همه چیز درباره هوش مصنوعی مولد(generative AI)

هوش مصنوعی مولد(generative AI)، یک فناوری هوش مصنوعی است که می‌تواند انواع مختلفی از محتوا را ایجاد کند، از جمله متن، تصویر، صدا و دیگرداده‌های مصنوعی. اخیراً، با توجه به سادگی رابط‌های کاربری جدید برای ایجاد متن با کیفیت بالا، گرافیک و ویدیوها در عرض چند ثانیه، این فناوری مورد توجه قرار گرفته است.

باید توجه داشت که این فناوری به تازگی اختراع نشده است. هوش مصنوعی مولد(generative AI)،  در دهه ۱۹۶۰ در چت‌بات‌ها معرفی شد. اما تنها با معرفی شبکه‌های مولد و مبارزه‌ای، یا GANs – یک نوع الگوریتم یادگیری ماشین – در سال ۲۰۱۴، هوش مصنوعی مولد(generative AI)، قادر به ایجاد تصاویر، ویدیوها و صداهای قابل اعتماد و معتبر از افراد واقعی شد.امکانات جدید هوش مصنوعی، فرصت‌هایی را برای بهبود دوبله فیلم و ایجاد محتوای آموزشی غنی فراهم کرده است، اما در عین حال نگرانی‌هایی درباره تولید تصاویر و ویدیوهای دیجیتالی تقلبی و حملات سایبری مخرب به کسب و کارها وجود دارد.

این حملات می‌تواند شامل درخواست‌های بدخواهانه و واقع‌گرایانه باشند که در واقع ضرر و زیانی برای کسب و کار ایجاد می‌کنددو پیشرفت جدید در حوزه هوش مصنوعی مولد(generative AI)، نقش بسیار مهمی در گسترش آن ایفا کرده‌اند.این پیشرفت‌ها شامل ترانسفورمرها و مدل‌های زبانی پیشرفته هستند.

ترانسفورمرها، یک نوع یادگیری ماشینی هستند که به محققان این امکان را می‌دهد که بتوانند مدل‌های بزرگتری را بدون نیاز به برچسب‌گذاری کلیه داده‌ها از قبل آموزش دهند.این امر در نهایت منجر به تولید پاسخ‌هایی با عمق بیشتر می‌شود. همچنین، ترانسفورمرها به مدل‌ها این امکان را می‌دهند که بتوانند روابط بین کلمات در صفحات، فصل‌ها و کتاب‌ها را دنبال کنند و نه فقط در جملات فردی. به علاوه، ترانسفورمرها می‌توانند برای تحلیل کد، در علم طب تجزیه وتحلیل  DNA از توانایی خود برای ردیابی ارتباطات استفاده کنند.

این پیشرفت‌ها در کنار مدل‌های زبانی پیشرفته باعث شده‌اند که هوش مصنوعی مولد(generative AI)،  به یکی از تکنولوژی‌های مهم در حوزه هوش مصنوعی تبدیل شود.پیشرفت سریع در مدل‌های زبانی بزرگ (LLMs) به معنای مدل‌های با بیلیون‌ها یا حتی تریلیون‌ها پارامتر، دوره‌ای جدید را در حوزه هوش مصنوعی ت مولد(generative AI)، فراهم کرده است.با استفاده از این مدل‌ها، می‌توان متون جذابی را تولید کرد، تصاویر واقعی و با کیفیت را رسم کرد و حتی سریال‌های کمدی جذابی را ایجاد کرد.

این پیشرفت‌ها در کنار نوآوری‌های در حوزه هوش مصنوعی چندرسانه‌ای، به تیم‌های محقق  این امکان را می‌دهد که محتوایی را در بین چندین نوع رسانه، از جمله متن، گرافیک و فیلم تولید کنند. به علاوه، ابزارهایی مانند Dall-E می‌تواند به صورت خودکار تصاویری را از توصیف متنی ایجاد کرده و عناوین متنی را از تصاویر تولید کند.این پیشرفت‌ها در کنار LLMs، باعث شده‌اند که هوش مصنوعی مولد(generative AI)، به یکی از تکنولوژی‌های پیشرفته در حوزه هوش مصنوعی تبدیل شود.

استفاده از هوش مصنوعی مولد(generative AI)،  برای ایجاد متون و تصاویر واقعی در حال پیشرفت است، اما هنوز در ابتدای کار هستیم و مشکلاتی نظیر دقت و تبعیض و همچنین پاسخ‌های ناهنجار وجود دارد.با این حال، پیشرفت‌هایی که تاکنون حاصل شده‌اند، نشان می‌دهد که این فناوری می‌تواند برای تغییر کسب و کارها و توسعه محصولات جدید، به کار رود.در آینده، امکانات هوش مصنوعی مولد(generative AI)،  می‌توانند در نوشتن کدها، طراحی داروهای جدید، بازطراحی فرایندهای کسب و کار و بهبود زنجیره تأمین مورد استفاده قرار گیرند.

 

 

عملکرد هوش مصنوعی مولد(generative AI)، چگونه است؟

هوش مصنوعی مولد(generative AI)،  به صورت ساده با یک پیشنهاد شروع می‌شود و با استفاده از الگوریتم‌های مختلف، محتوای جدیدی را در پاسخ به پیشنهاد ایجاد می‌کند. این محتوا می‌تواند شامل مقالات، راه‌حل‌هایی برای مسائل و یا تصاویر و صداهای واقعی ساخته شده از تصاویر و صداهای یک فرد باشد.

در گذشته، استفاده از هوش مصنوعی مولد(generative AI)،  برای ایجاد محتوا نیازمند ارسال داده از طریق روش‌های پیچیده بود، اما اکنون تجربه کاربری بهتری ارائه شده است که به شما اجازه می‌دهد درخواست خود را با زبان ساده توصیف کنید. همچنین، شما می‌توانید نتایج را با ارائه بازخورد درباره سبک، تن و سایر عناصری که می‌خواهید محتوای مولد(generative AI)، شما نشان دهد، سفارشی کنید.

مدل‌های هوش مصنوعی مولد(generative AI)، 

مدل‌های هوش مصنوعی مولد(generative AI)،  از مجموعه تکنیک‌های هوش مصنوعی استفاده می‌کنند تا محتوای متنی یا تصویری جدیدی ایجاد کنند. برای مثال، برای تولید متن، از تکنیک‌های پردازش زبان طبیعی استفاده می‌شود که حروف، نشانه‌ها و کلمات را به جملات و بخش‌های گفتاری تبدیل می‌کنند، و برای تصاویر، از تکنیک‌های مختلف برای تفکیک عناصر بصری استفاده می‌شود. ذکر این نکته ضروری است که در فرایند آموزش مدل‌های هوش مصنوعی، از داده‌هایی استفاده می‌شود تا مدل بتواند الگوهایی را یاد بگیرد و در تولید محتوا به کار ببرد. اما اگر این داده‌ها شامل تعصبات و نژادپرستی باشند، مدل‌های هوش مصنوعی نیز ممکن است این تعصبات را یاد بگیرند و در تولید محتوا به کار ببرند.

