50 اصطلاح کاربردی حوزه هوش مصنوعی که باید بدونید!

بیخیال مقدمه، این‌ها اصطلاحاتی هستن که این روزها حتی توی اخبار و مهمونی‌ها هم زیاد می‌شنویم بریم سراغشون:

بخش اول: اصطلاحات پایه‌ای و عمومی

۱. هوش مصنوعی (AI)

• مخفف: Artificial Intelligence

• تعریف: ساختن سیستم‌ها یا نرم‌افزارهایی که کارهایی رو انجام می‌دن که معمولاً نیاز به فکر و تصمیم‌گیری انسانی داره.

• مثال کاربردی: دستیارهای صوتی مثل سیری (Siri)، الکسا یا سیستم‌های پاسخگویی خودکار به مشتریان در سایت‌ها.

۲. یادگیری ماشین (ML)

• مخفف: Machine Learning

• تعریف: زیرشاخه‌ای از هوش مصنوعی که به جای برنامه‌نویسی مستقیم، به سیستم کلی داده (Data) می‌دیم تا خودش الگوها رو پیدا کنه و یاد بگیره.

• مثال کاربردی: سیستم پیشنهاد‌دهنده نتفلیکس، یوتیوب یا اسپاتیفای که سلیقه شما رو حدس می‌زنه.

۳. الگوریتم (Algorithm)

• تعریف: دستورالعمل‌های قدم‌به‌قدم ریاضی و منطقی که به کامپیوتر می‌گه دقیقاً چه کاری رو چطور انجام بده.

• مثال کاربردی: الگوریتم اینستاگرام که تصمیم می‌گیره الان چه پستی رو توی اکسپلور به شما نشون بده.

۴. داده یا دیتا (Data)

• تعریف: سوخت و خوراک اصلی هوش مصنوعی. هر چیزی از متن، عکس و صدا گرفته تا کدهای برنامه‌نویسی و رفتارهای کاربر در سایت.

• مثال کاربردی: لیست خریدها و کلیک‌های قبلی مشتریان در یک فروشگاه اینترنتی.

۵. کلان‌داده (Big Data)

• تعریف: حجم عظیمی از داده‌های پراکنده و بزرگ که تحلیل دستی آن‌ها غیرممکن است و هوش مصنوعی از آن‌ها برای یادگیری استفاده می‌کند.

• مثال کاربردی: تحلیل میلیون‌ها تراکنش بانکی روزانه در کل کشور برای شناسایی سریع کارت‌به‌کارت‌های مشکوک و کلاهبرداری.

۶. چت‌بات (Chatbot)

• تعریف: نرم‌افزارهایی که برای گفتگو و چت کردن با انسان‌ها طراحی شده‌اند.

• مثال کاربردی: بات‌های پشتیبانی تلگرام یا دایلوگ‌باکس‌های گفتگوی آنلاین گوشه سایت‌ها.

۷. عامل هوشمند (AI Agent)

• تعریف: پله‌ای فراتر از چت‌بات معمولی؛ سیستمی که فقط چت نمی‌کنه، بلکه خودش تصمیم می‌گیره و کارهایی رو در ابزارها و نرم‌افزارهای مختلف انجام میده.

• مثال کاربردی: دستیاری که بهش می‌گید «ارزان‌ترین پرواز به استانبول رو پیدا کن و برام رزرو کن» و خودش میره تمام سایت‌ها رو می‌گرده و فرآیند خرید رو جلو میبره.

۸. مدل (Model)

• تعریف: فایل یا فرمول نهایی که بعد از کلی آموزش ساخته میشه و آماده پیش‌بینی یا تولید خروجیه.

• مثال کاربردی: مدلی که بهش تصویر طراحی دکمه سایت رو می‌دید و بهتون کدهای CSS اون رو تحویل میده.

۹. آموزش دادن یا تمرین دادن (Training)

• تعریف: فرآیندی که در آن هزاران مثال و داده رو به الگوریتم می‌دیم تا یاد بگیره چطور کارش رو درست انجام بده.

• مثال کاربردی: دادن ۱۰ هزار عکس از رابط‌های کاربری مختلف به سیستم برای اینکه یاد بگیره طراحی خوب چه ویژگی‌هایی داره.

۱۰. مجموعه داده (Dataset)

• تعریف: یک پکیج مرتب‌شده از داده‌ها که برای آموزش مدل‌ها استفاده میشه.

• مثال کاربردی: یک فایل اکسل شامل مشخصات و قیمت ۵۰ هزار خانه در تهران برای آموزش مدل پیش‌بینی قیمت مسکن.

