۱۵ اصطلاح مهم هوش مصنوعی که باید بلد باشید
از کوآنتیزیشن و اجرای محلی مدل‌ها تا توکن، پنجره زمینه، یادگیری درون‌متنی و API؛ با ۱۵ اصطلاح مهم هوش مصنوعی آشنا شوید و کاربرد هرکدام را با مثال‌های ساده یاد بگیرید.
۱۵ اصطلاح مهم هوش مصنوعی که باید بلد باشید
اگر با ابزارهای هوش مصنوعی کار می‌کنید، احتمالاً بارها اصطلاحاتی مثل توکن، مدل متن‌باز، پرامپت یا کوآنتیزیشن را شنیده‌اید. اما هرکدام دقیقاً چه معنایی دارند و دانستن آن‌ها چه کمکی به شما می‌کند؟
آشنایی با این مفاهیم فقط برای برنامه‌نویس‌ها نیست. چه برای تولید محتوا از هوش مصنوعی استفاده کنید، چه بخواهید مدلی را روی سیستم خودتان اجرا کنید یا از طریق API ابزارهای مختلف را به هم متصل کنید، این اصطلاحات به شما کمک می‌کنند انتخاب‌های دقیق‌تری داشته باشید.
۱. کوآنتیزیشن (Quantization)؛ کاهش حجم و مصرف منابع مدل
توضیح ساده:
کوآنتیزیشن روشی برای کاهش دقت عددی نمایش پارامترهای مدل هوش مصنوعی است که معمولاً مصرف حافظه و منابع محاسباتی را کاهش می‌دهد. هدف این است که مدل با منابع کمتر اجرا شود و در عین حال، افت کیفیت آن تا حد امکان محدود بماند.
مثال کاربردی:
فرض کنید مدلی برای اجرا به حافظه زیادی نیاز دارد. با استفاده از نسخه کوآنتایزشده، ممکن است بتوانید همان مدل را با مصرف حافظه کمتر روی سخت‌افزار ضعیف‌تری اجرا کنید؛ البته نتیجه به مدل و روش کوآنتیزیشن بستگی دارد.
۲. اجرای محلی (Local AI)؛ اجرای هوش مصنوعی روی سیستم خودتان
توضیح ساده:
اجرای محلی یعنی مدل هوش مصنوعی مستقیماً روی کامپیوتر، لپ‌تاپ یا سرور تحت کنترل شما اجرا شود، نه اینکه تمام پردازش به یک سرویس ابری سپرده شود.
مثال کاربردی:
می‌توانید یک مدل زبانی سازگار را روی لپ‌تاپ خود نصب کنید و بدون ارسال درخواست به سرویس ابری از آن استفاده کنید. البته اجرای آفلاین به مدل، نرم‌افزار و سخت‌افزار شما بستگی دارد.
۳. مدل متن‌باز و متن‌بسته (Open-Source / Closed-Source)
توضیح ساده:
مدل‌های متن‌بسته معمولاً از طریق سرویس یا API در اختیار کاربران قرار می‌گیرند و جزئیات داخلی آن‌ها به‌طور کامل منتشر نمی‌شود. در مقابل، بعضی مدل‌ها وزن‌های قابل‌دریافت دارند و امکان اجرا یا شخصی‌سازی بیشتری فراهم می‌کنند. با این حال، در دسترس بودن وزن‌های مدل لزوماً به معنی انتشار کد آموزش و داده‌های آموزشی نیست و شرایط مجوز هر مدل اهمیت دارد.
مثال کاربردی:
برخی مدل‌های خانواده Llama وزن‌های قابل‌دریافت دارند، اما برای استفاده باید مجوز همان نسخه را بررسی کنید. در مقابل، بسیاری از مدل‌های تجاری فقط از طریق سرویس ارائه می‌شوند.
۴. سقف درخواست (Rate Limit)؛ محدودیت تعداد درخواست‌ها
توضیح ساده:
Rate Limit مشخص می‌کند در یک بازه زمانی چه تعداد درخواست می‌توانید به یک سرویس یا API ارسال کنید. این محدودیت ممکن است بر اساس تعداد درخواست‌ها، تعداد توکن‌ها یا معیارهای دیگری تعیین شود.
مثال کاربردی:
فرض کنید یک API در هر دقیقه تعداد مشخصی درخواست را می‌پذیرد. اگر از این سقف عبور کنید، ممکن است با خطای محدودیت مواجه شوید و لازم باشد تا باز شدن ظرفیت جدید صبر کنید.
۵. یادگیری درون‌متنی (In-Context Learning)؛ یادگیری از مثال‌های داخل گفت‌وگو
توضیح ساده:
یادگیری درون‌متنی یعنی مدل با استفاده از دستورالعمل‌ها، اطلاعات و مثال‌هایی که در همان ورودی یا گفت‌وگو دریافت می‌کند، پاسخ خود را با نیاز شما هماهنگ کند؛ بدون اینکه الزاماً پارامترهای مدل تغییر کنند.
