هوش مصنوعی (AI) روز به روز بیشتر در زندگی ما حضور پیدا میکند، از پیشنهادهای فیلم و سریال که نتفلیکس ارائه میدهد تا خودروهای خودران مانند محصولات شرکت Waymo. آیا تا به حال فکر کردهاید هوش مصنوعی چگونه کار میکند؟ پشت هر برنامه هوشمند، فرایندی نهفته است که به ماشینها امکان میدهد از دادهها بیاموزند و تصمیمگیری کنند.
در این مقاله، به زبانی ساده به بررسی اصول عملکرد هوش مصنوعی میپردازیم، به ویژه تمرکز بر سیستمهای یادگیری ماشین (machine learning) که قلب تپنده اکثر هوشهای مصنوعی مدرن هستند.
هوش مصنوعی بر اساس دادهها یاد میگیرد و تصمیم میگیرد
در اصل، هوش مصنوعی بر پایه یادگیری از دادهها کار میکند. به جای برنامهنویسی ثابت برای پاسخ به همه شرایط، سیستمهای هوش مصنوعی (به ویژه آنهایی که از یادگیری ماشین استفاده میکنند) با دریافت حجم زیادی از دادهها، به دنبال الگوها یا قوانین پنهان در آن دادهها میگردند.
سپس از آنچه آموختهاند برای پیشبینی یا تصمیمگیری در مواجهه با دادههای جدید استفاده میکنند. این فرایند مشابه یادگیری انسان است: ما نمونههای زیادی را مشاهده میکنیم، تجربه کسب میکنیم و آن تجربه را در موقعیتهای جدید به کار میگیریم.
برای مثال، اگر بخواهیم به یک هوش مصنوعی تشخیص تصویر گربه و سگ را آموزش دهیم، باید هزاران تصویر از گربه و سگ جمعآوری کنیم و برچسبگذاری کنیم (مثلاً این تصویر گربه است، آن تصویر سگ). الگوریتم هوش مصنوعی این مجموعه عظیم تصاویر را تحلیل میکند تا ویژگیهایی را که به تفکیک گربه از سگ کمک میکنند بیابد – مثلاً گربه ممکن است سبیل داشته باشد، شکل صورت متفاوتی نسبت به سگ داشته باشد و غیره. در طول فرایند یادگیری، سیستم پارامترهای داخلی خود را به گونهای تنظیم میکند که تشخیص دقیقتر شود.
نتیجه این است که هوش مصنوعی یک مدل ایجاد میکند که قادر است تشخیص دهد کدام تصویر گربه است و کدام سگ. وقتی تصویری جدید (که قبلاً ندیده) وارد شود، مدل بر اساس آنچه آموخته پیشبینی میکند که تصویر گربه است یا سگ. اگر پیشبینی اشتباه باشد، هوش مصنوعی میتواند با استفاده از الگوریتمهای یادگیری اصلاح شود تا در دفعات بعد دقت بهتری داشته باشد.
خلاصهای ساده از فرایند یادگیری و عملکرد هوش مصنوعی معمولاً شامل مراحل اصلی زیر است:
-
جمعآوری دادهها (ورودی)
ابتدا، هوش مصنوعی به دادههای ورودی برای یادگیری نیاز دارد. دادهها میتوانند اشکال مختلفی داشته باشند: عددی، متنی، تصویری، صوتی و غیره و معمولاً به دقت جمعآوری و آمادهسازی میشوند. برای مثال، برای آموزش هوش مصنوعی به تشخیص گربه، باید دهها هزار تصویر گربه (و غیرگربه) جمعآوری و برچسبگذاری کنیم. کیفیت و کمیت دادهها در این مرحله بسیار مهم است – هرچه دادهها بیشتر و متنوعتر باشند، هوش مصنوعی بهتر یاد میگیرد.
-
آموزش مدل (یادگیری/تمرین)
در مرحله بعد، ماشین از دادهها یاد میگیرد. دادههای ورودی به الگوریتم یادگیری ماشین داده میشوند. این الگوریتم به دنبال الگوها یا روابط در دادهها میگردد و به تدریج پارامترهای داخلی را برای تطابق بهتر با دادهها تنظیم میکند.
