هوش مصنوعی چیست؟

هوش مصنوعی چیست؟

هوش مصنوعی چیست؟

هوش مصنوعی یا AI شبیه‌سازی فرایندهای هوش انسانی توسط ماشین‌ها، به ویژه سیستم‌های رایانه‌ای است. کاربردهای خاص AI شامل سیستم‌های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین است.

AI به یک بستر از سخت‌افزار و نرم‌افزار تخصصی برای نوشتن و آموزش الگوریتم‌های یادگیری ماشین نیاز دارد. هیچ زبان برنامه‌نویسی به تنهایی با هوش مصنوعی مترادف نیست، اما زبان‌هایی مانند ++Python، R، Java، Cو Julia ویژگی‌های محبوبی در میان توسعه‌دهندگان هوش مصنوعی دارند.

به طور کلی، سیستم‌های AI با خوردن حجم بالایی از داده‌های آموزشی برچسب‌دار، تجزیه و تحلیل داده‌ها برای یافتن همبستگی‌ها و الگوها، و استفاده از این الگوها برای پیش‌بینی وضعیت‌های آینده کار می‌کنند. به این ترتیب، یک چت‌بات تغذیه شده با نمونه متون می‌تواند یاد بگیرد تا مکالماتی طبیعی با انسان‌ها داشته باشد، یا ابزار تشخیص تصویر می‌تواند با بررسی میلیون‌ها نمونه، شیئی را در تصاویر شناسایی و توصیف کند. تکنیک‌های نوپدید هوش مصنوعی تولیدی می‌توانند متن، تصاویر، موسیقی و سایر رسانه‌های واقع‌گرا تولید کنند.

برنامه‌نویسی AI بر مهارت‌های شناختی زیر متمرکز است:

– یادگیری: این جنبه AI بر کسب داده‌ها و ایجاد قوانینی برای تبدیل آن‌ها به اطلاعات قابل‌اجرا متمرکز است. این قوانین که الگوریتم نامیده می‌شوند، به دستگاه‌های محاسباتی دستورالعمل‌های قدم به قدم برای انجام یک وظیفه خاص ارائه می‌دهند.

– استدلال: این جنبه از برنامه‌نویسی AI بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه مطلوب تمرکز دارد.

– خوداصلاحی: این جنبه AI با هدف بهبود مستمر الگوریتم‌ها و تضمین ارائه دقیق‌ترین نتایج ممکن طراحی شده است.

– خلاقیت: این جنبه AI از شبکه‌های عصبی، سیستم‌های مبتنی بر قوانین، روش‌های آماری و سایر تکنیک‌های AI برای تولید تصاویر جدید، متن جدید، موسیقی جدید و ایده‌های جدید استفاده می‌کند.

تفاوت های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

هوش مصنوعی (AI)، یادگیری ماشین و یادگیری عمیق اصطلاحات رایجی در فناوری اطلاعات سازمانی هستند و گاهی اوقات به جای یکدیگر به کار می‌روند، به ویژه توسط شرکت‌ها در مواد بازاریابی خود. اما تفاوت‌هایی وجود دارد. اصطلاح AI که در دهه 1950 مطرح شد، به شبیه‌سازی هوش انسانی توسط ماشین‌ها اشاره دارد. این اصطلاح یک مجموعه در حال تغییر از قابلیت‌ها را پوشش می‌دهد که با توسعه فناوری‌های جدید گسترش می‌یابد. فناوری‌هایی که تحت چتر هوش مصنوعی قرار می‌گیرند که شامل یادگیری ماشین و یادگیری عمیق می‌شوند.

یادگیری ماشین به برنامه‌های نرم‌افزاری اجازه می‌دهد دقت پیش‌بینی نتایج را بدون برنامه‌ریزی صریح برای انجام این کار بهبود بخشند. الگوریتم‌های یادگیری ماشین از داده‌های تاریخی به عنوان ورودی برای پیش‌بینی مقادیر خروجی جدید استفاده می‌کنند. این رویکرد با افزایش مجموعه داده‌های بزرگ برای آموزش به مراتب مؤثرتر شد. یادگیری عمیق که زیرمجموعه‌ای از یادگیری ماشین است، بر اساس درک ما از ساختار مغز استوار است. استفاده یادگیری عمیق از ساختار شبکه عصبی مصنوعی، زیربنای پیشرفت‌های اخیر در AI از جمله خودروهای خودران و ChatGPT است.

اهمیت هوش مصنوعی

اهمیت هوش مصنوعی چیست؟ هوش مصنوعی به دلیل پتانسیل تغییر نحوه زندگی، کار و تفریح ما حائز اهمیت است. AI به طور موثری در کسب و کار برای خودکارسازی وظایف انجام شده توسط انسان ها از جمله کارهای خدمات مشتریان، تولید لید، تشخیص تقلب و کنترل کیفیت به کار گرفته شده است. هوش مصنوعی در تعدادی از حوزه‌ها می‌تواند وظایف را بهتر از انسان‌ها انجام دهد. به ویژه در مورد وظایف تکراری و جزئی، مانند تجزیه و تحلیل تعداد زیادی از اسناد حقوقی برای اطمینان از پر شدن صحیح فیلدهای مرتبط، ابزارهای هوش مصنوعی اغلب به سرعت کار را انجام می‌دهند و خطاهای نسبتاً کمی دارند. AI به دلیل مجموعه داده‌های عظیمی که می‌تواند پردازش کند، می‌تواند به سازمان‌ها بینش‌هایی در مورد عملیات آنها بدهد که ممکن است قبلاً از آن بی‌خبر بوده‌اند. جمعیت در حال گسترش ابزارهای هوش مصنوعی تولیدی، در حوزه‌هایی گسترده ای از آموزش و بازاریابی تا طراحی محصول مهم خواهد بود.

پیشرفت‌ها در تکنیک‌های هوش مصنوعی نه تنها به شتاب بخشیدن بهره‌وری کمک کرده‌اند، بلکه برای برخی شرکت‌های بزرگ‌تر باز کننده درهایی به فرصت‌های کاملاً جدید کسب و کار نیز بوده‌اند. پیش از موج فعلی هوش مصنوعی، استفاده از نرم‌افزار رایانه‌ای برای اتصال سرنشینان به تاکسی تصورناپذیر بود، اما Uber با انجام همین کار تبدیل به یک شرکت فهرست فورچون 500 شده است.

