هوش مصنوعی یا AI مجموعه‌ای از روش‌ها برای ساخت سامانه‌هایی است که کارهایی مانند تشخیص تصویر، تحلیل زبان، پیش‌بینی و تولید محتوا را انجام می‌دهند. ورودی این سامانه می‌تواند عکس، صدا، متن یا دادهٔ عددی باشد؛ خروجی هم به کاری بستگی دارد که برای آن طراحی شده است.
برای مثال، یک سامانه تصویرِ میوه را دریافت می‌کند و نوع آن را تشخیص می‌دهد. سامانه‌ای دیگر پیام مشتری را می‌خواند و موضوع درخواست را پیشنهاد می‌کند. برای فهمیدن اینکه این کار چگونه انجام می‌شود، باید نقش داده، مدل و بررسی نتیجه را از هم جدا کنیم.
تعریف هوش مصنوعی به زبان ساده
عبارت Artificial Intelligence به معنی «هوش مصنوعی» است. در تعریف OECD، سامانهٔ هوش مصنوعی از ورودی‌هایی که دریافت می‌کند، برای تولید خروجی‌هایی مانند پیش‌بینی، محتوا، پیشنهاد یا تصمیم استفاده می‌کند. میزان استقلال و سازگاری این سامانه‌ها یکسان نیست.
هوش مصنوعی فقط یک چت‌بات یا یک ربات فیزیکی نیست. ممکن است بخشی از یک نرم‌افزار باشد که کاربر مستقیماً آن را نمی‌بیند؛ مثل مدلی که احتمال هرزنامه بودن یک ایمیل را تخمین می‌زند. داشتن ظاهر انسانی یا توانایی گفت‌وگو هم شرط استفاده از AI نیست.
روش ساخت این سامانه‌ها متفاوت است. بعضی از رویکردها بر دانش و استدلالِ نمادین تکیه دارند و بسیاری از سامانه‌های امروزی با یادگیری ماشین، الگوها را از داده یاد می‌گیرند. بنابراین توضیح «همهٔ هوش‌های مصنوعی دائماً از کاربران یاد می‌گیرند» دقیق نیست.
هوش مصنوعی چگونه کار می‌کند؟ یک مثال از تشخیص میوه
فرض کنید می‌خواهیم نرم‌افزاری بسازیم که در عکس، سیب را از پرتقال تشخیص دهد. در یک روش مبتنی بر یادگیری ماشین، ابتدا نمونه‌هایی از هر دو میوه فراهم می‌کنیم و نوع میوه را برای هر تصویر مشخص می‌کنیم. این نمونه‌ها باید تفاوت‌های واقعی، مثل زاویهٔ دوربین، نور و رنگ میوه را هم پوشش دهند.
۱. داده و پاسخ مورد انتظار را مشخص می‌کنیم
ورودی، تصویر است و پاسخ مورد انتظار، نام یکی از دو میوه. اگر بیشتر عکس‌های سیب روی میز سفید و عکس‌های پرتقال روی میز سیاه گرفته شده باشند، ممکن است مدل به پس‌زمینه وابسته شود. چنین مدلی شاید در همان مجموعه خوب عمل کند، اما با تغییر میز اشتباه کند.
۲. مدل را آموزش می‌دهیم
مدل، بخشی از نرم‌افزار است که رابطهٔ ورودی و خروجی را نمایش می‌دهد. در آموزش، الگوریتم پارامترهای آن را با استفاده از نمونه‌ها تنظیم می‌کند تا خطای پیش‌بینی کمتر شود. قرار نیست برنامه‌نویس تک‌تک حالت‌های ممکنِ هر عکس را به‌صورت قانون جداگانه بنویسد.
۳. با تصویرهای تازه آزمایش می‌کنیم
برای ارزیابی، تصویرهایی را کنار می‌گذاریم که در آموزش استفاده نشده‌اند. هدف این است که ببینیم مدل برای نمونه‌های ندیده هم نتیجهٔ مفید دارد یا فقط به نمونه‌های آموزشی وابسته شده است. تعریف مجموعهٔ آزمون و بررسی خطاها بخشی از ساخت سامانه است.
۴. در زمان استفاده، ورودی جدید می‌دهیم
پس از آماده‌شدن مدل، تصویر تازه وارد می‌شود و مدل خروجی می‌دهد؛ به این مرحله «استنتاج» می‌گویند. آموزش و استفاده دو مرحلهٔ متفاوت‌اند. مدل لزوماً با دیدن هر تصویر جدید دوباره آموزش نمی‌بیند و اصلاح آن ممکن است به فرایند جداگانه نیاز داشته باشد.