بعد از انتخاب یک روش برای نمایش به همگان ، توسعه‌دهندگان یک شبکه عصبی خاص را برای تولید محتوای جدید در پاسخ به یک پرسش یا درخواست استفاده می‌کنند. این شبکه‌های عصبی می‌توانند با استفاده از تکنیک‌هایی مانند GANs و variational autoencoders (VAEs) – که شباهتی به دیکشنری دارند – چهره‌های انسان واقعی، داده‌های مصنوعی برای آموزش هوش مصنوعی و یا حتی تقلید از افراد خاص را تولید کنند.

پیشرفت‌های اخیر در تکنولوژی ترانسفورمرها، مانند نمایش دهنده‌های دوطرفه رمزگذار از ترانسفورمرها (BERT) گوگل، پردازش زبان طبیعی پیشرفته (GPT) از OpenAI و آلفافولد گوگل(پروژه پیشرفته در زمینه پیش‌بینی ساختار سه‌بعدی داده ها  )، شبکه‌های عصبی پیشرفته‌ای را فراهم کرده‌اند که نه تنها می‌توانند زبان، تصاویر وداده ها را پیش بینی کنند ، بلکه محتوای جدیدی نیز ایجاد کنند.

تحولات شبکه‌های عصبی در حوزه هوش مصنوعی

از اوایل دوران هوش مصنوعی، پژوهشگران در حال ساختن ابزارهایی برای تولید محتوا از طریق برنامه‌نویسی بودند. روش‌های اولیه، با نام سیستم‌های مبتنی بر قوانین و بعدها به عنوان “سیستم‌های خبره” شناخته می‌شدند، از قوانین صریح برای تولید پاسخ‌ها یا مجموعه‌داده‌ها استفاده می‌کردند.

شبکه‌های عصبی، که اساس بسیاری از برنامه‌های هوش مصنوعی و یادگیری ماشینی امروزی را تشکیل می‌دهند، مسئله را به شکلی متفاوت برعکس کردند. این شبکه‌ها، با طراحی برای شبیه‌سازی چگونگی کار مغز انسان، از طریق پیدا کردن الگوها در مجموعه‌های داده‌های موجود، قوانین را “یاد می‌گیرند”.

اولین شبکه‌های عصبی در دهه‌ی ۱۹۵۰ و ۱۹۶۰ توسعه یافته بودند، اما به دلیل عدم قدرت محاسباتی و کوچک بودن مجموعه‌داده‌ها، محدودیت‌هایی داشتند. تا زمانی که با ظهور داده‌های بزرگ در دهه‌ی ۲۰۰۰ و بهبودهای در سخت‌افزار کامپیوتر، شبکه‌های عصبی قابل استفاده برای تولید محتوا شدند. حوزه هوش مصنوعی و تولید محتوای مصنوعی با کشف راه حلی برای اجرای شبکه‌های عصبی به صورت موازی در واحدهای پردازش گرافیکی (GPU) که در صنعت بازی‌های ویدئویی استفاده می‌شد، پیشرفت چشمگیری داشت. تکنیک‌های جدید یادگیری ماشینی که در دهه‌ی گذشته توسعه یافته‌اند، از جمله شبکه‌های مولد و ترانسفورمرها، مرحله‌ی بعدی پیشرفت‌های چشم‌گیری در تولید محتوای هوش مصنوعی را فراهم آورده‌اند.

 

Dall-E، ChatGPT و Bard چیستند؟

رابط های جذاب هوش مصنوعی مولد(generative AI)،: ChatGPT, Dall-E , Bard

Dall-E: ، مثالی از یک برنامه هوش مصنوعی چندوجهی است که با استفاده از یک مجموعه داده بزرگ از تصاویر و توصیفات متنی مرتبط با آن‌ها، به ارتباطاتی بین چند رسانه‌ای مانند بینایی، متن و صدا پی می‌برد. در این مورد، این برنامه کلمات را با عناصر تصویری مرتبط می‌کند. Dall-E در سال 2021 با استفاده از پیاده سازی GPT شرکت OpenAI ساخته شده است. نسخه دوم و پیشرفته‌تر آن به نام Dall-E 2 در سال 2022 منتشر شد که به کاربران امکان تولید تصاویر در چندین سبک مختلف براساس پرسش کاربر را می‌دهد.

ChatGPTچت‌باتی قدرتمند که در نوامبر 2022 جهان را به خود مشغول کرد، با استفاده از پیاده‌سازی GPT-3.5 شرکت OpenAI ساخته شده است.

این شرکت راهی برای تعامل و بهینه‌سازی پاسخ‌های متنی با بازخورد تعاملی ارائه کرده است. نسخه‌های قبلی GPT فقط از طریق API قابل دسترسی بودند. GPT-4 در تاریخ 14 مارس 2023 منتشر شد. چت‌بات ChatGPT تاریخچه مکالمات خود با کاربر را در نتایج خود در نظر می‌گیرد و یک مکالمه واقعی را شبیه‌سازی می‌کند. بعد از محبوبیت فوق‌العاده رابط GPT جدید، شرکت مایکروسافت به OpenAI سرمایه‌گذاری جدید قابل توجهی اعلام کرد و یک نسخه از GPT را در موتور جستجوی بینگ خود یکپارچه سازی کرد.

Bard :گوگل یکی از رهبران اولیه در پیشگامی تکنیک‌های هوش مصنوعی ترانسفورمر برای پردازش زبان، و سایر انواع محتوا بود. این شرکت برخی از این مدل‌ها را برای محققان منبع باز کرد. اما هرگز یک رابط عمومی برای این مدل‌ها منتشر نکرد.

تصمیم مایکروسافت برای پیاده‌سازی GPT در بینگ، گوگل را به سرعت به بازار یک چت‌بات با رابط عمومی، به نام گوگل بارد، که بر اساس یک نسخه سبک از خانواده مدل‌های زبان بزرگش، LaMDA ساخته شده بود، ترغیب کرد. گوگل پس از اینکه بارد به صورت شتابیده رونمایی شد و این مدل زبانی زمانی که  به طور اشتباه گفت, تلسکوپ وب، اولین کشف سیاره در یک سامانه خورشیدی خارج از سیستم خورشیدی است، قیمت سهام بزرگی را از دست داد.