هوش مصنوعی در بسیاری از بزرگترین و موفق‌ترین شرکت‌های امروزی از جمله Alphabet، Apple، Microsoft و Meta به امری محوری تبدیل شده است. در این شرکت‌ها از فناوری‌های هوش مصنوعی برای بهبود عملیات و پیشی گرفتن از رقبا استفاده می‌شود. به عنوان مثال، در شرکت تابعه Alphabet یعنی گوگل، هوش مصنوعی بخش محوری موتور جستجو، خودروهای خودران Waymo و گوگل برین است که معماری شبکه عصبی ترامسفورمر را اختراع کرده‌ است که دستاوردهای اخیر در پردازش زبان طبیعی بر مبنای آن استوارند.

مزایا و معایب هوش مصنوعی

حال باید پرسید مزایا و معایب هوش مصنوعی چیست؟ شبکه‌های عصبی مصنوعی و فناوری‌های یادگیری عمیق هوش مصنوعی به سرعت در حال تکامل هستند، عمدتاً به این دلیل که هوش مصنوعی می‌تواند حجم زیادی از داده‌ها را به مراتب سریع‌تر پردازش کند و پیش‌بینی‌های دقیق‌تری نسبت به امکانات انسانی ارائه دهد.

در حالی که حجم عظیم داده‌های تولیدشده به صورت روزانه، محقق انسانی را خفه می‌کند، برنامه‌های هوش مصنوعی با استفاده از یادگیری ماشین می‌توانند آن داده‌ها را بگیرند و به سرعت به اطلاعاتی برای عمل تبدیل کنند. هم‌اکنون یکی از معایب اصلی هوش مصنوعی این است که پردازش حجم بالای داده‌های مورد نیاز برنامه‌نویسی هوش مصنوعی هزینه‌بر است. با الحاق تکنیک‌های هوش مصنوعی به محصولات و خدمات بیشتر، سازمان‌ها باید به احتمال ایجاد سیستم‌های با سوگیری و تبعیض‌آمیز توسط هوش مصنوعی، به طور عمد یا سهوی، نیز توجه داشته باشند.

مزایای AI

موارد زیر از جمله برخی از مزایای AI هستند:

موفق در کارهای جزئی‌نگر

هوش مصنوعی ثابت کرده‌است که در تشخیص برخی سرطان‌ها از جمله سرطان پستان و ملانوما به اندازه یا بهتر از پزشکان عمل می‌کند.

کاهش زمان انجام کارهای پرداده

هوش مصنوعی به‌طور گسترده‌ای در صنایع پر از داده مانند بانکداری، اوراق بهادار، داروسازی و بیمه برای کاهش زمان تجزیه‌وتحلیل مجموعه‌داده‌های بزرگ به‌کار می‌رود.

صرفه جویی در نیروی انسانی و افزایش بهره‌وری

نمونه‌ای از آن استفاده از اتوماسیون انبارهاست که طی همه‌گیری افزایش یافت و انتظار می‌رود با ادغام هوش مصنوعی و یادگیری ماشین توسعه بیشتری داشته باشد.

نتایجی منسجم ارائه می‌دهد

بهترین ابزارهای ترجمه هوش مصنوعی سطوح بالایی از انسجام را ارائه می‌دهند و حتی به شرکت‌های کوچک امکان می‌دهند تا با مشتریان بومی خود ارتباط برقرار کنند.

می‌تواند رضایت مشتریان را از طریق شخصی‌سازی بهبود بخشد

هوش مصنوعی می‌تواند محتوا، پیام‌ها، تبلیغات، توصیه‌ها و وب‌سایت‌ها را برای هر مشتری‌ای شخصی‌سازی کند.

عامل‌های مجازی مبتنی بر هوش مصنوعی همیشه در دسترس هستند.

برنامه‌های هوش مصنوعی به خواب یا استراحت نیاز ندارند و خدمات 24/7 ارائه می‌دهند.

معایب هوش مصنوعی

معایب هوش مصنوعی چیست؟

معایب زیر از جمله برخی از معایب هوش مصنوعی می‌باشند:

* گران‌قیمت بودن
* نیاز به تخصص عمیق فنی
* محدودیت نیروی کار ماهر برای ساخت ابزارهای هوش مصنوعی
* منعکس‌کننده تعصبات داده‌های آموزشی در مقیاس بزرگ
* فقدان توانایی تعمیم از یک تکلیف به تکلیف دیگر
* حذف شغل‌های انسانی و افزایش نرخ بیکاری

هوش مصنوعی قوی در برابر هوش مصنوعی ضعیف

هوش مصنوعی را می‌توان به دو دسته ضعیف و قوی تقسیم کرد:

هوش مصنوعی ضعیف که به آن هوش مصنوعی باریک هم گفته می‌شود، برای انجام یک تکلیف خاص طراحی و آموزش داده شده‌است. ربات‌های صنعتی و دستیاران شخصی مجازی مانند Siri اپل از هوش مصنوعی ضعیف استفاده می‌کنند.

AI قوی که به آن هوش عمومی مصنوعی (AGI) هم گفته می‌شود، برنامه‌ای توصیف می‌کند که بتواند توانایی‌های شناختی مغز انسان را تقلید کند. هنگام مواجهه با یک تکلیف نا‌آشنا، یک سیستم هوش مصنوعی قوی می‌تواند از منطق فازی برای اعمال دانش از یک حوزه به حوزه دیگر استفاده کند و به طور خودمختار راه حلی بیابد. در تئوری، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم استدلال اتاق چینی را پشت سر بگذارد.

چهار نوع هوش مصنوعی کدامند؟

انواع هوش مصنوعی چیست؟

آرند هینتزه، استادیار دانشکده زیست‌شناسی یکپارچه و علوم کامپیوتر و مهندسی در دانشگاه ایالتی میشیگان، توضیح داد که هوش مصنوعی را می‌توان به چهار دسته تقسیم کرد که با سیستم‌های هوشمند وظیفه‌ای در کاربردهای گسترده امروزی شروع می‌شود و به سیستم‌های هوشیار پیشرفت می‌کند که هنوز وجود ندارند. این دسته‌بندی‌ها به شرح زیر می‌باشند:

نوع 1: ماشین‌های واکنشی

این سیستم‌های هوش مصنوعی فاقد حافظه‌اند و وظیفه‌ای هستند. نمونه‌ای از آن Deep Blue ای بی ام است که در دهه 1990 گری کاسپاروف را شکست داد. Deep Blue می‌تواند مهره‌ها را روی صفحه شطرنج شناسایی کند و پیش‌بینی انجام دهد، اما چون فاقد حافظه است، نمی‌تواند از تجربیات گذشته برای آینده استفاده کند.

نوع 2: حافظه محدود

این سیستم‌های هوش مصنوعی دارای حافظه‌اند، بنابراین می‌توانند از تجربیات گذشته برای تصمیم‌گیری آینده استفاده کنند. برخی از عملکردهای تصمیم‌گیری در خودروهای خودران به همین شکل طراحی شده‌اند.

