سواد هوش مصنوعی

تجربه برخورد های مشابه پس اجرای هوش مصنوعی باعث شد که مفهومی به اسم سواد هوش مصنوعی برام واضح شه، این مفهوم به صورت چهار بخشی تقسیم می کنم:

1. هوش مصنوعی چی هست و چی نیست، مرز بین وهم و واقعیت

2. هوش مصنوعی سوپروایزد در مقابل آنسوپروایزد

3. داده تمیز و داده کثیف

4. مفهوم احتمالات در هوش مصنوعی، مثبت کاذب و منفی کاذب چیست و چرا مهم است

در حقیقت ما هنوز چیزی به اسم هوش مصنوعی به معنی واقعی نداریم، ما ماشین هایی داریم که با سرعت بالا و بر حسب مجموعه داده های اختراع شده توسط بشر تاکنون آموزش داده شده اند و میدوند هر شی با چه احتمالی قراره در پاسخ به یک نیاز ظاهر بشه، هرچقدر این احتمال بهتر تشخیص بدن و دقت بالاتری داشته باشند ما بهشون میگیم هوش برتر، اثبات این موضوع اینه که مثل مغز انسان، سرعت ضرب در رقم های پایین زیاد هست و در رقم های بالا کم، مثلا شما به سرعت 2*9 را میگین 18 ولی در ضرب 328734*8366 به راحتی نمیتونین خروجی بگین، همین مشکل در مدل های زبانی و هوش مصنوعی فعلی نیز وجود داره و باعث میشه شما پیش خودتون بگین مگه این قرار نبود خیلی خفن باشه (یک چیزی توی مایه های معجزه) پس چرا توی ضرب عادی هم مونده؟ در حقیقت هوش مصنوعی برای یادگیری این ضرب ها از روش زیر استفاده می کنه 1*2=2 و 1*1=1 و 1*3=3 و...، این مدل یادگیری که به صورت لوک آپ تیبل نیز گفته میشه در رقم های بالا محدودیت داره و نیاز به یک جدول کامل از تمام ضرب ها هست تا بدونه ضرب یک عدد در عدد دیگر چی میشه

آیا این به این معنی که هوش مصنوعی بدرد نمیخوره؟ خیر، این به این معنی که هوش مصنوعی نیاز به مکمل داره داخل کارهاش تا بتونه کارشو انجام بده (بعدا به ام سی پی اشاره هایی خواهیم کرد) و اینکه هوش مصنوعی قرار نیست جای انسان بگیره یا جای همه چی بگیره، اون اومده که فقط به کارها سرعت بده

ما دو مدل یادگیری ماشین داریم، سوپروایزد و آنسوپروایزد که به معنی اینه که آیا انسان در طول فرایند آموزش (ترین) بر روند آموزش نظارت انجام داده و بهش متا دیتا اضافه کرده یا خیر، به طور مثال اگر من یک مدل پردازش تصویر ایجاد کنم و بهش یاد بدم که فلان شکل احتمالا یک خطای از نوع الف هست و بهمان شکل یک خطا از نوع ب، این مدل به صورت نظارت شده داره آموزش میبینه، و اگر من هیچ متا دیتایی به هوش مصنوعی ندم و صرفا بهش بگم این دیتا ها و خودت تصمیم بگیر چجوری اینارو دسته بندی کنی به این مدل میگن غیرنظارتی و آنسوپروایزد، انتظار از هوش مصنوعی به گونه ای که همه کار خودش انجام بده بیشتر یک نوع وهن هست تا واقعیت، در این مورد هدف از آموزش هوش مصنوعی اینه که علم شمارو به ماشین منتقل کنیم و سرعت شناسایی بالاتر ببریم، بعدا به روند های آموزش و دسته بندی هاشون اشاره می کنم

هوش مصنوعی بر عکس انسان معمولا به صورت چند ورودی نیست، به طور مثال انسان که کنار یک ماشین ایستاده و یهو یک بوی سوختگی به مشامش میرسه و سریعا سر خودشو به ماشین نزدیک می کنه تا صدا رو بهتر بشنوه و همچنین نشانه های دود بهتر ببینه با سیستم هوش مصنوعی که صرفا یک عکس از یک سمت سیستم میبینه در شناخت تفاوت هایی داره، طبیعتا اطلاع از کانتکس اطراف باعث میشه در شرایط برابر انسان تشخیص بهتری نسبت به هوش مصنوعی داشته باشه، در اینجا خیلی اهمیت داشتن داده تمیز بالاس، همچنین در زمانی که دیتا به سیستم هوش مصنوعی یاد داده میشه، این موضوع مهم هست که در ورودی دادن داده ها به سیستم با نهایت وسواس عمل کنیم تا هوش مصنوعی هم به همان نسبت خروجی مناسبی به ما بدهد

فرق داده های قطعی با داده های احتمالی در این هست که داده های احتمالی شامل مواردی هستند که مثلا یک شی سالم به صورت خراب تشخیص داده یا بالعکس یک شی خراب به شکل سالم تشخیص داده است، این موضوع در نگاه اول برای خیلی از افراد تا زمانی که به صورت عملی تاثیر این نتایج در خروجی کار نبینن قابل فهم نیست، یکی از بزرگترین ریسک های مدل های هوش مصنوعی، تصمیم درست نگرفتن در این زمینه است، در این مورد به تفصیل توضیح میدم