اصطلاحات هوش مصنوعی | لیست کامل + واژنامه تخصصی

تا همین اواخر تصور ما از هوش مصنوعی تنها به فیلم‌های علمی تخیلی هالیوود محدود می‌شد اما امروزه تقریبا استفاده از یک دستیار هوشمند در کنار کارمان ضروری به نظر می‌رسد. کاربردهای هوش مصنوعی روز به روز در حال گسترش است و حالا با معرفی چت جی پی این ابزار قدرتمند در دسترس عموم قرار گرفته است. هوش مصنوعی در حال تلفیق با زندگی خصوصی ماست و اصطلاحات هوش مصنوعی در همه جای زندگی روزمره ما حضور خواهد داشت. به این ترتیب آشنایی با واژه نامه هوش مصنوعی از ضروریات زندگی ما خواهد بود. در این مطلب ما مهمترین اصطلاحات هوش مصنوعی را برای شما شرح خواهیم داد.

هوش مصنوعی چیست؟

هوش مصنوعی (Artificial intelligence) رشته‌ای در علوم کامپیوتر است که هدف آن ساخت سیستم‌هایی است که می‌توانند وظایف انسانی را انجام دهند. از هوش مصنوعی در برنامه‌های کامپیوتری و یا فناوری‌های رباتیک برای شبیه‌سازی هوش انسانی استفاده می‌شود. احتمالا اولین مواجهه شما با اصطلاحات هوش مصنوعی، چت بات هایی است که توسط شرکت‌های مختلف معرفی شده است. برخی از مشهورترین این چت‌بات‌ها عبارتند از:

• ChatGPT : چت جی پی تی یک چت بات هوش مصنوعی که از فناوری مدل زبان گسترده استفاده می‌کند.
• Google Bard : ربات چت هوش مصنوعی که توسط گوگل ارائه شده و عملکردی مشابه chatGPT دارد. در حالی که آموزش چت جی پی تی محدود به داده‌های تا سال 2021 است،  هوش مصنوعی گوگل بارد داده‌ها را از وب استخراج می‌کند.
• مایکروسافت بینگ (bing): هوش مصنوعی بینگ مایکروسافت نیز از فناوری قدرتمند ChatGPT برای ارائه نتایج جستجو استفاده می‌کند، در حالی که بر خلاف chatGPT منبع آن به فضای آنلاین متصل است. 
• میدجورنی (Midjourney): میدجورنی یک برنامه و سرویس هوش مصنوعی مولد است که توسط آزمایشگاه مستقل تحقیقاتی مستقر در سانفرانسیسکو میزبانی می‌شود. کاربران آن با استفاده از دستورات ربات Discord آثار هنری ایجاد می‌کنند.

اصطلاحات هوش مصنوعی 

آشنایی با اصطلاحات هوش مصنوعی می‌تواند درک بهتری از کاربرد هوش مصنوعی به شما بدهد. علاوه بر این برای گواهینامه حرفه‌ای، تهیه رزومه یا مصاحبه شغلی مرتبط با هوش مصنوعی می‌توانید از این واژه نامه تخصصی هوش مصنوعی استفاده کنید. این لیست اصطلاحات هوش مصنوعی نمایی کلی از موضوعات کلیدی هوش مصنوعی و یادگیری ماشینی به شما را ارائه می‌دهد.

هوش عمومی مصنوعی (Artificial general intelligence): در واقع AGI نسخه پیشرفته‌تری از هوش مصنوعی را نسبت به آنچه امروز می‌شناسیم پیشنهاد می‌کند، نسخه‌ای که می‌تواند وظایف را بسیار بهتر از انسان‌ها انجام دهد و در عین حال توانایی‌های خود را ارتقا داده و حتی انتقال دهد. 

حاشیه نویسی (Annotation): حاشیه‌نویسی از اصطلاحات هوش مصنوعی است که به فرآیند برچسب‌گذاری داده‌ها با اطلاعات اضافی برای کمک به درک و یادگیری در الگوریتم‌های یادگیری ماشینی اشاره دارد.