این مثال، یک مسئلهٔ سادهٔ طبقه‌بندی است. سامانه‌های تشخیص گفتار، پیش‌بینی عدد و تولید متن، ورودی و هدف متفاوتی دارند؛ در نتیجه نمی‌توان نتیجهٔ یک مدل را به همهٔ کاربردهای هوش مصنوعی تعمیم داد.
تفاوت هوش مصنوعی با نرم‌افزار معمولی و اتوماسیون
نرم‌افزار می‌تواند بدون AI هم کارها را خودکار کند. مثلاً ارسال رسید پس از ثبت سفارش، با یک قانون مشخص انجام می‌شود. اما تشخیص موضوع یک پیامِ آزاد، ممکن است به مدل پردازش زبان نیاز داشته باشد. در یک محصول واقعی، این دو روش اغلب کنار هم قرار می‌گیرند.
| کار مورد نظر | روش مناسبِ مثال | نقش خروجی |
|---|---|---|
| ارسال پیام پس از ثبت سفارش | قانون و اتوماسیون معمولی | اجرای یک دستور از پیش مشخص |
| تشخیص موضوع پیام مشتری | مدل دسته‌بندی متن | پیشنهاد دستهٔ درخواست |
| نوشتن پاسخ اولیه از روی اطلاعات مجاز | مدل مولد همراه با کنترل اطلاعات | ساخت پیش‌نویس برای بررسی |
| ثبت پاسخ تأییدشده در سامانه | گردش کار نرم‌افزاری | اجرای مرحلهٔ مجاز پس از تأیید |
در همین مثال، هوش مصنوعی می‌تواند موضوع پیام را اشتباه تشخیص دهد. می‌توان موارد نامطمئن را به کارشناس ارجاع داد و ثبت نهایی یا تعهد به مشتری را در اختیار فرد مسئول گذاشت. نام «هوشمند» به‌تنهایی مشخص نمی‌کند کدام مرحله با مدل و کدام مرحله با قانون اجرا شده است.
یادگیری ماشین، یادگیری عمیق و هوش مصنوعی مولد چه نسبتی دارند؟
- هوش مصنوعی: حوزهٔ کلیِ روش‌ها و سامانه‌های انجام کارهای هوشمندانه است.
- یادگیری ماشین یا ML: زیرمجموعه‌ای از AI است که بر یادگیری الگو از داده تمرکز دارد.
- یادگیری عمیق یا DL: بخشی از یادگیری ماشین است که از شبکه‌های عصبی چندلایه استفاده می‌کند.
- هوش مصنوعی مولد: به سامانه‌هایی گفته می‌شود که محتوایی مانند متن، تصویر، صدا یا کد تولید می‌کنند. بسیاری از ابزارهای مولد امروزی بر یادگیری عمیق تکیه دارند.
«مولد بودن» نوع خروجی و کار سامانه را توصیف می‌کند؛ AI، ML و DL هم‌سطحِ یکدیگر نیستند. برای مثال، تشخیص نوع میوه و ساخت یک تصویر تازه از میوه دو کار متفاوت‌اند، هرچند هر دو می‌توانند از روش‌های یادگیری ماشین استفاده کنند. توضیح بیشتر را در مقالهٔ رابطه و تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق بخوانید.
هوش مصنوعی چه کاربردهایی دارد؟
برای شناخت یک کاربرد، به ورودی و خروجی آن نگاه کنید. در پردازش تصویر، ورودی می‌تواند عکس باشد و خروجی، محل یک شیء یا دستهٔ تصویر. در تشخیص گفتار، صدا به نوشته تبدیل می‌شود. در پیش‌بینی، مدل از داده‌های مرتبط برای تخمین یک مقدار کمک می‌گیرد. در یک دستیار مولد هم درخواست کاربر می‌تواند به پیش‌نویس متن یا تصویر تبدیل شود.
این قابلیت‌ها در یک نرم‌افزار پشتیبانی مشتری، ابزار بررسی تصویر یا سامانهٔ تحلیل اطلاعات قابل استفاده‌اند. انتخابشان به مسئله بستگی دارد. برای کاربر روزمره، مثال‌های ملموس‌تر را در مقالهٔ ۷ کاربرد هوش مصنوعی در زندگی روزمره آورده‌ایم.
