artificial intelligence (AI) هوش مصنوعی چیست؟

فناوری است که رایانه‌ها و ماشین‌ها را قادر می‌سازد تا یادگیری، درک، حل مسئله، تصمیم‌گیری، خلاقیت و استقلال انسان را شبیه‌سازی کنند.

برنامه ها و دستگاه های مجهز به هوش مصنوعی می توانند اشیا را ببینند و شناسایی کنند. آنها می توانند زبان انسان را بفهمند و به آن پاسخ دهند. آنها می توانند از اطلاعات و تجربیات جدید بیاموزند. آنها می توانند توصیه های دقیقی را به کاربران و کارشناسان ارائه دهند. آنها می توانند به طور مستقل عمل کنند و نیاز به هوش یا مداخله انسانی را جایگزین کنند (نمونه کلاسیک خودروهای خودران). 

اما در سال 2024، بیشتر محققان و متخصصان هوش مصنوعی - و بیشتر سرفصل‌های مرتبط با هوش مصنوعی - بر پیشرفت‌هایی در هوش مصنوعی  (ژن AI) متمرکز شده‌اند، فناوری‌ای که می‌تواند متن، تصاویر، ویدیو و سایر محتواهای اصلی ایجاد کند. برای درک کامل هوش مصنوعی مولد، مهم است که ابتدا فناوری‌هایی را که ابزارهای هوش مصنوعی مولد بر اساس آن‌ها ساخته شده‌اند، درک کنید: یادگیری ماشین  (ML) و یادگیری عمیق .

یادگیری ماشینی

یک راه ساده برای تفکر در مورد هوش مصنوعی به عنوان یک سری مفاهیم تودرتو یا مشتق شده است که در بیش از 70 سال ظهور کرده اند:
 

دقیقاً زیر هوش مصنوعی، ما یادگیری ماشینی داریم که شامل ایجاد مدل‌هایی با آموزش الگوریتمی برای پیش‌بینی یا تصمیم‌گیری بر اساس داده‌ها است. این شامل طیف وسیعی از تکنیک‌ها می‌شود که کامپیوترها را قادر می‌سازد تا از داده‌ها بیاموزند و استنتاج کنند، بدون اینکه به صراحت برای کارهای خاص برنامه‌ریزی شوند. 

انواع مختلفی از تکنیک ها یا الگوریتم های یادگیری ماشین وجود دارد، از جمله رگرسیون خطی ،  رگرسیون لجستیک ، درخت تصمیم ، جنگل تصادفی ، ماشین های بردار پشتیبان  (SVM) ، نزدیک ترین همسایه k (KNN)، خوشه بندی و غیره. هر یک از این رویکردها برای انواع مختلف مشکلات و داده ها مناسب است.

اما یکی از محبوب ترین انواع الگوریتم یادگیری ماشین، شبکه عصبی (یا شبکه عصبی مصنوعی) نام دارد. شبکه‌های عصبی بر اساس ساختار و عملکرد مغز انسان مدل‌سازی می‌شوند. یک شبکه عصبی از لایه های به هم پیوسته گره ها (مشابه نورون ها) تشکیل شده است که برای پردازش و تجزیه و تحلیل داده های پیچیده با هم کار می کنند. شبکه‌های عصبی برای کارهایی که شامل شناسایی الگوها و روابط پیچیده در مقادیر زیاد داده می‌شود، مناسب هستند.

ساده ترین شکل یادگیری ماشینی ، یادگیری تحت نظارت نامیده می شود که شامل استفاده از مجموعه داده های برچسب گذاری شده برای آموزش الگوریتم هایی برای طبقه بندی داده ها یا پیش بینی دقیق نتایج است. در یادگیری نظارت شده، انسان ها هر نمونه آموزشی را با یک برچسب خروجی جفت می کنند. هدف این است که مدل نگاشت بین ورودی ها و خروجی ها را در داده های آموزشی بیاموزد، بنابراین می تواند برچسب های داده های جدید و دیده نشده را پیش بینی کند.
 

