اصطلاحات کلیدی هوش مصنوعی به زبان ساده؛ یک مرور جامع بر مفاهیم AI

به گزارش ایتنا، این مسئله زبانی می‌تواند درک عمومی از فناوری‌های پیشرفته را ناهموار کند. به همین خاطر، در این واژه‌نامه، اصطلاحات کلیدی که در مقالات تخصصی هوش مصنوعی به کار برده می‌شوند، به زبانی ساده و قابل درک تدوین کرده‌ایم. این فهرست به‌طور منظم به‌روزرسانی خواهد شد تا مفاهیم جدید و مهم به آن اضافه گردد.
 

AGI (هوش عمومی مصنوعی)

هوش عمومی مصنوعی یا AGI مفهومی است که ممکن است به نظر مبهم بیاید، اما به‌طور کلی به سیستمی اشاره دارد که در اکثر وظایف شناختی انسانی، توانایی عملکردی معادل یا حتی فراتر از انسان‌های معمولی دارد. بر اساس گفته سم آلتمن (مدیرعامل OpenAI)، AGI می‌تواند «در سطح همکاری یک فرد متوسط» عمل کند. اوپن‌ای‌آی در اصول خود، AGI را به‌عنوان سیستمی بسیار خودمختار مد نظر قرار می‌دهد که در فعالیت‌های اقتصادی اصلی عملکرد بهتری از انسان‌ها دارد. گوگل دیپ‌مایند نیز تعریف مشابهی ارائه می‌دهد: «شکلی از هوش مصنوعی که در اکثریت کارهای شناختی، هم‌سطح یا بهتر از انسان عمل می‌کند.» این تفاوت در تعاریف، نشان‌دهنده گستردگی و چالش‌های درک این مفهوم حتی در بین متخصصان است.
 

AI Agent (عامل هوش مصنوعی)

عامل هوش مصنوعی به سیستمی اطلاق می‌شود که می‌تواند بدون نیاز به دخالت مستقیم انسان، وظایف پیچیده را به‌صورت خودکار انجام دهد؛ این قابلیت فراتر از یک چت‌بات معمولی است. وظایف انجام شده می‌توانند شامل رزرو بلیت، ذخیره کد یا تحلیل داده‌ها باشند. اگرچه زیرساخت‌های لازم برای این عامل‌ها هنوز در حال توسعه است، هدف اصلی آن‌ها به وجود آوردن سیستم‌های خودمختار است که از چندین مدل هوش مصنوعی برای انجام وظایف چندمرحله‌ای بهره می‌برند.
 

Chain of Thought (زنجیره تفکر)

زنجیره تفکر شیوه‌ای در استدلال است که در آن مدل هوش مصنوعی به‌جای ارائه پاسخ مستقیم، مشکل را به بخش‌های کوچکتر و میانی تقسیم می‌کند. این رویکرد منجر به افزایش دقت، به‌ویژه در مسائل منطقی و ریاضی می‌شود. این متد از فرآیند تفکر انسانی الهام گرفته شده و به‌خصوص در مدل‌های زبانی بزرگ (LLM) با استفاده از یادگیری تقویتی تقویت شده است.
 

Deep Learning (یادگیری عمیق)

یادگیری عمیق یکی از زیرشاخه‌های یادگیری ماشین است که در آن شبکه‌های عصبی چندلایه برای تحلیل و یادگیری از داده‌ها مورد استفاده قرار می‌گیرند. این مدل‌ها بدون نیاز به تعریف ویژگی‌ها توسط انسان، قادر به شناسایی الگوهای پیچیده در داده‌ها هستند. با اینکه این روش دقت بالایی دارد، اما به حجم بالایی از داده‌ها و منابع محاسباتی قابل توجهی نیاز دارد.
 

Diffusion (انتشار)

فناوری انتشار، مبنای بسیاری از مدل‌های مولد برای تولید متن، تصویر و موسیقی است. در این فرایند، ابتدا داده‌ها با افزودن نویز تخریب می‌شوند و سپس مدل تلاش می‌کند با یادگیری مسیر معکوس، داده اصلی را دوباره ایجاد کند. بر خلاف انتشار فیزیکی، که فرآیندی برگشت‌ناپذیر است، این فرآیند در مدل‌های هوش مصنوعی قابلیت معکوس‌سازی دارد.
 

Distillation (تقطیر)

تقطیر فرآیندی است که در آن دانش از یک مدل بزرگ (بنام معلم) استخراج و به مدلی کوچکتر و سریع‌تر (بنام دانش‌آموز) منتقل می‌شود. این روش منجر به کاهش حجم و هزینه اجرای مدل می‌شود بدون اینکه کیفیت خروجی به‌طور قابل توجهی کاهش یابد. بسیاری از مدل‌های تجاری هوش مصنوعی از این تکنیک برای بهینه‌سازی استفاده می‌کنند.

