https://virgool.ir/feed/@amirvosogh1382fa2026-11-12 01:39:34https://files.virgool.ir/upload/users/3266978/avatar/avatar.pnghttps://virgool.ir/@amirvosogh1382https://virgool.ir/@amirvosogh1382/بازی-همستر-irovbregu6s7دوستان در مورد کوین‌همستر که یک بازی تلگرامی هست و این روزها خیلی ترند شده در چند نکته نظرم رو بگم.چند وقت پیش بازی مشابهی اومد که جایزه اش نات کوین بود که بعضی ها جدیش گرفتن و کوینهای زیادی بعنوان‌ایردراپ گرفتن و خیلی ها هم‌جدی نگرفتن‌و‌امروز افسوسش رو‌میخورن با توجه به لیست شدن این‌کوین در کنار کوینهای برتر بطوریکه امروز رتبه ۵۴ ام‌با بیش از ۲ میلیارد دلار مارکت کپ داره.باید بدونیم هر رمز ارزی برای سرمایه باید پشتوانه ای داشته باشه و بعد میتونه با جذب سرمایه بیشتر افزایش سرمایه داشته باشه تا بعد بخاطر جذابیت بیشتر سرمایه گذاری رشدی مثل گلوله برقی داشته باشه که معمولا هایپ میشه.ولی اگر رشد سرمایه بدون‌پشتوانه علمی یا مالی باشه باد این بادکنک‌خالی میشه مثل اتفاقی که برای دوج کوین‌چند سال پیش افتاداگر صاحبان پروژه رمز ارزها ایر دراپ میدن از کوینهایی که در خزانه دارن میدن که در این‌حالت تعداد کوینهای موجود در بازار رو بیشتر و متعاقبش ارزشش رو کمتر میکنه مگر اینکه با ایردراپ بتونه سرمایه زیادی جذب کنه. و یا بصورت یک‌ توکن غیر اصلی ایردراپ داده میشه که تاثیری در قیمت کوین اصلی نداشته باشه ولی توکن قیمتش پس از ارائه اعضایی که از اون ایر دراپ دریافت کردن به بازار قیمتش افت میکنه. تجربه خود من‌ ازچند سال پیش دریافت ایردراپ ها و نگه داشتن‌اونها این بود که اکثرشون بعد از مدتی بی ارزش شدن البته اونهایی که بصورت توکن های جدید بودن.حالا اتفاقی که در مورد نات کوین افتاده که چنین رشدی و پرداخت کوینی نیاز به پشتوانه زیادی داره و در نات کوین عملا ورودی مالی از سمت کاربر نبوده و صرفا با یک بازی و جمع کردن‌کوینها به شکل ایردراپ سود خوبی نصیب دارندگانش کرده و چون پس از لیست شدن هم رشد خوبی رو تجربه کرده نشون‌میده یک پروژه ای در جریان هست تا این کوین رو مطرح کرده تا از کنارش یک هدف مستتر محقق بشه.از اونجاییکه نات کوین توکنی بر روی شبکه Ton هست و این شبکه متعلق به تلگرام هست با بازی بر روی تلگرام هدف جذب جمعیت زیادی به سمت تلگرام بوده که احتمالا میبینید و میشنوید که امروزه خیلیها سرشون تو گوشی هست و با این بازی یا بازی های مشابه ترافیک و تعداد اعضای فعال شبکه تلگرام رو که سرمایه اصلی این شبکه هست رو خیلی بیشتر کرده و در مقابل اینستاگرام که رقیب اصلی تلگرام هست حالا تلگرام یک کاربرد درامد زایی دیگه ای هم در حال جا اتداختن هست.بطوریکه تعداد کاربر های این بازی از ۵۰۰ هزار نفر در ماه اول به ۳۳ میلیون نفر و کاربران فعال روزی ۶ میلیون نفر داره و کیف پول های TON که نات کوین رو میزبانی میکنند بین کاربران خیلی سریع شناخته شده. بنظر من برای این‌ پروژه سرمایه زیادی از طرف خود تلگرام که عملا حمایت خودش رو از این‌پروژه اعلام کرده خرج شده و بعد از لانچ نات کوین هم سرمایه بیشتری توسط فعالان بازار رمز ارز به این کوین وارد شد که کار صاحبان این پروژه رو راحت تر کرد.نتیجه چنین پروزه ای حالا هجوم‌پروژه های مشابه توسط تیم های مختلف به تلگرام مثل پروژه همستر کامبت و ...هست که این روزها اکثرا به هم معرفی میکنند و در نهایت تمامش به نفع شبکه تلگرام تمام خواهد شد.آیا اینکه بازی های مشابه مثل همستر بتونن مثل نات کوین عمل کنن و بابت صرفا فشار دادن صفحه گوشی بدون هیچ پرداختی کلی پول به کاربرانشون پرداخت کنن تا زمان امکان فروش این کوینها در بازار و نقد کردن اون مشخص نیست چون هر وجهی که به این همه عضو قرار هست داده بشه قراره از جیب کسی پرداخت بشه و این به نیت سازندگان این پروژه ها بستگی داره که چه هدفی رو دنبال میکنند ولی پر واضح هست که این یک روش جدید خواهد شد تا پروژه های مشابه ساخته بشن برای جذب مخاطب در بستر تلگرام و از این بازی ها بزودی نمونه مشابه زیاد خواهیم داشت که برنده اصلی آن تلگرام خواهد بود که میلیونها کاربر جدید فعال به ان اصافه خواهد شد و به تقویت کوین و کیف پول مختص TON کمک خواهند کرد ولی آیا کاربران هم به این اتدازه بهره خواهند برد؟