هوش چیست ؟

به طور کلی هوش به قدرت یا توانایی فهمیدن، یادگیری، استدلال، حل مسئله و اتخاذ تصمیم توسط موجود زنده یا یک ماشین اشاره دارد.

منظور از ماشین، هر دستگاه الکترونیکی است که توانایی پردازش داشته باشد.

نگاهی به هوش مصنوعی از دید برنامه نویسی

دوستانی که مقداری هر چند اندک برنامه نویسی کار کرده باشند، با دستورات شرطی مثل if, else آشنا هستن، در نگاه سنتی یا به اصطلاح قاعده محور(rule base) برای اینکه یک ماشین به اصطلاح بتونه تصمیم گیری کنه، برنامه نویس باید مو به مو برای ماشین و در قالب کدهای برنامه، مسئله رو تشریح کنه و در واقع گام به گام به ماشین بگه چیکار کنه و چیکار نکنه.

اما در رویکرد هوش مصنوعی و یادگیری ماشین این توضیح گام به گام دیگه وجود نداره و عملا شما ساختارهایی مانند دستورات شرطی رو دیگه استفاده نمی کنید.

به عنوان مثلا فرض کنید قصد داریم برنامه ای بنویسیم که معدل رو دریافت کنه و پیغام قبولی یا مردودی رو به کاربر نشون بده، طبق رویکرد rule base برنامه به این شکل خواهد بود: if (avg >=10): Print(“قبول”) Else Print(“مردود”)

توی این مثال ما باید با یک ساختار شرطی گام به گام به ماشین بگیم اگر این بود، این رو انجام بده، اگر این نبود اون یکی رو انجام بده و الی آخر…که این صورت از کدنویسی رو در هوش مصنوعی عملا استفاده نمی کنیم!

خب با این توضیح، پس ماشین چطور تصمیم میگیره؟

در رویکرد جدید یا همون هوش مصنوعی(البته به لحاظ مباحث تئوری قدمتی در حد چند دهه داره)، یک مرحله با نام مرحله آموزش(train) وجود داره که در این مرحله به ماشین یاد میدیم چطور در مسئله مورد نظرمون تصمیم بگیره. به قول معروف به جای اینکه ماهی بدیم دستش، ماهی گیری یادش بدیم.

در واقع سوال اصلی اینجاست که چطور بهش یاد بدیم؟

جواب اینه، با استفاده از داده، یعنی چی؟ یعنی اینکه، ما داده هایی باید داشته باشیم که به ماشین بدیم و از روی اونها چیزی که ما می‌خواهیم رو یاد بگیره.

فرض کنید همین chat gpt، وقتی شما ازش بپرسید مثلا رادیو چطور کار میکنه، از کجا جواب شما رو میده؟از داده هایی که از روی اونها یاد گرفته.

یعنی ده ها و صدها مطلب در مورد رادیو به chat gpt داده شده که از روی اونها مرحله آموزش(train) رو انجام بده و یاد بگیره که بعد از اون بتونه جواب سوال شما رو بده، جالبه بدونید که مطالبی که به chat gpt در مرحله اموزش داده شده، حدود ۸۰ میلیون مطلب بوده.

یک مثال دیگه…

فرض کنید قصد داریم مدلی طراحی کنیم که لیوان های معیوب رو از لیوان های سالم جدا کنه، طراحی این مدل با رویکرد rule base به این صورت هست که باید بعد از ثبت تصویر از یک لیوان، پیکسل به پیکسل جلو بریم و بتونیم لیوان رو در تصویر تشخیص بدیم، بعد باید تصویر تشخیص داده شده لیوان رو بررسی کنیم که ایا در جاهایی از تصویر پیکسل هایی که نشان دهنده لیوان معیوب هست وجود داره یا خیر و ادامه ماجرا(البته خیلی ابتدایی و ساده گفتم خدمتتون).

اما در هوش مصنوعی و یادگیری ماشین، در مرحله آموزش مدل، تصاویر صدها لیوان معیوب به الگوریتم داده میشه که از روی اونها یاد میگیره لیوان معیوب چه شکل هایی میتونه داشته باشه و بعد از مرحله اموزش و در مواجهه با تصویر یک لیوان جدید، تشخیص خواهد داد که با چه احتمالی لیوان موجود در اون تصویر معیوب هست یا سالم.

خلاصه مطالب:

در یادگیری ماشین، ما به جای نوشتن الگوریتم‌های خاص برای حل مسئله و بدون نیاز به برنامه‌ریزی صریح، مدل‌های هوش مصنوعی را با داده‌های آموزشی، آموزش می‌دهیم تا بتوانند به صورت خودکار برای مسائل مشابه تصمیم‌گیری و پیش‌بینی کنند.