• هوش مصنوعی (AI) فناوری است که به کامپیوترها و ماشین‌ها این امکان را می‌دهد تا شبیه به انسان یاد بگیرند، درک کنند، مسائل را حل کنند، تصمیم‌گیری کنند، خلاقیت نشان دهند و به طور مستقل عمل کنند.
• برنامه‌ها و دستگاه‌هایی که به هوش مصنوعی مجهز هستند، می‌توانند اشیا را ببینند و شناسایی کنند. آن‌ها قادرند زبان انسان را بفهمند و به آن پاسخ دهند. همچنین می‌توانند از اطلاعات و تجربیات جدید یاد بگیرند، توصیه‌های دقیقی به کاربران و متخصصان ارائه دهند و به طور مستقل عمل کنند، به طوری که دیگر نیازی به هوش یا مداخله انسانی نباشد (مانند خودروهای خودران).
•  
  
• اما در سال 2024، اکثر محققان و متخصصان هوش مصنوعیبر پیشرفت‌ هوش مصنوعی مولد (gen AI) متمرکز هستند، فناوری‌ای که قادر به تولید متون، تصاویر، ویدئوها و محتوای دیگر به صورت اصلی است. برای درک کامل هوش مصنوعی مولد، ابتدا باید با فناوری‌هایی که ابزارهای هوش مصنوعی مولد بر پایه آن‌ها ساخته شده‌اند آشنا شوید:
• ·         یادگیری ماشین (ML)
• ·         یادگیری عمیق
•  
  
• یادگیری ماشین
• راهی ساده برای تصور هوش مصنوعی این است که آن را به‌صورت مفاهیم تو در تو یا مشتقی در نظر بگیریم که طی بیش از 70 سال به وجود آمده‌اند.
• یادگیری ماشین شامل ایجاد مدل‌هایی است که از طریق آموزش یک الگوریتم با داده‌ها، پیش‌بینی‌ها یا تصمیم‌گیری‌ها را انجام می‌دهد. یادگیری ماشین شامل تکنیک‌های گسترده‌ای است که به کامپیوترها امکان می‌دهد بدون برنامه‌نویسی صریح برای وظایف خاص، از داده‌ها یاد بگیرند و استنباط کنند.
• روش‌ها و الگوریتم‌های متعددی در یادگیری ماشین وجود دارد، از جمله رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم، جنگل تصادفی، ماشین‌های بردار پشتیبان (SVM)، نزدیک‌ترین همسایه (KNN)، خوشه‌بندی و غیره. هر یک از این روش‌ها برای انواع خاصی از مشکلات و داده‌ها مناسب هستند.
• یکی از محبوب‌ترین الگوریتم‌های یادگیری ماشین، شبکه عصبی (یا شبکه عصبی مصنوعی) است. شبکه‌های عصبی بر اساس ساختار و عملکرد مغز انسان مدل‌سازی شده‌اند. یک شبکه عصبی از لایه‌های متصل به هم از نودها (مشابه نورون‌ها) تشکیل شده است که برای پردازش و تحلیل داده‌های پیچیده با یکدیگر همکاری می‌کنند. این شبکه‌ها برای وظایفی که شامل شناسایی الگوها و روابط پیچیده در حجم زیادی از داده‌ها هستند، مناسب‌اند.
• ساده‌ترین شکل یادگیری ماشین یادگیری نظارت‌شده نام دارد که شامل استفاده از مجموعه داده‌های برچسب‌دار برای آموزش الگوریتم‌ها به منظور طبقه‌بندی داده‌ها یا پیش‌بینی نتایج با دقت بالا است. در یادگیری نظارت‌شده، انسان‌ها هر مثال آموزشی را با یک برچسب خروجی جفت می‌کنند. هدف این است که مدل، نگاشت بین ورودی‌ها و خروجی‌ها را در داده‌های آموزشی بیاموزد تا بتواند برچسب‌های داده‌های جدید و ناشناخته را پیش‌بینی کند.
•  
  

• یادگیری عمیق

• یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی چندلایه‌ای به نام شبکه‌های عصبی عمیق استفاده می‌کند. این شبکه‌ها به صورت دقیق‌تری قدرت تصمیم‌گیری پیچیده مغز انسان را شبیه‌سازی می‌کنند.
• شبکه‌های عصبی عمیق شامل یک لایه ورودی، حداقل سه (ولی معمولاً صدها) لایه مخفی، و یک لایه خروجی هستند. این در حالی است که شبکه‌های عصبی استفاده‌شده در مدل‌های یادگیری ماشین قدیمی معمولاً فقط یک یا دو لایه مخفی دارند.
• این لایه‌های متعدد امکان یادگیری بدون نظارت را فراهم می‌کنند. آن‌ها می‌توانند استخراج ویژگی‌ها را از مجموعه‌های داده بزرگ، بدون ساختار و بدون برچسب به صورت خودکار انجام دهند و پیش‌بینی‌هایی در مورد معنای داده‌ها داشته باشند.
• یادگیری عمیق به دلیل عدم نیاز به دخالت انسانی، یادگیری ماشین را در مقیاس عظیمی امکان‌پذیر می‌کند. این روش برای پردازش زبان طبیعی (NLP)، بینایی کامپیوتر و سایر وظایفی که نیاز به شناسایی سریع و دقیق الگوهای پیچیده در حجم زیادی از داده‌ها دارند، بسیار مناسب است. اکثر برنامه‌های هوش مصنوعی که امروزه در زندگی ما وجود دارند، از نوعی یادگیری عمیق استفاده می‌کنند.
•  
  