من‌نمیگم در این بازی ها شرکت نکنین یا فرصت احتمالی درامد زایی رو از دست بدین ولی انتظار محقق نشدن انتظاراتتون بابت وقت و تلاشی که میکنین داشته باشین همینطور مراقب باتهای ویروسی و هکر ها که ممکن هست از این‌پروژه ها بابت سرقت اطلاعات و سواستفاده از اعضا در غالب باتهای تلگرامی استفاده کنن باشین .انتشار توسط رضا گلشاهیان Amir Ahmad Vosoghi FardAmir Ahmad Vosoghi FardFri, 07 Jun 2024 22:08:20 +0330https://virgool.ir/@amirvosogh1382/چرا-برخی-افراد-همیشه-خسته-هستند-nxnlrgmxdjqnشاید شما هم از آن دسته افرادی باشید که هر چقدر هم بخوابید، احساس خستگی می‌کنید و انرژی ندارید. علت این موضوع چیست؟سندی اونگ، روزنامه‌نگار بی‌بی‌سی می‌گوید: «بیشتر روزها به فعالیت‌های روزمره‌ام، به‌ویژه خواب پایبندم. قبل از اینکه احساس خستگی کنم، برای خواب آماده می‌شوم، لباس خوابم را بر تن می‌کنم، دندان‌هایم را تمیز می‌کنم و روال مراقبت از پوست خود را انجام می‌دهم. تلفنم را دور از خودم در اتاق غذاخوری می‌گذارم، سپس به اتاق خوابم می‌روم که ساکت، کم‌نور و دارای دمای مناسب است و قبل از خاموش کردن چراغ‌ها در حدود ۱۱ شب، نیم ساعت داستان می‌خوانم.»اونگ می‌افزاید: «هشت و نیم ساعت بعد زنگ ساعت به صدا درمی‌آید و با احساس خستگی از خواب بیدار می‌شوم. من در اوایل میانسالی به‌سر می‌برم، مرتباً ورزش می‌کنم و تا جایی که می‌دانم، سالم هستم. پس چرا با وجود خواب کافی باز هم وقتی از خواب بیدار می‌شوم، احساس می‌کنم خسته‌ام؟»احساس خستگی مداوم را خیلی از افراد تجربه می‌کنند. براساس فراتحلیلی که سال ۲۰۲۳ منتشر شد و ۹۱ مطالعه از سه قاره را مورد بررسی قرار داده بود، از هر ۵ بزرگسال در جهان، یک نفر با اینکه دچار بیماری زمینه‌ای نیست، خستگی عمومی را تا شش ماه تجربه کرده بود. در ایالات متحده، ۴۴ درصد از بیش از هزار فرد بزرگسالی که در سال ۲۰۱۹ توسط بنیاد ملی خواب مورد بررسی قرار گرفتند، گفتند بین دو تا چهار روز در هفته احساس خواب آلودگی می‌کنند. نظرسنجی سال ۲۰۲۲ شرکت YouGov از حدود ۱۷۰۰ نفر نشان داد از هشت بزرگسال در بریتانیا، یک نفر همیشه خسته است و یک چهارم بیشتر اوقات احساس خستگی می‌کنند. خستگی در زنان صرف‌نظر از این موضوع که بچه داشتند یا نه، بیشتر بود و این یافته در مطالعات مختلف تکرار شده بود.مفهوم مبهمرزالیند آدام، پزشک خانواده که بیش از یک دهه در آبردین اسکاتلند مشغول به کار بوده است، می‌گوید خستگی شکایتی بسیار رایج در میان بیماران او بوده است. این وضعیت چنان شایع است که سرویس سلامت ملی حتی نامی برآن نهاده است: TATT (خستگی همیشگی: Tired All The Time).با وجود فراگیر بودن خستگی مداوم، درک دانشمندان از خستگی، اینکه چه چیزی موجب آن می‌شود، چگونه بدن و مغز ما را تغییر می‌دهد و همچنین بهترین روش مقابله با آن بسیار محدود است. حتی تعریف خستگی نیز دشوار بوده است. آدام توضیح می‌دهد خستگی با خواب‌آلودگی که تمایل بیشتر برای خوابیدن است، متفاوت است. البته این دو به هم مرتبط هستند، اما خستگی چند بعدی‌تر است.خواب بی‌کیفیت می‌تواند در ایجاد احساس خستگی نقش داشته باشد.کریستوفر بارنز، استاد رفتار و مدیریت سازمانی در دانشگاه واشینگتن در سیاتل که درباره نحوه‌ی تأثیر بی‌خوابی بر محیط کار مطالعه می‌کند، می‌گوید: «به روش‌های زیادی می‌توانیم احساس خستگی کنیم.» به عنوان مثال، خستگی جسمی وجود دارد که نوعی خستگی است که ممکن است پس از پیاده‌روی طولانی یا جلسه ورزش شدید احساس کنید. ویکی ویتمور، از مدیران برنامه مؤسسه ملی سلامت در بتسدا مریلند که زیست‌شناسی خستگی را مطالعه می‌کند، توضیح می‌دهد این خستگی فیزیولوژیکی طبیعی است. درک آن آسان است و مدت‌ها است پژوهشگران درباره خستگی عضلانی مطالعه می‌کنند.خستگی در محل کار عملکرد و رهبری را تحت‌تأثیر قرار می‌دهدخستگی می‌تواند شامل جنبه‌های شناختی و عاطفی نیز باشد که توضیح می‌دهد چرا وقتی خسته هستیم، ممکن است مه مغزی را تجربه کنیم و انجام کارها برایمان سخت باشد یا با اطرافیانمان تند برخورد کنیم.ویتمور می‌گوید، در دهه گذشته سرانجام دانشمندان به خاطر پیشرفت در فناوری‌های تصویر برداری و آزمایش‌های بیوشیمیایی که به ما این امکان را می‌دهد تغییرات مغز را در زمان واقعی مشاهده کنیم، موفق شده‌اند جنبه‌های دیگر خستگی را مطالعه کنند.