هوش مصنوعی ۱
هوش مصنوعی جادو نیست؛ چند ایدهی ساده است با اسمهای انگلیسی. این هشت کلمه پایهی هر خبر و هر درسی دربارهی هوش مصنوعیاند.
دو اسم کنار هم
در انگلیسی وقتی دو اسم کنار هم میآیند، اسم اول مثل صفت دومی را توضیح میدهد و معنیِ اصلی با کلمهی آخر است. machine learning یعنی «یادگیریِ ماشین»، training data یعنی «دادهی آموزش» و language model یعنی «مدلِ زبان». پس برای ترجمه از آخر به اول بخوان، درست برعکس فارسی.
هشت کلمهی این درس
artificial intelligence (آرتیفیشال اینتِلیجِنس): هوش مصنوعی؛ کارهای هوشمندانه به دست کامپیوتر
artificial یعنی «مصنوعی، ساختهی دست آدم» (مثل گل مصنوعی) و intelligence یعنی «هوش». artificial intelligence یعنی کامپیوتر کارهایی بکند که پیشتر فکر میکردیم فقط از آدم برمیآید: فهمیدن حرف، شناختن چهره در عکس، ترجمه، بازی شطرنج، نوشتن متن. این یک اسم بزرگ برای کل این رشته است، نه یک ابزار مشخص. در برنامههای عادی آدم قانونها را خطبهخط مینویسد؛ در بیشتر هوش مصنوعیِ امروز، کامپیوتر قانونها را خودش از روی مثالهای فراوان پیدا میکند.
This app uses artificial intelligence to translate your voice.
این برنامه برای ترجمهی صدای تو از هوش مصنوعی استفاده میکند.
machine learning (مَشین لِرنینگ): یادگیری ماشین؛ یاد گرفتن کامپیوتر از روی مثال
machine یعنی ماشین و learning یعنی یادگیری. machine learning روشی است که در آن بهجای نوشتن قانون، به کامپیوتر مثال میدهی تا خودش الگو را پیدا کند. به بچه با نوشتن فهرست قانون یاد نمیدهی گربه چیست؛ چند گربه نشانش میدهی و خودش میفهمد. اینجا هم هزاران عکس با برچسب «گربه» و «سگ» به برنامه میدهی و بعد از آن، عکس تازهای را که هرگز ندیده درست تشخیص میدهد. این شاخهای از هوش مصنوعی است و بیشتر هوش مصنوعیِ امروز با همین روش ساخته شده.
Email apps use machine learning to find spam.
برنامههای ایمیل برای پیدا کردن هرزنامه از یادگیری ماشین استفاده میکنند.
model (مادِل): مدل؛ برنامهای که از روی داده یاد گرفته و جواب میدهد
model در انگلیسی یعنی نمونهی کوچک و سادهشده از یک چیز واقعی، مثل ماکت یک ساختمان. در هوش مصنوعی، model حاصلِ یادگیری است: یک فایل بزرگ پر از عدد که الگوهای داده را در خودش نگه داشته. به آن ورودی میدهی (یک عکس، یک جمله) و خروجی میگیری (اسم چیزی که در عکس است، ادامهی جمله). مثل شاگردی که درسش را خوانده و حالا آمادهی جواب دادن است. یک معنی دیگر هم دارد: در برنامههای وب، model کلاسی است که شکل داده را میگوید، مثل مدل User با نام و ایمیل.
The new model answers faster and makes fewer mistakes.
مدل تازه زودتر جواب میدهد و کمتر اشتباه میکند.
training (تِرِینینگ): آموزش؛ مرحلهای که مدل از روی داده یاد میگیرد
train بهعنوان فعل یعنی تمرین دادن و آموزش دادن؛ مربی ورزش trainer است. training مرحلهای است که در آن مدل ساخته میشود: مثالها را بارها و بارها به آن نشان میدهند، هر بار جوابش را با جواب درست مقایسه میکنند و عددهای درونش را کمی جابهجا میکنند تا دفعهی بعد کمتر اشتباه کند. مثل تمرین پرتاب بسکتبال: هزار بار میاندازی و هر بار دستت را کمی تنظیم میکنی. این مرحله برای مدلهای بزرگ هفتهها طول میکشد و کامپیوترهای خیلی قوی میخواهد.
Training the model took three days on eight GPUs.
