۴٨ اصطلاح هوش مصنوعی که همه باید بدانند

دکتر جعفر مهراد استاد پیشکسوت دانشگاه شیراز و بنیانگذار موسسه ISC: این مقاله ترجمه مقاله   48AI Terms That Everyone Should Know است که می گوید با فناوری هوش مصنوعی که در محصولات گوگل، اپل، مایکروسافت، پرپلکسیتی، آنتروپیک و OpenAI تعبیه شده است، خوب است که با اطلاع از آخرین اصطلاحات این حوزه به روز بمانید.

 با گوگل جمنای، چت جی پی تی و اپل اینتلیجنس که همه ویژگی های جدید هوش مصنوعی را به تلفن های همراه و رایانه ها می اورند، نحوه تعامل مردم با فناوری ها دستخوش تغییر شده است. ناگهان، مردم می توانند با ماشین ها مکالمات معناداری داشته باشند، به این معنی که می توانید از یک ربات چت هوش مصنوعی به زبان طبیعی سوال کنید و پاسخ های بدیع خود را، بسیار شبیه به یک انسان، دریافت کنید.

 اما، این جنبه از چت ربات های هوش مصنوعی تنها بخشی از چشم انداز هوش مصنوعی است. مطمئنا، کمک گرفتن از چت جی پی تی در انجام تکالیف یا ایجاد تصاویر جذاب از ماشین ها براساس کشور مبدأ توسط میدجرنی (Midjourny) جالب است، اما پتانسیل هوش مصنوعی مولد می تواند اقتصاد ها را کاملا تغییر دهد. به گفته موسسه جهانی مک کینزی،(McKinsey Global Institute) این رقم می تواند سالانه ۴/۴ تریلیون دلار برای اقتصاد جهانی ارزش داشته باشد، به همین دلیل است که باید انتظار شنیدن بیشتر و بیشتر در مورد هوش مصنوعی را داشته باشید.

 این محصول در مجموعه ای گیج کننده از محصولات مختلف نمود پیدا کرده است-- فهرست کوتاه این محصولات مشتمل است بر: گوگل جمنای، کوپایلوت مایکروسافت، کلود آنتروپیک، ابزار جستجوی هوش مصنوعی پرپلکسیتی و ابزارهای Humane و ربیت (Rabbit).

 همان طوری که مردم به دنیایی که بیشتر با هوش مصنوعی درهم تنیده است عادت می کنند، اصطلاحات جدیدی نیز در همه جا ظاهر می شود. در اینجا، چند اصطلاح مهم هوش مصنوعی وجود دارد که باید بدانید.

 ١- هوش عمومی مصنوعی Artificial general intelligence:

مفهومی که نسخه پیشرفته تری از هوش مصنوعی را پیشنهاد می کند، و امروزه می دانیم که این ویرایش در حین آموزش و ارتقای قابلیت های خود، وظایف محوله را بسیار بهتر از انسان ها انجام دهد.

 ٢- عامل Agentive:

سیستم ها یا مدل هایی هستند که با توانایی پیگیری مستقل، اقدامات لازم را برای رسیدن به یک هدف انجام می دهند. در زمینه هوش مصنوعی، یک مدل عامل می تواند بدون نظارت مداوم عمل کند، مانند یک خودرو خودران سطح بالا. برخلاف چارچوب عاملی (agentic) که در پس زمینه است، چارچوب های «عامل» در جلو هستند و بر تجربه کاربر تمرکز دارند.

 ٣- اخلاق هوش مصنوعی AI ethics:

اصولی با هدف جلوگیری از آسیب رساندن هوش مصنوعی به انسان، که از طریق تعیین نحوه جمع آوری داده ها یا برخورد با سوگیری سیستم های هوش مصنوعی بدست می آید.

 ۴- ایمنی هوش مصنوعی AI safety:

زمینه ای بین رشته‌ای که به تاثیرات دراز مدت هوش مصنوعی و چگونگی پیشرفت ناگهانی آن به یک ابرهوش که می تواند با انسان ها خصمانه باشد، می پردازد.