• انواع روش‌های یادگیری عمیق

• یادگیری نیمه‌نظارتی: ترکیبی از یادگیری نظارتی و بدون نظارت است که از داده‌های برچسب‌دار و بدون برچسب برای آموزش مدل‌های هوش مصنوعی استفاده می‌کند.
• یادگیری خودنظارتی: از داده‌های بدون ساختار برای تولید برچسب‌های ضمنی به جای استفاده از مجموعه‌های داده برچسب‌دار بهره می‌گیرد.
• یادگیری تقویتی: به جای استخراج اطلاعات از الگوهای پنهان، با استفاده از آزمون ، خطا و توابع پاداش یاد می‌گیرد.
• یادگیری انتقالی: دانشی که از یک وظیفه یا مجموعه داده به دست آمده است، برای بهبود عملکرد مدل در وظایف دیگر یا مجموعه داده‌های متفاوت به کار می‌رود.
•  
  

• هوش مصنوعی مولد

• هوش مصنوعی مولد (Generative AI) که گاهیGen AI نیز نامیده می‌شود، به مدل‌های یادگیری عمیقی اشاره دارد که می‌توانند محتوای پیچیده و اورجینال، مانند متون طولانی، تصاویر باکیفیت، ویدئوهای واقعی یا صوت و غیرهایجاد کنند.
• به طور کلی، مدل‌های مولد یک نمای ساده‌شده از داده‌های آموزشی خود را رمزگذاری می‌کنند و سپس از آن نمایه برای ایجاد کارهای جدید استفاده می‌کنند که مشابه ولی غیر یکسان با داده‌های اصلی هستند.
• مدل‌های مولد سال‌هاست در آمار برای تحلیل داده‌های عددی استفاده می‌شوند. اما در دهه گذشته، این مدل‌ها به سمت تحلیل و تولید داده‌های پیچیده‌تر پیشرفت کرده‌اند. این تحول با ظهور سه نوع پیشرفته از مدل‌های یادگیری عمیق همراه بوده است:
• رمزگذارهای خودگرا (VAE): که در سال 2013 معرفی شدند و امکان تولید چندین نسخه متنوع از محتوا را در پاسخ به یک درخواست یا دستور فراهم کردند.
•  
  
• ·         مدل‌های انتشار (Diffusion Models ): که برای اولین بار در سال 2014 معرفی شدند، با افزودن "نویز" به تصاویر تا زمانی که غیرقابل شناسایی شوند و سپس حذف تدریجی این نویز، تصاویر جدیدی را در پاسخ به دستورات تولید می‌کنند.
• ·         مدل‌های ترانسفورمر: که گاهی به عنوان مدل‌های ترانسفورمری نیز شناخته می‌شوند، بر روی داده‌های ترتیبی آموزش می‌بینند تا دنباله‌های طولانی از محتوا را تولید کنند. این محتوا می‌تواند شامل کلمات در جملات، اشکال در تصاویر، فریم‌های ویدئو یا دستورات در کد نرم‌افزاری باشد.
• مدل‌های ترانسفورمر هسته اصلی بسیاری از ابزارهای برجسته هوش مصنوعی مولد امروزی هستند، از جمله:
• ChatGPT و GPT-4
• Copilot
• BERT
• Bard
• Midjourney
•  
  

• نحوه عملکرد هوش مصنوعی مولد

• به طور کلی، هوش مصنوعی مولد در سه مرحله عمل می‌کند:

1. آموزش (Training): برای ایجاد یک مدل پایه.
2. تنظیم (Tuning) : برای تطبیق مدل با یک کاربرد خاص.
3. تولید، ارزیابی و تنظیم بیشتر: برای بهبود دقت.