خستگی می‌تواند به دلایل بی‌شماری ایجاد شود. خستگی نشانه بسیاری از بیماری‌ها و مشکلات مزمن ازجمله سرطان، ام‌اس، کووید طولانی‌مدت، افسردگی و انسفالومیلیت میالژیک است. خستگی همچنین می‌تواند ناشی از دلایل کمتر جدی باشد. آدام که در دانشگاه آبردین به مطالعه این موضوع مشغول است که خستگی چگونه روی افراد مبتلا به میلوما، نارسایی قلبی و کووید طولانی اثر می‌گذارد، می‌گوید: «مهم است که بین خستگی مرتبط با بیماری و خستگی غیرمرتبط با بیماری تمایز قائل شویم. اگر بتوانیم انواع مختلف خستگی را از هم تمایز دهیم، ممکن است بتوانیم به‌طور متفاوتی با آن‌ها مقابله کنیم و راه‌حل‌های متناسب با هر کدام ارائه دهیم.»اهمیت کیفیت خوابفواید خواب کافی بارها مورد تاکید قرار گرفته است (مقدار خوابی که بزرگسالان نیاز دارند، متفاوت است، اما بیشتر افراد به هفت ساعت یا بیشتر خواب شبانه نیاز دارند و کارشناسان ۷ تا ۹ ساعت خواب را توصیه می‌کنند).بدون خواب، بدن ما قادر به ترمیم عضلات، تقویت ایمنی، تنظیم عواطف، تثبیت خاطرات و اطلاعات جدید و موارد مهم دیگر نخواهد بود. افرادی که برای مدت‌های طولانی احساس خستگی می‌کنند، نسبت‌به جمعیت عمومی دارای خطر بالاتر مرگ هستند و همچنین درمعرض خطر بالاتر ابتلا به اضطراب و افسردگی قرار دارند.در برخی موارد، خستگی نشانه بیماری استاستراحت ناکافی می‌تواند به سردرد و سایر دردهای جسمی منجر شود و همچنین موجب احساس تحریک‌پذیری، خلق‌وخوی پایین و وضعیت روانی غیرمتمرکز شود. این اثرات اغلب روی روابط ما هم تأثیر می‌گذارند. بارنز می‌گوید: «از آثار علمی مرتبط با خواب و رضایت زناشویی می‌دانیم وقتی یکی از زوجین دچار کم‌خوابی باشد، درگیری در میان آن‌ها بیشتر می‌شود.»خستگی می‌تواند در محل کار نیز تاثیر منفی داشته باشد و عملکرد و رهبری را تحت‌تاثیر قرار دهد. بارنز اولین کسی بود که به بررسی این موضوع پرداخت که چگونه احتمال اینکه رئیس‌های دچار کم‌خوابی با کارکنان خود رفتار تندتری داشته باشند، بیشتر است. او می‌گوید: «آن‌ها با خودکنترلی کمتری وارد کار می‌شوند و احتمال اینکه درگیر سرپرستی سوءاستفاده‌گرایانه شوند، بیشتر است.»خستگی می‌تواند پیامدهای ویرانگری نیز داشته باشد. در بریتانیا، خستگی علت اصلی ۲۰ درصد تصادفات در جاده‌های اصلی است. خطای انسانی مرتبط با خستگی یا کمبود خواب نیز همراه با عوامل دیگر در بسیاری از فجایع ناشی از انسان ازجمله حادثه انفجار شاتل فضایی چلنجر و نشت نفت اکسون والدز دخیل بوده است.رانجانا مهتا، استاد مهندسی صنایع و سیستم‌ها در دانشگاه ویسکانسین مدیسون که به مطالعه خستگی شغلی مشغول است، می‌گوید: «خستگی در زمینه کارهای مرتبط با استخراج نفت و گاز، چه در خشکی و چه در دریا منجر به فجایع قابل‌توجه، تلفات جانی، خسارت‌های اقتصادی و مشکلات زیست محیطی شده است که هنوز درگیر آن‌ها هستیم.»اما خواب کافی فقط بخشی از معادله است. کیفیت خواب نیز اهمیت دارد. ویتمور می‌گوید: «خواب بهتر ولی کوتاه‌تر بهتر از خواب طولانی‌تر اما بی‌کیفیت است. اگر خوابتان مرتبا قطع شود، احساس شادابی کمتری خواهید کرد.»وقتی می‌خوابیم، مغز فرایندهای خارجی را متوقف می‌کند. نورون‌های درحال استراحت فضایی برای مایع مغزی‌نخاعی که اطراف مغز را احاطه کرده است، ایجاد می‌کنند تا مواد زائدی مانند پلاک‌های چسبنده آمیلوئید بتا را که با بیماری آلزایمر ارتباط دارد، پاک‌سازی کنند. این سیستم پاک‌سازی مواد زائد سیستم گلیمفاتیک نامیده می‌شود. طی خوابی که به‌طور مداوم قطع می‌شود و موثر نیست، سموم زیادی از مغز پاک نمی‌شوند.دانیل جین بلوم، روانشناس خواب و استادیار پژوهشی در دانشگاه نیویورک شانگهای می‌گوید سیستم گلیمفاتیک ما هر روز در زمان مشخصی از روز بهترین عملکرد را دارد، بنابراین بهتر است در ساعات منظمی خواب عمیق داشته باشید.خوابی که مدام قطع می‌شود، چندان آرامش‌بخش نیست.زمان خواب مهم است. هماهنگی خواب با ریتم‌های شبانه‌روزی طبیعی ما (ساعت درونی ۲۴ ساعته مغز که چرخه‌های هشیاری و خواب‌آلودگی را تنظیم می‌کند) بهترین استراحت را به دنبال دارد. این امر توضیح می‌دهد که چرا شب‌کاری اغلب با پیامدهای سلامتی نامطلوب از سوزش سردل گرفته تا دیابت همراه است.خواب بهتر ولی کوتاه‌تر بهتر از خواب طولانی‌تر اما بی‌کیفیت استبلوم با اشاره به مرحله چهارم و آخر چرخه خواب که مشخصه آن حرکات سریع چشم است که معمولا طی آن خواب می‌بینیم، اتصالات عصبی ما تقویت می‌شوند و عواطف روز را پردازش می‌کنیم، می‌گوید اگر همان هشت ساعت خواب را داشته باشید اما در جریان دوره شبانه‌روزی منظم نباشد، تقریبا خواب REM را ندارید و از مزیت‌های آن بهرمند نخواهید شد. خوابREM بسیار کم یا نامنظم با افسردگی، زوال عقل، پارکینسون و مشکلات شناختی دیگر مرتبط است.