فهرست مطالب
در این مطلب از پایۀ تمام مقالات دیتاهاب یعنی هوش مصنوعی با شما صحبت می‌کنیم. اول بررسی می‌کنیم که هوش مصنوعی اصلا چی هست، چه سیر تکاملی رو طی کرده و بعد انواعش و کاربردهاش رو با شما در میون می‌ذاریم.
هوش مصنوعی چیست؟
همۀ ما با شنیدن اصطلاح هوش مصنوعی یاد ماشین‌های خودران، ربات‌ها، ChatGPT و تصاویر ساخته و پرداخته‌ی هوش مصنوعی میفتیم.
هوش مصنوعی در اوایل شکل‌گیریش، به توانایی ماشین‌ها برای انجام کارهایی که به هوش انسانی نیاز داشتن اشاره می‌کرد.
اما این تعریف خیلی گسترده بود. برای همین طی این سال‌ها دستخوش تغییراتی شد و هرکس به نوبه خودش آپدیتش کرد!
پس با این مقدمه بریم سراغ تعریف هوش مصنوعی:
خیلی ساده: زمانی که ماشین‌ها یا کامپیوترها، هوش انسانی رو شبیه‌سازی کنن، ما با یک هوش مصنوعی سروکار داریم.
هوش مصنوعی (AI) به طور کلی به هر رفتارِ شبیه انسان که توسط یک ماشین یا سیستم انجام بشه گفته میشه.
این میتونه از تشخیص تفاوت بین یک گربه و پرنده تا انجام فعالیت‌های پیچیده رو در بر بگیره.
هوش مصنوعی باعث میشه ماشین‌ها از تجربیات خودشون درس بگیرن! با ورودی‌های جدید سازگار بشن و کارهایی شبیه انسان انجام بدن!
فیلم‌های هالیوود و رمان‌های علمی-تخیلی، هوش مصنوعی رو با روبات‌هایی شبیه انسان به تصویر می‌کشن. روبات‌هایی که در حال تسخیر جهانن!
اما در حال حاضر هوش مصنوعی اونقدرا ترسناک یا کاملاً هوشمند نیست…
یه تاریخچۀ کوتاه و مفید!
- قبل از سال 1949، کامپیوترها می‌تونستن دستوراتی که انسان بهشون میده رو اجرا کنن.
اما نمیتونستن کارهایی رو که انجام می‌دن به خاطر بیارن؛ چون نمیتونستن اونا رو ذخیره کنن.
- یک سال بعد، آلن تورینگ – معروف به پدر علم کامپیوتر و هوش مصنوعی – تو مقاله‌ی خودش «ماشین‌های محاسباتی و هوش» درباره نحوۀ ساخت ماشین‌های هوشمند و آزمایش میزان هوش اون‌ها صحبت کرد.
- دهه 1980 بود که با گسترش الگوریتم‌ها و تخصیص بودجه بیشتر، هوش مصنوعی پررنگ‌تر شد…
- جان هوپفیلد و دیوید روملهارت تکنیک‌های «یادگیری عمیق» رو معرفی کردن.
این به کامپیوترها اجازه می‌داد تا از طریق تجربه‌‌هاشون یاد بگیرن.
- ادوارد فایگنبام “سیستم‌های خبره” رو معرفی کرد که از تصمیم‌گیری انسانی تقلید می‌کردن!
علیرغم کمبود بودجۀ دولتی و تبلیغات عمومی، تلاش این دانشمندا باعث شد هوش مصنوعی رشد کنه و به دستاوردهای مهمش برسه:
- سال 1997، اتفاق عجیب این بود که گری کاسپاروف، قهرمان شطرنج جهان و استاد بزرگ شطرنج، از برنامۀ کامپیوتریِ شطرنج به نام Deep Blue – محصول شرکت IBM – شکست خورد!
- همچنین سال 2016، برنامه AlphaGo گوگل و سال 2017، Libratus، یک ابررایانه پوکر، بهترین بازیکنان رو شکست دادن…!
اهداف و ضرورت‌های هوش مصنوعی
هوش مصنوعی پدیده‌ای چندوجهیه و آثارش به یک حوزه از زندگی ما محدود نمیشه.