در همین حین، پیاده‌سازی‌های مایکروسافت و چت‌بات ChatGPT نیز به دلیل نتایج نادرست و رفتار نامنظم، از دسترس خارج شدند. گوگل به دنبال آن، نسخه جدیدی از بارد را با استفاده از پیشرفته ‌ترین مدل زبان بزرگ خود، PaLM 2، معرفی کرد که باعث می‌شود بارد در پاسخ به پرسش‌های کاربران، بیشتر به صورت بصری و کارآمدتر عمل کند.

کاربردهای هوش مصنوعی مولد(generative AI)،:

هوش مصنوعی مولد(generative AI)،  در کاربردهای مختلف به کار می‌رود تا محتوای متناسب با هر نوع نیازی تولید کند. فناوری هوش مصنوعی مولد(generative AI)، ، از جمله با پیشرفت‌های برجسته مانند GPT که برای کاربردهای مختلف تنظیم می‌شوند، این است که به راحتی در برخی کاربردهای روزانه مورد استفاده قرار گیرد.

برخی از کاربردهای هوش مصنوعی مولد(generative AI)،  عبارتند از:

• پیاده‌سازی ربات‌های چت برای خدمات مشتریان و پشتیبانی فنی.
• استفاده از deepfakes برای تقلید افراد یا حتی افراد خاصی.
• بهبود دوبله فیلم‌ها و محتوای آموزشی به زبان‌های مختلف.
• نوشتن پاسخ‌های ایمیل، پروفایل‌های دوستیابی، رزومه و مقالات دانشجویی.
• ایجاد هنرهای فوتو واقع‌گرایانه در یک سبک خاص.
• بهبود ویدئوهای نمایشی محصولات.
• پیشنهاد ترکیبات جدید دارو برای آزمایش.
• طراحی محصولات فیزیکی و ساختمان‌ها.
• بهینه‌سازی طرح‌های تراشه جدید.
• نوشتن موسیقی با یک سبک یا تن مشخص.

مزایای هوش مصنوعی مولد(generative AI)،  عبارتند از:

هوش مصنوعی مولد(generative AI)،  در بسیاری از زمینه‌های کسب و کار قابل استفاده است. این فناوری می‌تواند فرایند تفسیر و درک محتوای موجود را آسان‌تر کند و به صورت خودکار محتوای جدیدی ایجاد کند. توسعه‌دهندگان در حال بررسی راه‌هایی هستند که هوش مصنوعی مولد(generative AI)،  می‌تواند فرایندهای کاری موجود را بهبود بخشد

برخی از مزایای پتانسیلی پیاده‌سازی هوش مصنوعی مولد(generative AI)،  عبارتند از:

• خودکارسازی فرایند دستی نوشتن محتوا
• کاهش زمان و تلاش مورد نیاز برای پاسخ به ایمیل‌ها
• بهبود پاسخ به پرسش‌های فنی خاص
• ایجاد نمایش واقع‌گرایانه از افراد
• خلاصه‌سازی اطلاعات پیچیده به یک داستان هماهنگ
• ساده‌سازی فرایند تولید محتوا در یک سبک خاص

محدودیت‌های هوش مصنوعی مولد(generative AI)،  عبارتند از:

تحقیقات در حوزه هوش مصنوعی مولد(generative AI)،  نشان داده‌اند که این فناوری هنوز با چالش‌های بسیاری مواجه است. برخی از این چالش‌ها ممکن است به دلیل روش‌های خاصی باشند که برای پیاده‌سازی موارد کاربرد خاص استفاده می‌شوند.

یکی از چالش‌هایی که ممکن است در خلاصه‌سازی موضوعات پیش آید، تضاد بین خوانایی و دقت خلاصه است. به عنوان مثال، خلاصه‌سازی یک متن پیچیده به یک خلاصه ساده می‌تواند کمک کند تا مفاهیم اصلی به طور سریع تر فهمیده شوند، اما این ممکن است باعث از دست دادن بعضی از اطلاعات و جزئیات مهم شود. در عین حال، خوانایی متن خلاصه شده می‌تواند باعث شود که کاربران بیشتر از آن استفاده کنند، اما این ممکن است باعث شود که اطلاعات بیشتری از دست بروند.

با این حال، با پیشرفت تکنولوژی هوش مصنوعی، امیدواریم که بتوانیم به حل این چالش‌ها نزدیک‌تر شویم و بتوانیم از قابلیت‌های هوش مصنوعی برای رفع مشکلات مختلف  استفاده کنیم. همچنین، ارتقای آموزش و آموزش ماشین، بهبود الگوریتم‌ها و استفاده از داده‌های بیشتر، می‌تواند در بهبود کارایی و دقت هوش مصنوعی مولد(generative AI)،  کمک کند.

در ادامه برخی از محدودیت‌هایی که در پیاده‌سازی یا استفاده از برنامه هوش مصنوعی مولد(generative AI)،  باید مد نظر قرار گیرند، ذکر شده است:

• هوش مصنوعی مولد(generative AI)، همیشه منبع محتوا را شناسایی نمی‌کند.
• سختی در ارزیابی تعصب منابع اولیه.
• محتوای با صدای واقع‌گرایانه باعث می‌شود شناسایی اطلاعات نادرست دشوار شود.
• سختی در فهمیدن چگونگی تنظیم برای شرایط جدید.
• نتایج ممکن است تعصب، تبعیض و نفرت را نادیده بگیرند.

ترانسفورمرها: قابلیت‌های نوآورانه جدید.

در سال ۲۰۱۷، گوگل، یک نوع معماری شبکه عصبی جدید به نام “ترانسفورمرها” را معرفی کرد که با تمرکز بر مفهوم توجه، بهبود‌های قابل توجهی در کارایی و دقت در وظایف پردازش زبان طبیعی را به ارمغان آورد.

در سطح بالایی، مفهوم توجه به روش ریاضی توصیف ارتباط، تکمیل و تغییر چیزها (مانند کلمات) با یکدیگر اشاره دارد. در مقاله برجسته “توجه تنها چیزی که  نیاز دارید”، پژوهشگران ساختار ترانسفورمر را توضیح دادند و نشان دادند که چگونه یک شبکه عصبی ترانسفورمر با دقت بیشتری در ترجمه متن بین انگلیسی و فرانسوی موفق بود و به طور کلی، تنها در یک چهارم زمان آموزش نسبت به سایر شبکه‌های عصبی، این کار را انجام داد.

