مقدمه و فصل اول: مقدمه‌ای بر مهندسی هوش مصنوعی

تا حالا فکر کرده‌اید چرا با آمدن مدل‌های جدید زبانی، یک‌باره دنیای نرم‌افزار دگرگون شد و ساختن ابزارهای هوشمند این‌قدر همه‌گیر شد؟ ماجرا فقط بزرگ شدن مدل‌ها نیست، بلکه منفجر شدن تعداد کاربردهایی است که این فناوری آزاد کرده و موانع ورود توسعه‌دهندگان را به شدت پایین آورده است. کتاب «مهندسی هوش مصنوعی» نوشتهٔ «چیپ هویِن» دقیقاً به ما نشان می‌دهد چطور باید از این مدل‌های قدرتمند برای حل مسائل دنیای واقعی استفاده کنیم.

بیایید نگاهی به مفهوم مدل پایه (Foundation Model) بیندازیم. این مدل‌ها همان سامانه‌های کلان و همه‌منزلی هستند که با حجم عظیمی از داده‌ها آموزش دیده‌اند و می‌توانند پایه‌ای برای ساخت هزاران کاربرد مختلف باشند. مشکل اینجاست که ساختن چنین مدل‌هایی از صفر به سرمایه و زیرساخت عظیمی نیاز دارد. انتخاب پیش رو این است که خودمان مدل بسازیم یا از سرویس‌های آماده استفاده کنیم. معامله این است که مدل‌های آماده ارزان‌تر و سریع‌تر هستند اما کنترل کمتری روی جزئیاتشان داریم. مثال عینی آن استفاده از ای‌پی‌آی مدل‌های بزرگ برای ساخت یک ربات پشتیبان مشتری است بدون اینکه نیاز باشد الگوریتمی از ابتدا آموزش بدهیم.

یکی دیگر از چالش‌های اصلی، تنظیم دقیق (Fine-Tuning) مدل‌ها برای کارهای خاص است. مشکل اینجاست که مدل‌های عمومی شاید لحن یا دانش تخصصی کسب‌وکار شما را نداشته باشند. گزینه‌های پیش رو شامل استفاده از دستورهای متنی یا به‌روزرسانی وزن‌های مدل است. هزینه و فایده این است که تنظیم دقیق کیفیت پاسخ‌ها را بالا می‌برد اما به داده‌های بیشتر و توان پردازشی بالاتری نیاز دارد. برای نمونه، شرکت‌ها مدل‌های زبانی را روی دستورالعمل‌های حقوقی خود آموزش می‌دهند تا قراردادها را دقیق‌تر تحلیل کنند.

در کنار این‌ها، مهندسی پرامپت (Prompt Engineering) به هنر طراحی و بهینه‌سازی متن ورودی برای گرفتن خروجی دقیق از مدل گفته می‌شود. مشکل این است که مدل‌های زبانی ذاتاً قطعی نیستند و ممکن است هر بار پاسخ متفاوتی بدهند. گزینه‌ها شامل تغییر دستورات، افزودن مثال یا تغییر پارامترهای تولید است. معامله اصلی این است که پرامپت‌نویسی سریع و بدون هزینه اجرا می‌شود اما برای کارهای بسیار پیچیده کفایت نمی‌کند. مثال بارز آن اضافه کردن چند نمونه حل‌شده به متن ورودی است تا مدل ریاضیات را بهتر حل کند.

مسئله تولید مدل‌های چندوجهی مدل‌های ترکیبی متن و تصویر چالش دیگری است که نویسنده بررسی می‌کند. مشکل اینجاست که انسان دنیا را از طریق صوت، تصویر و متن هم‌زمان درک می‌کند و مدل‌های قدیمی فقط محدود به یک نوع داده بودند. گزینه‌ها شامل توسعه مدل‌های تک‌مستقل یا مدل‌های یکپارچه است. هزینه‌فایده این است که مدل‌های چندوجهی انعطاف فوق‌العاده‌ای دارند اما به قدرت پردازشی بسیار سنگینی محتاج‌اند. نمونه ملموس آن مدل‌هایی هستند که می‌توانند یک عکس را ببینند و کدهای وب‌سایت متناظر با آن را تولید کنند.

پیشنهاد من به عنوان میزبان این است که پیش از شروع هر پروژه هوش مصنوعی، ابتدا مشخص کنید آیا واقعاً به پیچیدگی مدل‌های بزرگ نیاز دارید یا با ابزارهای ساده‌تر و سنتی‌تر هم مسئله حل می‌شود. خیلی وقت‌ها یک جستجوی ساده یا یک اسکریپت معمولی می‌تواند بخش عمده‌ای از نیاز شما را با هزینهٔ بسیار پایین‌تر برآورده کند.

امیدوارم این مرور کوتاه به شما کمک کرده باشد دید روشن‌تری نسبت به ابعاد مهندسی هوش مصنوعی پیدا کنید. در بخش‌های بعدی این کتاب با جزئیات جذاب‌تری از دنیای یادگیری ماشین و ساخت محصول آشنا خواهیم شد.