•  
  

• آموزش (Training)

• هوش مصنوعی مولد با استفاده از یک مدل پایه آغاز می‌شود. این مدل معمولاً یک مدل یادگیری عمیق است که به عنوان مبنایی برای توسعه انواع مختلف برنامه‌های هوش مصنوعی مولد عمل می‌کند.
• مدل‌های پایه رایج امروز شامل مدل‌های زبانی بزرگ (LLM) هستند که برای تولید متن استفاده می‌شوند. اما مدل‌های پایه‌ای برای تولید تصویر، ویدئو، صدا یا موسیقی و مدل‌های چندرسانه‌ای (Multimodal) نیز وجود دارند که از چندین نوع محتوا پشتیبانی می‌کنند.
• برای ایجاد یک مدل پایه:
• الگوریتم یادگیری عمیق بر روی حجم عظیمی از داده‌های خام، بدون ساختار و بدون برچسب (مانند ترابایت یا پتابایت از متن، تصاویر یا ویدئو از اینترنت) آموزش داده می‌شود.
• نتیجه این فرآیند یک شبکه عصبی با میلیاردها پارامتر است که نمایه‌های رمزگذاری‌شده‌ای از موجودیت‌ها، الگوها و روابط در داده‌ها را تشکیل می‌دهد و می‌تواند به طور خودکار محتوای جدیدی را در پاسخ به دستورات تولید کند.
• فرآیند آموزش بسیار پرهزینه و زمان‌بر است و به هزاران واحد پردازش گرافیکی (GPU) و هفته‌ها پردازش نیاز دارد که معمولاً میلیون‌ها دلار هزینه دارد.
• پروژه‌های منبع‌باز مدل‌های پایه مانند Llama-2  متا به توسعه‌دهندگان هوش مصنوعی مولد امکان می‌دهد تا این مرحله و هزینه‌های آن را حذف کنند.
•  
  

• تنظیم (Tuning)

• پس از آموزش، مدل باید برای یک وظیفه خاص تولید محتوا تنظیم شود. این کار به روش‌های مختلفی انجام می‌شود، از جمله:
• تنظیم دقیق (Fine-Tuning):که مدل را با استفاده از مجموعه داده‌های کوچکتر و مرتبط‌تر بهینه می‌کند.
• آموزش انتقالی (Transfer Learning) :استفاده از دانشی که مدل از داده‌های قبلی به دست آورده است برای انجام وظایف جدید.
• بازخورد انسان (RLHF) :که مدل را با استفاده از نظرات انسان در مورد خروجی‌ها تنظیم می‌کند.
• این مراحل باعث می‌شود مدل بتواند به طور دقیق‌تر و مؤثرتری وظایف خاص را انجام دهد.
•  
  

• تنظیم دقیق و بازخورد انسانی در هوش مصنوعی

• تنظیم دقیق

• تنظیم دقیق به معنای تطبیق یک مدل از پیش آموزش دیده برای یک کاربرد خاص است. این فرآیند از داده‌های برچسب‌گذاری شده خاص استفاده می‌کند، مانند سوالات یا درخواست‌هایی که احتمالاً مدل با آن‌ها مواجه می‌شود و پاسخ‌های صحیح مربوطه. تنظیم دقیق باعث می‌شود مدل خروجی‌هایی در قالب مورد نظر ارائه دهد و کاربردی‌تر و مرتبط‌تر با هدف خاص خود باشد.
•  
  

• یادگیری تقویتی با بازخورد انسانی (RLHF)

• یادگیری تقویتی با بازخورد انسانی (RLHF) عملکرد مدل را با ارزیابی‌های کاربران انسانی بهبود می‌بخشد. برای مثال:
• انسان‌ها به ارزیابی دقت یا مرتبط بودن خروجی‌های مدل می‌پردازند.
• بازخوردهایی مانند اصلاحات نوشته شده یا گفته شده به مدل کمک می‌کند تا بهبود یابد.
  این فرآیند کمک می‌کند تا برنامه‌هایی مانند ربات‌های چت و دستیارهای مجازی دقیق‌تر و کاربرپسندتر شوند.
•  
  
• ارزیابی و تنظیم مداوم و تکنیک‌های پیشرفته

• ارزیابی و تنظیم منظم

• برنامه‌های هوش مصنوعی تولیدی به طور منظم ارزیابی می‌شوند تا عملکرد آن‌ها بهبود یابد. این ممکن است شامل تنظیم مدل هر هفته برای دقت و مرتبط بودن بیشتر باشد. در مقابل، مدل‌های بنیادین معمولاً کمتر به‌روزرسانی می‌شوند - شاید هر ۱۲ تا ۱۸ ماه یکبار.

• تولید تقویت شده با بازیابی (RAG)

• RAG برنامه‌های هوش مصنوعی تولیدی را با استفاده از منابع خارجی و مرتبط فراتر از داده‌های آموزشی تقویت می‌کند. این رویکرد پارامترهای مدل را برای دقت بیشتر و درک بهتر متن تنظیم می‌کند.
•  
  

• مزایای هوش مصنوعی

• هوش مصنوعی مزایای قابل توجهی را در صنایع مختلف به ارمغان می‌آورد و به طور چشمگیری بهره‌وری، دقت و نوآوری را افزایش می‌دهد. مزایای کلیدی شامل موارد زیر است:

• ۱. اتوماسیون وظایف تکراری

• هوش مصنوعی در اتوماسیون وظایف روتین، مانند:
• وظایف دیجیتال: جمع‌آوری داده‌ها، ورود داده‌ها و پیش‌پردازش.
• وظایف فیزیکی: انتخاب کالا در انبارها یا فرآیندهای تولید خودکار.
• این اتوماسیون به انسان‌ها این امکان را می‌دهد که روی وظایف خلاقانه‌تر و با ارزش‌تر تمرکز کنند.