هوش مصنوعی بطور کلی اهداف زیر رو دنبال میکنه:
خودکارسازی کارها و بهره‌وری بیشتر: میتونیم کارهای تکراری که وقت و انرژی زیادی از ما میگیرن و توشون نیاز به پردازش حجم زیادی از داده‌ها رو داریم به هوش مصنوعی بسپریم. در اینصورت با صرفه‌جویی در وقت و انرژی نیروی انسانی، کارهای بیشتر، در کم‌ترین زمان و بدون خطای انسانی انجام می‌شن!
حل مسئله، تصمیم‌گیری و طبقه‌بندی: هوش مصنوعی قادر به حل مسائل پیچیده و تصمیم‌گیری آگاهانه‌ست. این به تجزیه و تحلیل داده‌ها، مدلسازی سیستم‌های پیچیده و شبیه‌سازی سناریوهایی کمک میکنه که برای انسان – به تنهایی – چالش‌برانگیز و زمان‌بره…
الگوریتم‌های هوش مصنوعی با تجزیه و تحلیل حجم خیلی زیادی داده، میتونن الگوها و همبستگی‌هایی رو شناسایی کنن که کشفش برای انسان به هیچ وجه راحت نیست. تکنیک‌های هوش مصنوعی مثل یادگیری ماشین و یادگیری عمیق باعث پیشرفت در زمینۀ مراقبت‌های بهداشتی، مدلسازی آب و هوا، کشف دارو و … شدن.
مقابله با چالش‌های اجتماعی: هوش مصنوعی میتونه با چالش‌های اجتماعی مهم، مثل دسترسی به مراقبت‌های بهداشتی، تغییرات آب و هوایی، فقر و آموزش مقابله کنه. به عنوان مثال، تجزیه و تحلیل داده‌های پزشکی برای تشخیص بیماری و درمان، بهینه‌سازی مصرف انرژی و پیش‌بینی بلایای طبیعی.
مکمل قابلیت‌های انسانی:
- ابزارهای ترجمه زبان به پر کردن شکاف‌های ارتباطی بین افراد ملیت‌ها و زبان‌های مختلف کمک میکنن.
- تشخیص‌های پزشکی و جراحی از راه دور (Telesurgery) با حذف نیاز به مسافرت‌های طولانی
شخصی‌سازی و تجربه کاربری: هوش مصنوعی با تجزیه و تحلیل ترجیحات و سابقه رفتار کاربر، انتخاب‌های پیش روی کاربر رو شخصی‌سازی میکنه و تجربه لذت‌بخشی رو در پلتفرم‌های مختلف فراهم میکنه. این رو میتونیم در زمینه‌های مختلفی ببینیم:
- سیستم‌های پیشنهاد کالا یا خدمات در وب‌سایت‌های تجارت الکترونیک مثل دیجی‌کالا و آمازون
- پلتفرم رسانه‌های اجتماعی مثل اینستاگرام
- و یا پشتیبانی از تجربیات یادگیری شخصی برای دانش‌آموزها
انواع هوش مصنوعی
هوش مصنوعی به دو دسته اصلی تقسیم میشه:
هوش مصنوعی مبتنی بر عملکرد و مبتنی بر قابلیت.
- انواع هوش مصنوعی بر اساس عملکرد:
ماشین واکنشی (Reactive Machines) – این‌ها ابتدایی‌ترین نوع هوش مصنوعی هستن که برای واکنش و تحلیل وضعیت فعلی طراحی شدن.
این هوش مصنوعی قدرت حافظه و در نتیجه توانایی یادگیری از اقدامات گذشته رو نداره.
پس نمی‌تونه از خاطره یا تجربیات گذشته برای تصمیم‌گیری در زمان حال استفاده کنه. دستیارهای صوتی مثل سیری یا الکسا در این دسته قرار میگیرن.
حافظه محدود (Limited Memory AI) – این‌ها نسخه‌های پیشرفته ماشین‌های واکنشی هستن.
سیستم‌های حافظه-محدود میتونن از تجربیات گذشته برای تصمیم‌گیری استفاده کنن.
این نوع هوش مصنوعی در خودروهای خودران استفاده میشه و برای تجزیه و تحلیل شرایط رانندگی و تصمیم‌گیری، به داده‌های گذشته تکیه میکنه. برنامه‌های رایجی مثل مکان‌یابی GPS در این دسته هستن.
نظریه ذهن (Theory of Mind) – این نوع هوش مصنوعی برای درک احساسات، افکار و باورهای انسان طراحی شده.
از این نوع هوش تو دستیارهای مجازی و چت‌بات‌ها استفاده میشه. وظیفه‌ش اینه که زبان و لحن انسان رو درک و تفسیر کنه.
