هر آنچه باید در مورد هوش مصنوعی بدانید

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی چند لایه، به نام شبکه‌های عصبی عمیق، استفاده می‌کند که قدرت تصمیم‌گیری پیچیده مغز انسان را از نزدیک‌تر شبیه‌سازی می‌کنند.

شبکه‌های عصبی عمیق شامل یک لایه ورودی، حداقل سه لایه پنهان اما معمولاً صدها لایه پنهان و یک لایه خروجی هستند، برخلاف شبکه‌های عصبی مورد استفاده در مدل‌های کلاسیک یادگیری ماشین که معمولاً فقط یک یا دو لایه پنهان دارند.

این لایه‌های چندگانه، یادگیری بدون نظارت را امکان‌پذیر می‌کنند: آنها می‌توانند استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار، خودکار کنند و پیش‌بینی‌های خود را در مورد آنچه داده‌ها نشان می‌دهند، انجام دهند.

از آنجایی که یادگیری عمیق نیازی به مداخله انسان ندارد، یادگیری ماشین را در مقیاس عظیمی امکان‌پذیر می‌کند. این برای پردازش زبان طبیعی (NLP)، بینایی کامپیوتر و سایر کارهایی که شامل شناسایی سریع و دقیق الگوها و روابط پیچیده در مقادیر زیادی از داده‌ها هستند، مناسب است. نوعی از یادگیری عمیق، بیشتر برنامه‌های هوش مصنوعی (AI) را در زندگی ما امروزه تقویت می‌کند.

یادگیری عمیق همچنین موارد زیر را امکان‌پذیر می‌کند:

• یادگیری نیمه نظارت شده، که یادگیری نظارت شده و بدون نظارت را با استفاده از داده‌های برچسب‌گذاری شده و بدون برچسب برای آموزش مدل‌های هوش مصنوعی برای کارهای طبقه‌بندی و رگرسیون ترکیب می‌کند.

• یادگیری خود نظارت شده، که به جای تکیه بر مجموعه داده‌های برچسب‌گذاری شده برای سیگنال‌های نظارتی، برچسب‌های ضمنی را از داده‌های بدون ساختار تولید می‌کند.

• یادگیری تقویتی، که به جای استخراج اطلاعات از الگوهای پنهان، با آزمون و خطا و توابع پاداش می‌آموزد.

• یادگیری انتقالی، که در آن دانش به دست آمده از طریق یک کار یا مجموعه داده برای بهبود عملکرد مدل در یک کار مرتبط دیگر یا مجموعه داده‌های مختلف استفاده می‌شود.

در مرحله بعد، مدل باید برای یک کار تولید محتوای خاص تنظیم شود. این کار را می توان به روش های مختلفی انجام داد، از جمله:

• تنظیم دقیق، که شامل تغذیه مدل با داده‌های برچسب‌گذاری شده خاص برنامه – سؤالات یا درخواست‌هایی که برنامه احتمالاً دریافت می‌کند، و پاسخ‌های صحیح مربوطه در قالب مورد نظر است.

• یادگیری تقویتی با بازخورد انسانی (RLHF)، که در آن کاربران انسانی صحت یا ارتباط خروجی‌های مدل را ارزیابی می‌کنند تا مدل بتواند خودش را بهبود بخشد. این می‌تواند به سادگی این باشد که افراد اصلاحات را به یک چت بات یا دستیار مجازی تایپ کنند یا صحبت کنند.

توسعه‌دهندگان و کاربران به طور منظم خروجی‌های برنامه‌های هوش مصنوعی مولد خود را ارزیابی می‌کنند و مدل را بیشتر تنظیم می‌کنند حتی به دفعات یک بار در هفته برای دقت یا ارتباط بیشتر. در مقابل، خود مدل پایه بسیار کمتر به‌روزرسانی می‌شود، شاید هر سال یا ۱۸ ماه یک‌بار.

گزینه دیگر برای بهبود عملکرد یک برنامه هوش مصنوعی gen، تولید افزوده بازیابی (RAG) است، تکنیکی برای گسترش مدل پایه برای استفاده از منابع مرتبط خارج از داده‌های آموزشی برای اصلاح پارامترها برای دقت یا ارتباط بیشتر.

همچنین به عنوان “هوش عمومی مصنوعی” (AGI) یا “هوش مصنوعی عمومی” شناخته می شود، دارای توانایی درک، یادگیری و به کارگیری دانش در طیف وسیعی از وظایف در سطح برابر یا فراتر از هوش انسانی است. این سطح از هوش مصنوعی در حال حاضر نظری است و هیچ سیستم هوش مصنوعی شناخته شده ای به این سطح از پیچیدگی نزدیک نمی شود. محققان استدلال می‌کنند که اگر AGI اصلاً امکان‌پذیر باشد، به افزایش عمده در قدرت محاسباتی نیاز دارد. علیرغم پیشرفت‌های اخیر در توسعه هوش مصنوعی، سیستم‌های هوش مصنوعی خودآگاه علمی تخیلی به طور محکم در آن قلمرو باقی می‌مانند.

منبع