این تکنیک نوآورانه همچنین می‌تواند روابط و ترتیبات پنهان بین دیگر اجزایی  که در داده‌ها نهفته شده‌اند را کشف کند، که انسان‌ها به دلیل پیچیدگی بیشتر آن‌ها را بیان یا درک نکرده‌اند.

از زمان معرفی معماری ترانسفورمر، این ساختار به سرعت تکامل پیدا کرده و منجر به ایجاد LLM هایی مانند GPT-3 و بهبود تکنیک‌های پیش‌آموزشی به عنوان مثال BERT از گوگل شده است.

نگرانی‌های مربوط به هوش مصنوعی مولد(generative AI)،  چیستند؟

نگرانی‌های مختلفی درباره همه گیری هوش مصنوعی مولد(generative AI)،  وجود دارد. این نگرانی‌ها مربوط به کیفیت نتایج، احتمال سوء استفاده ، و تأثیر مخرب آن بر مدل‌های کسب و کار موجود هستند.

برخی از نگرانی‌های مربوط به هوش مصنوعی مولد(generative AI)،  عبارتند از:

• ارائه اطلاعات نادرست و گمراه‌کننده
• قابلیت اعتماد پایین، به دلیل نداشتن منبع و اصالت اطلاعات
• امکان قفل‌کردن مطالب بدون توجه به حقوق خالقان محتوای اصلی و هنرمندان
• تأثیر بر مدل‌های کسب و کار موجود که بر اساس بهینه‌سازی موتور جستجو و تبلیغات ساخته شده‌اند
• امکان ساخت خبر جعلی به راحتی
• تقلید از شواهد عکاسی واقعی برای نشان دادن کذب بودن آن‌ها
• تقلید از افراد برای حملات سایبری مهندسی اجتماعی.

نمونه‌هایی از ابزارهای هوش مصنوعی مولد(generative AI)،

ابزارهای هوش مصنوعی مولد(generative AI)،  برای مدل‌های مختلفی از جمله متن، تصویر، موسیقی، کد و صدا وجود دارند. برخی از محبوب‌ترین ابزارهای تولید محتوا با هوش مصنوعی عبارتند از:

• ابزارهای تولید متن مانند GPT، Jasper، AI-Writer و Lex
• ابزارهای تولید تصویر مانند Dall-E 2، Midjourney و Stable Diffusion
• ابزارهای تولید موسیقی مانند Amper، Dadabots و MuseNet
• ابزارهای تولید کد مانند CodeStarter، Codex، GitHub Copilot و Tabnine
• ابزارهای سنتز صدا مانند Descript، Listnr وai
• شرکت‌های طراحی تراشه هوش مصنوعی شامل Synopsys، Cadence، Google و

قابلیت های  هوش مصنوعی مولد(generative AI)،  بر اساس صنایع مختلف.

تکنولوژی‌های هوش مصنوعی مولد(generative AI)،  بعضی اوقات به عنوان تکنولوژی‌های عمومی مشابه با قدرت بخار، الکتریسیته و رایانه شناخته می‌شوند زیرا می‌توانند بر تعداد زیادی از صنایع و موارد کاربردی تأثیر گذار باشند. لازم است به خاطر داشته باشیم که، مانند تکنولوژی‌های عمومی قبلی، اغلب دهه‌ها طول می‌کشد تا مردم بهترین روش برای سازماندهی جریان کاری را برای بهره‌برداری از رویکرد جدید به جای افزایش سرعت قسمت‌های کوچکی از جریان کار فعلی پیدا کنند. در زیر چند نمونه از روش‌هایی که اعمال هوش مصنوعی مولد(generative AI)،  بر صنایع مختلف می‌تواند داشته باشد آورده شده است:

• در صنعت مالی، اعمال هوش مصنوعی مولد(generative AI)، برای پیشرفت سیستم‌های تشخیص تقلب، مشاهده تراکنش‌ها در زمینه تاریخچه فردی بسیار مؤثر است.
• شرکت‌های حقوقی می‌توانند از هوش مصنوعی مولد(generative AI)، استفاده کنند تا قراردادها را طراحی و تفسیر کنند، شواهد را تجزیه وتحلیل کرده و استدلال‌های پیشنهادی ارائه دهند.تولیدکنندگان می‌توانند از هوش مصنوعی مولد(generative AI)،  استفاده کنند تا از داده‌های دوربین‌ها، اشعه ایکس و سایر معیارها برای شناسایی قطعات معیوب و علل اصلی آن‌ها به صورت دقیق‌تر و اقتصادی‌تر استفاده کنند.
• شرکت‌های فیلم و رسانه‌ها می‌توانند از هوش مصنوعی مولد(generative AI)، برای تولید محتوا به صورت اقتصادی‌تر و ترجمه آن به زبان‌های دیگر با صدای خود بازیگران استفاده کنند.صنعت پزشکی می‌تواند از هوش مصنوعی مولد(generative AI)، برای شناسایی کاندیدهای موثرتر دارو استفاده کند.
• شرکت‌های معماری می‌توانند از هوش مصنوعی مولد(generative AI)، برای طراحی و تطبیق پروتوتایپ‌ها به صورت سریع استفاده کنند. .
• شرکت‌های بازی‌های ویدیویی می‌توانند از هوش مصنوعی مولد(generative AI)، برای طراحی محتوا و سطوح بازی استفاده کنند.

GPT به فناوری‌های عمومی پیوست

شرکت پژوهشی و استقراری هوش مصنوعی به نام OpenAI با استفاده از اصول ترانسفورمرها، مدل خود را آموزش داد و آن را با نام Generative Pre-trained Transformer یا GPT معرفی کرد. GPT همان سه حرف اول در نام فناوری‌های عمومی مانند موتور بخار، الکتریسیته و رایانه است. بسیاری موافق هستند که GPT و سایر پیاده‌سازی‌های ترانسفورمر، با کشف روش‌هایی برای استفاده از آنها در صنایع، علم، بازرگانی، ساختمانی و پزشکی، درنامگذاری های  خود از این نام الهام گرفته اند.

اخلاق و تبعیض در هوش مصنوعی مولد(generative AI)،

ابزارهای جدید هوش مصنوعی مولد(generative AI)، ، وعده هایی را در خصوص دقت، قابل اعتمادی، تبعیض، واقعیت مجازی و قفل باز کردن کپی‌رایت، به دنبال دارند. این مسائل اخلاقی احتمالاً سال‌ها طول می‌کشد تا به طور کامل حل شوند. اما واقعیت این است که هیچ یک از این مسائل در واقع  جدید نیستند و در حوزه هوش مصنوعی پیشین نیز مطرح بوده‌اند.

