ساخت هوش مصنوعی – آموزش کامل رایگان + نمونه پروژه

در غیر این صورت خطا در شبکه سایت vector-robot ایجاد خواهد شد. این سیستم به غیر از خواندن دستخط از روی کاغذ، میتواند نمادهای ریاضی را نیز از روی کاغذ، صفحات لمسی و منابع دیگر بخواند. بعد از اتمام آموزش شبکه با استفاده از این مجموعه دادهها، برای بررسی میزان کارایی و بهرهوری پروژه، شبکه روی دادههای تست، آزمایش میشود. «داده کاوی» (Data mining): داده کاوی روش آماری است که رویهها و سایر ارتباطهای دادهها را در مجموعه دادههای بزرگ فراهم میکند. آموزش شبکه های عصبی پیچشی CNN – مقدماتی (طول مدت: ۲ ساعت و ۱۲ دقیقه، مدرس: سایه کارگری): از آنجایی که شبکههای عصبی پیچشی نیاز اصلی علاقهمندان به پردازش تصویر و بینایی ماشین است، فراگیری مفاهیم این شبکهها اهمیت بالایی دارد و در این فرادرس به آنها پرداخته میشود. همچنین شبکههای عصبی نیز در ساخت هوش مصنوعی عملکرد خوبی دارند، ایده اصلی این شبکهها از مغز انسان گرفته شده است. این مسئله به جز در خودروهای خودران، در رباتهای دنبال کننده خط، ساخت بازیها و سایر موارد نیز کاربرد دارد. این مرحله به انتخاب و بارگذاری دادههای خام، انتخاب ابزار «حاشیهنویسی یا برچسبگذاری» (Annotation)، برجسته کردن و برچسب زدن بلوکهای دادهها با استفاده از ابزارها و در نهایت انتخاب و ذخیره فرمت فایلها بستگی دارد.

به عبارت دیگر، یادگیری نظارت شده نوعی از یادگیری به حساب میآید که دارای مجموعه دادههای برچسبدار است. مسئلهای که صاحبان پروژه باید به آن دقت داشته باشند این است که آیا بهبود عملکرد یک پروژه با استفاده از هوش مصنوعی به اندازه کافی توجیهی برای هزینههای آن به حساب میآید؟ زمانی که لایه آخر یک مدل ایجاد میشود، این مسئله بسیار مهم و حیاتی است که تعداد نورونها با تعداد دستههای (کلاس) طبقهبندی مدل مطابقت داشته باشد. همچنین نیاز است روشهای بسیار و گوناگونی مورد بررسی قرار بگیرند که برای حل مسئله وجود دارند. چت بات برنامهای به حساب میآید که مکالمهای خودکار بین رباتهای هوش مصنوعی به وسیله متن یا گفتار و کاربران به وجود میآورد. در حال حاضر، دلیل اصلی محبوبیت این دو مورد، کارایی و اثربخشی محاسباتی آنها به حساب میآید. » و «مشکل اصلی مسئله چیست؟ هدف اصلی این پروژه ساخت سیستمی است که بتواند اعداد دستنویس را به کمک شبکههای عصبی مصنوعی تشخیص دهد. در بخش بعدی از مقاله «ساخت هوش مصنوعی» به شرح طراحی یک پروژه ساده برای ساخت هوش مصنوعی پرداخته شده است.

در ادامه مقاله «ساخت هوش مصنوعی» پنج گام عملی تفسیرپذیری برای ایجاد یک پروژه هوش مصنوعی مورد بررسی قرار میگیرند. در ادامه کدهای مرتبط با این بخش نمایش داده شدهاند. هدف از این پروژه ایجاد سیستمی است که با خودروهای خودران و رباتهای دنبال کننده خط ارتباط برقرار کند تا به آنها در تشخیص خطوط عبوری یک جاده در زمان واقعی و به صورت بلادرنگ کمک کند. این مرحله به این دلیل تعریف شد که لایه بعدی آن «Dense» (متراکم) یا همان «Fully Connected» (اتصال کامل) است و این لایه نمیتواند با تصویرهای مربعی کار کند و باید ورودی آن به یک خط پیکسل تبدیل شود. برای ایجاد این عدد ۳، از epochs یا همان «دوره» استفاده شده است و مقدار عدد ۳ به آن اختصاص داده میشود. بخش اول به معرفی مسئله هوش مصنوعی اختصاص دارد. بنابراین، ایده حل مسئله، بخشهای مهم از نظر کاربران و ارزش اولیه در مرحله اول ساخت هوش مصنوعی معمولاً مورد بررسی قرار میگیرند.