نوع 3: نظریه ذهن

نظریه ذهن یک اصطلاح روان‌شناسی است. هنگام اعمال بر هوش مصنوعی، به این معناست که سیستم باید هوش اجتماعی لازم برای درک احساسات را داشته باشد. چنین نوع هوش مصنوعی باید بتواند نیت انسان‌ها را استنباط کرده و رفتارشان را پیش‌بینی کند که مهارت ضروری برای تبدیل شدن سیستم‌های هوش مصنوعی به اعضای جامعه انسانی است.

نوع 4: خودآگاهی

در این دسته، سیستم‌های هوش مصنوعی حس خودآگاهی دارند که به آن‌ها هوشیاری می‌دهد. ماشین‌هایی با خودآگاهی وضعیت فعلی خود را درک می‌کنند. چنین نوعی از هوش مصنوعی هنوز وجود ندارد.

نمونه‌هایی از فناوری هوش مصنوعی و کاربردهای امروزی آن چیست؟

انواع فناوری هوش مصنوعی چیست؟

هوش مصنوعی در انواع مختلفی از فناوری‌ها تعبیه شده است. ۷ نمونه زیر را می‌توان نام برد:

اتوماسیون

هنگامی که ابزار اتوماسیون با فناوری‌های هوش مصنوعی جفت می‌شوند، می‌توانند حجم و انواع تکالیف انجام شده را گسترش دهند. نمونه‌ای از آن ربات فرآیندهای خودکار است که نوعی نرم‌افزار است و وظایف تکراری و مبتنی بر قوانین پردازش داده‌ها را که به شکل سنتی توسط انسان‌ها انجام می‌شد، خودکار می‌کند. ربات‌های فرآیندی هنگامی‌که با یادگیری ماشین و ابزارهای نوپدید هوش مصنوعی ترکیب شوند، می‌توانند بخش‌های بزرگ‌تری از شغل‌ها را خودکار کنند و قابلیت دارند هوشمندی را از هوش مصنوعی دریافت کرده و به تغییرات فرایند واکنش نشان دهند.

یادگیری ماشین

این علم به دست آوردن رفتار از رایانه بدون برنامه‌نویسی است. یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که به بیان ساده می‌توان آن را خودکارسازی تحلیل‌های پیش‌بینانه در نظر گرفت. سه نوع الگوریتم یادگیری ماشین وجود دارد:

– یادگیری تحت‌نظارت: مجموعه‌داده‌ها برچسب‌گذاری می‌شوند تا الگوها شناسایی و برای برچسب‌گذاری مجموعه‌داده‌های جدید مورد استفاده قرار گیرند.

– یادگیری بدون‌نظارت: مجموعه‌داده‌ها برچسب‌گذاری نمی‌شوند و بر اساس شباهت‌ها یا تفاوت‌ها دسته‌بندی می‌شوند.

– یادگیری تقویتی: مجموعه‌داده‌ها برچسب‌گذاری نمی‌شوند، اما پس از انجام یک عمل یا چند عمل، به سیستم AI بازخورد داده می‌شود.

بینایی ماشین

این فناوری به ماشین توانایی دیدن می‌دهد. بینایی ماشین، اطلاعات دیداری را با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال ضبط و تجزیه و تحلیل می‌کند. اغلب آن را با بینایی انسان مقایسه می‌کنند، اما بینایی ماشین محدود به زیست‌شناسی نیست و می‌تواند برنامه‌ریزی شود تا از داخل دیوارها را ببیند. در محدوده‌ای از کاربردها از شناسایی امضا گرفته تا تجزیه و تحلیل تصویر پزشکی به‌کار می‌رود. بینایی رایانه‌ای که متمرکز بر پردازش تصویر مبتنی بر ماشین است، اغلب با بینایی ماشین اشتباه گرفته می‌شود.

پردازش زبان طبیعی

این پردازش زبان انسان توسط یک برنامه رایانه‌ای است. یکی از قدیمی‌ترین و شناخته‌شده‌ترین نمونه‌های پردازش زبان طبیعی، تشخیص هرزنامه است که عنوان و متن ایمیل را بررسی می‌کند و تصمیم می‌گیرد که آیا زباله است یا خیر. رویکردهای فعلی پردازش زبان طبیعی بر پایه یادگیری ماشین استوارند. تکالیف پردازش زبان طبیعی شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.

رباتیک

این شاخه مهندسی بر طراحی و ساخت ربات‌ها متمرکز است. اغلب از ربات‌ها برای انجام تکالیفی استفاده می‌شود که انجام آن برای انسان‌ها دشوار است یا به‌طور مداوم انجام می‌شود. به‌عنوان مثال، در خطوط مونتاژ خودروسازی یا توسط ناسا برای جابجایی اشیای بزرگ در فضا از ربات‌ها استفاده می‌شود. محققان همچنین با استفاده از یادگیری ماشین، ربات‌هایی می‌سازند که بتوانند در محیط‌های اجتماعی تعامل داشته باشند.

خودروهای خودران

خودروهای خودمختار از ترکیبی از بینایی رایانه‌ای، تشخیص تصویر و یادگیری عمیق برای رانندگی خودکار خودرو در حالی‌که در باند تعریف‌شده باقی می‌مانند و از موانع غیرمنتظره مانند عابران پیاده اجتناب می‌کنند، استفاده می‌کنند.

تولید متن، تصویر و صدا

تکنیک‌های هوش مصنوعی تولیدی که انواع رسانه را از رهنمودهای متنی می‌سازند، به‌طور گسترده‌ای در سراسر کسب‌وکارها به‌کار گرفته می‌شوند تا محدوده‌ای به‌نظر نامحدود از انواع محتوا از هنر بسیار واقع‌گرایانه تا پاسخ ایمیل و فیلم‌نامه تولید کنند.

