اصطلاحات کلیدی هوش مصنوعی

هوش مصنوعی (AI) یک فناوری دگرگون‌کننده است که صنایع و زندگی روزمره را تغییر می‌دهد. درک مفاهیم اصلی و اصطلاحات کلیدی هوش مصنوعی، برای هر کسی که به دنبال شناخت این حوزه پیچیده است، ضروری است. این مقاله 30 مورد از اصطلاحات کلیدی هوش مصنوعی را شرح می‌دهد و تعاریف، مبدأ، کاربردها و منابع بیشتر آن‌ها را توضیح می‌دهد. چه یک مربی باشید و چه یک دانشجو یا علاقه‌مند به این حوزه، درک این موضوعات، فهم شما را از قابلیت‌ها و پیامدهای هوش مصنوعی افزایش می‌دهد هرچند برای فهم عمیق تر هرکدام از این مباحث، باید منابع معتبر مربوطه مانند مقالات سایت manafterai مطالعه گردد و آموزش های لازم فراگرفته شود.

1. هوش مصنوعی (Artificial Intelligence)

هوش مصنوعی به شبیه‌سازی هوش انسانی در ماشین‌هایی اطلاق می‌شود که برای فکر کردن و عمل کردن مانند انسان‌ها طراحی شده‌اند. این اصطلاح توسط جان مک کارتی در کنفرانس دارتموث در سال 1956 ابداع شد که سرآغاز هوش مصنوعی به عنوان یک رشته علمی بود. هوش مصنوعی در بخش‌های مختلفی از جمله بهداشت و درمان برای تشخیص بیماری‌ها، امور مالی برای کشف تقلب، و خدمات مشتری از طریق چت‌بات‌ها کاربرد دارد و راه حل‌های دگرگون‌کننده‌ای برای مسائل پیچیده ارائه می‌دهد.

2. . یادگیری ماشین (Machine Learning)

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است که بر توسعه الگوریتم‌هایی تمرکز دارد که رایانه‌ها را قادر می‌سازد تا از داده‌ها یاد بگیرند و بر اساس آن‌ها پیش‌بینی کنند. این حوزه در دهه 1980 با پیشرفت در نظریه یادگیری آماری مورد توجه قرار گرفت. یادگیری ماشین معمولاً در سیستم‌های توصیه‌گر در پلتفرم‌هایی مانند نتفلیکس و آمازون استفاده می‌شود و امکان ارائه تجربیات شخصی‌سازی شده به کاربران بر اساس داده‌های تاریخی را فراهم می‌کند.

3. یادگیری عمیق (Deep Learning)

یکی دیگر از اصطلاحات کلیدی هوش مصنوعی یادگیری عمیق است و به نوع خاصی از یادگیری ماشین اشاره دارد که از شبکه‌های عصبی با لایه‌های زیاد برای تجزیه و تحلیل عوامل مختلف داده‌ها استفاده می‌کند. این حوزه در اواسط دهه 2000 به دلیل افزایش قدرت محاسباتی و دسترسی به داده‌های فراوان، به یک زمینه تحقیقاتی مهم تبدیل شد. این فناوری، سیستم‌های تشخیص صدا و برنامه‌های طبقه‌بندی تصاویر را تقویت می‌کند و قابلیت‌های سیستم‌های هوش مصنوعی را به طور قابل توجهی افزایش می‌دهد.

4. شبکه‌های عصبی (Neural Networks)

شبکه‌های عصبی مدل‌های محاسباتی هستند که از ساختار به هم پیوسته نورون‌ها در مغز انسان الهام گرفته‌اند. مفهوم آن‌ها به دهه 1940 برمی‌گردد، اما با پیشرفت‌های یادگیری عمیق در قرن بیست و یکم اهمیت بیشتری یافتند. آن‌ها به طور گسترده در وظایفی مانند تشخیص تصویر و گفتار استفاده می‌شوند و ماشین‌ها را قادر می‌سازند تا ورودی‌های پیچیده داده را به طور موثر پردازش کنند.

