چگونه هوش مصنوعی بدون کد و قابل استفاده مجدد، شکاف هوش مصنوعی را پر می کند

توانایی استفاده مجدد از راه‌حل‌ها و مؤلفه‌های هوش مصنوعی از پیش ساخته شده و سفارشی‌سازی آنها بدون کدنویسی، در نهایت اجازه می‌دهد تا راه‌حل‌های هوش مصنوعی بدون نیاز به استعداد کمیاب هوش مصنوعی یا منابع پرهزینه فناوری اطلاعات ایجاد شوند.

در سال ۱۹۶۰، J.C.R. لیکلیدر، استاد MIT و پیشگام اولیه هوش مصنوعی، قبلاً در مقاله مهم خود، ، دنیای آینده ما را تصور کرده است. “همزیستی انسان و کامپیوتر”: 

در مشارکت همزیستی پیش‌بینی‌شده، مردان اهداف را تعیین می‌کنند، فرضیه‌ها را تدوین می‌کنند، معیارها را تعیین می‌کنند و ارزیابی‌ها را انجام می‌دهند. ماشین‌های محاسباتی کارهای معمولی را انجام می‌دهند که باید انجام شود تا راه را برای بینش و تصمیم‌گیری در تفکر فنی و علمی آماده کند.

در دنیای امروز، چنین «ماشین‌های محاسباتی» به عنوان دستیار هوش مصنوعی شناخته می‌شوند. با این حال، توسعه دستیارهای هوش مصنوعی فرآیندی پیچیده و زمان‌بر است که به تخصص عمیق هوش مصنوعی و مهارت‌های برنامه‌نویسی پیچیده نیاز دارد، و به تلاش‌ها برای جمع‌آوری، تمیز کردن و حاشیه‌نویسی مقادیر زیادی از داده‌های مورد نیاز برای آموزش دستیاران هوش مصنوعی نیاز ندارد. بنابراین استفاده مجدد از کل یا بخش‌هایی از دستیار هوش مصنوعی در برنامه‌ها و دامنه‌های مختلف بسیار مطلوب است.

آموزش مهارت های انسانی به ماشین ها سخت است

آموزش دستیاران هوش مصنوعی دشوار است زیرا چنین دستیارانی باید مهارت های انسانی خاصی داشته باشند تا بتوانند با انسان ها در کارهای معنادار همکاری کنند و به آنها کمک کنند، به عنوان مثال، تعیین درمان مراقبت های بهداشتی یا ارائه راهنمایی های شغلی.

هوش مصنوعی باید زبان انسان را یاد بگیرد

برای کمک واقعی به انسان‌ها، شاید مهمترین مهارت‌هایی که دستیاران هوش مصنوعی باید داشته باشند، مهارت‌های زبانی باشد تا هوش مصنوعی بتواند با کاربران خود تعامل داشته باشد، ورودی زبان طبیعی آنها را تفسیر کند و همچنین به درخواست‌های آنها به زبان طبیعی پاسخ دهد. با این حال، آموزش مهارت‌های زبانی انسان به ماشین‌ها به چند دلیل بی‌اهمیت است.

اول، عبارات انسانی بسیار متنوع و پیچیده است. همانطور که در شکل ۱ در زیر نشان داده شده است، برای مثال، در برنامه‌ای که در آن یک دستیار هوش مصنوعی (همچنین به عنوان ربات چت هوش مصنوعی یا مصاحبه‌گر هوش مصنوعی شناخته می‌شود) در حال مصاحبه با یک نامزد شغلی با سؤالات باز است، پاسخ‌های داوطلبان به چنین سؤالی تقریباً نامحدود است.

شکل ۱. یک دستیار هوش مصنوعی در طول مصاحبه شغلی یک سوال باز می پرسد (“بزرگترین چالشی که در محل کار با آن روبرو هستید چیست؟”). پاسخ‌های داوطلبان بسیار متنوع و پیچیده است و آموزش هوش مصنوعی برای تشخیص و پاسخ صحیح به چنین پاسخ‌هایی را بسیار دشوار می‌کند.

دوم، کاندیداها ممکن است با پرسیدن یک سوال روشن‌کننده یا ارائه پاسخ‌های نامربوط از مکالمه خارج شوند. مثال‌های زیر (شکل ۲) پاسخ‌های انحرافی کاندیداها را به همان سؤال بالا نشان می‌دهند. برای ادامه مکالمه، دستیار هوش مصنوعی باید چنین پاسخ هایی را به درستی تشخیص دهد و به آنها رسیدگی کند.

