بتل کد Battle Codeدارد باز می‌شود…

بازی، هوش مصنوعی و امنیت

هوش مصنوعی با پایتون برای نوجوانان

۱۰ دقیقه مطالعه · ۲۸ مهر ۱۴۰۵

فهرست مطالب
  1. هوش مصنوعی چیست و چه چیزی نیست؟
  2. داده، ویژگی و برچسب: زبان یادگیری ماشین
  3. نزدیک‌ترین همسایه: یک مدل واقعی با پایتون ساده
  4. شبکه‌ی عصبی: ایده‌ی پشت مدل‌های بزرگ
  5. چرا پایتون زبان اول هوش مصنوعی است؟
  6. مدل‌های زبانی و پرامپت‌نویسی
  7. اخلاق هوش مصنوعی: سؤال‌هایی که باید پرسید
  8. برای هوش مصنوعی چقدر ریاضی لازم است؟
  9. از کجا شروع کنم؟ مسیر هوش مصنوعی در Battle Code
  10. سؤال‌های پرتکرار

هوش مصنوعی (Artificial Intelligence) یعنی برنامه‌هایی که کارهایی را انجام می‌دهند که معمولاً به فکر انسان نیاز دارند: تشخیص چهره در عکس، فهمیدن یک جمله، پیشنهاد دادن یک فیلم یا بازی کردن شطرنج. بیشتر هوش مصنوعی امروز از راه یادگیری ماشین (Machine Learning) ساخته می‌شود؛ یعنی به جای این‌که قانون‌ها را یکی‌یکی بنویسیم، به کامپیوتر مثال نشان می‌دهیم تا خودش الگو را پیدا کند.

هوش مصنوعی با پایتون برای نوجوانان کاملاً شدنی است. لازم نیست ریاضی دانشگاهی بلد باشی تا ایده‌های اصلی را بفهمی و اولین مدل کوچکت را بسازی. در این مقاله، بدون هیاهو و اغراق، می‌بینیم هوش مصنوعی واقعاً چطور کار می‌کند، با چند خط پایتون یک مدل ساده می‌سازیم و مسیر یادگیری را بر اساس سن مرور می‌کنیم.

هوش مصنوعی چیست و چه چیزی نیست؟

در فیلم‌ها، هوش مصنوعی معمولاً رباتی است که فکر می‌کند، احساس دارد و تصمیم می‌گیرد دنیا را بگیرد. واقعیت خیلی ساده‌تر و در عین حال جالب‌تر است. هوش مصنوعی امروز مجموعه‌ای از روش‌های ریاضی و آماری است که از روی داده الگو پیدا می‌کنند.

یک فیلتر هرزنامه (spam) را در نظر بگیر. می‌شود هزار قانون نوشت: «اگر کلمه‌ی جایزه آمد، هرزنامه است.» اما فرستنده‌ها زود راه دور زدن قانون‌ها را پیدا می‌کنند. در یادگیری ماشین، هزاران ایمیل را که قبلاً برچسب «هرزنامه» یا «سالم» خورده‌اند به مدل می‌دهیم تا خودش یاد بگیرد چه نشانه‌هایی مهم‌اند.

چند نکته که خوب است از همین اول بدانی:

  • هوش مصنوعی همه‌چیزدان نیست؛ فقط در کاری که برایش آموزش دیده خوب است.
  • اشتباه می‌کند، گاهی با اطمینان کامل.
  • کیفیتش به داده بستگی دارد. داده‌ی بد، مدل بد می‌سازد.
  • فکر و احساس به معنای انسانی ندارد، حتی اگر جمله‌هایش طبیعی به نظر برسد.

داده، ویژگی و برچسب: زبان یادگیری ماشین

برای این‌که بفهمیم یک مدل چطور یاد می‌گیرد، باید سه کلمه را بشناسیم:

مفهومیعنی چهمثال در تشخیص میوه
داده (data)مجموعه‌ی مثال‌هاصد میوه که اندازه‌گیری کرده‌ایم
ویژگی (feature)چیزهایی که از هر مثال اندازه می‌گیریموزن، نرمی، رنگ
برچسب (label)جواب درستی که می‌خواهیم مدل پیش‌بینی کندسیب یا موز

کار مدل این است که از روی ویژگی‌ها، برچسب را حدس بزند. در مرحله‌ی آموزش (training) مثال‌ها همراه با جواب درست به مدل داده می‌شوند. در مرحله‌ی آزمون (test) مثال‌هایی را که مدل هرگز ندیده به آن می‌دهیم تا ببینیم واقعاً یاد گرفته یا فقط جواب‌ها را حفظ کرده است. این تفاوت خیلی مهم است: مدلی که فقط حفظ کند، روی داده‌ی جدید شکست می‌خورد. به این مشکل بیش‌برازش (overfitting) می‌گویند.