دلایل بی‌شماربا توجه به تاثیرات فراگیر خواب بی‌کیفیت بر سلامتی، روابط و کار ما، مهم است که سعی کنیم ریشه این مشکل را پیدا کنیم. وقتی بیماران از خستگی مداوم شکایت می‌کنند، اولین کاری که آدام انجام می‌دهد این است که علت‌های پزشکی ممکن را رد می‌کند.آزمایش خون گاهی می‌تواند در تشخیص دقیق اختلالات تیروئید یا عدم تعادل استروژن یا سایر هورمون‌ها مفید باشد. این شرایط خصوصا در زنان اغلب با احساس خستگی مرتبط هستند. آزمایش‌ها همچنین می‌توانند نشان دهند که آیا دچار کمبود مواد مغذی خاصی مانند ویتامین B12، فولات یا مواد معدنی مانند آهن و منیزیوم هستید. گیر بیورکلوند، موسس شورای پزشکی تغذیه‌ای و محیطی نروژ می‌گوید: «کمبود مواد مغذی نقش قابل‌توجهی در ایجاد خستگی دارد. مواد مغذی ضروری مانند ویتامین‌ها، مواد معدنی و اجزای رژیم غذایی برای فرایندهای فیزیولوژیکی مختلف ازجمله متابولیسم انرژی حیاتی هستند.»اگر هر روز در ساعت مشخصی به رختخواب بروید، خواب مؤثرتر است.آزمایش خون همه چیز را نشان نمی‌دهد، به همین دلیل گرفتن تاریخچه بالینی جامع فرد نیز مهم است. آدام می‌گوید: «در افراد سالم، ما به نقش عواملی مانند ورزش، خواب، رژیم غذایی و سلامت روان توجه می‌کنیم و عواملی را مورد توجه قرار می‌دهیم که ممکن است برای هر فرد مهم باشد. برای مثال، فرد ممکن است کودک خردسالی داشته باشد که خواب پیوسته را برای او غیرممکن می‌سازد.»از دلایل رایج خستگی اختلالات خواب یا مشکلات تنفسی استاسترس نیز نقش مهمی در خستگی دارد. مطالعه‌ای از سال ۲۰۲۲ از بیش از ۱۶۲۰۰ کارمند دولتی در چین نشان داد کسانی که رویدادهای استرس‌زای زندگی را تجربه کرده‌اند، دو برابر بیشتر از دیگران احساس خستگی را گزارش می‌کردند. وقتی استرس داریم، بدن هورمون کورتیزول را تولید می‌کند که دمای بدن و ضربان قلب ما را افزایش می‌دهد تا ما را برای رویارویی با تهدید آماده کند. سطح کورتیزول به‌طور طبیعی در طول روز در نوسان است، اما وقتی سطح آن به‌طور پیوسته بالا بماند، خواب را مختل می‌کندنویسنده:.مریم صفدریلینک: https://www.zoomit.ir/health-medical/416444-why-do-some-people-feel-tired-all-the-time/ از سایت زومیتAmir Ahmad Vosoghi FardAmir Ahmad Vosoghi FardThu, 23 May 2024 22:17:49 +0330https://virgool.ir/@amirvosogh1382/کاربرد-هوش-مصنوعی-ouxnaya2ozzgحالا که با انواع هوش مصنوعی و سازوکار آن‌ها آشنا شدیم، سوال بعدی این است که در حال حاضر با آن چه کاری می‌توانیم بکنیم؟ کاربرد هوش مصنوعی به‌طور کلی در چهار زمینه‌ تعریف می‌شود: تشخیص اجسام، تشخیص چهره، تشخیص صدا و شبکه‌های مولد.تشخیص اجسام (Object Recognition)شاید بتوان گفت حوزه‌ای که یادگیری عمیق بیشترین و سریع‌ترین تاثیر را در آن داشته، بینایی ماشین (Computer Vision)، به‌ویژه در تشخیص اجسام مختلف در تصاویر است. همین چند سال پیش، وضعیت پیشرفت هوش مصنوعی در زمینه‌ی تشخیص اجسام به ‌قدری اسفبار بود که در کاریکاتور زیر به‌خوبی نمایش داده شده است.در علوم کامپیوتر، توضیح تفاوت کار آسان با کار تقریباً غیرممکن دشوار استایده‌ی تشخیص اشیا توسط ماشین را می‌توان به راحتی توصیف کرد، اما اجرای آن دشوار است. اجسام پیچیده از مجموعه‌هایی از اجسام ساده‌تر ساخته شده‌اند که آن‌ها نیز خود از شکل‌ها و خطوط ساده‌تری ایجاد شده‌اند. مثلا چهره‌ی افراد از چشم و بینی و دهان تشکیل شده که خود این‌ها هم از دایره و خطوط و غیره تشکیل شده‌اند. پس برای تشخیص چهره لازم است که الگوهای اجزای چهره را تشخیص داد.هر جسم پیچیده‌ای از مجموعه‌ای از اجسام و الگوهای ساده‌تری ساخته شده است؛ الگوریتم‌ها به دنبال این الگوها هستندبه این الگوها ویژگی (Feature) می‌گویند و تا پیش از ظهور یادگیری عمیق، لازم بود آن‌ها را دستی ایجاد کرد و کامپیوترها را طوری آموزش داد تا بتوانند آن‌ها را پیدا کنند. مثلا، الگوریتم تشخیص چهره‌ی معروفی به نام «ویولا-جونز» (Viola-Jones) وجود دارد که یاد گرفته ابرو و بینی معمولا از اعماق چشم روشن‌تر هستند؛ درنتیجه، الگوی ابرو و بینی شبیه یک طرحT شکل روشن با دو نقطه‌ی تاریک برای چشم‌ها است. الگوریتم هم برای تشخیص چهره‌ در تصاویر دنبال این الگو می‌گردد.