شکل ۲. سه انحراف کاربر مختلف که دستیار هوش مصنوعی باید آنها را تشخیص دهد و به درستی از عهده آنها برآید تا مکالمه را ادامه دهد که با این سؤال ایجاد شده است، “مهمترین چالشی که در محل کار با آن روبرو هستید چیست؟”

سوم، عبارات انسانی ممکن است مبهم یا ناقص باشد (شکل ۳).

شکل ۳. مثالی که پاسخ مبهم کاربر به سوال هوش مصنوعی را نشان می دهد.

هوش مصنوعی باید مهارت های نرم انسان را بیاموزد

آنچه آموزش مهارت‌های انسانی به ماشین‌ها را سخت‌تر می‌کند این است که هوش مصنوعی همچنین برای تبدیل شدن به دستیاران توانمند انسان، نیاز به یادگیری مهارت‌های نرم انسانی دارد. درست مانند یک دستیار انسانی خوب با مهارت های نرم، یک هوش مصنوعی باید بتواند احساسات افراد را بخواند و در موقعیت های حساس همدل باشد.

به طور کلی، آموزش مهارت‌های انسانی هوش مصنوعی – مهارت‌های زبانی و مهارت‌های نرم – به سه دلیل دشوار است. اولاً، اغلب به تخصص هوش مصنوعی و مهارت‌های برنامه‌نویسی فناوری اطلاعات نیاز دارد تا بفهمیم چه روش‌ها یا الگوریتم‌هایی لازم است و چگونه می‌توان چنین روش‌هایی را برای آموزش یک هوش مصنوعی پیاده‌سازی کرد.

به عنوان مثال، برای آموزش یک هوش مصنوعی برای پاسخگویی مناسب به پاسخ های بسیار متنوع و پیچیده کاربر به یک سوال باز، همانطور که در شکل ۱ و شکل ۲ نشان داده شده است، باید بدانید که چه فناوری های درک زبان طبیعی (NLU) (به عنوان مثال، رویکردهای عصبی مبتنی بر داده در مقابل NLU نمادین) یا روش های یادگیری ماشینی (مانند یادگیری تحت نظارت یا بدون نظارت) می توانند استفاده شوند. علاوه بر این، برای جمع‌آوری داده‌ها باید کد نوشت، از داده‌ها برای آموزش مدل‌های مختلف NLU و اتصال مدل‌های آموزش‌دیده مختلف استفاده کرد. همانطور که در این مقاله تحقیقاتی توسط Ziang Xiao و همکاران توضیح داده شده است، کل فرآیند بسیار پیچیده است. و به تخصص هوش مصنوعی و مهارت های برنامه نویسی نیاز دارد. این امر حتی در صورت استفاده از روش‌های یادگیری ماشینی غیرفعال نیز صادق است.

دوم، برای آموزش مدل‌های هوش مصنوعی، باید داده‌های آموزشی کافی داشته باشیم. با استفاده از مثال بالا، Xiao و همکاران. ده‌ها هزار پاسخ کاربر برای هر سؤال باز جمع‌آوری کرد تا به دستیار هوش مصنوعی آموزش دهد تا از چنین سؤالاتی در مکالمه مصاحبه استفاده کند.

سوم، آموزش دستیار هوش مصنوعی از ابتدا اغلب یک فرآیند تکراری و وقت گیر است، همانطور که گرودین و ژاک در این مطالعه. این فرآیند شامل جمع آوری داده ها، پاکسازی و حاشیه نویسی داده ها، مدل های آموزشی و آزمایش مدل های آموزش دیده می شود. اگر مدل های آموزش دیده عملکرد خوبی نداشته باشند، کل فرآیند تا زمانی که مدل های آموزش دیده قابل قبول باشند، تکرار می شود.

با این حال، بیشتر سازمان‌ها از تخصص هوش مصنوعی داخلی یا تیم فناوری اطلاعات پیشرفته برخوردار نیستند، به غیر از مقادیر زیادی داده‌های آموزشی مورد نیاز برای آموزش دستیار هوش مصنوعی. این امر اتخاذ راه حل های هوش مصنوعی را برای چنین سازمان هایی بسیار دشوار می کند و شکاف بالقوه هوش مصنوعی را ایجاد می کند.

