زمان، نحوه تنظیم و سازگار کردن «وزن‌ها» (Weights) و همچنین «بایاس‌های» (Biases) شبکه‌های عصبی - با داده‌های برچسب‌دار - را می‌آموزد. به‌طور معمول این مدل، الگوریتم‌های بهینه‌سازی را مورد استفاده قرار می‌دهد که به‌صورت «تکرار شونده» (Iteratively)، پارامترهای مدل را به‌روز می‌کنند و بدین ترتیب تفاوت بین خروجی پیش‌بینی شده با مقدار واقعی آن کمینه می‌شود.

پس از اینکه مدل یادگیری عمیق آموزش داده شد، می‌تواند پیش‌بینی‌هایی را برای داده‌های جدید و دیده‌نشده انجام دهد. مدل آموزش‌دیده، داده‌های ورودی را دریافت کرده و انتشار رو به جلو را انجام می‌دهد. سپس بر مبنای الگوهای یادگرفته‌شده به تولید احتمالات کلاس - احتمال قرارگیری یک مورد در یک دسته - یا پیش‌بینی‌ها می‌پردازد.

مدل های AI و توسعه AI

مدل AI در واقع، بازنمایی محاسباتی از یک سیستم AI محسوب می‌شود. هدف از طراحی مدل‌های AI این است که بر مبنای داده‌های ورودی که دریافت کرده‌اند الگوهایی را یاد بگیرند، مواردی را پیش‌بینی کنند یا وظایف خاصی را انجام دهند. کاربران می‌توانند مدل‌های AI را با به‌کارگیری الگوریتم‌ها و روش‌های گوناگون - متناسب با مسائلی که قرار است با آن‌ها حل شوند - ایجاد کنند. در ادامه، برخی از انواع مرسوم مدل‌های AI را آورده‌ایم.

مدل های آماری

«مدل‌های آماری» (Statistical Models) با به‌کارگیری مدل‌های ریاضی و روش‌های آماری، داده‌ها را تحلیل کرده و پیش‌بینی‌هایی را انجام می‌دهند. این مدل‌ها به‌طور معمول بر مبنای متدهای احتمالی عمل می‌کنند و می‌توانند به مدیریت داده‌های جدولی یا ساختارمند بپردازند. به‌عنوان مثالی برای این‌گونه مدل‌ها می‌توان به موارد آورده شده در زیر اشاره کرد.

• «رگرسیون خطی» (Linear Regression)
• «رگرسیون لجستیک» (Logistic Regression)
• «درخت‌های تصمیم» (Decision Trees)
• «ماشین‌های بردار پشتیبان» (Support Vector Machines) یا SVM

مدل های یادگیری ماشین

«مدل‌های یادگیری ماشین» (Machine Learning Models | MLMs)، الگوها و روابط موجود را به‌صورت خودکار از داده‌ها آموخته و می‌توانند با تجربه، بهره‌وری خود را بهبود داده و سازگار شوند. از رایج‌ترین الگوریتم‌های یادگیری ماشین می‌توانیم به موارد آورده شده در زیر اشاره کنیم.

• «K-نزدیکترین همسایه» (K-Nearest Neighbors)
• «نِیو بِیز» (Naive Bayes)
• «جنگل‌های تصادفی» (Random Forests)
• الگوریتم‌های تقویت گرادیان نظیر XGBoost و LightGBM

مدل های یادگیری عمیق

«مدل‌های یادگیری عمیق» (Deep Learning Models | DLMs)، زیرمجموعه‌ای از مدل‌های یادگیری ماشین هستند که بر مبنای شبکه‌های عصبی مصنوعی با لایه‌های متعدد عمل می‌کنند. DLM-ها می‌توانند به‌صورت خودکار بازنمایی‌های سلسله‌مراتبی داده‌ها را یاد گرفته و در وظایفی نظیر تشخیص گفتار و تصویر، NLP و تولید توالی ، عملکردی عالی داشته باشند. شبکه‌های CNN و RNN، مدل‌های یادگیری عمیقی هستند که به‌طور معمول مورد استفاده قرار می‌گیرند.

مدل های یادگیری تقویتی

یادگیری «مدل‌های یادگیری تقویتی» (Reinforcement Learning Models | RLMs) به‌واسطه تعامل با محیط و دریافت بازخوردهایی در قالب «پاداش» و «جریمه» انجام می‌شود. این مدل‌ها به دنبال پیدا کردن سیاست‌ها یا «اقدامات» (Actions) بهینه‌ای هستند که پاداش‌های تجمعی را بیشینه می‌کنند. یادگیری تقویتی در کاربردهایی نظیر رباتیک و انجام بازی، بسیار موفق عمل کرده‌اند.

مدل های تولیدی

«مدل‌های تولیدی» (Generative Models) یا «مدل‌های مولد» به تولید داده‌های جدید شبیه به توزیع داده‌های آموزشی می‌پردازند. این مدل‌ها توانایی تولید تصاویر واقع‌گرایانه، متون یا نمونه‌های صوتی را دارند. به‌طور مثال می‌توان به موارد فهرست‌شده زیر اشاره کرد.

• خودرمزگذار یا «اتوانکدرهای متغیر» (Variational Autoencoders | VAEs)
• «شبکه‌های مولد تخاصمی» (Generative Adversarial Networks | GANs)

پایپلاین های AI چیست؟

به زبان ساده، می‌توانیم بگوییم که «پایپلاین‌های AI» روشی برای خودکارسازی یا اتوماسیون روند‌های کاری یادگیری ماشین محسوب می‌شوند. این فرایندها، در بر گیرنده ۴ گام اصلی پیش‌پردازش، یادگیری، ارزیابی و پیش‌بینی هستند.

«پایپلاین AI» یا «پایپلاین داده‌های AI» دنباله‌ای از مراحل یا گام‌های موجود در فرایند توسعه و پیاده‌سازی سیستم‌های AI را توصیف می‌کند. پایپلاین AI سراسر چرخه‌تولید یک پروژه AI، از جمع‌آوری داده‌ها و پیش‌پردازش آن گرفته تا آموزش مدل، ارزیابی و استقرار را در بر می‌گیرد. در حقیقت، چارچوبی سیستماتیک و منظم برای سازمان‌دهی و مدیریت وظایف و همچنین مؤلفه‌های گوناگون مرتبط با توسعه AI را در اختیارمان قرار می‌دهد.

در ادامه، مراحل یا مؤلفه‌های متداول در پایپلاین AI را آورده‌ایم.

جمع آوری داده ها

شروع به‌کار پایپلاین با «جمع‌آوری داده‌های» (Data Collection) مناسب به منظور آموزش و ارزیابی مدل AI انجام می‌شود. این داده‌ها ممکن است از منابع گوناگونی نظیر پایگاه‌های داده‌ای، API-ها، حسگرها یا یادداشت‌های افراد به‌دست آمده باشد.

پیش پردازش داده ها

داده‌های جمع‌آوری شده را - پیش از ورود به مدل AI - به‌طور معمول تمیز، نرمال‌سازی و به اصطلاح پیش‌پردازش می‌کنند تا برای آموزش آماده شوند. این مرحله با نام «پیش‌پردازش داده‌ها» (Data Preprocessing) شناخته می‌شود.

مهندسی ویژگی ها

عملیاتی نظیر «بیرون کشیدن» (Extracting)، انتخاب یا ساخت ویژگی‌های داده‌ای مناسب به منظور کمک به مدل AI در آموختن الگوها و انجام پیش‌بینی‌های دقیق‌تر را «مهندسی ویژگی» (Feature Engineering) می‌گویند. این مرحله ممکن است مستلزم خبرگی در حوزه، تحلیل آماری یا روش‌های خودکار انتخاب ویژگی باشد.

توسعه مدل

در مرحله «توسعه مدل» (Model Development)، انتخاب معماری و الگوریتم برای مدل AI، بسته به جزئیات مسئله صورت می‌گیرد. فرایند توسعه می‌تواند شامل انتخاب از بین مدل‌های آماری، الگوریتم‌های یادگیری ماشین یا معماری‌‌های یادگیری عمیق باشد. این مدل سپس با داده‌های آماده شده آموزش می‌بیند.

ارزیابی مدل

به منظور «ارزیابی مدل» (Model Evaluation)، قابلیت‌های «عمومیت‌بخشی» (Generalization) و کارایی مدل آموزش دیده، با معیارهای گوناگونی نظیر Accuracy ،Precision Recall ،F1-Score و ناحیه زیر منحنی (AUC)، سر و کار داریم که جزئیات این سنجش به کار مدنظر بستگی دارد. برای تخمین کارایی مدل، بیشتر وقت‌ها از «اعتبارسنجی متقابل» (Cross-Validation) یا مجموعه‌های اعتبارسنجی Hold-Out استفاده می‌شود.

بهینه سازی مدل

«بهینه‌سازی مدل» (Model Optimization) زمانی انجام می‌شود که مدل، شرایط کارایی مورد نظر - و مناسب - را برآورده نمی‌سازد. در این هنگام می‌توان آن را با تنظیم «فرا پارامتر» (Hyperparameter)، اصلاح معماری مدل یا روش‌های نظم‌دهی برای بهبود کارایی آن، بهینه کرد.

راه اندازی و ادغام

به‌محض اینکه قابلیت‌های رضایت‌بخشی نظیر ملاحضات مربوط به مقیاس‌پذیری، قابلیت اطمینان،‌ امنیت و نظارت حاصل شد، مدل می‌تواند در محیط تولید پیاده‌سازی شود. پیاده‌سازی، ادغام مدل با اپلیکیشن یا سیستم بزرگتر را در بر می‌گیرد که بیشتر با API-ها یا میکروسرویس‌ها انجام می‌شود. این گام را با نام «راه‌اندازی و ادغام» (Deployment and Integration) نیز می‌شناسیم.

نظارت و نگهداری

پس از انجام پیاده‌سازی (استقرار) ، سیستم AI می‌بایست برای اطمینان از تداوم عملکرد و قابلیت اطمینان، مورد بررسی و نظارت قرار گیرد. «نظارت و نگهداری» (Monitoring and Maintenance) مواردی همچون نظارت بر تغییرات تدریجی داده‌ها، کاهش کارایی مدل و مدیریت به‌روزرسانی‌ها یا آموزش دوباره با داده‌های جدید در دسترس را در بر می‌گیرد.

پایپلاین‌های AI روشی ساختارمند برای توسعه AI فراهم می‌کنند که به تیم‌ها امکان مشارکت، ردیابی پیشرفت و اطمینان از کیفیت و کارایی سیستم‌های AI ساخته شده را می‌دهد. همچنین به ساده‌سازی روند‌کاری و تسهیل توسعه راهکاری‌های قابل اعتماد و نیرومند AI کمک می‌کند.

معماری پایپلاین AI

منظور از معماری پایپلاین، طراحی و ساختار پایپلاینی است که از توسعه، اجرا و مدیریت سیستم‌های AI پشتیانی می‌کند. معماری مشخص یک پایپلاین AI، با توجه به سازمان، شرایط پروژه و فناوری‌های به‌کار گرفته شده می‌تواند متفاوت باشد اما اصول، مؤلفه‌ها و ملاحظات مرسومی نیز وجود دارند که به‌طور معمول در ساخت معماری پایپلاین AI همراه هستند.

ذخیره سازی و مدیریت داده ها

پایپ‌لاین‌های AI به سیستم ذخیره‌سازی AI مقیاس‌پذیر و نیرومندی نیاز دارند تا حجم زیادی از داده‌های مورد نیاز پروژه‌های AI را مدیریت کنند که ممکن است مواردی مانند پایگاه‌های داده، «دریاچه‌های داده» (Data Lakes)، «اقیانوس‌های داده» (Data Oceans)‌ یا دیگر سیستم‌های ذخیره‌سازی توزیعی AI را در بر بگیرند. روش‌های مدیریت داده نظیر «نسخه‌سازی» (Versioning) داده‌ها، مدیریت فرا داده‌ها و حاکمیت داده، کیفیت و قابلیت رصد داده‌ها را تضمین می‌کنند.

پیش پردازش و تبدیل داده ها

این مؤلفه از پایپلاین، «پیش‌پردازش و تبدیل داده‌های» (Data Preprocessing and Transformation) خام به شکلی مطلوب برای آموزش مدل را مدیریت می‌کند. همچنین در بر گیرنده مواردی نظیر پاک‌سازی‌داده‌ها، «استخراج ویژگی» (Feature Extraction)، «نرمال‌سازی» (Normalization) و «کاهش ابعاد» (Dimensionality Reduction) است. چارچوب‌ها و ابزارهای مربوط به پیش‌پردازش داده‌ها به‌طور معمول در این مرحله به‌کار گرفته می‌شوند.

توسعه و آموزش مدل ها

ساخت و آموزش مدل‌های AI، مواردی نظیر انتخاب معماری‌ها، چارچوب‌ها و الگوریتم‌های مناسب - با در نظر گرفتن مسئله و منابع موجود - را در بر می‌گیرد. GPU-ها (پردازنده‌های گرافیکی) یا شتاب‌دهنده‌های سخت‌افزاری ویژه می‌توانند برای تسریع فرایند آموزش مورد استفاده قرار گیرند.

ارزیابی و اعتبارسنجی مدل ها

«ارزیابی و اعتبارسنجی مدل‌های» (Model Evaluation and Validation) آموزش‌دیده با معیارهای ارزیابی مطلوب و روش‌هایی نظیر استفاده از مجموعه‌های اعتبارسنجی یا Cross-Validation به منظور تخمین کارایی و مقایسه مدل‌های گوناگون یا هایپر پارامترها را در بر می‌گیرد. ابزارهای مصورسازی و روش‌های تحلیل آماری نیز می‌تواند به کاربران در تفسیر نتایج ارزیابی کمک کند.