5. پردازش زبان طبیعی (Natural Language Processing (NLP))

پردازش زبان طبیعی شاخه‌ای از هوش مصنوعی است که ماشین‌ها را قادر می‌سازد تا زبان انسان را بفهمند، تفسیر کنند و به آن پاسخ دهند. ریشه‌های آن به تلاش‌های اولیه برای ترجمه ماشینی در دهه 1950 برمی‌گردد. فناوری‌های NLP، دستیارهای مجازی مانند سیری و الکسا را ​​قدرتمند می‌سازند و تعاملات بی‌وقفه انسان و رایانه را از طریق درک زبان طبیعی تسهیل می‌کنند.

6. بینایی کامپیوتر (Computer Vision)

بینایی کامپیوتر به ماشین‌ها اجازه می‌دهد تا بر اساس داده‌های بصری از جهان، تفسیر و تصمیم‌گیری کنند. این حوزه از دهه 1960 با تکنیک‌های اولیه پردازش تصویر تکامل یافته و امروزه به یک حوزه حیاتی در هوش مصنوعی تبدیل شده است. کاربردهای آن شامل سیستم‌های تشخیص چهره و وسایل نقلیه خودران است، جایی که تفسیر داده‌های بصری برای عملکرد ضروری است.

7. یادگیری تقویتی (Reinforcement Learning)

یادگیری تقویتی نوعی یادگیری ماشین است که در آن یک عامل با دریافت پاداش یا مجازات برای اقدامات انجام شده، یاد می‌گیرد تصمیم بگیرد. این مفهوم در دهه 1980 توسط محققانی مانند ریچارد ساتن به عنوان بخشی از اصول روانشناسی رفتاری که در الگوریتم‌ها به کار گرفته شد، رسمیت یافت. این روش با موفقیت در رباتیک و سناریوهای بازی استفاده شده است که پیروزی AlphaGo بر قهرمانان انسانی نمونه‌ای از آن است.

8. یادگیری نظارت شده (Supervised Learning)

یادگیری نظارت شده شامل آموزش یک مدل بر روی داده‌های برچسب‌گذاری شده است تا بتواند نتایج را برای داده‌های جدید پیش‌بینی کند. این رویکرد با روش‌های یادگیری آماری در اواخر قرن بیستم، با تمایل سازمان‌ها به راه حل‌های تحلیلی پیش‌بینی‌کننده، محبوبیت یافت. کاربردهای آن شامل سیستم‌های فیلتر ایمیل و الگوریتم‌های تشخیص تقلب است که به مجموعه‌داده‌های تاریخی برچسب‌گذاری شده متکی هستند.

9. یادگیری بدون نظارت (Unsupervised Learning)

یادگیری بدون نظارت با داده‌های بدون برچسب سروکار دارد و به مدل‌ها اجازه می‌دهد تا الگوها را بدون راهنمایی قبلی شناسایی کنند. این روش در کنار یادگیری نظارت شده ظهور کرد، اما در طول توسعه تجزیه و تحلیل خوشه‌بندی در اواخر قرن بیستم اهمیت بیشتری یافت. کاربردهای رایج آن شامل بخش‌بندی مشتریان و تجزیه و تحلیل سبد خرید است، جایی که درک الگوهای ذاتی، استراتژی‌های تجاری را هدایت می‌کند.

10. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)

یادگیری نیمه‌نظارتی داده‌های برچسب‌گذاری شده و بدون برچسب را برای آموزش مدل‌ها ترکیب می‌کند و دقت بهبود یافته را در عین نیاز به داده‌های برچسب‌گذاری شده کمتر نسبت به روش‌های یادگیری نظارت شده سنتی فراهم می‌کند. این رویکرد در اوایل دهه 2000، زمانی که سازمان‌ها با چالش‌های مربوط به مجموعه‌داده‌های برچسب‌گذاری شده محدود برای اهداف آموزشی مواجه بودند، محبوب شد. این روش به ویژه در وظایف طبقه‌بندی تصاویر مفید است، جایی که برچسب‌گذاری هر نمونه می‌تواند از نظر منابع فشرده باشد.