هوش مصنوعی محدود و عمومی یعنی چه؟
در دسته‌بندی بر اساس گسترهٔ توانایی، «هوش مصنوعی محدود» به سامانه‌ای با دامنهٔ مشخص اشاره دارد. «هوش مصنوعی عمومی» یا AGI، مفهوم تواناییِ گسترده برای انجام و یادگیری کارهای گوناگون است و تعریف و معیارهای آن محل بحث‌اند. موفقیت یک ابزار در نوشتن متن یا حل یک آزمون، به‌تنهایی برای نتیجه‌گیری دربارهٔ رسیدن به AGI کافی نیست.
«ابرهوش» نیز در بحثِ توانایی فراتر از انسان مطرح می‌شود. این مفاهیم را نباید با قابلیت قابل‌سنجشِ یک محصول یکسان گرفت. مقالهٔ انواع هوش مصنوعی؛ محدود، عمومی و ابرهوش این تقسیم‌بندی را جداگانه توضیح می‌دهد.
مزایا و محدودیت‌ها؛ چرا بررسی نتیجه مهم است؟
هوش مصنوعی می‌تواند آماده‌کردن پیش‌نویس، دسته‌بندی اطلاعات یا بررسی تعداد زیادی ورودی را آسان‌تر کند. اما سرعت و دقت آن باید برای همان کار اندازه‌گیری شود. مدلی که در یک آزمایش نتیجهٔ خوبی دارد، ممکن است با ورودی متفاوت یا اطلاعات ناقص اشتباه کند.
در ابزارهای مولد، پاسخ روان و مطمئن می‌تواند نادرست باشد؛ حتی منبعی که در پاسخ آمده ممکن است وجود نداشته باشد. NIST این پدیده را از ریسک‌های هوش مصنوعی مولد معرفی می‌کند. به همین دلیل، نام‌ها، عددها و ادعاهای مهم باید با مرجع اصلی تطبیق داده شوند. راهنمای راستی‌آزمایی خروجی هوش مصنوعی برای همین مرحله است.
کیفیت داده و نحوهٔ استفاده از اطلاعات هم اهمیت دارند. پیش از واردکردن فایل یا دادهٔ مشتری، باید مشخص باشد چه اطلاعاتی لازم است، چه کسی به آن دسترسی دارد و نتیجه کجا استفاده می‌شود. تولید پاسخ، به‌خودی‌خود مجوز اجرای آن پاسخ در سامانهٔ شرکت نیست.
برای استفاده از هوش مصنوعی از کجا شروع کنیم؟
اگر کاربر یک ابزار آماده هستید، یک کار کوچک انتخاب کنید که نتیجه‌اش را می‌توانید بررسی کنید؛ مثل بازنویسی یک پیام کوتاه با اطلاعاتی که خودتان داده‌اید. مخاطب، هدف و طول پاسخ را روشن بنویسید و خروجی را پیش از استفاده بخوانید.
اگر برای شرکت به AI فکر می‌کنید، ابتدا یک مسئلهٔ مشخص بنویسید. «پیام‌های پشتیبانی در دستهٔ اشتباه ثبت می‌شوند» نقطهٔ شروع روشن‌تری از «می‌خواهیم هوش مصنوعی داشته باشیم» است. سپس نمونهٔ ورودی، پاسخ درست، هزینهٔ خطا و فرد مسئولِ بررسی را مشخص کنید.
برای تصمیم‌گیری، زمان بررسی و اصلاح خروجی را هم در نظر بگیرید. ممکن است برای یک کار، اصلاح گردش کار یا یک قانون ساده کافی باشد. در صفحهٔ خدمات هوش مصنوعی و اتوماسیون داپا می‌توانید حوزه‌های مرتبط با بررسی و اجرای چنین راهکارهایی را ببینید.
پرسش‌های متداول
آیا هوش مصنوعی همان ربات است؟
خیر. ربات یک سامانهٔ فیزیکی است و می‌تواند از هوش مصنوعی استفاده کند یا با کنترل و قواعد مشخص کار کند. بسیاری از کاربردهای AI هم فقط نرم‌افزاری‌اند و بدنهٔ رباتی ندارند.
آیا هر هوش مصنوعی با هر بار استفاده بهتر می‌شود؟
خیر. استفاده از مدل با آموزش مجدد آن یکسان نیست. ذخیرهٔ بازخورد، تغییر اطلاعاتِ در دسترس و آموزش مدل، فرایندهای متفاوتی‌اند و به طراحی همان سامانه بستگی دارند.
برای استفاده از AI باید برنامه‌نویسی بلد باشیم؟
برای استفاده از ابزارهای آماده معمولاً نیازی نیست. ساخت مدل، اتصال آن به نرم‌افزار شرکت و ارزیابی فنی، کار متفاوتی است و مهارت‌های تخصصی می‌خواهد.
