آشنایی با هوش مصنوعی مولد

هوش مصنوعی مولد به مدل‌های یادگیری عمیقی اطلاق می‌شود که حجم زیادی از داده‌های خام (مثلا تمام محتوای موجود در ویکی‌پدیا) را دریافت می‌کنند و سپس با بررسی آن‌ها یاد می‌گیرند که در صورت درخواست (پرامپت)، خروجی‌های آماری احتمالی را تولید کنند.

در مقاله امروز قصد داریم تا شما با هوش مصنوعی مولد آشنا کنیم. برای مطالعه سایر مقاله ها در رابطه با آشنایی بیشتر با هوش مصنوعی می توانید مجله آنلاین ایران هاستینگ 24 را مورد مطالعه قرار دهید.

هوش مصنوعی چیست؟

وقتی اکثر مردم اصطلاح هوش مصنوعی را می‌شنوند، معمولا اولین چیزی که به ذهن‌شان می‌رسد ربات‌ها هستند. این برداشت ذهنی به فیلم‌ها و رمان‌هایی مربوط است که همیشه ربات‌ها را موجوداتی قدرتمند با توانایی نابود کردن کره زمین و بشر تجسم کرده‌اند.

هوش مصنوعی بر این اصل استوار است که هوش انسانی را می‌توان به‌گونه‌ای تعریف کرد که یک ماشین بتواند به‌راحتی آن را تقلید کند و وظایف را از ساده‌ترین موارد تا موارد پیچیده‌تر انجام دهد. اهداف هوش مصنوعی شامل تقلید از فعالیت‌های شناختی انسان است.

محققان و توسعه‌دهندگان در این زمینه در تقلید از فعالیت‌هایی مانند یادگیری، استدلال و ادراک که تا حدی بتوان آن‌ها را به‌طور مشخص تعریف کرد، گام‌های شگفت‌انگیزی برداشته‌اند. برخی بر این باورند که مبتکران ممکن است به‌زودی قادر به توسعه سیستم‌هایی باشند که برای یادگیری یا استدلال هر موضوعی از ظرفیت انسان فراتر باشد.

هوش مصنوعی مولد چیست؟

هوش مصنوعی مولد به مدل‌های یادگیری عمیقی اطلاق می‌شود که حجم زیادی از داده‌های خام (مثلا تمام محتوای موجود در ویکی‌پدیا) را دریافت می‌کنند و سپس با بررسی آن‌ها یاد می‌گیرند که در صورت درخواست (پرامپت)، خروجی‌های آماری احتمالی را تولید کنند.

در سطوح بالا، مدل‌های مولد با رمزگشایی نمونه‌ای ساده‌شده از داده‌های آموزشی خود، طرح یا محتوای جدیدی را تولید می‌کنند که با داده‌های آموزشی مشابه است اما دقیقا یکسان نیست. مدل‌های مولد سال‌هاست در علم آمار برای تجزیه‌وتحلیل داده‌های عددی استفاده می‌شود.

با این حال، ظهور یادگیری عمیق، گسترش آن‌ها را به تصاویر، گفتار و دیگر انواع داده‌های پیچیده ممکن کرد. در بین اولین کلاس از مدل‌هایی که به این مقطع رسیدند، رمزگذاری‌های متغیر خودکار یا VAE بودند که در سال 2013 معرفی شدند. VAEها اولین مدل‌های یادگیری عمیق بودند که به‌طور گسترده برای تولید تصاویر و گفتار واقعی استفاده شدند.

آکاش سریواستاوا، کارشناس هوش مصنوعی مولد در آزمایشگاه هوش مصنوعی MIT-IBM Watson در این خصوص گفت «VAEها با آسان‌تر کردن مدل‌ها، دروازه‌های مدل‌سازی مولد عمیق را باز کردند. بخش زیادی از آنچه امروزه به‌عنوان هوش مصنوعی مولد می‌شناسیم، در واقع از VAE شروع شد.»

نمونه‌های اولیه مدل‌ها، مانند BERT، GPT-3 یا DALL-E 2 نشان داده‌اند که چه پتانسیلی وجود دارد. مدل‌های آینده بر روی مجموعه‌ گسترده‌ای از داده‌های بدون برچسب آموزش می‌بینند که می‌توانند برای کارهای مختلف با حداقل نیاز به تنظیم دقیق استفاده شوند. سیستم‌هایی که وظایف خاصی را در یک دامنه واحد اجرا می‌کنند، جای خود را به هوش مصنوعی گسترده‌ای می‌دهند که به‌طور جامع‌تری یاد می‌گیرد و توانایی کار کردن در دامنه‌ها و مشکلات مختلف را دارد.

مدل‌های بنیادی که بر روی مجموعه داده‌های بزرگ و بدون برچسب آموزش دیده‌اند و برای مجموعه‌ای از کاربردها به‌خوبی تنظیم شده‌اند، این تغییر را هدایت می‌کنند. وقتی از آینده هوش مصنوعی مولد صحبت می‌کنیم، پیش‌بینی می‌شود که مدل‌های بنیادین به‌طرز چشم‌گیری سرعت پذیرش هوش مصنوعی در سازمان را افزایش دهند.

کاهش نیاز به برچسب‌گذاری داده‌ها استفاده از هوش مصنوعی را برای کسب‌وکارها تسهیل می‌کند؛ و دقت بالا به‌همراه اتوماسیون مبتنی بر هوش مصنوعی به کسب‌وکارهای به‌مراتب بیش‌تری اجازه می‌دهد تا از این فناوری در طیف وسیع‌تری از موقعیت‌های بحرانی در ماموریت کسب‌وکار خود استفاده کنند.

IBM امیدوار است که در نهایت بتوان قدرت مدل‌های بنیادین را در یک محیط ابری-هیبریدی بدون اصطکاک در دسترس هر سازمانی قرار دارد.