نگاهی به هوش مصنوعی از دید برنامه نویسی
- بهدست: معاونت فنی
- دستهبندی: دستهبندی نشده
قسمت اول:
دوستانی که مقداری هر چند اندک برنامه نویسی کار کرده باشند، با دستورات شرطی مثل if, else آشنا هستن، در نگاه سنتی یا به اصطلاح قاعده محور(rule base) برای اینکه یک ماشین به اصطلاح بتونه تصمیم گیری کنه، برنامه نویس باید مو به مو برای ماشین و در قالب کدهای برنامه، مسئله رو تشریح کنه و در واقع گام به گام به ماشین بگه چیکار کنه و چیکار نکنه.
❗اما در رویکرد هوش مصنوعی و یادگیری ماشین این توضیح گام به گام دیگه وجود نداره و عملا شما ساختارهایی مانند دستورات شرطی رو دیگه استفاده نمی کنید.
💡به عنوان مثلا فرض کنید قصد داریم برنامه ای بنویسیم که معدل رو دریافت کنه و پیغام قبولی یا مردودی رو به کاربر نشون بده، طبق رویکرد rule base برنامه به این شکل خواهد بود:
if (avg >=10):
Print(“قبول”)
Else
Print(“مردود”)
توی این مثال ما باید با یک ساختار شرطی گام به گام به ماشین بگیم اگر این بود، این رو انجام بده، اگر این نبود اون یکی رو انجام بده و الی آخر…که این صورت از کدنویسی رو در هوش مصنوعی عملا استفاده نمی کنیم!
Rule base 🆚 Machine learning
خب با این توضیح، پس ماشین چطور تصمیم میگیره؟
در رویکرد جدید یا همان هوش مصنوعی(البته به لحاظ مباحث تئوری قدمتی در حد چند دهه دارد)، یک مرحله با نام مرحله آموزش(train) وجود دارد که در این مرحله به ماشین یاد میدهیم چطور در مسئله مورد نظرمون تصمیم بگیرد.
به قول معروف به جای اینکه ماهی بدهیم دستش، ماهی گیری یادش بدهیم 🐠
❓در واقع سوال اصلی اینجاست که چطور به آن یاد بدهیم؟
💡جواب این است که، با استفاده از داده، یعنی چی؟ یعنی اینکه، ما داده هایی باید داشته باشیم که به ماشین بدهیم و از روی انها چیزی که ما میخواهیم را یاد بگیرد. همراه باشید با یک مثال در قسمت بعد…
و اما مثال…
💡فرض کنید همین chat gpt، وقتی شما بپرسید مثلا رادیو چطور کار میکند، از کجا جواب شما را میدهد❓
✅ از داده هایی که از روی انها یاد گرفته
یعنی ده ها و صدها مطلب در مورد رادیو به chat gpt داده شده که از روی انها مرحله آموزش(train) را انجام بدهد و یاد بگیرد که بعد از ان بتواند جواب سوال شما را بدهد، جالب است بدانید که مطالبی که به chat gpt در مرحله اموزش داده شده، حدود ۸۰ میلیون مطلب بوده🗞
یک مثال دیگر…
🔻 فرض کنید قصد داریم مدلی طراحی کنیم که لیوان های معیوب را از لیوان های سالم جدا کند، طراحی این مدل با رویکرد rule base به این صورت هست که باید بعد از ثبت تصویر از یک لیوان، پیکسل به پیکسل جلو برویم و بتونیم لیوان را در تصویر تشخیص بدهیم، بعد باید تصویر تشخیص داده شده لیوان را بررسی کنیم که ایا در جاهایی از تصویر پیکسل هایی که نشان دهنده لیوان معیوب هست وجود دارد یا خیر و ادامه ماجرا(البته خیلی ابتدایی و ساده گفته شد).
✅ اما در هوش مصنوعی و یادگیری ماشین، در مرحله آموزش مدل، تصاویر صدها لیوان معیوب به الگوریتم داده می شود که از روی انها یاد میگیرد لیوان معیوب چه شکل هایی می تواند داشته باشد و بعد از مرحله اموزش و در مواجهه با تصویر یک لیوان جدید، تشخیص خواهد داد که با چه احتمالی لیوان موجود در ان تصویر معیوب هست یا سالم.
در یادگیری ماشین، ما به جای نوشتن الگوریتمهای خاص برای حل مسئله و بدون نیاز به برنامهریزی صریح، مدلهای هوش مصنوعی را با دادههای آموزشی، آموزش میدهیم تا بتوانند به صورت خودکار برای مسائل مشابه تصمیمگیری و پیشبینی کنند.
لینک فیلم ضبط شده کلاس:
https://drive.google.com/file/d/19lLu1n4emCAGqfK6m7mISDlzWoNe5eFg/view?usp=sharing
لینک سایت هایی که در کارگاه معرفی شد
1.generate text:
https://flowgpt.com/chat
2.text to voice:
https://app.synthesys.live/actors
3.create video
https://studio.d-id.com/
text, image–> to video:
https://app.runwayml.com/video-tools/teams/frshte_s/ai-tools/gen-2
exam
https://quizgecko.com/create?quiz_id=206076
https://quizgecko.com/
powerpoint:
https://tome.app/
intstall extention:
MagicSlides App
https://workspace.google.com/marketplace/app/magicslides_app_gpt_for_slides/371894645570
https://docs.google.com/presentation/u/0
بدون دیدگاه