هوش مصنوعی چیست؟
هوش مصنوعی شاخهای از علوم کامپیوتر است که به طراحی و توسعه سیستمهایی میپردازد که میتونند کارهایی رو انجام بدهند که با هوش انسان مرتبط هستند.
انواع هوش مصنوعی
هوش مصنوعی ضعیف (Narrow AI): این نوع هوش مصنوعی برای انجام یک کار خاص طراحی شده، مانند تشخیص چهره، ترجمه زبان یا بازی شطرنج، بیشتر سیستمهای هوش مصنوعی موجود در حال حاضر از این نوع هستند.
هوش مصنوعی عمومی (General AI): این نوع هوش مصنوعی بهاندازه انسان هوشمند است و هرکاری که یک انسان میتونه رو انجام میده. هنوز به چنین سطحی از هوش مصنوعی دست نیافتهایم.
سوپر هوش مصنوعی (Superintelligence): این نوع هوش مصنوعی از انسانها هوشمندتر هست و میتونه مشکلات بسیار پیچیدهای رو حل کنه که انسان قادر به حل آنها نیست.
تعریف موجود هوشمند
موجود هوشمند، موجودی هست که توانایی یادگیری، تطابق با محیط و ارتباط مؤثر با محیط رو داره و میتونه دانشش رو در جایی ذخیره کنه و از آن برای استنتاج استفاده کنه. هرچه در این موارد بهتر عمل کنه، هوشمندتر هست.
تست تورینگ
اگر سیستمی باشه که در عرض 5 دقیقه تا 30درصد بتونه انسان رو گول بزنه که تصور بشه که یک انسان در حال جواب هست نه یک ماشین، این ماشین، هوشمند است. برای اینکه این سیستم این تست رو پاس کنه باید بتونه عبارت زبانی رو درک کنه، یعنی زبان طبیعی نوشتاری رو پردازش و تحلیل و بعد اونچه که به دست آورده رو با دادههای موجودش مقایسه کنه و با توانایی استنتاج بتونه بهترین خروجی رو بده.
یادگیری ماشین
یادگیری ماشین (Machine Learning) یا ML، لایه میانی هست و زیرمجموعهای از هوش مصنوعی محسوب میشه. یادگیری ماشین به سیستمهایی گفته میشه که میتونند دادهها رو یاد بگیرند و بدون اینکه صریحا برنامهنویسی بشن، بهبود پیدا کنند. الگوریتمهای یادگیری ماشین میتونند الگوها رو در دادهها شناسایی کرده و پیشبینیهایی انجام بدهند.
یادگیری عمیق
یادگیری عمیق (Deep Learning)، لایه داخلی و تخصصیتره و زیرمجموعهای از یادگیری ماشین محسوب میشوند. یادگیری عمیق به استفاده از شبکههای مصنوعی با چندین لایه برای یادگیری ویژگیهای پیچیده از دادهها اشاره داره. این روش از ساختار مغز انسان الهام گرفته و در مواردی مانند تشخیص تصویر، پردازش زبان طبیعی و تولید محتوا بسیار موفق بوده.
شبکه عصبی
شبکه عصبی مصنوعی (Artificial Neural Networks) یا ANN الگوهایی هستند که از ساختار مغز انسان الهام گرفتهاند. آنها از تعداد زیادی واحد محاسباتی به نام نورون تشکیل شدهاند که به هم متصل هستند و مانند سلولهای عصبی در مغز عمل میکنند.
یادگیری ماشین زیرمجموعهای از هوش مصنوعی است و به سیستمهایی اشاره میکنه که میتونند از دادهها یاد بگیرند. یادگیری عمیق زیرمجموعهای از یادگیری ماشین است و به استفاده از شبکههای عصبی مصنوعی و با چندین لایه برای یادگیری ویژگیهای پیچیده اشاره داره.
پردازش زبان طبیعی یا NLP
Natural Language Processing یا NLP شاخهای از هوش مصنوعی است که به کامپیوترها توانایی درک، تفسیر و تولید زبان انسانی رو میده. به عبارت دیگه NLP به کامپیوترها کمک میکنه تا مثل انسانها با زبان تعامل کنند. چرا NLP مهمه؟
درک زبان انسان: NLP به کامپیوترها اجازه میده تا متن، گفتار و سایر دادههای زبانی رو تحلیل کرده و معنای آنها رو درک کنند.
تسهیل تعامل انسان و ماشین: با استفاده از NLP میتونیم با کامپیوترها به زبان طبیعی صحبت کنیم و آنها نیز به زبان طبیعی به ما پاسخ بدن.
انجام وظایف پیچیده: NLP به کامپیوترها اجازه میده تا وظایف پیچیدهای مانند ترجمه ماشینی، خلاصهسازی متن، تحلیل احساسات و پاسخگویی به سؤالات رو انجام دهند.
کاربردهای NLP
• موتورهای جستوجو: بهبود نتایج جستوجو با درک بهتر پرسشهای کاربران
• چت رباتها: ایجاد تعاملات طبیعی بین انسان و کامپیوتر
• ترجمه ماشین: ترجمه خودکار متن از یک زبان به زبان دیگر
• تحلیل احساسات: تشخیص احساسات مثبت، منفی یا خنثی در متن
• خلاصهسازی متن: خلاصهسازی خودکار متون طولانی
• سیستمهای توصیهگر: پیشنهاد محصولات یا خدمات براساس علایق کاربر
مدل زبانی
مدل زبانی نوعی مدل یادگیری ماشین هست که برای ایجاد یک توزیع احتمال بر روی کلمات آموزش داده میشه. این مدل سعی میکنه با توجه به متن داده شده، کلمه مناسب بعدی رو برای پر کردن یک فضای خالی در جمله یا عبارت پیشبینی کنه.