آخرین نسل از برنامه‌های هوش مصنوعی مولد(generative AI)، ، به ظاهر شبیه به هوش انسان هستند. اما برخلاف هوش انسان، هوش مصنوعی مولد(generative AI)، بیشتر برای انجام وظایف خاصی مانند تشخیص تصویر، ترجمه زبان، تحلیل داده‌ها و یا پاسخ به سوالات در قالب چت‌بات‌ها استفاده می‌شود واین قابلیت را ندارند که  به استدلال، انتقاد و حل مسائل پیچیده هم بپردازند.

اخیراً مهندسان گوگل برنامه‌ای با نام LaMDA را معرفی کردند که یک برنامه هوش مصنوعی مولد(generative AI)، برای برنامه‌های دیالوگ است. آن‌ها ادعا کردند که این برنامه قادر است به صورت آنلاین عمل کند. با این حال، یکی از مهندسان به دلیل ادعای نامناسب در مورد این برنامه، اخراج شد.

استفاده از هوش مصنوعی مولد(generative AI)، در حوزه های مختلف، مجموعه جدیدی از مسائل اخلاقی را به وجود آورده است. یکی از این مسائل، شناسایی شخصیت‌های تولید شده توسط هوش مصنوعی است که خیلی سخت قابل تشخیص هستند و در صورت بروز خطا، تشخیص آن‌ها دشوارتر می‌شود. این مسئله می‌تواند مشکل بزرگی باشد زمانی که نتایج هوش مصنوعی مولد(generative AI)،  برای نوشتن کد یا ارائه مشاوره پزشکی استفاده می‌شود.

بنابراین، مسائل اخلاقی در هوش مصنوعی مولد(generative AI)،  بسیار مهم هستند و باید به دقت مورد بررسی قرار گیرند. برای حل این مسائل، همکاری بین متخصصان هوش مصنوعی، فناوری، حقوق، اخلاق و سایر حوزه‌های مرتبط بسیار حائز اهمیت است.

با پیشرفت هوش مصنوعی، بسیاری از نتایج تولید شده توسط آن  دیگربه صورت شفاف نیستند. این موضوع باعث می‌شود که بسیاری از مسائل اخلاقی پیش آید. به عنوان مثال، سخت است بررسی کرد که آیا نتایج حاصل شده توسط هوش مصنوعی، در حال نقض حقوق تکثیر هستند یا آیا مشکلی در منابع اصلی از جایی که نتایج حاصل شده‌اند وجود دارد یا خیر؟همچنین، اگر نمی‌دانید هوش مصنوعی به چه نتیجه‌ای رسیده است، نمی‌توانید در مورد اینکه چرا ممکن است اشتباه باشد، استدلال کنید.

این موضوع نشان می‌دهد که بدون شفافیت در نتایج هوش مصنوعی، سخت است در مورد آن‌ها اظهار نظر کرد و تصمیمات مناسبی گرفت.

برای حل این مسائل، لازم است که مجموعه‌ای از استانداردها و قوانین اخلاقی برای استفاده از هوش مصنوعی تعریف شود. همچنین، برای افزایش شفافیت در نتایج هوش مصنوعی مولد(generative AI)، ، همکاری بین متخصصان هوش مصنوعی، فناوری، حقوق، اخلاق و سایر حوزه‌های مرتبط بسیار حائز اهمیت است.استفاده از هوش مصنوعی مولد(generative AI)،  در حوزه‌های مختلف، مسائل اخلاقی جدیدی را به وجود آورده است.

بنابراین، برای اطمینان از اینکه هوش مصنوعی به درستی و با رعایت اصول اخلاقی به کار گرفته می‌شود، باید به دقت مورد بررسی قرار گیرد و استانداردهایی برای استفاده از آن‌ها تعریف شود.

به طور کلی، هوش مصنوعی مولد(generative AI)،  دارای مزایا و معایبی است که باید به دقت در نظر گرفته شود. برای استفاده بهینه از این فناوری، نیاز به توجه به مسائل اخلاقی، شفافیت و حریم خصوصی مطرح شده است  تا بتوانیم از پتانسیل هوش مصنوعی بهره گرفته  و در عین حال، از خطرات آن جلوگیری کنیم.

هوش مصنوعی مولد(generative AI)، در برابر هوش مصنوعی

هوش مصنوعی مولد(generative AI)، ، محتوای جدید، پاسخ چت، طرح‌ها، داده‌های مصنوعی  و شبیه سازی ویدئویی تولید می‌کند. درصورتی که، هوش مصنوعی سنتی، بر روی تشخیص الگو، تصمیم‌گیری، تجزیه و تحلیل، دسته‌بندی داده‌ها و تشخیص تقلب تمرکز دارد.

همانطور که گفته شد، هوش مصنوعی مولد(generative AI)،  اغلب از تکنیک‌های شبکه‌های عصبی مانند ترانسفورمر، GAN و VAE استفاده می‌کند. در مقابل، دیگر انواع هوش مصنوعی از تکنیک‌هایی از جمله شبکه‌های عصبی کانولوشنی، شبکه‌های عصبی مکرر و یادگیری تقویتی استفاده می‌کنند.

هوش مصنوعی ت مولد(generative AI)، اغلب با یک پرسش شروع می‌شود که به کاربر یا منبع داده اجازه می‌دهد یک پرسش یا مجموعه داده را برای هدایت تولید محتوا ارائه کند. این می‌تواند یک فرآیند تکراری برای بررسی تغییرات محتوا باشد. الگوریتم‌های هوش مصنوعی سنتی، داده‌های جدید را برای بازگشت یک نتیجه ساده پردازش می‌کنند.

تاریخچه هوش مصنوعی مولد(generative AI)،

چت‌بات Eliza که در دهه ۱۹۶۰ توسط جوزف وایزنبام ایجاد شده بود، یکی از نمونه‌های اولیه هوش مصنوعی مولد(generative AI)،  بود. در این پیاده‌سازی‌های اولیه، از رویکرد مبتنی بر قوانین استفاده می‌شد که به دلیل دامنه محدود واژگان، کمبود متناسب با متن و به تناسب افراطی با الگوها، از جمله نواقص دیگر، به راحتی دچار مشکل می‌شد. چت‌بات‌های اولیه نیزباوجود اینکه  سفارشی  سازی شده بودند ولی فرایند توسعه پیچیده ای داشتند.

با پیشرفت شبکه‌های عصبی و یادگیری عمیق در سال ۲۰۱۰، این حوزه دوباره رونق گرفت و فناوری را قادر به یادگیری خودکار برای تجزیه متن موجود، دسته‌بندی عناصر تصویری و تبدیل صدا کرد.

