لیست کامل اصطلاحات هوش مصنوعی

بررسی متداول ترین اصطلاحات هوش مصنوعی

با شروع یادگیری هوش مصنوعی یا آغاز یک کار جدید در این زمینه، کاربران با یک سری اصطلاحات خاص مواجه می شوند که تاکنون آن را نشنیده اند. آشنایی با اصطلاحات هوش مصنوعی به علاقه مندان این حوزه اجازه می دهد تا به راحتی مباحث پیچیده آن را درک نمایند. هوش مصنوعی همواره در حال پیشرفت بوده و به عنوان یکی از محبوب ترین شاخه های برنامه نویسی شناخته شده است. یک سری اصلاحات در دنیای هوش مصنوعی توسط متخصصین مورد استفاده قرار می گیرند که  آشنایی با آنها برای علاقه مندان به این حوزه ضروری است. امروز ما قصد داریم تا در همین مورد با شما صحبت کنیم. پس با ما همراه شوید. 

ضرورت آشنایی با اصطلاحات هوش مصنوعی

بیایید تا کارمان را با پاسخ به یک سوال پر اهمیت شروع کنیم: چرا آشنایی با اصطلاحات هوش مصنوعی اهمیت زیادی دارد؟ برنامه نویسان و کارشناسان حوزه هوش مصنوعی همواره از عبارت های خاصی برای توضیح فعالیت های خود استفاده می کنند که این عبارت ها لزوما کوتاه نیستند! کارشناسان با کوتاه کردن این عبارات و ایجاد اصطلاحات رایج، کار بیان و نگارش توضیحات را راحت تر کرده اند. آشنایی با این اصطلاحات روند استخدام و یادگیری را به صورت مستقیم تحت تاثیر خود قرار می دهد. 

جدول اصطلاحات هوش مصنوعی عمومی و تخصصی
ردیف	نام اصطلاح	نوع
1	الگوریتم	عمومی
2	یادگیری ماشین یا ML	عمومی
3	دیپ لرنینگ یا DL	عمومی
4	بیگ دیتا Big Data	عمومی
5	SVM	عمومی
6	ASR	عمومی
7	RPA	عمومی
8	FKM	عمومی
9	RL	عمومی
10	GAN	تخصصی
11	RNN	تخصصی
12	CNN	تخصصی
13	MLPNN	تخصصی
14	RBFNN	تخصصی
15	LSTM	تخصصی
16	NLP	تخصصی
17	PFE	تخصصی
18	OCR	تخصصی

بررسی اصطلاحات عمومی هوش مصنوعی

بیایید تا کارمان را با بررسی اصطلاحات هوش مصنوعی شروع کنیم. این اصطلاحات دو دسته بندی اصلی یعنی عمومی و تخصصی دارند. مسلما درک اصطلاحات تخصصی به کمی تحقیق و زمان نیاز دارد. اما اصطلاحات عمومی شامل مواردی هستند که به احتمال زیاد شما هم تا به امروز آنها را شنیده اید. مواردی همچون AI، ML و غیره در این دسته بندی قرار می گیرند. 

الگوریتم

اولین مورد از اصطلاحات هوش مصنوعی به الگوریتم اشاره دارد. الگوریتم به یک مجموعه پیوسته از قوانین گفته می شود که با استفاده از آن، هوش مصنوعی نسبت به حل مسئله اقدام می نماید. این مسئله می تواند یک مشکل ریاضیاتی یا برنامه نویسی باشد. الگوریتم های بازگشتی یک مثال خوب برای این مورد به حساب می آیند. الگوریتم ها کاربرد های زیادی در دنیای هوش مصنوعی دارند. اکثر ربات های طراحی شده متشکل از چندین الگوریتم پیچیده هستند.

ML یا یادگیری ماشین

ML یا Machine Learning، به حالت یادگیری ربات های هوش مصنوعی اطلاق می شود. پس از ساخت هوش مصنوعی، ما باید آن را تربیت کنیم! اینجاست که به کار گیری ML اهمیت زیادی پیدا می کند. در طی این حالت ربات های هوش مصنوعی یک دیتابیس عظیم را مورد بررسی قرار می دهند. آنها از دیتابیس اطلاعات مختلفی یاد گرفته و عملکرد خود را بر اساس نیاز های پروژه بهبود می بخشند. الگوریتم های پشت صحنه Ml باعث می شوند تا روابط میان اطلاعات در یک پایگاه داده مورد بررسی قرار گیرند. 

DL

DL، Deep learning یا یادگیری عمیق به حالتی گفته می شود که هوش مصنوعی در طی آن از چندین شبکه مختلف استفاده می کند تا مباحث پیچیده را فرا گیرد. در طی این روند، هوش مصنوعی چندین شبکه عصبی مختلف را مورد استفاده قرار می دهد تا به درستی اطلاعات را پردازش کند. یادگیری عمیق عملکردی است که به هوش مصنوعی اجازه می دهد تا شبیه به انسان فکر کند و یاد بگیرد. البته که پیاده سازی مباحث مربوط به DL به دانش و تخصص زیادی نیاز دارد. 

