مقدمه
با توجه به کاربرد گسترده هوش مصنوعی در زندگی روزمره و بهطور اختصاصی در محیطهای آموزشی و کلاسهای درس، برای آشنایی معلمان با اصطلاحهای اساسی و پرکاربرد هوش مصنوعی، برخی از این اصطلاحها در قالب واژه انگلیسی و ترجمه فارسی به همراه شرح مختصر آنها ارائه میشود. ترتیب واژهها به ترتیب حروف الفبا نیست، بلکه برای راحتی درک آنها، تا حد امکان تلاش شد ارتباط مفهومی در اولویت قرار داده شود؛ بهنحوی که در تعریف یک مفهوم واژه ناآشنایی وجود نداشته باشد و خواننده به ارجاعهای متعدد مجبور نشود. هر چند اجرای این نکته بهطور کامل امکانپذیر نیست، اما تا حدودی رعایت شده است. به همین دلیل به خوانندگان توصیه میشود به دلیل وابستگی و ارتباط واژهها، یک بار بهصورت کلی و بار دوم بهصورت دقیقتر آن را مطالعه کنند. از آنجا که به لحاظ محدودیت تعداد صفحههای مجله، امکان تشریح اکثر واژههای کاربردی روزمره در اینجا وجود نداشت، در پاسخ به نیاز معلمان، مجموعه مختصری از اصطلاحهای مربوط به هوش مصنوعی را تهیه کردهایم که از طریق وبگاه EduHighTech.com یا با پویش رمزینه سریعپاسخ همین قسمت قابلدسترس است.
هوش مصنوعی1:
هوش مصنوعی شاخهای از علوم رایانه است که به طراحی و توسعه سامانههای هوشمند میپردازد. دستگاههای هوشمند میتوانند محیط خود را درک کنند، از تجربه بیاموزند، تصمیم بگیرند و اقداماتی انجام دهند که احتمال موفقیت خودشان (دستگاه) را افزایش دهد. این فناوری با الهام از نحوه عملکرد مغز انسان ساخته شده است، به این معنا که مانند شبکهای از یاختههای (سلولهای) عصبی مغز، اطلاعات را دریافت (ورودی)، پردازش و تحلیل میکند و در نهایت واکنش مناسبی (خروجی) نشان میدهد.
هوش مصنوعی مولد2:
نوعی هوش مصنوعی است که با تولید صدا، تصویر، متن، ویدئو، موسیقی، کدهای برنامهنویسی و حتی طراحیهای سهبعدی، به درخواست کاربر پاسخ میدهد. این کار با ترکیب یافتههای حاصل از جستوجو و یادگیری از محتوای موجود صورت میگیرد. لذا یکی از کاربردهای این هوش مصنوعی تولید محتوایی الکترونیکی است که در آموزش کاربرد فراوان دارد.
هوش مصنوعی پیشبینیکننده3:
یک شاخه از هوش مصنوعی و یادگیری ماشین است که از تحلیل دادهها و الگوریتمهای آماری برای پیشبینی نتایج آینده استفاده میکند. این فناوری با استفاده از دادههای تاریخی و شناسایی الگوهای پنهان، تصمیمگیریهای هوشمند و پیشبینیهای دقیق را ممکن میکند.