در سال ۲۰۱۴، ایان گودفلو با معرفی GAN ها، تکنیک یادگیری عمیق جدیدی را برای تولید و ارزیابی تغییرات محتوا ارائه داد. این تکنیک، شبکه‌های عصبی رقابتی را برای تولید محتوا به کار می‌برد که می‌توانستند انسان‌ها، صداها، موسیقی و متن واقع‌گرا تولید کنند. با این حال، استفاده از هوش مصنوعی مولد(generative AI)،  برای ایجاد دیپفیکس‌های واقع‌گرایانه‌ای که می‌توانستند صدا و شخصیت افراد را در ویدئوها تقلید کنند، علاوه بر جذب علاقه، ترس را نیز به همراه داشت.

از آن زمان به بعد، پیشرفت در تکنیک‌ها و معماری‌های دیگر شبکه‌های عصبی، توانایی‌های هوش مصنوعی مولد(generative AI)،  را گسترش داده است. این تکنیک‌ها شامل VAE ها، حافظه کوتاه مدت طولانی، ترانسفورمرها، مدل‌های پخش و میدان‌های نوری عصبی هستند

راههای استفاده بهینه از هوش مصنوعی مولد(generative AI)،

استفاده از هوش مصنوعی مولد(generative AI)، و بهترین راههای استفاده بهینه از آن باتوجه  به نوع کاربری، و اهداف موردنظر متفاوت است. با این حال، در کار با هوش مصنوعی مولد(generative AI)، ، عوامل اساسی مانند دقت، شفافیت و سهولت استفاده باید مورد توجه قرار گیرند. بهترین شیوه‌های استفاده از هوش مصنوعی مولد(generative AI)،  عبارتند از:

• برچسب‌گذاری واضح و شفاف تمامی محتوای هوش مصنوعی ت مولد(generative AI)، برای کاربران و مشتریان.
• بررسی دقت محتوای ایجادشده توسط هوش مصنوعی با استفاده از منابع اصلی در صورت امکان.
• در نظر گرفتن تأثیر تعصب در نتایج هوش مصنوعی مولد(generative AI)،.
• بررسی مجدد کیفیت کد و محتوای ایجادشده توسط هوش مصنوعی با استفاده از ابزارهای دیگر.
• آشنایی با نقاط قوت و ضعف هر ابزار هوش مصنوعی مولد(generative AI)،.
• آشنایی با حالت‌های خطا رایج در نتایج و راه‌حل‌های آن‌ها.

آینده هوش مصنوعی مولد(generative AI)،

استفاده از هوش مصنوعی مولد(generative AI)،  با توانایی‌های فوق‌العاده، امیدوارکننده است؛ اما نیازمند ایمنی و مسئولیت‌پذیری بالاست. مشکلات جدی در اجرای اولیه، ایده‌هایی برای ساخت ابزارهای بهتری برای شناسایی محتوای مولد هوش مصنوعی فراهم آورده است. همچنین، صنعت و جامعه می‌توانند با ساخت ابزارهای بهتری برای پیگیری منشا اطلاعات، هوش مصنوعی قابل‌اعتمادتری را بسازند.

بهبود در پلتفرم‌های توسعه هوش مصنوعی، کمک به تسریع تحقیقات و توسعه قابلیت‌های بهتر هوش مصنوعی مولد(generative AI)،  در آینده برای متن، تصاویر، ویدئو، محتوای سه‌بعدی، داروها، زنجیره تأمین، لجستیک و فرآیندهای کسب و کار خواهد کرد. اما تأثیر بیشتر هوش مصنوعی مولد(generative AI)، ، از جایگزینی مستقیم این قابلیت‌ها در نسخه‌هایی از ابزارهایی است که اکنون استفاده می‌کنیم. بدون شک، این ابزارهای جدید تأثیر مهمی دارند، اما تأثیر بیشتری در آینده با جایگزینی مستقیم این قابلیت‌ها در ابزارهای موجود خواهد داشت.

در آینده، چکرهای گرامری بهبود خواهند یافت و ابزارهای طراحی، پیشنهادات مفیدتری را به‌صورت مستقیم در جریان کارها جای خواهند داد. همچنین، ابزارهای آموزشی، با شناسایی خودکار بهترین روش‌ها در یک بخش از سازمان، آموزش بهتر و کارآمدتر را فراهم خواهند کرد.

سؤالات رایج در زمینه هوش مصنوعی مولد(generative AI)،

در ادامه، سؤالات رایج درباره هوش مصنوعی مولد(generative AI)،  آمده است.

سازندگان هوش مصنوعی مولد(generative AI)،  چه کسانی هستند؟

در دهه ۱۹۶۰، جوزف وایزنبوم به عنوان بخشی از چت‌بات الیزا، اولین هوش مصنوعی مولد(generative AI)،  را ایجاد کرد. سپس، در سال ۲۰۱۴، یان گودفلو شبکه‌های مبارزه‌ای مولد(generative AI)،  را به منظور تولید افراد با دیدار و شنیدار واقعی‌تر، ارائه کرد. پژوهش‌های بعدی درباره مدل‌های زبانی از سوی Open AI و گوگل، به هیجان اخیری که در ابزارهایی مانند ChatGPT، Google Bard و Dall-E منجر شده است، انقلابی دیگر ایجادکرد

چگونه هوش مصنوعی مولد(generative AI)،  می‌تواند جایگزین شغل‌ها شود؟

هوش مصنوعی مولد(generative AI)، ، قابلیت جایگزینی برخی از شغل‌ها را دارد، از جمله:

• نوشتن توضیحات محصولات
• ایجاد متن تبلیغاتی
• تولید محتوای وب سایت‌های پایه
• آغاز فروش تعاملی
• پاسخ به سوال‌های مشتریان
• تولید گرافیک برای صفحات وب

بعضی شرکت‌ها به دنبال فرصت‌هایی هستند تا جایی که ممکن است، ابزارهای هوش مصنوعی را جایگزین انسانها کنند، در حالی که دیگران از هوش مصنوعی مولد(generative AI)،  استفاده می‌کنند تا نیروی کار موجود را تقویت و بهبود بخشند.

چگونه می‌توان یک مدل هوش مصنوعی مولد(generative AI)،  ایجاد کرد؟

برای ایجاد یک مدل هوش مصنوعی مولد(generative AI)، ، بهترین شروع، کدگذاری بهینه نمایش داده‌های مورد نظر است. این مدل‌ها با استفاده از بردارهایی که شباهت بین کلمات یا الگوهای موجود در تصاویر، صداها، DNA، داروها و طرح‌های سه بعدی را نشان می‌دهند، نمایش محتوای مورد نظر را فراهم می‌کنند و به طور کارآمدی به تولید گوناگونی از آن کمک می‌کنند. پیشرفت‌های اخیر در پژوهش‌های مدل‌های زبانی و تصویری، به ارائه روش‌های کارآمدتری برای نمایش الگوهای موجود در داده‌های مختلف، از جمله تصاویر، صداها، DNA و طرح‌های سه بعدی، کمک کرده است.