اولین قدم برای ساخت هوش مصنوعی در هر زمینهای، شناسایی صحیح مسئله است. در برخی از نرم افزارها، مهندسین این مراحل را در چرخهای چندین بار در کنار استقرار نرم افزار تکرار میکنند. لازم است پس از آموزش مدل در این نرم افزار، فرایند تست، ارزیابی و استقرار انجام شود. پلتفرم «یادگیری ماشین آمازون» (Amazon Machine Learning): خدمات این پلتفرم به ساخت، آموزش و استقرار مدلهای یادگیری ماشین با هر پیچیدگی کمک میکنند. الگوریتمهای یادگیری نظارتی بسیاری وجود دارند که برای مثال میتوان به «ماشین بردار پشتیبان» (Support Vector Machine | SVM)، «رگرسیون لجستیک» (Logistic Regression)، «جنگل تصادفی» (Random Forest)، «دسته بند بیز ساده» (naïve Bayes Classification) و سایر موارد اشاره کرد. بنابراین ابتدا آموزش مدل با دورههای کمتری آغاز میشود و میتوان بعداً برای بالا بردن دقت مدل تعداد دورهها را افزایش داد. بنابراین نسبت به سطح دشواری پروژه مدلها باید برای ساخت هوش مصنوعی مورد نظر بررسی شوند. یکی دیگر از مزایای کاربردی استفاده و ساخت هوش مصنوعی و سیستمهای یادگیری ماشین، کاهش کار دستی و سنتی است. همچنین گاهی میتوان از مدلهای آمادهای در ساخت هوش مصنوعی برای کسب و کار خود استفاده کرد قبلاً آموزش داده شدهاند و فرایند یادگیری در آنها از قبل انجام شده است.

در ساخت پروژه سیستمهای توصیهگر برای محصولات، ویدیوها، جریانهای موسیقی و سایر موارد از «شبکههای عصبی مصنوعی» (Artificial Neural Network | ANN)، داده کاوی، یادگیری ماشین و برنامه نویسی استفاده میشود. یکی دیگر از محصولات مفید گوگل کتابخانه متن باز تنسورفلو به حساب میآید که در توسعه برنامههای یادگیری ماشین کاربرد دارد. از اولین پیدایش «هوش مصنوعی» (Artificial intelligence | AI) حدود نیم قرن گذشته است و امروزه این علم یکی از پرطرفدارترین زمینهها در حوزه علوم کامپیوتر به حساب میآید. همچنین به وسیله این پلتفرم میتوان از «جستجوی ابری» (Cloud Search) با قابلیتهای هوش مصنوعی داخلی آن برای «شناسایی الگو در محتوا» (Identification In Content)، «تجزیه و تحلیل احساسات» (Sentiment Analysis) یا «استخراج عبارتهای کلیدی» (Key Phrases Extraction) استفاده کرد. این زبان در حل «محاسبات آماری» (Statistical Computation)، «تجزیه و تحلیل عددی» (Numerical Analysis)، «استنباط بیزی» (Bayesian Inference)، شبکههای عصبی و به طور کلی یادگیری ماشین کاربرد دارد. هم سطح مورد انتظار کارایی و هم پیچیدگی دادههای مورد استفاده در پردازشهای تصمیمگیری مدل هوش مصنوعی باید سازمان را در ارزیابی و انتخاب مدلهای یادگیری ماشین ممکن راهنمایی کنند. در بیشتر موارد دادههای آموزش، تست و اعتبارسنجی نباید باید همپوشانی داشته باشند تا میزان کارایی پروژه روی دادههایی بررسی شود که پیش از این شبکه با آنها سر و کار نداشته است.