یادگیری ماشین4:
یادگیری ماشین شاخهای از هوش مصنوعی و علوم رایانه و رویکردی است برای طراحی و ساخت سامانههای هوش مصنوعی. یادگیری ماشین اصطلاحی کلی برای الگوریتمهایی است که میتوانند از دادههای موجود الگوهایی را بیاموزند و از این الگوها برای پیشبینی یا تصمیمگیری دادههای جدید استفاده کنند. برای مثال، یک برنامه یادگیری ماشین که برای تشخیص گفتار استفاده میشود، بر اساس مثالهای زیادی از لهجهها و لحنهای افراد گوناگون است که با آن لهجه صحبت میکنند. بنابراین در این نوع یادگیری ماشینها میتوانند بدون برنامهریزی صریح، از تجربه یاد بگیرند، پیشبینی کنند، تصمیم بگیرند و پیشرفت کنند. در مثالی دیگر، مدرسهای میخواهد پیشبینی کند کدام دانشآموزان در پایان نیمسال نمرههای بهتری خواهند گرفت. برای این کار، از دادههای گذشته استفاده میکند. دادهها شامل اطلاعاتی در مورد تعداد ساعتهای مطالعه در هفته، نحوه حضور و غیاب در کلاس و نمرههای قبلی آنها خواهد بود. در این مثال، گامهای یادگیری ماشینی شامل جمعآوری دادهها، آموزش مدل (یعنی مدل یادگیری ماشینی با استفاده از این دادهها آموزش میبیند و میآموزد ساعتهای مطالعه و نمرههای قبلی چگونه میتوانند پیشبینی کنند که در پایان سال، نمرههای دانشآموز بالا خواهد بود یا نه)، آزمون مدل و در نهایت پیشبینی خواهد بود. در این مثال، مدل یادگیری ماشین مانند یک معلم است که از تجربههای گذشته برای پیشبینی آینده استفاده میکند.
هوش مصنوعی محدود5:
این نوع از هوش مصنوعی برای انجام وظایف خاص طراحی شده است و توانایی انجام کارهای محدودی را دارد. مثل سامانههای تشخیص چهره و دستیار صوتی سیری. این هوش فقط در همان محدودهای که برای آن برنامهریزی شده میتواند عملکرد خوبی داشته باشد و توانایی تفکر یا استدلال عمومی ندارد.
هوش مصنوعی عمومی یا قوی یا کامل6:
هوش مصنوعی عمومی به سامانهای گفته میشود که توانایی یادگیری و درک مفاهیم گوناگون را دارد و میتواند مانند انسان در حوزههای گوناگون تفکر و استدلال کند و با هوش انسان در همه زمینهها مطابقت داشته باشد. این نوع هوش مصنوعی میتواند از دادهها و تجربههای یاد بگیرد و مشکلات جدید را حل کند.
سوپرهوش مصنوعی، هوش مصنوعی فراگیر، هوش مصنوعی فوق هوشمند یا ابرهوش مصنوعی7:
نوعی هوش مصنوعی که در همه زمینهها از هوش انسانی برتر است و میتواند تصمیمهای پیچیده را بسیار بهتر از انسانها بگیرد. نگرانی این است که آیا بشر قادر خواهد بود این نوع هوش را در مسیر درستی هدایت کند؟
آزمون تورینگ8:
آزمونی (تستی) که آلن تورینگ در سال 1950 ساخت و از آن برای شناسایی هوش مصنوعی واقعی استفاده کرد و توانایی ماشین را برای نشاندادن رفتار هوشمندانه معادل انسان یا غیرقابل تشخیص از یک انسان آزمایش کرد. نحوه عملکرد آزمون تورینگ به این صورت بود که سه شرکتکننده داشت: یک انسان (پرسشگر)، یک انسان دیگر (پاسخدهنده واقعی) و یک ماشین (هوش مصنوعی). ارتباط فقط از طریق متن بود. پرسشگر سؤالهایی را به انسان و ماشین میفرستد. ماشین تلاش میکند جای یک انسان پاسخ دهد و پاسخدهنده واقعی نیز به سؤالها پاسخ میدهد. اگر پرسشگر نتواند تشخیص دهد کدام پاسخ از ماشین و کدام پاسخ از انسان است، ماشین آزمون تورینگ را با موفقیت پشت سر گذاشته است. برای مثال، اگر یک گپبات هوش مصنوعی بتواند طوری پاسخ دهد که انسان فکر کند در حال صحبت با فردی واقعی است، این نظام، آزمون تورینگ را گذرانده (پاس کرده) است.
یادگیری عمیق9:
نوعی یادگیری ماشین است که عملکرد نورونهای مغز انسان را شبیهسازی میکند. یادگیری عمیق از شبکههای چند لایه استفاده میکند. از اینرو در اصطلاح «عمیق» نامیده میشود. برای مثال، میخواهیم یک مدل یادگیری عمیق بسازیم تا تصویرهای گنجشکها را از قناریها تفکیک کند. این یک مثال ساده از یادگیری عمیق است که در آن از شبکههای عصبی عمیق استفاده میکنیم. در گام نخست، جمعآوری دادهها صورت میگیرد و مجموعهای از تصویرهایی خواهیم داشت که برخی گنجشک و برخی قناری هستند. هر تصویر به صورت برچسبدار10 است؛ یعنی گنجشک یا قناریبودن آن مشخص شده است.