11. شبکه‌های مولد تخاصمی  (GANs)

شبکه‌های مولد تخاصمی (GANs) دسته‌ای از چارچوب‌های یادگیری ماشین هستند که در آن دو شبکه عصبی – یک مولد و یک تمایزگر – برای ایجاد نمونه‌های مصنوعی جدید از داده‌ها با یکدیگر رقابت می‌کنند. GAN‌ها که در سال 2014 توسط یان گودفلو معرفی شدند، تکنیک‌های مدل‌سازی مولد را در حوزه‌های مختلف متحول کرده‌اند. آن‌ها به طور گسترده برای وظایف تولید تصویر، ایجاد ویدئو و بهبود قابلیت‌های وضوح تصویر استفاده می‌شوند.

12. یادگیری انتقالی (Transfer Learning)

یادگیری انتقالی تکنیکی است که در آن یک مدل از پیش آموزش دیده برای یک کار جدید اما مرتبط تطبیق داده می‌شود. این امر به طور قابل توجهی زمان آموزش و الزامات داده را کاهش می‌دهد و در عین حال عملکرد مدل را بهبود می‌بخشد – روشی که در کنار پیشرفت‌های یادگیری عمیق در طول دهه 2010، با تلاش محققان برای یافتن راه‌های کارآمد برای استفاده از مدل‌های موجود برای برنامه‌های کاربردی جدید، مورد توجه قرار گرفت. این روش معمولاً در پردازش زبان طبیعی و بینایی کامپیوتر استفاده می‌شود، جایی که داده‌های برچسب‌گذاری شده ممکن است کمیاب یا پرهزینه باشند.

13. هوش مصنوعی قابل توضیح (Explainable AI (XAI))

هوش مصنوعی قابل توضیح به روش‌هایی اشاره دارد که فرآیندهای تصمیم‌گیری سیستم‌های هوش مصنوعی را برای انسان‌ها قابل درک می‌سازد. این نیاز به شفافیت به طور برجسته در اواخر دهه 2010، زمانی که هوش مصنوعی در زمینه‌های حیاتی مانند بهداشت و درمان و امور مالی که در آن پاسخگویی از اهمیت بالایی برخوردار است، به کار گرفته شد، پدیدار گشت. XAI برای بخش‌هایی که نیاز به قابلیت اطمینان در فرآیندهای تصمیم‌گیری خودکار دارند، بسیار مهم است.

14. سوگیری در هوش مصنوعی (Bias in AI)

سوگیری در هوش مصنوعی به اشتباهات سیستمی ناشی از مفروضات تبعیض‌آمیز در فرآیندهای یادگیری ماشین اشاره دارد که منجر به نتایج ناعادلانه می‌شود. این مسئله از اوایل توسعه هوش مصنوعی شناخته شده است، اما با افزایش استفاده از این سیستم‌ها در حوزه‌های حساسی مانند استخدام یا عدالت کیفری در اواخر دهه 2010 و پس از آن، توجه قابل توجهی را به خود جلب کرده است. پرداختن به سوگیری برای اطمینان از عدالت و برابری در تصمیمات خودکار گرفته شده توسط سیستم‌های هوش مصنوعی ضروری است.

15. بیش‌برازش و کم‌برازش (Overfitting and Underfitting)

بیش‌برازش زمانی رخ می‌دهد که یک مدل نویز داده‌های آموزشی را بیش از حد یاد می‌گیرد، در حالی که کم‌برازش زمانی اتفاق می‌افتد که نتواند روندهای اساسی را به درستی تشخیص دهد. این مفاهیم از ابتدای مدل‌سازی آماری جزء لاینفک آن بوده‌اند، اما با ظهور یادگیری ماشین و تلاش متخصصان برای ساخت مدل‌های پیش‌بینی‌کننده قوی که به خوبی در مجموعه‌داده‌های مختلف تعمیم یابند و نه صرفاً حفظ کردن مثال‌های آموزشی، اهمیت ویژه‌ای پیدا کردند.