کاربردهای هوش مصنوعی

کاربردهای هوش مصنوعی چیست؟

هوش مصنوعی راه خود را به بازارهای متنوعی باز کرده است. ۱۱ نمونه زیر را می‌توان نام برد:

هوش مصنوعی در مراقبت‌های بهداشتی:

بزرگترین شرط‌بندی‌ها بر روی بهبود نتایج بیمار و کاهش هزینه‌ها است. شرکت‌ها در حال اعمال یادگیری ماشین برای ارائه تشخیص‌های پزشکی سریع‌تر و بهتر از انسان هستند. یکی از شناخته‌شده‌ترین فناوری‌های مراقبت‌های بهداشتی، آی‌بی‌ام واتسون است. این سیستم زبان طبیعی را درک می‌کند و می‌تواند به سؤالاتی که از آن پرسیده می‌شود، پاسخ دهد. سیستم با بهره‌برداری از داده‌های بیمار و سایر منابع داده‌ای در دسترس، فرضیه‌ای مطرح می‌کند و سپس آن را با طرح رتبه‌بندی اطمینان ارائه می‌دهد. سایر کاربردهای هوش مصنوعی شامل استفاده از دستیاران مجازی و چت‌بات‌های بهداشتی برای کمک به بیماران و مشتریان مراقبت‌های بهداشتی برای یافتن اطلاعات پزشکی، ثبت نام وقت، درک فرایند صورتحساب و انجام سایر فرایندهای اداری است. مجموعه‌ای از فناوری‌های هوش مصنوعی نیز برای پیش‌بینی، مبارزه و درک همه‌گیری‌هایی مانند کووید-۱۹ به‌کار گرفته می‌شود.

هوش مصنوعی در کسب‌وکار

الگوریتم‌های یادگیری ماشین در حال ادغام در بستر تحلیل و مدیریت ارتباط با مشتری هستند تا اطلاعاتی در مورد نحوه ارائه بهتر خدمات به مشتریان به دست آورند. چت‌بات‌ها در وب‌سایت‌ها تعبیه شده‌اند تا خدمات فوری به مشتریان ارائه کنند. انتظار می‌رود پیشرفت سریع فناوری هوش مصنوعی تولیدی مانند ChatGPT پیامدهای دورودستی داشته باشد: حذف شغل‌ها، انقلابی در طراحی محصول و بر هم زدن مدل‌های کسب و کار.

هوش مصنوعی در آموزش

هوش مصنوعی می‌تواند فرایند درجه‌دهی را خودکار کند و به این ترتیب زمان بیشتری را برای انجام سایر وظایف در اختیار معلمان قرار دهد. AI می‌تواند دانش‌آموزان را ارزیابی و بر اساس نیازهای آنها سازگار شود و به آنها کمک کند در سرعت خودشان پیش بروند. معلمان مجازی هوشمند می‌توانند پشتیبانی اضافی به دانش‌آموزان ارائه کنند تا اطمینان حاصل شود که در مسیر درست هستند. این فناوری همچنین می‌تواند محل و نحوه یادگیری دانش‌آموزان را تغییر دهد و حتی برخی معلمان را جایگزین کند. همان‌طور که ChatGPT، گوگل برد و سایر مدل‌های زبانی بزرگ نشان داده‌اند، AI تولیدی می‌تواند به معلمان در تدوین دروس و سایر مواد آموزشی و مشارکت بیشتر دانش‌آموزان کمک کند. ظهور این ابزارها معلمان را وادار می‌کند مجدداً در مورد تکالیف و آزمون‌های دانش‌آموزی و خط‌مشی‌های کپی‌برداری بیندیشند.

هوش مصنوعی در مالی

هوش مصنوعی در برنامه‌های مالی شخصی مانند Intuit Mint یا TurboTax، موسسات مالی را دچار دگرگونی کرده است. این برنامه‌ها داده‌های شخصی جمع‌آوری می‌کنند و مشاوره‌های مالی ارائه می‌دهند. سایر برنامه‌ها از جمله IBM Watson نیز برای فرایند خرید خانه به‌کار گرفته شده‌اند. امروزه نرم‌افزارهای هوش مصنوعی بخش عمده‌ای از معاملات در وال‌استریت را انجام می‌دهند.

هوش مصنوعی در حقوق

فرایند کاوش – مرور اسناد – در حقوق اغلب برای انسان‌ها راه گم‌کن است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرایندهای پرزحمت صنعت حقوق، زمان ذخیره می‌کند و خدمات به مشتری را بهبود می‌بخشد. شرکت‌های حقوقی از یادگیری ماشین برای توصیف داده‌ها و پیش‌بینی نتایج، بینایی رایانه‌ای برای دسته‌بندی و استخراج اطلاعات از اسناد، و پردازش زبان طبیعی برای تفسیر درخواست‌های اطلاعاتی بهره می‌برند.

هوش مصنوعی در رسانه‌ها و سرگرمی

صنعت سرگرمی از تکنیک‌های AI برای تبلیغات هدفمند، توصیه محتوا، توزیع، تشخیص تقلب، نوشتن فیلم‌نامه و ساخت فیلم استفاده می‌کند. روزنامه‌نگاری خودکار به خبرگزاری‌ها کمک می‌کند تا فرایندهای رسانه‌ای را بهینه کرده و زمان، هزینه و پیچیدگی را کاهش دهند. خبرگزاری‌ها از AI برای خودکارسازی وظایف تکراری مانند ورود داده و ویراستاری؛ و تحقیق در مورد موضوعات و کمک به تیترها استفاده می‌کنند. این‌که چگونه روزنامه‌نگاری می‌تواند به شیوه‌ای قابل‌اعتماد از ChatGPT و سایر ابزارهای هوش مصنوعی تولیدی برای تولید محتوا بهره ببرد، هنوز زیر سؤال است.

هوش مصنوعی در برنامه‌نویسی و فرایندهای فناوری اطلاعات

ابزارهای جدید تولید محتوای هوش مصنوعی می‌توانند بر اساس درخواست‌های زبان طبیعی کد برنامه تولید کنند، اما این ابزارها همچنان در ابتدای راه قرار دارند و بعید است در آینده نزدیک مهندسان نرم‌افزاری را جایگزین کنند. همچنین از AI برای خودکارسازی بسیاری از فرایندهای فناوری اطلاعات از جمله ورود داده‌ها، تشخیص تقلب، خدمات مشتریان، نگهداری و امنیت پیشگیرانه استفاده می‌شود.

امنیت

هوش مصنوعی و یادگیری ماشین در بالای فهرست واژگان رایجی قرار دارند که توسط ارائه‌دهندگان امنیتی برای بازاریابی محصولاتشان به‌کار می‌رود، بنابراین خریداران باید با احتیاط عمل کنند. با این حال، تکنیک‌های AI به‌طور موفقیت‌آمیزی بر جنبه‌های مختلف امنیت سایبری از جمله تشخیص ناهنجاری‌ها، حل مشکل هشدارهای غلط و انجام تحلیل رفتاری تهدیدات اعمال می‌شوند. سازمان‌ها از یادگیری ماشین در نرم‌افزارهای مدیریت اطلاعات و رویدادهای امنیتی و حوزه‌های مرتبط به منظور تشخیص ناهنجاری‌ها و شناسایی فعالیت‌های مشکوک که نشان‌دهنده تهدیدات هستند، استفاده می‌کنند. AI با تجزیه و تحلیل داده‌ها و استفاده از منطق برای شناسایی شباهت‌ها به کدهای مخرب شناخته شده، می‌تواند هشدارهایی را در مورد حملات جدید و نوظهور بسیار سریع‌تر از کارمندان انسانی و نسل‌های قبلی فناوری ارائه کند.