نزدیک‌ترین همسایه: یک مدل واقعی با پایتون ساده

یکی از ساده‌ترین روش‌های یادگیری ماشین نزدیک‌ترین همسایه (Nearest Neighbor) است. ایده‌اش این است: برای حدس زدن برچسب یک چیز جدید، شبیه‌ترین مثالی را که قبلاً دیده‌ایم پیدا کن و برچسب همان را بگو. درست مثل وقتی که میوه‌ای ناشناخته می‌بینی و می‌گویی «شبیه هلو است، پس احتمالاً هلوست».

بیا با پایتون خالص، بدون هیچ کتابخانه‌ای، یک مدل تشخیص میوه بسازیم. هر میوه دو ویژگی دارد: وزن به گرم و نرمی از ۱ تا ۱۰.

data = [
    ((150, 3), "apple"),
    ((170, 2), "apple"),
    ((120, 8), "banana"),
    ((130, 9), "banana"),
]

def distance(a, b):
    return ((a[0] - b[0]) ** 2 + (a[1] - b[1]) ** 2) ** 0.5

def predict(new):
    nearest = min(data, key=lambda item: distance(item[0], new))
    return nearest[1]

print(predict((160, 4)))  # apple

تابع distance فاصله‌ی دو نقطه را با همان فرمول فیثاغورس حساب می‌کند. اگر هر میوه را یک نقطه روی صفحه‌ی مختصات تصور کنی، میوه‌های شبیه به هم کنار هم می‌افتند. تابع predict نزدیک‌ترین مثال را با min پیدا می‌کند و برچسبش را برمی‌گرداند. میوه‌ای با وزن ۱۶۰ گرم و نرمی ۴ به سیب‌ها نزدیک‌تر است، پس جواب apple است.

همین مثال کوچک یک درس مهم هم دارد: وزن عددی در حد صدها است و نرمی در حد ده. یعنی وزن در محاسبه‌ی فاصله خیلی پررنگ‌تر است. در کار واقعی، ویژگی‌ها را اول هم‌مقیاس می‌کنند تا هیچ‌کدام بی‌دلیل غالب نشود. نسخه‌ی کامل‌تر این روش، k نزدیک‌ترین همسایه (k-NN)، به جای یک همسایه چند همسایه را نگاه می‌کند و رأی اکثریت را می‌گیرد.

شبکه‌ی عصبی: ایده‌ی پشت مدل‌های بزرگ

بیشتر هوش مصنوعی‌های معروف امروز، از تشخیص تصویر تا چت‌بات‌ها، بر پایه‌ی شبکه‌ی عصبی (Neural Network) ساخته شده‌اند. اسمش از مغز الهام گرفته، اما در اصل یک ماشین حساب بزرگ است.

واحد پایه‌ی شبکه نورون است. یک نورون چند عدد ورودی می‌گیرد، هر کدام را در یک وزن (weight) ضرب می‌کند، همه را جمع می‌زند، یک عدد ثابت به اسم بایاس (bias) اضافه می‌کند و بر اساس نتیجه تصمیم می‌گیرد:

def neuron(inputs, weights, bias):
    total = bias
    for x, w in zip(inputs, weights):
        total += x * w
    return 1 if total > 0 else 0

print(neuron([0, 0], [0.6, 0.6], -0.5))  # 0
print(neuron([1, 0], [0.6, 0.6], -0.5))  # 1
print(neuron([1, 1], [0.6, 0.6], -0.5))  # 1

با این وزن‌ها، نورون مثل دروازه‌ی منطقی «یا» (OR) رفتار می‌کند: اگر حداقل یکی از ورودی‌ها ۱ باشد، خروجی ۱ است. جادوی یادگیری این است که این وزن‌ها را ما تعیین نمی‌کنیم. مدل با عددهای تصادفی شروع می‌کند، روی مثال‌ها جواب می‌دهد، اشتباهش را اندازه می‌گیرد و وزن‌ها را کمی در جهت درست اصلاح می‌کند. این کار هزاران بار تکرار می‌شود. پس آموزش یعنی اصلاح قدم‌به‌قدم اشتباه.

وقتی نورون‌ها را در چند لایه پشت هم بگذاری، شبکه می‌تواند الگوهای خیلی پیچیده را یاد بگیرد؛ مثلاً تشخیص بدهد یک عکس کوچک، رقم ۳ است یا ۸. مدل‌های بزرگ امروزی میلیاردها وزن دارند، اما ایده‌ی پایه همان است که دیدی.