• ۲. تصمیم‌گیری بهبود یافته

• هوش مصنوعی به کسب‌وکارها این امکان را می‌دهد که پیش‌بینی‌ها و تصمیم‌گیری‌های سریع‌تر و دقیق‌تری داشته باشند. برای مثال:
• سیستم‌های پشتیبانی تصمیم‌گیری داده‌ها را به صورت لحظه‌ای تحلیل می‌کنند.
• سیستم‌های کاملاً خودکار بدون نیاز به دخالت انسان به فرصت‌ها یا بحران‌ها پاسخ می‌دهند.

• ۳. کاهش خطاهای انسانی

• هوش مصنوعی خطاهای انسانی را به طریق مختلف کاهش می‌دهد، از جمله:
• راهنمایی افراد برای انجام مراحل صحیح در یک فرآیند.
• شناسایی خطاهای احتمالی قبل از وقوع.
• خودکارسازی کامل فرآیندها برای دقت ثابت.
• این ویژگی به ویژه در صنایع حساس مانند بهداشت و درمان که در آن ربات‌های جراحی هدایت‌شده توسط هوش مصنوعی دقت و نتایج بهتری را به ارمغان می‌آورند، اهمیت دارد.

• ۴. دسترس‌پذیری ۲۴ ساعته

• سیستم‌های مبتنی بر هوش مصنوعی بدون وقفه ۲۴ ساعت شبانه‌روز فعال هستند و از این رو امکان دسترسی و بهره‌وری مداوم را فراهم می‌کنند.

• ۵. کاهش خطرات فیزیکی

• هوش مصنوعی با اتوماسیون وظایف خطرناک در صنایع مانند تولید، لجستیک و واکنش به بحران‌ها، از انسان‌ها در برابر محیط‌های خطرناک محافظت می‌کند.
• با استفاده از این مزایا، هوش مصنوعی همچنان صنایع را متحول می‌کند، بهره‌وری را افزایش می‌دهد و امکان‌های جدیدی را برای پیشرفت فراهم می‌آورد.
• الگوریتم‌های یادگیری ماشین و بهبود مستمر
• الگوریتم‌های یادگیری ماشین می‌توانند با قرار گرفتن در معرض داده‌های بیشتر و "یادگیری" از تجربه‌ها، دقت خود را به طور مداوم بهبود بخشیده و خطاها را کاهش دهند. این ویژگی به آن‌ها اجازه می‌دهد که با گذشت زمان و با کسب تجربه، عملکرد خود را ارتقا دهند و به سطوح بالاتری از دقت برسند.
•  
  

• 6. دسترس‌پذیری ۲۴ ساعته و ثبات عملکرد

• هوش مصنوعی همیشه فعال است و می‌تواند در هر زمانی از شبانه‌روز در دسترس باشد. این ویژگی باعث می‌شود که هوش مصنوعی عملکرد ثابت و مداومی را در تمام زمان‌ها ارائه دهد. ابزارهایی مانند چت‌بات‌ها یا دستیارهای مجازی می‌توانند فشار کاری در خدمات مشتری یا پشتیبانی را کاهش دهند. در برنامه‌های دیگر، مانند پردازش مواد یا خطوط تولید، هوش مصنوعی می‌تواند به حفظ کیفیت و سطح خروجی ثابت کمک کند، به خصوص زمانی که برای انجام وظایف تکراری یا خسته‌کننده به کار گرفته می‌شود.
•  
  

• 7. کاهش خطرات فیزیکی

• با خودکارسازی کارهای خطرناک مانند کنترل حیوانات، دست زدن به مواد منفجره، انجام کارها در عمق اقیانوس، ارتفاعات بالا یا فضا، هوش مصنوعی می‌تواند نیاز به قرار دادن کارکنان انسانی در معرض خطر آسیب یا مرگ را از بین ببرد. هرچند هنوز این فناوری‌ها به کمال نرسیده و تمام نشده اند، خودروهای خودران و سایر وسایل نقلیه می‌توانند پتانسیل کاهش خطرات و آسیب‌ها برای مسافران را ارائه دهند.
•  
  

• کاربردهای هوش مصنوعی در دنیای واقعی

• کاربردهای واقعی هوش مصنوعی بسیار متنوع هستند. در اینجا چند نمونه از استفاده‌های هوش مصنوعی در صنایع مختلف برای نشان دادن پتانسیل آن آمده است:
•  
  