هوش مصنوعی قابل استفاده مجدد چند سطحی، مبتنی بر مدل، شناختی

برای دموکراتیک کردن پذیرش هوش مصنوعی، یک راه حل این است که مدل‌های هوش مصنوعی را از قبل آموزش دهید که می‌توانند مستقیماً مجدداً مورد استفاده قرار گیرند یا به سرعت سفارشی‌سازی شوند تا مناسب برنامه‌های مختلف باشند. به‌جای ساختن یک مدل کاملاً از ابتدا، اگر بتوانیم آن را از قطعات از پیش ساخته شده کنار هم بچینیم، بسیار آسان‌تر و سریع‌تر خواهد بود، شبیه به نحوه مونتاژ اتومبیل‌ها از موتور، چرخ‌ها، ترمزها و سایر اجزا. p>

در زمینه ساخت دستیار هوش مصنوعی، شکل ۴ یک معماری هوش مصنوعی مبتنی بر مدل را نشان می‌دهد که سه لایه از مؤلفه‌های هوش مصنوعی بر روی یکدیگر ساخته شده‌اند. همانطور که در زیر توضیح داده شد، اجزای هوش مصنوعی در هر لایه می‌توانند از قبل آموزش داده شوند یا از قبل ساخته شوند، سپس دوباره مورد استفاده قرار گیرند یا به راحتی برای پشتیبانی از برنامه‌های هوش مصنوعی مختلف سفارشی شوند.

شکل ۴. معماری هوش مصنوعی شناختی مبتنی بر مدل با هوش مصنوعی قابل استفاده مجدد در سطوح مختلف.

استفاده مجدد از مدل ها و موتورهای هوش مصنوعی از پیش آموزش دیده (پایه دستیاران هوش مصنوعی)

هر سیستم هوش مصنوعی از جمله دستیاران هوش مصنوعی بر اساس مدل‌های یادگیری ماشینی/AI ساخته شده‌اند. بسته به اهداف مدل ها یا نحوه آموزش آنها، آنها در دو دسته کلی قرار می گیرند: (۱) مدل های هوش مصنوعی با هدف عمومی که می توانند در برنامه های مختلف هوش مصنوعی استفاده شوند و (۲) ویژه مدل‌ها یا موتورهای هوش مصنوعی هدفمندکه برای تقویت برنامه‌های هوش مصنوعی خاص آموزش دیده‌اند. عوامل مکالمه نمونه ای از هوش مصنوعی با هدف عمومی هستند، در حالی که روبات های فیزیکی نمونه ای از هوش مصنوعی با هدف ویژه هستند.

مدل‌های یادگیری ماشینی یا هوش مصنوعی شامل مدل‌های یادگیری عصبی (عمیق) مبتنی بر داده یا نمادین هستند. مدل ها. برای مثال، BERT و GPT-3 مدل هایی با هدف کلی و مبتنی بر داده ها هستند که معمولاً روی مقادیر زیادی از داده های عمومی مانند ویکی پدیا از قبل آموزش دیده اند. آنها را می توان در برنامه های کاربردی هوش مصنوعی برای پردازش عبارات زبان طبیعی استفاده کرد. در مقابل، مدل‌های نمادین هوش مصنوعی مانند ماشین‌های حالت محدود می‌توانند به عنوان تجزیه‌کننده نحوی برای شناسایی استفاده شوند. و قطعات اطلاعات دقیق تر، به عنوان مثال، مفاهیم خاص (موجودات) مانند تاریخ یا نام را از ورودی کاربر استخراج کنید.

مدل‌های هوش مصنوعی با هدف عمومی معمولاً به چند دلیل برای تقویت برنامه‌های کاربردی خاص هوش مصنوعی کافی نیستند. اول، از آنجایی که چنین مدل‌هایی بر روی داده‌های عمومی آموزش داده شده‌اند، ممکن است نتوانند اطلاعات مربوط به دامنه را تفسیر کنند. همانطور که در شکل ۵ نشان داده شده است، یک مدل زبان هوش مصنوعی از پیش آموزش دیده ممکن است “فکر کند” عبارت B بیشتر شبیه عبارت A است، در حالی که یک انسان تشخیص می دهد که B در واقع شبیه تر به عبارت C است.

شکل ۵. مثالی که اشتباهات مدل های زبان از پیش آموزش دیده را نشان می دهد. در این مورد، مدل‌های زبانی که از قبل بر روی داده‌های عمومی آموزش داده شده‌اند، عبارت B را شبیه‌تر به عبارت A تفسیر می‌کنند، در حالی که باید شبیه‌تر به عبارت C تفسیر شود. 