هدف این هوش مصنوعی، درک عمیق از ذهن انسانه و هنوز هم در حال گسترش و توسعه‌ست.
هوش مصنوعی خودآگاه (Self-Aware AI) – پیشرفته‌ترین نوع هوش مصنوعیه که مثل دقیقا خود شما، قادر به درک وجود خودش و توانمندی‌هاشه!
جای نگرانی نیست! هوش مصنوعی خودآگاه در حال حاضر وجود نداره، اما هدف غایی و نهایی خیلی از محققای هوش مصنوعیه.
برای همین خیلی‌ها نگران آیندۀ این نوع هوش مصنوعی و خطراتش در جهت آسیب زدن به انسان‌هان…
این هوش مصنوعی میتونه احساسات انسانی رو درک کنه، باعث احساسات شما بشه و همین‌طور احساسات خودش رو داشته باشه!
(جا داره اشاره‌ای کنیم به فیلم هوش مصنوعی از استیون اسپیلبرگ.)
اما چرا بعضیا اینقدر نگران آیندۀ هوش مصنوعی ان؟
چون هر موجود هوشمندی تمایل داره تکامل پیدا کنه و موجودی مثل خودش یا حتا ورژن بهتری از خودش رو خلق یا ارائه کنه.
این افزایش سریع و تصاعدی هوش میتونه پیامدهای غیرقابل پیش‌بینی و خطرناکی داشته باشه!
این مفهوم که به انفجار هوش (Intelligence explosion) معروفه، همچنان در حد حدس و گمانه. یه فرضیه ست. اما خیلی از کاربلدا در مورد احتمال و تأثیر چنین اتفاقی بهمون هشدار دادن!
- انواع هوش مصنوعی بر اساس قابلیت:
هوش مصنوعی محدود (Artificial Narrow Intelligence: ANI) – سیستمی که وظایف برنامه‌ریزی شده و محدودی انجام میده.
این هوش مصنوعی ترکیبی از ماشین‌های واکنشی و حافظه‌محدوده که تو قسمت قبل (انواع هوش مصنوعی بر اساس عملکرد) بررسی‌شون کردیم.
اکثر کاربردهای هوش مصنوعیِ امروزی تو این دسته قرار میگیرن.
هوش مصنوعی عمومی (AGI: Artificial General Intelligence) – این هوش مصنوعی مثل یک انسان توانایی آموزش، یادگیری، درک و عملکرد داره.
ابَر هوش مصنوعی (ASI: Artificial Super Intelligence) – متأسفیم که باید بگیم این هوش مصنوعی با پردازش داده، داشتن حافظه و توانایی‌های تصمیم‌گیری برتر، وظایف خودش رو بهتر از ما انسان‌ها انجام میده! البته نیاز به حسادت نیست. چون امروزه هیچ نمونه‌ای در دنیای واقعی ازش نداریم…
حتما تا به حال بجز هوش مصنوعی، عباراتی مثل یادگیری ماشین و یادگیری عمیق هم به چشتون خورده!
و شاید هم گاهی گیج شده باشین که این‌ها دقیقا چه معنایی دارن!
پس بهتره تو این قسمت از رابطۀ این سه‌تا براتون بگیم:
هوش مصنوعی (AI)، یادگیری ماشینی (ML) و یادگیری عمیق (DL) سه فناوری مرتبط اما متمایزن.
هوش مصنوعی شاخه ای از علوم کامپیوتره که به دنبال شبیه‌سازی هوش انسان تو ماشین‌هاست.
مثل ادراک بصری، تشخیص گفتار، تصمیم‌گیری و ترجمۀ زبان. هوش مصنوعی به انواع رویکردها برای حل مشکلات مثل انسان مربوطه اما…
یادگیری ماشین توسعه الگوریتم‌ها و مدل‌های آماری‌ایه که باعث میشه سیستم از داده‌ها یاد بگیره؛ بدون اینکه صریحا برای این کار برنامه‌ریزیش کرده باشیم. یعنی الگوریتم‌های ML (Machine Learning) به طور خودکار عملکردشون رو بهتر میکنن!
اون‌ها این کارو با شناسایی الگوها و روابط تو مجموعه داده‌های بزرگ انجام می‌دن.
- به زبان ساده، یادگیری ماشین (ML) زیرمجموعه‌ای از هوش مصنوعیه.
و حالا یادگیری عمیق!