هوش مصنوعی در تولید

تولید پیشتاز ادغام ربات‌ها در فرایند کاری بوده است. به عنوان مثال، ربات‌های صنعتی که در یک زمان برای انجام تکالیف تکی برنامه‌ریزی می‌شدند و از کارگران انسانی جدا بودند، اکنون رو به افزایش به عنوان همکاران انسان عمل می‌کنند: ربات‌های کوچک‌تر چندمنظوره که با انسان‌ها همکاری کرده و مسئولیت بیشتری از کار در انبارها، کارخانه‌ها و سایر محیط‌های کاری برعهده می‌گیرند.

هوش مصنوعی در بانک‌داری

بانک‌ها به‌طور موفقیت‌آمیز از چت‌بات‌ها برای آگاه کردن مشتریان از خدمات و پیشنهادات و انجام معاملاتی که نیازی به مداخله انسان ندارند، استفاده می‌کنند. از دستیاران مجازی هوشمند برای بهبود و کاهش هزینه‌های رعایت مقررات بانکی بهره گرفته می‌شود. سازمان‌های بانکی از AI برای بهبود تصمیم‌گیری در زمینه وام‌دهی، تعیین سقف اعتباری و شناسایی فرصت‌های سرمایه‌گذاری استفاده می‌کنند.

هوش مصنوعی در حمل‌ونقل

علاوه بر نقش اساسی AI در کنترل خودروهای خودران، از فناوری‌های AI در حمل‌ونقل برای مدیریت ترافیک، پیش‌بینی تأخیر پرواز و ایمن‌تر و کارآمدتر کردن حمل‌ونقل دریایی استفاده می‌شود. در زنجیره‌های تأمین، AI در حال جایگزینی روش‌های سنتی پیش‌بینی تقاضا و اختلالات است که این روند با همه‌گیری کووید-19 سرعت گرفت، زیرا بسیاری از شرکت‌ها از اثرات یک همه‌گیری جهانی بر عرضه و تقاضای کالا غافلگیر شدند.

هوش افزایشی در برابر هوش مصنوعی

برخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی بیش از حد به فرهنگ عامه مرتبط است که باعث شده تا عموم مردم انتظارات غیرواقعی در مورد تأثیر هوش مصنوعی بر محل کار و زندگی به طور کلی داشته باشند. آنها پیشنهاد کرده‌اند که از اصطلاح هوش افزایشی برای تمایز قائل شدن بین سیستم‌های هوش مصنوعی که به طور مستقل عمل می‌کنند — مانند Hal 9000 و Terminator در فرهنگ عامه — و ابزارهای هوش مصنوعی که انسان‌ها را پشتیبانی می‌کنند، استفاده شود.

هوش افزایشی

برخی از محققان و بازاریابان امیدوارند که برچسب “هوش افزایشی” که دارای بار معنایی خنثی‌تری است، به مردم کمک کند تا درک کنند که اکثر پیاده‌سازی‌های هوش مصنوعی ضعیف بوده و صرفاً محصولات و خدمات را بهبود می‌بخشند. نمونه‌های آن شامل به طور خودکار سطح‌بندی اطلاعات مهم در گزارش‌های هوش تجاری یا برجسته کردن اطلاعات مهم در سندهای حقوقی است. استقبال سریع از ChatGPT و Bard در صنایع مختلف نشان‌دهنده تمایل به استفاده از هوش مصنوعی برای حمایت از تصمیم‌گیری انسانی است.

هوش مصنوعی

هوش مصنوعی واقعی یا AGI به شدت با مفهوم تکامل فناوری مرتبط است — آینده‌ای که توسط یک ابرهوش مصنوعی اداره می‌شود که به مراتب از توانایی مغز انسان در درک آن یا اینکه چگونه واقعیت ما را شکل می‌دهد، فراتر است. این همچنان در حیطه علم تخیلی باقی مانده است، اگرچه برخی از توسعه دهندگان در حال کار روی این مسئله هستند. بسیاری معتقدند که فناوری‌هایی مانند محاسبات کوانتومی می‌تواند نقش مهمی در تبدیل AGI به واقعیت داشته باشد و ما باید استفاده از اصطلاح هوش مصنوعی را برای این نوع هوش عمومی محفوظ نگه داریم.

استفاده اخلاقی از هوش مصنوعی

استفاده اخلاقی از هوش مصنوعی چیست؟

در حالی که ابزارهای هوش مصنوعی مجموعه ای از قابلیت های جدید را برای کسب و کارها ارائه می دهند، استفاده از هوش مصنوعی نیز سوالات اخلاقی را مطرح می کند زیرا، خواه به خیر و خواه به شر، یک سیستم هوش مصنوعی آنچه را که قبلا یاد گرفته است تقویت خواهد کرد.

این می تواند مشکل ساز باشد زیرا الگوریتم های یادگیری ماشین که بسیاری از پیشرفته ترین ابزارهای هوش مصنوعی بر مبنای آنها استوارند، تنها به اندازه داده هایی که در آموزش دیده اند، هوشمند هستند. از آنجا که یک انسان داده هایی را که برای آموزش یک برنامه هوش مصنوعی استفاده می شود انتخاب می کند، پتانسیل سوگیری یادگیری ماشین ذاتی است و باید از نزدیک نظارت شود.

هر کسی که قصد استفاده از یادگیری ماشین به عنوان بخشی از سیستم های واقعی و تولیدی را دارد، نیاز دارد که اخلاق را در فرایندهای آموزش هوش مصنوعی خود محاسبه کند و تلاش نماید تا از سوگیری اجتناب کند. این به ویژه زمانی حقیقت دارد که از الگوریتم های هوش مصنوعی استفاده می شود که ذاتا در یادگیری عمیق و کاربردهای شبکه های تخاصمی تولیدی غیر قابل توضیح هستند.

توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت الزامات رعایت مقررات سختگیرانه ای عمل می کنند. به عنوان مثال، مؤسسات مالی در ایالات متحده تحت مقرراتی عمل می کنند که از آنها می خواهد تصمیمات صدور اعتبار خود را توضیح دهند. اما وقتی تصمیم برای رد اعتبار توسط برنامه های هوش مصنوعی اتخاذ می شود، توضیح اینکه چگونه به این تصمیم رسیده اند می تواند دشوار باشد زیرا ابزارهای هوش مصنوعی مورد استفاده برای چنین تصمیم گیری هایی با شناسایی همبستگی های ظریف بین هزاران متغیر عمل می کنند. وقتی فرایند تصمیم گیری قابل توضیح نباشد، ممکن است به برنامه به عنوان هوش مصنوعی جعبه سیاه اشاره شود.