راه اندازی و عرضه مدل ها

مدل‌های آموزش‌دیده و مورد ارزیابی‌شده نیاز دارند تا در محیط عملیاتی مستقر شوند تا بتوانند وظایفی را به‌صورت بلادرنگ انجام دهند یا به ارائه پیش‌بینی‌ها بپردازند. این گام شامل راه‌اندازی API-ها، میکروسرویس‌ها یا معماری‌های «بدون سرور» (Serverless) می‌شود تا عملکرد مدل را به نمایش بگذارد. فناوری‌های کانتیرنبندی نظیر داکر (Docker) و ابزارهای ‌«هماهنگ‌سازی» مثل «کوبرنتیز»(Kubernetes) به‌طور معمول برای مدیریت فرایندهای پیاده‌سازی و اجرا مورد استفاده قرار می‌گیرند.

نظارت و مدیریت

مرحله «نظارت و مدیریت» (Monitoring and Management) مواردی همچون نظارت بر کارایی، تشخیص «ناهنجاری‌ها» (موارد غیرعادی | Anomalies) یا تغییرات تدریجی در توزیع‌داده‌ها و مدیریت آموزش مجدد یا به‌روز‌رسانی‌ها - در صورت نیاز - را در بر می‌گیرد. ابزارهای نظارت بر کارایی، ثبت وقایع و پیگیری خطاها به مدیریت مؤثر مدل‌های «مستقر شده» (Deployed) یاری می‌رسانند.

مشارکت و کنترل نسخه

پایپلاین‌های AI به‌طور معمول از «مشارکت» (Collaboration) بین اعضای تیم پشتیبانی می‌کنند و مستلزم سیستم‌های «کنترل نسخه» (Version Control) و پلتفرم‌های مشارکتی هستند که کارگروهی، به اشتراک‌گذاری کدها و تکرارپذیری را برای مدیریت کد، داده‌ها و «مصنوعات» (Artifacts) مدل ساده می‌سازد.

امنیت و حریم شخصی

مسائل «امنیت و حریم شخصی» (Security and Privacy) با مواردی نظیر داده‌های استفاده شده، مدل‌های مستقر شده و تعامل با کاربران سیستم‌های «خارجی» (External) مرتبط هستند. تدابیر امنیتی نظیر کنترل‌های دسترسی، رمزگذاری و پروتکل‌های ارتباطی امن برای محافظت از داده‌های حساس و اطمینان از رعایت مقررات حریم شخصی بسیار مهم هستند.

انواع AI

در این قسمت می‌خواهیم انواع AI را بیان کنیم. در ادامه، ۴ نوع مختلف - و اصلی - از مدل‌های AI که بیان‌گر گام‌های توسعه فناوری AI هستند را آورده‌ایم.

AI واکنش گر

سیستم‌های «AI واکنش‌گر» (Reactive AI) مقدماتی‌ترین نوع سیستم‌های AI محسوب می‌شوند که فاقد حافظه و توانایی به‌کارگیری تجربیات پیشین برای اخذ تصمیم‌های پیش رو هستند. ماشین‌های واکنش‌گر تنها قابلیت پاسخ‌گویی به ورودی‌های کنونی را دارند و فاقد هر شکلی از یادگیری یا «خودمختاری» (Autonomy) هستند. از مثال‌های سیستم‌های AI واکنش‌گر می‌توان به موارد آورده شده در زیر اشاره کرد.

• کامپیوترهایی که بازی شطرنج را با تحلیل وضعیت کنونی صفحه بازی پیش می‌برند تا بهترین حرکت را انجام دهند.
• دستیارهای صوتی که بدون داشتن هیچ‌گونه درک زمینه‌ای، به فرامین کاربر پاسخ می‌دهند.

AI با حافظه محدود

سیستم‌های «AI حافظه محدود» (Limited Memory AI) اتخاذ تصمیم‌های آگاهانه را بر مبنای مجموعه محدودی از تجربه‌های حفظ شده پیشین انجام می‌دهند. چنین سیستم‌هایی عملکرد خود را با تلفیق داده‌های تاریخی و «زمینه‌ای» (Context) بهبود می‌دهند. برای نمونه می‌توانیم به خودروهای خودران اشاره کنیم که به منظور اتخاذ تصمیم‌های رانندگی، به‌طور معمول از AI حافظه محدود استفاده می‌کنند که مشاهدات اخیر خود نظیر موقعیت وسایل نقلیه نزدیک، علائم ترافیکی و شرایط جاده‌ای را در نظر می‌گیرند.

نظریه ذهن

سیستم‌های AI با «نظریه ذهن» (Theory of Mind) دارای درکی از احساسات، باورها، مقاصد و فرایندهای فکری مربوط به انسان هستند. این سیستم‌ها می‌توانند حالات ذهنی را به سایرین منتسب کنند و رفتار آن‌ها را بر این مبنا پیش‌بینی کنند. سیستم‌های AI با «نظریه ذهن» هنوز بیشتر در حد تئوری است، ولی به‌عنوان حوزه‌ای پژوهشی، به دنبال این است که ماشین‌ها با فهمیدن حالات ذهنی و نشانه‌های اجتماعی، تعامل مؤثرتری را با انسان‌ها داشته باشند.

AI خودآگاه

سیستم‌های «AI خودآگاه» (Self-Aware AI)، یا سیستم‌هایی که به معنای واقعی کلمه دارای خودآگاهی و شعور باشند یا بتوانند خود، افکار و احساساتشان را تشخیص دهند، تاکنون مفهومی تحقق نیافته و فرضی بوده اما همچنان موضوع جذابی برای بحث‌های فلسفی و اخلاقی است.

فرق AI قوی با AI ضعیف

AI یا «هوش مصنوعی» (Artificial Intelligence) بیان‌گر و توصیف کننده حوزه کلی و سیستم‌ها یا فناوری‌هایی است که رفتاری هوشمندانه را به نمایش می‌گذارند. افزون بر ۴ نوع AI که پیش از این معرفی کردیم، ۳ نگرش دیگر برای AI می‌توان در نظر گرفت که در ادامه فهرست کرده‌ایم.

• AI ضعیف
• AI قوی
• AI عالی یا «هوش مصنوعی کامل» (Artificial General Intelligence)

AI ضعیف چیست؟

«AI ضعیف» (Weak AI) یا سیستم‌های AI خُرد برای انجام وظایفی مشخص و در حوزه‌ای محدود طراحی شده‌اند. در ادامه، برخی از نمونه‌های AI ضعیف را آورده‌ایم.

• دستیاران صوتی نظیر Alexa یا Siri
• سیستم‌های بازشناسی تصویر
• الگوریتم‌های پیشنهادی (توصیه‌گر)
• چت‌بات‌ها (یا همان ربات‌های گفتگو)

AI قوی چیست؟

«AI قوی» (Strong AI) یا «سیستم‌های AI عمومی» توانایی فهمیدن، آموختن و به‌کارگیری دانش در حوزه‌های گوناگون را دارند. این سیستم‌ها در واقع، هوشمندی «شبه‌انسانی» (Human-Level) را بروز می‌دهند. نمونه‌های واقعی «AI قوی» تا این زمان، تا حد زیادی به‌صورت فرضیه باقی‌مانده است.

AI سازمانی در AI چیست؟

«AI سازمانی» (Enterprise AI)، بیان‌گر کاربرد و استفاده از فناوری و استراتژی‌های AI در زمینه سازمانی اشاره دارد. Enterprise AI به دنبال این است که جنبه‌های گوناگون عملیات کسب و کار، فرایندهای تصمیم‌گیری و تعامل با مشتریان را به منظور کسب مزیت‌های رقابتی و رسیدن به نتایج کسب و کار، بهبود بخشد.

AI در زمینه سازمانی، دارای کاربردها و موارد استفاده گسترده و گوناگونی در صنایع مختلف است. در ادامه، برخی از نمونه‌هایی را آورده‌ایم که نحوه به‌کارگیری AI در محیط سازمانی را نشان می‌دهد.

اتوماسیون و بهینه سازی

AI می‌تواند وظایف پیش پا افتاده و تکراری نظیر وارد کردن اطلاعات، پردازش اسناد یا پشتیبانی - و پاسخ‌گویی به - پرسش‌های مشتریان را به‌طور خودکار و بهتر انجام دهد. خصوصیت «اتوماسیون و بهینه‌سازی» (Automation and Optimization) می‌تواند کمک حال کسب و کارهایی با اندازه‌های مختلف باشد تا بهره‌وری عملیاتی را افزایش و هزینه‌ها را کاهش دهند و همچنین منابع انسانی را روی فعالیت‌های راهبردی‌تر و یا دارای ارزش افزوده بیشتر متمرکز کنند.

بینش های قدرتمند و داده محور

AI به سازمان‌ها این امکان را می‌دهد تا حجم وسیعی از داده‌های ساختارمند و بی‌ساختار را به منظور کشف الگوها، «جهت‌مندی‌ها» (Trends) و «بینش‌ها» (Insights) تحلیل کنند. الگوریتم‌های یادگیری ماشین می‌توانند برای تشخیص «همبستگی‌ها» (Correlations)، پیش‌بینی نتایج یا تشخیص ناهنجاری‌ها (غیر نرمال بودن)، ساده‌سازی تصمیم‌گیری‌های «داده‌محور» (Data-Driven) و برنامه‌ریزی راهبردی، روی دیتاست‌ها اعمال شوند.

تجربه کاربری شخصی سازی شده

چت‌بات‌های بهره‌مند از AI و دستیاران مجازی، پشتیبانی «شخصی‌سازی شده» (Personalized) و بلادرنگی را از مشتری به عمل می‌آورند، به پرسش‌هایشان پاسخ می‌دهند و در تصمیم‌گیری‌های مربوط به خرید کمک می‌کنند. روش‌های NLP و «تحلیل احساسات» (Sentiment Analysis) به سازمان‌ها امکان می‌دهند تا مواردی مانند بازخورد، احساسات و سلیقه مشتری را درک کنند و کمپین‌های بازاریابی مناسب را امکان‌پذیر و رضایتمندی مشتری را افزایش دهند.

نگهداری پیش گویانه

AI می‌تواند داده‌هایی که از حسگرهای مربوط به تجهیزات به‌دست آورده را با هدف انجام پیش‌بینی الزامات تعمیر و نگهداری و بهینه‌سازی برنامه‌های نگهداری تحلیل کند. با ویژگی تشخیص آنی& خرابی‌های احتمالی یا ناهنجاری‌ها، مواردی نظیر کاهش زمان «از کار افتادگی» (Downtime)، کمینه‌سازی تعمیرات پرهزینه و بهبود راندمان کلی تجهیزات، برای سازمان‌ها فراهم می‌شود.

بهینه سازی زنجیره تأمین

AI می‌تواند «بهینه‌سازی زنجیره تأمین» (Supply Chain Optimization) را با تحلیل داده‌هایی از «لجستیک» (تدارکات | Logistics)، تأمین‌کنندگان، پیش‌بینی «تقاضاها» (Demand) و دیگر منابع، فراهم کند. الگوریتم‌های AI، کسب‌وکارها را در بهینه‌کردن مدیریت موجودی (انبارگردانی)، مسیریابی حمل و نقل (لجستیک) و پیش‌بینی نیازها یاری می‌دهند که صرفه‌جویی در هزینه‌ها، افزایش راندمان و کاهش «نقص موجودی در انبار» (Stockouts) می‌شود.

مدیریت ریسک و کشف تقلب

تکنیک‌های AI نظیر یادگیری ماشین و شناسایی ناهنجاری‌ها را می‌توان برای شناسایی و کاهش ریسک و همچنین تشخیص فعالیت‌های «کلاهبرداری» (Fraudulent) به کار گرفت. مدل‌های AI می‌توانند رفتارها و پترن‌ها را تحلیل کنند تا مواردی مانند تراکنش‌های مشکوک، ادعاهای بیمه یا تهدیدات «امنیت سایبری» (Cybersecurity) را نمایان کنند. بدین ترتیب مدیریت پیشگیرانه ریسک , ممانعت از کلاهبرداری و تقلب میسر می‌شود.

پشتیبانی تصمیم

AI با ارائه بینش‌ها و توصیه‌هایی مبنی بر تحلیل داده‌های پیچیده می‌تواند از فرایندهای تصمیم‌گیری پشتیبانی کند. سیستم‌های بهره‌مند از AI همچنین می‌توانند در مواردی نظیر برنامه‌ریزی استراتژیک، تخصیص منابع و شناسایی فرصت‌های ترقی، رهبران کسب و کارها را یاری دهند.

مقیاس پذیری و بهره‌وری

سیستم‌های AI سازمانی به‌طور معمول با حجم بسیار زیادی از داده‌ها و محاسبات پیچیده دست و پنجه نرم می‌کنند. «مقیاس‌پذیری» (Scalability) برای مواردی نظیر مدیریت دیتاست‌های حجیم، افزایش نیاز‌های - یا تقاضاهای - کاربر، پردازش آنی یا شبه‌بلادرنگ، محاسبات توزیع‌شده، پردازش موازی یا شتاب‌دهی سخت‌افزاری، اهمیت زیادی دارد.