الگوریتم ویولا-جونز خیلی خوب و سریع کار می‌کند و قابلیت تشخیص چهره‌ی دوربین‌های ارزان مبتنی بر همین الگوریتم است. اما بدیهی است که تمام چهره‌ها از این الگوی ساده پیروی نمی‌کنند. چندین تیم از پژوهشگران برجسته مدت‌ها روی الگوریتم‌های بینایی ماشین کار کردند تا آن‌ها را تصحیح کنند؛ اما آن‌ها نیز همچنان ضعیف و پر از باگ بودند.تا اینکه پای یادگیری ماشین، به‌ویژه نوعی شبکه‌ی عصبی عمیق به اسم «شبکه‌ی عصبی پیچشی» (Convolutional Neural Network) معروف بهCNN به میان آمد و انقلاب بزرگی در الگوریتم‌های تشخیص اجسام به وجود آورد.شبکه‌های عصبی پیچشی یا همان CNN‌ها، ساختار خاصی دارند که از روی قشر بینایی مغز پستانداران الهام گرفته شده است. این ساختار به CNN اجازه می‌دهد تا به جای اینکه تیم‌های متعددی از پژوهشگران بخواهند سال‌ها صرف پیدا کردن الگوهای درست بکنند، خودش با یادگیری مجموعه خطوط و الگوها، اشیای حاضر در تصاوری را تشخیص دهد.الگوریتم‌های بینایی قدیمی (چپ) به الگوهای دست‌چین وابسته بودند اما شبکه‌های عصبی عمیق (راست) خودشان الگوها را پیدا می‌کنندشبکه‌های CNN برای استفاده در بینایی ماشین فوق‌العاده‌اند و خیلی زود پژوهشگران توانستند آن‌ها را برای تمام الگوریتم‌های تشخیص بصری، از گربه‌های داخل تصویر گرفته تا عابران پیاده از دید دوربین‌ خودروهای خودران، آموزش دهند.علاوه‌براین، قابلیت CNNها به‌خاطر سازگاری بی‌دردسر با هر مجموعه داده باعث فراگیری و محبوبیت سریع آن‌ها شده است. فرایند تپه‌نوردی را به خاطر دارید؟ اگر دانش‌آموز دبیرستانی ما بخواهد الگوریتمش نوع خاصی از پرنده را تشخیص دهد، تنها کافی است یکی از چندین شبکه‌ی بینایی ماشین را که به‌صورت متن‌باز و رایگان دردسترس است، انتخاب کرده و بعد آن را براساس مجموعه داده‌ی خودش آموزش دهد، بدون آنکه لازم باشد از ریاضی و فرمول‌های پشت پرده‌ی این شبکه سر در بیاورد.تشخیص چهره (Face Recognition)فرض کنید می‌خواهیم شبکه‌ای را آموزش دهیم که نه تنها بتواند چهره‌ها را به‌طور کلی تشخیص دهد(یعنی بتواند بگوید در این عکس، انسان وجود دارد)، بلکه بتواند تشخیص دهد که این چهره دقیقا متعلق به کیست.برای این کار، شبکه‌ای را که قبلا برای تشخیص کلی چهره‌ی انسان آموزش دیده است، انتخاب می‌کنیم. بعد، خروجی را عوض می‌کنیم. یعنی به جای اینکه از شبکه بخواهیم چهره‌ای خاص را در میان جمعیت تشخیص دهد، از آن می‌خواهیم توصیفی از آن چهره را به‌صورت صدها عددی که ممکن است فرم بینی یا چشم‌ها را مشخص کند، به ما نشان دهد. شبکه از آنجایی که از قبل می‌داند اجزای تشکیل‌دهنده‌ی چهره چیست، می‌تواند این کار را انجام دهد.تغییر شبکه عصبی از «تشخیص» چهره (چپ) به «توصیف» چهره (راست)حالا می‌توان چهره‌ها را براساس توصیف‌های شبکه تشخیص دادالبته که ما این کار را به طور مستقیم انجام نمی‌دهیم؛ بلکه شبکه را با نشان‌ دادن مجموعه‌ای از چهره‌ها و بعد مقایسه‌ی خروجی‌ها با یکدیگر آموزش می‌دهیم. همچنین می‌توانیم به شبکه یاد دهیم چطور چهره‌های یکسانی را که شباهت زیادی به هم دارند و چهره‌های متفاوتی را که اصلا شبیه هم نیستند، توصیف کند.حالا تشخیص چهره آسان می‌شود؛ ابتدا، تصویر چهره‌ی اول را به شبکه می‌دهیم تا آن را برایمان توصیف کند. بعد، تصویر چهره‌ی دوم را به شبکه می‌دهیم و توصیف آن را با توصیف چهره‌ی اول مقایسه می‌کنیم. اگر دو توصیف به هم نزدیک باشد، می‌گوییم که این دو چهره یکی هستند. بدین‌ترتیب، از شبکه‌ای که فقط می‌توانست یک چهره را تشخیص دهد به شبکه‌ای رسیدیم که می‌تواند هر چهره‌ای را تشخیص دهد!شبکه‌های عصبی عمیق به‌طرز فوق‌العاده‌ای انعطاف‌پذیر هستندشبکه‌های عصبی عمیق دقیقا به‌خاطر همین ساختار منعطف به‌شدت کاربردی هستند. به کمک این تکنولوژی، انواع بسیار زیادی از مدل‌های یادگیری ماشین برای بینایی کامپیوتر توسعه یافته‌‌اند و اگرچه کاربرد آن‌ها متفاوت است، بسیاری از ساختارهای اصلی آن‌ها براساس شبکه‌های CNN اولیه نظیر Alexnet و Resnet ساخته شده است.جالب است بدانید برخی افراد از شبکه‌های تشخیص چهره حتی برای خواندن خطوط نمودارهای زمانی استفاده کرده‌اند! یعنی به جای اینکه بخواهند برای تجزیه‌وتحلیل داده، یک شبکه‌ی سفارشی ایجاد کنند، شبکه‌ی عصبی متن‌بازی را طوری آموزش می‌دهند تا بتواند به شکل خطوط نمودارها هم شبیه چهره‌ی انسان‌ها نگاه کند و الگوها را توصیف کند.