بیگ دیتا

بیگ دیتا یا اطلاعات بزرگ یک اصطلاح پر اهمیت در دنیای هوش مصنوعی و رباتیک به حساب می آید. همانطور که از نام این اصطلاح پیداست، اطلاعات بزرگ در این دسته بندی قرار می گیرند. بیگ دیتا هیچ محدودیتی ندارد. معمولا اطلاعات بزرگی که در این الگوریتم قرار گرفته اند توسط یک ربات هوش مصنوعی بررسی می شوند. معمولا اطلاعات یک کسب و کار به عنوان بیگ دیتا مورد استفاده قرار می گیرد. 

SVM

دیگر مورد از اصطلاحات هوش مصنوعی به SVM اشاره دارد. SVM یا ماشین حمایت وکتور، به الگوریتمی گفته می شود که به یک ربات اجازه می دهد تا مشکلات رگرسیون خطی را حل نماید. الگوریتم های SVM کاربرد های زیادی برای پردازش دیتا داشته و باعث می شوند تا روند یادگیری یک ربات هوش مصنوعی سرعت بهتری به خود بگیرد. 

ASR

ASR از یک مورد دیگر از پر اهمیت ترین اصطلاحات هوش مصنوعی به حساب می آید. ASR یا سیستم تشخیص هوشمند صدا، ابزاری کاربردی است که در ربات های دستیار هوشمند و ابزار های ترجمه ای مورد استفاده قرار می گیرد. همانطور که از نام این ابزار پیداست، با استفاده از آن می توان صدای افراد را دریافت و پردازش کرد. این ابزار به هوش مصنوعی اجازه می دهد تا مفهوم کلمات را درک کند. 

RPA

RPA یا Robot Process Automation به حالتی گفته می شود که ربات برای انجام یک فعالیت به صورت هوشمند مورد استفاده قرار می گیرد. ربات هایی که با این هدف ساخته شده اند، برای هوشمند سازی پروژه های مختلف کاربرد دارند. مثلا زمانی که یک سیستم به دنبال کاهش خطا های خود است یا اینکه ترجیح می دهد تا نیروی  انسانی اش را کاهش دهد، استفاده از RPA اهمیت زیادی پیدا می کند. 

FKP

FKP یکی از مباحث پر اهمیت در دنیای بینایی کامپیوتر به حساب می آید. مشخص شدن FKP یا نقاط کلیدی صورت به یک ربات تشخیص چهره اجازه می دهد تا تصویر افراد مختلف را مورد پردازش قرار دهد. این نقاط معمولا اطراف چشم، بینی و دهان قرار گرفته اند. در چهره هر فرد، این نقاط موقعیت مختلفی دارند. 

RL

آخرین مورد از اصطلاحات عمومی هوش مصنوعی به RL اشاره دارد. البته که اصطلاحات دیگری هم در این زمینه تعریف می شوند. ما سعی کردیم تا چند مورد از مهم ترین را برایتان شرح دهیم. RL یک شاخه از یادگیری ماشین به حساب می آید که به ربات اجازه می دهد تا بدون نیاز به دریافت ورودی فقط با بررسی محیط اطراف خود نسبت به یادگیری و ارتقا عملکرد اقدام نماید.

 بررسی اصطلاحات تخصصی هوش مصنوعی

حال که اصطلاحات هوش مصنوعی عمومی را پشت سر گذاشتیم، بیایید تا به اصطلاحات تخصصی هم نگاهی بیندازیم. این اصطلاحات پروسه های پیچیده دنیای هوش مصنوعی را توصیف می کنند. پس آشنایی با آنها برای همه متخصصین فعال در این زمینه ضروری است.  

GAN

اولین مورد از اصطلاحات هوش مصنوعی تخصصی به GAN اشاره دارد. الگوریتم های هوش مصنوعی که برای یادگیری ماشین بدون نیاز به نظارت انسان مورد استفاده قرار می گیرند، در این دسته بندی حضور دارند. GAN ها می توانند از شبکه های عصبی، شبکه های مولد و شبکه های متمایز کننده تشکیل شده باشند. 

RNN

دومین مورد از اصطلاحات تخصصی هوش مصنوعی به RNN یا شبکه عصبی بازگشتی اشاره دارد. این شبکه عصبی برای پردازش داده های متوالی از طریق حلقه مورد استفاده قرار می گیرد. RNN ها باعث می شوند تا یک ربات، ورودی های قبلی را به خاطر بسپارد و از آنها برای تصمیم گیری در آینده استفاده کند. پیش بینی درخواست کاربران بر اساس ورودی های گذشته یکی از وظایف مهم RNN به حساب می آید. 

CNN

راه اندازی شبکه هایی که برای بینایی کامپیوتر مورد استفاده قرار می گیرند، کار راحتی نیست. اینجاست که استفاده از CNN اهمیت زیادی پیدا می کند. CNN یا شبکه عصبی کانولوشنال در حوزه هوش مصنوعی نقش کلیدی باز می کند. CNN شکلی خاص از شبکه های عصبی با قابلیت یادگیری عمیق است که قابلیت های بینایی کامپیوتر را مدیریت می کند. 