بخش دوم: ورود به دنیای هوش مصنوعی مولد (Generative AI)

۱۱. هوش مصنوعی مولد (Generative AI)

• تعریف: هوش مصنوعی که کارش تولید و خلق کردن محتوای جدید (متن، عکس، موزیک، کد و...) است.

• مثال کاربردی: ابزارهایی مثل Midjourney برای خلق تصاویر یا ChatGPT برای نویسندگان محتوا.

۱۲. مدل زبانی بزرگ (LLM)

• مخفف: Large Language Model

• تعریف: مدل‌های غول‌پیکری که متن‌های زیادی از اینترنت رو خوندن تا بتونن زبان انسان رو بفهمن و متن بنویسن.

• مثال کاربردی: مدل GPT-4 (قدرت‌دهنده ChatGPT) یا مدل Claude از شرکت Anthropic.

۱۳. پرامپت (Prompt)

• تعریف: همان متن، سوال یا دستوری که به هوش مصنوعی می‌دید تا کار خاصی رو براتون انجام بده.

• مثال کاربردی: نوشتن دستور "A modern minimalist website header UI design" در میدجرنی برای گرفتن طرح هدر سایت.

۱۴. مهندسی پرامپت (Prompt Engineering)

• تعریف: هنر و فرمول‌نویسی برای نوشتن بهترین دستورها جهت گرفتن دقیق‌ترین خروجی از هوش مصنوعی.

• مثال کاربردی: نوشتن دستورات ساختاریافته به مدل برای تولید کدهای تمیز و بدون باگ برنامه‌نویسی.

۱۵. توکن (Token)

• تعریف: کلمات برای هوش مصنوعی به بخش‌های کوچک‌تری به نام توکن تقسیم می‌شن تا پردازش بشن.

• مثال کاربردی: سرویس‌های ابری هوش مصنوعی هزینه خدمات خودشان را بر اساس تعداد توکن‌های مصرفی حساب می‌کنند (مثلاً هر ۱۰۰ کلمه انگلیسی حدود ۱۳۰ توکن مصرف می‌کنه).

۱۶. هالوسینیشن یا توهم (Hallucination)

• تعریف: وقتی هوش مصنوعی با اعتماد به نفس کامل اطلاعاتی کاملاً اشتباه، تخیلی یا ساختگی به شما تحویل میده!

• مثال کاربردی: مدل در پاسخ به سوال شما، کدهای برنامه‌نویسی با کتابخانه‌هایی رو معرفی می‌کنه که اصلاً وجود خارجی ندارند.

۱۷. پنجره بافت یا زمینه (Context Window)

• تعریف: ظرفیت حافظه موقت هوش مصنوعی در یک گفتگو (یعنی چقدر از متن قبلی شما رو می‌تونه همزمان به یاد داشته باشه).

• مثال کاربردی: اگر می‌خواهید یک کتابچه راهنمای ۱۰۰ صفحه‌ای رو به هوش مصنوعی بدید تا ازش سوال بپرسید، به مدلی با پنجره بافت بزرگ نیاز دارید تا کل کتاب در حافظه‌اش جا بشه.

۱۸. چندوجهی (Multimodal)

• تعریف: مدل‌هایی که همزمان متن، تصویر، صدا و حتی ویدیو رو می‌فهمن و پردازش می‌کنن.

• مثال کاربردی: آپلود کردن طرح دستی (اسکچ) یک سایت در GPT-4o و گرفتن کدهای فرانت‌اند آن در چند ثانیه.

۱۹. پارامتر (Parameter)

• تعریف: متغیرهای داخلی مدل که نشان‌دهنده میزان پیچیدگی، ظرفیت و دانش اون مدل هستند.

• مثال کاربردی: مدل‌های با پارامترهای بیشتر (مثل صدها میلیارد) معمولاً تحلیل‌ها و خروجی‌های بسیار هوشمندانه‌تری تحویل می‌دن.

۲۰. متن‌باز (Open-Source AI)

• تعریف: مدل‌هایی که کدهای سازنده و ساختار درونی‌شان به صورت رایگان برای همه در دسترس است.

• مثال کاربردی: شرکت‌ها می‌توانند مدل‌هایی مثل Llama از متا را دانلود کرده و روی سرورهای شخصی خود نصب کنند تا امنیت داده‌های مشتریانشان کاملاً حفظ شود.