چرا پایتون زبان اول هوش مصنوعی است؟

پایتون تنها زبانی نیست که در هوش مصنوعی به کار می‌رود، اما بی‌تردید رایج‌ترین آن‌هاست. دلیلش فقط سادگی نیست؛ مهم‌تر از آن، کتابخانه‌ها هستند:

  • NumPy: کار سریع با آرایه‌ها و ماتریس‌ها. بیشتر کتابخانه‌های دیگر روی آن ساخته شده‌اند.
  • pandas: خواندن، تمیز کردن و تحلیل داده‌های جدولی، مثل یک اکسل قدرتمند با کد.
  • scikit-learn: مجموعه‌ای کامل از روش‌های کلاسیک یادگیری ماشین مثل k-NN، درخت تصمیم و رگرسیون.
  • PyTorch: ساختن و آموزش شبکه‌های عصبی، از مدل‌های کوچک تا خیلی بزرگ، و پرکاربرد در پژوهش.

برای مثال، همان مدل نزدیک‌ترین همسایه را با scikit-learn این‌طور می‌نویسند:

from sklearn.neighbors import KNeighborsClassifier

X = [[150, 3], [170, 2], [120, 8], [130, 9]]
y = ["apple", "apple", "banana", "banana"]

model = KNeighborsClassifier(n_neighbors=1)
model.fit(X, y)
print(model.predict([[160, 4]]))  # ['apple']

fit یعنی آموزش و predict یعنی پیش‌بینی. کوتاه و تمیز است، اما توصیه‌ی ما این است که اول نسخه‌ی دست‌ساز را بنویسی تا بفهمی پشت این دو کلمه چه اتفاقی می‌افتد. کسی که فقط fit را بلد است، وقتی مدل بد کار کند نمی‌داند چه کند. اگر هنوز با خود زبان آشنا نیستی، مقاله‌ی پایتون چیست؟ نقطه‌ی شروع خوبی است.

مدل‌های زبانی و پرامپت‌نویسی

چت‌بات‌هایی که این روزها همه از آن‌ها حرف می‌زنند، مدل‌های زبانی بزرگ (Large Language Models) هستند. ایده‌ی اصلی‌شان، با کمی ساده‌سازی، این است: با دیدن حجم عظیمی از متن، یاد گرفته‌اند کلمه‌ی بعدی را پیش‌بینی کنند. وقتی این پیش‌بینی را بارها پشت هم انجام دهند، یک پاسخ کامل ساخته می‌شود.

متنی که به مدل می‌دهی پرامپت (prompt) نام دارد. پرامپت خوب معمولاً این‌ها را دارد:

  1. نقش یا زمینه: «تو معلم ریاضی پایه‌ی هشتم هستی.»
  2. کار مشخص: «این مسئله را قدم‌به‌قدم توضیح بده.»
  3. قالب جواب: «در حداکثر پنج خط و با یک مثال.»
  4. محدودیت‌ها: «جواب نهایی را نگو، فقط راهنمایی کن.»

یک هشدار مهم: مدل‌های زبانی گاهی چیزهایی می‌سازند که واقعی نیست، اما با لحن مطمئن می‌گویند. به این رفتار «توهم» (hallucination) می‌گویند. برای همین هر اطلاعات مهمی را باید از منبع معتبر بررسی کرد. همچنین برخی سرویس‌های خارجی هوش مصنوعی ممکن است برای کاربران ایرانی محدودیت داشته باشند؛ خوشبختانه برای یاد گرفتن مفهوم‌ها، مدل‌های کوچکی که خودت با پایتون می‌سازی کافی‌اند.

اخلاق هوش مصنوعی: سؤال‌هایی که باید پرسید

هر کسی که هوش مصنوعی می‌سازد یا از آن استفاده می‌کند، باید به چند سؤال فکر کند:

  • سوگیری (bias): اگر داده‌ی آموزشی فقط از یک گروه آدم‌ها باشد، مدل برای بقیه بد کار می‌کند یا حتی ناعادلانه تصمیم می‌گیرد.
  • حریم خصوصی: داده‌ها از کجا آمده‌اند؟ صاحبانشان اجازه داده‌اند؟ هرگز اطلاعات شخصی دیگران را بدون اجازه به یک سرویس هوش مصنوعی نده.
  • صداقت: تحویل دادن تکلیفی که هوش مصنوعی نوشته به اسم خودت، تقلب است و جلوی یادگیری خودت را هم می‌گیرد.
  • مسئولیت: وقتی یک مدل اشتباه می‌کند، چه کسی جواب‌گوست؟ پاسخ همیشه انسان‌هایی است که آن را ساخته یا به کار برده‌اند.

استفاده‌ی درست از هوش مصنوعی مثل استفاده از ماشین حساب است: ابزاری که کمکت می‌کند، نه چیزی که به جای تو فکر کند.