به‌علاوه، خود مدل‌های هوش مصنوعی با هدف عمومی از وظایف خاصی مانند مدیریت مکالمه یا استنباط نیازها و خواسته‌های کاربر از یک مکالمه پشتیبانی نمی‌کنند. بنابراین، مدل‌های هوش مصنوعی با هدف ویژه باید برای پشتیبانی از برنامه‌های کاربردی خاص ساخته شوند.

بیایید از ایجاد یک دستیار هوش مصنوعی شناختی در قالب یک ربات چت به عنوان مثال استفاده کنیم. دستیار هوش مصنوعی شناختی که بر روی مدل‌های هوش مصنوعی عمومی ساخته شده است، از سه موتور هوش مصنوعی شناختی اضافی پشتیبانی می‌کند تا از تعامل مؤثر و کارآمد با کاربران خود اطمینان حاصل کند. به طور خاص، موتور مکالمه گوش دادن فعال یک دستیار هوش مصنوعی را قادر می‌سازد تا ورودی کاربر از جمله عبارات ناقص و مبهم در متن را به درستی تفسیر کند (شکل ۶a). همچنین یک دستیار هوش مصنوعی را قادر می سازد تا وقفه های دلخواه کاربر را مدیریت کند و زمینه مکالمه را برای تکمیل کار حفظ کند (شکل ۶b).

در حالی که موتور مکالمه تعامل مفیدی را تضمین می‌کند، موتور استنتاج بینش‌های شخصی درک عمیق‌تر از هر کاربر و تعامل عمیق‌تر شخصی‌شده را امکان‌پذیر می‌سازد. یک دستیار هوش مصنوعی که به عنوان یک همراه یادگیری شخصی یا یک دستیار سلامتی شخصی عمل می‌کند، می‌تواند کاربران خود را تشویق کند تا در دوره آموزشی یا درمانی خود بر اساس ویژگی‌های شخصیتی منحصربه‌فرد خود باقی بمانند (شکل ۷).

علاوه بر این، موتورهای زبان مخصوص مکالمه می توانند به دستیاران هوش مصنوعی کمک کنند تا عبارات کاربر را در طول مکالمه بهتر تفسیر کنند. به عنوان مثال، یک موتور تجزیه و تحلیل احساسات می تواند به طور خودکار احساسات بیان شده را در ورودی کاربر تشخیص دهد، در حالی که یک موتور تشخیص سؤال می تواند تشخیص دهد که ورودی کاربر یک سؤال است یا درخواستی که پاسخ یک دستیار هوش مصنوعی را تضمین می کند.

شکل ۶a. مثال‌هایی نشان می‌دهند که چگونه یک موتور مکالمه هوش مصنوعی شناختی، ورودی یکسان کاربر را در زمینه با پاسخ‌های متفاوت مدیریت می‌کند.

شکل ۶b. مثالی که نشان می‌دهد چگونه یک موتور مکالمه هوش مصنوعی شناختی با وقفه کاربر در مکالمه برخورد می‌کند و می‌تواند زمینه و جریان چت را حفظ کند.

ساخت هر یک از مدل‌ها یا موتورهای هوش مصنوعی که در اینجا توضیح داده شده است به مهارت و تلاش فوق‌العاده نیاز دارد. بنابراین، بسیار مطلوب است که چنین مدل ها و موتورهایی قابل استفاده مجدد باشند. با طراحی و اجرای دقیق، همه موتورهای هوش مصنوعی شناختی که در مورد آنها صحبت کردیم، قابل استفاده مجدد هستند. به عنوان مثال، موتور مکالمه گوش دادن فعال را می‌توان با داده‌های مکالمه از قبل آموزش داد تا زمینه‌های مکالمه متنوع را شناسایی کند (مثلاً، کاربر بهانه‌ای می‌آورد یا سؤالی شفاف می‌پرسد). و این موتور را می توان با یک منطق بهینه سازی از پیش ساخته شد که همیشه سعی می کند تجربه کاربر و تکمیل کار را هنگام مدیریت وقفه های کاربر متعادل کند.

به طور مشابه، ترکیب نظریه پاسخ آیتم (IRT) و تجزیه و تحلیل کلان داده ، موتور بینش شخصی را می توان بر روی داده های افراد از قبل آموزش داد که روابط بین الگوهای ارتباطی آنها و ویژگی های منحصر به فرد آنها (مانند رفتار اجتماعی یا عملکرد کاری در دنیای واقعی) را نشان می دهد. سپس می‌توان از موتور برای استنباط بینش‌های شخصی در هر مکالمه استفاده مجدد کرد، البته تا زمانی که مکالمات به زبان طبیعی انجام شود.