یکپارچگی با سیستم های قدیمی

سازمان‌ها به‌طور معمول دارای زیرساخت‌های IT و سیستم‌های قدیمی هستند که راهکارهای AI می‌بایست به‌طور کامل با آن‌ها یکپارچه شوند تا از منابع داده‌ای، روندهای کاری و فرایندهای تجاری استفاده کنند. برای این منظور به سازگاری و «تعامل‌پذیری» (Interoperability) با فرمت‌های داده‌ای گوناگون، پایگاه‌های داده‌ای، API ها و معماری‌های نرم‌افزاری نیاز است.

امنیت و حریم شخصی داده ها

سازمان‌ها می‌بایست به مدیریت مطمئن و ایمن داده‌های حساس نظیر اطلاعات مشتریان، داده‌های مالی و داده‌های تجاری اختصاصی بپردازند، از قوانین مربوطه مثل GDPR و HIPAA پیروی کنند و اقدامات مقتضی برای «ناشناس‌سازی» (Anonymization) داده‌ها، رمزگذاری، «مدیریت دسترسی» (Access Controls) و «سوابق حسابرسی» (Audit Trails) استفاده کنند. روش‌هایی نظیر «یادگیری اشتراکی» (Federated Learning) - از روش‌های یادگیری ماشین که الگوریتم را طی چندین جلسه مستقل از هم آموزش می‌دهد - یا «حریم شخصی تفاضلی» (Differential Privacy) را می‌توان برای محافظت از داد‌های حساس در مدل‌های AI به‌کار گرفت.

شفافیت و تفسیرپذیری

AI سازمانی مستلزم «شفافیت و تفسیرپذیری» (Transparency and Interpretability) است، به‌خصوص در صنایع قانون‌مندی که ممکن است کاربران ملزم به توضیح این مورد باشند که نحوه رسیدن یک مدل AI به یک توصیه یا پیش‌بینی خاص به منظور تأمین رعایت مقررات یا اعتماد کاربر چگونه است.

رعایت مقررات و اصول اخلاقی

هنگام اجرای راهکارهای AI، سازمان‌ها مستلزم «رعایت مقررات و اصول اخلاقی» (Compliance and Ethics) هستند و این شامل مواردی نظیر منصف بودن، نداشتن تعصبات و پیشگیری از تبعیض در مدل‌های AI است و همچنین پیامدهای اخلاقی حاصل از سیاست‌ها برای به‌کارگیری داده‌ها، حریم شخصی و تعامل‌های انسان و ماشین را می‌بایست در نظر گرفت.

مشارکت و نظارت

مواردی نظیر توسعه «مشارکتی» (Collaborative)، کنترل نسخه و چارچوب‌های نظارتی برای مدیریت مؤثر پروژه‌های AI اهمیت زیادی دارند. مواردی همچون ایجاد فرایند‌های به اشتراک‌گذاری کدها، نسخه‌سازی مدل‌ها، مستندسازی و پلتفرم‌های همکاری را در بر می‌گیرد. ایجاد رویه‌های نظارتی پاسخگو - یا مسئول - برای مدیریت داده‌ها، استقرار مدل و نظارت مداوم برای حصول اطمینان از رعایت مقررات و پاسخگو بودن ضروری است.

فرق یادگیری ماشین و AI چیست؟

این موضوع، گسترده است و زیرشاخه‌هایی زیاد و دارای همپوشانی دارد که به‌طور معمول در محاوره با هم اشتباه گرفته می‌شوند. با این وجود، تفاوت مهمی بین AI و ML وجود دارد. در ادامه، توضیح می‌دهیم که اصلی‌ترین تفاوت‌های بین ML و AI چیست.

یادگیری ماشین

یادگیری ماشین یا ML، زیرمجموعه‌ای از هوش مصنوعی است که به سیستم‌های کامپیوتری امکان می‌دهد تا بیاموزند که تصمیمی بگیرند و طبق مشاهدات و داده‌ها، پیش‌بینی‌هایی را انجام دهند. یادگیری ماشین در موارد گوناگونی نظیر علوم زیستی، خدمات مالی، «تشخیص گفتار» (Speech Recognition) و غیره مورد استفاده قرار می‌گیرد.

یادگیری ماشین مستلزم توسعه مدل‌ها و الگوریتم‌هایی است این نوع یادگیری را امکان‌پذیر می‌کنند. مدل‌ها با داده‌ها آموزش می‌بینند یا به اصطلاح Train می‌شوند و با یادگیری از این داده‌ها، مدل‌های یادگیری ماشین می‌توانند درک خود را - با توجه به چیزهایی که آموخته‌اند - تعمیم داده و تصمیم‌گیری‌ها یا پیش‌بینی‌هایی را روی داده‌های جدید یا به اصطلاح دیده‌نشده انجام دهند.

الگوریتم‌های یادگیری ماشین را می‌توان را بر مبنای خصوصیات، اهداف و رویکردهایی که برای آموختن از داده‌ها دارند، در قالب فهرست آورده‌شده در زیر دسته‌بندی کرد.

• یادگیری با ناظر
• یادگیری بدون ناظر
• یادگیری نیمه نظارتی
• یادگیری تقویتی

در ادامه این موارد را توضیح داده‌ایم.

یادگیری با ناظر

«یادگیری با نظارت» (Supervised Learning)، نوعی از مدل‌های ML هستند که برای یادگیری، از داده‌ای برچسب دار (Labeled Data) استفاده می‌کنند. در یادگیری Supervised،‌ داده‌های آموزشی دارای نمونه‌ یا Sample های ورودی - یا همان ویژگی‌ها - و همچنین برچسب‌های خروجی مناسب و متناظر هستند. مدل‌ در واقع می‌آموزد تا ورودی‌ها را بر مبنای نمونه‌های برچسب‌دار به خروجی‌ها نگاشت کند و پیش‌بینی‌هایی در مورد داده‌های دیده‌نشده انجام دهد.

یادگیری بدون ناظر

«یادگیری بدون نظارت» (Unsupervised Learning)، نوعی دیگر از مدل‌های ML هستند یادگیری آن‌ها با استفاده از داده‌هایی بدون برچسب انجام می‌شود. در یادگیری Unsupervised، داده‌های آموزشی برچسب‌های خروجی واضحی ندارند. این مدل‌ها می‌آموزند تا - بدون داشتن راهنمای مشخص - الگوها، ساختارها یا روابطی را درون داده‌ها کشف کنند. «خوشه‌بندی» (Clustering) و «کاهش ابعاد» (Dimensionality Reduction) جزو وظایف رایج در یادگیری بدون ناظر به‌شمار می‌روند.

یادگیری نیمه نظارتی

«یادگیری نیمه نظارتی» (Semi-Supervised Learning) در واقع ترکیبی از روش‌های پیشین یادگیری ماشین هستند. این رویکرد، ارائه دهنده الگوریتم یادگیری با داده‌های بی‌ساختار یا Unsupervised است، در حین اینکه شامل تکه کوچکتری از داده‌های آموزشی ساختارمند یا Supervised نیز می‌شود. بدین ترتیب یادگیری مفید و سریع‌تری با استفاده از الگوریتم، امکان‌پذیر می‌شود.

یادگیری تقویتی

این نوع یادگیری به‌طور معمول برای عامل‌های درون یک محیط شبیه‌سازی شده - نظیر عامل مصنوعی در یک بازی ویدیویی - به‌کار می‌رود. رویکرد «یادگیری تقویتی» (Reinforcement Learning) مفهوم پاداش تجمعی و «زنجیره‌های تصمیم مارکوف» (Markov Decision Chains) به منظور تعلیم اَعمال بهینه (Optimal Actions) در پیکربندی پویا را مورد استفاده قرار می‌دهد. یادگیری Reinforcement، اغلب در بازی‌های آنلاین و سایر محیط‌های غیر بازی نظیر مدل‌سازی «هوش ازدحامی» (Swarm Intelligence)، شبیه‌سازی‌ها و «الگوریتم‌های مدل‌سازی ژنتیک» (Genetic-Modeling Algorithms) به‌کار برده می‌شود.

تفاوت‌ها و ارتباطات گوناگونی بین AI و ML و همچنین یادگیری عمیق وجود دارد.

AI به‌عنوان حوزه‌ای بسیار وسیع روی تمامی سیستم‌های هوشمندی متمرکز است که توانایی شبیه‌سازی هوشمندی انسانی، درک کردن، یاد گرفتن و انجام وظایفی را دارند. همچنین زیرشاخه‌های گوناگونی نظیر بینایی کامپیوتر، یادگیری ماشین و غیره را در بر می‌گیرد.

«یادگیری عمیق» (Deep Learning) در حقیقت زیرشاخه‌ای از ML محسوب می‌شود که به توسعه و آموزش شبکه‌های عصبی با لایه‌های متعدد می‌پردازد. مدل‌های یادگیری عمیق که به عنوان شبکه‌های عصبی عمیق شناخته می‌شوند، به منظور خودکارسازی یادگیری «بازنمایی‌های سلسله مراتبی داده‌ها» طراحی‌شده‌اند. این مدل‌ها در وظایفی نظیر تشخیص تصویر و گفتار،‌ پردازش زبان طبیعی و «سیستم‌های توصیه» (Recommendation Systems) بسیار خوب عمل می‌کنند.

موارد و حوزه‌های دیگری نیز وجود دارند که آشنایی با آن‌ها خالی از لطف نیست. در ادامه این موارد را با هم بررسی می‌کنیم.

مدل های زبانی بزرگ در AI چیست؟

«مدل‌های زبانی بزرگ» (Large Language Models | LLM) در واقع، مدل‌های AI پیشرفته و پیچیده‌ای هستند که با هدف فهمیدن و تولید زبان انسانی طراحی شده‌اند. مدل‌های LLM روی حجم بزرگی از داده‌های متنی آموزش دیده‌اند و روش‌های یادگیری عمیق مثل شبکه‌های عصبی را به‌کار می‌گیرند تا وظایف زبان‌محوری نظیر تولید متن، ترجمه، خلاصه‌سازی، پاسخ‌دهی به پرسش‌ها و تحلیل احساسات را پردازش و تولید کنند. این مدل‌ها با قرار گرفتن در مقابل حجم زیادی از متون گردآوری شده‌ از منابع متنوع، می‌آموزند تا پیچیدگی‌های گرامری، معنایی و زمینه‌ای را درک کنند.

این‌گونه مدل‌ها، تحولی را در وظایف مربوط به «پردازش زبان طبیعی» (Natural Language Processing | NLP) به‌وجود آورده‌اند. به‌عنوان یکی از نمونه‌های برجسته LLM می‌توانیم به مجموعه‌های «ترانسفورمر از پیش آموزش دیده تولیدی» (Generative Pre-trained Transformer) یا GPT از شرکت OpenAI اشاره کنیم. این مدل‌ها، کاربرد وسیعی دارند و می‌توانند با پشتیبانی خودکار مشتریان، تولید محتوا، چت‌بات‌های بهبودیافته، ترجمه‌های زبانی، پژوهش‌ها و درک پیشرفته زبان طبیعی و همچنین تعامل بین انسان و کامپیوتر، سودمندی‌های به‌سزایی برایمان داشته باشند.

شبکه های عصبی در AI چیست؟

«شبکه‌های عصبی» (Neural Networks) در واقع، مدل‌های محاسباتی محسوب می‌شوند که از ساختار و عملکرد مغز انسان الهام گرفته‌اند. این شبکه‌ها مؤلفه اصلی در یادگیری عمیق محسوب می‌شوند که زیرشاخه‌ای از یادگیری ماشین است. شبکه‌های عصبی شامل نورون - یا گره‌های - مصنوعی به هم پیوسته است که درون لایه‌هایی سازمان‌دهی شده‌اند.

قدرت شبکه‌های عصبی در توانایی آن‌ها در جمع‌آوری بازنمایی‌ها و الگوهای پیچیده از داده‌ها قرار دارد. شبکه‌های عصبی وزن‌های خود در حین آموزش و بر مبنای نمونه زوج ‌های ورودی-خروجی یا «تابع زیان» (Loss Function) تنظیم می‌کنند که اختلاف بین خروجی‌های مناسب و پیش‌بینی شده را می‌سنجد.

فرایند آموزش به‌طور کلی الگوریتم‌های بهینه‌سازی را در بر می‌گیرد که وزن‌ها را به‌طور مداوم به‌روزرسانی و میزان خطا را کمینه می‌کند. شبکه‌های عصبی به‌دلیل قابلیت سازگاری با تطبیق انواع‌داده گوناگون و تشخیص گفتار پیشرفته، دسته‌بندی تصاویر و درک زبان طبیعی، محبوبیت روزافزونی پیدا کرده‌اند.

AI گفت و گو محور در AI چیست؟

«AI محاوره‌ای» (Conversational AI) به مجموعه‌ای از فناوری‌ها و سیستم‌ها اشاره دارد که توانایی شرکت در گفتگویی شبه‌انسانی با کاربران را برای کامپیوترها و سیستم‌ها فراهم می‌کند. این نوع AI در واقع تلفیقی از روش‌هایی است که در ادامه فهرست کرده‌ایم.

• «پردازش زبان طبیعی» (Natural Language Processing | NLP)
• «درک زبان طبیعی» (Natural Language Understanding | NLU)
• «مدیریت مکالمه» (Dialog Management)
• «تشخیص و ساخت گفتار» (Speech Recognition and Synthesis)
• «تولید زبان طبیعی» (Natural Language Generation | NLG)

این روش‌ها، برقراری ارتباط بین انسان و ماشین را به روشی شبه‌انسانی و محاوره‌ای ساده می‌سازد. سیستم‌های AI محاوره‌ای می‌توانند به‌عنوان دستیاران مجازی، چت‌بات‌ها، سیستم‌های پشتیبانی مشتریان و بسیاری موارد دیگر به‌کار گرفته شود.