بخش سوم: مفاهیم فنی‌تر و یادگیری عمیق (دیپ لرنینگ)

۲۱. یادگیری عمیق (Deep Learning)

• تعریف: شاخه‌ای پیشرفته از یادگیری ماشین که با الهام از مغز انسان، مسائل بسیار پیچیده رو حل می‌کنه.

• مثال کاربردی: ابزار هوشمند فتوشاپ (Generative Fill) که بخش‌های خالی عکس رو بر اساس محتوای کل تصویر بازسازی می‌کنه.

۲۲. شبکه عصبی مصنوعی (ANN)

• مخفف: Artificial Neural Network

• تعریف: ساختار نرم‌افزاری شبیه‌سازی‌شده به مغز انسان (متشکل از گره‌های پردازشی متصل به هم) که اطلاعات رو دسته‌بندی و تحلیل می‌کنه.

۲۳. ترنسفورمر (Transformer)

• تعریف: معماری انقلابی سال ۲۰۱۷ گوگل که باعث شد هوش مصنوعی بتونه ارتباط کلمات رو در متن‌های طولانی به خوبی درک کنه. کل دنیای چت‌بات‌های مدرن مدیون این معماریه.

۲۴. توجه به خود (Self-Attention)

• تعریف: قابلیتی در ترنسفورمر که به مدل اجازه میده روی کلمات کلیدی و مهم یک جمله تمرکز کنه و مفهوم کل جمله‌ رو بفهمه.

• مثال کاربردی: در جمله «بانک اطلاعاتی خراب شد»، مدل می‌فهمه منظور از «بانک»، پایگاه داده کامپیوتریه نه بانک پول.

۲۵. شبکه‌های همگشت یا کانولوشنی (CNN)

• مخفف: Convolutional Neural Network

• تعریف: شبکه‌های عصبی متمرکز روی پردازش، شناسایی و تحلیل تصویر و ویدیو.

• مثال کاربردی: سیستم‌های تگ کردن خودکار چهره در شبکه‌های اجتماعی یا ابزارهای تشخیص هویت بیومتریک گوشی.

۲۶. شبکه‌های بازگشتی (RNN)

• مخفف: Recurrent Neural Network

• تعریف: مدل‌هایی که حافظه‌دار هستند و برای داده‌های پشت‌سرهم (مثل صوت یا متن متوالی) استفاده می‌شن.

• مثال کاربردی: ابزارهای تایپ صوتی که بر اساس کلمات قبلی شما، کلمه بعدی رو حدس می‌زنن.

۲۷. شبکه‌های زاینده دشمنانه (GAN)

• مخفف: Generative Adversarial Network

• تعریف: دو مدل هوش مصنوعی که با هم رقابت می‌کنن؛ یکی تصویر فیک می‌سازه و اون یکی تلاش می‌کنه مچش رو بگیره. این رقابت مداوم خروجی‌های فوق‌العاده طبیعی ایجاد می‌کنه.

• مثال کاربردی: ساخت ویدیوهای دیپ‌فیک (Deepfake) بسیار واقعی یا تصاویر چهره افرادی که اصلاً وجود خارجی ندارند.

۲۸. یادگیری نظارت‌شده (Supervised Learning)

• تعریف: آموزش مدل با دادن همزمان سوال و جواب (داده‌های برچسب‌دار).

• مثال کاربردی: دادن هزاران ایمیل اسپم (که برچسب "اسپم" دارند) به هوش مصنوعی تا یاد بگیره ایمیل‌های اسپم جدید رو شناسایی کنه.

۲۹. یادگیری نظارت‌نشده (Unsupervised Learning)

• تعریف: دادن داده‌های خام بدون هیچ برچسب و راهنمایی به هوش مصنوعی تا خودش شباهت‌ها و الگوها رو پیدا کنه.

• مثال کاربردی: دسته‌بندی خودکار مشتریان یک فروشگاه به گروه‌های مختلف بر اساس شباهت در رفتار خریدشان.

۳۰. یادگیری تقویت‌شده (Reinforcement Learning)

• تعریف: آموزش مدل با سیستم پاداش و تنبیه در یک محیط شبیه‌سازی‌شده.

• مثال کاربردی: هوش مصنوعی که یاد می‌گیره چطور بازی‌های کامپیوتری رو ببره یا سیستم‌های رانندگی خودکار تسلا.

بخش چهارم: اصطلاحات ارزیابی، چالش‌ها و مهندسی داده

۳۱. بیش‌برازش (Overfitting)

• تعریف: وقتی مدل داده‌های تمرینی رو به جای فهمیدن، کاملاً حفظ می‌کنه!

