مقدمه

هوش مصنوعی (Artificial Intelligence (AI)) به فناوری گفته می شود که به ماشین‌ها و سیستم‌های کامپیوتری قابلیت های یادگیری، حل مسئله و … را اضافه م کند. هدف اصلی هوش مصنوعی این است که سیستم‌های کامپیوتری را به گونه‌ای طراحی کند که بتوانند وظایفی را انجام دهند که در ظاهر به نظر می‌رسد که نیاز به هوش و تفکر انسانی دارند. هوش مصنوعی به دستیابی به قابلیت‌هایی مانند تصمیم‌گیری، تشخیص الگو، پردازش زبان طبیعی، دید کامپیوتری، خودکارسازی و حل مسائل پیچیده توسط ماشین‌ها می‌پردازد. این فناوری شامل روش‌های گوناگونی از جمله یادگیری ماشین، شبکه‌های عصبی، الگوریتم‌های تکاملی، پردازش زبان طبیعی و بسیاری دیگر است. هوش مصنوعی در حال حاضر در بسیاری از صنایع و زمینه‌های کاربردی مختلف استفاده می‌شود، از جمله خودروهای خودران، پزشکی، تجارت، تولید، بازاریابی، امنیت و بسیاری زمینه‌های دیگر. هدف از استفاده از هوش مصنوعی افزایش بهره‌وری، بهبود فرآیندها و حل مسائل پیچیده به صورت خودکار و سریع‌تر است.

به عنوان یکی از گرایش های علوم کامپیوتر، هوش مصنوعی شامل زیر مجموعه های ماشین و یادگیری عمیق است که یادگیری عمیق (Deep Learning)  زیر مجموعه یادگیری ماشین (Machine Learning) محسوب می شود‌(شکل ۱). در هر یک از این زیرمجموعه ها، هدف اصلی توسعه الگوریتم‌های هوش مصنوعی است که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند، و می‌توانند از داده‌های موجود «یاد بگیرند» و در طول زمان طبقه‌بندی یا پیش‌بینی دقیق‌تری را انجام دهند.

هوش مصنوعی سنتی صرفا داده ها را تجزیه و تحلیل می کند. اما Generative AI نوعی فناوری هوش مصنوعی است که برخلاف هوش مصنوعی سنتی می تواند انواع مختلفی از محتوا از جمله متن، تصویر، صدا و داده های مصنوعی تولید کند. هوش مصنوعی چرخه های زیادی را پشت سر گذاشته است، اما به نظر می رسد انتشار ChatGPT نقطه عطفی در فناوری هوش مصنوعی باشد. آخرین باری که generative  AI با گامی به این بزرگی ظاهر شد، پیشرفت‌ها در بینایی کامپیوتری بود، اما اکنون جهش رو به جلو در پردازش زبان طبیعی (Natural Language Processing (NLP))  در ChatGPT جهشی بزرگ تر در این فناوری است. امروزه، Generative AI می تواند نه تنها زبان انسان، بلکه انواع دیگر داده ها از جمله تصاویر، ویدئو، کد نرم افزار و حتی ساختارهای مولکولی را بیاموزد و ترکیب کند.

شکل ۱ – زیر مجموعه های هوش مصنوعی

تفاوت Deep Learning و Machine Learning

همانطور که در بخش قبلی اشاره شد، یادگیری ماشینی و یادگیری عمیق زیرشاخه‌های هوش مصنوعی هستند و یادگیری عمیق زیرشاخه‌ای از یادگیری ماشینی است. هم الگوریتم‌های یادگیری ماشین و هم الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی (Neural Networks) برای «یادگیری» از حجم عظیمی از داده‌ها استفاده می‌کنند. این شبکه‌های عصبی ساختارهای برنامه‌ای هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند. آنها از لایه‌هایی از گره‌های به هم پیوسته تشکیل شده‌اند که ویژگی‌هایی را از داده‌ها استخراج می‌کنند و پیش‌بینی می‌کنند که داده‌ها چه چیزی را نشان می‌دهند.