MLPNN

دیگر مورد از اصطلاحات هوش مصنوعی متداول به MLPNN یا شبکه عصبی پرسپترون چند لایه اشاره دارد. یک شبکه هوشمند از چندین لایه عصبی مختلف تشکیل شده است. اطلاعات این شبکه از یک جهت وارد شده و از یک جهت هم خارج می شوند. حل مسائل رگرسیون و مشکلات مربوط به یادگیری عمیق بر عهده مدل های MLPNN می باشد. پردازش زبان طبیعی و حل مسائل ریاضیاتی یا تشخیص چهره از جمله وظایف این مدل به حساب می آید. 

RBFNN

محاسبات ریاضی و انجام پردازش های مربوط به آمار و احتمال در حوزه هوش مصنوعی کار راحتی نیست! اینجاست که استفاده از RBFNN مطرح می شود. این شبکه یک لایه پنهان و یک لایه خروجی را در خود جای داده است. معمولا لایه پنهان این مدل از عصب هایی که پایه شعاعی دارند تشکیل شده و لایه خروجی از عصب های خطی استفاده می کند. تقسیم بندی، خوشه بندی و حل مسائل غیر خطی از جمله مهم ترین کاربرد های این مدل به حساب می آیند. کارشناسان فعال در حوزه هوش مصنوعی، این مدل را در اکثر پروژه های خود مورد استفاده قرار می دهند. 

LSTM

LSTM یا حافظه کوتاه مدت طولانی، دیگر مورد از اصطلاحات تخصصی هوش مصنوعی به حساب می آید. این مدل از RNN یا شبکه های عصبی بازگشتی استفاده می کند تا مباحث یادگیری عمیق را پیاده سازی نماید. این شبکه به گونه ای طراحی شده تا اطلاعات مختلفی را در یک بازه زمانی طولانی مدت به خاطر بسپارد. LSTM می تواند آینده را نیز پیشبینی کند. با بررسی ورودی های گذشته و ایجاد یک شبکه ارتباطی میان آنها، این مدل به راحتی اتفاقاتی که احتمال رخ دادنشان در آینده وجود دارد را پیش بینی خواهد کرد. شما می توانید انواع صدا، اطلاعات، ویدئو یا حتی تصویر را برای آموزش این مدل مورد استفاده قرار دهید. ترجمه زبان و تشخیص چهره از جمله کاربرد های پر اهمیت این سیستم به حساب می آیند. 

NLP

پردازش زبان طبیعی یا NLP یکی از مهم ترین اصطلاحات هوش مصنوعی به حساب می آید. NLP به مدل هوش مصنوعی گفته می شود که به کامپیوتر اجازه می دهد تا زبان انسان را درک کند و مشابه با آن خروجی را تولید نماید. چت جی پی تی یک مثال خوب برای مدل NLP به حساب می آید. این مدل با درک درخواست هایی که شما در اختیارش قرار می دهید یک پاسخ خاص تولید می کند. فرقی ندارد که شما در حال کار با چه زبانی هستید! مدل های NLP به راحتی همه زبان های موجود در دنیای انسان ها را فرا می گیرند. 

PFE

به نظر شما یک ربات هوش مصنوعی یا یک سیستم تشخیص چهره، چگونه می تواند چهره انسان را مورد بررسی قرار دهد؟ استفاده از FKP یک راه حل خوب به حساب می آید اما امکان دور زدن آن وجود دارد! اینجاست که استفاده از PFE مطرح می شود. PFE به گونه ای طراحی شده تا با ترکیب الگوریتم های یادگیری عمیق و مدل های احتمالی ویژگی های صورت را به صورت دقیق بررسی نماید. این مدل می تواند برای مقایسه چهره افراد مختلف و تعیین مطابقت آنها به کار رود. PFE در برنامه های زیادی مورد استفاده قرار می گیرد. راه اندازی سیستم های امنیتی مختلف با استفاده از این ابزار، مزایای زیادی را به همراه خواهد داشت. 

OCR

در نهایت، آخرین مورد از اصطلاحات هوش مصنوعی به OCR اشاره دارد. کامپیوتر ها می توانند تکنولوژی های مختلفی را برای تبدیل تصاویر به متن مورد استفاده قرار دهند. استفاده از OCR یکی راه حل محبوب برای ایجاد مدل هایی به حساب می آید که متن را آنالیز کرده و با توجه به آن خروجی تصویر ایجاد می کنند. یعنی شما می توانید این مدل را هم برای تبدیل متن به عکس و هم برای معکوس کردن این روند مورد استفاده قرار دهید. مدل های OCR متون یک کتاب، سایت یا مجله را مورد بررسی قرار داده و خروجی را بر اساس نیاز های شما چاپ می کنند. با استفاده از این ابزار شما خیلی راحت تر می توانید اسناد مختلف را بررسی کنید.