Fine-tuning (تنظیم دقیق)

تنظیم دقیق به فرآیند آموزش تکمیلی یک مدل برای یک وظیفه یا حوزه خاص اشاره دارد. شرکت‌ها معمولاً از مدل‌های زبانی عمومی به‌عنوان مبنای کار استفاده کرده و با داده‌های خاص خود، عملکرد آن را برای نیازهای خاص بهینه‌سازی می‌کنند. این روش منجر به افزایش دقت و کارایی در سناریوهای خاص می‌گردد.
 

GAN (شبکه مولد تخاصمی)

شبکه‌های مولد تخاصمی (GAN) متشکل از دو شبکه عصبی هستند: یک شبکه مولد که داده‌های مصنوعی تولید می‌کند، و یک شبکه تفکیک‌کننده که صحت این داده‌ها را ارزیابی می‌کند. این دو شبکه در یک فرآیند رقابتی به تقویت عملکرد یکدیگر کمک می‌کنند. GANها در تولید تصاویر، صدا و ویدیوهای واقع‌گرایانه به‌طور گسترده‌ای به کار می‌روند.
 

Hallucination (توهم)

توهم پدیده‌ای است که در آن مدل‌های هوش مصنوعی اطلاعات نادرست و بی‌اساسی را تولید می‌کنند. این مشکل به‌ویژه در مدل‌های مولد زبان (GenAI) به‌عنوان یکی از چالش‌های اصلی شناخته می‌شود. علت اصلی این مشکل، کمبود یا عدم وجود داده‌های آموزشی کافی در برخی زمینه‌هاست. برای کاهش میزان توهم، توسعه مدل‌های تخصصی‌تر و دامنه محور پیشنهاد می‌شود.
 

Inference (استنتاج)

استنتاج به فرآیند به کارگیری مدل آموزش‌دیده برای تولید خروجی از داده‌های جدید اشاره دارد. این مرحله به نسبت آموزش نسبتاً سبک‌تر است، اما در مدل‌های بزرگ نیاز به سخت‌افزارهای پیشرفته‌ای مانند GPU یا شتاب‌دهنده‌های خاص دارد.

LLM (مدل زبانی بزرگ)

مدل‌های زبانی بزرگ مانند GPT (OpenAI)، Claude (Anthropic)، Gemini ، LLaMA (متا) و Le Chat (Mistral) مدل‌هایی هستند که از میلیاردها پارامتر عددی تشکیل شده و با تحلیل الگوهای زبانی توانایی درک و ایجاد زبان طبیعی را دارا می‌باشند. این مدل‌ها اساس و پایه دستیارهای هوش مصنوعی مدرن را تشکیل می‌دهند.
 

Neural Network (شبکه عصبی)

شبکه‌های عصبی، ساختارهای الگوریتمی هستند که از الگوهای مغز انسان الهام گرفته‌اند و پایۀ یادگیری عمیق را تشکیل می‌دهند. این شبکه‌ها شامل لایه‌هایی از واحدهای پردازشی (نورون‌ها) هستند که با تنظیم وزن‌ها، الگوها را از داده‌ها استخراج می‌کنند. توانایی آن‌ها در یادگیری روابط پیچیده، اساس پیشرفت‌های اخیر در AI بوده است.
 

Training (آموزش)

آموزش فرآیندی است که طی آن مدل با تجزیه و تحلیل داده‌های ورودی و تطبیق وزن‌ها، یاد می‌گیرد چگونه خروجی مناسب تولید کند. این مدل‌ها معمولاً با وزن‌های تصادفی آغاز شده و در طول فرآیند آموزش به‌وسیله بازخوردهای مکرر بهینه‌سازی می‌شوند. فرایند آموزش نیازمند حجم زیادی از داده و قدرت پردازش بالاست.
 

Transfer Learning (یادگیری انتقالی)

یادگیری انتقالی به‌کارگیری دانشی که مدل در یک وظیفه آموخته برای بهبود عملکرد در یک وظیفه جدید و مرتبط اشاره دارد. این تکنیک می‌تواند به صرفه‌جویی در زمان و منابع انجامیده و به‌ویژه در زمانی که داده‌های مربوط به وظیفه جدید محدود است، مفید واقع می‌شود.
 

Weights (وزن‌ها)

وزن‌ها پارامترهای عددی در شبکه‌های عصبی هستند که تعیین‌کننده میزان تأثیر هر ورودی در خروجی مدل می‌باشند. در طول آموزش، مدل با به‌روزرسانی مکرر این وزن‌ها، به تدریج به خروجی‌های دقیق‌تری دست می‌یابد.