16. داده‌کاوی (Data Mining)

داده‌کاوی شامل استخراج الگوها یا دانش ارزشمند از مجموعه‌داده‌های بزرگ با استفاده از تکنیک‌های آماری و محاسباتی است. این اصطلاح به طور برجسته در اواخر دهه 1990 و همزمان با پیشرفت در فناوری‌های پایگاه داده که سازمان‌ها را قادر ساخت تا حجم وسیعی از اطلاعات را به طور موثر برای به دست آوردن بینش در مورد رفتار مصرف‌کننده یا کارایی عملیاتی تجزیه و تحلیل کنند، ظهور کرد.

17. داده‌های بزرگ (Big Data)

داده‌های بزرگ به مجموعه‌داده‌های بسیار عظیمی اطلاق می‌شود که به دلیل حجم، سرعت یا تنوع خود نمی‌توانند با استفاده از برنامه‌های کاربردی سنتی پردازش شوند. این اصطلاح در اوایل دهه 2000 و با شروع جمع‌آوری حجم وسیعی از داده‌ها از منابع مختلف مانند تعاملات رسانه‌های اجتماعی یا دستگاه‌های اینترنت اشیا (IoT) توسط سازمان‌ها، محبوبیت یافت – که منجر به راه حل‌های تحلیلی نوآورانه شد که تصمیم‌گیری‌های استراتژیک را در صنایع مختلف هدایت می‌کند.

18. اینترنت اشیا (Internet of Things (IoT))

اینترنت اشیا به شبکه‌ای از دستگاه‌های به هم پیوسته اطلاق می‌شود که از طریق اینترنت با یکدیگر ارتباط برقرار می‌کنند. IoT که برای اولین بار توسط کوین اشتون در سال 1999 پیشنهاد شد، با پیشرفت در فناوری‌های اتصال از اواسط دهه 2010 به بعد، شتاب گرفته است – و امکان ایجاد دستگاه‌های هوشمند خانگی، مانیتورهای سلامت پوشیدنی، سیستم‌های اتوماسیون صنعتی و موارد دیگر را فراهم کرده است که از طریق تبادل داده‌های بلادرنگ، کارایی را افزایش می‌دهند.

19. اتوماسیون فرآیندهای رباتیک (Robotic Process Automation (RPA))

اتوماسیون فرآیندهای رباتیک از ربات‌های نرم‌افزاری یا “بات‌ها” برای خودکارسازی وظایف تکراری که معمولاً توسط انسان‌ها در تعامل با سیستم‌های دیجیتال انجام می‌شود، استفاده می‌کند. RPA که در اوایل دهه 2000 و با تلاش کسب‌وکارها برای بهبود کارایی از طریق فناوری‌های اتوماسیون ظهور کرد، به ابزاری ضروری برای ساده‌سازی عملیاتی مانند ورود داده‌ها یا پردازش فاکتور در بخش‌های مختلف تبدیل شده است.

20. چت‌بات‌ها (Chatbots)

چت‌بات‌ها برنامه‌های هوش مصنوعی هستند که برای شبیه‌سازی مکالمه با کاربران انسانی از طریق تعاملات متنی یا صوتی طراحی شده‌اند. چت‌بات‌های مدرن که از برنامه ELIZA جوزف وایزنباوم در دهه 1960 منشأ گرفته‌اند، به دلیل پیشرفت در فناوری‌های NLP به طور قابل توجهی تکامل یافته‌اند – و امروزه به طور گسترده برای برنامه‌های خدمات مشتری استفاده می‌شوند که به طور کارآمد و شبانه‌روزی به سوالات پاسخ می‌دهند.