• ۱. تجربه، خدمات و پشتیبانی مشتری

• شرکت‌ها می‌توانند چت‌بات‌ها و دستیارهای مجازی مبتنی بر هوش مصنوعی را برای رسیدگی به سوالات مشتریان، درخواست‌های پشتیبانی و دیگر موارد پیاده‌سازی کنند. این ابزارها از پردازش زبان طبیعی (NLP) و قابلیت‌های هوش مصنوعی تولیدی برای درک و پاسخ به سوالات مشتریان در مورد وضعیت سفارش، جزئیات محصول و سیاست‌های بازگشت استفاده می‌کنند.
• چت‌بات‌ها و دستیارهای مجازی این امکان را فراهم می‌کنند که همیشه پشتیبانی موجود باشد، پاسخ‌های سریع‌تری به سوالات متداول (FAQ) داده شود، و نیروی انسانی برای انجام وظایف پیچیده‌تر آزاد شود. همچنین این ابزارها به مشتریان خدمات سریع‌تر و ثابت‌تری می‌دهند.
•  
  

• ۲. تشخیص تقلب

• الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند الگوهای تراکنش را تجزیه و تحلیل کرده و ناهنجاری‌هایی مانند هزینه‌های غیرمعمول یا مکان‌های ورود غیرمعمول را شناسایی کنند که نشان‌دهنده تراکنش‌های تقلبی است. این قابلیت به سازمان‌ها این امکان را می‌دهد که سریع‌تر به تقلب‌های احتمالی واکنش نشان دهند و تاثیر آن‌ها را محدود کنند، در نتیجه آرامش بیشتری برای خود و مشتریان فراهم می‌آورد.
•  
  

• 3 .بازاریابی شخصی‌سازی شده

• شرکت‌های خرده‌فروشی، بانک‌ها و سایر شرکت‌های مرتبط با مشتری می‌توانند از هوش مصنوعی برای ایجاد تجربیات مشتری شخصی‌سازی شده و کمپین‌های بازاریابی استفاده کنند که مشتریان را راضی نگه دارند، فروش را افزایش دهند و از چرخش مشتری جلوگیری کنند. بر اساس داده‌های تاریخچه خرید و رفتارهای مشتریان، الگوریتم‌های یادگیری عمیق می‌توانند محصولات و خدماتی را که مشتریان احتمالاً به آن‌ها نیاز دارند، پیشنهاد دهند و حتی کپی‌های شخصی‌سازی شده و پیشنهادات ویژه برای هر مشتری به‌صورت بلادرنگ تولید کنند.
•  
  

• 4 .منابع انسانی و استخدام

• پلتفرم‌های استخدام مبتنی بر هوش مصنوعی می‌توانند فرآیند استخدام را با غربالگری رزومه‌ها، تطبیق کاندیداها با شرح شغل‌ها و حتی انجام مصاحبه‌های مقدماتی با استفاده از تجزیه و تحلیل ویدئویی تسهیل کنند. این ابزارها می‌توانند حجم عظیمی از کاغذبازی‌های اداری مربوط به پردازش تعداد زیادی از کاندیداها را به طور چشمگیری کاهش دهند. همچنین این سیستم‌ها می‌توانند زمان پاسخ‌دهی و زمان استخدام را کاهش دهند، که باعث بهبود تجربه کاندیداها، چه آن‌ها شغل را دریافت کنند و چه نه، می‌شود.
•  
  

• 5 .توسعه و نوسازی برنامه‌ها

• ابزارهای تولید کد مبتنی بر هوش مصنوعی و ابزارهای خودکارسازی می‌توانند کارهای تکراری مربوط به توسعه برنامه‌ها را ساده کنند و فرآیند مهاجرت و نوسازی (فرمت‌دهی مجدد و تغییر پلتفرم) برنامه‌های قدیمی را به‌صورت مقیاس‌پذیر تسریع کنند. این ابزارها می‌توانند وظایف را سریع‌تر انجام دهند، به حفظ یکنواختی کد کمک کنند و خطاها را کاهش دهند.
•  
  

• 6 .نگهداری پیش‌بینی‌شده

• مدل‌های یادگیری ماشین می‌توانند داده‌های مربوط به حسگرها، دستگاه‌های اینترنت اشیا (IoT) و فناوری‌های عملیاتی (OT) را تجزیه و تحلیل کرده و پیش‌بینی کنند که چه زمانی نیاز به نگهداری است و حتی خرابی تجهیزات را قبل از وقوع پیش‌بینی کنند. نگهداری پیشگیرانه مبتنی بر هوش مصنوعی کمک می‌کند تا از بروز خرابی‌ها جلوگیری شود و مشکلات زنجیره تأمین قبل از تأثیر بر خط تولید پیش‌بینی شوند.
• این مثال‌ها تنها نمونه‌ای از کاربردهای وسیع هوش مصنوعی در صنایع مختلف هستند و نشان می‌دهند که هوش مصنوعی چگونه می‌تواند بهره‌وری، دقت و کیفیت خدمات را در بسیاری از زمینه‌ها ارتقا دهد.
•  
  

• چالش‌ها و ریسک‌های هوش مصنوعی

• سازمان‌ها در حال تلاش برای بهره‌برداری از جدیدترین فناوری‌های هوش مصنوعی و استفاده از مزایای متعدد آن هستند. این پذیرش سریع امری ضروری است، اما پذیرش و نگهداری فرآیندهای مبتنی بر هوش مصنوعی با چالش‌ها و ریسک‌هایی همراه است.
•  
  