 ۵- الگوریتم Algorithm:

مجموعه ای از دستور العمل ها که به یک برنامه رایانه ای اجازه می دهد تا داده ها را به روشی خاص، مانند تشخیص الگوها، یاد گرفته و تجزیه و تحلیل کند و سپس ضمن یادگیری از آن، وظایف را به تنهایی انجام دهد.

 ۶- تراز Alignment:

بهینه سازی هوش مصنوعی برای ایجاد نتیجه مطلوب. این روند می تواند به هر چیزی از تعدیل محتوا تا حفظ تعاملات مثبت با انسان اشاره داشته باشد.

 ٧- انسان انگاری Anthropomorphism:

زمانی که انسان تمایل دارد به اشیای غیر انسانی خصوصیات انسانی بدهد. در هوش مصنوعی، این رویکرد می تواند شامل این باشد که یک ربات چت بیشتر از آنچه که هست شبیه انسان و آگاه باشد، مانند این که باور داشته باشیم که  این ربات چت در کل خوشحال، غمگین یا حتی با احساس است.

 ٨- هوش مصنوعی Artificial intelligence (AI):

 استفاده از فناوری برای شبیه سازی هوش انسانی، چه در برنامه‌های کامپیوتری یا رباتیک. رشته ای در علوم کامپیوتر که هدف آن ساختن سیستم هایی است که می توانند وظایف انسانی را انجام دهند.

 ٩- عوامل مستقل Autonomous agents:

یک مدل هوش مصنوعی که دارای قابلیت ها، برنامه نویسی و سایر ابزار ها برای انجام یک کار خاص است. برای مثال، یک خودروی خودران یک عامل مستقل است، زیرا دارای ورودی های حسی، ردیاب خودرو و الگوریتم های رانندگی برای پیمایش جاده به تنهایی است. پژوهشگران دانشگاه استنفورد نشان داده اند که عوامل مستقل می توانند فرهنگ، سنت ها و زبان مشترک خود را توسعه دهند.

 ١٠- سوگیری Bias:

در مدل های زبان بزرگ، خطا های ناشی از داده های آموزشی می تواند منجر به نسبت دادن نادرست ویژگی های خاص به نژادها یا گروه های خاص براساس کلیشه ها شوند.

 ١١- چت بات Chatbot:

برنامه ای که با انسان ها، از طریق متنی که زبان انسان را شبیه سازی می کند، ارتباط برقرار می سازد.

 ١٢- چت جی پی تی ChatGPT:

یک ربات چت هوش مصنوعی که توسط OpenAI ساخته شده و از فناوری مدل زبان بزرگ استفاده می کند.

 ١٣- محاسبات شناختی Cognitive computing:

اصطلاح دیگری برای هوش مصنوعی.

 ١۴-  داده افزایی (تقویت داده ها) Date augmentation:

ترکیب مجدد داده‌های موجود یا افزودن مجموعه ای متنوع تر از داده ها برای آموزش هوش مصنوعی.

 ١۵- یادگیری عمیق Deep learning:

روشی از هوش مصنوعی و زیر شاخه ای از یادگیری ماشینی که از پارامترهای متعدد برای تشخیص الگو های پیچیده در تصاویر، صدا و متن استفاده می کند. این فرایند از مغز انسان الهام گرفته شده و از شبکه های عصبی مصنوعی برای ایجاد الگو ها سود می برد.

 ١۶- انتشار Diffusion:

روشی برای یادگیری ماشینی که از داده‌های موجود مانند یک عکس، گرفته می‌شود و نویز تصادفی اضافه می کند. مدل های انتشاری، شبکه های خود را برای مهندسی مجدد یا بازیابی آن عکس، آموزش می دهند.

 ١٧- رفتار اضطراری Emergent behavior:

زمانی که یک مدل هوش مصنوعی توانایی های ناخواسته ای را از خود نشان می دهد.

