هوش مصنوعی چیست؟ سیستم‌های یادگیری ماشین چگونه کار می‌کنند

هوش مصنوعی (AI) یک زمینه فناوری است که کامپیوترها و ماشین‌ها را قادر می‌سازد تا یادگیری انسانی، درک، حل مسئله، تصمیم‌گیری، خلاقیت و استقلال‌خودی را شبیه‌سازی کنند، بر اساس IBM.

هوش مصنوعی محدود در مقابل هوش مصنوعی عام

IBM بین دو دسته گسترده تمایز قائل می‌شود. هوش مصنوعی محدود، که هوش مصنوعی ضعیف نیز نامیده می‌شود، سیستم‌هایی را پوشش می‌دهد که برای یک کار خاص ساخته شده‌اند، مانند دستیار صوتی یا ربات گفتگو. هوش مصنوعی عام، یا هوش مصنوعی قوی، به سیستمی نظری با درک گسترده در بسیاری از کارها در سطح انسانی یا فراانسانی اشاره می‌کند؛ IBM بیان می‌کند که چنین سیستم‌هایی در حال حاضر وجود ندارند.

یادگیری ماشین: موتور پشت بیشتر سیستم‌های هوش مصنوعی

یادگیری ماشین (ML) زیرمجموعه‌ای از هوش مصنوعی است که بر الگوریتم‌هایی تمرکز می‌کند که الگوها را از داده‌های آموزشی یاد می‌گیرند و سپس درباره داده‌های جدید نتیجه‌گیری می‌کنند، همان‌طور که IBM توضیح می‌دهد. تفاوت کلیدی با برنامه‌نویسی سنتی این است که برنامه‌نویس نیازی ندارد که هر قانونی را مشخص کند. IBM مثالی از تشخیص اسپم می‌دهد: یک برنامه مبتنی بر قوانین نیاز به انسانی دارد که مشخص کند اسپم چگونه است، در حالی که مدل ML خصوصیات اسپم را با مطالعه خودکار بسیاری از رایانامه‌های مثال یاد می‌گیرد.

سه نوع اصلی یادگیری

بر اساس IBM، سیستم‌های یادگیری ماشین عموماً به یکی از سه روش آموزش داده می‌شوند. یادگیری تحت نظارت از داده‌های برچسب‌گذاری‌شده با پاسخ‌های صحیح معروف برای کارهایی مانند طبقه‌بندی اشیاء یا پیش‌بینی مقدار پیوسته مانند قیمت استفاده می‌کند. یادگیری بدون نظارت با داده‌های بدون برچسب کار می‌کند و به دنبال ساختار پنهان است، مانند گروه‌بندی مشتریان مشابه. یادگیری تقویتی یک سیستم را از طریق آزمایش و خطا آموزش می‌دهد، اقداماتی را که آن را به سمت هدف حرکت می‌دهند پاداش می‌دهد بنابراین تدریجاً یک استراتژی بهینه یاد می‌گیرد.

جایی که هوش مصنوعی در حال حاضر نمایان می‌شود

IBM چت‌بات‌های خدمات مشتری، تشخیص تقلب، توصیه‌های بازاریابی شخصی‌سازی‌شده، غربال‌گری استخدام با کمک هوش مصنوعی، ابزارهای تولید کد و نگهداری پیش‌بینی‌انه را به‌عنوان برنامه‌های فعلی فهرست‌گذاری می‌کند. به‌طور جداگانه، خلاصه یادگیری ماشین IBM خودروهای خودمختار، فیلتر کردن رایانامه‌های اسپم، پشتیبانی تشخیص پزشکی، موتورهای توصیه و ترجمه زبان را به لیست فناوری‌های تحت کنترل ML که در حال استفاده هستند اضافه می‌کند.

محدودیت‌های شناخته‌شده: توهم‌زایی و سوگیری

سیستم‌های هوش مصنوعی تولیدی می‌توانند 'توهم‌زایی' تولید کنند — اطلاعات ساختگی که معتبر به نظر می‌رسند، بر اساس گروه فناوری‌های آموزش و یادگیری MIT Sloan. MIT Sloan به مورد پرطرفدار اشاره می‌کند که در آن وکیلی برای تحقیق حقوقی از ChatGPT استفاده کرد و ابزار استشهادات قضایی ساختگی را که وجود نداشتند اختراع کرد. گروه از تحقیقاتی استناد می‌کند که نشان می‌دهد چت‌بات‌های عام‌الغرض در 58% تا 82% از پرس‌وجوهای حقوقی آزموده‌شده توهم‌زایی داشتند، در حالی که ابزارهای حقوقی تخصصی با استفاده از نسل افزایش‌شده با بازیابی همچنان در بیش از 17% از موارد توهم‌زایی داشتند.

MIT Sloan توهم‌زایی را به سه عامل نسبت می‌دهد: داده‌های آموزشی که اطلاعات دقیق و نادقیق را مخلوط می‌کند، که مدل‌ها می‌توانند آن را بازتولید کنند؛ طراحی زیربنایی سیستم‌های تولیدی، که مانند 'ابزارهای تکمیل پیشرفته' کار می‌کنند و کلمات بعدی معقول را پیش‌بینی می‌کنند تا اینکه حقائق را تأیید کنند؛ و محدودیت‌های معماری که مدل‌ها را قادر می‌سازند الگوها را به روش‌های جدید، گاهی نادقیق، ترکیب کنند حتی با داده‌های آموزشی تمیز.

درباره سوگیری، MIT Sloan گزارش می‌دهد که مطالعات نشان داده‌اند سیستم‌های هوش مصنوعی می‌توانند کلیشه‌های جنسیتی و نژادی را در تصاویر تولیدی تقویت کنند و بازخورد، نمره‌گذاری یا توصیه‌های حرفه‌ای با کیفیت متفاوتی را بر اساس نشانه‌های جمعیت‌شناختی در یک سؤال تولید کنند. گروه این را به داده‌های آموزشی نسبت می‌دهد که تعصب‌های اجتماعی موجود را شامل می‌شود، که مدل‌ها آن را بدون توانایی قضاوت درست و غلط بازتولید می‌کنند. خلاصه IBM به‌طور جداگانه مخاطرات داده مانند مسمومیت یا سوگیری درونی، خطرات مدل مانند سرقت یا دستکاری پارامتر، و خطرات عملیاتی مانند انجراف مدل را به عنوان مخاوف گسترده‌تری برای سازمان‌هایی که هوش مصنوعی را مستقر می‌کنند مشخص می‌کند.

چرا اکنون اهمیت دارد

IBM توجه می‌دهد که بحث هوش مصنوعی مدرن توسط هوش مصنوعی تولیدی سیطره می‌شود — سیستم‌هایی که متن، تصویر، ویدیو و محتوای دیگر اصلی را تولید می‌کنند تا اینکه صرفاً طبقه‌بندی یا پیش‌بینی از داده‌های موجود انجام دهند. همان‌طور که این ابزارها در محل‌های کار، مدارس و برنامه‌های روزمره پیدا می‌شوند، همان مکانیزم زیربنایی — یادگیری از داده‌های آموزشی — کمک می‌کند هم تواناییهای آن‌ها و هم محدودیت‌های ثبت‌شده آن‌ها، از جمله مسائل توهم‌زایی و سوگیریی که MIT Sloan توضیح می‌دهد، را توضیح دهند.