در گام دوم، ساخت شبکه عصبی عمیق صورت میگیرد. این شبکه شامل چندین لایه11 است. زیرا هرکدام از لایهها ویژگیهای پیچیدهتری از داده را یاد میگیرند. یعنی مانند نحوه یادگیری مغز انسان، ابتدا ویژگیهای ساده مانند خطها، شکلها و رنگها را میشناسد و سپس ویژگیهای پیچیدهتر مانند چهره یا نوع حیوان را تشخیص میدهد. لایههای مختلف اطلاعات را پردازش میکنند و به تدریج ویژگیهای پیچیدهتری از تصویر استخراج میکنند. در گام سوم آموزش مدل صورت میگیرد یعنی مدل شبکه عصبی با استفاده از تصاویر و برچسبها آموزش داده میشود. در این مرحله، مدل شروع به یادگیری ویژگیهای گوناگون تصویرها میکند، مانند شکل پرها، نوک، دم، رنگ و ویژگیهای دیگری که میتوانند گنجشک یا قناریبودن تصویر را مشخص کنند. در گام چهارم، بهینهسازی مدل صورت میگیرد تا پیشبینیهای دقیقتری انجام شود. این فرایند خطا را کاهش میدهد. گام آخر آزمون و پیشبینی است که مدل با استفاده از تصویرهای جدیدی که در هنگام آموزش ندیده است، ارزیابی میشود تا یادگیری عمیق بتواند تصویری را که از قبل ندیده است، با دقت بالا تشخیص دهد و دستهبندی کند.
- پردازش زبان طبیعی12: شاخهای از هوش مصنوعی است که به رایانهها در درک، تفسیر و دستکاری زبان انسان کمک میکند. این زمینه مطالعاتی برای کمک به ماشینها در درک زبان انسان، بهمنظور بهبود رابطه انسان و رایانه متمرکز شده است. برای مثال، گپباتها از این فناوری استفاده میکنند.
- بینایی رایانه13: سامانههایی از هوش مصنوعی هستند که برای مشاهده، تجزیه و تحلیل و تفسیر اطلاعات بصری مانند عکسها، فیلمها و محیط فیزیکی به کار میروند. یکی از شناختهشدهترین کاربردهای بینایی رایانهای، تشخیص چهره است که در گوشیهای تلفن همراه به عنوان رمز ورود استفاده میشود.
- روبات14: روبات ماشینی است که میتواند اعمال را به صورت خودکار (و گاهی مستقل) انجام دهد. روباتها بهطور معمول شامل دستگاههایی رایانهای هستند که به گونهای برنامهریزی شدهاند تا بتوانند وظایف خود را انجام دهند. روباتها در حالت کلی به دو دسته روبات فیزیکی و روبات نرمافزاری تقسیم میشوند.
- روباتیک15: به فرایند مطالعه و طراحی روباتها روباتیک میگویند. اصطلاح «روباتیکز» به نوعی هوش مصنوعی مورد استفاده در ترکیب با روباتها اطلاق میشود و شاخهای از مهندسی و علوم رایانه است که بر طراحی، ساخت و توسعه روباتهایی تمرکز دارد که میتوانند هوش، رفتار و عملکردهای انسانی را شبیهسازی یا تکرار کنند. این حوزه ترکیبی از مکانیک، الکترونیک، برنامهنویسی علوم رایانه و هوش مصنوعی است و به توسعه دستگاههایی کمک میکند که در محیطهای گوناگون، از صنعت گرفته تا زندگی روزمره، مورد استفاده قرار میگیرند. توانایی استدلال و یادگیری، دیدن و شنیدن، برقراری ارتباط و درک از ویژگیهای روباتیک است.