اخلاق هوش مصنوعی (AI ethic): از اصطلاحات هوش مصنوعی که شامل مجموعه اصولی است که با هدف جلوگیری از آسیب هوش مصنوعی برای انسان طراحی شده است، اصولی مانند تعیین نحوه جمع‌آوری داده‌ها یا برخورد با سوگیری سیستم‌های هوش مصنوعی. 

ملاحظات اخلاقی (Ethical considerations): آگاهی از پیامدهای اخلاقی هوش مصنوعی شامل مسائل مربوط به حریم خصوصی، سوء استفاده از داده‌ها و سایر مسائل امنیتی.

قابلیت کنترل (Controllability): توانایی درک، تنظیم و مدیریت فرآیند تصمیم‌گیری در یک سیستم هوش مصنوعی، اطمینان از دقت، ایمنی و رفتار اخلاقی آن و به حداقل رساندن پتانسیل پیامدهای نامطلوب است.

امنیت هوش مصنوعی (AI safety): از اصطلاحات هوش مصنوعی در حوزه ای بینارشته‌ای است که به تأثیرات بلندمدت هوش مصنوعی بر زندگی انسان می‌پردازد و امکان رسیدن به یک ابر هوش که می‌تواند با انسان رقابت خصمانه داشته باشد را بررسی می‌کند.

الگوریتم (Algorithm): مجموعه‌ای از دستورالعمل‌ها که به یک برنامه کامپیوتری اجازه می‌دهد تا داده‌ها را بر پایه روش و یا الگویی خاص، تجزیه و تحلیل کرده و یاد بگیرد، تا در نهایت بتواند وظایف را به تنهایی انجام دهد.

تراز (Alignment): به بهینه سازی هوش مصنوعی از تعدیل محتوا گرفته تا حفظ تعاملات مثبت با انسان اشاره داشته باشد.

آنتروپومورفیسم (Anthropomorphism): جان به بخشی به اشیا از اصطلاحات هوش مصنوعی است زمانی که انسان به اشیاء غیرانسانی خصوصیات انسانی بدهد. در هوش مصنوعی، این می‌تواند زمانی باشد که یک ربات چت شامل احساسات انسانی مانند خوشحالی و غم و… باشد و بیشتر از آنچه که باید شبیه انسان شود.

تعصب (Bias): در مدل های زبانی گسترده، خطاهای ناشی از داده های یادگیری هوش مصنوعی، می‌تواند منجر به نسبت دادن ویژگی‌های نادرست به نژادها یا گروه‌های خاص بر اساس کلیشه‌ها شود.

چت بات (Chatbot): برنامه‌ای که از طریق شبیه سازی زبان انسان، با انسان ارتباط برقرار می‌کند.

تقویت داده (Data augmentation): افزودن مجموعه‌ای متنوع از داده‌ها و یا ترکیب مجدد داده‌های موجود برای تقویت آموزش هوش مصنوعی. 

یادگیری عمیق (Deep learning): روشی از هوش مصنوعی و زیرشاخه یادگیری ماشینی که برای تشخیص الگوهای پیچیده در تصاویر، صدا و متن، از پارامترهایی استفاده می‌کند که از فرآیند مغز انسان الهام گرفته شده است. در واقع دیپ لرنینگ از شبکه‌های عصبی مصنوعی برای ایجاد الگوها استفاده می‌کند.

مدل قطعی (Deterministic Model): یک مدل قطعی که برای رسیدن به یک نتیجه از پیش تعیین شده، از مجموعه‌ای قوانین و شرایط خاص پیروی می‌کند. این مدل بر مبنای روابط علت و معلولی عمل می‌کند.

مدل های تفکیک کننده (Discriminative Models): مدل‌هایی که داده‌ها را طبقه‌بندی و برچسب گذاری می‌کنند. به عنوان مثال تشخیص می‌دهد یک تصویر عکس یک سگ است یا گربه.

انتشار (Diffusion): یک روش یادگیری ماشینی که به داده‌های موجود نویز تصادفی اضافه می‌کند. مدل‌های Diffusion شبکه‌های خود را برای مهندسی مجدد یا بازیابی آموزش می‌دهند.

رفتار اضطراری (Emergent behavior): زمانی که یک مدل هوش مصنوعی توانایی‌های پیش‌بینی نشده‌ و رفتارهای ناخواسته‌ای از خود نشان می‌دهد. 