یادگیری گسترده در AI چیست؟

یکی از رویکرد‌های ML، «یادگیری گسترده» (Wide Learning) است که یادگیری عمیق و روش‌های «مهندسی ویژگی» (Feature Engineering) مرسوم را تلفیق می‌کند. مدل‌های یادگیری گسترده به‌منظور به‌دست آوردن روابط معنایی عمیق، یادگیری عمیق را به‌کار می‌برند و برای کسب تعامل‌های گسترده ویژگی‌ها از مهندسی ویژگی استفاده می‌کند. با وجود این ترکیب، امکان مدل‌سازی بهتر روابط پیچیده در دیتاست‌های کلان‌مقیاس و پراکنده فراهم می‌شود.

دلایل پذیرش AI چیست؟

عوامل متعددی در پذیرش AI دخیل هستند که در افزایش محبوبیت و به‌کارگیری آن در صنایع گوناگون نقش دارند. در ادامه برخی از این محرک‌های کلیدی را آورده‌ایم.

افزایش دسترسی به داده‌ها

عصر کنونی که به عصر دیجیتال معروف است، انفجار - یا به اصطلاح رشد سریع - تولید داده‌ها را به دنبال داشته است. به‌طوری‌که حجم گسترده‌ای از داده‌های ساختارمند و بی‌ساختار به منظور تحلیل در دسترس‌مان قرار گرفته است. رشد سیستم‌های AI بر مبنای داده‌ها انجام می‌شود و موجود بودن دیتاست‌های بزرگ یا به‌ عبارت دیگر «افزایش دسترسی‌پذیری داده‌ها» (Increasing Availability of Data)، مدل‌های AI دقیق‌تر و قوی‌تری را برایمان فراهم می‌کند.

پیشرفت های توان محاسباتی

پیشرفت‌های انجام شده در مورد افزایش «توان محاسباتی» (Computing Power) مثل توسعه سخت‌افزارهای مخصوص نظیر «واحدهای پردازش گرافیکی» (Graphics Processing Units | GPUs) و «واحدهای پردازش تنسور» (Tensor Processing Units| TPUs) به‌طور شگفت‌انگیزی توانایی آموزش و اجرای مدل‌های پیچیده AI را بهبود داده است. محاسبات «توانمند» (High-performance) پردازش سریع‌تر را امکان‌پذیر کرده است. بدین ترتیب امکان مدیریت دیتاست‌های «کلان‌مقیاس» (Large-Scale) و محاسبات پیچیده برای الگوریتم‌های AI فراهم شده است.

روش های بهبود یافته یادگیری ماشین

دقت و کارایی مدل‌های AI در حوزه‌های گوناگون به‌وسیله الگوریتم‌های پیشرفته‌تر یادگیری ماشین، معماری‌های مربوط به مدل و روش‌های آموزش نظیر یادگیری عمیق، یادگیری تقویتی و «یادگیری انتقالی» (Transfer Learning) افزایش یافته است که پذیرش و مقبولیت آن‌ها را نیز به دنبال داشته است.

زیرساخت و رایانش ابری

پلتفرم‌های «محاسبات ابری» (Cloud Computing) ارائه‌دهنده زیرساخت‌های مقیاس‌پذیر و مقرون به صرفه‌ای برای میزبانی و اجرای اپلیکیشن‌های AI هستند. عرضه‌کنندگان ابر، زیرساخت، API-ها و سرویس‌های پیش‌ساخته AI را فراهم می‌کنند که بهره‌مندی از قابلیت‌های AI را بدون هزینه‌های ابتدایی هنگفت برای تهیه سخت‌افزار و نرم‌افزار، ساده می‌سازد.

موارد استفاده و کاربردهای مختص صنایع

همان‌گونه که AI ظرفیت خود را در طیف وسیعی از صنایع و کاربردهای گوناگون - از مراقبت‌های درمانی و امورمالی گرفته تا تولید و خرده‌فروشی - به نمایش گذاشته است، نوآوری را نیز ترویج می‌دهد. همچنین رضایتمندی مشتریان را افزایش داده و به کاربران در کسب مزیت‌های رقابتی کمک می‌کند.

بازده و هزینه

AI می‌تواند کارهای متداول و زمان‌بر را خودکار کند و از این طریق هزینه‌ها را کاهش و راندمان عملیاتی را افزایش دهد. با خودکارسازی فرایندها، این امکان برای سازمان‌ها فراهم می‌شود که خطاهای دستی را کاهش دهند، روندهای کاری را ساده‌تر کنند و اختصاص منابع را به‌صورت مؤثرتری انجام دهند که پذیرش فناوری‌های AI را به دنبال خواهد داشت.

بینش بهتر

سیستم‌های AI می‌توانند حجم زیادی از داده‌ها را تحلیل کنند، الگوها را تشخیص دهند و به‌تولید «بینش‌های بهتر» (Enhanced insight) و مفیدی به‌منظور پشتیبانی از فرایندهای تصمیم‌گیری بپردازند. با به‌کارگیری از فناوری‌های AI، کسب و کارها می‌توانند تصمیم‌هایی داده‌محور بگیرند، پیش‌بینی بهتری انجام دهند و درک عمیق‌تری از جهت‌مندی‌های بازار، راندمان عملیاتی و رفتار مشتریان به دست آورند.

ملاحضات مربوط به قانون و اخلاق

از دیگر مواردی که در پذیرش AI نقش دارند، دورنمای قانونی در حال توسعه و همچنین ملاحضات مربوط به اخلاق یا به عبارت دیگر «ملاحضات مربوط به قانون و اخلاق» (Regulatory and Ethical Considerations) است. سازمان‌ها و شرکت‌ها به اهمیت روش‌های AI پاسخگو - یا مسئول - اذعان دارند، از رعایت مقررات مطمئن می‌شوند، به «تعصب‌ها» (Bias) رسیدگی می‌کنند. همچنین شفافیت و انصاف را در اپلیکیشن‌های AI حفظ می‌کنند.

دلیل اهمیت AI چیست؟

یک AI موفق دارای مزیت‌های زیادی است. این نوع برنامه‌ها هنگام تشخیص جزئیات کوچک یا بازشناسی الگوها بسیار مفیدتر از انسان‌ها عمل کنند که این مورد می‌تواند آن‌ها را به گزینه‌ای عالی برای انواع خاصی از کاربردهای فناوری تبدیل کند. AI همچنین در مقیاس‌پذیری کارهای گوناگونی که برای انسان گیج‌کننده است می‌تواند کمک کننده باشد، به‌طور مثال، حل معادلات ریاضی بسیار پیچیده یا انجام بی‌نقص وظایف تکراری و با دقتی مثال زدنی، از این دسته وظایف هستند.

یکی از دلایل رغبت شرکت‌ها به AI این است که آن‌ها معتقدند به اینکه به‌کارگیری AI در فرایندهایشان، کارکنان انسانی را از انجام وظایف معمولی خلاص می‌کند تا وقت و انرژی خود را روی وظایف تخصصی‌تر بگذارند. در نهایت، AI مهم است چون به ما امکان می‌دهد تا زندگی بهتری داشته باشیم.

روش‌های متعدی برای به‌کارگیری AI در جهت بهبود زندگی انسان‌ها وجود دارد، به‌خصوص برای کارهای رایج و تکراری یا مواردی که تا حد زیادی با شناسایی الگوها وابسته‌اند. در ادامه معروف‌ترین آن‌ها را فهرست کرده‌ایم.

• فراهم کردن قابلیت «توصیه» (Recommendations) برای وب‌سایت‌های پخش آنلاین محتوا و تجارت الکترونیک
• سیستم‌های ترجمه خودکار
• نرم‌افزار تشخیص چهره
• تحلیل تصاویر ماهواره‌ای به منظور پشتیبانی از پژوهش‌ها
• یاری تکنسین‌ها در مراکز خدمات درمانی با اتوماسیون یک سری وظایف رایج

به‌طور کلی می‌توان گفت که کاربردهای AI تنها با تصورات انسان محدود می‌شود.

مزایای AI چیست؟

حال که فهمیدیم AI چیست، برخی از مزایا و معایب آن را - که بیان‌گر اهمیتش است - در ادامه بررسی می‌کنیم.

برخی از مزیت‌هایی که به‌کارگیری AI برایمان فراهم می‌کند را در زیر بیان کرده‌ایم.

مزیت اتوماسیون و هزینه ها در AI چیست؟

به‌طور کلی AI خیلی سریع‌تر از انسان‌ها عمل می‌کند چون کارهای متداول و معمولی را به حالت اتوماسیون در می‌آورد. در نتیجه، انجام کارهای گوناگون نیازمند زمان، زحمت و هزینه کمتری خواهد بود.

مزیت تصمیم گیری آگاهانه در AI چیست؟

روش‌های پیچیده AI و کلان‌داده‌ها نظیر «داده‌کاوی» (Data Mining)، یادگیری ماشین و یادگیری عمیق به سازمان‌ها امکان می‌دهد تا بینش‌های با ارزشی را از دیتاست‌های بزرگ و پیچیده با پشتیبانی از تصمیم‌های «ادله‌محور» (Evidence-Based) یا «مبتنی بر شواهد» بیرون بکشند و در نتیجه، سوگیری‌های انسانی را کاهش دهند.

مزیت دقت بیشتر در AI چیست؟

در بسیاری از کارها، الگوریتم‌های AI می‌توانند سطوح بالاتری از «دقت» (Accuracy) را به‌دست بیاروند و همچنین می‌توانند داده‌ها را با «موشکافی» (Precision) پردازش و تحلیل کنند. بدین ترتیب بهبود کیفیت نتایج را برایمان به دنبال خواهند داشت.

مزیت دسترسی پذیری همیشگی در AI چیست؟

سیستم‌های AI می‌توانند بدون نیاز به انسان برای کارهایی نظیر پشتیبانی مشتری، نظارت یا پردازش داده‌ها به‌صورت تمام‌وقت - شبانه‌روزی و ۷ روز هفته - کار کنند.

مزیت شخصی سازی و UX در AI چیست؟

AI با ارجاع به سلایق و رفتارهای کاربر می‌تواند تجربه‌های شخصی‌سازی شده را ارائه دهد و با مواردی نظیر سیستم‌های توصیه، تبلیغات هدفمند و تعامل‌های سفارشی، رضایتمندی و مشارکت کاربر را افزایش و بهبود دهد.

معایب AI چیست؟

حال که با مزیت سیستم‌های AI آشنا شدیم، برخی از معایب این‌گونه سیستم‌ها را نیز در ادامه با هم مرور می‌کنیم.

هزینه اولیه بالا

برای توسعه و پیاده‌سازی فناوری‌های AI، ممکن است نیاز به سرمایه‌گذاری مالی قابل توجهی در رابطه با زیرساخت، منابع محاسباتی و کارکنان باتجربه داشته باشیم.

تغییرات شغلی و نیروی کار

این امکان وجود دارد که با اتوماسیون AI و خودکار شدن یک سری از کارها، برخی از مشاغل جایگزین شوند و بدین ترتیب نیاز به مهارت‌آموزی مجدد یا مهارت‌افزایی نیروی کار باشد.

دغدغه های مربوط به حریم شخصی و اخلاقیات

نگرانی و دغدغه‌های اخلاقی مرتبط با حریم شخصی، امنیت و «سوگیری» (Bias) با AI بیشتر شده است. همان‌طور که می‌دانیم سیستم‌های AI به داده‌هایی متکی هستند که با آن آموزش می‌بینند و این داده‌ها ممکن است ناقص یا جانبدارانه باشند و محتمل است که تعصب‌های کنونی را افزایش دهند.

قابلیت اطمینان

سازمان‌هایی که به‌طور شدید به سیستم‌های AI وابسته و متکی هستند، در صورت خرابی یا مواجهه این سیستم‌ها با خطا، ممکن است با چالش‌هایی رو به رو شوند. اعتماد به AI می‌تواند سازمان‌ها را در برابر اختلالات، مشکلات فنی یا حمله‌های خرابکارانه آسیب‌پذیر کند.

فقدان درک شبه انسانی

علیرغم پیشرفت‌های صورت گرفته، سیستم‌های AI هنوز هم فاقد درک «زمینه‌محور» (Contextual) جامع هستند و ممکن است با کنایه‌ها یا جزئیات ظریف زبانی در تقابل باشند. این مورد منجر به محدود شدن قابلیت آن در مدیریت وظایف خاصی می‌شود.

فقدان خلاقیت و ادراک

سیستم‌های AI، کارهایی که قابل تعریف به‌صورت قوانین و الگوها باشند را خیلی خوب انجام می‌دهند. اما به‌طور معمول، فاقد خلاقیت شبه‌انسانی، ادراک یا «شعور» (Intuition) و قابلیت فکر کردن بیرون از پارامترهای مشخص هستند. این‌ سیستم‌ها در واقع با کارهایی دست و پنجه نرم می‌کنند که نیازمند حل مسئله پیچیده یا توانایی تولید ایده‌های بکر را داشته باشند.

اهمیت موضوع AI در اصل در توانمندی‌های آن برای متحول ساختن صنایع، بهبود راندمان و امکان نوآوری شناخته شده است. با این وجود، مثل سایر فناوری‌های پرقدرت، دارای چالش‌ها و ملاحظاتی است که می‌بایست حل شوند. مواردی نظیر دغدغه‌های مربوط به حریم شخصی، تبعات اخلاقی و تأثیراتی که روی نیروی کار دارد، از این دسته هستند.