- مدل16: در یادگیری ماشین و هوش مصنوعی، مدل به محصول نهایی آموزش یک سامانه هوش مصنوعی اطلاق میشود که از طریق اجرای یک الگوریتم یادگیری ماشین بر دادههای آموزشی ایجاد میشود. این مدل بهطور خاص برای شناسایی الگوها، پیشبینی نتایج یا انجام وظایف طراحی شده است. به عبارت دیگر، مدل نمایشی انتزاعی است از آنچه یک سامانه یادگیری ماشینی در طول فرایند آموزش از دادههای آموزشی یاد گرفته است. بنابراین تنها زیرمجموعهای از الگوریتمها مدل هستند.
- الگوریتم17: الگوریتم فرمول یا مجموعهای از قوانین، رویهها، فرایندها، دستورالعملها یا مراحل، برای حل یک مشکل یا برای انجام یک کار است. در هوش مصنوعی، الگوریتم به ماشین میگوید چگونه پاسخ یک سؤال یا راه حل یک مسئله را پیدا کند. دستگاهها از انواع گوناگونی از الگوریتمها استفاده میکنند. مثالهای رایج آن درختهای تصمیم، الگوریتمهای خوشهبندی و الگوریتمهای طبقهبندی هستند.
- مدلهای زبانی بزرگ18: مدلهایی هستند که پایه اصلی و اساسی آنها بر متن مبتنی است. بهعنوان نمونه این مدل میتوان از GPT-3.5 نام برد. این مدلها میتوانند متن را درک و متن جدید تولید کنند. همچنین قادرند وظایف متعددی از جمله پاسخ به سؤالها، خلاصهسازی متن، ترجمه زبان و حتی تولید محتوای خلاقانه را انجام دهند.
- مدلهای زبانی بزرگ چند وجهی19: مدلهایی هستند که پایه اصلی و اساسی آنها بر متن مبتنی است و چند رسانهایها به آن افزوده شدهاند؛ مثل چت جیپیتی 4.
- مدلهای چندوجهی بزرگ20: پایه هوش مصنوعی ایامام21 بر چندرسانهای مبتنی است و برای درک و تولید محتوا در چندین حالت مانند متن، تصویر و ویدئو طراحی شدهاند. ایجاد داستان از تصویر، حل مسئلههای ریاضی، ایجاد تصویر، ایجاد یا تفسیر نمودار، ایجاد صدا و ویدئو نمونهای از قابلیتهای متنوع هوش مصنوعی مبتنی بر مدلهای چند وجهی است.
- مدل چندوجهی22: مدلی که ورودی یا خروجی آن شامل بیش از یک وجه (مدالیته) است. برای مثال، مدلی را در نظر بگیرید که هم یک تصویر و هم یک عنوان متن (دو حالت) را بهعنوان ویژگی در نظر میگیرد و با نشاندادن یک امتیاز مشخص میکند که عنوان متن برای تصویر چقدر مناسب است. وجهها (مدالیتهها) میتوانند انواع داده مانند متن، تصویر، صدا، ویدئو و غیره باشند.
- مدل زبان بزرگ هوش مصنوعی متا23: خانوادهای از مدلهای زبانی بزرگ منبعباز است که متا ایآی24 در سال 2023 راه اندازی کرد. این مدلها برای کاربردهای متنوعی از جمله تولید متن، ترجمه زبان، پاسخ به سؤالها و خلاصهسازی متن طراحی شدهاند.
- گردش کار مدل در هوش مصنوعی25: گردش کار مدل هوش مصنوعی فرایندی است که شامل تمام مراحل مورد نیاز برای ایجاد، آموزش، ارزیابی و پیادهسازی یک مدل هوش مصنوعی میشود. این فرایند وابستگیهای متقابل و غالباً تکرارشونده دارد، زیرا در هر مرحله ممکن است به بازبینی و بهبود نیاز باشد. برای مثال، یک شرکت پردازش زبان طبیعی برای ساخت یک گپبات هوشمند، ابتدا دادههای گفتاری را جمعآوری و پردازش میکند، سپس مدل را آموزش میدهد و بعد از ارزیابی دقیق، آن را روی وبگاه مستقر میکند. با دریافت بازخورد کاربران، مدل را بهطور مداوم اصلاح و بهروزرسانی میکند.
