الگوریتم هوش مصنوعی
AI Algorithmالگوریتم هوش مصنوعی دستورالعملی گامبهگام است که تعیین میکند سیستم چطور از داده یاد بگیرد و چطور پارامترهای خود را اصلاح کند. الگوریتم، «روش یادگیری» است؛ مدل، حاصل بهکارگیری آن روش روی دادهای مشخص.
الگوریتم در برابر مدل: تفاوتی که همهچیز را روشن میکند
این دو واژه مدام بهجای هم به کار میروند و همین منشأ بیشتر سردرگمیهاست. یک قیاس دقیق:
- الگوریتم مثل دستور پخت است: «آرد را با آب مخلوط کن، ورز بده، بگذار بماند…»
- مدل مثل نانی است که با اجرای آن دستور روی مواد اولیهٔ مشخص پخته شده.
- داده همان مواد اولیه است.
یک دستور پخت واحد، با آرد متفاوت، نان متفاوتی میدهد. به همین ترتیب، یک الگوریتم واحد با دادههای متفاوت، مدلهای کاملاً متفاوتی تولید میکند. وقتی میگویند «الگوریتم اینستاگرام تغییر کرد»، تقریباً همیشه منظور این است که مدل بازآموزی شده یا معیار بهینهسازی عوض شده — نه اینکه دستور پخت بنیادی تغییر کرده باشد.
موتور یادگیری: چطور پارامترها تنظیم میشوند؟
بیشتر الگوریتمهای امروزی روی یک ایدهٔ مشترک بنا شدهاند که در چهار گام تکرار میشود:
- حدس بزن. مدل با پارامترهای فعلیاش خروجیای تولید میکند.
- خطا را بسنج. یک تابع زیان (Loss Function) فاصلهٔ خروجی تا پاسخ درست را به یک عدد تبدیل میکند.
- جهت اصلاح را پیدا کن. با مشتقگیری مشخص میشود هر پارامتر باید در چه جهتی و چقدر تغییر کند تا خطا کم شود. این همان گرادیان است.
- گام کوچکی بردار. پارامترها اندکی در آن جهت جابهجا میشوند. اندازهٔ این گام را نرخ یادگیری مینامند.
این چرخه میلیونها بار تکرار میشود. تصور رایج این است که مدل «فکر میکند»؛ واقعیت این است که یک فرایند بهینهسازی عددی در حال کاهش تدریجی یک عدد خطاست.
گامهای خیلی بزرگ باعث میشود مدل از جواب بهینه بپرد و هرگز پایدار نشود. گامهای خیلی کوچک یعنی آموزش ماهها طول بکشد یا در یک نقطهٔ نهچندان خوب گیر کند. تنظیم این عدد، بخش مهمی از هنر عملی یادگیری ماشین است.
خانوادههای اصلی الگوریتم
الگوریتمها معمولاً بر اساس نوع بازخوردی که دریافت میکنند دستهبندی میشوند:
| خانواده | بازخورد | کاربرد نمونه |
|---|---|---|
| نظارتشده | پاسخ درست از پیش داده شده | تشخیص هرزنامه، پیشبینی قیمت |
| بدون نظارت | هیچ برچسبی وجود ندارد | خوشهبندی مشتریان، کشف ناهنجاری |
| تقویتی | پاداش یا جریمه پس از عمل | بازی، رباتیک، بهینهسازی سیستم |
| خودنظارتی | بخشی از خود داده پنهان و بازسازی میشود | آموزش مدلهای زبانی بزرگ |
خانوادهٔ چهارم، کلید انقلاب اخیر است. چون برچسبزدن دستی داده گران است، ایدهٔ خودنظارتی این بود که خودِ متن را به مسئله تبدیل کنیم: بخشی از جمله را بپوشان و از مدل بخواه حدس بزند. با این ترفند، کل اینترنت به دادهٔ آموزشی برچسبدار تبدیل شد.
چطور الگوریتم مناسب انتخاب میشود؟
هیچ الگوریتمی برای همهٔ مسائل بهترین نیست — این گزاره حتی یک قضیهٔ ریاضی اثباتشده دارد. انتخاب معمولاً بر پایهٔ این عوامل انجام میشود:
- حجم داده. شبکههای عمیق به دادهٔ زیاد نیاز دارند؛ با چند هزار نمونه، روشهای سادهتر معمولاً بهتر عمل میکنند.
- نوع داده. دادههای جدولی اغلب با روشهای درختی بهترین نتیجه را میدهند؛ تصویر و متن با شبکههای عمیق.
- نیاز به توضیحپذیری. در وامدهی، بیمه و پزشکی، اغلب باید بتوانید تصمیم را توضیح دهید. این نیاز، مدلهای پیچیده را کنار میگذارد حتی اگر دقیقتر باشند.
- محدودیت منابع. اگر مدل باید روی گوشی اجرا شود، بسیاری از گزینهها حذف میشوند.
شروع از پیچیدهترین الگوریتم. رویهٔ حرفهای برعکس است: ابتدا یک مدل بسیار ساده بهعنوان خط پایه بسازید. اگر روش پیچیده نتوانست بهطور معناداری از آن خط پایه بهتر شود، پیچیدگیاش توجیه ندارد.
پرسشهای متداول دربارهٔ الگوریتم هوش مصنوعی
آیا الگوریتم هوش مصنوعی با الگوریتم معمولی فرق دارد؟
از نظر تعریف نه؛ هر دو دنبالهٔ گامهای مشخص برای حل مسئلهاند. تفاوت در خروجی است: الگوریتم معمولی مستقیماً پاسخ مسئله را میدهد، اما الگوریتم یادگیری خروجیاش یک مدل است که بعداً پاسخ میدهد. یعنی یک لایه غیرمستقیم اضافه دارد.
