مقدمه‌ای بر هوش مصنوعی؛ از دیتاساینس و یادگیری ماشین تا AI

آیا هوش مصنوعی اونقدر پیشرفته شده که بتونه کارهای ما رو انجام بده؟ بله

آیا هوش مصنوعی قراره شغل ما رو بگیره؟ بله

آیا هوش مصنوعی ما رو می‌کشه؟ بله

محتوای این مقاله رو در قسمت ۹۱ پادکست فوربو بشنوید:

توی این مقاله فوربو بریم اول با خود هوش مصنوعی (Artificial Intelligence) آشنا بشیم. ببینیم که پشت قضیه‌ی AI چیه؟ چه اتفاقاتی داره میوفته؟ چه اتفاقاتی باعث شده که به اینجا برسیم.

میخوام در واقع بگم که AI داره چطور کار می‌کنه، تاریخچه نمیخوام بگم. فقط قبل همه اینا باید دونیم که هوش مصنوعی با دیتا (Data) داره می‌کنه.

توی همین سال‌هایی که داریم زندگی می‌کنیم، دیتا و داده‌های خیلی زیادی توی اینترنت منتشر شده و همینطور هم داره بیشتر منتشر میشه. هر چی که ما داریم توی اینترنت می‌بینیم یه دیتاس. یه دیتایی که میشه هزارجور ازش استفاده کرد.

همین الان هوش مصنوعی‌های پشت رسانه‌های اجتماعی با استفاده از تمامی اکشن‌هایی که توی پلتفرم‌های اونا انجام میدیم، دارن از ما دیتا جمع‌آوری می‌کنن.

این اکشن‌ها، فقط لایک و فالو و ریتوییت و اینا نیست. حتی اسکرول کردن و نحوه‌ی بالا و پایین کردن صفحه فیدتون هم به عنوان یک اکشن داره رکورد میشه.

رسانه‌های اجتماعی میخوان که ما بیشتر توی اونا بتونیم و وقت بیشتری اونجا بگذرونیم. پس از این دیتا استفاده می‌کنن تا به ما چیزهایی رو نشون بدن که ما بیشتر دوست داریم ببینیم.

دیتا یکی دو نیست، میلیارد میلیاردها دیتا در حال گردشه و این حجم زیاد دیتا، چیزی به اسم اقتصاد دیتا (Data Economy) رو به وجود اورده.

جایی که شرکت‌ها دنبال بدست اوردن دیتان. مدل خیلی ابتدایی اون رو توی کسب و کارهای کوچگ و بزرگ الان داریم میبینم، مثلا توی فصل چهارم فوربو که درمورد دیجیتال مارکتنیگ بود، درباره‌ی Lead Generation توضیح داده بودم. اینکه چطور با استفاده از ابزارهایی بتونیم سرنخ فروش بدست بیاریم. اطلاعاتی مثل اسم و ایمیل و شماره موبایل رو از افراد بگیریم، تا بعدا بتونیم اونا رو مشتری کنیم.

اما توی اون موضوع فصل چهارم داشتیم درمورد صد تا داده صحبت می‌کردیم،  درمورد هزار داده صحبت می‌کردیم، درمورد ده هزار داده صحبت می‌کردیم، نه چند صد میلیارد داده. Big Data اصطلاحیه که برای این حجم از دیتا داره استفاده میشه. شرکت‌های بزرگ حوزه IT،  اطلاعات و داده‌های خیلی زیادی رو دارن جمع‌آوری می‌کنن. خب حالا این همه داده رو چیکار کنن؟

زمانی که شرکت‌ها و کسب و کارهای بزرگ متوجه شدن که میشه از دیتا پول دراورد. میشه ازش برای کارهای تجاری استفاده کرد، موضوع بیگ دیتا خیلی مهم شد و شاخه‌ی جدیدی برای تحلیل دیتا به وجود اومد.

علم داده (Data Science). شرکت‌هایی که با داده‌های زیادی سر و کار داشتن رفتن سراغ دیتا ساینتیست‌ها، کسایی که بلد باشن از دیتا استفاده کنن.

خب گفتم که پای چند صد میلیارد داده وسطه. پس طبیعیه که یه آدم نمیتونه همه‌ی اونا رو بررسی کنه. دو تا آدم هم نمیتونه. ده آدم هم نمیتونه. خب پس باید برای تحلیل داده‌ها چیکار کنیم؟ آیا هوش ما قدرت پردازش این حجم از دیتا رو داره؟ به هیچ وجه.