در مورد شبکههای عصبی مصنوعی (که در یادگیری عمیق بسیار رایج هستند)، فرایند آموزش به معنای تنظیم وزنهای اتصالات بین نورونها در چندین تکرار است. هوش مصنوعی به طور مداوم پیشبینیهایی روی دادههای آموزشی انجام میدهد و با توجه به اختلاف بین پیشبینی و نتیجه واقعی، خود را اصلاح میکند (این فرایند در شبکههای عصبی به نام پسانتشار خطا یا backpropagation شناخته میشود).
مهم این است که در این مرحله، هوش مصنوعی از تجربه (دادههای نمونه) میآموزد، مشابه دانشآموزی که با تمرین و اصلاح اشتباهات پیشرفت میکند.
- ارائه پیشبینی/نتیجه (استنتاج)
پس از آموزش، هوش مصنوعی یک مدل آموزشدیده دارد. اکنون وقتی داده ورودی جدید (که قبلاً ندیده) دریافت میکند، میتواند مدل آموزشدیده را برای پیشبینی یا تصمیمگیری به کار گیرد.
برای مثال، پس از آموزش، مدل هوش مصنوعی تشخیص گربه/سگ میتواند یک تصویر جدید را ببیند و با احتمال مشخصی پیشبینی کند «این گربه است». به همین ترتیب، هوش مصنوعی آموزشدیده روی دادههای تراکنشهای بانکی میتواند پیشبینی کند کدام تراکنشها مشکوک به تقلب هستند؛ یا مدلی که روی دادههای پزشکی آموزش دیده میتواند پیشنهاد تشخیص برای بیمار جدید ارائه دهد. این مرحله به نام استنتاج (inference) شناخته میشود – هوش مصنوعی دانش آموخته شده را به کار میگیرد.
-
اصلاح و بهبود (بازخورد و ارتقاء)
یکی از ویژگیهای مهم هوش مصنوعی (به ویژه سیستمهای یادگیری ماشین)، توانایی بهبود خودکار در طول زمان است. اگر هوش مصنوعی نتیجهای ارائه دهد و بازخورد درباره دقت آن دریافت کند (مثلاً انسان بگوید پیشبینی درست یا غلط است)، میتواند مدل خود را تنظیم کند تا بهتر شود.
برگردیم به مثال تشخیص گربه/سگ: اگر مدل در برخی موارد اشتباه کند (مثلاً سگ را به جای گربه تشخیص دهد)، مهندسان میتوانند دادههای بیشتری از موارد دشوار اضافه کنند یا ساختار/هایپرپارامترهای مدل را تنظیم کنند تا هوش مصنوعی بهتر یاد بگیرد. با بهروزرسانی مداوم، هوش مصنوعی به مرور زمان دقیقتر و هوشمندتر میشود.
این مرحله شبیه اصلاح تمرینات اشتباه با راهنمایی معلم و کسب تجربه برای دفعات بعد است. در برخی سیستمهای خاص هوش مصنوعی (مانند یادگیری تقویتی در بازیها)، اصلاح خودکار حتی در حین اجرا ادامه دارد: هوش مصنوعی رفتارهای خود را آزمایش میکند، اگر نتیجه بد باشد دفعه بعد آن رفتار را اجتناب میکند و اگر خوب باشد آن را تقویت میکند.
به طور کلی، سیستمهای هوش مصنوعی با ترکیب سه توانایی اصلی کار میکنند: یادگیری از دادهها، استفاده از منطق برای استنتاج نتایج، و اصلاح خود بر اساس خطاها. در مرحله یادگیری، هوش مصنوعی اطلاعات را از دادهها استخراج میکند (ایجاد «دانش»).
در مرحله استنتاج، هوش مصنوعی از دانش آموخته برای پردازش موقعیتهای جدید و ارائه نتایج استفاده میکند. و از طریق اصلاح خودکار، به طور مداوم عملکرد خود را بهبود میبخشد تا دقت بیشتری داشته باشد. این ترکیب یادگیری، استدلال و اصلاح، قدرت سیستمهای هوش مصنوعی مدرن را شکل میدهد.