این چت باتها به صورت ۲۴ ساعته و در ۷ روز هفته برای پاسخ به سوالهای کاربران، راهنمایی کردن آنها، شخصیسازی تجربه کاربری، افزایش فروش، بررسی دقیقتر روی رفتار مشتریها، ساخت و شکلدهی محصولات و خدمات در دسترس کاربران هستند. طراحی و ساخت این پروژهها مهارت افراد را در استفاده از هوش مصنوعی افزایش میدهد. اگر دقت مدل در مجموعه داده تست حدود ۷۵ یا ۸۵ درصد بود، احتمالاً «بیشبرازش» (Overfitting) در آن رخ داده است. سیستمهای مبتنی بر هوش مصنوعی میتوانند این کلاهبرداریها را تشخیص دهند و از رخ دادن آنها به طور کاملاً مؤثری جلوگیری کنند. «یادگیری تقویتی» (Reinforcement Learning): این نوع یادگیری روشی است که بر اساس ارزش یا دادن پاداش به اشیا، آنها را دستهبندی میکند. Alexa یکی از انواع این نوع رباتها یا همان چت باتها به حساب میآید. همچنین، دارای یک «تابع فعالیت» (Activation Function) به نام «Relu» است که سرنامی برای «Rectified Linear Unit» (واحد خطی یکسوسازی شده) به حساب میآید. انتخاب الگوریتم مناسب مهمترین و اصلیترین بخش ساخت هوش مصنوعی به حساب میآید.

ساخت هوش مصنوعی باعث کاهش پردازشهای دستی بازبینی، استثناها در برنامه نویسی، تأیید صحت و انطباق با استانداردهای مورد نظر و سایر موارد میشود. در حوزههای «مالی» (Finance) نیز چت باتها مورد استفاده قرار میگیرند. بخش بعدی از مقاله «ساخت هوش مصنوعی» به مسئله ساخت چت باتها اختصاص داده میشود. ابتدا بخش بعدی به شرح پروژه تشخیص دست خط اعداد انگلیسی اختصاص داده میشود. ابتدا بخش بعدی به بررسی هوش مصنوعی در حوزه مالی اختصاص داده شده است. هر شرکتی نیازمند دلیلهای مالی برای توسعه ساخت هوش مصنوعی و سرمایهگذاری روی آن است. به همین دلیل دیجیتالی شدن به سرعت در همه بخشها در حال پیشرفت است و کامپیوترها نیازمند سیستمی هستند که بتوانند خط انسان را از روی کاغذ به راحتی تشخیص دهند و آن را به کاراکترها و اعداد دیجیتالی تبدیل کنند. سیستمهای توصیهگر باعث دیده شدن سیستم مورد نظر در کانالها و بخشهای گوناگون اینترنت میشوند. خدمات این پلتفرم متناسب با محصولات مورد استفاده قرار میگیرند و باعث ساده شدن رویهها در پروژه میشوند. در این مرحله به روش آموزش مدل شبکه عصبی ساخته شده، پرداخته میشود.

