برنامه نویسی کودکان و نوجوانان

 برای آن تلاش کنید در سال‌های پس از استقرار گسترده هوش مصنوعی حل تکالیف  آن، که در دهه 1970 آغاز شد، یادگیری ماشین بر تعدادی از صنایع، از جمله دستاوردهایی در تجزیه و تحلیل تصویربرداری پزشکی و پیش‌بینی آب و هوا با وضوح بالا، تأثیر گذاشته است.

 

حجم و پیچیدگی داده‌هایی که اکنون تولید می‌شوند، برای انسا هوش مصنوعی حل تکالیف ن‌ها بسیار زیاد است که نمی‌توانند به طور کارآمد پردازش و استفاده کنند، پتانسیل یادگیری ماشین و همچنین نیاز به آن را افزایش داده است.

 

یادگیری عمیق چیست؟

یادگیری عمیق نسخه پیشرفته‌تری از یادگیری ماشینی است که  هوش مصنوعی حل تکالیف به ویژه در پردازش طیف وسیع‌تری از منابع داده (متن و همچنین داده‌های بدون ساختار شامل تصاویر) مهارت دارد، حتی به مداخله انسانی کمتری نیاز دارد و اغلب می‌تواند نتایج دقیق‌تری نسبت به یادگیری ماشینی سنتی ایجاد کند. . یادگیری عمیق از شبکه‌های عصبی – بر اساس روش‌های تعامل نورون‌ها در مغز انسان – برای دریافت داده‌ها و پردازش آن‌ها از طریق لایه‌های عصبی متعدد که ویژگی‌های پیچیده‌تر داده‌ها را تشخیص می‌دهند، استفاده می‌کند. برای مثال، یک لایه اولیه ممکن است چیزی را به شکل خاصی تشخیص دهد. بر اساس این دانش، لایه بعدی ممکن است بتواند شکل را به عنوان علامت توقف شناسایی هوش مصنوعی حل تکالیف  کند. مشابه یادگیری ماشینی، یادگیری عمیق از تکرار برای اصلاح و بهبود قابلیت های پیش بینی خود استفاده می کند. به عنوان مثال، هنگامی که "یاد می گیرد" یک علامت توقف چگونه به نظر می رسد، می تواند علامت توقف را در یک تصویر جدید تشخیص دهد.

 

درباره QuantumBlack، AI by McKinsey بیشتر بیاموزید.

 

هوش مصنوعی مولد چیست؟

 

اشتراک گذاری

 

نوار کناری

مطالعه موردی: نیروگاه ویسترا و دریاچه مارتین

هوش مصنوعی (generative AI) یک مدل هوش مصنوعی است که هوش مصنوعی حل تکالیف  در پاسخ به یک درخواست محتوا تولید می کند. واضح است که ابزارهای مولد هوش مصنوعی مانند ChatGPT و DALL-E (ابزاری برای هنر تولید شده توسط هوش مصنوعی) پتانسیل تغییر نحوه انجام طیف وسیعی از مشاغل را دارند. هنوز چیزهای زیادی در مورد پتانسیل ژنرال هوش مصنوعی ناشناخته است، اما سؤالاتی وجود دارد که می‌توانیم به آنها پاسخ دهیم، مانند اینکه مدل‌های هوش مصنوعی نسل‌های چگونه ساخته می‌شوند، چه نوع مشکلاتی برای حل آنها مناسب‌ت هوش مصنوعی حل تکالیف ر هستند، و اینکه چگونه در رده وسیع‌تر هوش مصنوعی و یادگیری ماشینی قرار می‌گیرند. .

 

برای اطلاعات بیشتر در مورد هوش مصنوعی مولد و تأثیر آن بر تجارت و جامعه، به توضیح ما مراجعه کنید "هوش مصنوعی مولد چیست؟"

 

