کتاب هوش مصنوعی و تکامل یادگیری ماشین اثر امیر شکری

امیر شکری در کتاب هوش مصنوعی و تکامل یادگیری ماشین، تلاش کرده تا روایتی مرحله‌به‌مرحله از مسیر تحول هوش مصنوعی ارائه دهد. مسیری که از مدل‌های آماری ساده آغاز می‌شود و به شبکه‌های عصبی، یادگیری عمیق و مدل‌های زبانی پیشرفته می‌رسد. تمرکز کتاب بیش از هر چیز بر توضیح منطق این تحول و چرایی شکل‌گیری هر نسل از مدل‌های هوش مصنوعی است.

درباره‌ی کتاب هوش مصنوعی و تکامل یادگیری ماشین

امیر شکری در کتاب هوش مصنوعی و تکامل یادگیری ماشین، این پرسش را پیش می‌کشد که ماشین‌ها چگونه یاد می‌گیرند و طی چه مسیری از تشخیص الگوهای ساده به توانایی‌هایی مانند تحلیل تصویر، پردازش زبان و تولید متن رسیده‌اند. او برای پاسخ به این پرسش، سیر تحول یادگیری ماشین را از مدل‌های اولیه تا معماری‌های پیشرفته‌ی امروز دنبال می‌کند.

این تحول به صورت یک جهش ناگهانی به وقوع نمی‌پیوندد، بلکه از دید امیر شکری حاصل مجموعه‌ای از پیشرفت‌های پیوسته و مداوم است، از بهبود الگوریتم‌ها و گسترش دادها گرفته تا افزایش توان پردازشی رایانه‌ها. نویسنده با دنبال کردن این روند نشان می‌دهد که چگونه محدودیت‌های هر نسل از مدل‌ها، زمینه را برای شکل‌گیری نسل بعدی فراهم کرده و سرانجام به ظهور شبکه‌های عصبی عمیق، ترانسفورمرها و مدل‌های زبانی پیچیده و مولد انجامیده است.

از شبکه‌های عصبی تا مدل‌های زبانی

امیر شکری در کتاب هوش مصنوعی و تکامل یادگیری ماشین بیان می‌کند که با گسترش شبکه‌های عصبی و یادگیری عمیق، دامنه‌ی توانایی ماشین‌ها نیز وسیع‌تر شد. مدل‌ها دیگر فقط به دسته‌بندی یا پیش‌بینی محدود نماندند و توانستند در حوزه‌هایی مانند تشخیص تصویر، تحلیل داده‌های دنباله‌ای و پردازش زبان عملکرد پیچیده‌تری پیدا کنند. کتاب این تغییر را نقطه‌ای مهم در گذار از الگوریتم‌های کلاسیک به سامانه‌های هوشمند امروزی می‌داند.

در ادامه، نویسنده به ظهور ترانسفورمرها می‌پردازد؛ معماری‌هایی که امکان درک بهتر روابط میان کلمات و بخش‌های مختلف و گونه‌گون متن را فراهم کردند. این تحول، زمینه‌ساز شکل‌گیری مدل‌های پیچیده‌ای مانند BERT و GPT و در نهایت گسترش هوش مصنوعی مولد شد؛ سامانه‌هایی که می‌توانند متن تولید کنند، به پرسش‌ها پاسخ دهند و وظایف زبانی متنوعی را انجام دهند.

اخلاق در عصر تصمیم‌های الگوریتمی

با رسیدن به دوران معاصر و پیشرفت قابل توجه هوش مصنوعی مولد در تقریبا تمامی زمینه‌ها، بحث از توانایی‌های فنی و ویژگی‌های بنیادین آن فراتر می‌رود و به پیامدهای استفاده از این فناوری می‌رسد. سوگیری داده‌ها، مسئله‌ی حریم خصوصی، اطلاعات دروغ و ساختگی و مسئولیت انسانی از جمله موضوعاتی هستند که نویسنده در پیوند با آینده‌ی هوش مصنوعی مطرح می‌کند.