AI مولد چیست؟

«AI مولد» (Generative AI)، شاخه‌ای از AI محسوب می‌شود که که به ایجاد و تولید محتوای جدید نظیر تصاویر، متون، موزیک یا اَشکال دیگر خروجی‌های خلاقانه می‌پردازد. این نوع سیستم مستلزم آموزش مدل‌های AI است تا از داده‌های کنونی بیاموزد و سپس محتوای جدید و خلاقانه مشابهی را تولید کند.

طراحی مدل‌های AI مولد برای این منظور بوده است تا الگوها و ساختارهای موجود در داده‌های آموزشی را بفهمند و از دانش به‌دست آمده برای تولید نتایج منسجم و جدید - یا نوآورانه - استفاده کنند. این مدل‌ها قابلیت تولید محتوایی بسیار شبیه با نمونه‌هایی که از روی آن آموزش دیده‌اند را دارند و همچنین می‌توانند محتوایی تولید کنند که به‌طور کامل جدید و ناب باشد و این مورد بر مبنای الگوهای یاد گرفته شده انجام می‌شود.

انواع متعددی از مدل‌های AI مولد وجود دارند که در ادامه، به معرفی آن‌ها پرداخته‌ایم.

شبکه‌های تخاصمی مولد

«شبکه‌های تخاصمی مولد» (Generative Adversarial Networks | GANs)، ۲ نوع شبکه عصبی «مولد» (Generator) و «تفکیک‌دهنده» (Discriminator) را در بر می‌گیرد که به‌صورت همگام آموزش می‌بینند. شبکه Generator یاد می‌گیرد تا نتایج واقع‌گرایانه‌ای را ایجاد کند. از سویی دیگر شبکه Discriminator می‌آموزد تا بین نمونه‌های واقعی و نمونه‌های تولیدشده فرق قائل شود. شبکه‌های GAN به‌واسطه فرایند آموزش مقابله‌ای - یا خصمانه - این توانایی را دارند تا تصاویر، ویدیوها و سایر محتوای واقع‌گرایانه را ایجاد کنند.

اتوانکدرهای متغیر

«اتوانکدرهای متغیر» (Variational Autoencoders | VAEs) در واقع، مدل‌های احتمالی هستند که بازنمایی فشرده‌ای - یا «فضای پنهان» (Latent Space) - از داده‌های ورودی را می‌آموزند. این شبکه‌ها داده جدید را با نمونه‌برداری از فضای پنهان آموخته‌شده، تولید و سپس آن را در فضای داده اصلی بازسازی می‌کنند. VAE-ها به‌طور معمول برای تولید تصاویر، متون و سایر داده‌های ساختارمند به‌کار گرفته می‌شوند.

شبکه‌های عصبی بازگشتی

«شبکه‌های عصبی بازگشتی» (Recurrent Neural Networks | RNNs)، شبکه‌های بسیار مناسبی برای داده‌های متوالی نظیر متون یا موسیقی هستند. این شبکه‌ها الگوها و وابستگی‌های درون داده‌های آموزشی را یاد گرفته و دنباله‌جدیدی را بر مبنای دانش خود، تولید می‌کند. RNN-ها به‌طور معمول برای تولید زبان طبیعی و ساخت موسیقی به‌کار گرفته می‌شوند.

نمونه های AI مولد

AI مولد دارای کاربردهای مختلفی در حوزه‌های گوناگون است. در ادامه برخی از این موارد استفاده را آورده‌ایم.

• هنر و طراحی: AI مولد می‌تواند به ایجاد لوگوها، هنر بصری جدید و سایر طراحی‌ها بپردازد.
• AI در سرگرمی و تفریحات: پیش از این، از AI مولد برای ساختن آهنگ‌هایی در سبک برخی از هنرمندان استفاده شده است.
• بازاریابی، تبلیغات و تولید محتوا: ابزارهایی از این نوع می‌توانند شخصیت‌های تخیلی و غیرواقعی بسازند، داستان‌هایی را تدوین کنند و به ساخت تبلیغات و کمپین‌های بازاریابی شخصی‌سازی شده کمک کنند، با این هدف که جمعیت خاصی را هدف قرار دهند.
• بازی سازی: با استفاده از AI مولد می‌توان مرحله‌ها، شخصیت‌ها و داستان‌های جدیدی را در بازی‌ها ایجاد کرد که به سرگرم‌کننده‌تر شدن و تعاملی‌تر کردن آن‌ها کمک می‌کند.
• پزشکی و پژوهش: با تولید ساختارهای شیمیایی جدید، این فناوری حتی می‌تواند در کشف داروهای جدید نیز سومند باشد.
• مد و خرده فروشی: AI مولد ضمن ایجاد طراحی‌های جدیدی برای لباس‌ها، می‌تواند ترندهای مربوط به صنعت مد را نیز پیش‌بینی کند.

• فناوری: ابزارهای این‌چنینی در نوشتن مستندات و پروژهای کدمحور - و برنامه‌نویسی - نیز می‌توانند کمک‌کننده باشند.
• خدمات و پشتیبانی مشتری: AI مولد در صورت آموزش دیدن بر مبنای پایگاه‌های دانش، می‌تواند پاسخگویی به پرسش‌های مشتریان را نیز مدیریت کند. با این اوصاف، نگرانی‌هایی حول موضوع AI مولد در رابطه با ملاحضات اخلاقی وجود دارد که برخی را در ادامه فهرست کرده‌ایم.

• • تولید محتوای گمراه‌کننده یا آسیب‌زا
  • دیپ فِیک یا «تقلب عمیق» (DeepFakes)
  • سوگیری‌های ناخواسته که در داده‌های آموزشی وجود دارند و در نتیجه تولید شده تأثیر می‌گذارند.

AI پایدار چیست؟

تردیدی وجود ندارد که AI، توانمندی فوق‌العاده‌ای برای کمک به انسان‌ها دارد. ولی در غیاب شیوه‌های «AI پایدار» (Sustainable AI)، دور از انتظار نیست که مراکز داده‌ای جهان، سالانه بیش از تمامی نیروهای انسانی - برای این منظور - انرژی مصرف کنند. البته در اینجا مشکل از AI نیست و زیرساخت‌های داده‌ای سنتی و روش‌های مدیریتی کم‌بازده در بیشتر موارد مقصر هستند.

هوش مصنوعی پایدار عبارت است از توسعه، استقرار (پیاده‌سازی و اجرا) و به‌کارگیری AI به‌شکلی که ترویج پایداری زیست محیطی، مسئولیت اجتماعی و ملاحظات اخلاقی بلندمدت را به دنبال داشته باشد. شیوه‌ها و اصولی در این زمینه دخیل هستند که سعی در کمینه‌سازی پیامدهای منفی AI بر محیط‌زیست، جامعه و اقتصاد دارند، در حین اینکه به دنبال بیشینه کردن نقش سازنده آن نیز هستند.

مهم‌ترین جنبه‌های پایداری AI را در ادامه آورده‌ایم.

بهره وری انرژی

الگوریتم‌ها و مدل‌های AI ممکن است دارای محاسباتی بسیار زیاد و به‌همین دلیل نیازمند مصرف انرژی قابل توجهی باشند. AI پایدار به دنبال توسعه الگوریتم‌های بهینه - از نظر انرژی - و بهینه‌سازی زیرساخت‌های سخت‌افزاری برای کاهش اثرات زیست‌محیطی سیستم‌های AI است. روش‌هایی نظیر فشرده‌سازی مدل، «کوانتیزاسیون» یا «کمی‌سازی» (Quantization) و معماری‌های سخت‌افزاری پربازده از این دسته هستند.

استفاده مسئولانه از داده ها و ذخیره سازی AI پایدار

تأکید AI پایدار روی مدیریت اخلاقی و پاسخگوی داده‌ها است. این کار مستلزم اطمینان از محافظت و حریم شخصی مناسب داده‌ها، کسب رضایت آگاهانه و پرهیز از به‌کارگیری داده‌های جانبدارانه یا تبعیضی است. چارچوب‌های AI پایدار به دنبال رواج دادن مواردی نظیر شفافیت، انصاف و مسئولیت‌پذیری در گرد‌آوری، ذخیره‌سازی و به‌کارگیری داده‌ها هستند.

AI شفاف و اخلاقی

AI پایدار ملاحظات مربوط به اصول اخلاقی را در طراحی و توسعه سیستم‌های AI تلفیق می‌کند تا منصفانه‌تر، شفاف‌تر و موجه‌تر باشند. اجرای رهنمودهای اخلاقی و چارچوب‌های نظارتی، اطمینان می‌دهند که فناوری‌های AI با ارزش‌های اجتماعی همگام هستند و تأثیر منفی و مخربی روی افراد یا اجتماع نمی‌گذارند.

پیامد اجتماعی

AI پایدار در واقع، AI را برای تأثیرهای مثبت اجتماعی به‌کار می‌گیرد و این قضیه در بر گیرنده مواردی نظیر به‌کارگیری AI برای رسیدگی به چالش‌های اجتماعی، دسترسی بهتر به خدمات، ترویج نفع همگانی و کاهش تقسیم‌های دیجیتالی است. چارچوب‌های AI پایدار، کاربردهایی را اولویت‌بندی می‌کنند که برای جوامع حاشیه‌نشین، خدمات درمانی، آموزش، حفاظت از محیط زیست و سایر حوزه‌های دارای اهمیت اجتماعی، مفید باشند.

یادگیری مداوم و سازگاری

AI پایدار به ترویج توسعه سیستم‌های AI کمک می‌کند که به‌طور‌ پیوسته می‌آموزند و با تغییر شرایط سازگار می‌شوند. این موضوع مستلزم ساخت مدل‌های AI است که بهبود و به‌روز‌رسانی آن‌ها بر مبنای بازخوردها و داده‌های جدید انجام می‌شود و به ما اطمینان می‌دهند که کارآمد، دقیق و همگام با نیازها و ارزش‌های در حال‌تغییر باشند.

همکاری و مشارکت ها

اقدامات AI پایدار، همکاری بین مشارکت‌کنندگان گوناگون نظیر پژوهشگران، قانون‌گذاران، صنایع و مردم را تقویت می‌کند. تلاش‌های همگانی باعث ایجاد رهنمودها، استانداردها و سیاست‌های پایدارتری می‌شود که توسعه و استقرار پاسخگوتر فناوری‌های AI را پیش می‌برد.

کاربردهای AI چیست؟

خیلی از مواردی که در گذشته محدود به داستا‌ن‌های علمی تخیلی بود، در حال حاضر به‌وسیله کاربردهای AI در دنیای واقعی قابل دسترسی است. امروزه نمونه‌های برجسته فناوری AI را در بیشتر حوزه‌های اصلی می‌توانیم شاهد باشیم. در ادامه برخی از این موارد را آورده‌ایم.

در خدمات درمانی کاربرد AI چیست؟

کاربردهای AI در خدمات درمانی، توانمندی‌های چشمگیری را در تشخیص بهتر، درمان، مراقبت از بیماران و مدیریت خدمات درمانی از خود به نمایش گذاشته است. در ادامه به برخی از این موارد اشاره کرده‌ایم.

تحلیل تصاویر پزشکی

تصاویر پزشکی نظیر سی‌تی اسکن، MRI و اشعه ایکس را می‌توان به‌وسیله الگوریتم‌های AI و به منظور کمک به شناسایی و تشخیص انواع بیماری‌ها تحلیل کرد. همچنین، مدل‌های یادگیری عمیق توسعه یافته‌اند تا برای تشخیص دقیق اختلالات - ناهنجاری‌ها - و کمک به رادیولوژیست‌ها در شناسایی بیماری‌هایی نظیر انواع سرطان‌ها، بیماری‌های قلبی عروقی و اختلالات عصبی کمک کنند.

سیستم های کمک به تصمیم گیری بالینی

این قابلیت برای AI وجود دارد تا به‌وسیله تحلیل داده‌های مربوط به بیماران، سوابق پزشکی و موارد مربوطه، متخصصان خدمات درمانی را در تصمیم‌گیری‌های مختلف نظیر توصیه‌های درمانی «شخصی» (Personalized) به بیماران، هشدار به درمانگران در مورد تداخل‌های دارویی و عوارض جانبی آن‌ها و همچنین ارائه برنامه درمانی مقتضی یاری دهد.

پیش بینی بیماری و تخمین ریسک

الگوریتم‌های AI این امکان را دارند که داده‌های مربوط به بیمار نظیر سوابق الکترونیکی سلامت - یا EHRs - و اطلاعات ژنتیکی را به منظور تشخیص الگوها و پیش‌بینی ریسک بروز برخی بیماری‌ها تحلیل کنند. این خصوصیت می‌تواند به تشخیص زودهنگام، مداخلات پیشگیرانه و برنامه‌های درمانی شخصی‌سازی شده کمک کند.

دستیاران سلامت مجازی

دستیاران مجازی و چت‌بات‌های مجهز به AI می‌توانند با بیماران تعامل داشته باشند، به پرسش‌های رایج مربوط به سلامت پاسخ دهند، توصیه‌های ابتدایی پزشکی را ارائه و از مسائل مربوط به سلامت روان پشتیبانی کنند. این سیستم‌ها می‌توانند علائم بیمار را تریاژ - یا اولویت‌بندی بر مبنای نیاز به درمان - کنند، توصیه‌های خودمراقبتی را ارائه دهند و افراد را به سمت خدمات سلامتی مناسب سوق بدهند.

