GML (Graph Machine Learning)
یادگیری ماشین گراف
GML (Graph Machine Learning)
یادگیری ماشین گرافتوسعه و تاریخچه هوش‌مصنوعی
تاریخچه هوش‌مصنوعی. هوش مصنوعی چگونه تکامل یافته است؟
ما در این مقاله نشان می‌دهیم
تاریخچه کوچک هوش‌مصنوعی
هوش‌مصنوعی هر روز در اطراف ما است. دستیارهای صوتی، خدمات خودکار وجود دارد و حتی در زمینه پزشکی نیز استفاده می‌شود. هنوز هم هر پیشرفت جدیدی ما را شگفت زده می‌کند و به نظر می‌رسد که هوش‌مصنوعی هنوز یک زمینه نسبتاً جدید است.
این فرض کاملاً درست نیست، زیرا در سال 2023 هوش‌مصنوعی بیش از 70 سال است که وجود داشته است! در این مقاله، سیر تکاملی از الگوریتم‌های ساده به سیستم‌های هوشمند مانند ChatGPT را به شما نشان خواهیم داد.
مراحل مختلف هوش مصنوعی
بازی تقلید: 1950
فیلم «بازی تقلید[1]» با بازی بندیکت کامبربچ و کایرا نایتلی درباره دانشمند کامپیوتر آلن تورینگ و کارهای زندگی او است. روشی که به عنوان "آزمون تورینگ" شناخته می‌شود در سال 1950 توسعه یافت.
تست تورینگ روشی است برای آزمایش اینکه آیا یک ماشین می‌تواند رفتار هوشمند را به خوبی تقلید کند که توسط انسان از انسان دیگر قابل تشخیص نباشد. در این فرآیند، از یک چت مبتنی بر متن برای آزمایش ارتباط بین یک انسان و یک ماشین استفاده می‌شود، بدون اینکه انسان بداند که آیا با یک ماشین صحبت می‌کند یا یک انسان. اگر ماشین بتواند با موفقیت انسان را فریب دهد، "هوشمند" در نظر گرفته می‌شود.
آزمون تورینگ
اولین کامپیوتر عصبی[2]: 1951
یک سال بعد، رایانه عصبی ماروین مینسکی[3] به نام رایانه تقویت‌کننده آنالوگ عصبی استوکاستیک[4] (SNARC) رفتار موش‌های آزمایشگاهی را شبیه‌سازی کرد و بنابراین توانست سریع‌ترین راه خروج از پیچ و خم را پیدا کند.
کنفرانس دارتموث: 1956
ماروین مینسکی نه تنها اولین کامپیوتر عصبی را توسعه داد، بلکه در برنامه‌ریزی و اجرای کنفرانس دارتموث نیز مشارکت داشت. او به همراه جان مک کارتی، ناتانیل روچستر و کلود شانون کنفرانس را از 19 ژوئن تا 16 اوت 1956 برگزار کرد. کنفرانس دارتموث به عنوان تولد هوش‌مصنوعی به عنوان یک رشته دانشگاهی در نظر گرفته می‌شود.
اولین کامپیوتر یادگیری: 1960
کامپیوتر Mark I اولین ماشین یادگیری بود که توسط دانشمند کامپیوتر و روانشناس آمریکایی فرانک روزنبلات ساخته شد. این بر اساس اصل به اصطلاح "آزمایش و خطا[5]" است. روش‌های حل تا زمان یافتن راه‌حل مورد نظر امتحان می‌شوند و در نتیجه احتمال شکست نیز پذیرفته می‌شود. Mark I اساس شبکه‌های عصبی است.
الیزا: 1966
ELIZA به عنوان یک برنامه کامپیوتری که برای نشان دادن امکانات ارتباط بین انسان و کامپیوتر از طریق زبان طبیعی طراحی شده بود در تاریخ ثبت شد. او که توسط جوزف وایزنباوم[6] توسعه داده شده است، امروزه می‌توان او را به عنوان مادربزرگ سیری و الکسا توصیف کرد.
