30 اصطلاح هوش مصنوعی که باید تا سال 2025 بدانید

انقلاب هوش مصنوعی در حال شتاب گرفتن است و زبان تعریف کننده آن نیز همینطور. برای پیشی گرفتن در گفتگوهایی که آینده ما را شکل می‌دهند، تسلط بر این اصطلاحات ضروری است. این راهنمای گسترش یافته، پرنفوذترین کلمات کلیدی که امروزه در چشم‌انداز هوش مصنوعی غالب هستند را پوشش می‌دهد و بر اساس اهمیت فعلی آنها رتبه‌بندی شده‌اند.

وارد شوید و به یک فرد مطلع در زمینه هوش مصنوعی تبدیل شوید!

1. هوش مصنوعی مولد (GenAI)

همچنان در صدر جدول، هوش مصنوعی مولد تماماً درباره خلق کردن است. این مدل‌ها محتوای کاملاً جدیدی مانند متن، تصاویر، کد یا صدا تولید می‌کنند، به جای اینکه فقط داده‌های موجود را تحلیل کنند. این فناوری، رونق خلاقانه فعلی در هوش مصنوعی را تغذیه می‌کند.

2. مدل‌های زبان بزرگ (LLMs)

نیروی محرکه پشت بسیاری از GenAI، LLMs مدل‌های هوش مصنوعی هستند که بر روی مقادیر زیادی از داده‌های متنی آموزش دیده‌اند. وظیفه اصلی آنها درک، تولید و پردازش زبان انسانی است و آنها مغزهای پشت هوش مصنوعی مکالمه‌ای و ابزارهای نوشتاری پیچیده هستند.

3. GPT (Generative Pre-trained Transformer)

GPT خانواده‌ای از مدل‌های زبان بزرگ است که توسط OpenAI توسعه یافته‌اند. این مدل‌ها بر روی مجموعه داده‌های عظیم پیش‌آموزش دیده‌اند و از معماری Transformer برای درک و تولید متن شبیه به انسان استفاده می‌کنند. مدل‌های GPT، مانند GPT-3 و GPT-4، استانداردهای جدیدی در پردازش زبان طبیعی تعیین کرده‌اند و چت‌بات‌ها، ابزارهای تولید محتوا و موارد دیگر را قدرت می‌بخشند.

4. عامل هوش مصنوعی

فراتر از دستورات ساده، یک عامل هوش مصنوعی سیستمی از هوش مصنوعی است که برای درک محیط خود، تصمیم‌گیری و به طور خودکار اقدام به انجام کارهایی برای دستیابی به اهداف خاص طراحی شده است. آنها را به عنوان حل‌کنندگان مستقل مسائل در دنیای هوش مصنوعی در نظر بگیرید.

5. مهندسی پرامپت

این هنر صحبت کردن موثر با هوش مصنوعی است. مهندسی پرامپت مهارت ساخت ورودی کامل (یک “پرامپت”) برای مدل‌های هوش مصنوعی، به ویژه LLMs، برای هدایت خروجی آنها و دریافت دقیقاً نتایج دلخواه شما است. این برای باز کردن پتانسیل کامل هوش مصنوعی حیاتی است.

6. توهم (در هوش مصنوعی)

زمانی که یک هوش مصنوعی “توهم” می‌زند، اطلاعاتی تولید می‌کند که کاملاً محتمل به نظر می‌رسد اما در واقع نادرست، بی‌معنی یا ساخته‌شده است. این یک چالش مهم است، به ویژه با LLMها، و یک تمرکز اصلی برای بهبود قابلیت اطمینان هوش مصنوعی است.

7. تولید با تقویت بازیابی (RAG)

برای مبارزه با توهمات هوش مصنوعی، RAG یک LLM را با یک سیستم بازیابی ترکیب می‌کند. قبل از تولید یک پاسخ، هوش مصنوعی اطلاعات مرتبط و واقعی را از یک پایگاه دانش خاص می‌کشد و پاسخ‌های آن را دقیق‌تر و قابل تأیید می‌کند.

8. هوش مصنوعی چندوجهی

این هوش مصنوعی قدرتمند می‌تواند اطلاعات را از انواع مختلف داده به‌طور همزمان درک و پردازش کند—مانند متن، تصاویر، صدا و ویدئو. هوش مصنوعی چندوجهی امکان تعاملات غنی‌تر و شبیه‌تر به انسان را فراهم می‌کند و کاربردهای متنوعی را ممکن می‌سازد.

9. تنظیم دقیق

می‌خواهید یک مدل هوش مصنوعی را برای یک کار خاص سفارشی کنید؟ تنظیم دقیق به شما امکان می‌دهد یک مدل هوش مصنوعی پیش‌آموزش‌دیده (مانند یک LLM عمومی) را بگیرید و آن را بیشتر بر روی یک مجموعه داده کوچک و تخصصی آموزش دهید. این مدل را به وظیفه یا حوزه خاص شما تطبیق می‌دهد و آن را بسیار مؤثر می‌سازد.