این انعطاف‌پذیری عالی است، اما بالاخره جایی کم می‌آورد. برای همین، حل برخی مسائل به نوع دیگری از شبکه نیاز دارد که در ادامه با آن‌‌ها آشنا می‌شوید.تشخیص گفتار (Speech Recognition)شاید بتوان گفت تکنیک تشخیص گفتار به‌نوعی شبیه تشخیص چهره است، به این صورت که سیستم یاد می‌گیرد به چیزهای پیچیده به‌ شکل مجموعه‌ای از ویژگی‌های ساده‌تر نگاه کند. در مورد گفتار، شناخت جمله‌ها و عبارات از شناخت کلمات حاصل می‌شود که آن‌ها هم خود به دنبال تشخیص هجاها یا به‌عبارت دقیق‌تر، واج‌ها می‌آیند. بنابرین وقتی می‌شنویم کسی می‌گوید «باند، جیمز باند» درواقع ما داریم به دنباله‌ای‌ از صداهای متشکل از BON+DUH+JAY+MMS+BON+DUH گوش می‌دهیم.در حوزه‌ی بینایی ماشین، ویژگی‌ها به‌صورت مکانی سازماندهی می‌شوند که ساختار CNN هم قرار است همین مکان‌ها را تشخیص دهد. اما درمورد تشخیص گفتار، ویژگی‌ها به‌صورت زمانی دسته‌بندی می‌شوند. افراد ممکن است آهسته یا سریع صحبت کنند، بی‌آنکه نقطه‌ی شروع یا پایان صحبت‌شان معلوم باشد. ما مدلی می‌خواهیم که مثل انسان‌ها بتواند به صداها در همان لحظه که ادا می‌شوند، گوش دهد و آن‌ها را تشخیص دهد؛ به‌جای اینکه منتظر بماند تا جمله کامل شود. متاسفانه برخلاف فیزیک، نمی‌توانیم بگوییم مکان و زمان یکی هستند و داستان را همین‌جا تمام کنیم.اگر با دستیار صوتی گوشی‌‌تان کار کرده باشید، احتمالا زیاد پیش آمده کهSiri یا گوگل اسیستنت به‌خاطر شباهت هجاها، حرف شما را اشتباه متوجه شده باشد. مثلا به گوگل اسیستنت می‌گویید «what's the weather»، اما فکر می‌کند از او پرسیده‌اید«what's better». برای اینکه این مشکل حل شود، به مدلی نیاز داریم که بتواند به دنباله‌ی هجاها در بستر متن توجه کند. اینجا است که دوباره پای یادگیری ماشین به میان می‌آید. اگر مجموعه‌ی کلمات ادا شده به‌اندازه کافی بزرگ باشد، می‌توان یاد گرفت که محتمل‌ترین عبارات کدام‌ها هستند و هرچه تعداد مثال‌ها بیشتر باشد، پیش‌بینی مدل بهتر می‌شود.برای این کار، از شبکه‌ عصبی بازگشتی یا همان RNN استفاده می‌شود. در اکثر شبکه‌های عصبی مانند شبکه‌های CNN که برای بینایی کامپیوتر به کار می‌روند، اتصالات نورون‌ها تنها در یک جهت و از سمت ورودی به خروجی جریان دارد. اما در یک شبکه‌ی عصبی بازگشتی، خروجی نورون‌ها را می‌توان به همان لایه که در آن قرار دارند یا حتی به لایه‌های عمیق‌تر فرستاد. بدین‌ترتیب، شبکه‌های RNN می‌توانند صاحب حافظهشوند.شبکه CNN یک‌طرفه است، اما شبکه RNN حافظه داخلی داردشبکه‌ی CNN یک‌طرفه است؛ به آن یک تصویر به‌عنوان ورودی بدهید تا توصیف تصویر را به‌صورت خروجی به شما تحویل دهد. اما شبکه‌ی RNN به نوعی حافظه‌ی داخلی دسترسی دارد و یادش می‌ماند که قبلا چه تصاویری به‌صورت ورودی به آن داده شده و می‌تواند پاسخ‌هایش را هم مرتبط با چیزی که دارد می‌بیند و هم با چیزهایی که قبلا دیده، ارائه دهد.شبکه عصبی بازگشتی می‌تواند ورودی‌های قبلی را هم به‌یاد آورد و با ورودی جدید ترکیب کندحافظه‌ی RNN باعث می‌شود این شبکه نه تنها به تک‌تک هجاها به محض ادا شدن «گوش دهد»، بلکه می‌تواند یاد بگیرد که چه نوع هجاهایی کنار هم می‌نشینند تا یک کلمه را تشکیل دهند و همین‌طور می‌تواند پیش‌بینی کند که چه نوع عبارات و جمله‌هایی محتمل‌تر هستند. درنتیجه، شبکه RNN به دستیار صوتی یاد می‌دهد که گفتن «what's the weather» از «what's better» محتمل‌تر است و متناسب با همین پیش‌بینی، به شما پاسخ می‌دهد.به کمک RNN می‌توان به‌خوبی گفتار انسان را تشخیص داد و آن را به متن تبدیل کرد؛ عملکرد این شبکه‌ها به‌قدری بهبود یافته که از نظر دقت تشخیص حتی از انسان‌ها هم بهتر عمل می‌کنند. البته دنباله‌ها فقط در صدا نمایان نمی‌شوند. امروزه از شبکه‌هایRNN برای تشخیص دنباله‌‌‌ی حرکات در ویدیوها نیز استفاده می‌شود.دیپ‌فیک و شبکه‌های مولد (Deepfakes and Generative AI)تا اینجای مطلب فقط داشتیم درباره‌ی مدل‌های یادگیری ماشینی صحبت می‌کردیم که برای تشخیص به کار می‌روند؛ مثلا از مدل می‌خواستیم به ما بگوید در این تصویر چه می‌بیند یا چیزی را که گفته شده، درک کند. اما این مدل‌ها قابلیت‌های بیشتری دارند. همان‌طور که احتمالا از کار کردن با چت‌بات‌ها و پلتفرمDall-E متوجه شدید، مدل‌های یادگیری عمیق این روزها می‌توانند برای تولید محتوا هم به کار روند!