خلاصه ای از چالش های اخلاقی هوش مصنوعی عبارتند از:

-سوگیری ناشی از الگوریتم های نادرست آموزش دیده و سوگیری انسانی

-سوء استفاده ناشی از جعل عمیق و فیشینگ

-نگرانی های حقوقی از جمله افترای هوش مصنوعی و مسائل حق نشر

-حذف شغل ها به دلیل افزایش توانایی های هوش مصنوعی

-نگرانی در مورد حریم خصوصی داده ها، به ویژه در زمینه های بانکداری، بهداشت و درمان و حقوق

با وجود ریسک‌های بالقوه، در حال حاضر مقررات اندکی برای استفاده از ابزارهای هوش مصنوعی وجود دارد و در مواردی که قوانینی وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. به عنوان مثال، همان‌طور که قبلاً اشاره شد، مقررات اعطای وام عادلانه ایالات متحده از مؤسسات مالی می‌خواهد که تصمیمات اعتباری خود را به مشتریان بالقوه توضیح دهند. این محدودیت‌هایی را برای میزان استفاده وام ‌دهندگان از الگوریتم‌های یادگیری عمیق که به طور ذاتی ناشفاف و فاقد توضیح‌پذیری هستند، ایجاد می‌کند.

اتحادیه اروپا در حال بررسی مقررات هوش مصنوعی تحت مقررات حفاظت از داده‌های عمومی (GDPR) است. محدودیت‌های سختگیرانه GDPR در مورد نحوه استفاده شرکت‌ها از داده‌های مصرف‌کننده از قبل آموزش و عملکرد بسیاری از کاربردهای هوش مصنوعی رو به مصرف‌کننده را محدود می‌کند.

سیاست‌گذاران در ایالات متحده هنوز قانون هوش مصنوعی صادر نکرده‌اند، اما این ممکن است به ‌زودی تغییر کند. “طرحی برای منشور حقوق هوش مصنوعی” که در اکتبر ۲۰۲۲ توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) منتشر شد، شرکت‌ها را در مورد چگونگی اجرای سیستم‌های هوش مصنوعی اخلاقی راهنمایی می‌کند. اتاق بازرگانی ایالات متحده نیز در گزارشی که در مارس ۲۰۲۳ منتشر شد، خواستار مقررات هوش مصنوعی شد.

تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل مجموعه‌ای از فناوری‌هاست که شرکت‌ها برای اهداف مختلف از آن استفاده می‌کنند و تا حدی به این دلیل که مقررات می‌تواند به قیمت پیشرفت و توسعه هوش مصنوعی باشد. تکامل سریع فناوری‌های هوش مصنوعی یکی دیگر از موانع تشکیل مقررات معنادار هوش مصنوعی است، همانطور که چالش‌های ناشی از عدم شفافیت هوش مصنوعی که دشواری در دیدن نحوه دستیابی الگوریتم‌ها به نتایج خود را ایجاد می‌کند. علاوه بر این، پیشرفت‌های فناوری و کاربردهای جدید مانند ChatGPT و Dall-E می‌توانند قوانین موجود را بلافاصله منسوخ کنند. و البته، قوانینی که دولت‌ها موفق می‌شوند برای تنظیم هوش مصنوعی وضع کنند، از جرم‌هایی که مجرمان با قصد سوءاستفاده از فناوری انجام می‌دهند، جلوگیری نمی‌کند.

تاریخچه هوش مصنوعی

مفهوم اشیاء بی‌جان مجهز به هوش از دیرباز وجود داشته است. خدای یونانی هفستوس در اساطیر به عنوان سازنده خدمتکارانی شبیه ربات از طلا توصیف شده است. مهندسان در مصر باستان مجسمه‌هایی از خدایان ساختند که توسط کاهنان به حرکت درمی‌آمدند. در طول قرون، متفکران از ارسطو گرفته تا الول الهی‌دان قرن سیزدهم اسپانیایی، رنه دکارت و توماس بیز از ابزارها و منطق زمان خود برای توصیف فرایندهای فکری انسان به عنوان نمادها استفاده کردند که پایه و اساس مفاهیمی هوش مصنوعی همچون نمایش دانش عمومی را پی‌ریزی نمود.

اواخر قرن نوزدهم و نیمه اول قرن بیستم کار بنیادینی را به وجود آورد که منجربه ظهور رایانه مدرن شد. در سال ۱۸۳۶ میلادی، چارلز بابیج ریاضی‌دان دانشگاه کمبریج و آگوستا آدا کینگ، کنتس لاولیس، اولین طرح برای یک ماشین قابل برنامه‌ریزی را اختراع کردند.

دهه ۱۹۴۰ میلادی

جان فون نویمن، ریاضی‌دان پرینستون، معماری ذخیره‌سازی برنامه‌ریزی رایانه را متصور شد – ایده اینکه برنامه رایانه و داده‌هایی که پردازش می‌کند می‌تواند در حافظه رایانه نگهداری شود. و وارن مک‌کالوک و والتر پیتز پایه و اساس شبکه‌های عصبی را پی‌ریزی کردند.

دهه ۱۹۵۰ میلادی

با ظهور رایانه‌های مدرن، دانشمندان توانستند ایده‌های خود در مورد هوش ماشین را آزمایش کنند. یکی از روش‌های تعیین اینکه آیا یک رایانه دارای هوش است یا خیر، توسط آلن تورینگ، ریاضی‌دان بریتانیایی و متخصص رمزگشایی در جنگ جهانی دوم، ابداع شد. آزمون تورینگ بر توانایی رایانه در فریب مصاحبه کنندگان به باور اینکه پاسخ به سوالات آنها توسط انسان داده شده است، متمرکز بود.

۱۹۵۶ میلادی

رشته مدرن هوش مصنوعی به طور گسترده‌ای از این سال طی یک کنفرانس تابستانی در دانشگاه دارتموث آغاز شده‌است. این کنفرانس با حمایت آژانس پیشرفته پروژه‌های تحقیقاتی دفاعی (DARPA) برگزار و توسط ۱۰ نابغه در این زمینه شامل پیشگامان هوش مصنوعی ماروین مینسکی، اولیور سلفریج و جان مک‌کارتی، کسی که ابداع اصطلاح “هوش مصنوعی” به او نسبت داده می‌شود، برگزار شد. همچنین در این کنفرانس آلن نیوول، دانشمند علوم رایانه و هربرت آ.سایمون، اقتصاددان، جامعه‌شناس و روان‌شناس شناختی حضور داشتند. آنها منطق‌دان پایه‌گذار خود را که یک برنامه رایانه‌ای قادر به اثبات برخی قضایای ریاضی بود و به عنوان اولین برنامه هوش مصنوعی یاد می‌شد، ارائه کردند.