21. سیستم‌های خودمختار (Autonomous Systems)

سیستم‌های خودمختار ماشین‌هایی هستند که با استفاده از فناوری‌های هوش مصنوعی برای ناوبری و تصمیم‌گیری، قادر به انجام وظایف بدون دخالت انسان هستند. توسعه این سیستم‌ها با پیشرفت‌های رباتیک در اواخر قرن بیستم تسریع یافت – نمونه‌هایی از آن شامل خودروهای خودران و پهپادهای مورد استفاده برای خدمات تحویل یا عملیات نظارتی است که نیاز به حداقل نظارت انسانی دارند.

22. هوش مصنوعی عمومی (Artificial General Intelligence (AGI))

هوش مصنوعی عمومی (AGI) از جمله پرتکرارترین اصطلاحات کلیدی هوش مصنوعی است و به سیستم‌های بسیار خودمختاری اطلاق می‌شود که قادرند در اکثر کارهای با ارزش اقتصادی از انسان‌ها بهتر عمل کنند. در حالی که هنوز نظری است – بحث‌ها در مورد AGI از آغاز تحقیقات اولیه هوش مصنوعی در اواسط قرن بیستم ادامه داشته است – در صورت دستیابی موفقیت‌آمیز به آن، پیامدهای بالقوه آن می‌تواند با انجام وظایف پیچیده بدون نظارت انسان، صنایع را متحول کند.

23. محاسبات لبه‌ای (Edge Computing)

محاسبات لبه‌ای شامل پردازش داده‌ها در نزدیکی منبع آن‌ها به جای تکیه صرف بر انبارهای پردازش متمرکز است. این رویکرد که در کنار توسعه اینترنت اشیا (IoT) از اواسط دهه 2010 به بعد مورد توجه قرار گرفته است – تأخیر را کاهش می‌دهد و در عین حال استفاده از پهنای باند را بهینه می‌کند – و آن را برای برنامه‌های کاربردی بلادرنگ مانند مدیریت ترافیک شهر هوشمند یا سیستم‌های نظارت بر بیماران در مراقبت‌های بهداشتی ضروری می‌سازد.

24. اخلاق هوش مصنوعی (AI Ethics)

اخلاق هوش مصنوعی شامل پیامدهای اخلاقی پیرامون توسعه/استقرار هوش مصنوعی است که به مسائلی مانند سوگیری/حریم خصوصی/پاسخگویی/شفافیت می‌پردازد. این موضوع در اواخر دهه 2010 و با افزایش آگاهی سازمان‌ها از ملاحظات اخلاقی ضروری در بخش‌های حیاتی مانند بهداشت و درمان/امور مالی، اهمیت بیشتری یافت – و شیوه‌های استفاده مسئولانه با هدف کاهش آسیب و ترویج عدالت/برابری در تصمیمات خودکار گرفته شده توسط این سیستم‌ها را هدایت می‌کند.

25. هوش مصنوعی در آموزش (AI in Education)

هوش مصنوعی در آموزش به طور خاص به استفاده از فناوری‌های هوش مصنوعی با هدف بهبود روش‌های تدریس/تجربیات یادگیری از طریق مسیرهای شخصی‌سازی شده/سیستم‌های آموزش هوشمند اشاره دارد. ادغام آن در حدود اواسط دهه 2010 و زمانی که موسسات آموزشی به دنبال راه حل‌های نوآورانه برای پاسخگویی به نیازهای متنوع یادگیرندگان بودند، شتاب گرفت – نمونه‌هایی از آن شامل پلتفرم‌های یادگیری تطبیقی ​​است که محتوا را بر اساس عملکرد دانش‌آموز تنظیم می‌کنند، همراه با دستیاران آموزشی مجازی که پشتیبانی بیشتری را در خارج از ساعات کلاس ارائه می‌دهند.