- پرامپت26: پرامپت از نظر لغوی به معنی بهفعالیت واداشتن، برانگیختن و از نظر واژهنامه رایانهای متنی نمایشی است که نشان میدهد برنامه منتظر دریافت ورودی از طرف کاربر است. پرامپت یک دستور، پرسش یا متن ورودی است که کاربر انسانی به هوش مصنوعی میدهد تا هوش مصنوعی خروجی یا نتیجهای را تولید کند. این ورودی میتواند شامل سؤالها، توضیحها، دستورهای برنامهنویسی، توصیف تصویرها، درخواستهای ترجمه یا هر نوع دادهای باشد که هدف آن هدایت مدل هوش مصنوعی برای تولید پاسخ مطلوب است. پرامپتنویسی27 و مهندسی پرامپت28 یعنی هنر، علم و مهارت بیان دقیق خواستههای فرد از یک مدل زبانی یا هر نوع هوش مصنوعی. بنابراین پرامپتنویسی فرایند تنظیم و نگارش درخواستها، دستورها یا سؤالهای مشخص و دقیق برای ارتباط و تعامل با هوش مصنوعی یا مدلهای زبانی است. هر اندازه سؤال یا درخواست دقیقتر نوشته شود، پاسخ بهتری از سوی هوش مصنوعی دریافت خواهد شد.
- تشخیص نویسه نوری29: یک دستگاه رایانهای است که تصویری از متن حروفنگاری (تایپ)شده، دستنویس یا چاپشده میگیرد و آنها را به متن قابل خواندن یا ویرایش (دادههای دیجیتال قابل پردازش) توسط ماشین تبدیل میکند. این فناوری در بسیاری از زمینهها از جمله دیجیتالکردن اسناد، شناسایی متن در تصویر و تبدیل دستنوشتهها به متن کاربرد دارد و کمک میکند دسترسی به اطلاعات سادهتر و سریعتر شود.
- تشخیص عامل هوشمند30: یک نسخه پیشرفتهتر از تشخیص نویسه نوری است که بهجای شناسایی متن چاپشده، توانایی پردازش و تفسیر متنهای دستنویس را دارد. این فناوری برای افزایش دقت در تشخیص نوشتههای دستنویس از الگوریتمهای پیشرفته یادگیری ماشین و هوش مصنوعی استفاده میکند.
- تشخیص تصویر31: نوعی توانایی نرمافزار یا دستگاههای هوشمند است که میتواند اشیا، مکانها، افراد، متنها و اعمال موجود در تصویرها را شناسایی کند و تشخیص دهد. این فرایند با استفاده از الگوریتمهای پیشرفته هوش مصنوعی و یادگیری ماشین انجام میشود.
- تشخیص چهره32: تشخیص چهره یکی از کاربردهای مهم در پردازش تصویر و هوش مصنوعی است که به شناسایی و مکانیابی چهرهها در تصویرها، ویدئوها یا بهصورت زنده میپردازد.
- تشخیص گفتار صوتی33: نوعی هوش مصنوعی است که برای پردازش زبان گفتاری به کار میرود. این فناوری گفتار انسان را به متن قابل خواندن پردازش میکند. همچنین تشخیص و ترجمه زبان گفتاری به متن توسط رایانه را امکانپذیر میکند. دستیارهای تنظیم (کنترل) صدا مانند سیری اپل و الکسای آمازون از این نوع هوش مصنوعی استفاده میکنند.
- شبکه عصبی مصنوعی34: یک مدل یادگیری پیشرفته است که با الهام از ساختار و عملکرد مغز انسان طراحی شده است. این شبکه برای حل وظایفی به کار میرود که انجام آنها برای دستگاههای رایانهای سنتی بسیار دشوار است.
- گپبات35: یک برنامه رایانهای یا یک هوش مصنوعی است که برای تعامل مکالمهای با کاربران انسانی طراحی شده است.
- مبدل (ترانسفورماتور) ازپیشآموزشدیده مولد36: گپبات روبات گپ مبتنی بر هوش مصنوعی و یکی از مدلهای زبانی بزرگ است که شرکت «اپنآی»37 تولید و منتشر کرد. چتجیپیتی سریعترین برنامه متحولکننده هوش مصنوعی است.
- داده38: داده ارزش یا مجموعهای از ارزشهاست که یک مفهوم یا مفاهیم خاص را نشان میدهد. دادهها زمانی که تجزیه و تحلیل میشوند و به احتمال با دادههای دیگر ترکیب میشوند، به «اطلاعات» تبدیل میگردند تا معنا را استخراج کنند. معنای دادهها بسته به زمینه آن میتواند متفاوت باشد. مجموعه داده مجموعهای است سازمان یافته از دادهها. این دادهها میتوانند در شکل های متفاوتی مثل متن، تصویر، صدا، عدد و غیره باشند.
- پارامتر39: متغیری در داخل مدل است که در پیشبینی خروجیها نقش اساسی ایفا میکند. این مقدار قابل یادگیری است و در فرایند آموزش مدل، بر اساس دادههای ورودی تنظیم میشود. پارامترها در طول فرایند آموزش مدل بهطور مستقیم بهروزرسانی میشوند. به عبارت دیگر، پارامترها مقدارهایی عددی هستند که به مدلهای زبانی بزرگ ساختار و رفتار میدهد و آنها را قادر به پیش بینی میکند.
- پایتون40: یک زبان برنامهنویسی محبوب است که برای برنامهنویسی عمومی استفاده میشود. پایتون در تمامی حوزهها از توسعه وب و برنامهنویسی نرمافزارها تا تحلیل دادهها، هوش مصنوعی، یادگیری ماشین، پردازش زبان طبیعی، تحلیل دادههای بزرگ، علوم رایانه و شبکهسازی کاربرد دارد.
- تبدیل متن به گفتار41: فناوری ای در هوش مصنوعی و پردازش زبان طبیعی است که متن نوشتاری را به گفتار مصنوعی تبدیل میکند. این فناوری امکان تعامل صوتی بین انسان و ماشین را فراهم میکند و برای افراد کمبینا، خواندن خودکار متن و دستیارهای صوتی کاربرد فراوان دارد.
- تبدیل متن به تصویر42: یک فن هوش مصنوعی است که بر اساس توضیحات متنی، تصویرهایی جدید و منحصربهفرد تولید میکند. این فناوری از مدلهای یادگیری عمیق، شبکههای عصبی مولد و هوش مصنوعی چندوجهی برای درک متن و تبدیل آن به تصویر استفاده میکند.
- اخلاق در هوش مصنوعی43: مطالعه و کاربرد اصول اخلاقی در توسعه و استفاده از هوش مصنوعی، از جمله موضوعاتی مانند سوگیری، حریم خصوصی و مسئولیتپذیری، استقرار و استفاده مسئولانه از سامانههای هوش مصنوعی، با درنظرگرفتن تأثیرات اجتماعی، تعصب و انصاف را اخلاق در هوش مصنوعی گویند.
پینوشتها
1. Artificial Intelligence or AI
2. Generative AI
3. Predictive AI
4. Machine Learning or ML
5. Weak AI or narrow AI
6. Artificial General Intelligence or Strong AI or full AI
7. Artificial Super Intelligence or ASI
8. Turing Test
9. Deep Learning or DL
10. labelled
11. Layers
12. Natural language processing or NLP
13. Computer Vision
14. Robot
15. obotics
16. Model
17. Algorithm
18. MM
22. Multimodal Model
23. Large Language Model Meta AI or LLAMA
24. Meta AI
25. AI Model Workflow
26. Prompt
27. Prompt Writing
28. Prompt Engineering
29. Optical Character Recognition or OCR
30. Intelligent Character Recognition or ICR
31. Image Recognition
32. Face Detection / Face Recognition
33. Audio Speech Recognition or ASR
34. Artificial Neural Network or ANN
35. Chatbot
36. Generative Pre-trained Transformer or ChatGPT
37. O penAI
38. Data
39. Parameter
40. Python
41. Synthesis Text-To-Speech
42. Text-to-Image Generation
43. Ethics in AI