نظارت از راه دور بیماران

دستگاه‌های پوشیدنی و حسگرهای مجهز به AI می‌توانند به‌صورت مستمر علائم حیاتی، میزان فعالیت و سایر پارامترهای مرتبط با سلامتی بیماران دارای بیماری‌های مزمن را نظارت کنند و بدین ترتیب امکان تشخیص زودهنگام بیماری و مداخلات به موقع را ممکن می‌سازند.

پزشکی دقیق

«پزشکی دقیق» (Precision Medicine) می‌تواند برنامه‌های درمانی بیماران را بر مبنای ساختار ژنتیکی، سابقه پزشکی و دیگر عوامل مربوطه مطابقت دهد. بدین ترتیب به تشخیص زیرگروه‌های بیمار، پیش‌بینی پاسخ درمانی و بهینه‌سازی درمان‌های شخصی‌سازی شده - مربوط به شخص - کمک می‌کند.

بهره وری اداری و عملیاتی

AI این توانایی را دارد تا ضمن ساده کردن وظایف اداری، راندمان عملیاتی را بهبود دهد. همچنین مواردی نظیر زمان‌بندی، صدور صورت‌حساب و مستندسازی را خودکار کند. بدین ترتیب متخصصان مراقبت‌های پزشکی می‌توانند توجه خود را بیشتر به مراقبت از بیمار معطوف کنند.

مواردی که بیان شد، تنها تعداد محدودی از کاربردهای AI در زمینه خدمات درمانی بود.

در خدمات مالی و بانکداری کاربرد AI چیست؟

AI در حوزه خدمات مالی و بانکداری نیز دارای کاربردهایی است که در ادامه به معرفی برخی از آن‌‌ها پرداخته‌ایم.

پیشگیری و تشخیص کلاه برداری

الگوریتم‌های AI می‌توانند مقادیر زیادی از داده‌های تراکنشی را به‌صورت بلادرنگ با هدف تشخیص فعالیت‌های فریبکارانه تحلیل کنند. مدل‌های یادگیری ماشین الگوهای رفتار فریبکارانه را یاد می‌گیرند و معاملات مشکوک را مشخص می‌کنند. بدین ترتیب برای جلوگیری از خسارات مالی و اینکه چگونه جلوی تصاحب حساب را بگیرند و همچنین بهبود اقدامات امنیتی کمک می‌کنند.

مقابله با پول شویی

فناوری‌های AI با تحلیل داده‌های تراکنشی و شناسایی الگوهای مشکوک، می‌توانند عملیات و رفتارهای «پول‌شویی» (Money Laundering) را تشخیص دهند. مدل‌های AI می‌توانند معاملات پر خطر را شناسایی و رفتار مشتریان را رصد کنند، همچنین برای بررسی‌های بیشتر هشدار دهند. بدین ترتیب بانک‌ها را در پیروی از مقررات نظارتی و مبارزه با جرائم مالی یاری می‌کنند.

توصیه ها و بانکداری شخصی

الگوریتم‌های AI با تحلیل داده‌های مربوط به مشتریان، تاریخچه تراکنش‌ها و الگوهای مروری - رفتار مشتری - می‌توانند تجربیات بانکی شخصی‌سازی شده را فراهم سازند. سیستم‌های مجهز به AI این توانایی را دارند تا توصیه‌های مربوط به محصول مناسب فرد، مشورت در زمینه سرمایه‌گذاری و پیشنهادهای برنامه‌ریزی مالی را بر مبنای سلایق فردی و اهداف مالی مشتری ارائه دهند.

تجارت و سرمایه‌گذاری

الگوریتم‌های مجهز به AI می‌توانند مقادیر زیادی از داده‌های مربوط به بازار، مقالات خبری و دیدگاه‌های رسانه‌های اجتماعی را به منظور ایجاد بینش‌های مربوط به سرمایه‌گذاری و اطلاع‌رسانی تصمیم‌های معاملاتی، تحلیل کنند. سیستم‌های معاملاتی AI-محور می توانند الگوها را تشخیص و معاملاتی را انجام دهند و بر مبنای راهبردهای از پیش‌تعریف شده، پرتفوی یا سبد سرمایه‌گذاری را بهینه کنند.

اتوماسیون فرایندها

به کمک AI می‌توانیم فرایند‌های پرتکرار و دستی در بانکداری نظیر «ثبت داده‌ها» (Data Entry)، تأیید اسناد و پذیرش مشتریان را به صورت اتوماسیون در آوریم. «اتوماسیون فرایند رباتیکی» (Robotic Process Automation | RPA) و عملیات Back Office - بخش‌هایی از سازمان که ارتباط مستقیم با ارباب رجوع ندارند - کاهش خطاها و بهبود راندمان عملیاتی را ساده می‌سازد.

در دولت ها کاربرد AI چیست؟

AI این توانایی را دارد تا فرایند اتخاذ تصمیم توسط دولت‌ها را بهسازی کند، خدمات عمومی را بهبود بخشد و به ساده‌سازی عملیات به طرق مختلف بپردازد. در ادامه نمونه‌ای از این عملیات و اقدامات را بیان کرده‌ایم.

تحلیل داده‌ و بینش‌ها

حجم زیادی داده به‌وسیله دولت‌ها تولید می‌شود که به‌کمک AI می‌توانند بینش‌های ارشمندی را از آن‌ها بیرون بکشند تا از این طریق با شناسایی همبستگی‌ها، روندها و الگوها، سیاست‌گذاران بتوانند تصمیم‌های داده‌محوری را اتخاذ کنند و سیاست‌های مبتنی بر شواهد یا «مدرک‌محور» (Evidence-Based) را توسعه دهند.

شهرهای هوشمند و برنامه ریزی شهری

AI می‌تواند زیرساخت‌های شهری، سیستم‌های حمل و نقل و استفاده از انرژی در شهرهای هوشمند را بهینه کند. الگوریتم‌های AI می‌توانند داده‌های آنی سنسورها و دستگاه‌‌ها را به منظور بهبود جریان ترافیکی، مدیریت انرژی مصرفی و بهبود کیفیت کلی زندگی در مناطق شهری تحلیل نمایند.

ایمنی عمومی و امنیت

فناوری‌های AI نظیر سیستم‌های تشخیص چهره می‌توانند تلاش‌های امنیتی و ایمنی عمومی را در مواردی مانند شناسایی اشخاص گم‌شده یا مظنونین، افزایش دهند. تحلیل‌های پیش‌گویانه می‌توانند نهادهای اجرایی قانون را یاری کنند تا منابع را به‌شکلی مؤثرتر به منظور پیشگیری و مواجهه با جرائم، اختصاص دهند.

سیستم‌های مجهز به AI همچنین می‌توانند در تحلیل رسانه‌های اجتماعی و پلتفرم‌های آنلاین مورد استفاده قرار گیرند تا تهدید‌های امنیتی را به صورت زودهنگام شناسایی کنند.

چت‌بات‌ها و خدمات شهروندی

دولت‌ها به لطف دستیاران مجازی و چت‌بات‌های AI-محور که به پرسش‌های شهروندان رسیدگی می‌کنند، مساعدت‌های شبانه‌روزی را فراهم کرده، اطلاعاتی را در مورد خدمات دولتی عرضه می‌‌کنند و کاربران را در روندهای گوناگون مانند درخواست مجوزها یا دسترسی به منابع عمومی راهنمایی می‌کنند.

تشخیص تقلب و پذیرش مالیات

نهادهای دولتی به کمک AI، مواردی مانند تقلب، سرپیچی را تشخیص داده و پذیرش و جمع‌آوری مالیات را بهبود می‌دهند.

تحلیل اسناد و پردازش زبان طبیعی

دولت‌ها مقادیر زیادی از اسناد و سوابق را مدیریت می‌کنند. NLP یا پردازش زبان طبیعی مبتنی بر AI می‌تواند تحلیل اسناد را ساده سازد، بیرون کشیدن اطلاعات را به حالت اتوماسیون در آورد و همچنین جستجو و بازیابی اطلاعات از منابع داده‌ای بی‌ساختار را به‌طور مؤثری انجام دهد.

مدیریت حوادث و واکنش اورژانسی

الگوریتم‌های AI و مدل‌های پیش‌گویانه این توانایی را دارند تا داده‌ها را از منابع گوناگونی نظیر الگوهای آب‌و‌هوایی، وقایع تاریخی و رسانه‌های اجتماعی تحلیل کنند و برای پیش‌بینی و برآورد ریسک‌های محتمل در حمایت از واکنش اورژانسی و تلاش‌های مدیریت حوادث، مورد استفاده قرار دهند. AI همچنین می‌تواند در مواردی نظیر برنامه‌ریزی برای شرایط اورژانسی، تخصیص منابع و آگاه بودن از وضعیت در شرایط بحرانی به کار بیاید.

بهره وری اداری

فناوری‌های AI نظیر «اتوماسیون فرایند رباتیکی» (Robotic Process Automation | RPA) می‌توانند تسک‌های اداری را بi حالت اتوماسیون در آورند، جریان‌های کاری را ساده سازند و خطاهای دستی در فرایند‌های دولتی را کاهش دهند. این خصوصیت به آژانس‌های دولتی امکان می‌دهد تا منابع را به‌طرز مؤثرتری تخصیص دهند و روی تسک‌های مهم‌تری متمرکز شوند.

در علوم زیستی کاربرد AI چیست؟

AI نقش پر رنگی را در علوم زیستی ایفا می‌کند. در ادامه نمونه‌هایی از کاربرد AI در علوم زیستی را آورده‌ایم.

کشف وتوسعه داروها

AI فرایند کشف دارو‌ها را سرعت می‌بخشد. مدل‌های یادگیری ماشین می‌توانند مقداری زیادی از داده‌های شیمیایی و بیولوژیکی را به منظور شناسایی گزینه‌های محتمل دارویی، پیش‌بینی اثربخشی آن‌ها، بهینه‌سازی ساختارهای مولکولی و شبیه‌سازی تداخل‌های هدف دارو (Drug-Target) تحلیل کنند. الگوریتم‌های AI، بررسی کتابخانه‌های بزرگ شیمیایی را امکان‌پذیر ساخته و پژوهشگران را در طراحی و اولویت‌بندی مؤثرتر آزمایش‌ها یاری می‌دهند.

ژنومیک و بیوانفورماتیک

در پژوهش‌های «ژنوم‌شناسی» (Genomics) و «بیوانفورماتیک» (Bioinformatics)، الگوریتم‌های یادگیری ماشین این توانایی را دارند تا به تحلیل توالی‌های DNA و RNA بپردازند، تغییرات ژنتیکی را شناسایی و ساختارها و عملکردهای پروتئینی را پیش‌بینی کنند. همچنین به فهم زمینه‌های ژنتیکی بیماری‌ها نیز کمک می‌کند. روش‌های AI همچنین برای ژنوم‌شناسی قیاسی، پروتئین‌تابی و پیش‌بینی تداخل‌های دارو- هدف به‌کار می‌روند.

کشف نشانگرهای زیستی

الگوریتم‌های AI می‌توانند داده‌های بیولوژیکی بزرگ‌مقیاس نظیر داده‌های «اُمیکس» (Omics) - «ژنوم‌شناسی» (Genomics)، «پروتئومیک» (Proteomics) و «متابولومیک» (Metabolomics) - را به منظور شناسایی «نشانگرهای زیستی» (Biomarker) تحلیل کنند که این مورد می‌تواند در تشخیص بیماری‌ها، «پیش‌آگهی» (Prognosis) و نظارت بر پاسخ درمانی به‌کار گرفته شوند. AI همچنین کمک می‌کند تا روابط پیچیده بین نشانگرهای زیستی و وضعیت بیماری‌ها را آشکار سازیم که ممکن است با روش‌های تحلیلی پیشین پدیدار نشوند.

استفاده مجدد از داروها

فناوری‌های AI این امکان را دارند تا با استفاده از واکاوی دیتاست‌های بزرگ از اطلاعات مولکولی، سوابق کلینیکی و منابع علمی منتشر شده، خاصیت و کاربردهای درمانی جدیدی را برای داروهای موجود شناسایی کنند. AI با تحلیل خصوصیات دارویی،‌ مسیرهای مولکولی و مشخصه‌های بیماری می‌تواند گزینه‌های توانمند دارویی برای استفاده مجدد و تسریع توسعه درمان‌های جدید پیشنهاد دهند.

تحلیل ادبیات و پژوهش علمی

AI به‌وسیله بیرون کشیدن اطلاعات مرتبط، شناسایی روابط بین مقالات و خلاصه‌سازی حجم زیادی از ادبیات علمی، پژوهشگران را در تحلیل ادبیات علمی یاری می‌دهد. بدین ترتیب پژوهشگران با یافته‌های جدید به‌روز نگه داشته می‌شوند و به آن‌ها کمک می‌کند تا بینش‌های نوینی را کشف و فرضیه‌هایی را پدید آورند.

در رسانه و سرگرمی ها کاربرد AI چیست؟

می‌توان گفت که AI صنایع مربوط به سرگرمی و رسانه‌ها را متحول می‌سازد. همچنین تولید محتوا، شخصی‌سازی، سیستم‌های توصیه‌گر و تعامل با مخاطبین را بهبود می‌دهد.