دهه 1950 و 1960 میلادی

در پی برگزاری کنفرانس دانشگاه دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش‌بینی کردند که هوش مصنوعی معادل مغز انسان در آستانه ظهور است، که باعث جلب حمایت گسترده دولتی و صنعتی شد. در واقع، تقریباً 20 سال تحقیقات بنیادین خوب تأمین شده منجر به پیشرفت قابل توجهی در هوش مصنوعی شد: به عنوان مثال، در اواخر دهه 1950 میلادی، نیوول و سایمون الگوریتم حل مسئله کلی (GPS) را منتشر کردند که اگرچه در حل مسائل پیچیده ناکام بود اما پایه و اساس توسعه معماری شناختی پیچیده‌تر را پی‌ریزی نمود؛ و مک‌کارتی زبان برنامه‌نویسی لیسپ را برای برنامه‌نویسی هوش مصنوعی توسعه داد که همچنان امروزه نیز مورد استفاده است. در اواسط دهه 1960 میلادی، جوزف وایزنبائوم استاد MIT برنامه ELIZA را توسعه داد، یک برنامه اولیه پردازش زبان طبیعی که پایه و اساس چت‌بات‌های امروزی را بنا نهاد.

دهه 1970 و 1980 میلادی

دستیابی به هوش مصنوعی کلی مشکل‌تر از آنچه انتظار می‌رفت بود و با محدودیت‌های پردازش و حافظه رایانه‌ای و پیچیدگی مسئله مواجه شد. دولت‌ها و شرکت‌ها از حمایت تحقیقات هوش مصنوعی دست کشیدند که منجر به دوره‌ای طولانی از سال 1974 تا 1980 شد که به عنوان اولین “زمستان هوش مصنوعی” شناخته می‌شود. در دهه 1980 میلادی، تحقیق بر روی تکنیک‌های یادگیری عمیق و اقبال صنعت به سیستم‌های خبره ادوارد فایگنباوم موج جدیدی از شور و اشتیاق نسبت به هوش مصنوعی را برانگیخت، که تنها با یک سقوط دیگر در حمایت مالی دولت و صنعت دنبال شد. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 میلادی ادامه داشت.

دهه 1990 میلادی

افزایش قدرت محاسباتی و انفجار داده‌ها منجر به رونق مجدد هوش مصنوعی در اواخر دهه 1990 شد که زمینه‌ساز پیشرفت‌های قابل توجه هوش مصنوعی امروز بود. ترکیب داده‌های بزرگ و افزایش قدرت محاسباتی منجر به پیشرفت‌هایی در زمینه پردازش زبان طبیعی، بینایی رایانه‌ای، رباتیک، یادگیری ماشین و یادگیری عمیق شد. در سال 1997 میلادی، با تسریع پیشرفت‌های هوش مصنوعی، Deep Blue شرکت آی‌بی‌ام گری کاسپاروف، استاد بزرگ شطرنج روسیه را شکست داد و اولین برنامه رایانه‌ای شد که قهرمان جهانی شطرنج را مغلوب کرد.

دهه 2000 میلادی

پیشرفت‌های بیشتر در یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی، شناسایی گفتار و بینایی رایانه‌ای منجر به تولید محصولات و خدماتی شده‌ است که نحوه زندگی ما امروز را شکل داده‌اند. از جمله اینها می‌توان به راه‌اندازی موتور جستجوی گوگل در سال 2000 و موتور توصیه‌گر آمازون در سال 2001 اشاره کرد. نتفلیکس سیستم توصیه‌گر برای فیلم‌ها را توسعه داد، فیس‌بوک سیستم شناسایی چهره خود را معرفی کرد و مایکروسافت سیستم شناسایی گفتار خود برای تبدیل گفتار به متن را راه‌اندازی کرد. آی‌بی‌ام واتسون را راه‌اندازی کرد و گوگل شروع به ابتکار عمل خودروهای خودران وایمو نمود.

دهه 2010 میلادی

دهه بین 2010 تا 2020 میلادی شاهد جریان مداومی از پیشرفت‌های هوش مصنوعی بود. از جمله اینها می‌توان به راه‌اندازی دستیاران صوتی سیری اپل و الکسای آمازون؛ پیروزی‌های واتسون آی‌بی‌ام در مسابقه جوپردی؛ خودروهای خودران؛ توسعه اولین شبکه تخاصمی تولیدی؛ راه‌اندازی تنسورفلو چارچوب متن‌باز یادگیری عمیق گوگل؛ بنیان‌گذاری آزمایشگاه تحقیقاتی اپن‌ای‌آی توسعه دهنده مدل زبان GPT-3 و مولد تصویر دال-ایی؛ شکست قهرمان جهانی بازی گو توسط آلفاگوی دیپ‌مایند گوگل؛ و پیاده‌سازی سیستم‌های مبتنی بر هوش مصنوعی که سرطان‌ها را با دقت بالا تشخیص می‌دهند، اشاره کرد.

دهه 2020 میلادی

دهه فعلی شاهد ظهور هوش مصنوعی تولیدی بوده است، نوعی فناوری هوش مصنوعی که می‌تواند محتوای جدید تولید کند. هوش مصنوعی تولیدی از یک دستور شروع می‌شود که می‌تواند به صورت متن، تصویر، ویدیو، طراحی، نت‌های موسیقی یا هر ورودی قابل پردازش برای سیستم هوش مصنوعی باشد. سپس الگوریتم‌های مختلف هوش مصنوعی به دستور پاسخ داده و محتوای جدید ایجاد می‌کنند. محتوا می‌تواند شامل مقاله، راه حل مسائل یا جعل واقع‌گرایانه‌ای از عکس‌ها یا صدای یک شخص باشد. توانایی‌های مدل‌های زبانی مانند چت جی‌پی‌تی-3، بارد گوگل و مگاترون-تورینگ ان‌ال‌جی مایکروسافت جهان را شگفت‌زده کرده‌اند، اما این فناوری همچنان در مراحل اولیه قرار دارد، همان‌طور که تمایل آن به توهُم یا انحراف پاسخ‌ها نشان می‌دهد.