26. مهندسی پرامپت (Prompt Engineering)

مهندسی پرامپت به فرآیند طراحی ورودی‌ها یا دستورالعمل‌های خاص برای دریافت بهترین پاسخ ممکن از یک سیستم هوش مصنوعی اشاره دارد. این امر شامل طراحی دقیق دستورالعمل‌های داده شده به مدل‌های هوش مصنوعی، مانند مدل‌های زبانی بزرگ، برای دستیابی به نتایج مطلوب است. به عنوان مثال، درخواست از ChatGPT برای نوشتن یک ایمیل با لحن و موضوع خاص، نیازمند تکنیک های پرامپت‌ نویسی خاصی است که به خوبی طراحی شده است تا اطمینان حاصل شود خروجی نیازهای کاربر را برآورده می‌کند.

27. مدل‌های انتشار (Diffusion Models)

مدل‌های انتشار الگوریتم‌هایی هستند که در هوش مصنوعی مولد برای ایجاد محتوای جدید و با کیفیت بالا از طریق وارد کردن نویز به داده‌ها و سپس معکوس کردن این فرآیند استفاده می‌شوند. این مدل‌ها به ویژه در تولید تصاویر و فیلم‌ها موثر هستند. آن‌ها با افزودن تدریجی نویز به یک تصویر تا زمانی که به یک توزیع نویز تصادفی تبدیل شود، کار می‌کنند و سپس این فرآیند را معکوس می‌کنند تا تصاویر جدیدی تولید کنند که شبیه داده‌های اصلی هستند. این تکنیک در ابزارهایی مانند Stable Diffusion برای تولید تصویر استفاده می‌شود.

28. هوش مصنوعی عامل‌محور (Agentive AI)

هوش مصنوعی عامل‌محور به سیستم‌های هوش مصنوعی اطلاق می‌شود که از خود عاملیت نشان می‌دهند، به این معنی که می‌توانند به طور خودمختار اهداف و گردش‌های کاری پیچیده را با نظارت مستقیم محدود انسانی دنبال کنند. این سیستم‌ها برای عملکرد مستقل طراحی شده‌اند و بدون نظارت مداوم، تصمیم می‌گیرند و برای دستیابی به اهداف خاص اقدام می‌کنند. هوش مصنوعی عامل‌محور در برنامه‌هایی مانند وسایل نقلیه خودران پیشرفته و رباتیک پیشرفته استفاده می‌شود.

29. یادگیری چندوجهی (Multimodal Learning)

یادگیری چندوجهی به توانایی سیستم‌های هوش مصنوعی در پردازش و ادغام اشکال مختلف داده یا وجه‌ها، مانند متن، تصاویر، صدا و ویدئو اشاره دارد. این رویکرد به مدل‌های هوش مصنوعی اجازه می‌دهد تا درک جامع‌تری از اطلاعات با ترکیب بینش از انواع مختلف داده به دست آورند. یادگیری چندوجهی در برنامه‌هایی مانند تجزیه و تحلیل چندرسانه‌ای، تعامل انسان و رایانه و دستگاه‌های هوشمند خانگی استفاده می‌شود، جایی که ادغام منابع داده مختلف، عملکرد و تجربه کاربر را بهبود می‌بخشد.

30. خودرمزگذارها (Autoencoders)

خودرمزگذارها نوعی شبکه عصبی مصنوعی هستند که عمدتاً برای وظایف یادگیری بدون نظارت استفاده می‌شوند. آن‌ها از دو جزء اصلی تشکیل شده‌اند: یک رمزگذار و یک رمزگشا. رمزگذار داده‌های ورودی را به یک نمایش با ابعاد کمتر به نام گلوگاه یا فضای نهفته فشرده می‌کند، در حالی که رمزگشا داده‌های اصلی را از این شکل فشرده بازسازی می‌کند. خودرمزگذارها برای کاهش ابعاد، تشخیص ناهنجاری و مدل‌سازی مولد مفید هستند. انواع مختلف آن مانند خودرمزگذارهای واریانسی (VAEs) به ویژه برای تولید نمونه‌های داده جدید با نمونه‌برداری از فضای نهفته محبوب هستند.