تولید محتوا

فناوری‌های AI می‌توانند برای تولید خودکار گزارش‌ها، مقالات خبری و خلاصه‌سازی‌ها به‌کار گرفته شوند. مدل‌های پردازش زبان طبیعی یا NLP می‌توانند داده‌ها را تحلیل کنند، اطلاعات مربوطه را بیرون بکشند و محتوای نوشتاری تولید کنند. الگوریتم‌های AI همچنین می‌توانند آهنگ، کارهای هنری و محتوای ویدیویی نیز تولید کنند.

تحلیل تصاویر و ویدیو

الگوریتم‌های AI این توانایی را دارند تا تصاویر و ویدیوها را به منظور تشخیص اشیا، صحنه‌ها و چهره‌ افراد مورد تحلیل قرار دهند. با این کار مواردی مانند برچسب‌زنی خودکار ویدیو، تعدیل - بررسی و بازبینی - محتوا و شاخص‌گذاری امکان‌پذیر می‌شود. تحلیل‌های ویدیویی مبتنی بر AI می‌تواننددر مواردی مانند تدوینه ویدیو، بخش‌بندی محتوا و توصیه ویدیوهای شخصی ‌سازی شده به ما کمک کنند.

سیستم‌های توصیه

موتورهای توصیه مجهز به AI با به‌کارگیری الگوریتم‌های یادگیری ماشین رفتار، «سلایق» (Preferences) و داده‌های تاریخی کاربر را به منظور ارائه توصیه‌های محتوای شخصی‌سازی شده، تحلیل می‌کنند. بدین ترتیب کاربران را در کشف فیلم‌ها، آهنگ‌‌ها، نمایش‌های تلویزیونی، مقالات و سایر محتوای رسانه‌ای یاری می‌دهند.

مرتب سازی و شخصی سازی محتوا

AI، «ترتیب‌دهی» (Curation) محتوا را به‌وسیله تحلیل سلایق یا ترجیحات کاربر، خصوصیات جمعیتی (Demographics) و الگوهای شرکت‌پذیری، شخصی‌سازی می‌کند. با فهمیدن این مورد که افراد چه علایقی دارند، الگوریتم‌های AI می‌توانند Feed-های محتوای شخصی‌شده، خبرنامه‌ها و تبلیغات هدفمند را ارائه دهند و تجربه و شرکت‌پذیری کاربر را بهبود دهند.

رابط‌ های کاربری ارتقا یافته

فناوری‌های AI، نظیر NLP و بینایی کامپیوتر این امکان را دارند تا رابط‌های کاربری و تعامل‌های موجود در رسانه و سرگرمی را ارتقا دهند. دستیارهای صوتی، چت‌بات‌ها و اپلیکیشن‌های واقعیت مجازی به‌وسیله هوش مصنوعی قدرت یافته‌اند تا تجربیات کاربری جذاب و شناخته‌شده‌ای را ارائه دهند.

بینش ها و تحلیل مخاطب

پلتفرم‌های تحلیل که مبتنی بر AI هستند این امکان را دارند تا حجم گسترده‌ای از داده‌های رسانه‌های اجتماعی، پلتفرم‌های آنلاین و تعامل‌های کاربر را به منظور تولید بینش‌های مربوط به مخاطبان پردازش کنند. شرکت‌های رسانه‌ای می‌توانند با استفاده از این بینش‌ها سلایق مخاطب، رفتار، احساسات و الگوهای شرکت‌پذیری آن‌ها را بفهمند. بدین ترتیب به آن‌ها امکان می‌دهد تا تصمیم‌های آگاهانه را در مورد ساخت محتوا، راهبردهای بازار و هدف قرار دادن مخاطب اتخاذ کنند.

نظارت بر محتوا

AI با شناسایی و علامت‌گذاری خودکار محتوای نامناسب و زننده نظیر سخنان نفرت‌انگیز، تصاویر صریح - شامل صحنه‌های خشونت آمیز و مبتذل - یا نقض قوانین کپی‌رایت، ما را در «تعدیل محتوا» (Content Moderation) یاری می‌دهد. سیستم‌های مجهز به AI همچنین می‌توانند در حفظ کیفیت محتوا و تضمین اینکه منطبق با دستورالعمل‌ها و استانداردهای نظارتی جامعه هستند هم مورد استفاده قرار بگیرند.

پخش زنده و تحلیل لحظه‌ای

فناوری‌های AI، امکان تحلیل و نظارت آنی بر رویدادهای «زنده» (Live)، پلتفرم‌های «پخش آنلاین» (Streaming) و بحث‌ و گفتگوهای رسانه‌های اجتماعی را فراهم می‌کنند و بینش‌هایی در مورد احساسات مخاطب، سطوح شرکت‌پذیری و بازخورد آنی ارائه می‌دهند. از این طریق به شرکت‌های رسانه‌ای و مجریان کمک می‌شود تا محتوا، پوشش و برنامه‌های خود را بر مبنای واکنش‌ها و علایق مخاطبان تنظیم کنند.

آینده AI چیست؟

با در نظر گرفتن تغییرات سریعی که در این حوزه شاهد هستیم، می‌خواهیم بگوییم آینده AI به چه سمت و سویی می‌رود. به‌طور کلی، AI رفته رفته شباهت بیشتری با مغز انسان پیدا می‌کند و از روش‌‌ها و محدودیت‌های سنتی فاصله می‌گیرد.

آشکارترین تغییراتی که به‌طور احتمالی در سال‌های پیش رو شاهد خواهیم بود، ما را در قالب چندین روند وسیع‌تر که در ادامه بیان کرده‌ایم، تحت تأثیر قرار می‌دهند.

تسریع تغییرات در فرهنگ و زندگی به عنوان آینده AI چیست؟

به‌همان اندازه که سازمان‌های بزرگ تصمیمات داده‌محور را با سریع‌تر اتخاذ می‌کنند، سازمان‌های فرهنگی نیز با سرعتی بیشتر و چابک‌تر عمل خواهند کرد. این نوع تغییرات بزرگتر در جهت سریع‌تر شدن در زندگی به‌طور کلی می‌تواند سایرین را نیز به سمتی سوق دهد تا کمی سریع‌تر زندگی کنند.

حریم شخصی کمتر و امنیت بیشتر به عنوان آینده AI چیست؟

پیش از این، روند کاهش حریم شخصی به‌خصوص در محیط آنلاین را شاهد بوده‌ایم. ارتقا راحتی و سرعت در بعضی از مواقع موجب کاهش حریم شخصی می‌شود. اما بهبود امنیت به‌خصوص برای داده‌ها و با این هدف که اعتماد کاربران حفظ شود، در این پلتفرم‌ها اهمیت زیادی دارد.

توسعه قانون مخصوص به AI به عنوان آینده AI چیست؟

قوانین حوزه AI در حال حاضر آماده است تا سریع درکنار قوانین مربوط به اینترنت توسعه پیدا کند.

رابط انسان و AI به عنوان آینده AI چیست؟

این مورد اکنون در حال انجام است و پژوهشگران آزمایش‌‌هایی را در خصوص بازگرداندن توانایی حرکت یا صحبت کردن را برای افراد دارای معلولیت شدید انجام می‌دهند.

تقاضاهای ادامه دار برای پایداری به عنوان آینده AI چیست؟

نیاز به صرفه‌جویی در مصرف انرژی و کشف راهکارهایی پایدار برای ذخیره‌سازی و مدیریت داده‌ها، در آینده و با تکامل فناوری به سرعت ضروری‌تر خواهد شد.

ذخیره سازی برای AI چیست؟

«ذخیره‌سازی» (Storage) را می‌توان یکی از چالش‌های مهم برای دستیابی به AI پایدار دانست. زیرساخت‌های IT، پیوسته در حال تغییر هستند اما بازنگری در مورد ذخیره‌سازی برای بارهای کاری AI یا ML می‌تواند به ساده شدن این فرایند کمک کند.

با توجه به اینکه در هر مرحله، داده‌هایی وارد پایپلاین ML می‌شوند می‌خواهیم بگوییم که کدام نوع از سیستم‌های ذخیره‌سازی AI برای مدیریت آن مناسب‌ترین گزینه محسوب می‌شوند.

ورود داده

در طول مرحله «ورود داده‌ها» (Data Ingestion) - که نیازمند ظرفیت و مقدار داده به‌شدت زیاد است - داده‌ها جمع‌آوری شده و درون «دریاچه‌های داده» (Data Lakes) - جایی که داده‌ها طبقه‌بندی و گاهی اوقات پاک‌سازی می‌شوند - قرار می‌گیرند.

آماده سازی

AI و ML نیازمند عملیاتی با راندمان به‌شدت بالا هستند، به‌همین دلیل مرحله «آماده‌سازی» (Preparation) داده‌ها به منظور پشتیبانی موارد متعددی از نوشتن‌های متوالی به سرعت بالای نوشتن نیاز دارد.

آموزش

«آموزش» (Training) «نیازمند منابع زیاد» (Resource-Intensive) پایپلاین AI یا ML فرایندی حساس به تأخیر (Latency-Sensitive) است تا اینکه فرایندی «نیازمند داده زیاد» (Data-Intensive) باشد و تأثیرگذاری بالایی در زمان نهایی برای نتیجه پروژه دارد.

استنباط

در مرحله استنتاج یا «استنباط» (Inference)، میزان تأخیر می‌بایست بسیار کم باشد. ممکن است ورودی-خروجی کوچکتر و Workload-های ترکیبی داشته باشیم، ولی تأخیر به‌شدت پایین در اینجا اهمیت زیادی دارد.

مرحله بندی و بایگانی

AI یا ML به منظور تست و اجرای مدل‌های خود به مقادیر وسیعی از داده‌های نیاز دارند. در مرحله Staging and Archive شاید به اندازه‌ای چند پتابایتی از آرشیو فعال نیاز پیدا کنیم.

چالشی که در اینجا با آن روبه‌رو هستیم، متناسب‌ترین نوع سیستم ذخیره‌سازی AI برای داده‌هایی است که با آن کار می‌کنیم.

در ادامه ۶ جنبه مختلف از زیرساخت‌های AI و ML را بیان کرده‌ایم.

قابلیت جا به جایی

به‌طور کلی، متخصصان AI یا ML نیاز دارند تا بتوانند ذخیره‌سازی را در هر مکانی فراهم کنند. در محیطی امروزی، این امکان وجود دارد تا داده‌ها و ذخیره‌سازی در هر مکانی وجود داشته باشند، هر چند که هنوز هم خیلی از راهکارهای ذخیره‌سازی با دیتا سنتری واحد طراحی می‌شوند. داده‌ها همچنان می‌توانند درون دیتاسنتر مستقر شوند اما قسمتی از ذخیره‌سازی هم در لبه ، ابر یا غیره مستقر شود.

مشارکت پذیری

Workload-های AI یا ML می‌بایست از کتابخانه‌های امروزی پشتیبانی به عمل آورند تا بدین ترتیب در محیط محلی گیر نکنند و به بیان دیگر با بخش‌های دیگر تعامل داشته باشند.

مقیاس پذیری

«اندازه» (Scale)، به‌خصوص برای داده‌های بی‌ساختار دارای اهمیت زیادی است. با این حال، معماری نیز می‌بایست تغییر کند چون کاهش مقیاس به اندازه افزایش مقیاس دارای اهمیت خاص خود است.

پروژهای زیادی هستند که در ابعاد کوچک شروع به‌کار می‌کنند و با توجه به نیازها رشد می‌کنند. بدین ترتیب نیازی به سرمایه‌گذاری در راهکاری چند پتابایتی یا گسترش افزون بر یک طرح پایه نداریم. برخی از انواع ذخیره‌سازی، مقیاس‌پذیری صحیحی برای AI ندارند. به‌طور مثال، NAS یا «ذخیره‌سازی متصل به شبکه» (Network Attached Storage)، پلتفرمی عمودی است و نمی‌تواند به اندازه و به شیوه‌های توزیع‌شده و افقی مورد نیاز برای Workload-های AI یا ML مقیاس‌پذیر باشد.

کارایی

Workload-های AI یا ML نیازمند بیشترین کارایی ممکن هستند. Workload-هایی با توان عملیاتی بالا، ورودی یا خروجی با حجم زیاد، خواندن و نوشتن تصادفی باید به‌صورت هماهنگ و با تاخیر پایین موجود باشند. برای این منظور به پروتکل‌های جدید، رسانه‌های فلش جدید، نرم‌افزارهای جدید و GPU-هایی برای مرحله آموزش AI یا ML نیاز است. بزرگترین نقطه ضعفی که در این زنجیره شاهد هستیم، فراهم نمودن داده‌های کافی برای سیستم است. پر نگه داشتن فضای ذخیره‌سازی از داده‌های آماده استفاده تنها راه دستیابی به این امر است.

مدل های نرم افزار محور

در خصوص قابل حمل بودن، یک مدل AI می‌بایست با استفاده از معماری «نرم‌افزار محور» (Software-Defined) - که مستقل از دستگاه است و با این وجود از نوآوری‌های مدرن سخت‌افزاری پشتیبانی می‌کند - در هر جایی مستقر شود . به‌طور مثال، عرضه‌کنندگان ذخیره‌سازی نرم‌افزار گرا (Software-Defined-Storage) نخستین کسانی بودند که از فناوری NVMe حمایت کردند. به‌طوری‌که استقلال نرم‌افزاری، آن‌ها را به شرکای خوبی تبدیل کرد و همچنان برای افراد نیازمند استقرار بارهای کاری AI یا ML برای مدیریت داده‌ها در هر جایی مانند دستگاه‌های محلی یا «لبه‌ها» (ٍEdge)، سرورها و مراکز داده یا Core و «ابر» (Cloud) انتخاب مناسبی باقی مانده‌اند.

