در گذشته‌ای نه چندان دور، ماشین‌ها صرفاً به محاسبات و اتوماسیون واگذار می‌شدند. امروزه ماشین ها می توانند خلق کنند، نوآوری کنند و حتی با تخیل انسان رقابت کنند! آیا GenAI به آرامی خطوط بین خلاقیت انسان و هوش مصنوعی را از بین می برد؟ بیایید به روزهای اولیه هوش مصنوعی مولد سفر کنیم…
قبل از آن در اینجا یک داستان کوتاه از سازندگان محتوا است..
مدتی است که دستاوردهای حرفه ای بنگلی را می شناسم و آن را تحسین می کنم. چند ماه پیش، من تماس گرفتم و می خواستم بدانم او چگونه این کار را کرد! پاسخ چیزی نبود که همه ما قبلاً نشنیده بودیم. این ثبات، سخت کوشی، کنجکاوی و کلمه جادویی “مهربانی” بود.
کارهای دیوانه‌واری که او انجام داده را در اینجا مشاهده کنید ☞Bangaly's LinkedIn
ما به نوعی یک دوتایی عجیب و غریب هستیم، با اشتیاق مشترک برای تشویق، توانمندسازی و به اشتراک گذاری دانش با جامعه خود. ما مجموعه‌ای از محتواها را پیرامون قلمرو هوش مصنوعی، ML و همه چیزهای سرگرم‌کننده پیرامون رایانش ابری ایجاد خواهیم کرد.
از اول شروع کنیم…..
هوش مصنوعی از سال 1941 وجود داشته است!
در سال 1950، آلن تورینگ مقاله ای با عنوان منتشر کرد “ماشین آلات محاسباتی و هوش” که در آن او بازی تقلید را پیشنهاد کرد.
بازی شامل: سه شرکت کننده: یک بازجوی انسانی، یک پاسخگوی انسانی و یک ماشین.
هدف بازجو این است که مشخص کند کدام یک از دو شرکت کننده دیگر انسان و کدام ماشین است.
ارتباط فقط به مبادلات متنی محدود می شود.
هدف این دستگاه این است که بازجو را فریب دهد تا فکر کند انسان است. تورینگ استدلال کرد که اگر دستگاه بتواند به طور مداوم بازجویان انسانی را فریب دهد، باید رفتار هوشمندانه ای از خود نشان دهد. اصطلاح هوش مصنوعی به طور رسمی در 31 آگوست 1955 ابداع شد. این لینک مقاله است.
پس یادگیری ماشین چیست؟
یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است. ایده پشت یادگیری ماشین این است که مقادیر زیادی از داده ها را به الگوریتم ها وارد کند، که سپس می توانند الگوها و روابط موجود در داده ها را شناسایی کنند و از آن دانش برای پیش بینی یا تصمیم گیری بدون تکیه بر قوانین سخت کد شده استفاده کنند. آرتور ساموئل، محقق IBM، در سال 1959 اصطلاح “آموزش ماشین” را ابداع کرد.
و یادگیری عمیق …
یادگیری عمیق نوع خاصی از یادگیری ماشینی است که در قرن بیست و یکم مورد توجه گسترده قرار گرفت. از ساختار و عملکرد مغز انسان الهام گرفته شده و شامل استفاده از شبکه های عصبی مصنوعی (ANN)که مدل های محاسباتی هستند که نورون های به هم پیوسته مغز را تقلید می کنند.
الگوریتم‌های یادگیری عمیق می‌توانند به‌طور خودکار الگوها و بازنمایی‌های پیچیده را از داده‌های خام بیاموزند و آنها را برای کارهایی مانند تشخیص تصویر، پردازش زبان طبیعی و تشخیص گفتار بسیار مؤثر می‌سازند. در حالی که مفاهیم اساسی شبکه‌های عصبی به دهه‌های 1940 و 1950 برمی‌گردد، با پیشگامانی مانند وارن مک‌کالوچ و والتر پیتس، یادگیری عمیق تنها در اواخر دهه 2000 به دلیل پیشرفت در قدرت محاسباتی، در دسترس بودن مجموعه داده‌های بزرگ و پیشرفت‌های الگوریتمی عملاً عملی شد.
به طور خلاصه،
هوش مصنوعی میدان فراگیر است، یادگیری ماشینی زیرمجموعه ای از هوش مصنوعی است که بر یادگیری از داده ها تمرکز دارد و یادگیری عمیق نوع خاصی از یادگیری ماشینی است که از شبکه های عصبی مصنوعی استفاده می کند.
این زمینه‌ها در طول زمان تکامل یافته‌اند و هر پیشرفتی بر پایه‌هایی است که توسط محققان قبلی و پیشرفت‌ها ایجاد شده است.