با خرید کتاب هوش مصنوعی و تکامل یادگیری ماشین، با تصویری منسجم از مسیر شکل‌گیری و پیشرفت این فناوری آشنا می‌شوید؛ از نخستین الگوهای یادگیری ماشین تا شبکه‌های عصبی، مدل‌های زبانی و هوش مصنوعی مولد. امیر شکری تلاش کرده است مفاهیم اصلی این حوزه را بدون توضیحاتی سنگین و تخصصی برای طیف متنوعی از مخاطبین توضیح دهد و در عین حال، رابطه‌ی میان گذشته، وضعیت کنونی و آینده‌ی هوش مصنوعی را برای خواننده روشن کند. این اثر توسط انتشارات راهبری اصیل منتشر شده است.

کتاب هوش مصنوعی و تکامل یادگیری ماشین برای شما مناسب است اگر

• می‌خواهید بدون نیاز به دانش تخصصی برنامه‌نویسی یا ریاضیات، با مفاهیم اصلی هوش مصنوعی و ماشین لرنینگ آشنا شوید.
• به تاریخچه‌ی هوش مصنوعی و مسیری که از الگوریتم‌های ساده به شبکه‌های عصبی، یادگیری عمیق و مدل‌های زبانی رسیده است علاقه دارید.
• اصطلاحاتی مانند شبکه عصبی مصنوعی، ترانسفورمر و هوش مصنوعی مولد را شنیده‌اید، اما می‌خواهید رابطه‌ی میان آن‌ها را بهتر درک کنید.
• در کنار قابلیت‌های هوش مصنوعی، می‌خواهید با موضوعاتی مانند سوگیری، حریم خصوصی، اطلاعات نادرست و دیگر خطرات هوش مصنوعی نیز آشنا شوید.

در بخشی از کتاب هوش مصنوعی و تکامل یادگیری ماشین می‌خوانیم

تا چند دهه پیش، فقط انسان‌ها می‌توانستند تصاویر را «بفهمند». مغز ما طوری تکامل یافته که با یک نگاه، تفاوت میان چهره‌ی دوست و غریبه، گربه و سگ، یا حتی یک لبخند واقعی و مصنوعی را تشخیص می‌دهد. حالا یک سؤال جالب: آیا ممکن است ماشینی هم بتواند ببیند و بفهمد؟

پاسخ شگفت‌انگیز است: بله، و قلب این توانایی چیزی است به نام شبکه‌ی عصبی پیچشی یا CNN.

وقتی به یک تصویر نگاه می‌کنیم، آن را به‌صورت کلی نمی‌فهمیم؛ ابتدا شکل‌ها، لبه‌ها، رنگ‌ها، و الگوهای تکرارشونده را می‌بینیم و به‌ مرور، تصویر را در ذهن‌مان می‌سازیم. CNN دقیقا همین کار را تقلید می‌کند: با عبور تصویر از چندین لایه‌ی فیلترکننده (که به آن‌ها «فیلتر پیچشی» گفته می‌شود)، شبکه کم‌کم یاد می‌گیرد در تصویر به دنبال چه چیزی بگردد – مثلا لبه‌ی گوش گربه، شکل چشم، یا چین ‌و چروک صورت انسان.

در واقع، CNN کاری نمی‌کند جز اینکه «یاد بگیرد به چه چیزی دقت کند». و این نکته فوق‌العاده است: چون برخلاف برنامه‌نویسی سنتی، هیچکس به ماشین نمی‌گوید «اگر گوش دیدی = گربه». ماشین خودش یاد می‌گیرد چه چیزهایی یک گربه را گربه می‌کند.

CNNها امروز در همه‌جا هستند: در گوشی شما وقتی قفل با چهره باز می‌شود، در فیلترهای اینستاگرام، در سیستم‌های نظارتی، در خودروهای خودران، و حتی در پزشکی برای تشخیص تومور در عکس‌های سی ‌تی ‌اسکن.

چه چیزی باعث شده که ماشین بتواند «ببیند»؟ یک ایده‌ی هوشمندانه، چند خط ریاضی، و هزاران تصویر آموزشی. عجیب نیست؟

اگر تا دیروز فقط انسان‌ها چشم داشتند، حالا ماشین‌ها هم «چشم‌هایی الگوریتمی» دارند - و کنجکاوند دنیا را از دریچه‌ی خودشان ببینند.