تاریخچه هوش مصنوعی چیست؟

اصطلاح "هوش مصنوعی" در سال 1956 توسط دانشمند کامپیو هوش مصنوعی حل تکالیف تر جان مک کارتی برای کارگاه آموزشی در دارتموث ابداع شد. اما او اولین کسی نبود که در مورد مفاهیمی که ما اکنون به عنوان هوش مصنوعی توصیف می کنیم، نوشت. آلن تورینگ مفهوم "بازی تقلید" را در مقاله ای در سال 1950 معرفی کرد. این آزمایش توانایی یک ماشین برای نشان دادن رفتار هوشمند است که اکنون به عنوان "تست تورینگ" هوش مصنوعی حل تکالیف  شناخته می شود. او معتقد بود که محققان باید روی حوزه‌هایی تمرکز کنند که نیازی به حس و عمل زیاد ندارند، چیزهایی مانند بازی‌ها و ترجمه زبان. آموزش برنامه نویسی کودکان و نوجوانان  جوامع تحقیقاتی که به مفاهیمی مانند بینایی کامپیوتر، درک زبان طبیعی و شبکه های عصبی اختصاص یافته اند، در بسیاری از موارد، چندین دهه قدمت دارند.

 

رادنی بروکس، فیزیکدان MIT، جزئیات چهار مرحله قبلی هوش مصنوعی را به اشتراک گذاشت:

 

هوش مصنوعی نمادین (1956). هوش مصنوعی نمادین به عن هوش مصنوعی حل تکالیف وان هوش مصنوعی کلاسیک یا حتی GOFAI (هوش مصنوعی قدیمی خوب) نیز شناخته می شود. مفهوم کلیدی در اینجا استفاده از نمادها و استدلال منطقی برای حل مسائل است. به عنوان مثال، ما می دانیم که یک ژرمن شپرد یک سگ است که یک پستاندار است. همه پستانداران خون گرم هستند. بنابراین، یک ژرمن شپرد باید خون گرم باشد.

 

مشکل اصلی هوش مصنوعی نمادین این است که انسان‌ها هنوز نیاز دارند دانش خود را از جهان به‌طور دستی در سیستم هوش مصنوعی نمادین رمزگذاری کنند، نه اینکه اجازه دهند به تنهایی روابط را مشاهده و رمزگذاری کند. در نتیجه، سیستم‌های هوش مصنوعی نمادین با موقعیت‌های مرتبط با پیچیدگی دنیای واقعی هوش مصنوعی حل تکالیف  دست و پنجه نرم می‌کنند. آنها همچنین توانایی یادگیری از مقدار زیادی داده را ندارند.

 

هوش مصنوعی نمادین پارادایم غالب تحقیقات هوش مصنوعی تا اواخر دهه 1980 بود.

 

شبکه های عصبی (1954، 1969، 1986، 2012). شبکه های عصبی فناوری پشت سر رشد انفجاری اخیر نسل هوش مصنوعی هستند. شبکه‌های عصبی با مدل‌سازی ضعیف روش‌های تعامل نورون‌ها در مغز انسان، داده‌ها را دریافت می‌کنند و آن‌ها را از طریق تکرارهای متعدد پردازش می‌کنند که ویژگی‌های پیچیده‌تر داده‌ها را یاد می‌گیرند. سپس شبکه عصبی می‌تواند درباره داده‌ها تعیین کند، بفهمد آیا یک تعیین درست است یا خیر، و از آنچه آموخته است برای تعیین اطلاعات جدید استفاده کند. به عنوان مثال، هنگامی که "یاد می گیرد" یک شی شبیه به چه شکلی است، می تواند شی را در یک تصویر جدید تشخیص دهد.

 

شبکه های عصبی برای اولین بار در سال 1943 در یک مقاله آکادمیک توسط وارن مک کالوچ، فیزیولوژیست عصبی و والتر پیتس، منطق دان، پیشنهاد شدند. چند دهه بعد، در سال 1969، دو محقق MIT به طور ریاضی نشان دادند که شبکه های عصبی تنها می توانند وظایف بسیار اساسی را انجام دهند. در سال 1986، زمانی که دانشمند کامپیوتر و روانشناس شناختی جفری هینتون و همکارانش مشکل شبکه عصبی ارائه شده توسط محققان MIT را حل کردند، معکوس دیگری رخ داد. در دهه 1990، دانشمند رایانه، Yann LeCun، پیشرفت‌های عمده‌ای در استفاده از شبکه‌های عصبی در بینایی رایانه ایجاد کرد، در حالی که یورگن اشمیدهابر کاربرد شبکه‌های عصبی مکرر را که در Artificial intelligence to solve homework  پردازش زبان استفاده می‌شوند، توسعه داد.

 

 

[ بازدید : 2 ]