خب این همه دیتا داریم و هوش ما هم تونایی درک و پردازشش رو نداره. ولی لازمه که ازشون استفاده کنیم. پس… باید هوش مصنوعی بسازیم.

تعریف هوش مصنوعی

هوش مصنوعی رو به ماشینی میگیم که میتونه هوش انسان یا بقیه حیونا رو شبیه سازی کنه تا مثل اونا رو رفتار کنه، بر اساس منطق (Logic). که این منطق رو با دلیل (Reason) بهش میرسه.

هوش مصنوعی می‌تونه از دیتای ما استفاده کنه و تصمیم بگیره که چیکار کنه. یعنی درواقع میتونه اکشن نهایی رو توی کاری که ازش خواستیم انجام بده. هوش مصنوعی یا AI از دل علم داده یا Data Science به وجود اومده. اما این وسط یه اتفاق دیگه هم میوفته. یه چیزی میاد دیتا رو به هوش مصنوعی میرسونه و اون چیز یادگیری ماشین (Machine learning) هست.

با استفاده از ماشین لرنینگه که هوش مصنوعی توانایی اکشن انجام دادن رو پیدا می‌کنه و می‌تونه کارهایی که ما میخوایم رو انجام بده. ماشین لرنینگ در دل تعریف هوش مصنوعی جا میگیره. در واقع هوش مصنوعی از خروجی‌هایی که ما توی یادیگیری ماشین بدست میاریم استفاده می‌کنه.

اگر بخوایم درمورد هوش مصنوعی بدونیم باید حتما با ماشین لرنینگ آشنا بشیم و اون رو یاد بگیریم.

دیتا ساینس، ماشین لرنینگ و هوش مصنوعی سه تا تعریفن که پشت سر هم قرار گرفتن و یه جاهایی با هم هم‌پوشانی پیدا میکنن. الان خیلی ساده میخوام مکانیزم رسیدن از دیتا به ML و  اکشن نهایی که AI انجام میده رو توضیح بدم.

یه جاهایی من از مخفف‌ها استفاده میکنمم حواستون باشه دیگه.. هوش مصنوعی Artificial Intelligence بود که میشه AI. یادگیری ماشین هم Machine Learning بود که میشه ML. دیتا ساینس هم خودشه دیگه اونو مخفف نمی‌کنم 🙂

خب گفتم که ما میخوایم از دیتا استفاده کنیم.

توی تعریف دیتاساینس اول از همه چیز ما دنبال بدست آوردن یا جمع‌آوری دیتا هستیم (Data Mining) و (Data Gathering) انجام میدیم، با استفاده از ابزارهایی که توی اون کسب و کاری داریم میشه ازش استفاده کرد.

وقتی حجم دیتامون زیاد میشه، همچنان در دل تعریف دیتاساینس باید این دیتا رو برای ML یا ماشین لرنیگ آماده کنیم. در واقع یه Transformation باید داشته باشیم. ساختار دیتا باید تغییر پیدا کنه جوری که توی ماشین لرنینگ، الگوریتم‌های ما بتونن ازش یه چیزی یاد بگیرن.

در مسیر دیتاساینس به ML باید ساختار و فرمت دیتا رو به یک ساختار یا فرمت دیگه تبدیل کنیم.

توی این بخش مواردی مثل مدیریت دیتا (Data Management) یا ادغام کردن دیتا (Data Integration) میاد وسط، جایی که دیتا رو برای ماشین لرنینگ آماده می‌کنیم که ماشین لرنینگ بتونه با تکنیک‌هایی که براش طراحی شده از دیتای ما یاد بگیره، تجربه بدست بیاره و به ما Prediction بده یا پیش‌بینی کنه.

الان یکم تکنیک‌های ماشین لرنینگ رو که توضیح بدم، مفهوم Prediction اینجا قابل درک‌تر میشه:

• یکی از مهم‌ترین تکنیک‌های ماشین لرنینگ Classification کردن هست. یعنی طبقه‌بندی کردن اون دیتایی که بهش دادیم. مثلا ما دیتای یک سری عدد رو بهش دادیم. مثلا عددهای ۳ رقمی. توی این تکنیک ML میتونه هر دیتای جدیدی که شامل ۳ رقم باشه رو بذاره توی دسته‌ی عددهای ۳ رقمی. میتونه عدد باشه، یه نوع خاصی از کلمات باشه، رنگ باشه یا هر چیز دیگه‌ای. ماشین لرنینگ میدونه که چه دیتایی متعلق به چه طبقه‌ای هست.
• تنکیک بعدی Categorization یا دسته‌بندی کردن. توی حالت قبل مثلا رنگ که گفتم، میاد هر دیتایی که مثلا اون رنگ رو داره رو یه جا قراره میده. حالا اون دیتا میتونه مثلا متن باشه یا عکس. فرقی میکنه بر اساس رنگ میتونه اونا رو طبقه‌بندی کنه. اما توی این تکنیک Categorization میتونه بر اساس شباهت‌هایی که دیتا با هم دارن اونا رو دسته‌بندی کنه. مثلا یه دسته‌بندی داشته باشه برای همه کارکترهای متنی که سبزن. و یه دسته‌بندی هم داشته باشه برای همه دایره‌هایی که سبزن.
• توی یه تکنیک دیگه یعنی Clustering یا خوشه‌بندی درواقع، ML میاد یه کار جالب دیگه هم میکنه. نه تنها بر اساس شباهت میتونه دیتا رو دسته‌بندی، بلکه بر اساس تضاد هم میتونه این کارو بکنه. یعنی تشخیص بده که این دیتا هیچ ربطی به دیتاهای دیگه نداره و نباید توی مثلا یه دسته‌ای قرار بگیره. به صورت کلی توی Clustering دیتا توی دسته‌ها یا خوشه‌های خیلی بزرگ به‌نوعی مرتب میشه.
• Trend Analysis یه تکنیک دیگه‌س که رفتار دیتا رو در مقیاس زمان بررسی میکنه و میبینه که رفتار دیتا در این لحظه و در آینده چطوریه. همونطور که از اسمش هم مشخصه روندها رو به نوعی بررسی میکنه.

حالا تکنیک‌های فنی دیگه‌ای هم هست که ما دیگه کاری بهشون نداریم، فقط برای جمع‌بندی کاری که ML میکنه باید بگم که ML الگوها رو شناسایی میکنه، ازشون یاد میگیره تا رفتار مشابهی رو در مقابل دیتای جدید داشته باشه. دیتایی که ما دیگه ML رو براش Train نکردیم یعنی دیگه بهش آموزش ندادیم. یه سری الگو یاد میگیره، الگو شناسایی میکنه، بر اساس اونا مدل می‌سازه تا خودش دیگه اونا رو تشخیص بده و به ما اون Prediction یا پیش‌بینی که از دیتا میخواستیم رو بده.

نقش یادگیری ماشین در هوش مصنوعی

توی فرمت برنامه‌نویسی سنتی، یه برنامه نویس بر اساس دیتایی که داشت میومد یه کدی می‌نوشت، و یه خروجی می‌گرفت. دیتا و کد رو میداد به کامپیوتر و خروجی می‌گرفت. توی برنامه‌ نویسی ML درواقع اون خروجی با دیتا باهم ترکیب میشن و مدل ساخته میشه. مدلی که دیگه خودش از دیتا میتونه یاد بگیره. و این اون جذابیت ماشین لرنینگ هست.

حالا ML با استفاده از تکینک‌هایی که داره به یه Prediction میشه. به یه درک اولیه از دیتا میرسه. اینجا خروجی‌شو پاس میده به بخش دیتاساینس. یه تعریفی توی دیتا سایسنس داریم به اسم Data Analysis یا تحلیل دیتا که میاد اون Prediction رو تبدیل به Insight می‌کنه. Insight یعنی درک، یعنی یه جور بینش نسبت به موضوع. حالا ما از دیتای خام هم یه سری نمونه اولیه از ساختار کلی‌ش داریم که ماشین لرنینگ بهمون داده و هم یه درک و فهمی ازش پیدا کردیم. این جاست که هوش مصنوعی میاد بقیه رو دستش میگیره.

AI یا هوش مصنوعی بخش هیجان انگیز این داستانه. اول این قسمت گفته بودم که AI اکشن انجام میده یعنی کاری که ما میخواستیم رو میتونه برامون انجام بده. حالا بر اساس Prediction و Insightی که ما توی مرحله‌ی قبل بدست اوردیم، AI میاد اکشن انجام میده و یه کاری می‌کنه.

AI میتونه مستقیما از همون مسیر Prediction به Action نهایی برسه و هم میتونه از Insight به اکشن برسه. فرقش اینجا اینه که اگر از مسیر Prediction بره یعنی داره از یادیگری ماشین استفاده می‌کنه و بدون برنامه‌ریزی قبلی بدون اینکه ما چیزی بهش بگیم، خودش تصمیم میگیره که با دیتا چیکار کنه. اگر مسیر از Insight برسه به اکشن یعنی بر اساس تصمیم انسان داره اکشن رو انجام میده.