• ریسک‌های داده

• سیستم‌های هوش مصنوعی به مجموعه داده‌هایی وابسته هستند که ممکن است در معرض آلودگی داده‌ها، دستکاری داده‌ها، تعصب داده‌ها یا حملات سایبری قرار گیرند که می‌تواند منجر به نقض داده‌ها شود. سازمان‌ها می‌توانند با محافظت از یکپارچگی داده‌ها و اجرای امنیت و دسترس‌پذیری در طول چرخه حیات هوش مصنوعی، از توسعه تا آموزش، استقرار و پس از استقرار، این ریسک‌ها را کاهش دهند.
•  
  

• ریسک‌های مدل

• مهاجمان می‌توانند مدل‌های هوش مصنوعی را هدف قرار دهند تا آن‌ها را سرقت کنند، مهندسی معکوس کنند یا به‌طور غیرمجاز دستکاری کنند. یا ممکن است با دستکاری معماری، وزن‌ها یا پارامترهای مدل، یکپارچگی مدل را مختل کنند. این اجزای اصلی تعیین‌کننده رفتار، دقت و عملکرد مدل هستند.
•  
  

• ریسک‌های عملیاتی

• مانند تمامی فناوری‌ها، مدل‌ها در معرض ریسک‌های عملیاتی از جمله انحراف مدل، تعصب و شکست در ساختار حکمرانی هستند. اگر این ریسک‌ها نادیده گرفته شوند، می‌توانند منجر به شکست‌های سیستم و آسیب‌پذیری‌های امنیت سایبری شوند که مهاجمان می‌توانند از آن‌ها بهره‌برداری کنند.
•  
  

• ریسک‌های اخلاقی و قانونی

• اگر سازمان‌ها در هنگام توسعه و استقرار سیستم‌های هوش مصنوعی به ایمنی و اخلاق توجه نکنند، ممکن است با نقض حریم خصوصی روبرو شوند و نتایج تعصب‌آمیز تولید کنند. برای مثال، داده‌های آموزشی تعصب‌آمیز که برای تصمیم‌گیری‌های استخدامی استفاده می‌شوند، ممکن است منجر به تقویت کلیشه‌های جنسیتی یا نژادی شوند و مدل‌های هوش مصنوعی ایجاد کنند که گروه‌های جمعیتی خاص را به دیگران ترجیح دهند.
•  
  

• اخلاق و حکمرانی هوش مصنوعی

• اخلاق هوش مصنوعی یک زمینه میان‌رشته‌ای است که به بررسی چگونگی بهینه‌سازی تأثیر مفید هوش مصنوعی در حالی که ریسک‌ها و نتایج منفی را کاهش می‌دهد، می‌پردازد. اصول اخلاق هوش مصنوعی از طریق سیستمی از حکمرانی هوش مصنوعی به کار گرفته می‌شود که شامل موانع و دستورالعمل‌هایی است که کمک می‌کنند تا اطمینان حاصل شود که ابزارها و سیستم‌های هوش مصنوعی امن و اخلاقی باقی می‌مانند.
•  
  

• حکمرانی هوش مصنوعی

• حکمرانی هوش مصنوعی شامل مکانیزم‌های نظارتی است که به مدیریت ریسک‌ها می‌پردازد. رویکرد اخلاقی به حکمرانی هوش مصنوعی نیازمند مشارکت طیف وسیعی از ذینفعان، از جمله توسعه‌دهندگان، کاربران، سیاست‌گذاران و اخلاق‌دانان است تا اطمینان حاصل شود که سیستم‌های مرتبط با هوش مصنوعی به‌طور هم‌راستا با ارزش‌های اجتماعی توسعه و استفاده می‌شوند.
•  
  

• ارزش‌های رایج در اخلاق هوش مصنوعی و هوش مصنوعی مسئولانه

•  
  

تبیین‌پذیری و قابل تفسیر بودن

• با پیشرفت هوش مصنوعی، انسان‌ها با چالش‌های درک و بازسازی نحوه رسیدن الگوریتم‌ها به نتایج روبرو هستند. هوش مصنوعی قابل تبیین مجموعه‌ای از فرآیندها و روش‌ها است که به کاربران انسانی این امکان را می‌دهد که نتایج و خروجی‌های تولیدشده توسط الگوریتم‌ها را تفسیر، درک و به آن‌ها اعتماد کنند.
•  
  

انصاف و برابری

• اگرچه یادگیری ماشین به‌طور طبیعی شکلی از تبعیض آماری است، این تبعیض زمانی غیرقابل قبول می‌شود که گروه‌های ممتاز را در موقعیت‌های مزیت‌آمیز سیستماتیک قرار دهد و گروه‌های محروم را در موقعیت‌های زیان‌آور سیستماتیک قرار دهد که ممکن است آسیب‌های مختلفی به همراه داشته باشد. برای تشویق انصاف، حرفه‌ای‌ها می‌توانند سعی کنند تعصب الگوریتمی را در مراحل جمع‌آوری داده‌ها و طراحی مدل به حداقل برسانند و تیم‌های متنوع و شمولی بسازند.
•  
  