ابزارها و خدمات هوش مصنوعی

ابزارها و خدمات هوش مصنوعی با سرعت زیادی در حال تکامل هستند. نوآوری‌های فعلی در ابزارها و خدمات هوش مصنوعی را می‌توان به شبکه عصبی AlexNet در سال 2012 نسبت داد که عصر جدیدی از هوش مصنوعی با کارایی بالا مبتنی بر پردازنده‌های گرافیکی و مجموعه داده‌های بزرگ را آغاز کرد. تغییر کلیدی، توانایی آموزش شبکه‌های عصبی روی حجم عظیمی از داده‌ها در میان هسته‌های موازی چندگانه پردازنده گرافیکی به شیوه‌ای مقیاس‌پذیرتر بود.

طی چند سال گذشته، رابطه هم‌افزایی بین کشفیات هوش مصنوعی در گوگل، مایکروسافت و اپن‌ای‌آی و نوآوری‌های سخت‌افزاری که توسط انویدیا پایه‌ریزی شده‌اند، امکان اجرای مدل‌های هوش مصنوعی هر چه بزرگ‌تر را روی پردازنده‌های گرافیکی متصل بیشتر فراهم کرده‌اند که منجر به بهبود تحول‌آفرین در عملکرد و مقیاس‌پذیری شده است.

همکاری بین این دانشمندان برجسته هوش مصنوعی برای موفقیت اخیر چت جی‌پی‌تی حیاتی بوده است، بدون ذکر ده‌ها خدمات هوش مصنوعی دیگر. در ادامه به طور خلاصه به مهم‌ترین نوآوری‌ها در ابزارها و خدمات هوش مصنوعی اشاره می‌کنیم.

تراگونه‌ها (Transformers)

به عنوان مثال، گوگل پیشگام در یافتن فرایند کارامدتری برای ارائه آموزش هوش مصنوعی در سراسر مجموعه بزرگی از رایانه‌های ارزان قیمت با پردازنده گرافیکی بود. این مسیر را برای کشف تراگونه‌ها که بسیاری از جنبه‌های آموزش هوش مصنوعی را بر روی داده‌های برچسب‌نخورده اتوماتیک می‌کند، هموار نمود.

بهینه‌سازی سخت‌افزار

همان‌قدر مهم، فروشندگان سخت‌افزار مانند انویدیا نیز میکروکد را برای اجرای موازی در میان هسته‌های چندگانه پردازنده گرافیکی برای محبوب‌ترین الگوریتم‌ها بهینه می‌کنند. انویدیا ادعا کرد که ترکیب سخت‌افزار سریع‌تر، الگوریتم‌های هوش مصنوعی کارآمدتر، دستورالعمل‌های ظریف پردازنده گرافیکی و یکپارچه‌سازی بهتر مرکز داده، بهبود میلیون برابری در عملکرد هوش مصنوعی را محرک است. انویدیا همچنین با تمام ارائه‌دهندگان مراکز ابری همکاری می‌کند تا این قابلیت را به عنوان هوش مصنوعی به عنوان سرویس از طریق مدل‌های زیرساخت به عنوان سرویس، نرم‌افزار به عنوان سرویس و پلتفرم به عنوان سرویس در دسترس‌تر کند.

تراگونه‌های پیش‌آموزش‌دیده تولیدی

نردبان هوش مصنوعی نیز طی چند سال گذشته به سرعت تکامل یافته است. قبلاً سازمان‌ها مجبور به آموزش مدل‌های هوش مصنوعی خود از ابتدا بودند. روزبه‌روز فروشندگانی مانند اپن‌ای‌آی، انویدیا، مایکروسافت، گوگل و دیگران تراگونه‌های پیش‌آموزش‌دیده تولیدی (GPT) ارائه می‌دهند که می‌توانند برای یک تکلیف خاص با هزینه، تخصص و زمان بسیار کمتری وفق داده شوند. در حالی‌که تخمین زده می‌شود اجرای برخی از بزرگترین مدل‌ها ۵ تا ۱۰ میلیون دلار هزینه داشته باشد، سازمان‌ها می‌توانند مدل‌های حاصل را برای چند هزار دلار وفق دهند. این منجر به رسیدن سریع‌تر به بازار و کاهش ریسک می‌شود.

خدمات ابری هوش مصنوعی

از بزرگترین موانعی که جلوی استفاده مؤثر سازمان‌ها از هوش مصنوعی در کسب‌وکارشان را می‌گیرد، وظایف مهندسی داده و علم داده مورد نیاز برای تنیدن قابلیت‌های هوش مصنوعی در برنامه‌های کاربردی جدید یا توسعه برنامه‌های کاربردی جدید است. تمامی ارائه دهندگان اصلی ابری در حال ارائه خدمات هوش مصنوعی به عنوان سرویس تحت برند خود هستند تا آماده‌سازی داده‌ها، توسعه مدل و گسترش برنامه‌های کاربردی را ساده کنند. از مثال‌های برتر می‌توان به خدمات هوش مصنوعی AWS، هوش مصنوعی ابر گوگل، پلتفرم هوش مصنوعی آزور مایکروسافت، راهکارهای هوش مصنوعی آی‌بی‌ام و خدمات هوش مصنوعی زیرساخت ابری اوراکل اشاره کرد.

مدل‌های پیشرو هوش مصنوعی به عنوان سرویس

توسعه‌دهندگان مدل‌های پیشرو هوش مصنوعی نیز مدل‌های پیشرو را در بالای این خدمات ابری ارائه می‌دهند. اپن‌ای‌آی ده‌ها مدل زبانی بزرگ بهینه‌شده برای چت‌بات‌ها، پردازش زبان طبیعی، تولید تصویر و تولید کد دارد که از طریق آزور ارائه می‌شوند. انویدیا رویکرد بی‌طرفانه‌تری نسبت به ابر را دنبال کرده و زیرساخت‌ها و مدل‌های بنیادین هوش مصنوعی بهینه‌شده برای متن، تصاویر و داده‌های پزشکی را در دسترس تمام ارائه‌دهندگان ابری می‌فروشد. صدها بازیگر دیگر نیز مدل‌های سفارشی‌شده برای صنایع و کاربردهای مختلف ارائه می‌دهند.

منبع

کاری از تحریریه ایران دوبات

محمد سلطان پور

Summary

Article Name

هوش مصنوعی

Description

هوش مصنوعی چیست؟هوش مصنوعی یا AI شبیه‌سازی فرایندهای هوش انسانی توسط ماشین‌ها، به ویژه سیستم‌های رایانه‌ای است.

Author

محمد سلطان پور

Publisher Name

ایران دوبات

Publisher Logo