گفتم که از Prediction توی ML، خروجی میره دوباره توی مرحله Data Science و به Insight میرسه. خب. و اکشن AI میتونه از این بخش باشه که  میشه با تصمیم انسان. یعنی ما میگیم که حالا بر اساس این درک، بر اساس این بینشی که از دیتا بدست اومده برای ما چیکار بکن.

الان سرویس‌های هوش مصنوعی که در دسترس ما قرار گرفتن و ما یه کاری رو داریم بهشون میگیم و انجام میدن، درواقع از این مسیر دارن اکشن رو انجام میدن. یه سری شرکت یه سری کسب و کار دیتا رو توی ML به مرحله‌ی Prediction رسوندن بعد بهش یه سری مواردی رو اضافه کردن، یا بهتر بخوام بگم، درواقع اون رو Train کردن تا بر اساس اون چیزایی که بهش گفتن به یه Insightی توی یه حوزه‌ای برسه. حالا ما میریم تو سرویس‌های اون شرکتا و مثلا به سرویس Midjourney که میاد عکس برای ما میسازه، میگیم که عکس چه چیزی رو میخوایم و AI با تصمیم ما میاد کارشو انجام میده.

کسایی که دارن توی حوزه‌ی ML یا ماشین لرنینگ کار می‌کنن هر روز دارن سعی می‌کنن که با استفاده از الگوریتم‌های جدید بتونن مواجه ML با دیتا رو بهتر کنن. یعنی باعث بشن درک ماشین مدام از دیتایی که بهش داده میشه بهتر بشه تا بتونه بهتر اون رو بررسی کنه و تصمیم بگیره.

همون طور که گفتم دیتاساینس، ماشین لرنینگ و AI تعریف‌های پیوسته‌ای هستن و خیلی جاها به هم پاس میدن. دیگه ما توی ما این مقاله کاری به تکنیک‌های فنی، برنامه‌نویسی الگوریتم‌ها و مدل‌های آماری که داره استفاده میشه و چیزای دیگه‌ی اون کاری نداریم.

خواستم توی این قسمت فقط یه نگاه کلی داشته پشت قضیه‌ی AI داشته باشیم تا بدونیم وقتی میگیم هوش مصنوعی این کارو کرد اون کارو کرد، بتونیم یه حدس‌هایی بزنیم که اون پشت داره چه اتفاقایی میوفته. الان میخوام درمورد اون سوالایی که اول قسمت پرسیدم توضیح بدم و بگم که چرا AI آخر ما رو میکشه!

پیش‌بینی آینده هوش مصنوعی

خب. جواب سوال اولم که گفتم اونقدر پیشرفته شده که کارهای ما رو انجام بده که حتما بله هست.

اینو فکر کنم بیشتر آدما روش چیز داشته باشن، اتفاق نظر و اینا. ولی هنوز اینم کامل نیست. یعنی صفر تا صد چیزی رو در این لحظه در این تاریخ ضبط این قسمت، نمیتونیم بدیم AI بکنه. منظورم اینه که مثلا خودش نمیتونه کامل بیزنس ران بکنه. AI‌هایی داریم که توی هر بخش دارن Train میشن و یاد میگیرن که بهتر کار کنن. ولی هنوز نیاز به مای انسان دارن که اونا رو درواقع کنار هم قرار بدیدم. تصمیم بگیریم که میخوایم چیکار کنیم بعد از AI کمک بگیریم. ولی خیلی خیلی زود به اون مرحله هم میرسیم که AI همه کار و خودش بکنه که ربط پیدا میکنه به سوال سومم.

اما دومی چی بود، گفتم که قراره شغل ما رو بگیره؟ اینم حتما جوابش مثبته.

یه عکسی منتشر شده بود توی توییتر که اومده لیست کارهایی که مثلا با ChatGPT میشه انجام داد رو نوشته بود و نوشته بود که چه شغل‌هایی به واسطه AI دارن از بین میرن که تقریبا همه کارهایی که توی حوزه Digital Marketing و برنامه نویسی بودن رو شامل میشد. پس طبیعیه که خیلی از کارها رو دیگه AI میکنه و نیازی به انسان نیست.

رشد AI هم اونقدر سریعه که اصلا نمیشه گفت که باید نگران شغل‌هامون باشیم یا نه. در حال حاضر کسایی که قبلا کار میکردن، الان دارن با ابزارهای AI همون کار رو انجام میدن یعنی خیلیا بیکار نشدن درواقع. مجهزتر شدن. در نهایت که باعث تعدیل نیرو میشه ولی یه ذره هنوز وقت داریم راستش.

