مدل هوش مصنوعی چیست؟

تفاوت الگوریتم‌ها و مدل‌ها

هرچند این دو اصطلاح در این زمینه اغلب به جای یکدیگر استفاده می‌شوند، اما دقیقاً یک معنا ندارند.

• الگوریتم‌ها فرآیندهایی هستند که اغلب به زبان ریاضی یا شبه‌کد توصیف می‌شوند و برای دستیابی به یک عملکرد یا هدف خاص روی یک مجموعه داده اعمال می‌شوند.
• مدل‌ها خروجی الگوریتمی هستند که روی یک مجموعه داده اعمال شده است.

به زبان ساده، یک مدل AI برای پیش‌بینی یا تصمیم‌گیری استفاده می‌شود و یک الگوریتم منطق اصلی است که مدل AI بر اساس آن عمل می‌کند.

مدل‌های AI و یادگیری ماشین

مدل‌های AI می‌توانند تصمیم‌گیری را خودکار کنند، اما تنها مدل‌هایی که قابلیت یادگیری ماشین (ML) دارند قادرند به صورت خودمختار عملکرد خود را در طول زمان بهینه کنند.

در حالی که همه مدل‌های ML نوعی AI هستند، همه AI‌ها شامل یادگیری ماشین نمی‌شوند. ابتدایی‌ترین مدل‌های AI مجموعه‌ای از عبارات if-then-else هستند که قوانین آن‌ها به صورت صریح توسط دانشمند داده برنامه‌ریزی شده است. این مدل‌ها با نام‌های دیگری مانند موتورهای قانون‌محور، سیستم‌های خبره، گراف‌های دانش یا AI نمادین شناخته می‌شوند.

مدل‌های یادگیری ماشین از AI آماری به جای AI نمادین استفاده می‌کنند. در حالی که مدل‌های AI قانون‌محور باید به صورت صریح برنامه‌ریزی شوند، مدل‌های ML با اعمال چارچوب‌های ریاضی خود روی یک مجموعه داده نمونه “آموزش داده می‌شوند”. نقاط داده در این مجموعه، مبنای پیش‌بینی‌های آینده مدل در دنیای واقعی هستند.

تکنیک‌های مدل ML به طور کلی به سه دسته اصلی تقسیم می‌شوند:

• یادگیری نظارت‌شده (Supervised Learning):
  که به عنوان یادگیری ماشین “کلاسیک” شناخته می‌شود، نیاز به یک متخصص انسانی دارد تا داده‌های آموزشی را برچسب‌گذاری کند. برای مثال، یک دانشمند داده که یک مدل تشخیص تصویر را برای شناسایی سگ‌ها و گربه‌ها آموزش می‌دهد باید تصاویر نمونه را با برچسب‌هایی مانند “سگ” یا “گربه” مشخص کند و همچنین ویژگی‌های کلیدی مانند اندازه، شکل یا خز که این برچسب‌های اصلی را مشخص می‌کنند. سپس مدل می‌تواند در طول آموزش از این برچسب‌ها برای استنتاج ویژگی‌های بصری معمولی سگ‌ها و گربه‌ها استفاده کند.
• یادگیری بدون نظارت (Unsupervised Learning):
  برخلاف روش‌های یادگیری نظارت‌شده، یادگیری بدون نظارت فرض نمی‌کند که پاسخ‌های “درست” یا “غلط” از قبل وجود دارند و بنابراین نیازی به برچسب‌گذاری ندارد. این الگوریتم‌ها الگوهای ذاتی در مجموعه داده‌ها را شناسایی می‌کنند تا نقاط داده را به گروه‌هایی دسته‌بندی کنند و پیش‌بینی‌ها را اطلاع دهند. به عنوان مثال، کسب‌وکارهای تجارت الکترونیک مانند آمازون از مدل‌های ارتباطی بدون نظارت برای ارائه پیشنهادات در موتورهای توصیه استفاده می‌کنند.
• یادگیری تقویتی (Reinforcement Learning):
  در یادگیری تقویتی، یک مدل به صورت کلی از طریق آزمون و خطا یاد می‌گیرد و با پاداش دادن به خروجی‌های درست (یا جریمه کردن خروجی‌های نادرست) بهینه می‌شود. مدل‌های تقویتی برای پیشنهادات شبکه‌های اجتماعی، معاملات الگوریتمی سهام، و حتی خودروهای خودران استفاده می‌شوند.