آموزش دادن مدل روی هشت GPU سه روز طول کشید.
dataset (دِیتاسِت): مجموعهداده؛ دستهای مرتب از داده برای یک کار
data یعنی داده و set یعنی «دسته، مجموعه» (مثل یک دست قاشق و چنگال). dataset یک مجموعهی مرتب از داده است که برای یک کار مشخص جمع شده: ده هزار عکس گربه و سگ با برچسب، یا جدول دمای هر روزِ ده سال. در هوش مصنوعی، dataset همان کتاب درسی مدل است: هر چه مدل میداند از آن یاد گرفته. برای همین کیفیتش خیلی مهم است؛ اگر کتاب درسی غلط یا یکطرفه باشد، شاگرد هم غلط یاد میگیرد.
The dataset contains 50,000 labeled photos.
این مجموعهداده ۵۰٬۰۰۰ عکس برچسبخورده دارد.
neural network (نورال نِتوِرک): شبکهی عصبی؛ ساختار لایهلایهای که مدلها با آن ساخته میشوند
neural یعنی «مربوط به عصب» (neuron همان سلول عصبی مغز است) و network یعنی شبکه. neural network یک ساختار ریاضی است که از مغز الهام گرفته: هزاران یا میلیاردها واحد کوچک که به هم وصلاند و در چند لایه چیده شدهاند. هر واحد چند عدد میگیرد، حساب سادهای میکند و نتیجه را به لایهی بعد میدهد. هر اتصال یک «وزن» دارد و یادگیری یعنی تنظیم همین وزنها. مثل خط تولیدی که در هر ایستگاهش یک نفر کار کوچکی میکند و آخر خط، جواب بیرون میآید. فقط شبیه مغز است، خودِ مغز نیست.
A neural network learns by changing the weights between its layers.
شبکهی عصبی با تغییر دادن وزنهای بین لایههایش یاد میگیرد.
inference (اینفِرِنس): استنتاج؛ استفاده از مدلِ آماده برای جواب گرفتن
infer در انگلیسی یعنی «از روی نشانهها نتیجه گرفتن»، مثل کارآگاهی که از رد پا میفهمد چه کسی آمده. در هوش مصنوعی، inference مرحلهی بعد از training است: مدل دیگر یاد نمیگیرد، فقط از چیزی که یاد گرفته استفاده میکند تا به ورودی تازه جواب بدهد. training مثل درس خواندن است و inference مثل جواب دادن سر جلسهی امتحان. هر بار که از یک چتبات چیزی میپرسی، یک inference انجام میشود. آموزش یک بار و گران است؛ inference میلیونها بار و هر بار ارزان.
Inference is fast on this phone because the model is small.
استنتاج روی این گوشی سریع است، چون مدل کوچک است.
fine-tuning (فاینتیونینگ): تنظیم دقیق؛ آموزش کوتاهِ یک مدل آماده برای کاری خاص
tune یعنی کوک کردن ساز و fine اینجا یعنی «ظریف، دقیق»؛ fine-tune یعنی آن پیچهای آخر که ساز را دقیقِ دقیق میکند. در هوش مصنوعی، fine-tuning یعنی مدلی را که از پیش آموزش دیده برداری و با دادهی کمترِ خودت کمی بیشتر آموزشش بدهی تا در یک کار مشخص بهتر شود. مثل دکتر عمومی که چند سال دیگر میخواند و متخصص قلب میشود: لازم نیست پزشکی را از اول بخواند. این کار از ساختن مدل از صفر خیلی ارزانتر و سریعتر است.
After fine-tuning, the model writes better medical reports.
بعد از تنظیم دقیق، مدل گزارشهای پزشکی بهتری مینویسد.
از داده تا جواب
How does machine learning work? First you collect a dataset, for example 10,000 photos of cats and dogs with labels. Then comes training: a neural network looks at the photos again and again and slowly learns the difference. The result is a model. Using the model on a new photo is called inference, and it is very fast. If your photos are special, for example X-ray images, you can take a ready model and improve it with fine-tuning.
یادگیری ماشین چطور کار میکند؟ اول یک مجموعهداده جمع میکنی، مثلاً ۱۰٬۰۰۰ عکس برچسبدار از گربه و سگ. بعد نوبت آموزش است: یک شبکهی عصبی عکسها را بارها و بارها نگاه میکند و کمکم فرق را یاد میگیرد. نتیجه یک مدل است. به استفاده از مدل روی یک عکس تازه استنتاج میگویند و خیلی سریع است. اگر عکسهایت خاصاند، مثلاً عکس رادیولوژی، میتوانی یک مدل آماده را برداری و با تنظیم دقیق بهترش کنی.