استفاده مجدد از واحدهای عملکردی هوش مصنوعی از پیش ساخته شده (عملکردهای دستیاران هوش مصنوعی)

در حالی که مدل‌های عمومی هوش مصنوعی و موتورهای هوش مصنوعی خاص می‌توانند یک دستیار هوش مصنوعی را با هوش پایه ارائه کنند، یک راه‌حل کامل هوش مصنوعی برای انجام وظایف خاص یا ارائه خدمات خاص نیاز دارد. به عنوان مثال، هنگامی که یک مصاحبه کننده هوش مصنوعی با یک کاربر در مورد موضوع خاصی مانند آنچه در شکل ۱ نشان داده شده است گفتگو می کند، هدف آن استخراج اطلاعات مرتبط از کاربر در مورد موضوع و استفاده از اطلاعات جمع آوری شده برای ارزیابی تناسب کاربر برای یک نقش شغلی است. .

بنابراین، واحدهای عملکردی هوش مصنوعی مختلف برای پشتیبانی از وظایف یا خدمات خاص مورد نیاز است. در زمینه یک دستیار هوش مصنوعی شناختی، یکی از انواع خدمات تعامل با کاربران و پاسخگویی به نیازهای آنها است (به عنوان مثال، پایان دادن به تراکنش). به عنوان مثال، ما می‌توانیم واحدهای ارتباطی مخصوص موضوع و هوش مصنوعی بسازیم، که هر کدام از آنها یک دستیار هوش مصنوعی را قادر می‌سازد تا با کاربران در مورد موضوع خاصی تعامل داشته باشد. در نتیجه، یک کتابخانه مکالمه شامل تعدادی واحد ارتباطی هوش مصنوعی خواهد بود که هر کدام از یک کار خاص پشتیبانی می کنند.

شکل ۷ نمونه ای از واحد ارتباط هوش مصنوعی را نشان می دهد که یک دستیار هوش مصنوعی را قادر می سازد با یک کاربر مانند یک متقاضی کار در مورد یک موضوع خاص صحبت کند.

شکل ۷. نمونه ای از واحد ارتباط AI (U)، که به یک دستیار هوش مصنوعی امکان می دهد با کاربران خود در مورد یک موضوع خاص بحث کند. این شامل چندین اقدام شرطی (پاسخ) است که یک دستیار هوش مصنوعی می تواند بر اساس اقدامات کاربر در طول بحث انجام دهد. در اینجا می‌توان اقدامات کاربر را شناسایی کرد و اقدامات هوش مصنوعی را می‌توان با استفاده از مدل‌های زبان از قبل آموزش‌دیده‌شده مانند مواردی که در دو لایه پایینی معماری ذکر شد، ایجاد کرد.

در یک معماری مبتنی بر مدل، واحدهای عملکردی هوش مصنوعی می‌توانند از قبل آموزش داده شوند تا مستقیماً دوباره مورد استفاده قرار گیرند. آنها همچنین می توانند با ترکیب شرایط جدید و اقدامات مربوطه ایجاد یا گسترش داده شوند.

استفاده مجدد از راه حل های هوش مصنوعی از پیش ساخته شده (دستیاران هوش مصنوعی کامل)

لایه بالایی یک معماری هوش مصنوعی مبتنی بر مدل، مجموعه ای از الگوهای راه حل هوش مصنوعی سرتاسری است. در زمینه ساخت دستیارهای هوش مصنوعی شناختی، این لایه بالایی از الگوهای دستیار هوش مصنوعی مختلف تشکیل شده است. این الگوها جریان‌های وظیفه‌ای خاص را از پیش تعریف می‌کنند که باید توسط دستیار هوش مصنوعی به همراه یک پایگاه دانش مربوطه انجام شود که از عملکردهای هوش مصنوعی در طول تعامل پشتیبانی می‌کند. به عنوان مثال، یک الگوی مصاحبه شغلی هوش مصنوعی شامل مجموعه ای از سوالات مصاحبه است که یک دستیار هوش مصنوعی با یک نامزد صحبت می کند و همچنین پایگاه دانشی برای پاسخ به سوالات متداول مربوط به شغل است. به طور مشابه، یک الگوی مراقب سلامتی شخصی هوش مصنوعی ممکن است مجموعه‌ای از وظایفی را که دستیار هوش مصنوعی باید انجام دهد، مانند بررسی وضعیت سلامتی و ارائه دستورالعمل‌ها یا یادآوری‌های مراقبت، مشخص کند.

• هوش مصنوعی< /a>
• آموزش ماشین< /a>
• توسعه نرم افزار< /a>