استحکام و امنیت

• هوش مصنوعی مقاوم به‌طور مؤثر شرایط استثنائی، مانند انحرافات ورودی یا حملات مخرب را مدیریت می‌کند، بدون اینکه آسیب غیرعمدی ایجاد کند. همچنین برای مقاومت در برابر مداخله‌های عمدی و غیرعمدی ساخته شده است و از آسیب‌پذیری‌های نمایان محافظت می‌کند.
•  
  

مسئولیت‌پذیری و شفافیت

• سازمان‌ها باید مسئولیت‌ها و ساختارهای حکمرانی مشخصی برای توسعه، استقرار و نتایج سیستم‌های هوش مصنوعی پیاده‌سازی کنند. علاوه بر این، کاربران باید قادر باشند نحوه عملکرد یک خدمت هوش مصنوعی را مشاهده کنند، عملکرد آن را ارزیابی کنند و نقاط قوت و ضعف آن را درک کنند. شفافیت بیشتر اطلاعاتی را برای مصرف‌کنندگان هوش مصنوعی فراهم می‌آورد تا درک بهتری از نحوه ایجاد مدل یا خدمت هوش مصنوعی به دست آورند.
•  
  

حریم خصوصی و انطباق

• بسیاری از چارچوب‌های قانونی، از جمله GDPR، ایجاب می‌کنند که سازمان‌ها هنگام پردازش اطلاعات شخصی، از اصول حریم خصوصی خاصی پیروی کنند. محافظت از مدل‌های هوش مصنوعی که ممکن است اطلاعات شخصی داشته باشند، کنترل داده‌هایی که ابتدا وارد مدل می‌شود و ساخت سیستم‌های سازگار با تغییرات قوانین و نگرش‌ها در زمینه اخلاق هوش مصنوعی از اهمیت زیادی برخوردار است.
•  
  

هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

• در زمینه پیچیدگی و پیشرفته بودن هوش مصنوعی، محققان این تکنولوژی را به دو دسته اصلی تقسیم می‌کنند:
•  
  

هوش مصنوعی ضعیف (هوش مصنوعی محدود)
این نوع هوش مصنوعی که به آن هوش مصنوعی محدود نیز گفته می‌شود، به سیستم‌های هوش مصنوعی اطلاق می‌شود که برای انجام یک کار خاص یا مجموعه‌ای از کارهای مشخص طراحی شده‌اند. این سیستم‌ها به طور محدود در یک دامنه خاص فعالیت می‌کنند و عملکرد آن‌ها در محدوده‌های تعریف‌شده است. مثال‌هایی از این نوع هوش مصنوعی شامل دستیارهای صوتی مانند الکسا (آمازون) و سیری (اپل)، چت‌بات‌های رسانه‌های اجتماعی و خودروهای خودران مانند آن‌هایی که تسلا ساخته است، می‌باشد. در حالی که این سیستم‌ها می‌توانند وظایف خاص را با کارآیی بالا انجام دهند، هوش آن‌ها محدود به یک حوزه خاص است.

هوش مصنوعی قوی(هوش مصنوعی عمومی یا AGI)
هوش مصنوعی قوی که به آن هوش مصنوعی عمومی نیز گفته می‌شود، یک سطح پیشرفته از هوش مصنوعی است که قادر به درک، یادگیری و به‌کارگیری دانش در مجموعه‌ای از وظایف است، به طوری که توانایی‌های آن برابر یا حتی فراتر از هوش انسانی باشد. AGI فقط وظایف خاص را انجام نمی‌دهد، بلکه توانایی تفکر انسانی را دارد و قادر است به انجام فعالیت‌های پیچیده و متنوع بپردازد. در حال حاضر، AGI هنوز نظری است و هیچ سیستم هوش مصنوعی به این سطح از پیشرفت نرسیده است. کارشناسان معتقدند برای دستیابی به AGI نیاز به افزایش چشمگیر قدرت پردازش است.

تاریخچه هوش مصنوعی

• ایده «ماشینی که فکر می‌کند» به دوران یونان باستان باز می‌گردد. اما با ظهور رایانه‌های الکترونیکی (و مرتبط با برخی از مباحث ذکر شده در این مقاله)، رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی به شرح زیر هستند:
•  
  

1950
آلن تورینگ مقاله‌ای به نام "ماشین‌ها و هوش" منتشر می‌کند. در این مقاله، تورینگ که به‌خاطر شکستن کد ENIGMA آلمان در طول جنگ جهانی دوم مشهور است و به‌طور گسترده‌ای به‌عنوان "پدر علم رایانه" شناخته می‌شود، سوال زیر را مطرح می‌کند: (آیا ماشین‌ها می‌توانند فکر کنند؟)
وی سپس آزمونی را معرفی می‌کند که اکنون به نام «آزمون تورینگ» شناخته می‌شود. در این آزمون، یک بازرس انسانی تلاش می‌کند تا تمایز میان پاسخ‌های متنی انسان و کامپیوتر را تشخیص دهد. اگرچه این آزمون از زمان انتشار آن تحت نقد و بررسی‌های زیادی قرار گرفته است، اما همچنان جزء مفاهیم مهم در تاریخ هوش مصنوعی باقی مانده است.