کاهش هزینه

به منظور سرمایه‌گذاری در ابعاد صحیح و بهینه برای ذخیره‌سازی در AI یا ML، برنامه‌ریزی اهمیت بسیار زیادی دارد و می‌بایست در سراسر چرخه عمر کلی داده‌ها در ذخیره‌سازی، در نظر گرفته شود، افزون بر آموزش و استنباط - یا همان به‌کارگیری مدل - که پر تقاضاترین مراحل پروژه هستند. استقرار تمامی داده‌ها روی پلتفرمی واحد، به‌شدت بزرگ و پر هزینه خواهد شد ولی با انجام برنامه‌ریزی و با در نظر گرفتن تمامی مراحل کار، از جمله«بایگانی فعال» (Active Archiving) و «بایگانی عمیق» (Deep Archiving)، به متخصصان امکان می‌دهد تا هزینه کل مالکیت TCO خود را برای کل فرایند AI یا ML با کمترین هزینه، بیشینه کنند.

سوالات متداول

حال که با مفهوم AI آشنا شدیم، برخی از پرسش‌های متداول در این زمینه را با هم بررسی کرده و پاسخ می‌دهیم.

AI حقیقی سرانجام انسان ها را از بین می برد؟

شماری از افراد همچون آقای «استیون هاوکینگ»، نگران این مورد بودند که هوش مصنوعی حقیقی ممکن است پایانی برای بشریت باشد. با وجود اینکه از نظر فنی امکان‌پذیر است اما به‌شدت غیرمحتمل است. هر نوع AI توسعه داده شده به‌وسیله انسان‌ها به احتمال قوی تحت نظارت دولت‌های جهان قرار خواهد گرفت و بعید به‌نظر می‌رسد که پژوهشگران، فعالانه به فکر ایجاد موجوداتیباشند که قصد نابودی آن‌ها را دارد. همچنین، دلیلی برای فرض اینکه AI دشمن بشریت باشد وجود ندارد.

بهترین مثال برای AI چیست؟

AI ساخته شده به‌وسیله IBM یعنی Deep Blue را می‌توان به‌عنوان نمونه‌ای کلاسیک از Artificial Intelligence در نظر گرفت. این برنامه کامپیوتری به‌شدت پیچیده در واقع اولین کاربرد AI بود که قهرمان شطرنج جهان را با موفقیت شکست داد. هرچند که دیپ Deep Blue توانایی تفکر به‌صورت مستقل یا موفقیت در سایر کارها را نداشت اما هنگام انجام بازی شطرنج می‌توانست شبیه به یک انسان - و با شیوه‌ای مشابه - استدلال و عمل کند و برای آن کار مشخص، تعریف پایه‌ای AI هوش مصنوعی را برآورده سازد. نکته شگفت‌انگیزتر این است که Deep Blue در سال ۱۳۷۶ (۱۹۹۷ میلادی) ساخته شد، یعنی سال‌ها پیش از اینکه فناوری شبکه و محاسبات به شکل کنونی توسعه یابد.

Artificial intelligence به زبان ساده چیست؟

Artificial intelligence که به‌طور معمول AI خوانده می‌شود، به زبان ساده، برنامه‌ای کامپیوتری است که توانایی تصمیم‌گیری دارد. پیچیدگی آن به اندازه‌ای است که نمی‌توانیم تمایزی بین آن و یک انسان قائل شویم. اگر چه AI حقیقی (دارای تفکر و عمکرد مشابه انسان) هنوز ساخته نشده است، با این حال پژوهشگران برنامه‌هایی ساخته‌اند که در زمینه‌های مشخص، نظیر انجام بازی شطرنج یا پیدا کردن تومور در تصاویر اشعه ایکس، بسیار نزدیک به هوش انسانی عمل می‌کنند.

برخی از نمونه های AI چیست؟

علیرغم اینکه هنوز کامپیوتری خود آگاه (Self-Aware) وجود ندارد اما برنامه‌های پیچیده‌ای در دسترس هستند که از قابلیت‌های شبه AI برای کمک به انجام وظایف پیچیده بهره می‌برند. در ادامه چندین نمونه را آورده‌ایم.

• در زمینه خدمات درمانی، برنامه‌های AI پزشکان را یاری می‌دهند تا با مشخص کردن الگوهایی که شاید بیان‌گر مشکلات سلامتی باشند، به بررسی اسکن‌های تصویری با سرعت زیاد بپردازند.
• در کسب و کارها، نرم‌افزارهای پیچیده، خودرو‌های خودران و ربات‌های لجستیک را توانمند ساخته‌اند.
• AI به‌وسیله پلیس برای ارزیابی تصاویر چهره‌ها و قدرت بخشیدن به نرم‌افزارهای تشخیص چهره به‌کار می‌روند.
• برنامه‌های AI نظیرIBM’s 1997 Deep Blue مهارت انجام بازی شطرنج و سایر بازی ها را دارند.

تغییرات و آینده AI چیست؟

با توجه به قدرتمند شدن روزافزون کامپیوترها، AI نیز به‌طور طبیعی قوی‌تر خواهد شد. توان پردازشی اضافی که به‌وسیله کامپیوترهای سریع‌تر فراهم می‌شود در ترکیب با الگوریتم‌ها و برنامه‌های پیچیده و پیشرفته‌تر کار می‌کند تا تشابه AI به انسان بیشتر شود.

هر چند که نمی‌توان زمان دقیقی را برای این مورد مشخص کرد اما با توجه به مطالعاتی که روی افزایش تصاعدی فناوری‌ها صورت گرفته ممکن است تا کمتر از یک دهه دیگر شاهد هوش مصنوعی حقیقی باشیم.

نحوه کار AI چیست؟

به‌طور خلاصه می‌توانیم این‌طور بگوییم که AI با «تصفیه کردن» (Sifting) مقادیر زیادی از داده‌ها و تشخیص «الگوها» (Patterns) عمل می‌کند. پژوهشگران و برنامه‌نویسان برنامه‌های ویژه‌ای را توسعه می‌دهند که برای بررسی مجموعه‌ای خاص از داده‌ها به‌کار می‌روند و از الگوهای پیداشده برای تولید پاسخ‌هایی بر مبنای «پرامپت» (Prompts) استفاده می‌کنند. هر چند که ممکن است تشخیص الگو زیاد قابل توجه به‌نظر نرسد، اما به‌عنوان هسته نحوه عملکرد هوش انسانی نیز محسوب می‌شود.

تعریف AI چیست؟

بهترین تعریف برای Artificial intelligence یا به اختصار AI را می‌توانیم این‌گونه بیان کنیم که زمینه‌ای مطالعاتی است و برای ساخت ماشین‌هایی تلاش می‌کند که توانایی تفکر یا انجام عملی عقلانی را به‌تنهایی و به اندازه انسان یا فراتر از آن داشته باشند.

فرق یادگیری ماشین و AI چیست؟

یادگیری ماشین در واقع یکی از کاربردهای خاص AI است و می‌توان آن را روشی برای آموزش دادن به نرم‌افزار در نظر بگیریم که این آموزش از طریق شناسایی الگوها و حجم وسیعی از داده‌ها صورت می‌گیرد. به‌طور کلی در یادگیری ماشین، یک پژوهشگر، برنامه‌ای نرم‌افزاری به همراه مقدار زیادی داده در رابطه با موضوع خاصی فراهم می‌کند. این داده‌ها ممکن است در قالب تصاویر، متون یا حتی ویدیوها باشند. پس از این، نرم‌‌افزار تمامی داده‌ها را بررسی و تلاش می‌کند تا به الگوهای موجود در آن‌ها پی ببرد. پس از ارزیابی، شبکه عصبی سعی می‌کند تا بر مبنای الگوهای مشاهده شده، الگوهای مشابه خود را ایجاد کند. با وجود اینکه شبکه‌های عصبی گاهی اوقات نتیاج عجیبی را تولید می‌کند، اما می‌توانند کاملاً پیچیده باشند. یادگیری ماشین در آینده می‌تواند به‌طور توانمندی برای کمک به آموزش AI در هر موردی، از تصمیم‌گیری‌های منطقی گرفته تا نحوه ساخت موسیقی‌ها به‌کار گرفته شود.

تشخیص چهره در AI چیست؟

یکی از کاربردهای مورد بحث AI، استفاده از آن توسط پلیس تحت عنوان «تشخیص چهره» (Facial Recognition) است که با به‌کارگیری برنامه‌های پیچیده، تصاویر چهره‌های افراد و ارتباط آن‌ها با سایر تصاویر را مورد وارسی قرار می‌دهند.

جنبه AI این نرم‌افزار، «تشخیص الگوی» (Pattern Recognition) نیرومندی را به منظور تطبیق سریع چهره‌ها - با استفاده از شکل و فاصله بین خصوصیات چهره - به‌کار می‌برد، به‌گونه‌ای که انسان به‌تنهایی توانایی انجام آن را ندارد.

خودروهای بدون راننده در AI چیست؟

«خودروهای خودران» (Self-Driving Cars) یا بدون راننده را می‌توان به عنوان یکی از مثال‌های کاربردی AI در دنیای واقعی نام برد. این وسایل نقلیه با استفاده از دوربین، به تشخیص موانع می‌پردازند و برای انتخاب مسیر به سوی مقصد، GPS را به‌کار می‌گیرند. با تلفیق نرم‌افزار AI و سخت‌افزارهایی مخصوص، خودرو می‌تواند با کمترین دخالت انسان و با اطمینان رانندگی کند. در واقع، برخی از پژوهش‌ها حاکی از این هستند که خودروهای خودران حتی از خودروهای مرسوم - که توسط انسان‌‌ها هدایت می‌شوند - هم ایمنی بیشتری دارند.

تصاویر پزشکی در AI چیست؟

در مراکز درمانی، به‌منظور کمک به پزشکان و کادر درمانی هنگام بررسی تصاویر رادیوگرافی برای اختلالاتی نظیر تومورها یا رشد سرطانی سلول‌ها، نرم‌افزار مبتنی بر AI را به‌دفعات به‌کار می‌گیرند. AI همچنین در تجهیزات MRI استفاده می‌شود به این دلیل که می‌تواند با سرعت زیادی اسکن‌های MRI را در قالب تصاویر با کیفیت بازسازی کند. کیفیت بالای تصاویر از این جهت حائز اهمیت است که اقدامات تشخیصی را برای پزشکان تسهیل می‌کند چون درک واضح‌تری از جزئیات بدن را ارائه می‌کند.

چگونه AI بسازیم؟

با فناوری‌های کنونی، اولین گام در ساخت یک AI این است که مشخص کنیم چه مسئله‌ای قرار است حل شود. به این دلیل که کامپیوترها هنوز به اندازه‌ای قوی نیستند که با ساخت یک «AI جامع» (General AI) هر نوع مسئله‌ای را حل کنند.

پس از شناخت هدف خود، گام‌های بعدی شامل این است که داده‌های مرتبط با مسئله را جمع‌آوری و به آموزش یا به اصطلاح «Train کردن» AI به‌وسیله الگوریتم‌های موجود برای یادگیری ماشین یا الگوریتم ایجاد شده توسط خودمان بپردازیم.

پس از اینکه AI روی دیتا‌ست آموزش دید، برای پیاده‌سازی آماده است. در مرحله نهایی، لازم است تا محیطی را برای AI بسازیم تا به انجام کارهای پردازشی خود بپردازد. این مرحله می‌تواند مواردی نظیر انتخاب زبان برنامه‌نویسی خاص، نصب سخت‌افزار یا پیداکردن فضای سرور برای میزبانی از نرم‌افزار تکمیل شده را در بر بگیرد.

۴ نوع مختلف AI چیست؟

سیستم دسته‌بندی «هینتزه»، AI‌-ها را بر مبنای میزان آگاهی که از محیط اطراف خود دارند و سایر مشخصه‌ها به ۴ نوع تقسیم می‌کند که در ادامه آورده‌ایم.

• «ماشین‌های واکنش‌گر» (Reactive Machines): به سیستم AI اشاره دارد که به‌سادگی به محرک‌ها پاسخ می‌دهد. در اصل، به ماشینی خلاصه می‌شود که می‌تواند موارد رخ داده را حس کند و واکنش نشان دهد.
• «حافظه محدود» (Limited memory): در مقایسه با AI حقیقی، AI حافظه محدود را می‌توان در قالب بات‌هایی در نظر گرفت که برای وظایف معینی طراحی شده‌اند. چت‌بات‌ها و خودروهای خودران از این دسته هستند.
• «نظریه ذهن» (Theory of mind): این نوع از AI-ها می‌توانند بفهمند که چیزهایی غیر از خودشان هم ذهن دارند.
• «خودآگاه» (Theory of Mind): AI خودآگاه می‌تواند خود را موجودی آگاه تصور کند.

جمع‌بندی

در این نوشتار از مجله فرادرس به زبانی ساده توضیح دادیم که AI یا همان هوش مصنوعی چیست. تعریف و ماهیت آن را شرح دادیم و گفتیم که چه فرقی با هوش انسانی دارد و به دنبال چه هدفی است.

نمونه‌ها و کاربردهای آن در دنیای واقعی را نیز بیان کردیم. فارغ از اینکه فکر کنیم AI اکنون در میان ما وجود دارد یا چیزی است که در آینده به وقوع می‌پیوند، سازمان‌ها و شرکت‌های متعددی در سراسر جهان هستند که به فناوری‌های شبه-AI روی آورده‌اند.