چرا میگویند الگوریتمها سوگیری دارند؟
الگوریتم بهخودیخود سوگیری ندارد؛ آنچه سوگیری دارد داده است. اگر دادهٔ تاریخیِ استخدام یک شرکت نشان دهد که عمدتاً یک گروه خاص استخدام شدهاند، الگوریتم این الگو را بهعنوان «قاعدهٔ موفقیت» یاد میگیرد و بازتولید میکند. الگوریتم بیطرف است، اما نتیجهاش بیطرف نیست.
الگوریتم شبکهٔ اجتماعی چطور کار میکند؟
معمولاً یک سامانهٔ رتبهبندی است که برای هر محتوای ممکن، احتمال تعامل شما (کلیک، تماشا، اشتراکگذاری) را پیشبینی میکند و محتواها را بر اساس این احتمال مرتب میکند. سیگنالهای ورودی شامل تاریخچهٔ رفتار شما، رفتار کاربران مشابه و ویژگیهای خود محتواست.
برای یادگیری الگوریتمهای هوش مصنوعی از کجا شروع کنم؟
از یادگیری نظارتشده و دو مسئلهٔ کلاسیک آن: رگرسیون (پیشبینی عدد) و طبقهبندی (پیشبینی دسته). این دو، پایهٔ مفهومی همهچیز هستند. پیشنیاز عملی: پایتون، و آشنایی مقدماتی با احتمال و جبر خطی.
اصطلاحات همخانوادهٔ مفاهیم پایه هوش مصنوعی
مشاهدهٔ همه ←- هوش مصنوعیهوش مصنوعی شاخهای از علوم کامپیوتر است که سیستمهایی میسازد تا کارهایی را انجام دهند که تا پیش از این به هوش انسانی نیاز داشت: دیدن، شنیدن، فهمیدن زبان، تصمیمگیری و پیشبینی. نکتهٔ کلیدی این است که این سیستمها بهجای اینکه قدمبهقدم برنامهریزی شوند، از داده «یاد میگیرند».
- هوش مصنوعی مولدهوش مصنوعی مولد دستهای از مدلهاست که بهجای دستهبندی یا پیشبینی، محتوای تازه میسازد: متن، تصویر، صدا، ویدیو یا کد. تفاوت بنیادیاش با نسل قبلی این است که خروجیاش انتخاب از میان گزینههای موجود نیست، بلکه چیزی است که پیش از این وجود نداشته.
- هوش مصنوعی عمومی AGIهوش مصنوعی عمومی (AGI) به سیستمی فرضی گفته میشود که بتواند هر کار فکریای را که انسان از پس آن برمیآید یاد بگیرد و انجام دهد — نه فقط یک کار خاص. چنین سیستمی امروز وجود ندارد و هیچ اجماعی دربارهٔ زمان یا حتی امکان ساخت آن نیست.
- هوش مصنوعی محدود ANIهوش مصنوعی محدود (ANI) به سیستمی گفته میشود که فقط در یک قلمرو مشخص عمل میکند و بیرون از آن قلمرو هیچ تواناییای ندارد. این تنها نوع هوش مصنوعی است که تا امروز ساخته شده — از فیلتر هرزنامه و مسیریاب تا پیشرفتهترین مدلهای زبانی.
- ابرهوش مصنوعی ASIابرهوش مصنوعی (ASI) به سیستمی فرضی گفته میشود که در تقریباً همهٔ حوزههای فکری — از پژوهش علمی و خلاقیت تا مهارت اجتماعی — از توانمندترین انسانها پیشی بگیرد. این مفهوم کاملاً نظری است؛ نه چنین سیستمی وجود دارد و نه مسیر روشنی برای ساخت آن.
- مدل هوش مصنوعیمدل هوش مصنوعی حاصل نهایی فرایند آموزش است: یک فایل حاوی میلیونها یا میلیاردها عدد (پارامتر) که الگوهای استخراجشده از دادههای آموزشی را در خود نگه داشتهاند. مدل، خودِ برنامه نیست؛ «دانشی» است که برنامه از آن استفاده میکند.
برای درک کاملتر، اینها را هم بخوانید
- مدل هوش مصنوعیمدل هوش مصنوعی حاصل نهایی فرایند آموزش است: یک فایل حاوی میلیونها یا میلیاردها عدد (پارامتر) که الگوهای استخراجشده از دادههای آموزشی را در خود نگه داشتهاند. مدل، خودِ برنامه نیست؛ «دانشی» است که برنامه از آن استفاده میکند.
- هوش مصنوعیهوش مصنوعی شاخهای از علوم کامپیوتر است که سیستمهایی میسازد تا کارهایی را انجام دهند که تا پیش از این به هوش انسانی نیاز داشت: دیدن، شنیدن، فهمیدن زبان، تصمیمگیری و پیشبینی. نکتهٔ کلیدی این است که این سیستمها بهجای اینکه قدمبهقدم برنامهریزی شوند، از داده «یاد میگیرند».
- عامل هوشمندعامل هوشمند سیستمی است که محیط خود را درک میکند، دربارهٔ آن تصمیم میگیرد و برای رسیدن به هدفی مشخص عمل میکند. تفاوت کلیدیاش با یک مدل معمولی این است که فقط پاسخ نمیدهد؛ کاری انجام میدهد و نتیجهٔ کارش را میبیند.