مدل زبانی بزرگ (LLM)
مدلهای زبانی بزرگ (Large Language Model) از جمله اجزای اساسی پردازش زبان طبیعی هستند. چرا که به ماشینها این امکان رو میدهند تا زبان انسانی رو درک، تولید و تجزیه و تحلیل کنند. آنها عمدتا با استفاده از مجموعههای بزرگی از متن شامل وب، مجموعه کتابها، مقالات، شبکههای اجتماعی آموزش داده میشوند، سپس مدلها از الگوهایی که از این دادههای آموزشی یاد میگیرند، برای پیشبینی کلمه بعدی در یک جمله یا تولید متنی جدید استفاده میکنند که گرامری صحیح و معنایی هماهنگ دارد. مدلهای زبانی بزرگ بر روی مجموعه دادههای عظیمی از متن و کد آموزش دیدهاند و میتونند الگوهای زبانی رو در این دادهها بیاموزند.
مدلهای زبانی بزرگ بر روی مجموعه دادههای عظیمی از متن و کد آموزش دیدهاند و میتونند الگوهای زبانی رو در این دادهها بیاموزند. این الگوها به آنها اجازه میده تا متنی تولید کنند که شبیه به متنی باشد که توسط انسان نوشته شده.
هوش مصنوعی مولد (زایا)
Generative AI نوعی هوش مصنوعی هست که در پاسخ به فرمان کاربر، قادر به تولید متن، تصاویر یا دیگر رسانهها هست. مدلهای هوش مصنوعی مولد الگوها و ساختار دادههای آموزشی ورودی خود رو یاد میگیرند و سپس دادههای جدیدی خلق یا تولید میکنند.
Prompt چیست؟
ابزار ارتباطی بین انسان و هوش مصنوعی رو Prompt میگویند. پرامپت همون سوال، دستور یا توضیح متنی یا تصویری هست که به مدل زبانی کمک میکنه تا بفهمه که کاربر چهچیزی میخواهد. مدلهای زبانی بعد از دریافت پرامپت کاربر، پاسخ رو تولید یا خلق میکنند.
مهندسی پرامپت: همان پرامپت نویسی است اما با نگاه مهندسی، یعنی علاوه بر شناخت توانمندهای هر پلتفرم، هوش مصنوعی به شیوهای ساختاریافته و با بهینهسازی مداوم، دستوراتی رو صادر کنیم تا به بهترین نتیجه برسیم.
نکات مهم برای پرامپت نویسی
• از گویش واضح استفاده کنیم
• استفاده از جملات کوتاه.
• از به کار بردن عبارات پیچیده و دوپهلو خودداری کنیم
• برای پرسیدن سؤالات فنی و تخصصی ترجیحا از انگلیسی استفاده کنیم
• استفاده از ابزارهای چک گرامر مانند Grammarly
• فینگلیش ننویسیم.
• توانایی مدلها رو بشناسیم
• مراقب پاسخها باشیم و آنها رو با منابع موثق مقایسه کنیم
• بازخورد ارائه دهیم
• به رشد مدلها برای فهم زبان فارسی کمک کنیم
• اطلاعات ناقص یا غلط رو در مورد ایران عزیز و زبان و فرهنگ غنی فارسی اصلاح کنیم
• صبور باشیم
• خلاقیت داشته باشیم.
مثال: اگر خواسته کاربر داشتن یک شعر کوتاه در مورد طبیعت باشه:
پرامپت ساده: یک شعر کوتاه در مورد طبیعت بنویس
پرامپت پیشرفته: تو یک شاعر رمانتیک هستی. یک شعر کوتاه و احساسی در مورد زیبایی طبیعت بنویس، بهطوری که خواننده احساس کند در دل طبیعت قدم میزند. از کلمات کلیدی مانند سبز، آسمان، باد، عشق استفاده کن. سعی کن از آرایههای ادبی مانند تشبیه و استعاره بهره ببری.
Prompt Framework
فریمورکهای مهندسی پرامپت یک چارچوب ساختاری هستند که بهمنظور تاثیرگذاری بر پاسخهای تولیدشده توسط مدلهای زبانی طراحی شده. این چارچوبها به دستهبندی درخواستها به نقشها، وظایف و فرمتها کمک میکنند تا ارتباطات واضحتری ایجاد شود.
معرفی 5 Prompt Framework
• PAR: Problem, Action, Result
برای حل مسائل و بهبود فرایندها بسیار مفید هست.
• RTF: Role, Task, Format
برای ایجاد محتواهای خلاقانه و متناسب با مخاطب خاص مناسب است.
• TAG: Target, Action, Goal
برای ایجاد پیامهای متقاعدکننده و هدایت مخاطب به سمت یک هدف خاص کاربرد دارد.
• BAB: Before, After, Bridge
برای ایجاد روایتهای جذاب و نشان دادن تغییر و تحول مناسب هست.
• CARE: Context, Action, Result, Evaluation
برای ارزیابی و بهبود عملکرد در پروژهها و برنامهها مفید است.
در ویدئو مثالهای مختلفی از فریمورکهای بالا زده شده که میتونید برای یادگیری بیشتر این قسمت (2:15:47 تا 2:40:17) رو ببینید.
ابزارهای هوش مصنوعی
• Leonardo
• Ideogram
• Zigap
• Chatgpt
• Gemini
برای آشنایی بیشتر با هر یک از ابزارها مثالهای ویدئو را در این قسمت (2:44:27 تا آخر ویدئو) ببینید.