1956
جان مک‌کارتی اصطلاح "هوش مصنوعی" را در اولین کنفرانس هوش مصنوعی در کالج دارتموث ابداع کرد. مک‌کارتی بعدها زبان برنامه‌نویسی Lisp را اختراع کرد. در همان سال، آلن نیول، ج. سی. شاو و هربرت سیمون "منطقی‌ترین قضیه‌ساز" Logic Theorist را به‌عنوان اولین برنامه کامپیوتری هوش مصنوعی ایجاد کردند.

1967
فرانک روزنبلات پرسپترون Mark 1 را می‌سازد که اولین کامپیوتر مبتنی بر شبکه عصبی است که از طریق آزمایش و خطا «یاد می‌گیرد». تنها یک سال بعد، ماروین مینسکی و سیمور پاپرت کتابی با عنوان «پرسپترون‌ها» منتشر می‌کنند که هم به‌عنوان اثری برجسته در زمینه شبکه‌های عصبی و هم به‌عنوان نقدی بر تحقیقاتی در این زمینه شناخته می‌شود.

1980
شبکه‌های عصبی که از الگوریتم بازگشت خطا برای آموزش خود استفاده می‌کنند، به‌طور گسترده‌ای در برنامه‌های هوش مصنوعی به‌کار می‌روند.

1995
استوارت راسل و پیتر نورویگ کتاب "هوش مصنوعی: یک رویکرد مدرن" را منتشر می‌کنند که به یکی از مهم‌ترین کتاب‌های درسی در مطالعه هوش مصنوعی تبدیل می‌شود. در این کتاب، آن‌ها به چهار هدف یا تعریف بالقوه از هوش مصنوعی می‌پردازند که سیستم‌های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل کردن تقسیم‌بندی می‌کنند.

1997
رایانه Deep Blue شرکت IBM در یک مسابقه شطرنج (و بازگشت آن) قهرمان شطرنج جهان، گری کاسپاروف، را شکست می‌دهد.

2004
جان مک‌کارتی مقاله‌ای با عنوان «هوش مصنوعی چیست؟» می‌نویسد و یک تعریف پرکاربرد از هوش مصنوعی را ارائه می‌دهد. در این زمان، دوران داده‌های کلان و رایانش ابری آغاز می‌شود که به سازمان‌ها این امکان را می‌دهد که داده‌های بزرگ‌تری را مدیریت کنند که در آینده برای آموزش مدل‌های هوش مصنوعی استفاده خواهند شد.

2011
سیستم Watson شرکت IBM در بازی Jeopardy! قهرمانان کِن جنینگس و براد رتر را شکست می‌دهد. در همین زمان، علم داده به‌عنوان یک رشته محبوب ظهور می‌کند.

2015
سوپرکامپیوتر Minwa از شرکت Baidu از یک شبکه عصبی عمیق به نام شبکه عصبی کانولوشنی برای شناسایی و دسته‌بندی تصاویر با دقت بالاتر از متوسط انسان استفاده می‌کند.

2016
برنامه AlphaGo شرکت DeepMind که از یک شبکه عصبی عمیق بهره می‌برد، در یک مسابقه پنج‌گیمه قهرمان جهانی بازی گو، لی سدول را شکست می‌دهد. این پیروزی از آن جهت حائز اهمیت است که تعداد حرکت‌های ممکن در این بازی (بعد از تنها چهار حرکت) به بیش از 14.5 تریلیون می‌رسد. سپس گوگل شرکت DeepMind را به قیمت 400 میلیون دلار خریداری می‌کند.

2022
ظهور مدل‌های زبان بزرگ (LLM) مانند ChatGPT از OpenAI باعث ایجاد تغییرات عظیمی در عملکرد هوش مصنوعی و توانایی‌های آن برای تولید ارزش سازمانی می‌شود. با استفاده از این شیوه‌های جدید هوش مصنوعی مولد، مدل‌های یادگیری عمیق می‌توانند بر روی مقادیر زیادی از داده‌ها آموزش ببینند.

2024
آخرین روندهای هوش مصنوعی نشان‌دهنده یک رنسانس مستمر در این حوزه است. مدل‌های چندوجهی که می‌توانند چند نوع داده را به‌عنوان ورودی دریافت کنند، تجربیات غنی‌تری ایجاد می‌کنند. این مدل‌ها بینایی کامپیوتری برای شناسایی تصویر و پردازش زبان طبیعی برای شناسایی گفتار را با هم ترکیب می‌کنند. مدل‌های کوچک‌تر نیز در عصری که بازدهی مدل‌های بزرگ کاهش یافته است، به موفقیت‌هایی دست یافته‌اند.