کلمه تعدیل هم گفتم، توی پرانتز یه چیزی بگم این خبرایی که یهو اومد که گوگل و اینا همینطور یهو تعدیل کردن، خبرش یه طوری بود که انگار چون AI اومد دیگه نیازی به مثلا به ۱۲ هزارنفر تو گوگل و آمازون و اینا نبود. اما واقعا اینطوری نشده هنوز. اول اینکه ۱۲هزار نفری که تعدیل شدن تو گوگل کلا ۶درصد کارکنای گوگل میشن و اینکه بیشترشون هم کسایی بودن که توی همین سه چهار سال گذشته به واسطه کرونا و اینا استخدام شده بودن و الان که شرایط از لحاظ کرونا عادی‌تره، دیگه مثلا نیازی نبوده بهشون و شرکتا تعدیل کردن. همین. پرانتز بسته.

اما سوال سوم،

AI ما رو میکشه؟

نظر شخصی من اینه که اگر میخوایم که AI ما رو نکشه، همین الان باید همه‌ی پروژه‌های ML و AI متوقف بشه. چون حتما ما رو میکشه.

ببینید هر چیزی یه ساید مثبتی هم داره، همین الان توی پزشکی مثلا توی حمل و نقل (ماشین‌های خودران و اینا) توی موبایل و دستیارهای صوتی و خیلی چیزای دیگه داره از AI استفاده میشه و دارن به ما بهتر شدن و راحت تر شدن زندگی ما کمک میکنن. حتما مثبته ولی زمانی میرسه.. که فکر می‌کنم میتونم ببینم.. یعنی با توجه به سنم فکر میکنم اون روز رو زنده باشم که ببینم AI داره آدما رو میکشه و ما داریم با AI می‌جنگیم.

AI یه روزی اونقدر پیشرفته میشه که خودش کاملا مستقل از ما بتونه تصمیم بگیره، و باید ترسید از روزی که خود AI بیاد AIهای دیگه‌ای رو بدون اینکه ما خبر داشته باشیم بسازه.. و اون AIهای جدید هم باز AI‌های جدیدتری بسازن. و هیمنطوری بره جلو.

اصلا بیاید فرض کنیم از قرن ۲۱ از ۲۰۰۰ ما اومدیم تو اینترنت و تا ۲۰۲۰ یه سری چیزایی یاد گرفتیم. چیزی که ما توی این ۲۰ سال یاد گرفتیم رو AI هم یاد گرفته الان. و سرعتش صد برابر از ما هم بیشتر بوده. ما الان تونستیم AI بسازیم و AI رو train کنیم که خودش یاد بگیره و جلو بره. خیلی منطقیه به نظرم که AI یاد بگیره خودش AI بسازه. و خیلی قارچی طور ویروسی طور یهو منفجر بشه.

چرا میگیم ما رو میکشه؟ چون دست ما نیست. قدرت پیدا میکنه و به نظرم حتما میکشه. یه سری دیدگاه هست که میگه نه اصلا این اتفاق نمیوفته و اینا. که خیلی مخالفم باهاش.

به خاطر منشا این فکر به نظرم از جایی میاد که انسان رو داره مرکز همه چیز میبینه. اون نگاه ما انسانیم و خیلی برتر از همه‌ایم و این حرفا.. نگاه انسان محور. در حالی که ما .. منظورم الان حیاته کره زمینه.. یه مسیری رو رفتیم و همینطور پیشرفت کردیم دیگه تا رسیدیم به الان امروز.. رسیدیم به Homo Sapience .. انسان خردمند دیگه. اون نگاه انسان محور فکر میکنه دیگه تموم ما بهترین گونه هستیم و همین میمونه. ولی شاید گونه بعدی و پیشرفته تر انسان.. AI باشه و ما منقرض بشیم و AI باشه و دنیا رو بچرخونه.

خیلی خیلی این بحثا جذابه و دوست دارم که بیشتر هم صحبت کنم درموردش ولی این اپیزود داره طولانی میشه دیگه و هدفمم برای ساختش صرفا آشنایی با موضوع AI بود.. ولی الان که دارم درمورد آینده‌شو و اینا حرف میزنم خیلی دوست دارم بیشتر حرف بزنم. واسه همین حتما تو برنامه میذارم یه قسمت در مورد این پیش‌بینی و اینا درمورد AI داشته باشیم. شما هم بگید چطور فکر میکنید درموردش، فکر میکنید چی میشه؟ میکشه یا نمیکشه؟