دنیای جدید هوش مصنوعی

هوش مصنوعی به سرعت در حال تغییر دنیای ماست و همزمان زبانی جدید برای توصیف این تغییرات ایجاد می‌کند.

حضور در هر نشست محصول، ارائه یا پنل‌های امروزی شما را با واژه‌هایی مانند LLMs، RAG و RLHF آشنا می‌کند. این واژگان آن‌قدر سریع پیشرفت می‌کنند که حتی افراد ماهر در دنیای فناوری احساس ناامنی می‌کنند.

تعاریف کلیدی در زمینه هوش مصنوعی

این راهنما سعی دارد تا تعاریف ساده‌تری از مهم‌ترین اصطلاحات هوش مصنوعی ارائه دهد تا شما بتوانید بهتر درک کنید.

AGI (هوش عمومی مصنوعی)

AGI به هوش مصنوعی اشاره دارد که در بسیاری از وظایف از انسان‌ها پیشرفته‌تر است. این اصطلاح می‌تواند متفاوت تعبیر شود، اما عمدتاً به سیستم‌هایی که به طور خودکار می‌توانند بیشتر کارهای اقتصادی را انجام دهند، اطلاق می‌شود.

عاملی هوش مصنوعی (AI Agent)

یک عامل هوش مصنوعی ابزاری است که برای انجام مجموعه‌ای از وظایف به کار می‌رود. این ابزار فراتر از چت‌بات‌های ساده است و قادر به انجام کارهایی مانند ارسال فاکتور، رزرو بلیت و حتی نوشتن و نگهداری کد است.

API Endpoints

API endpoints به عنوان “دکمه‌ها” در نرم‌افزار عمل می‌کنند که دیگر برنامه‌ها می‌توانند با فشردن آن‌ها نرم‌افزار را به کار بیندازند. این ابزارها به توسعه‌دهندگان کمک می‌کنند تا قابلیت‌های یک برنامه را گسترش دهند.

زنجیره تفکر (Chain of Thought)

زنجیره تفکر به فرایند تجزیه یک مسئله به مراحل کوچکتر اشاره دارد. این روش به بهبود کیفیت نتایج کمک می‌کند و اغلب در زمینه‌هایی که نیاز به تفکر منطقی دارند، کاربرد دارد.

عاملی کدنویسی (Coding Agent)

این نوع خاص از عامل هوش مصنوعی توانایی نوشتن، آزمایش و اشکال‌زدایی کد به‌طور خودکار را دارد. این برنامه‌ها می‌توانند در کل کد عمل کنند و حداقل نظارت انسانی را نیاز دارند.

محاسبات (Compute)

محاسبات به قدرت محاسباتی ضروری اشاره دارد که به مدل‌های هوش مصنوعی امکان فعالیت می‌دهد. این قدرت معمولاً از سخت‌افزارهایی بوجود می‌آید که پایه و اساس صنعت هوش مصنوعی را تشکیل می‌دهند.

یادگیری عمیق (Deep Learning)

یادگیری عمیق به استفاده از شبکه‌های عصبی مصنوعی اشاره دارد که به سیستم‌ها اجازه می‌دهد تا الگوها و ویژگی‌های پیچیده‌تری از داده‌ها را شناسایی کنند. این روش به توسعه‌دهندگان کمک می‌کند تا از خطاهای خود بیاموزند و عملکردهای بهتری ارائه دهند.

دیفیوژن (Diffusion)

دیفیوژن به فرایند تخریب تدریجی ساختار داده‌ها اشاره دارد. این روش در تولید محتواهای هنری و متنی استفاده می‌شود و هدف آن یادگیری فرایندی معکوس برای بازیابی داده‌ها از نویز است.

تصعید (Distillation)

تصعید به تکنیک استخراج دانش از یک مدل هوش مصنوعی بزرگ اشاره دارد. این پروسه به ایجاد مدل‌های کوچک‌تر و کارآمدتر از مدل‌های بزرگ‌تر کمک می‌کند.

تنظیم دقیق (Fine-tuning)

تنظیم دقیق به فرایند آموزش مجدد یک مدل هوش مصنوعی برای بهینه‌سازی عملکرد در یک وظیفه خاص اشاره دارد. این کار معمولاً با وارد کردن داده‌های جدید و تخصصی انجام می‌شود.

GAN (شبکه مولد متضاد)

GAN به فریم‌ورکی اشاره دارد که برای تولید داده‌های واقعی از دو شبکه عصبی استفاده می‌کند. این دو شبکه با یکدیگر رقابت می‌کنند تا خروجی‌های واقعی‌تری تولید کنند.

توهم (Hallucination)

توهم به تولید اطلاعات نادرست توسط مدل‌های هوش مصنوعی اشاره دارد. این مشکل می‌تواند خطرات واقعی ایجاد کند و باعث انتشار اطلاعات غلط شود.

استنباط (Inference)

استنباط فرایند اجرای یک مدل هوش مصنوعی برای پیش‌بینی یا نتیجه‌گیری از داده‌های پیشین است. این فرایند نیازمند آموزش مدل در ابتدا است.

مدل‌های زبان بزرگ (LLM)

مدل‌های زبان بزرگ، که توسط دستیاران هوش مصنوعی مشهور مانند ChatGPT استفاده می‌شوند، به شبکه‌های عصبی عظیمی اطلاق می‌شود که الگوهای زبانی را شناسایی می‌کنند.

کش حافظه (Memory Cache)

کش حافظه فرایند بهینه‌سازی است که بر سرعت استنباط در مدل‌های هوش مصنوعی تأثیر می‌گذارد و موجب می‌شود تا محاسبات کمتری انجام شود.

پروتکل زمینه مدل (MCP)

MCP یک استاندارد باز است که به مدل‌های هوش مصنوعی اجازه می‌دهد با ابزارها و داده‌های خارجی ارتباط برقرار کنند.