حتما نام دیپ‌فیک (Deep Fake) را زیاد شنیده‌اید؛ ویدیوهای جعلی که در آن افراد مشهور چیزهایی می‌گویند یا کارهایی می‌کنند که به نظر واقعی می‌رسد، اما این‌طور نیست. دیپ‌فیک هم نوع دیگری از هوش مصنوعی مبتنی‌بر یادگیری عمیق است که در محتوای صوتی و تصویری دست می‌برد و آن‌ را به‌دلخواه تغییر می‌دهد تا نتیجه‌ی نهایی چیزی کاملا متفاوت از محتوای اولیه باشد.به این ویدیوی دیپ‌فیک نگاه کنید؛ مدلی که در ساخت این دیپ‌فیک به‌کار رفته می‌تواند ویدیوی رقص یک فرد را تجزیه‌وتحلیل کند و بعد با پیدا کردن الگوها، همان حرکات موزون را در ویدیوی دوم روی فرد دیگری پیاده کند؛ طوری که فرد حاضر در ویدیوی دوم دقیقا شبیه ویدیوی اول به رقص درمی‌آید.با تمام تکنیک‌هایی که تا اینجا توضیح دادیم، آموزش شبکه‌ای که تصویر یک فرد در حال رقص را دریافت کند و بتواند بگوید دست‌ها و پاهایش در چه موقعیت مکانی‌ای قرار دارند، کاملا شدنی‌ است. این شبکه همچنین یاد گرفته که چطور پیکسل‌های یک تصویر را به موقعیت قرار گرفتن دست‌ها و پاها مربوط کند. با توجه به اینکه برخلاف مغز واقعی، شبکه‌ی نورونی هوش مصنوعی صرفا داده‌هایی هستند که در یک کامپیوتر ذخیره شده‌اند، بی‌شک این امکان وجود دارد که این داده را برداشته و برعکس این فرایند عمل کنیم؛ یعنی از مدل بخواهیم از موقعیت دست و پا، پیکسل‌ها را به دست آورد.به مدل‌های یادگیری ماشین که می‌توانند دیپ‌فیک بسازند یا مثلDall-E و Midjourney، متن توصیفی را به تصویر تبدیل کنند، مدل مولد (Generative) می‌گویند. تا بدین‌جا، از هر مدلی که حرف زدیم از نوع تمیزدهنده (Discriminator) بود؛ به این معنی که مدل به مجموعه‌ای از تصاویر نگاه می‌کند و تشخیص می‌دهد کدام تصویر گربه و کدام‌ گربه نیست؛ اما مدل مولد همان‌طور که از نامش پیدا است، می‌تواند از توصیف متنی گربه، تصویر گربه تولید کند.مدل‌های مولدی که برای «به‌تصویر کشیدن» اجسام ساخته شده‌اند، از همان ساختار CNN به کار رفته در مدل‌های تشخیص همان اجسام استفاده می‌کنند و می‌توانند دقیقا به همان روش مدل‌های یادگیری ماشین دیگر آموزش ببینند.چالش ساخت مدل مولد تعریف سیستم امتیازدهی برای آن استاما نکته‌ی چالش‌برانگیز آموزش مدل‌های مولد، تعریف سیستم امتیازدهی برای آن‌ها است. مدل‌های تمیزدهنده با پاسخ درست و نادرست آموزش می‌بینند؛ مثلا اگر تصویر سگ را گربه تشخیص دهند، می‌توان به آن‌ها یاد داد که پاسخ نادرست است. اما چطور می‌توان به مدلی که تصویر گربه‌ای را کشیده، امتیاز داد؟ مثلا اینکه چقدر نقاشی‌اش خوب است یا چقدر به واقعیت نزدیک است؟اینجا جایی است که برای افراد بدبین به آینده و تکنولوژی، منظورم آن‌هایی است که معتقدند دنیا قرار است به دست ربات‌های قاتل نابود شود، داستان واقعا ترسناک می‌شود. چراکه بهترین روشی که برای آموزش شبکه‌های مولد فعلا در اختیار داریم این است که به جای اینکه ما خودمان آن‌ها را آموزش دهیم، اجازه دهیم شبکه‌ی عصبی دیگری آن‌ها را آموزش دهد؛ یعنی دو هوش مصنوعی رو در روی هم!برای افرادی که به آینده ربات‌های قاتل اعتقاد دارند، شبکهGAN داستان را ترسناک می‌کنداسم این تکنیک، «شبکه‌ مولد رقابتی» (Generative Adversarial Networks) یا GAN است. در این روش، دو شبکه‌ی عصبی داریم که ضد یکدیگر عمل می‌کنند؛ از یک سمت شبکه‌ای داریم که سعی دارد ویدیوی فیک بسازد (مثلا موقعیت مکانی دست و پاهای فرد در حال رقص را بردارد و روی فرد دیگری پیاده کند) و در سمت دیگر، شبکه‌ی دیگری است که آموزش دیده تا با استفاده از مجموعه‌ای از نمونه رقص‌های واقعی، تفاوت بین ویدیوی واقعی و جعلی را تشخیص دهد.در مرحله‌ی بعدی، این دو شبکه در نوعی بازی رقابتی مقابل همدیگر می‌گیرند که کلمه‌ی «رقابتی» (Adversarial) از همین‌جا می‌آید. شبکه‌ی مولد سعی می کند فیک‌های قانع‌کننده‌ای بسازد و شبکه‌ی تمیزدهنده سعی می‌کند تشخیص دهد که چه چیزی واقعی و چه چیزی جعلی است.شبکه‌های مولد رقابتی دو شبکه را مقابل هم می‌گذارند؛ یکی تصاویر فیک ایجاد می‌کند و یکی سعی می‌کند آن را تشخیص دهددرنهایت، فقط از شبکه مولد تصاویر فیک برای خروجی گرفتن استفاده می‌شوددر هر دور آموزش، مدل‌ها بهتر و بهتر می‌شوند. مثل این می‌ماند که یک جعل‌کننده‌ی جواهر را در برابر یک کارشناس باتجربه قرار دهیم و حالا هر دو بخواهند با بهتر و هوشمند‌تر شدن، حریف خود را شکست دهند. درنهایت، وقتی هر دو مدل به‌اندازه‌ی کافی بهبود پیدا کردند، می‌توان مدل مولد را به‌صورت مستقل استفاده کرد.