چگونه یک مدل هوش مصنوعی مولد(generative AI)،  را آموزش دهیم؟

مدل هوش مصنوعی مولد(generative AI)،  برای یک مورد استفاده خاص باید آموزش داده شود. پیشرفت‌های اخیر در شبکه‌های زبان طبیعی برای سفارشی کردن برنامه‌ها برای مورد استفاده‌های مختلف، یک نقطه شروع ایده‌آل را فراهم می‌کند. به عنوان مثال، مدل معروف GPT توسعه یافته توسط شرکت OpenAI برای نوشتن متن، تولید کد و ایجاد تصویر بر اساس توصیفات نوشتاری استفاده شده است.

آموزش شامل تنظیم پارامترهای مدل برای مورد استفاده‌های مختلف است و سپس بهبود نتایج بر روی مجموعه داده‌های آموزشی داده شده است. به عنوان مثال، یک مرکز تماس ممکن است یک چت‌بات را برای پاسخ به نوع سوالاتی که نمایندگان خدمات از انواع مختلف مشتریان دریافت می‌کنند و پاسخ‌هایی که نمایندگان خدمات در برابر آن‌ها می‌دهند، آموزش دهد. یک برنامه تولید تصویر، در مقابل به جای متن، با برچسب‌هایی که شامل محتوا و سبک تصاویر هستند، شروع به آموزش مدل برای تولید تصاویر جدید می‌کند.

چگونه هوش مصنوعی مولد(generative AI)، ، ایده های  خلاقانه را دگرگون می‌کند؟

هوش مصنوعی مولد(generative AI)، ، به افراد خلاق کمک می‌کند تا از گوناگونی‌های مختلفی از ایده‌ها برای طراحی و تولید کالا و خدمات استفاده کنند. به عنوان مثال، هنرمندان می‌توانند با شروع از یک طرح پایه، گوناگونی‌های آن را بررسی کنند و به نتیجه‌های متنوعی برای کار خود برسند. طراحان صنعتی نیز می‌توانند محصولات مختلفی را ایجاد کنند و معماران می‌توانند طراحی‌های مختلفی از ساختمان‌ها را بررسی کنند و آن‌ها را به عنوان نقطه شروعی برای بهبود و بهینه سازی بیشتر تصور کنند.

به علاوه، هوش مصنوعی مولد(generative AI)،  می‌تواند به دموکراتیزه کردن برخی از جنبه‌های کار خلاقانه کمک کند. به عنوان مثال، با استفاده از شرح متنی تصاویر، کاربران تجاری می‌توانند نمایش‌های بازاریابی محصولات خود را بررسی کنند و با استفاده از دستورها یا پیشنهادات ساده، بهبود آن‌ها را ایجاد کنند. به این ترتیب، هوش مصنوعی مولد(generative AI)،  به افراد خلاق کمک می‌کند تا به شکلی بهتر و با کیفیت‌تر خلق و نوآوری کنند.

آینده هوش مصنوعی مولد(generative AI)،  چیست؟

توانایی ChatGPT در تولید متنی شبیه به انسان، کنجکاوی گسترده‌ای در مورد قابلیت‌های هوش مصنوعی مولد(generative AI)، به وجود آورده است. همچنین، این توانایی، بسیاری از مشکلات و چالش‌هایی را که در پیش روی هوش مصنوعی مولد(generative AI)،  هستند، نیز برجسته کرده است.

در دوره کوتاه مدت، کار بر روی بهبود تجربه کاربری و جریان کار با استفاده از ابزارهای هوش مصنوعی مولد(generative AI)،  تمرکز خواهد شد. همچنین، ساختن اعتماد به نتایج هوش مصنوعی مولد(generative AI)،  بسیار مهم است.

بسیاری از شرکت‌ها نیز، هوش مصنوعی مولد(generative AI)،  را برای بهبود برندینگ و ارتباطات خود به داده‌های خود تنظیم می‌کنند. تیم‌های برنامه‌نویسی نیز از هوش مصنوعی مولد(generative AI)،  برای اجرای بهترین شیوه‌های شرکت برای نوشتن و قالب بندی کد‌های قابل خواندن و سازگار استفاده می‌کنند.

فروشندگان نیز، قابلیت‌های هوش مصنوعی مولد(generative AI)،  را به ابزارهای خود اضافه می‌کنند تا جریان کار تولید محتوا را ساده‌تر کنند. این باعث ایجاد نوآوری در روش‌های کاری جدیدی می‌شود که باعث افزایش بهره وری می‌شود.

هوش مصنوعی مولد(generative AI)، می‌تواند نقشی در جوانب مختلف پردازش، تبدیل، برچسب‌گذاری و بررسی داده باشد و به عنوان بخشی از جریان کارهای تحلیل افزوده استفاده شود. برنامه‌های وب معنایی می‌توانند از هوش مصنوعی ت مولد(generative AI)،  استفاده کنند تا به صورت خودکار دسته‌بندی داخلی توصیف کننده مهارت‌های شغلی را با دسته‌بندی‌های مختلف در سایت‌های آموزشی و استخدامی مرتبط کنند. به طور مشابه، تیم‌های تجاری از این مدل‌ها برای تبدیل و برچسب‌گذاری داده‌های شرکت‌های دیگر برای تحلیل ریسک پیشرفته و قابلیت‌های تحلیل فرصت استفاده می‌کنند.

در آینده، مدل‌های هوش مصنوعی مولد(generative AI)، برای حمایت از مدل‌های مدل‌سازی سه‌بعدی، طراحی محصول، توسعه دارو، توین‌های دیجیتال، زنجیره تأمین و فرآیندهای تجاری گسترش خواهند یافت. این به کاربران این امکان را می‌دهد که ایده‌های جدید محصول را تولید کنند، با مدل‌های سازمانی مختلف آزمایش کنند و ایده‌های تجاری مختلف را بررسی کنند.