 ١٨- یادگیری سربه سر End-to-end learning:

یک فرایند یادگیری عمیق که در آن به یک مدل دستور داده می شود تا یک کار را از ابتدا تا انتها انجام دهد. این آموزش برای انجام یک کار به صورت متوالی نیست، بلکه در عوض از ورودی ها یاد می گیرد و آن را به یکباره حل می کند.

 ١٩- ملاحظات اخلاقی Ethical considerations:

آگاهی از پیامدهای اخلاقی هوش مصنوعی و مسائل مربوط به حریم خصوصی، استفاده از داده ها، سوئ استفاده و سایر مسائل ایمنی.

 ٢٠- فوم Foom:

به عنوان برخاست سریع یا برخاست سخت نیز شناخته می شود. مفهوم این است که اگر کسی یک هوش عمومی مصنوعی (AGI) بسازد ممکن است برای نجات بشریت خیلی دیر باشد.

 ٢١- شبکه های متخاصم مولد Generative adversarial networks:

یک مدل هوش مصنوعی مولد متشکل است از دو شبکه عصبی برای تولید داده های جدید: یک مولد و یک تمیزدهنده. مولد، محتوای جدیدی ایجاد می کند و تمیزدهنده اعتبار آن را بررسی می کند.

 ٢٢- هوش مصنوعی مولد Generative AI:

فناوری تولید محتوا که از هوش مصنوعی برای ایجاد متن، ویدیو، کد کامپیوتری یا تصاویر استفاده می کند. هوش مصنوعی مقادیر زیادی از داده های آموزشی را تغذیه و الگو هایی را برای تولید پاسخ های جدید خود پیدا می کند، که گاهی اوقات می تواند شبیه به انتشاراتی باشد که از آن ها اطلاعات بدست می آید.

 ٢٣- گوگل جِمنای Google Gemini:

یک ربات چت هوش مصنوعی است که توسط گوگل تولید شده و عملکردی مشابه چت جی پی تی دارد، اما اطلاعات را از وب فعلی استخراج می کند. چت جی پی تی تا سال ٢٠٢١ محدود به داده بوده و متصل به اینترنت نبود.

 ٢۴- نرده های محافظ Guardrails:

سیاست ها و محدودیت هایی که بر روی مدل های هوش مصنوعی اعمال می شود تا اطمینان حاصل گردد که داده ها به طور مسولانه مدیریت می شوند و مدل، محتوای مزاحم ایجاد نمی‌کند.

 ٢۵- توهم Hallucination:

پاسخ نادرست هوش مصنوعی. این رویکرد می تواند شامل پاسخ های تولید کننده هوش مصنوعی باشد که نادرست هستند، اما طوری با اطمینان بیان شده اند که گویی درست هستند. دلایل این کار کاملا مشخص نیست. به عنوان مثال، وقتی از یک چت ربات هوش مصنوعی می پرسید، «لیوناردو داوینچی چه زمانی مونالیزا را نقاشی کرد؟» ممکن است با یک جمله نادرست پاسخ دهد که«لیوناردو داوینچی مونالیزا را در سال ١٨١۴ نقاشی کرد» که ٣٠٠ سال پس از نقاشی واقعی آن است.

 ٢۶- استنتاج (استنباط) Inference:

فرآیندی که مدل های هوش مصنوعی برای تولید متن، تصاویر و سایر محتوای مربوط به داده های جدید، با استنباط از داده های آموزشی خود استفاده می کنند.

 ٢٧- مدل زبان بزرگ Large Language Model (LLM):

یک مدل هوش مصنوعی آموزش داده شده بر روی مقادیر انبوه داده های متنی برای درک زبان و تولید محتوای جدید به زبانی شبیه انسان.

 ٢٨- یادگیری ماشین Machine learning (ML):

مولفه ای در هوش مصنوعی که به رایانه ها اجازه می دهد بدون برنامه نویسی صریح بیاموزند و نتایج پیش بینی کننده بهتری داشته باشند. یادگیری ماشین می تواند با مجموعه های آموزشی برای تولید محتوای جدید همراه شود.

 ٢٩- مایکروسافت بینگ Microsoft Bing:

موتور جستجوی مایکروسافت که اکنون می تواند از فناوری قدرتمند چت جی پی تی برای ارائه نتایج جستجوی مبتنی بر هوش مصنوعی استفاده کند.  از نظر اتصال به اینترنت شبیه به گوگل جمنای است.

 ٣٠- هوش مصنوعی چندوجهی Multimodel AI:

نوعی هوش مصنوعی که می تواند ورودی های متعددی از جمله متن، تصویر، فیلم و گفتار را پردازش کند.

 ٣١- پردازش زبان طبیعی Natural Language Processing:

شاخه ای از هوش مصنوعی که از یادگیری ماشینی و یادگیری عمیق استفاده می کند تا به رایانه ها توانایی درک زبان انسان را بدهد. پردازش زبان طبیعی اغلب از الگوریتم های یادگیری، مدلهای آماری و قوانین زبانی استفاده می کند.

 ٣٢- شبکه عصبی Neural network:

یک مدل محاسباتی که شبیه ساختار مغز انسان است. هدف آن تشخیص الگو ها در داده ها تعریف شده است. شبکه عصبی شامل گره های بهم پیوسته یا نورون هایی است که می توانند الگو ها را تشخیص دهند و در طول زمان یاد بگیرند.

 ٣٣- رفتار ناخواسته (بی هنجاری) Overfitting:

خطا در یادگیری ماشین که بسیار نزدیک به داده های آموزشی عمل می کند و ممکن است فقط بتواند نمونه های خاصی را در داده های گفته شده شناسایی کند، اما نه داده های جدید.

 ٣۴- پیپرکلیپ Paperclips: 

نظریه پیپر کلیپ ماکسی مایزر (Paperclip Maximiser Theory) که توسط فیلسوف نیک بوستروم (Nic Bostrom) از دانشگاه آکسفورد ابداع شده است، یک سناریوی فرضی است که در آن یک سیستم هوش مصنوعی تا آنجا که ممکن است پیپر کلیپ های واقعی ایجاد می کند. یک سیستم هوش مصنوعی در هدف خود برای تولید حداکثر مقدار پیپر کلیپ، به طور فرضی تمام مواد را برای رسیدن به هدف خود مصرف یا تبدیل می کند. این روند می تواند شامل برچیدن ماشین آلات دیگر برای تولید پیپر کلیپ های بیشتر باشد، ماشین هایی که می توانند برای انسان مفید باشند. پیامد ناخواسته این سیستم هوش مصنوعی این است که ممکن است بشریت را در هدف خود برای ساخت پیپر کلیپ نابود کند.

 ٣۵- پارامترها Parameters:

مقادیر عددی که ساختار و رفتار مدلهای زبانی بزرگ (LLMs) را می دهد و آن را قادر به پیش بینی می کند. 

 ٣۶- پرپلکسیتی Perplexity:

نام یک چت بات و موتور جستجوی مبتنی بر هوش مصنوعی که متعلق به هوش مصنوعی پرپلکسیتی است. از یک مدل زبان بزرگ، مانند آنچه در دیگر چت ربات های هوش مصنوعی یافت می شود، برای پاسخ دادن به سوالات با پاسخ های جدید استفاده می کند. اتصال آن به اینترنت باز همچنین به آن اجازه می دهد تا اطلاعات به روز ارایه دهد و نتایج را از سراسر وب دریافت کند. پرپلکسیتی پرو، (Perplexity Pro) یک سیستم پولی از این سرویس، نیز در دسترس است و از مدل‌های دیگری مانند کلود ٣ اپوس ، جی پی تی-۴٠، Mistral Large و منبع باز LlaMa 3 استفاده می کند. کاربران حرفه ای علاوه براین می توانند اسناد را برای تجزیه و تحلیل بارگذاری نموده ، تصاویر تولید کرده و کد را تفسیر کنند.