· یادگیری عمیق زیرشاخه‌ای از (Machine Learning) ML هست که از ساختار و عملکرد مغز انسان الهام گرفته. مدل‌های یادگیری عمیق تنها با تعداد کمی از الگوریتم‌ها کار نمی‌کنن. اونا خفن‌تر از این حرفان! با چندین لایه الگوریتم کار میکنن که بهش میگن شبکه عصبی. یادگیری عمیق از شبکه‌های عصبی مصنوعی استفاده میکنه. شبکه‌های عصبی روش پردازش اطلاعات توسط نورون‌های مغز رو تقلید میکنن!
(Deep Learning)DL به خصوص تو انجام کارهای پیچیده به کارمون میاد. جایی که نیاز داریم مقدار زیادی دادۀ بدون ساختار رو پردازش کنیم.
جمع بندی:
به طور خلاصه، هوش مصنوعی مفهومی کلیه که یادگیری ماشین (ML) و یادگیری عمیق (DL) رو در بر میگیره.
ML زیرمجموعه‌ای از هوش مصنوعیه که شامل استفاده از مدل‌های آماریه. این مدل‌ها برای بهبود عملکرد سیستم در طول زمانه.
DL هم زیرمجموعه‌ای از ML هست که از شبکه‌های عصبی مصنوعی برای مدلسازی روابط پیچیده در داده‌ها استفاده میکنه.
هوش مصنوعی مولد یا Generative AI
به نوعی از هوش مصنوعی میگیم که میتونه برامون محتوای دیجیتالی جدید خلق کنه.
مثل تصاویر، ویدیوها یا متن‌هایی که قبلاً جایی دیده نشدن و کاملا اورجینالن!
برخلاف بقیه رویکردهای هوش مصنوعی که به داده‌های از قبل موجود متکی هستن، هوش مصنوعی مولد طوری برنامه‌ریزی شده که بر اساس یادگیری و دانشش خروجی‌هایی منحصربه‌فرد ایجاد کنه.
موارد استفاده هوش مصنوعی: هوش مصنوعی چه کارایی میکنه؟!
موارد و کاربردهای استفاده از هوش مصنوعی خیلی خیلی زیادن. اما با هم نگاهی به چندتا از معروفترین کاربرهای امروزیش میندازیم:
تولید محتوا
مدل‌های هوش مصنوعی مولد که بررسی کردیم برای انواع مختلف تولید محتوا استفاده می‌شن: نه فقط متن، بلکه صدا و موسیقی، تصویر و ویدیو.
مدل‌های تولید محتوا در حال حاضر در صنایع مختلفی مثل بازاریابی و فروش، خدمات مشتریان، امنیت سایبری، بینایی کامپیوتر، مراقبت‌های بهداشتی و دارویی، سرگرمی و بازی، و حقوقی و دولتی کاربرد دارن.
چه در حال خرید یک پلیور باشید
چه دنبال فیلمی برای دیدن تو یک عصر بارونی
چه حوصله‌تون سر رفته باشه و تو شبکه های اجتماعی در حال اسکرول و گپ زدن باشید،
با یک الگوریتم مبتنی بر هوش مصنوعی سر و کار دارین!
این الگوریتم چه کار میکنه؟
برای مثال میاد و به کمک یادگیری ماشین، پیشنهاداتی پیش روی شما قرار میده.
این باعث میشه هی چیزای جذاب‌تری ببینید… پس اینرسی‌تونو حفظ می‌کنید و به گردش توی فضای مجازی ادامه می‌دین!
بیشتر موتورهای توصیه و پیشنهاد، حواسشون به ویژگی‌ها، میزان تعامل شما با افراد مختلف یا موضوعاتی که دنبال می‌کنید، هست.
این مدل‌ها میتونن تو شناسایی اولویت‌هاتون حتی خیلی بهتر از خود شما عمل کنن!
پردازش زبان طبیعی
پردازش زبان طبیعی (NLP) یک حیطه وسیع از هوش مصنوعیه.
NLP شامل تبدیل صوت به متن، متن به صوت، شناسایی کلمات کلیدی، استخراج اطلاعات و ترجمه زبان‌هاست.
این به انسان و کامپیوتر اجازه میده تا از طریق زبان معمولی انسانی (صوتی یا تایپ شده) با هم تعامل داشته باشن.
در نتیجه به لطف این قابلیت نیازی نیست تا یه کاربر عادی برای تعامل روزمره‌ش با دیوایس‌های مختلف، بره برنامه‌نویسی یاد بگیره.