سوالی که باید از خود بپرسیم این است که اگر هوش مصنوعی برای این مدت طولانی وجود داشته است، چرا پس از دهه ها محبوبیت پیدا کرده است؟
محققان اولیه هوش مصنوعی در دهه های 1950 و 1960 برای توسعه هوش مصنوعی با چندین چالش مهم روبرو شدند. اینها عبارت بودند از:
قدرت محاسباتی محدود: کامپیوترهای اولیه فاقد قدرت پردازش و حافظه لازم برای الگوریتم های پیچیده هوش مصنوعی و پردازش داده های بزرگ بودند.
انتظارات غیر واقعی: پیشگامان اولیه هوش مصنوعی نسبت به دستیابی سریع به هوش مصنوعی در سطح انسانی بیش از حد خوشبین بودند که وقتی پیشرفت کندتر بود باعث ناامیدی می شد.
عدم درک اطلاعات: محققان پیچیدگی شناخت انسان را دست کم گرفتند و فکر کردند که می توان آن را به راحتی در ماشین ها تکرار کرد.
تمرکز باریک: تحقیقات اولیه هوش مصنوعی بر وظایف خاصی مانند شطرنج متمرکز بود که به خوبی به هوش عمومی یا استدلال عقل سلیم ترجمه نمی شد.
چالش های تامین مالی: تحقیقات هوش مصنوعی چرخه‌هایی از شور و شوق و بودجه را تجربه کرد، به دنبال آن «زمستان‌های هوش مصنوعی» که در آن علاقه و حمایت مالی خشک شد.
محدودیت های نرم افزاری: گلوگاه توسعه هوش مصنوعی اغلب نرم افزار بود، زیرا ایجاد برنامه هایی که تقلید از استدلال انسان باشد بسیار دشوار بود.
کمبود داده: محققان اولیه به مجموعه داده‌های بزرگ مورد نیاز برای آموزش مؤثر هوش مصنوعی دسترسی نداشتند، و کارایی مدل‌های آنها را محدود می‌کرد.
چگونه بر این چالش ها غلبه کرده ایم؟
دسترسی به هوش مصنوعی دموکراتیک شده است و قابلیت های آن به طور مداوم در حال پیشرفت است. همچنین به هوش مصنوعی مولد، یک فناوری تغییر دهنده بازی، منجر شده است.
هوش مصنوعی مولد به مدل‌های هوش مصنوعی اطلاق می‌شود که می‌توانند داده‌های جدیدی مانند متون، تصاویر، فایل‌های صوتی یا ویدئو را بر اساس الگوها و روابطی که از داده‌های آموزشی به دست می‌آیند تولید کنند و هنوز در حال تکامل است.
یکی از بازیگران کلیدی در دموکراتیک کردن دسترسی به هوش مصنوعی مولد است بستر AWS، یک پلتفرم جامع توسعه یافته توسط خدمات وب آمازون (AWS) که ابزارها، زیرساخت ها و منابع مورد نیاز برای ساخت و استقرار مدل های هوش مصنوعی مولد را در اختیار توسعه دهندگان و محققان قرار می دهد.
AWS Bedrock از قدرت رایانش ابری استفاده می‌کند و راه‌حل‌های مقرون‌به‌صرفه و مقرون‌به‌صرفه‌ای را ارائه می‌کند که کاربران را قادر می‌سازد تا مدل‌های هوش مصنوعی تولیدی در مقیاس بزرگ را بدون نیاز به سخت‌افزار گران‌قیمت داخلی آموزش دهند و اجرا کنند. با حذف موانع ورود، AWS Bedrock به افراد و سازمان‌ها در هر اندازه‌ای قدرت داده است تا قابلیت‌های هوش مصنوعی مولد را کشف و استفاده کنند.
مورد استفاده AWS Bedrock.
بیایید یکی از قابلیت های AWS Bedrock را با استفاده از کنسول مدیریت AWS نشان دهیم.
نحوه ایجاد یک تصویر در AWS Bedrock
این را می توان در 3 مرحله ساده انجام داد
مرحله 1
شما به یک حساب AWS نیاز دارید که رایگان است. توجه داشته باشید که اکثر مدل‌ها ابزارهای شخص ثالث هستند و حتی اگر اعتبار AWS دارید، به طور جداگانه شارژ می‌شوند. ما به سختی یاد گرفتیم 🙃💸
وارد حساب کاربری خود شوید و به AWS Bedrock UI بروید.
AWS Bedrock UI و عملکردهای آن
مرحله 2
درخواست دسترسی از مدل مورد نظر
مرحله 3
تصویر تولید شده از تصویر دلخواه
AWS Samples شامل نمونه‌های از پیش ساخته شده برای کمک به مشتریان برای شروع کار با سرویس Amazon Bedrock است.
در مطالب بعدی بیشتر آنها را بررسی خواهیم کرد.
با ما همراه باشید….
بنگالی و انده