گاهی لایههای شبکه عصبی دیگری در طراحی مدل شبکهها وجود دارند که با تصویرهای مربعی به راحتی کار میکنند. دورههای آموزشی فرادرس بر اساس موضوع در این وب سایت به صورت مجموعههای آموزشی مختلفی دستهبندی شدهاند. برای استفاده از آن باید وارد وب سایت گوگل کولب شد و بدون نیاز به نصب چیزی، کدنویسی را با ساخت یک new notebook آغاز کرد. در وب سایتها و اپلیکیشنهای پخش موسیقی مانند اسپاتیفای و بسیاری موارد دیگر از سیستمهای توصیهگر استفاده شده است. در بخش بعدی از مقاله «ساخت هوش مصنوعی» به شرح روش ذخیره مدل پرداخته شده است. در بخش بعدی از مقاله «ساخت هوش مصنوعی» روش کامپایل مدل شبکه عصبی توصیف شده، شرح داده میشود. زبان برنامه نویسی R: این زبان به طور گستردهای در ساخت هوش مصنوعیهای جدید مورد استفاده قرار میگیرد. برای ساخت نرم افزار یا ابزار هوش مصنوعی به مجموعه داده یا همان دیتاست برای پیادهسازی نیاز است. در ساخت چت باتها از روشهای ساخت هوش مصنوعی پردازش زبان طبیعی یا همان NLP استفاده شده است تا الگوریتمها و کامپیوترها بتوانند تعاملهای انسانی را به وسیله زبانهای مختلف درک و دادهها را پردازش کنند.

APIهایی که به عنوان نقاط پایانی «REST» در نظر گرفته میشوند و نتایج را با فرمت «JSON» بازمیگردانند مانند «Azure Topic Detection API» ابزارهای مفیدی در ساخت هوش مصنوعی به حساب میآیند. سطح اهمیت پروژه: نیاز است که در پروژهها سطح اهمیت آنها از نظر امنیت انسان، هزینه مالی، شهرت سازمان و ریسکپذیری مورد بررسی قرار بگیرند. سطح آسیبپذیری پروژه: آسیبپذیری به معنی احتمال وقوع این مسئله است که کاربران انسانی که با آن سیستم هوش مصنوعی کار میکنند اعتماد خود را نسبت به تصمیمگیریهای سیستم از دست بدهند و خودشان کار را پیش ببرند و در نتیجه آن سیستم به سیستمی بلااستفاده تبدیل شود. همچنین، در مرحله توسعه و پشتیبانی، میتوان کارایی نرم افزار را بهینهسازی کرد، عملکرد آن را بهبود و گسترش داد، محصول را به وسیله بروزرسانی با سیستم عاملهای گوناگون منطبق کرد و سایر مواردی از این قبیل را انجام داد. برای برطرف کردن این مسئله میتوان تغییراتی در لایههای مدل انجام و آن را با تعداد دورههای کمتری مجدداً آموزش داد.

از تشخیص چهره در سیستمهای سازمانها برای اطمینان از حریم خصوصی امنیت دادهها استفاده میشود. «پلتفرم گوگل» (Google’s Platform): این پلتفرم شامل «AI Hub» یعنی «منابعی برای توسعه سیستمهای هوش مصنوعی»، ابزارهایی با نام «بلوکهای ساختن هوش مصنوعی» (AI Building Block)، پلتفرم هوش مصنوعی و یک محیط علم داده مبتنی بر کدها برای ایجاد پروژهها از ایده تا پیادهسازی آنها ارائه میدهد. مجموعه داده جمعآوری شده به توسعه دهندگان این امکان را میدهد تا گزینههای راه حلهای ارائه شده توسط مشتری را بررسی کنند. C: این زبان یکی از سریعترین زبانها در مرحله کامپایل است و این امکان را به توسعه دهندگان میدهد که برنامههایی با منطق بسیار پیچیده را بدون از دست رفتن کارایی آنها پیادهسازی کند. در ادامه این بخش از مقاله «ساخت هوش مصنوعی» به بررسی آن، در کارها و عملکردهای روزمره پرداخته شده است. در ادامه این بخش از مقاله «ساخت هوش مصنوعی» به بررسی داده کاوی و مدلسازی پرداخته شده است. برای مثال در پلتفرمهای تجارت الکترونیکی مانند آمازون این موضوع را میتوان مشاهده کرد که آمازون پیشنهادهایی به کاربر میدهد که قبلاً در جایی از اینترنت درباره آن جستجو انجام داده است. سیستمهای توصیهگر به صورت وسیعی در برنامههای فروشگاهی تجارت الکترونیکی مانند آمازون، eBay و سایر شرکتهای این چنینی مورد استفاده قرار میگیرد.