• مثال کاربردی: یک مدل تحلیل رفتار مشتری که روی مشتریان قدیمی شرکت عالی جواب میده، اما برای مشتریان جدید کاملاً پیش‌بینی‌های غلط و پرت تحویل میده.

۳۲. کم‌برازش (Underfitting)

• تعریف: وقتی مدل آن‌قدر ضعیف یا ساده است که اصلاً نمی‌تونه الگوها رو یاد بگیره.

• مثال کاربردی: یک دستیار کدنویسی که حتی کدهای ساده HTML رو هم اشتباه می‌نویسه.

۳۳. یادگیری انتقال (Transfer Learning)

• تعریف: استفاده از دانش یک مدلِ از قبل آماده‌شده برای یک کار جدید، جهت کاهش هزینه‌ها و زمان آموزش.

• مثال کاربردی: به جای اینکه یک هوش مصنوعی برای تشخیص طرح‌های UI زشت و زیبا را از صفر بسازیم، یک مدلِ تشخیص تصویرِ آماده گوگل را برمی‌داریم و فقط با ۱۰۰ نمونه طرح جدید بهینه‌اش می‌کنیم.

۳۴. تنظیم دقیق (Fine-Tuning)

• تعریف: شخصی‌سازی و آموزش جزئی یک مدل بزرگ عمومی (مثل GPT) با داده‌های اختصاصی خودمان.

• مثال کاربردی: شخصی‌سازی مدل GPT روی تمام پرونده‌های حقوقی یک شرکت برای ساخت یک دستیار حقوقی هوشمند مخصوص همان مجموعه.

۳۵. بازیابی تقویت‌شده با تولید (RAG)

• مخفف: Retrieval-Augmented Generation

• تعریف: روشی که در آن هوش مصنوعی قبل از پاسخ دادن به کاربر، فایل‌ها یا پایگاه داده شما را سرچ می‌کند تا جواب کاملاً مستند و بدون توهم بدهد.

• مثال کاربردی: ساخت چت‌باتی برای پاسخ به سوالات مشتریان بر اساس فایل‌های PDF راهنمای محصولات شرکت.

۳۶. پایگاه داده برداری (Vector Database)

• تعریف: دیتابیس‌های خاصی که متن و تصویر را به کدهای ریاضی (بردار) تبدیل کرده و ذخیره می‌کنند تا سریع‌ترین جستجوی مفهومی را داشته باشند.

• مثال کاربردی: موتورهای جستجوی پیشرفته درون‌برنامه‌ای؛ مثلاً کاربر می‌نویسد «هوای گرم» و سیستم لباس‌های تابستانی را به او نشان می‌دهد (با اینکه کلمه «تابستان» در سرچ نبوده است).

۳۷. بردارسازی یا جاسازی (Embedding)

• تعریف: فرآیند تبدیل کلمات یا تصاویر به مجموعه‌ای از اعداد که روابط معنایی کلمات را نشان می‌دهند.

• مثال کاربردی: با این روش، کلمات «طراحی» و «فیگما» در فضای ریاضیِ سیستم به هم نزدیک‌تر از کلمات «طراحی» و «سیب‌زمینی» قرار می‌گیرند.

۳۸. هم‌ترازی یا ترازسازی (Alignment)

• تعریف: فرآیند مطمئن شدن از اینکه رفتار هوش مصنوعی بی‌خطر، اخلاقی و مطابق با خواسته‌های انسان است.

• مثال کاربردی: تنظیم کردن مدل به طوری که اگر کاربر از او خواست کدی برای هک کردن سایت رقیب بنویسد، مودبانه درخواستش را رد کند.

۳۹. تعصب یا سوگیری (Bias)

• تعریف: سوگیری‌های غیرمنصفانه در تصمیم‌گیری‌های هوش مصنوعی به دلیل مشکلات داده‌های آموزشی.

• مثال کاربردی: یک مدل استخدام خودکار رزومه‌ها که چون در گذشته بیشتر مدیران ثبت‌شده مرد بوده‌اند، رزومه خانم‌ها را به اشتباه رد می‌کند.

۴۰. جعبه سیاه (Black Box)

• تعریف: ناتوانی ما در فهمیدن فرآیند دقیق تصمیم‌گیری لایه‌های درونی شبکه‌های عصبی عمیق.

• مثال کاربردی: هوش مصنوعی درخواست وام یک مشتری را رد می‌کند، اما برنامه‌نویسان هم نمی‌توانند دقیقاً توضیح دهند که بر اساس کدام فرمول داخلی این تصمیم گرفته شده است.