مثال کاربردی:
چند نمونه از کپشن‌هایی را که نوشته‌اید در اختیار مدل قرار می‌دهید و از آن می‌خواهید متن جدیدی با همان لحن تولید کند. مدل از نمونه‌های ارائه‌شده برای هماهنگ کردن خروجی خود استفاده می‌کند، اما این کار لزوماً به معنی یادگیری دائمی نیست.
۶. پرامپت (Prompt)؛ دستور شما به هوش مصنوعی
توضیح ساده:
پرامپت همان متن، سؤال یا دستورالعملی است که به مدل می‌دهید تا بر اساس آن پاسخ تولید کند. مشخص کردن هدف، مخاطب، لحن و قالب خروجی می‌تواند به دریافت نتیجه مناسب‌تر کمک کند.
مثال کاربردی:
به‌جای اینکه بنویسید «درباره بازاریابی محتوا بنویس»، درخواست کنید: «برای یک فروشگاه آنلاین پوشاک، کپشنی کوتاه و صمیمی بنویس که روی ارسال سریع تأکید کند و در پایان مخاطب را به دیدن محصولات دعوت کند.»
۷. توکن (Token)؛ واحد پردازش متن
توضیح ساده:
مدل‌های زبانی متن را معمولاً به واحدهایی به نام توکن تقسیم می‌کنند. هر توکن ممکن است یک کلمه کامل، بخشی از یک کلمه یا حتی یک نشانه نگارشی باشد؛ بنابراین توکن با کلمه تفاوت دارد.
مثال کاربردی:
وقتی از طریق API با یک مدل کار می‌کنید، هزینه مصرفی ممکن است بر اساس تعداد توکن‌های ورودی و خروجی محاسبه شود. به همین دلیل، تعداد کلمات یک متن همیشه نشان‌دهنده تعداد توکن‌های آن نیست.
۸. پنجره زمینه (Context Window)؛ ظرفیت اطلاعات قابل‌پردازش
توضیح ساده:
پنجره زمینه حداکثر میزان اطلاعاتی را مشخص می‌کند که مدل می‌تواند در یک درخواست یا نوبت پردازش در نظر بگیرد. این اطلاعات ممکن است شامل دستورالعمل‌ها، پیام‌های قبلی، متن فایل‌ها و پاسخ‌های تولیدشده باشد.
مثال کاربردی:
اگر یک گزارش بسیار طولانی را به مدل بدهید، ممکن است لازم باشد آن را خلاصه یا بخش‌بندی کنید تا در محدوده زمینه مدل قرار بگیرد. پنجره زمینه بزرگ‌تر هم به معنی حافظه دائمی بیشتر نیست.
۹. مدل زبانی بزرگ (LLM)؛ فناوری پشت بسیاری از دستیارهای هوشمند
توضیح ساده:
LLM مخفف Large Language Model است؛ مدلی که برای انجام وظایفی مانند تولید متن، پاسخ‌گویی، ترجمه، خلاصه‌سازی و تولید کد آموزش دیده است.
مثال کاربردی:
یک مدل زبانی می‌تواند متن یک گزارش را خلاصه کند، برای یک مقاله تیتر پیشنهاد دهد یا به نوشتن و بررسی کد کمک کند. با این حال، ممکن است پاسخ نادرست هم تولید کند و نباید همه خروجی‌های آن را بدون بررسی پذیرفت.
۱۰. توهم هوش مصنوعی (AI Hallucination)؛ پاسخ نادرست اما قانع‌کننده
توضیح ساده:
توهم هوش مصنوعی زمانی رخ می‌دهد که مدل اطلاعات نادرست، ساختگی یا بدون پشتوانه کافی ارائه کند؛ حتی اگر پاسخ آن با لحنی مطمئن نوشته شده باشد.
مثال کاربردی:
از مدل می‌خواهید منبع یک آمار را معرفی کند، اما نام مقاله یا نشانی وبی ارائه می‌دهد که وجود ندارد. برای کاهش این خطر، منابع معتبر بخواهید و اطلاعات مهم را مستقلاً بررسی کنید.
۱۱. رابط برنامه‌نویسی کاربردی (API)؛ راه ارتباط نرم‌افزارها با هوش مصنوعی
توضیح ساده:
API مخفف Application Programming Interface است؛ روشی استاندارد برای ارتباط نرم‌افزارها با یکدیگر. با استفاده از API می‌توانید قابلیت‌های یک مدل هوش مصنوعی را در وب‌سایت، اپلیکیشن یا ربات خود به کار بگیرید.