10. هوش مصنوعی مسئولانه

با توجه به اینکه هوش مصنوعی بیشتر در زندگی ما ادغام می‌شود، اطمینان از توسعه و استفاده اخلاقی آن بسیار مهم است. هوش مصنوعی مسئولانه یک اصطلاح کلی است که شامل انصاف، شفافیت، مسئولیت‌پذیری و استقرار کلی سودمند سیستم‌های هوش مصنوعی می‌شود.

11. ایمنی هوش مصنوعی

این حوزه بر جلوگیری از نتایج بالقوه فاجعه‌بار از سیستم‌های پیشرفته هوش مصنوعی تمرکز دارد. تحقیقات ایمنی هوش مصنوعی به مسائل حیاتی مانند پیامدهای ناخواسته، سوءاستفاده و حفظ کنترل بر هوش مصنوعی بسیار توانمند می‌پردازد.

12. حکمرانی هوش مصنوعی

چه کسی قوانین هوش مصنوعی را تعیین می‌کند؟ حکمرانی هوش مصنوعی به چارچوب‌ها، سیاست‌ها و مقرراتی اشاره دارد که برای هدایت توسعه و استفاده از هوش مصنوعی به گونه‌ای که با ارزش‌های اجتماعی و الزامات قانونی همسو باشد، وضع شده‌اند.

13. هوش مصنوعی قابل توضیح (XAI)

آیا تاکنون فکر کرده‌اید چرا یک هوش مصنوعی تصمیم خاصی گرفته است؟ هوش مصنوعی قابل توضیح (XAI) شامل تکنیک‌هایی است که خروجی‌ها و استدلال‌های سیستم‌های هوش مصنوعی را برای انسان‌ها قابل فهم و تفسیر می‌کند. این امر برای ایجاد اعتماد و اطمینان از مسئولیت‌پذیری کلیدی است.

14. هوش مصنوعی عمومی (AGI)

جام مقدس هوش مصنوعی: AGI به نوع فرضی از هوش مصنوعی اشاره دارد که دارای توانایی‌های شناختی در سطح انسان در طیف وسیعی از وظایف است، برخلاف هوش مصنوعی تخصصی که امروزه داریم. این مفهومی است که بحث‌های زیادی درباره پتانسیل نهایی هوش مصنوعی برمی‌انگیزد.

15. مدل‌های انتشار

این‌ها جادوگران پشت بسیاری از تصاویر خیره‌کننده تولید شده توسط هوش مصنوعی هستند. مدل‌های انتشار داده‌ها را با شروع از نویز تصادفی و به تدریج “کاهش نویز” تا زمانی که یک تصویر واضح و با کیفیت بالا یا خروجی دیگر پدیدار شود، ایجاد می‌کنند.

16. همیار هوش مصنوعی

یک همیار هوش مصنوعی را به عنوان دستیار هوشمند خود در نظر بگیرید. این یک سیستم هوش مصنوعی است که برای کار در کنار انسان طراحی شده است، قابلیت‌های آن‌ها را افزایش می‌دهد، وظایف روتین را خودکار می‌کند، راه‌حل‌هایی پیشنهاد می‌دهد و بهره‌وری را در زمینه‌های مختلف مانند کدنویسی یا نوشتن افزایش می‌دهد.

17. توکن‌ها

واحدهای اساسی متنی که LLMها پردازش می‌کنند، توکن‌ها نامیده می‌شوند. یک توکن می‌تواند یک کلمه کامل، بخشی از یک کلمه، یک علامت نگارشی یا حتی یک کاراکتر واحد باشد. درک توکن‌ها برای مدیریت محدودیت‌ها و هزینه‌های ورودی/خروجی LLM ضروری است.

18. پنجره زمینه

پنجره زمینه اساساً حافظه کوتاه‌مدت یک LLM است. این مقدار حداکثر متن (در توکن‌ها) را تعریف می‌کند که هوش مصنوعی می‌تواند در هر زمان معین هنگام تولید یک پاسخ “به خاطر بسپارد” یا در نظر بگیرد، که امکان مکالمات طولانی‌تر و منسجم‌تر را فراهم می‌کند.

19. ترکیب کارشناسان (MoE)

در یک شبکه عصبی ترکیب کارشناسان (MoE)، زیرشبکه‌های “کارشناس” مختلف در جنبه‌های مختلف داده تخصص دارند. یک شبکه “دروازه” سپس تعیین می‌کند که کدام کارشناس(ها) باید یک ورودی خاص را مدیریت کنند، که مدل‌های هوش مصنوعی بسیار بزرگ را کارآمدتر می‌کند.

20. داده‌های مصنوعی

داده‌های مصنوعی داده‌هایی هستند که به صورت مصنوعی تولید می‌شوند و ویژگی‌های آماری داده‌های دنیای واقعی را تقلید می‌کنند بدون اینکه حاوی اطلاعات شخصی واقعی باشند. این داده‌ها برای آموزش مدل‌های هوش مصنوعی زمانی که داده‌های واقعی کمیاب، حساس یا بسیار گران هستند، بسیار ارزشمندند.

21. یادگیری تقویتی (RL)

این روش یادگیری هوش مصنوعی از طریق آزمون و خطا است. در یادگیری تقویتی، یک عامل هوش مصنوعی در یک محیط اقداماتی انجام می‌دهد و پاداش یا جریمه دریافت می‌کند، که به آن اجازه می‌دهد رفتارهای پیچیده را بیاموزد و به اهدافی مانند بازی‌های رایانه‌ای یا رباتیک دست یابد.

22. یادگیری ماشین (ML)

یکی از شاخه‌های اصلی هوش مصنوعی، یادگیری ماشین بر توسعه الگوریتم‌هایی تمرکز دارد که به کامپیوترها اجازه می‌دهد بدون برنامه‌ریزی صریح از داده‌ها یاد بگیرند. این اساس بسیاری از برنامه‌های هوش مصنوعی است.

23. یادگیری عمیق (DL)

زیرمجموعه‌ای از یادگیری ماشین، یادگیری عمیق از شبکه‌های عصبی چند لایه (که اغلب به عنوان شبکه‌های عصبی “عمیق” شناخته می‌شوند) برای یادگیری الگوهای پیچیده از حجم زیادی از داده‌ها استفاده می‌کند. این همان چیزی است که قدرت تشخیص تصویر پیشرفته و پردازش زبان طبیعی را تامین می‌کند.

24. شبکه عصبی

الهام گرفته از مغز انسان، یک شبکه عصبی یک سیستم محاسباتی است که از “گره‌ها” یا “نورون‌ها”ی به هم پیوسته تشکیل شده است که اطلاعات را پردازش می‌کنند. آنها بلوک‌های سازنده مدل‌های یادگیری عمیق هستند.

25. بیش‌برازش

در آموزش مدل‌های هوش مصنوعی، بیش‌برازش زمانی رخ می‌دهد که یک مدل داده‌های آموزشی را بیش از حد خوب یاد می‌گیرد، از جمله نویز و نوسانات تصادفی آن. این باعث می‌شود مدل در داده‌های جدید و نادیده عملکرد ضعیفی داشته باشد، زیرا در تعمیم مشکل دارد.

26. یادگیری انتقالی

یادگیری انتقالی شامل استفاده از یک مدل از پیش آموزش‌دیده (مدلی که قبلاً بر روی یک مجموعه داده بزرگ برای یک کار عمومی آموزش دیده است) و بازنویسی آن برای یک کار متفاوت اما مرتبط است. این کار زمان و منابع محاسباتی قابل توجهی را صرفه‌جویی می‌کند.

27. تعبیه‌ها

تعبیه‌ها نمایش‌های عددی (بردارها) از متن، تصاویر یا داده‌های دیگر هستند که معنای آن‌ها و روابطشان را به تصویر می‌کشند. مدل‌های هوش مصنوعی از این‌ها برای درک و پردازش کارآمد داده‌ها استفاده می‌کنند.

28. پایگاه داده برداری

یک پایگاه داده برداری برای ذخیره‌سازی، مدیریت و جستجوی تعبیه‌های برداری بهینه‌سازی شده است. این‌ها برای برنامه‌هایی مانند RAG و سیستم‌های توصیه‌گر حیاتی هستند و جستجوهای شباهت سریع را ممکن می‌سازند.

29. افزایش داده

برای افزایش مقدار و تنوع داده‌های آموزشی، افزایش داده شامل ایجاد داده‌های جدید از داده‌های موجود با انجام تغییرات کوچک و استراتژیک (مثلاً چرخاندن تصاویر، جایگزینی مترادف‌ها در متن) می‌شود.

30. تصمیم‌گیری خودکار (ADM)

تصمیم‌گیری خودکار به سیستم‌هایی اشاره دارد که با حداقل دخالت انسانی، بر اساس الگوریتم‌ها و داده‌ها تصمیم‌گیری می‌کنند. این امر به طور فزاینده‌ای در زمینه‌هایی مانند تأیید وام یا مدیریت محتوا رایج است.

این مفاهیم پیشرفته زیادی هستند! با این واژگان، اکنون بهتر مجهز به پیمایش در دنیای سریع‌التغییر هوش مصنوعی هستید. هرچه با این اصطلاحات آشناتر باشید، فرصت‌های شگفت‌انگیز و چالش‌های حیاتی که هوش مصنوعی به ارمغان می‌آورد را واضح‌تر خواهید دید.

به کدام یک از این اصطلاحات بیشتر علاقه‌مندید؟ در نظرات به ما اطلاع دهید!