مثالی ساده برای درک عملکرد هوش مصنوعی
بیایید یک مثال عملی برای روشنتر شدن فرایند فوق بررسی کنیم: چتبات هوش مصنوعی برای پاسخگویی خودکار به پیامها. فرض کنید میخواهید یک چتبات پشتیبانی مشتری بسازید که بتواند به سوالات به زبان فارسی به طور طبیعی پاسخ دهد.
- جمعآوری دادهها: شما به حجم عظیمی از دادههای مکالمه نیاز دارید تا چتبات زبان و نحوه پاسخگویی را بیاموزد. این دادهها میتوانند شامل میلیونها سوال و پاسخ نمونه از مکالمات پشتیبانی مشتری قبلی یا دادههای اینترنتی (مانند انجمنها، شبکههای اجتماعی) باشند که جمعآوری و پاکسازی شدهاند. هر سوال با پاسخ صحیح (برچسبگذاری شده) همراه است تا چتبات بتواند یاد بگیرد.
- آموزش چتبات: شما یک مدل زبان هوش مصنوعی (مثلاً یک شبکه عصبی Transformer بزرگ) انتخاب میکنید و آن را روی کل دادههای مکالمه آموزش میدهید. مدل یاد میگیرد چگونه سوالها را به پاسخهای مناسب مرتبط کند و زبان طبیعی را به صورت روان به کار ببرد. به تدریج، چتبات توانایی درک زمینه و پاسخ منطقی را بهبود میبخشد. مثلاً وقتی مشتری میپرسد «رمز عبورم را فراموش کردهام، چه کار کنم؟»، پاسخ باید راهنمایی برای بازیابی رمز عبور باشد، نه پاسخ نامربوط. این فرایند شبیه به کارمندی است که هزاران سناریوی سوال و جواب را میخواند تا مهارتهای کاری را بیاموزد.
- پاسخ به کاربر: وقتی چتبات راهاندازی شد، مشتری سوال جدیدی وارد میکند (که چتبات قبلاً متن کامل آن را ندیده است). چتبات سوال را تحلیل میکند، نیت اصلی را استخراج میکند (مثلاً مشتری درباره فراموشی رمز عبور پرسیده) بر اساس آنچه آموخته، پاسخ مناسب تولید میکند. اگر آموزش به خوبی انجام شده باشد، پاسخ بسیار طبیعی و دقیق خواهد بود، مشابه متنی که انسان نوشته باشد.
- بهبود در طول زمان: پس از هر تعامل، میتوان به چتبات گفت پاسخ درست بوده یا غلط (بر اساس بازخورد مشتری یا ارزیابی تیم پشتیبانی). اگر پاسخها ضعیف باشند، دادههای تعامل به مجموعه آموزش اضافه میشوند تا در نسخه بعدی بهبود یابد. به این ترتیب، چتبات به مرور دانش و نحوه پاسخگویی خود را کاملتر میکند. این همان چرخه بازخورد است که به هوش مصنوعی امکان بهبود خودکار میدهد.
مثال فوق نشان میدهد چگونه یک هوش مصنوعی واقعی از دادههای گذشته میآموزد تا در موقعیتهای آینده به کار گرفته شود. چه در تشخیص گربه/سگ باشد یا پاسخ به سوالات مشتری، اصول پایه یکسان است.
هوش مصنوعی مولد چگونه کار میکند؟
یکی از روندهای برجسته اخیر در حوزه هوش مصنوعی، هوش مصنوعی مولد (Generative AI) است – سیستمهایی که قادر به تولید محتوای جدید مانند متن، تصویر، صدا هستند که قبلاً وجود نداشتهاند. حال چگونه هوش مصنوعی مولد کار میکند و چه تفاوتی دارد؟
در واقع، هوش مصنوعی مولد نیز بر پایه یادگیری عمیق از دادههای عظیم است، اما به جای پیشبینی یا طبقهبندی، مدل آموزش میبیند تا خروجی جدید تولید کند بر اساس الگوهای آموخته شده.