برای هوش مصنوعی چقدر ریاضی لازم است؟

ریاضی مهم است، اما نباید بهانه‌ای برای شروع نکردن باشد. ریاضی لازم را می‌شود هم‌زمان با کدنویسی و به‌تدریج یاد گرفت:

مقطعریاضی‌ای که کمک می‌کندچه کاری با آن می‌کنی
دبستانجمع و ضرب، جدول، مقایسه‌ی عددهادسته‌بندی ساده و درک داده
متوسطه اولمختصات، میانگین، درصد، نمودارنزدیک‌ترین همسایه، پیدا کردن خط
متوسطه دومتابع، احتمال، بردار، مفهوم شیبرگرسیون، نورون، آموزش با اصلاح خطا
دانشگاهجبر خطی، حسابان، آمارفهم عمیق شبکه‌های بزرگ و پژوهش

نکته‌ی جالب این است که کدنویسی، ریاضی را ملموس می‌کند. وقتی با پایتون فاصله‌ی دو نقطه را حساب می‌کنی تا مدلت کار کند، فیثاغورس دیگر یک فرمول خشک کتاب درسی نیست.

از کجا شروع کنم؟ مسیر هوش مصنوعی در Battle Code

مسیر پیشنهادی ما برای یاد گرفتن هوش مصنوعی با پایتون، قدم‌به‌قدم است:

  1. پایتون پایه: متغیر، شرط، حلقه، لیست، تابع و دیکشنری. اگر تازه‌کاری، از دوره‌ی اصلی پایتون شروع کن. برای تمرین روزانه هم تمرین‌های روزانه هست.
  2. دوره‌ی هوش مصنوعی: دوره‌ی هوش مصنوعی با پایتون در ۸۰ جلسه از هوش مصنوعی چیست؟ شروع می‌شود، در جلسه‌ی ۶ همین نزدیک‌ترین همسایه را می‌سازی، در جلسه‌ی ۹ شبکه‌ی عصبی با دست و در جلسه‌ی ۱۳ با مدل‌های زبانی و پرامپت آشنا می‌شوی. جلسه‌ی ۱۵ هم به اخلاق و آینده می‌پردازد.
  3. کتابخانه‌ها: در بخش کتابخانه‌ها می‌توانی NumPy و کتابخانه‌های دیگر را مستقیم در مرورگر امتحان کنی، بدون نصب.

همه‌ی این‌ها در مرورگر اجرا می‌شوند و برای شروع به کامپیوتر قوی یا نصب نرم‌افزار نیازی نیست.

سؤال‌های پرتکرار

از چند سالگی می‌شود هوش مصنوعی یاد گرفت؟

ایده‌های پایه مثل داده، مثال و دسته‌بندی را حتی بچه‌های دبستانی هم می‌فهمند. برای ساختن مدل با پایتون، معمولاً از حدود دوازده سیزده سالگی و بعد از یاد گرفتن پایتون پایه، شروع کردن راحت‌تر است.

آیا قبل از هوش مصنوعی باید پایتون را کامل یاد بگیرم؟

کامل نه، اما پایه‌ها لازم است. وقتی با متغیر، شرط، حلقه، لیست و تابع راحت شدی، می‌توانی سراغ هوش مصنوعی بروی و بقیه‌ی پایتون را در مسیر یاد بگیری.

فرق هوش مصنوعی و یادگیری ماشین چیست؟

هوش مصنوعی اسم کلی همه‌ی روش‌هایی است که کامپیوتر را در کارهای فکری توانا می‌کند. یادگیری ماشین یکی از شاخه‌های آن است که در آن کامپیوتر از روی مثال‌ها یاد می‌گیرد، به جای این‌که قانون‌ها مستقیم برایش نوشته شوند. بیشتر هوش مصنوعی امروز از این شاخه است.

آیا هوش مصنوعی شغل برنامه‌نویس‌ها را می‌گیرد؟

هوش مصنوعی بخشی از کارهای تکراری برنامه‌نویسی را سریع‌تر می‌کند، اما فهمیدن مسئله، طراحی راه‌حل، بررسی درستی کد و تصمیم‌گیری هنوز به انسان نیاز دارد. کسانی که هم برنامه‌نویسی بلدند و هم می‌دانند هوش مصنوعی چطور کار می‌کند، در موقعیت بهتری خواهند بود.

برای شروع هوش مصنوعی به کامپیوتر قوی نیاز دارم؟

برای یاد گرفتن مفهوم‌ها و ساختن مدل‌های کوچک نه. مدل‌های آموزشی روی هر کامپیوتر معمولی و حتی در مرورگر اجرا می‌شوند. کامپیوترهای خیلی قوی فقط برای آموزش مدل‌های بسیار بزرگ لازم‌اند.

همین حالا روی Battle Code تمرین کن

مقاله‌های دیگر

همه‌ی مقاله‌ها