آخرین فناوری‌های هوش مصنوعی مولد(generative AI)، چیست؟

• هنر هوش مصنوعی (هنر هوش مصنوعی)هنر هوش مصنوعی به هر نوع هنر دیجیتالی گفته می‌شود که با استفاده از ابزارهای هوش مصنوعی ایجاد یا بهبود داده شده است.
• Auto-GPT
  Auto-GPT یک نوع عامل هوش مصنوعی است که به صورت خودکار و برای دستیابی به یک هدف کلی، وظایف مختلفی را به صورت زنجیره‌ای انجام می‌دهد. این عامل با استفاده از مدل زبانی GPT-4 ساخته شده است و متن باز (open source) است
• Google Search Generative Experience
  Google Search Generative Experienc یک مجموعه از قابلیت‌ها و رابط‌های کاربری است که نتایج مولد(generative AI)، هوش مصنوعی را در پاسخ به جستجوی موتور جستجوی گوگل به کار می‌گیرد.
• یادگیری تقویتی Q
  یادگیری تقویتی Q یک رویکرد یادگیری ماشین است که با گرفتن اقدامات درست، برای بهبود به صورت تکراری مدل یاد می‌گیرد.
• Google Search Labs (GSE)
  GSE یک شاخه از شرکت گوگل است که قابلیت‌ها و آزمایش‌های جدید برای موتور جستجوی گوگل را در قالبی پیش‌نمایشی برای عموم قرار می‌دهد.
• امتیاز آغازین
  امتیاز آغازین یک الگوریتم ریاضی است که برای اندازه‌گیری یا تعیین کیفیت تصاویر ساخته شده توسط هوش مصنوعی مولد(generative AI)، از طریق شبکه‌های مولد دشمنانه استفاده می‌شود.
• یادگیری تقویتی از بازخورد انسانی (RLHF)
  RLHF یک رویکرد یادگیری ماشین است که با ترکیب تکنیک‌های یادگیری تقویتی، مانند پاداش‌ها و مقایسه‌ها، با هدایت انسانی برای آموزش یک عامل هوش مصنوعی استفاده می‌شود.
• واریانتیو اتوانکودر (VAE)
  واریانتیو اتوانکودر یک الگوریتم هوش مصنوعی مولد(generative AI)، است که با استفاده از یادگیری عمیق، محتوای جدید ایجاد می‌کند، ناهنجاری‌ها را شناسایی می‌کند و نویز را حذف می‌کند.

چند مدل مولد(generative AI)،  برای پردازش زبان طبیعی چیستند؟

برخی از مدل‌های مولد(generative AI)، برای پردازش زبان طبیعی عبارتند از:

• XLNet دانشگاه کارنگی ملون
• GPT شرکت OpenAI
• – ALBERT گوگل (“A Lite” BERT)
• BERT گوگل
• LaMDA گوگل

آیا هوش مصنوعی در آینده به آگاهی خود برسد؟

برخی از حامیان هوش مصنوعی، معتقدند که هوش مصنوعی مولد(generative AI)، گامی بنیادین به سمت هوش مصنوعی عمومی و حتی آگاهی است. یکی از تست کنندگان اولیه چت بات LaMDA گوگل حتی با اعلام عقیده علنی آن را آگاه اعلام کرد که باعث ایجاد شور و شعف شد. سپس او از شرکت اخراج شد.

در سال 1993، نویسنده علمی-تخیلی و دانشمند کامپیوتر آمریکایی ورنور وینج پیش‌بینی کرد که در 30 سال آینده، ما قابلیت فناوری برای ایجاد “هوش مصنوعی فوق بشری” را خواهیم داشت – یک هوش مصنوعی که باهوش‌تر از انسان‌ها باشد – و پس از آن دوران انسانی به پایان خواهد رسید. پیشگام هوش مصنوعی ری کورزوایل همچنین پیش‌بینی کرد که یک “سینگولاریتی” مشابه تا سال 2045 رخ خواهد داد.

بسیاری از دیگر متخصصان هوش مصنوعی فکر می‌کنند که این اتفاق ممکن است خیلی دورتر باشد. پیشگام ربات رادنی بروکس پیش‌بینی کرد که هوش مصنوعی در دوران عمرش به سطح آگاهی یک کودک ۶ ساله نمی‌رسد، اما تا سال ۲۰۴۸ می‌تواند به نظر هوشمند و مواظبت‌کننده مانند یک سگ به نظر برسد.

خطر وجودی هوش مصنوعی: آیا هوش مصنوعی تهدیدی برای بشریت است؟

نظر به هشدارهای اخیر درباره تهدید هوش مصنوعی برای بشریت، سازمانها باید چه اقداماتی انجام دهند؟ متخصصان و اخلاق‌دانان هوش مصنوعی، نظرات و پیشنهادات عملی را برای مدیریت خطرات هوش مصنوعی ارائه می‌دهند

آخرین اخبار و روند های هوش مصنوعی مولد(generative AI)،

هیجان ایجاد شده در باره هوش مصنوعی مولد(generative AI)،  به واقعیت در داده و تجزیه و تحلیل تبدیل می‌شود

سازمان‌ها در حال حاضر شروع به استفاده از این فناوری در عملیات داده‌ای خود می‌کنند، که به گسترش استفاده از تجزیه و تحلیل در بین بیشتر کارکنان و افزایش کارایی کارشناسان داده‌ای کمک می کند.

• اتچ‌پی‌ای (HPE) به ابر هوش مصنوعی که شرط بندی می‌کند.

اتچ‌پی‌ای (HPE) وارد بازار ارائه دهنده ابر عمومی هوش مصنوعی شده است، اما آیا آماده است؟ بیشتر درباره پیشنهادات هوش مصنوعی HPE GreenLake و تأثیر این حرکت برای کاربران بخوانید.

• آیا هوش مصنوعی می‌تواند شغل‌هایی را که در اینجا 9 نوع آن‌ها ذکر شده، جایگزین کند؟

این نه نوع شغل، از جمله کارهای اداری، خدمات مشتریان و تدریس، ممکن است توسط موج جدید هوش مصنوعی جایگزین، تقویت یا بهبود یابند.

• ابزار تجزیه و تحلیل رویداد، با استفاده از ChatGPT به پرسش‌های داده‌های CX پاسخ می‌دهد

میکس‌پنل با ابزار جدید پرسش داده‌ای تحت پشتیبانی هوش مصنوعی نسل جدید خود، کاربران را بهبود در استراتژی CX می‌دهد. با این ابزار، کاربران می‌توانند پرسش‌های مربوط به داده‌های CX را تایپ کرده و به صورت نمودار پاسخ بگیرند.

• توضیحاتی درباره مشکل دارشدن مدل‌های هوش مصنوعی به واسطه داده‌های آموزشی مصنوعی.

پدیده خرابی مدل در هوش مصنوعی را کشف کنید. یاد بگیرید که چرا هوش مصنوعی به داده‌های تولید شده توسط انسان نیاز دارد و چگونه می‌توان از خرابی مدل جلوگیری کرد.