خیلی از ابزارهای NLP دارای قابلیت‌های یادگیری ماشینی هستن که باعث میشه به مرور زمان عملکرد بهتری از خودشون نشون بدن!
تحلیل احساسات (sentiment analysis)
هوش مصنوعی نه تنها زبان انسان رو می‌فهمه، بلکه میتونه احساسات موجود در مکالمه انسان‌ها رو شناسایی کنه!
برای مثال، هوش مصنوعی میتونه هزاران مکالمۀ پشتیبان فنی یا رسانه‌های اجتماعی رو تجزیه و تحلیل کنه و تشخیص بده کیا احساسات مثبت یا منفی شدیدی رو تجربه میکنن. این نوع تجزیه و تحلیل به تیم‌های پشتیبانی مشتری اجازه میده تا روی رفع نیاز مشتری‌هایی تمرکز کنند که ممکنه اونا رو به دلایل مختلف از دست بدن!
سنتز صدا
خیلی از ما روزانه با سیری، الکسا، کورتانا یا گوگل تعامل داریم. این دستیارهای گوش به زنگ، دیگه برای ما خیلی ساده و بدیهی شدن. اما در واقع اونا از تکنیک‌های پیشرفتۀ هوش مصنوعی، مثل پردازش زبان طبیعی و یادگیری ماشین استفاده میکنن تا این راحتی رو برای ما رقم بزنن…
جلوگیری از کلاهبرداری
شرکت‌های خدمات مالی از تکنیک‌های پیشرفتۀ یادگیری ماشین برای شناسایی تراکنش‌های جعلی استفاده میکنن.
این تکنیک‌ها دنبال الگوهایی تو داده‌های مالی می‌گردن. زمانی که یه تراکنش غیرعادی به نظر رسید یا با الگوی شناخته‌شدۀ تقلب مطابقت داشت، میتونن هشدارهایی بدن که فعالیت مجرمانه رو متوقف کنه یا کاهش بده.
تشخیص تصویر
خیلی از ما از تشخیص چهرۀ مبتنی بر هوش مصنوعی برای باز کردن قفل گوشی‌هامون استفاده می‌کنیم.
این نوع هوش مصنوعی در وسایل نقلیه خودران هم استفاده میشه.
تعمیرات قابل پیش‌بینی
صنایعی مثل تولید، نفت و گاز، حمل و نقل و انرژی، به شدت به ماشین‌آلات متکی هستن. از کار افتادن ماشین‌ها، میتونه هزینۀ زیادی براشون به بار بیاره. پس میان از ترکیبی از تکنیک‌های تشخیص اشیا و یادگیری ماشین استفاده میکنن.
با این کار از قبل تشخیص می‌دن احتمالاً چه زمانی تجهیزات خراب میشه تا بتونن تعمیر و نگهداری رو برنامه‌ریزی کنن و اختلالات رو به حداقل برسونن.
تجزیه و تحلیل پیش‌بینی و تجویزی
الگوریتم‌های پیش‌بینی میتونن با تجزیه و تحلیل تقریباً هر نوع داده تجاری، رویدادهای احتمالی آینده رو پیش‌بینی کنن.
تجزیه و تحلیل تجویزی، که هنوز در مراحل ابتداییش هست، یک گام جلوتره:
نه تنها پیش‌بینی میکنه، که توصیه‌هایی هم ارائه میده تا سازمان‌ها بدونن چه کاری باید انجام بدن تا برای اتفاقات احتمالی آینده آماده بشن.
وسایل نقلیۀ خودران
اکثر وسایل نقلیۀ امروزی دارای ویژگی‌هایی مثل کمک‌پارک هستن.
درسته که هنوز گرون و نسبتاً کمیابن، اما فناوری هوش مصنوعی اونا هر روز بهتر و ارزون‌تر میشه.
رباتیک
ربات‌های صنعتی یکی از اولین پیاده‌سازی‌های هوش مصنوعی بودن و همچنان بخش مهمی از بازار هوش مصنوعی هستن.
ربات‌هایی مثل جاروبرقی، بارمن و چمن‌زن، هرروز بیشتر از دیروز در نقاط مختلف دنیا استفاده می‌شن.
نقشه راه کامل یادگیری هوش مصنوعی بدون دانشگاه
ما تو این قسمت یک مسیر یادگیری برای هوش مصنوعی، به همراه منابع پیشنهادی برای شما تدارک دیدیم!