مدل‌های مولد در تولید محتوا، چه تصویری، چه صوتی، چه متنی و ویدیویی فوق‌العاده‌اند؛ مثلا همین چت‌بات ChatGPT که این‌روزها حسابی سروصدا به‌پا کرده، از مدل زبانی بزرگ مبتنی‌بر مدل مولد استفاده می‌کند و می‌تواند تقریبا به تمام درخواست‌های کاربران، از تولید شعر و فیلم‌نامه گرفته تا نوشتن مقاله و کد، در عرض چند ثانیه پاسخ دهد؛ آن‌هم به‌گونه‌ای که نمی‌توان تشخیص داد پاسخ را انسان ننوشته است.استفاده از شبکه‌های GAN از این جهت ترسناک است (البته برای افراد خیلی شکاک و بدبین!) که نقش انسان‌ها در آموزش مدل‌ها در حد ناظر است و تقریبا تمام فرایند یادگیری و آموزش برعهده‌ی هوش مصنوعی است.نویسنده: مرجان شیخیبرداشته شده از:https://www.zoomit.ir/tech/344714-what-is-ai-everything-you-need-know-about-artificial-intelligence/Amir Ahmad Vosoghi FardAmir Ahmad Vosoghi FardThu, 23 May 2024 21:48:04 +0330https://virgool.ir/@amirvosogh1382/هوش-مصنوعی-چیست-vzkcjhdjba3iاصطلاح هوش مصنوعی(Artificial Intelligence) یا AI برای توصیف سیستمی به‌کار می‌رود که می‌تواند فعالیت‌های شناختی وابسته به ذهن انسان ازجمله «یادگیری» و «حل مسئله» را به‌خوبی یا حتی بهتر از انسان‌ها انجام دهد. اما در اکثر موارد، آنچه به‌عنوان هوش مصنوعی می‌شناسیم، درواقع «اتوماسیون» (Automation) یا همان فرایند خودکارسازی نام دارد و برای درک بهتر AI، ابتدا باید فرق آن را با اتوماسیون بدانیم.دلیل وجود این جوک این است که هوش مصنوعی تعریف دقیقی ندارد و حتی اصطلاح فنی نیست. اگر به ویکی‌پدیا نگاهی بیندازید، می‌خوانید که هوش مصنوعی «هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل هوش طبیعی که توسط جانوران شامل انسان‌ها نمایش می‌یابد.» یعنی تعریفی به همین مبهمی و گستردگی.به‌طور کلی، دو نوع هوش مصنوعی وجود دارد: هوش مصنوعی قوی (strong AI) و هوش مصنوعی ضعیف (weakAI).هوش مصنوعی قوی همانی است که اکثر افراد با شنیدن AI متصور می‌شوند؛ یعنی نوعی هوش دانای کل شبیه شخصیت هال ۹۰۰۰، همان ربات قاتلِ فیلم ادیسه‌ی فضایی یا سیستم خودآگاه هوش مصنوعی اسکای‌نتدر فیلم‌های تریمیناتور که در عین داشتن هوش فراانسانی و قابلیت استدلال و تفکر منطقی، توانایی‌هایی فراتر از انسان‌ها نیز دارند.آنچه از هوش مصنوعی تابه‌حال دیده‌ایم از نوع هوش مصنوعی ضعیف استدرمقابل، هوش مصنوعی ضعیف الگوریتم‌های بسیار تخصصی‌ای هستند که برای پاسخ به سوالات مشخص، مفید و محدود به حیطه‌ی همان مسئله طراحی شده‌اند؛ مثل موتور جستجوی گوگل و بینگ، الگوریتم پیشنهاد فیلم نتفلیکس یا حتی دستیار صوتی Siri و گوگل‌اسیستنت. این مدل AIها در سطح خود بسیار قابل‌توجه هستند، هرچند کارایی آن‌ها محدود است.اما فیلم‌های علمی‌تخیلی هالیوودی را که کنار بگذاریم، هنوز با دستیابی به هوش مصنوعی قوی فاصله‌ی زیادی داریم. درحال‌حاضر، تمام AI‌هایی که می‌شناسیم از نوع ضعیف هستند و برخی از پژوهشگران معتقدند روش‌هایی که تا‌به‌حال برای توسعه‌ی هوش مصنوعی ضعیف به کار رفته‌اند، کاربردی در توسعه‌ی هوش مصنوعی قوی نخواهند داشت. البته اگر نظر کارمندان شرکت OpenAI، توسعه‌دهنده‌ی چت‌بات محبوبChatGPT را بپرسید، به شما خواهند گفت تا ۱۳ سال آینده و با همین روش‌های شناخته‌شده می‌توانند به هوش مصنوعی قوی دست پیدا کنند!اگر بخواهیم در این موضوع خیلی دقیق شویم، باید بگوییم که «هوش مصنوعی» درحال‌حاضر بیشتر اصطلاحی برای جلب‌توجه و بازاریابی است تا اصطلاحی فنی. دلیل اینکه شرکت‌ها به جای استفاده از واژه‌ی «اتوماسیون» از هوش مصنوعی استفاده می‌کنند این است که می‌خواهند در ذهن ما همان تصاویر علمی‌تخیلی فیلم‌های هالیوودی را تداعی کنند. اما این کار کاملا هم زرنگ‌بازی و فریبکاری نیست؛ اگر بخواهیم دست‌ودل‌بازی به خرج دهیم، می‌توان گفت این شرکت‌ها قصد دارند بگویند درست است که تا رسیدن به هوش مصنوعی قوی راه درازی در پیش داریم، اماAI ضعیف کنونی را هم نباید دست‌کم گرفت، چون به‌مراتب از چند سال پیش، قوی‌تر شده است که خب، این حرف کاملاً درست است.نویسنده:مرجان شیخیAmir Ahmad Vosoghi FardAmir Ahmad Vosoghi FardSun, 19 May 2024 19:59:12 +0330