بخش پنجم: اصطلاحات پیشرفته، زیرساخت و آینده تک

۴۱. عملیات هوش مصنوعی (MLOps)

• مخفف: Machine Learning Operations

• تعریف: تمام فرآیندهای برنامه‌نویسی و سروری برای مستقر کردن، مانیتور کردن و زنده نگه داشتن یک مدل هوش مصنوعی در اپلیکیشن یا سایت شما (در واقع همان DevOps در دنیای هوش مصنوعی).

۴۲. استنتاج (Inference)

• تعریف: زمانی که کاربر نهایی در حال استفاده از مدل شماست و مدل در حال تولید خروجی روی داده‌های زنده است.

• مثال کاربردی: وقتی در نرم‌افزار خود دکمه «تولید محتوا» یا «ویرایش عکس» را می‌زنید و منتظر می‌شوید تا خروجی ساخته شود، سیستم در فاز استنتاج است.

۴۳. کمیت‌سازی (Quantization)

• تعریف: فشرده‌سازی و سبک کردن مدل‌های سنگین هوش مصنوعی برای کاهش مصرف حافظه و هزینه سرور.

• مثال کاربردی: اگر می‌خواهید یک مدل هوش مصنوعی را طوری طراحی کنید که بدون نیاز به اینترنت و روی گوشی معمولی کاربر اجرا شود، باید از این تکنیک استفاده کنید.

۴۴. هرس کردن (Pruning)

• تعریف: حذف کردن بخش‌های غیرضروری و اتصالات ضعیف مدل برای افزایش سرعت اجرا.

• مثال کاربردی: سبک کردن کدهای سنگین یک مدل هوش مصنوعیِ ویرایش عکس تا روی سیستم‌های ضعیف‌تر هم بدون لگ باز شود.

۴۵. واحد پردازش گرافیکی (GPU)

• مخفف: Graphics Processing Unit

• تعریف: کارت گرافیک؛ سخت‌افزار بسیار قدرتمند که به دلیل سرعت بالا در پردازش موازی، برای اجرای کارهای هوش مصنوعی حیاتی است.

• مثال کاربردی: استفاده از کارت گرافیک‌های غول‌پیکر انویدیا (NVIDIA) در سرورها برای پردازش‌های سنگین تصویری.

۴۶. واحد پردازش تنسور (TPU)

• مخفف: Tensor Processing Unit

• تعریف: تراشه‌های اختصاصی که غول‌های فناوری (مثل گوگل) مخصوصاً برای اجرای کارهای سنگین یادگیری ماشین ساخته‌اند.

۴۷. هوش مصنوعی در لبه (Edge AI)

• تعریف: اجرای مستقیم محاسبات هوش مصنوعی روی خود دستگاه فیزیکی کاربر (گوشی، ساعت هوشمند، دوربین) بدون نیاز به فرستادن اطلاعات به سرورهای ابری.

• مثال کاربردی: سیستم تشخیص چهره (FaceID) آیفون شما که کاملاً آفلاین و روی خود گوشی کار می‌کند.

۴۸. یادگیری فدرال (Federated Learning)

• تعریف: روشی هوشمندانه برای آموزش مدل؛ به جای فرستادن کل داده‌های کاربران به سرور، مدل روی گوشی هر کاربر به صورت محلی آموزش دیده و فقط نتایج ریاضی آن برای بهبود مدل اصلی به سرور فرستاده می‌شود.

• مثال کاربردی: کیبورد گوشی شما که کلمات جدید و لحن شما را یاد می‌گیرد بدون اینکه چت‌های خصوصی‌تان را به سرورهای شرکت سازنده بفرستد.

۴۹. هوش عمومی مصنوعی (AGI)

• مخفف: Artificial General Intelligence

• تعریف: یک هوش مصنوعی فرضی که در تمام زمینه‌های فکری، خلاقیت، استدلال و حل مسئله کاملاً هم‌سطح یا باهوش‌تر از انسان باشد (هنوز به این مرحله نرسیده‌ایم).

۵۰. ابرهوش مصنوعی (ASI)

• مخفف: Artificial Superintelligence

• تعریف: مرحله‌ای فرضی در آینده که در آن هوش مصنوعی در تمام ابعاد بسیار فراتر از باهوش‌ترین انسان‌های تاریخ عمل می‌کند (مثال‌های معروف آن را معمولاً در فیلم‌های علمی‌تخیلی می‌بینیم).

تمام ;