برنامه‌نویسی پایتون
با یادگیری پایتون شروع کنید، پایتون به عنوان زبان برنامه‌نویسی رایج در جامعه هوش مصنوعی استفاده میشه. چرا؟ چون پایتون کتابخونه‌ها و چارچوبهای زیادی برای توسعه هوش مصنوعی داره.
با مفاهیم اولیه برنامه‌نویسی مثل انواع داده‌ها (data types)، ساختارهای کنترلی و توابع (functions) استارتشو بزنید…
خودآموز و دوره‌های آنلاین: Codecademy's Python course (https://www.codecademy.com/learn/learn-python) org's official tutorial (https://docs.python.org/3/tutorial/) کتاب‌ها: Python Crash Course by Eric Matthes Automate the Boring Stuff with Python by Al Sweigart
ریاضیات
پایه الگوریتم‌های هوش مصنوعی ریاضیات و آماره. بنابراین پایه خودتونو قوی کنید و مفاهیم لازم و موضوعاتی مثل جبر خطی، حساب دیفرانسیل و انتگرال، احتمالات و آمار رو حتما یاد بگیرید.
خودآموز و دوره‌های آنلاین: Khan Academy's Linear Algebra course (https://www.kacademy.org/math/linear-algebra) MIT OpenCourseWare's Multivariable Calculus course (https://ocw.mit.edu/courses/mathematics/18-02-multivariable-calculus-fall-2007/) کتاب‌ها: Books: "Linear Algebra and Its Applications" by David C. Lay "Introduction to Probability" by Joseph K. Blitzstein and Jessica Hwang
یادگیری ماشین (Machine Learning)
انواع مختلف الگوریتم‌های یادگیری ماشین مثل یادگیری تحت نظارت (supervised learning)، یادگیری بدون نظارت (unsupervised learning) و یادگیری تقویتی (reinforcement learning) رو یاد بگیرید.
موارد مهمی که باید تو این بخش یاد بگیرید:
- feature engineering
- model evaluation
- optimization techniques
خودآموز و دوره‌های آنلاین: Online courses: Andrew Ng's Machine Learning course on Coursera (https://www.coura.org/learn/machine-learning) Stanford University's229: Machine Learning course (https://see.stanford.edu/Course/CS229) کتاب‌ها: "Pattern Recognition and Machine Learning" by Christopher Bishop "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron
یادگیری عمیق (Deep Learning)
یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین هست که تمرکزش روی شبکه‌های عصبیه.
موارد مهمی که بهتره در موردشون مطالعه داشته باشید:
- شبکه‌های عصبی مصنوعی
- شبکه‌های عصبی کانولوشن (CNN)
- شبکه‌های عصبی تکراری (RNN)
- چارچوبهای یادگیری عمیق مثل TensorFlow یا PyTorch
خودآموز و دوره‌های آنلاین: Deep Learning Specialization on Coursera by Andrew Ng (https://www.coursera.org/specializations/deep-learning) Fast's Practical Deep Learning for Coders course (https://course.fast.ai/) کتاب‌ها: "Deep Learning" by Ian Goodfellow, Yoshua Bengio, and Aaron Courville "Deep Learning with Python" by François Chollet
پردازش زبان طبیعی (NLP)
موضوع NLP تعامل بین کامپیوتر و زبان انسانه.
در مورد تکنیک‌هایی مثل پیش پردازش متن، تجزیه و تحلیل احساسات، و تولید زبان یاد بگیرید.
خودآموز و دوره‌های آنلاین: Natural Language Processing Specialization on Coursera by deeplearning.ai (httpswww.coursera.org/specializations/natural-language-processing) Stanford University's CS224n: Natural Language Processing with Deep Learning course (http://web.stanford.edu/class/cs224n/) کتاب‌ها: "Speech and Language Processing" by Daniel Jurafsky and James H. Martin "Natural Language Processing with Python" Steven Bird, Ewan Klein, and Edward Loper
بینایی کامپیوتر
بینایی کامپیوتر یعنی آموزش کامپیوترها برای درک و تفسیر داده‌های بصری. موضوعات مهم برای یادگیری:
- طبقه‌بندی تصاویر، تشخیص اشیا
- تقسیم‌بندی تصویر
شبکه‌های عصبی کانولوشنال (CNN)
خودآموز و دوره‌های آنلاین: Convolutional Neural Networks for Visual Recognition (CS231n) at Stanford University (http://cs231n.stanford.edu/) Deep Learning for Computer Vision with Python on PyImageSearch (https://www.pyimagesearch.comep-learning-computer-vision-python-book/) کتاب‌ها: "Computer Vision: Algorithms and Applications" by Richard Szeliski "Deep Learning for Vision Systems" Mohamed Elgendy
یادگیری تقویتی
به آموزش عامل‌ها (agents) برای تصمیم‌گیری بر اساس پاداش و تنبیه، یادگیری تقویتی میگن.