نوع شبکه‌های عصبی که یادگیری ماشینی و یادگیری عمیق استفاده می‌کنند و همچنین میزان دخالت انسان، متفاوت است. الگوریتم‌های یادگیری ماشین کلاسیک از شبکه‌های عصبی با یک لایه ورودی، یک یا دو لایه پنهان و یک لایه خروجی استفاده می‌کنند. به طور معمول، این الگوریتم‌ها به یادگیری نظارت شده یا Supervised Learning محدود می‌شوند: داده‌ها باید توسط متخصصان انسانی ساختار یا برچسب‌گذاری شوند تا الگوریتم بتواند ویژگی‌هایی را از داده‌ها استخراج کند.

شکل ۲ – شبکه عصبی عمیق [۱]

الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی عمیق (Deep Neural Networks) استفاده می‌کنند – شبکه‌هایی که از یک لایه ورودی، سه یا بیشتر (اما معمولاً صدها) لایه پنهان و یک لایه خروجی تشکیل شده‌اند (شکل ۲). این لایه‌های چندگانه، یادگیری بدون نظارت (Unsupervised Learning) را امکان‌پذیر می‌کنند: آنها استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار به طور خودکار انجام می دهند. از آنجایی که به مداخله انسانی نیاز ندارد، یادگیری عمیق اساساً یادگیری ماشین را در مقیاس بزرگتری ممکن می‌سازد.

هوش مصنوعی مولد یا Genrative AI

هوش مصنوعی مولد به سیستم‌های هوش مصنوعی اطلاق می‌شود که توانایی تولید محتوای جدید و بدیع مانند تصاویر، متن، موسیقی یا حتی ویدیو را دارند. این سیستم‌ها برای ایجاد محتوایی طراحی شده‌اند که بر اساس داده‌ها یا نمونه‌های موجود نیست، بلکه به تنهایی خروجی‌های جدیدی را ارائه می‌کنند. مدل‌های هوش مصنوعی مولد معمولاً از تکنیک‌هایی مانند شبکه‌های عصبی، یادگیری عمیق و یادگیری ماشین برای تولید محتوای جدید استفاده می‌کنند. آنها را می توان بر روی مجموعه داده های بزرگ آموزش داد تا الگوها را یاد بگیرند و محتوای جدید را بر اساس آن یادگیری، تولید کنند.  Generative AIدر زمینه‌های مختلف از جمله هنر، ترکیب موسیقی، تولید متن و حتی ایجاد تصاویری با ظاهر واقعی کاربرد دارد.

جدول ۱ – چند نمونه خروجی از یک مدل هوش مصنوعی مولد در وب سایت [۲]

یکی از معروف‌ترین نمونه‌های هوش مصنوعی مولد، شبکه‌های متخاصم مولد (Generative Adversarial Networks  یا GANs) است که از دو شبکه عصبی – یک مولد (generator) و یک متمایزکننده (discriminator)  – تشکیل شده است که برای تولید محتوای جدید و ارزیابی صحت آن با هم کار می‌کنند. هوش مصنوعی مولد این پتانسیل را دارد که صنایع خلاق را متحول کند و اشکال جدیدی از بیان هنری را فعال کند.

در جدول ۱ چند نمونه از خروجی شبکه هوش مصنوعی مولد (تولید شده توسط [۲])  که به عنوان ورودی متن (توضیحی از عکس دلخواه ) را دریافت کرده و عکس مورد نظر را در خروجی تولید می کند میبینید.

کاربردهای هوش مصنوعی

امروزه هوش مصنوعی در حوزه های مختلفی کاربرد دارد که در زیر به برخی از انها اشاره می کنیم:

منابع

[۱] https://www.ibm.com/topics/artificial-intelligence

[۲] https://gencraft.com/generate