برنامه بازی قهرمان جهان را شکست می دهد: 1979
در پایان دهه 1970، یک ماشین برای اولین بار بر یک قهرمان جهان پیروز شد. برنامه توسعه یافته توسط هانس برلینر[7] قهرمان تخته نرد لوئیجی ویلا[8] را شکست داد.
کامپیوتر شطرنج قهرمان جهان را شکست داد: 1997
یک نکته مهم یا بسیار شناخته شده در توسعه هوش‌مصنوعی، پیروزی در مسابقات شطرنج در برابر گاری کاسپاروف است. یک سال قبل، کامپیوتر Deep Blue نتوانسته بود در دوئل پیروز شود، اما پس از بهبود آن توسط IBM، در برابر قهرمان جهان پیروز شد.
دستیار صوتی سیری: 2011
حدود ده سال است که دستیار صوتی اپل به کاربران کمک می‌کند تا به راحتی در سیستم حرکت کنند. سیری به سوالات پاسخ می‌دهد و همچنین می‌تواند کارهای مختلفی را انجام دهد (مانند تنظیم ساعت زنگ‌دار).
دستیار خانگی الکسا: 2013
الکسا یک دستیار مجازی هوش‌مصنوعی از آمازون است. علاوه بر تعامل صوتی و اجرای وظایف (مانند پخش موسیقی، تنظیم زنگ هشدار و غیره)، می‌توان آن را به دستگاه‌های هوشمند نیز متصل کرد و در نتیجه در اتوماسیون به اصطلاح «خانه‌های هوشمند» شرکت کرد.
ChatGPT: 2022
شرکت OpenAI سال گذشته با انتشار ChatGPT بحث بزرگی را آغاز کرد. ChatGPT یک مدل زبان پیشرفته است که از طریق یادگیری ماشینی و آموزش با مجموعه داده‌های متنی بزرگ توسعه یافته است. ChatGPT به طور خاص برای تعامل با user:ins در قالب چت طراحی شده است و به طور مداوم برای ارائه پشتیبانی بهتر و پاسخ به سوالات بهبود می‌یابد.
هوش‌مصنوعی ChatGPT به سوالات پاسخ می‌دهد
مراحل هوش‌مصنوعی
به طور خلاصه، سه مرحله اصلی هوش‌مصنوعی وجود داشته است. در حالی که روزهای اولیه عمدتاً به توسعه شبکه‌های عصبی مربوط می‌شد، این شبکه‌ها بین سال‌های 1980 و 2010 به یادگیری ماشین (ML) تبدیل شدند.
در ضمن ما در مرحله یادگیری عمیق هستیم. این از شبکه‌های عصبی مصنوعی برای ایجاد الگوریتم به تنهایی استفاده می‌کند. تفاوت بین یادگیری عمیق و یادگیری ماشین در این است که برنامه‌نویسان در ML باید برای ایجاد تغییرات مداخله کنند.
مراحل هوش‌مصنوعی: شبکه‌های عصبی، یادگیری ماشینی و یادگیری عمیق
... و در آینده؟
همانطور که قبلا ذکر شد، به دلیل موفقیت عظیم ChatGPT، بحث‌های زیادی در مورد هوش‌مصنوعی وجود دارد. در رسانه‌ها، هوش‌مصنوعی از آن زمان تقریباً هر روز موضوع مهمی بوده است. بیشتر اوقات، این در مورد خطراتی و رفتار اخلاقی با سیستم‌ها است که به همراه دارد.
اما به جای تمرکز بر روی سناریوهای منفی که ممکن است رخ دهد، هوش‌مصنوعی نیز می‌تواند به نفع شما باشد. به عنوان مثال، در خدمات مشتری، نرم افزار هوش‌مصنوعی می‌تواند پیشرفت زیادی در رضایت مشتری ایجاد کند.