یادگیری انتها به انتها یا E2E: یک فرآیند یادگیری عمیق که در این فرآیند از مدلی که برای انجام یک کار به صورت متوالی آموزش داده نشده است، خواسته می‌شود آن کار را از ابتدا تا انتها انجام دهد. مدل باید از ورودی‌ها یاد بگیرد و مسئله را به یکباره حل کند. 

مدل پایه (Foundation Model): مدل‌های بنیادی شامل دسته‌بندی گسترده‌ای از مدل‌های هوش مصنوعی است که انواع مدل‌های زبانی و دیگر مدل‌های بینایی کامپیوتری و مدل‌های یادگیری تقویتی را شامل می‌شود. این مدل‌ها به عنوان پایه‌ای برای اجرای دیگر برنامه‌ها عمل می‌کند.

Foom: فوم به عنوان جهش سریع و سخت یک AGI شناخته می‌شود، زمانی که ممکن است برای نجات بشریت خیلی دیر باشد!

شبکه‌های مولد متقابل (Generative adversarial networks): گن‌ها از اصطلاحات هوش مصنوعی است که نوع قدرتمندی از شبکه‌های عصبی هستند که قادر به تولید داده‌های جدیدی هستند که به داده‌های آموزشی شباهت دارند. این مدل هوش مصنوعی مولد برای تولید داده‌های جدید از دو شبکه عصبی تشکیل شده: تولیدکننده و تفکیک کننده. تولیدکننده محتوای جدیدی ایجاد می‌کند و تفکیک کننده بررسی می‌کند که آیا معتبر است یا خیر.

هوش مصنوعی مولد (Generative AI): از اصطلاحات هوش مصنوعی که نشان‌دهده فناوری تولید محتوا که برای ایجاد متن، ویدیو، کد رایانه یا تصاویر استفاده می‌شود. هوش مصنوعی الگوهایی را برای تولید پاسخ‌های جدید خود پیدا می‌کند، که گاهی اوقات می‌تواند شبیه به منبع داده‌ای باشد که خودش از آن تغذیه می‌کند.

مبدل آموزش دیده مولد (Generative Pre-trained Transformer): جی چی تی یا GPT نوعی مدل یادگیری عمیق برای تولید متنی است که بر روی مجموعه‌ای از داده‌های بزرگ آموزش داده شده  است. GPT-3 سومین نسخه از سری مدل های GPT است که دارای 175 میلیارد پارامتر قابل تنظیم با وزنه‌هایی برای پیش بینی است. GPT-4 آخرین مدل یادگیری عمیق OpenAI است که اولین مدل چندوجهی GPT است، به این معنی که برای خروجی متنی، هم ورودی‌های تصویری و هم متنی را می‌پذیرد.

محافظت (Guardrails): سیاست‌ها و محدودیت‌هایی که بر روی مدل‌های هوش مصنوعی اعمال می‌شود تا داده‌ها به طور مسئولانه مدیریت شوند و اطمینان حاصل شود که محتوای آزاردهنده ایجاد نمی‌کند. 

توهم (Hallucination): به وضعیتی اشاره دارد که پاسخ نادرست و بی‌معنا از هوش مصنوعی با اطمینان بیان می‌شود. این اغلب زمانی اتفاق می‌افتد که سیستم بیش از حد به داده‌های آموزشی خود متکی است یا درک درستی از موضوع ندارد اما دلایل این امر کاملاً مشخص نیست. 

مدل زبان گسترده یا LLM: از اصطلاحات هوش مصنوعی که به یک مدل هوش مصنوعی اشاره دراد که برای درک زبان انسان بر روی مقادیر انبوهی از داده‌های متنی آموزش داده شده و قادر به تولید محتوا به زبان طبیعی است.

حافظه محدود (Limited memory): حافظه محدود نوعی سیستم هوش مصنوعی است که دانش را از رویدادهای بلادرنگ بدست آورده و در پایگاه داده ذخیره می‌کند تا پیش‌بینی‌های بهتری انجام دهد.

یادگیری ماشینی یا ML : مؤلفه‌ای در نرم افزارهای هوش مصنوعی که اجازه می‌دهد ماشین‌ها بدون برنامه‌ مجزا یاد بگیرند و خزوجی پیش‌بینی‌ شده بهتری داشته باشند. می‌تواند با مجموعه های آموزشی برای تولید محتوای جدید همراه شود. 