مثلاً مدلهای زبان بزرگ مانند ChatGPT: این مدلها روی میلیاردها کلمه متن (کتاب، مقاله، وبسایت) آموزش دیدهاند تا روابط بین کلمات و جملات را بیاموزند. ساختار آنها شبکههای عصبی عمیقی با میلیاردها پارامتر است که توانایی پیشبینی کلمه بعدی در جمله را دارند.
در استفاده، به جای پاسخهای ذخیره شده، ChatGPT پاسخ جدید تولید میکند با انتخاب هر کلمه بعدی بر اساس احتمالهای یادگرفته شده. نتیجه متنی روان است که سبک زبان دادههای آموزشی را منعکس میکند اما محتوای آن کاملاً نو و تازه است.
به عبارت دیگر، سیستمهای هوش مصنوعی مولد مانند ChatGPT یا هوشهای مصنوعی تولید تصویر (Midjourney، DALL-E) با یادگیری دقیق «زبان» حوزه مربوطه (زبان انسان، تصویر، موسیقی و غیره) و سپس ساخت محصول جدید بر اساس دانش آموخته شده کار میکنند. آنها مجهز به مدلهای یادگیری عمیق بسیار بزرگ – که به آنها مدلهای پایه (foundation models) یا مدلهای زبان بزرگ (LLM) گفته میشود – هستند که روی حجم عظیمی از دادهها با الگوریتمهای خاص (مانند Transformer در پردازش زبان طبیعی) آموزش دیدهاند.
این امکان را به برنامههایی مانند ChatGPT یا Midjourney میدهد که محتوای جدید تولید کنند (متن، تصویر، موسیقی و غیره) بر اساس دانش آموخته شده، نه صرفاً پاسخ دادن با انتخاب از میان پاسخهای از پیش تعیین شده. برای مثال، وقتی شما درخواست میکنید «یک داستان درباره گربهای که برنامهنویسی میکند بنویس»، ChatGPT بر اساس دانش زبان و هزاران داستان خوانده شده، داستانی کاملاً جدید و خلاقانه میسازد.
ویژگی خاص هوش مصنوعی مولد این است که نه تنها تشخیص میدهد یا تحلیل میکند، بلکه در حدی خلاقیت دارد. البته این خلاقیت بر پایه آنچه آموخته است استوار است – ترکیب و تغییر الگوهای دیده شده برای خلق چیزهای جدید. اما نتایج میتواند بسیار متنوع و غنی باشد و هوش مصنوعی مولد را به ابزاری قدرتمند در خلق محتوا، طراحی، سرگرمی و حوزههای دیگر تبدیل کند.
>>> برای کسب اطلاعات بیشتر کلیک کنید:
تاریخچه شکلگیری و توسعه هوش مصنوعی
خلاصه اینکه، هوش مصنوعی مانند انسان از تجربه (دادهها) میآموزد. از طریق فرایند آموزش، ماشینها به تدریج دانش را تعمیم میدهند و مدلهایی میسازند که در آینده به کار میروند.
اگرچه الگوریتمهای مختلفی وجود دارد – از درخت تصمیم ساده تا شبکههای عصبی عمیق با میلیاردها پارامتر – هدف کلی هوش مصنوعی یافتن قوانین پنهان برای حل مسائل است. با حجم عظیم دادهها و قدرت محاسباتی بالا، هوش مصنوعی به دستاوردهای شگفتانگیزی رسیده است، از تشخیص دقیق تصویر و صدا تا توانایی نوشتن خودکار متن و خلق تصویر.
امیدواریم با توضیحات فوق، دیدی روشن و ملموستر درباره اینکه هوش مصنوعی چگونه «میاندیشد» و عمل میکند پشت صحنه داشته باشید. هوش مصنوعی دیگر یک «جعبه سیاه» مرموز نیست – بلکه نتیجه فرایند یادگیری از دادهها و آزمون و خطا است که پیوسته بهبود مییابد، بسیار شبیه به نحوه کسب دانش و مهارت توسط انسانها.
برای دنبال کردن تازهترین دانشهای هوش مصنوعی، INVIAI را دنبال کنید!