استفاده از هوش‌مصنوعی در خدمات مشتریان
هوش‌مصنوعی را اکنون می‌توان در خدمات مشتری به شکل درک زبان طبیعی[9] (NLU) نیز یافت. مهمترین وظیفه یک NLU این است که بفهمد آیا یک متن پرس و جو خاص را می‌توان به ورودی در پایگاه داده مرکزی دانش اختصاص داد یا خیر. به طور خلاصه، این یک مقایسه متن به متن است که پس از آن تصمیم‌گیری می‌شود.
در زمینه تجارت الکترونیک، "من پولم را می‌خواهم" با "بازپرداخت" مطابقت دارد و این باید توسط نرم افزار تشخیص داده شود. با این حال، تشخیص عدم تطابق شرایط و درخواست‌ها نیز مهم است.
اساساً نرم افزاری که به طور خودکار به سؤالات مشتری پاسخ می‌دهد باید بتواند مقاصد مشتری را درک کند و پاسخ دهد. پایگاه داده شامل مدخل سوالات به همراه پاسخ آنها می‌باشد. سپس وظیفه هوش‌مصنوعی مقایسه سؤالات با یکدیگر و تعیین درجه شباهت است - اگر این مقدار به اندازه کافی بالا باشد، پاسخ داده می‌شود.
سفر هوش‌مصنوعی شخصی ما
در این جدول زمانی هوش‌مصنوعی، OMQ می‌تواند خود را در دهه 2010 قرار دهد، زیرا همه چیز برای ما از اینجا شروع شد. امروز، در سال 2023، ما به هدف خود بسیار نزدیک شده‌ایم: خدمات مشتری خوب برای همه. با نرم افزار خودکار خود، اطمینان حاصل می‌کنیم که هم تجربه مشتری و هم کار در شرکت به طور قابل توجهی بهبود یافته است.
پایگاه داده مرکزی دانش OMQ ما تمام دانش خدمات را ذخیره می‌کند و آن را در تمام کانال‌های خدمات توزیع می‌کند. این اجازه می‌دهد تا سوالات در هر نقطه از وب سایت پرسیده شود و سپس بلافاصله در زمان واقعی پاسخ داده شود. مشتریان در همه کانال ها پاسخ یکسانی دریافت می‌کنند.
هوش‌مصنوعی پشت سیستم ما درخواست‌های مشتریان را درک می‌کند و از موتورهای درک زبان طبیعی (NLU) استفاده می‌کند که بر اساس مدل‌های شبکه عصبی مدرن و درک متن مشتری هستند: در داخل سازگار شده‌اند. سیستم ما از خود متن و بدون دخالت کارمندان (با نظارت خود) و همچنین از رفتار کارمندان و مشتریان (بدون نظارت) درس می‌گیرد. وظیفه دقیق NLU این است که بفهمد آیا یک متن پرس و جو خاص را می‌توان به یک ورودی در پایگاه داده مرکزی دانش OMQ اختصاص داد یا خیر. بنابراین مقایسه متن به متن انجام می‌دهد و سپس تصمیم می‌گیرد.
چت ربات سطح GPT، OMQ
GPT Chatbot جدید قبلاً بر اساس GPT توسعه یافته است. این بدان معنی است که ارتباط روان و بالاتر از همه، بسیار طبیعی، با پاسخ‌های به‌ویژه فردی که صادر می‌شود، تضمین می‌شود. فناوری GPT ارتباط بین شرکت‌ها و مشتریان را به سطح جدیدی می‌برد.
چت ربات جدید OMQ GPT در سطح GPT-4
بنابراین، آخرین پیشرفت‌های هوش‌مصنوعی می‌توانند مستقیماً در خدمات مشتری ادغام شوند، جایی که تضمین می‌کنند که رضایت مشتری افزایش می‌یابد. پاسخ های سریع، اطلاعات به روز و اجرای وظایف پشتیبانی ویژه تضمین شده است.