هوش مصنوعی چندوجهی (Multimodal AI): نوعی از مدل هوش مصنوعی یادگیری عمیق که هم بر روی داده‌های متنی و هم بر روی داده‌های غیرمتنی آموزش داده شده و می‌تواند انواع مختلف ورودی از جمله متن، تصاویر، ویدئوها و گفتار را پردازش کند. 

پردازش زبان طبیعی (Natural language processing): شاخه‌ای از هوش مصنوعی که از یادگیری ماشینی و یادگیری عمیق مانند الگوریتم‌های یادگیری، مدل‌های آماری و قوانین زبانی استفاده می‌کند تا به رایانه‌ها توانایی درک زبان انسان را بدهد.

شبکه عصبی (Neural network): یک مدل محاسباتی جهت تشخیص الگوهای داده که ساختار آن شبیه مغز انسان است. این مدل شامل گره‌های به هم پیوسته مانند نورون‌های عصبی است که می توانند الگوها را تشخیص دهند و در طول زمان یاد بگیرند. 

تطبیق بیش از حد (Overfitting): خطا در یادگیری ماشینی زمانی که بسیار نزدیک به داده‌های آموزش دیده عمل می‌کند و ممکن است فقط بتواند نمونه‌های خاصی را در این داده‌ها شناسایی کند، اما نه داده‌های جدید. 

پارامترها (Parameters): مقادیر عددی که ساختار و رفتار مدل زبانی (LLM) را شکل می‌دهد و قدرت پیش‌بینی را به آن می‌دهد.

زنجیره سریع (Prompt chaining): توانایی هوش مصنوعی جایی که از اطلاعات تعاملات قبلی برای پاسخ‌های آینده هوش مصنوعی استفاده می‌کند.

یادگیری تقویتی (Reinforcement learning): یادگیری تقویتی نوعی از یادگیری ماشینی است که در آن یک الگوریتم از طریق تعامل با محیط خود یاد می‌گیرد و سپس بر اساس اقدامات خود پاداش می‌گیرد یا جریمه می‌شود.

تکرار تصادفی (Stochastic parrot): قیاسی که نشان می‌دهد صرف نظر از اینکه خروجی LLM چقدر قانع‌کننده به نظر برسد، این مدل درک بیشتری از معنای پشت زبان یا دنیای اطراف آن ندارد. 

انتقال سبک (Style transfer): هوش مصنوعی با تطبیق سبک یک تصویر با تصاویر دیگر، می‌تواند ویژگی‌های بصری یک تصویر را تفسیر کند و از آن در جای دیگری استفاده کند. مثلاً سلف پرتره رامبراند را به سبک کوبیسم پیکاسو بازآفرینی کند.

دما (Temperature): دما یکی از اصطلاحات هوش مصنوعی است که به پارامتری برای کنترل خروجی‌های تصادفی یک مدل زبانی اشاره دارد. دمای بالاتر به این معنی است که پاسخ‌های مدل ریسک بیشتری خواهد داشت. 

داده‌های آموزشی (Training data): مجموعه‌های داده‌ای که برای آموزش مدل‌های هوش مصنوعی استفاده می‌شوند.

مدل ترانسفورماتور (Transformer model): یک مدل یادگیری عمیق با معماری شبکه عصبی که با ردیابی روابط داده‌ها، مانند جملات یا بخش‌های تصاویر، محتوا را درک می‌کند. بنابراین به جای تجزیه و تحلیل کلمات هر جمله، می تواند کل مطلب را در نظر می‌گیرد.

تست تورینگ (Turing test): یکی از اصطلاحات هوش مصنوعی است که از نام ریاضیدان و دانشمند مشهور علوم کامپیوتر، آلن تورینگ گرفته شده است و توانایی یک ماشین را برای رفتار انسان‌گونه آزمایش می‌کند. تست دستگاه زمانی مثبت خواهد که پاسخ دستگاه را از انسان نتوان تشخیص داد.

یادگیری صفر شات (Zero-shot learning): آزمونی که در آن یک مدل، کاری را بدون داده‌های آموزشی کافی انجام دهد.

منبع