یادگیری عمیق (Deep Learning)

یادگیری عمیق زیرمجموعه‌ای پیشرفته‌تر از یادگیری بدون نظارت است که ساختار شبکه‌های عصبی آن تلاش می‌کند تا ساختار مغز انسان را شبیه‌سازی کند. لایه‌های متعدد از گره‌های به‌هم‌پیوسته به تدریج داده‌ها را دریافت می‌کنند، ویژگی‌های کلیدی را استخراج می‌کنند، روابط را شناسایی می‌کنند و تصمیمات را در فرایندی به نام Forward Propagation اصلاح می‌کنند. فرایند دیگری به نام Backpropagation مدل‌هایی را اعمال می‌کند که خطاها را محاسبه کرده و وزن‌ها و بایاس‌های سیستم را تنظیم می‌کنند. بیشتر برنامه‌های پیشرفته AI، مانند مدل‌های زبانی بزرگ (LLM) که چت‌بات‌های مدرن را قدرت می‌بخشند، از یادگیری عمیق استفاده می‌کنند. این روش نیازمند منابع محاسباتی بسیار زیادی است.

مدل‌های مولد در مقابل مدل‌های تمایزی

یکی از روش‌های تفکیک مدل‌های یادگیری ماشین، بررسی روش‌شناسی بنیادی آن‌ها است. بیشتر مدل‌ها را می‌توان به دو دسته مولد یا تمایزی تقسیم کرد. تفاوت این دو در نحوه مدل‌سازی داده‌ها در فضای مشخصی است.

مدل‌های مولد (Generative Models)

مدل‌های مولد، که معمولاً شامل یادگیری بدون نظارت هستند، توزیع نقاط داده را مدل‌سازی کرده و هدفشان پیش‌بینی احتمال مشترک P(x,y) برای ظاهر شدن یک نقطه داده خاص در یک فضای مشخص است. برای مثال، یک مدل مولد در حوزه بینایی کامپیوتری ممکن است همبستگی‌هایی مانند “چیزهایی که شبیه ماشین هستند معمولاً چهار چرخ دارند” یا “چشم‌ها بعید است بالای ابروها ظاهر شوند” را شناسایی کند.

این پیش‌بینی‌ها می‌توانند به تولید خروجی‌هایی که مدل آن‌ها را بسیار محتمل می‌داند کمک کنند. به عنوان مثال، یک مدل مولد آموزش‌دیده بر داده‌های متنی می‌تواند پیشنهادات املا یا تکمیل خودکار را ارائه دهد؛ در پیچیده‌ترین سطح، حتی می‌تواند متن کاملاً جدید تولید کند. به طور خلاصه، زمانی که یک مدل زبانی بزرگ (LLM) متن تولید می‌کند، احتمال بالایی برای ترتیب خاصی از کلمات در پاسخ به ورودی داده‌شده محاسبه کرده است.

کاربردهای رایج مدل‌های مولد

کاربردهای رایج مدل‌های مولد شامل تولید تصویر، ساخت موسیقی، انتقال سبک و ترجمه زبان می‌شوند.

مثال‌هایی از مدل‌های مولد:

• مدل‌های انتشار (Diffusion Models):
  این مدل‌ها به تدریج نویز گوسی را به داده‌های آموزشی اضافه می‌کنند تا داده‌ها غیرقابل تشخیص شوند و سپس فرآیند معکوس “کاهش نویز” را یاد می‌گیرند که می‌تواند خروجی (معمولاً تصاویر) را از نویز تصادفی تولید کند.
• خودرمزگذارهای تنوعی (Variational Autoencoders یا VAEs):
  VAEs شامل یک رمزگذار هستند که داده‌های ورودی را فشرده‌سازی می‌کند و یک رمزگشا که فرآیند را معکوس کرده و توزیع احتمالی داده‌های محتمل را مدل‌سازی می‌کند.
• مدل‌های ترانسفورمر (Transformer Models):
  مدل‌های ترانسفورمر از تکنیک‌های ریاضی به نام توجه (Attention) یا توجه به خود (Self-Attention) استفاده می‌کنند تا مشخص کنند چگونه عناصر مختلف در یک سری داده بر یکدیگر تأثیر می‌گذارند. به عنوان مثال، “GPT” در Chat-GPT شرکت OpenAI مخفف Generative Pretrained Transformer است.