بهتره در این موارد اطلاعاتی کسب کنید:
- تصمیم‌گیری مارکوف
- Q-learning
- policy gradients
خودآموز و دوره‌های آنلاین: Reinforcement Learning Specialization on Coursera by University of Alberta (https://www.coursera.org/specializations/reinforcement-learning) David Silver's Reinforcement Learning course (http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html) کتاب‌ها: "Reinforcement Learning: An Introduction" by Richard S. Sutton and Andrew G. Barto "Deep Reinforcement Learning" by Pieter Abbeel and John Schulman
آماده‌سازی و پیش‌پردازش داده‌ها (Data Preparation and Preprocessing)
به عنوان یک متخصص هوش مصنوعی باید اهمیت آماده‌سازی و پیش‌پردازش داده‌ها در پروژه‌های هوش مصنوعی رو درک کنید.
- تکنیک‌های تمیز کردن و تبدیل داده‌ها (cleaning and transforming data)
- مدیریت مقادیر از دست رفته (missing values)
- برخورد با مجموعه داده‌های متوازن (withbalanced datasets)
- مقیاس‌بندی ویژگی‌ها (feature scaling)
خودآموز و دوره‌های آنلاین: Online tutorials and courses: Kaggle's Data Cleaning course (https://www.kaggle.com/learn/data-cleaning) DataCamp's Data Manipulation with pandas course (https://www.datacamp.com/courses/data-manipulation-with-pandas) کتاب‌ها: "Python for Data Analysis" by Wes McKinney "Data Science for Business" Foster Provost and Tom Fawcett
استقرار مدل
یادگیری چارچوب‌هایی مثل Flask Django برای ساخت API، کانتینری‌سازی با Docker و پلتفرم‌های ابری مانند AWS Azure
منابع یادگیری: Flask: Official Flask Documentation - https://flask.palletsprojects.com/ Django: Official Django Documentation - https://docs.djangoproject.com/ Docker: Docker Documentation - httpsdocs.docker.com/ AWS: Amazon Web Services Documentation - httpsaws.amazon.com/documentation/ Azure: Microsoft Azure Documentation - https://docs.microsoft.com/en-us/azure/
هوش مصنوعی اخلاقی و مسئولیت‌پذیر
برای اینکه با ملاحظات اخلاقی توسعه هوش مصنوعی آشنا بشید، باید درک درستی از موضوعاتی مثل سوگیری در هوش مصنوعی، نگرانی‌های مربوط به حریم خصوصی، شفافیت و مسئولیت‌پذیری داشته باشید.
منابع یادگیری: "Ethics of Artificial Intelligence and Robotics" by Vincent C. Müller and Nick Bostrom - https://plato.stanford.edu/archives/win2019/entries/ethics-ai/ "Fairness in Machine Learning: Lessons from Political Philosophy" by Solon Barocas, Moritz Hardt, and Arvind Narayanan - https://arxiv.org/abs/1905.87 "The Ethics Artificial Intelligence" by Nick Bostrom and Eliezer Yudkowsky - https://www.cambridge.org/elements/ethics-artificial-intelligence/9781108485587 "Artificial Intelligence as Structural Estimation: Economic Interpretations of Deep Blue, Bonanza, and AlphaGo" by Susan Athey and Guido W.bens - https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.31.2.237
هوش مصنوعی یک حوزه وسیعه و شما میتونید بر اساس علایق و اهدافتون، از اون در زمینه تخصصی خودتون استفاده کنید.
به طور مستمر با کار روی پروژه‌ها و شرکت در مسابقات Kaggle در این زمینه تمرین کنید و با مطالعه آخرین مقالات تحقیقاتی و پیشرفت‌ها به‌روز بمونید!