مثال کاربردی:
یک ربات تلگرام می‌تواند پیام کاربر را دریافت کند، آن را به API مدل بفرستد و پاسخ تولیدشده را دوباره در تلگرام نمایش دهد. برای این کار معمولاً به آدرس سرویس، کلید دسترسی و درخواست با قالب مشخص نیاز دارید.
۱۲. تولید افزوده با بازیابی اطلاعات (RAG)؛ پاسخ‌گویی بر اساس منابع مشخص
توضیح ساده:
RAG مخفف Retrieval-Augmented Generation است. در این روش، سیستم پیش از تولید پاسخ، اطلاعات مرتبط را از منابعی مانند اسناد سازمانی، پایگاه دانش یا مجموعه‌ای از فایل‌ها بازیابی می‌کند و در اختیار مدل قرار می‌دهد.
مثال کاربردی:
به‌جای اینکه از مدل بخواهید حدس بزند قوانین مرخصی شرکت شما چیست، سیستم می‌تواند بخش مرتبط آیین‌نامه داخلی را پیدا کند و پاسخ را بر اساس آن تولید کند. کیفیت نتیجه به بازیابی درست اسناد و استفاده صحیح از آن‌ها بستگی دارد.
۱۳. پایگاه داده برداری (Vector Database)؛ جست‌وجوی اطلاعات بر اساس معنا
توضیح ساده:
پایگاه داده برداری اطلاعات را به شکلی ذخیره و جست‌وجو می‌کند که یافتن موارد مشابه از نظر معنایی امکان‌پذیر باشد. این پایگاه‌ها در جست‌وجوی معنایی و بسیاری از سامانه‌های RAG کاربرد دارند.
مثال کاربردی:
اگر در میان هزاران سند دنبال «روش بازگشت وجه» باشید، جست‌وجوی معنایی می‌تواند اسنادی درباره «شرایط استرداد پول» را هم پیدا کند؛ حتی اگر دقیقاً همان عبارت در آن‌ها وجود نداشته باشد.
۱۴. تنظیم دقیق مدل (Fine-Tuning)؛ سازگار کردن مدل با یک وظیفه مشخص
توضیح ساده:
تنظیم دقیق به معنی ادامه آموزش یک مدل از پیش آموزش‌دیده با داده‌های هدفمند است تا عملکرد آن برای یک کاربرد خاص بهبود پیدا کند. در این فرایند، پارامترهای مدل می‌توانند تغییر کنند.
مثال کاربردی:
یک سازمان ممکن است با داده‌های مناسب و مجاز، مدلی را برای طبقه‌بندی درخواست‌های پشتیبانی یا تولید پاسخ‌هایی با قالب مشخص تنظیم کند. برای بسیاری از کاربردهای ساده، بهبود پرامپت یا استفاده از RAG ممکن است کافی باشد و نیازی به تنظیم دقیق نباشد.
۱۵. عامل هوش مصنوعی (AI Agent)؛ سیستمی که می‌تواند چند مرحله کار را پیش ببرد
توضیح ساده:
عامل هوش مصنوعی سیستمی است که بسته به طراحی خود، می‌تواند یک هدف را دنبال کند، مراحل انجام کار را انتخاب کند و از ابزارهایی مانند جست‌وجو، کدنویسی یا API استفاده کند.
مثال کاربردی:
یک عامل هوش مصنوعی می‌تواند فایل گزارش را بخواند، داده‌ها را تحلیل کند و در پایان خلاصه‌ای از نتایج ارائه دهد. میزان خودمختاری و دسترسی آن به ابزارها به ساختار سیستم و مجوزهای تعریف‌شده بستگی دارد.
جمع‌بندی؛ کدام اصطلاح‌ها را اول یاد بگیریم؟
لازم نیست همه مفاهیم هوش مصنوعی را یک‌باره یاد بگیرید. بهتر است از اصطلاحاتی شروع کنید که مستقیماً با کار روزانه شما ارتباط دارند:
برای تولید محتوا و استفاده روزمره: پرامپت، توکن، پنجره زمینه و توهم هوش مصنوعی
برای ساخت ابزار و اتوماسیون: API و عامل هوش مصنوعی
برای کار با اسناد و داده‌های اختصاصی: RAG و پایگاه داده برداری
برای توسعه فنی و اجرای مدل‌ها: اجرای محلی، کوآنتیزیشن، مدل‌های دارای وزن قابل‌دریافت و تنظیم دقیق
دسترسی به مدل‌های مختلف هوش مصنوعی با جارویس
برای کار با مدل‌های مختلف هوش مصنوعی، لازم نیست همیشه خودتان را به یک ابزار محدود کنید. جارویس زیرساختی برای دسترسی به مدل‌های مختلف از طریق API فراهم می‌کند تا بتوانید متناسب با نیاز پروژه، مدل مناسب را انتخاب کنید.
برای آشنایی با مدل‌ها و پلن‌های موجود، به صفحه قیمت‌گذاری جارویس سر بزنید: