هوش مصنوعی چیست؟ | آشنایی با یادگیری ماشین، یادگیری عمیق

چندسالی میشه که کلمه هوش مصنوعی سر زبون ها افتاده، بیشتر از زمانی که Chat GPT معرفی شد این اتفاق صورت گرفت، به خاطر همین همه هوش مصنوعی رو با Chat GPT میشناسند و خیلی ها فکر میکنند هوش مصنوعی فقط چیز هایی مثل Chat GPT , Gemeni , Claude و … هستند و از همون حدود سال 2023 شروع شدند. توی این مقاله میخوام در مورد هوش مصنوعی و تاریخچه ای که داره صحبت کنم و یکسری مفاهیم دیگه که در کنار هوش مصنوعی شنیده میشه مثل یادگیری ماشین (Machine learning) , یادگیری عمیق (Deep Learning) , هوش مصنوعی مولد (Generative AI) و … رو توضیح بدم. پس با سیسوگ همراه باشید تا به این مقاله جذاب بپردازیم.

هوش مصنوعی چیست؟

هوش مصنوعی یا Artificial Intelligence (AI) یعنی توانایی ماشین‌ها و کامپیوترها برای انجام کارهایی که معمولاً نیاز به هوش انسانی دارند. این تعریف صحیحی از هوش مصنوعی هست و بر اساس همین تعریف، خیلی از کارهایی که کامپیوتر ها برای ما انجام میدند در اصل نوعی از هوش مصنوعی هستند. از لحاظ زمانی میشه گفت که دهه 1950 میلادی شروع رسمی هوش مصنوعی بوده و مفاهیم اون شروع به شکل گیری کرند، به طور مثال پیشنهاد میکنم که مطالعه ای در مورد Eliza داشته باشید که اولین چت بات هوش مصنوعی بود و در سال 1964 در MIT طراحی و پیاده سازی شد. ELIZA یک چت‌بات متنی بود که با وارد شدن جمله‌های کاربر، با ترفندهای زبانی خیلی ساده پاسخ می‌داد، بدون درک واقعی معنا.

با توجه به این موضوع تقریبا باید متوجه شده باشید که هوش مصنوعی یک تعریف کلی هست. در ادامه به شاخه های اصلی هوش مصنوعی میپردازیم و اونها رو بررسی میکنیم. 

به این نکته هم توجه داشته باشید که بعضا هر کدوم از موضوعاتی که من در نظر دارم توی این مقاله مطرح کنم برای یادگیری و درک کاملش نیاز به ده ها قسمت آموزش و مقاله داره، هدف من هم یادگیری کامل این مباحث نیست و صرفا آشنایی و دید کلی پیدا کردن رو در نظر دارم، در کنار اون برای بعضی از موضوعات لینک هایی برای مطالعه بیشتر قرار میدم.

یادگیری ماشین (Machine learning)

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که بدون برنامه‌نویسی مستقیم، به کامپیوترها قابلیت یادگیری می‌دهد. در یادگیری ماشین، داده یک رکن اساسی است و مدل‌های یادگیری ماشین با استفاده از داده‌ها یاد می‌گیرند که چگونه تصمیم‌گیری کنند. این الگوریتم‌ها، ویژگی‌ها و الگوهایی را از داده‌ها استخراج کرده و با توجه به آن‌ها تصمیم‌گیری می‌کنند.

در یادگیری ماشین (با به عبارت دقیق تر “یادگیری ماشین کلاسیک” ) انسان باید قبل از آموزش مدل، تصمیم بگیرد که چه متغیرهایی مهم هستند و مدل فقط رابطه بین آن‌ها را یاد می‌گیرد. یک مثال ساده از یادگیری ماشین پیشنهاد کلمات در کیبرد گوشی هست که موقع تایپ کردن کلمه بعدی رو حدس میزنه. در واقع از داده‌های قبلی تایپ میلیون‌ها کاربر یاد گرفته که معمولاً بعد از چه کلمه‌ای چه چیزی نوشته می‌شود. حوزه یادگیری ماشین از حدود سال 2010 رشد سریع و جهانی پیدا کرد. 

برای مطالعه بیشتر میتونید از این دوره رایگان در سایت هوسم کمک بگیرید.

یادگیری عمیق (Deep learning)

یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است که در آن از شبکه‌های عصبی استفاده می‌شود. شبکه‌های عصبی با الهام‌گیری از مغز انسان ساخته شده‌ و با دیدن نمونه‌های مختلف از داده یاد می‌گیرند چطور پیش‌بینی کنند. به این دلیل به اون عمیق گفته میشه که ما چندین لایه از شبکه های عصبی داریم. در یادگیری عمیق، کامپیوتر خودش یاد می‌گیرد چه چیز در داده مهم است؛ بدون اینکه انسان مجبور باشد مشخص کند «کدام ویژگی» یا «قاعده» را باید نگاه کند (بر عکس یادگیری ماشین کلاسیک).

مغز انسان از حدود ۸۶ میلیارد نورون زیستی تشکیل شده که با اتصالات (Synapses) به‌هم مرتبط‌ هستند. هر نورون ورودی‌هایی از نورون‌های دیگر دریافت می‌کند، آن‌ها را با وزنی خاص ترکیب می‌کند، سپس اگر مجموع ورودی از حد مشخصی عبور کند، سیگنال جدیدی را به نورون‌های بعدی می‌فرستد. یادگیری عمیق همین رفتار را به‌صورت ریاضی و دیجیتال تقلید می‌کند.

لایه‌ها (Layers) و عمق یادگیری

نورون‌ها در یادگیری عمیق به‌صورت لایه به لایه سازمان داده می‌شوند:

1. لایه ورودی (Input Layer):

   داده خام مثل تصویر، صدا، یا متن وارد می‌شود.

   مثال: در تصویر، هر پیکسل یک ورودی است.

2. لایه‌های پنهان (Hidden Layers):

   اینجا جادوی یادگیری رخ می‌دهد. هر لایه از خروجی لایهٔ قبلی چیزهای پیچیده‌تری یاد می‌گیرد.

   • لایه اول: یادگیری الگوهای ساده (مثل لبه‌ها در تصویر).
   • لایه‌های بعدی: یادگیری اجزای بزرگ‌تر (مثل چشم، گوش، چهره کامل).
   • هرچه تعداد این لایه‌ها بیشتر باشد، مدل «عمیق‌تر» می‌شود و توانایی درک مفاهیم بالاتری پیدا می‌کند.

3. لایه خروجی (Output Layer):

   تصمیم نهایی را می‌دهد (مثلاً می‌گوید تصویر، گربه است یا سگ).

فرآیند یادگیری (Training)

هر ارتباط بین نورون‌ها یک وزن عددی دارد؛ این وزن‌ها در آغاز تصادفی‌اند.

مدل داده می‌گیرد، خروجی تولید می‌کند، خطا را اندازه می‌گیرد، و وزن‌ها را تنظیم می‌کند تا دفعهٔ بعد خروجی دقیق‌تر شود.

این چرخهٔ تنظیم وزن‌ها با الگوریتمی به نام پس‌انتشار خطا (Backpropagation) انجام می‌شود — شبیه به اینکه مغز ما با تجربه و اشتباه، مسیرهای عصبی خود را بهینه می‌کند.

برای مطالعه بیشتر در مورد شبکه های عصبی میتونید این ویدیو ها رو در یوتیوب مشاهده کنید .

همچنین برای مطالعه بیشتر در حوزه بادگیری ماشین میتونید از این دوره رایگان در سایت هوسم کمک بگیرید.

مدل های بنیادی (Foundation Models)

اصطلاح مدل های بنیادی کمتر شناخته شده اما درست ترین تعریف برای نسل بعدی هوش مصنوعی هست، جدیدترین پیشرفت ها توی حوزه هوش مصنوعی در همین حوزه قرار دارند. این مدل‌ها به‌جای یادگیری یک کار خاص، روی انبوهی از داده‌های عمومی و متنوع آموزش می‌بینند تا دانش عمومی رو یاد بگیرند، شبیه مغز انسان. معرفی معماری جدید Transformer باعث جهش این نوع مدل ها شد.

هوش مصنوعی مولد (Generative AI)

هوش مصنوعی مولد نوعی از AI است که خودش داده یا محتوا تولید می‌کند — نه فقط تحلیل یا پیش‌بینی کند. مدل‌های سنتی مثل تشخیص چهره یا ترجمه، صرفاً خروجی‌های منطقی یا طبقه‌بندی تولید می‌کردند. اما در Generative AI، خروجی‌ها خلاقانه و تازه هستند؛ یعنی مدل داده‌ای مشابه قبلی ندیده ولی از فهم خودش چیز جدید می‌سازد. هوش مصنوعی هایی که بیشتر در بین عموم شناخته شده اند توی این دسته قرار میگیرند، چیز هایی مثل:

• ChatGPT, GPT‑4, Gemini, Claude که با عنوان Chat Bot AI شناخته میشند و بر پایه مدل زبانی بزرگ (LLMs – Large Language Models) ها هستند
• DALL·E, Stable Diffusion, Midjourney که برای تولید تصویر استفاده میشند
• Suno, Udio, Mubert که برای صوت و موسیقی استفاده میشند
• و …

برای مطالعه بیشتر میتونید از این ویدیو که توسط MIT تهیه شده استفاده کنید که همین مفاهیم AI, Machine Learning, Deep Learning , Generative AI رو به صورت ویدیویی توضیح میده

در قسمت بعدی به مبحث هوش مصنوعی و بینایی ماشین در سیستم های امبدد و Edge AI میپردازیم

نویسنده: mahdi.h