آیندۀ شغلی هوش مصنوعی
هوش مصنوعی (AI) یک حوزۀ به سرعت در حال پیشرفته و انتظار میره که تأثیر قابل توجهی در صنایع مختلف داشته باشه. در نتیجه، چنانچه به هوش مصنوعی علاقه داریدريا، تبریک میگیم! چشم‌انداز شغلی در زمینه هوش مصنوعی کاملا امیدوار کننده است!
حالا فرصت‌های شغلی مرتبط با هوش مصنوعی رو بهتون میگیم:
- محقق/دانشمند هوش مصنوعی: این متخصصین روی توسعه الگوریتم‌ها، مدل‌ها و تکنیک‌های جدید برای پیشرفت فناوری هوش مصنوعی تمرکز میکنن و روی پروژه های تحقیقاتی پیشرفته کار میکنن.
- مهندس یادگیری ماشین: مهندسین یادگیری ماشین الگوریتم‌ها و مدل‌های یادگیری ماشین رو طراحی و پیاده‌سازی میکنن. روی training و بهینه‌سازی این مدل‌ها کار میکنن تا پیش‌بینی‌ها یا تصمیم‌گیری‌های دقیق بر اساس داده‌ها انجام بشه.
- دانشمند داده: دانشمند داده مجموعه داده‌های بزرگ رو برای استخراج الگوها تجزیه و تحلیل میکنن. برای حل مسائل پیچیده و تصمیم‌گیری‌های بر مبنای داده، از تکنیک‌های آماری و الگوریتم‌های یادگیری ماشین استفاده میشه.
- توسعه‌دهنده/مهندس هوش مصنوعی: توسعه‌دهنده/مهندس هوش مصنوعی، سیستم‌ها و برنامه‌های کاربردی هوش مصنوعی رو میسازه و راه‌حل‌های نرم‌افزاری رو توسعه میده که شامل فناوری‌های هوش مصنوعی مثل پردازش زبان طبیعی، بینایی رایانه و تشخیص گفتار میشه.
- مهندس رباتیک: مهندس رباتیک در طراحی، توسعه و برنامه‌نویسی روباتها تخصص داره. مهندس رباتیک الگوریتم‌های هوش مصنوعی رو با سیستم‌های رباتیک ادغام میکنه که منجر به تصمیم‌گیری مستقل و رفتار هوشمند در روباتها میشه.
- مشاور هوش مصنوعی: مشاورین هوش مصنوعی سازمان‌هایی که دنبال پیاده‌سازی راه‌حل‌هایی بر مبنای هوش مصنوعی هستن رو راهنمایی میکنن. نیازهای کسب و کار رو ارزیابی میکنن، و به توسعه استراتژی‌های هوش مصنوعی کمک میکنن.
- مدیر محصول هوش مصنوعی: مدیر محصول هوش مصنوعی به توسعه و مدیریت محصولات و خدمات مبتنی بر هوش مصنوعی نظارت داره. با تیم‌های مختلف همکاری میکنه و الزامات محصول رو تعریف میکنه. مدیر محصول هوش مصنوعی با اولویت‌بندی ویژگی‌ها، باعث عرضه موفق محصول میشه.
- متخصص هوش مصنوعی در صنایع خاص: هوش مصنوعی در صنایع مختلف مثل مراقبت‌های بهداشتی، مالی، تولید و حمل و نقل استفاده میشه. متخصصین با تخصص مرتبط تو این صنایع میتونن تکنیک‌های هوش مصنوعی رو برای حل چالش‌های خاص صنعت به کار بگیرن.
با توجه به سرعت چشمگیر پیشرفت در حوزه هوش مصنوعی، شغل‌های جدید ممکنه به وجود بیان و شغل‌های حاضر ممکنه تکامل پیدا کنن یا منسوخ شن. بنابراین یادگیری مداوم و به روز بودن با آخرین پیشرفت‌های هوش مصنوعی برای متخصصین این حوزه مهمه!
ما در عصر انقلاب جهانی فناوری هستیم. قدرت‌های پیشرو برای توسعه و به کارگیری فناوری‌های جدید (مثل هوش مصنوعی و محاسبات کوانتومی) با هم رقابت میکنن. این فناوری‌ها میتونه زندگی ما رو از این رو به اون رو کنه… این موضوع در اقتصاد قرن بیست و یک خیلی مهمه.
در این راستا دیتاهاب همیشه پا به پای شما تلاش میکنه تا دانش علمی و فناوری‌تون رو حفظ کنید و شما رو در این راه تنها نمیذاره؛
چون که آینده از آن شماست!