٣٧- پرامپت Prompt:

پیشنهاد یا سوالی که برای دریافت پاسخ وارد یک ربات چت هوش مصنوعی می کنید.

 ٣٨- زنجیره فوری Prompt chaining:

توانایی هوش مصنوعی برای استفاده از تعاملات قبلی برای تهیه پاسخ های آینده.

 ٣٩- طوطی تصادفی Stochastic parrot:

قیاسی از مدل زبان بزرگ که نشان می دهد نرم افزار، درک بزرگ‌تری از معنای پشت زبان یا از دنیای اطراف آن ندارد، صرف نظر از اینکه خروجی چقدر قانع کننده به نظر می رسد. این عبارت به این اشاره دارد که چگونه یک طوطی می تواند کلمات انسانی را بدون درک معنای پشت آن ها تقلید کند.

 ۴٠- انتقال سبک: Style transfer:

توانایی تطبیق سبک یک تصویر با محتوای تصویر دیگر، به یک هوش مصنوعی اجازه می دهد تا ویژگیهای بصری یک تصویر را تفسیر کند. به عنوان مثال، گرفتن سلف پرتره رامبراند و بازسازی آن به سبک پیکاسو.

 ۴١- دما Temperature:

پارامترهای تنظیم شده برای کنترل تصادفی بودن خروجی یک مدل زبان. دمای بالاتر به این معنی است که مدل ریسک بیشتری می کند.

 ۴٢- تولید متن به تصویر Text-to-image generation:

ایجاد تصاویر براساس توضیحات متنی.

 ۴٣- نشانه ها Tokens:

تکه های کوچکی از متن نوشته شده که مدلهای زبان هوش مصنوعی آن ها را پردازش می کنند تا پاسخ آن ها را به درخواست‌های شما فرموله کنند. یک نشانه در زبان انگلیسی معادل چهار کاراکتر یا تقریباً سه چهارم کلمه است.

 ۴۴- داده های آموزشی Training data:

مجموعه داده هایی که برای کمک به یادگیری مدل های هوش مصنوعی استفاده می شوند، شامل متن، تصاویر، کد یا داده ها.

 ۴۵- مدل ترانسفورماتور Transformer model:

یک معماری شبکه عصبی و مدل یادگیری عمیق که با ردیابی روابط در داده ها، مانند جملات یا بخش هایی از تصاویر، زمینه را یاد می گیرد. بنابراین، به جای تجزیه و تحلیل یک جمله در یک کلمه، می تواند به کل جمله نگاه کرده و زمینه را درک کند.

 ۴۶- تست تورینگ Turing test:

این تست که از نام ریاضیدان و دانشمند مشهور کامپیوتر آلن تورینگ گرفته شده است، توانایی یک ماشین را برای رفتار مانند یک انسان آزمایش می کند. اگر انسان نتواند پاسخ دستگاه را از انسان دیگر تشخیص دهد، دستگاه عبور می کند.

 ۴٧- هوش مصنوعی ضعیف یا هوش مصنوعی باریک Week AI, or narrow AI:

هوش مصنوعی که بر روی یک کار خاص متمرکز است و نمی تواند فراتر از مجموعه مهارتهای خود بیاموزد. بیشتر هوش مصنوعی امروزی، هوش مصنوعی از نوع ضعیف است.

 ۴٨- یادگیری صفر شات Zero-shot learning:

آزمونی که در آن یک مدل باید یک کار را بدون ارایه داده های آموزشی لازم انجام دهد. به عنوان مثال، می توان یک شیر را در حالی که داده ها فقط روی ببرها آموزش دیده است، تشخیص داد.

منبع:

 1- Khan, Imad, ChatGPT Glossary: 48 AI Terms That Everyone Should Know.  CNET, October 12, 2024