یادگیری عمیق

یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که از شبکه های عصبی چندلایه به نام شبکه های عصبی عمیق استفاده می کند که قدرت تصمیم گیری پیچیده مغز انسان را با دقت بیشتری شبیه سازی می کند.

شبکه‌های عصبی عمیق شامل یک لایه ورودی، حداقل سه اما معمولاً صدها لایه پنهان و یک لایه خروجی هستند، برخلاف شبکه‌های عصبی مورد استفاده در مدل‌های کلاسیک یادگیری ماشین، که معمولاً فقط یک یا دو لایه پنهان دارند.

این لایه‌های چندگانه، یادگیری بدون نظارت را امکان‌پذیر می‌کنند : آنها می‌توانند استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار خودکار کنند و پیش‌بینی‌های خود را درباره آنچه که داده‌ها نشان می‌دهند، انجام دهند.

از آنجایی که یادگیری عمیق نیازی به مداخله انسانی ندارد، یادگیری ماشین را در مقیاس فوق العاده ای امکان پذیر می کند. این به خوبی برای پردازش زبان طبیعی (NLP) ، بینایی کامپیوتر ، و سایر وظایفی که شامل شناسایی سریع و دقیق الگوهای پیچیده و روابط در مقادیر زیاد داده می‌شود، مناسب است . نوعی از یادگیری عمیق بیشتر کاربردهای هوش مصنوعی (AI) را در زندگی امروز ما تقویت می کند.
 

یادگیری عمیق همچنین امکان:

• یادگیری نیمه نظارتی ، که یادگیری تحت نظارت و بدون نظارت را با استفاده از داده های برچسب دار و بدون برچسب برای آموزش مدل های هوش مصنوعی برای کارهای طبقه بندی و رگرسیون ترکیب می کند.
   
• یادگیری خود نظارتی ، که برچسب‌های ضمنی را از داده‌های بدون ساختار تولید می‌کند، به جای تکیه بر مجموعه داده‌های برچسب‌گذاری شده برای سیگنال‌های نظارتی.
   
• یادگیری تقویتی ، که به جای استخراج اطلاعات از الگوهای پنهان، با عملکردهای آزمون و خطا و پاداش یاد می گیرد.
   
• یادگیری انتقالی ، که در آن دانش به دست آمده از طریق یک کار یا مجموعه داده برای بهبود عملکرد مدل در یک کار مرتبط دیگر یا مجموعه داده های مختلف استفاده می شود.

هوش مصنوعی مولد

هوش مصنوعی مولد، که گاهی اوقات "ژن AI" نامیده می شود ، به مدل های یادگیری عمیق اطلاق می شود که می توانند محتوای اصلی پیچیده (مانند متن طولانی، تصاویر با کیفیت بالا، ویدیو یا صدا واقعی و غیره) را در پاسخ به درخواست یا درخواست کاربر ایجاد کنند.

در سطح بالایی، مدل‌های مولد نمایش ساده‌شده‌ای از داده‌های آموزشی خود را رمزگذاری می‌کنند و سپس از آن نمایش برای ایجاد کار جدید مشابه، اما نه یکسان، با داده‌های اصلی استفاده می‌کنند.

مدل های مولد برای سال ها در آمار برای تجزیه و تحلیل داده های عددی مورد استفاده قرار گرفته اند. اما در طول دهه گذشته، آنها برای تجزیه و تحلیل و تولید انواع داده های پیچیده تر تکامل یافته اند. این تکامل با ظهور سه نوع مدل یادگیری عمیق پیچیده همزمان شد:

• رمزگذارهای خودکار متغیر  یا VAE که در سال 2013 معرفی شدند و مدل‌هایی را فعال می‌کردند که می‌توانستند انواع مختلفی از محتوا را در پاسخ به یک درخواست یا دستورالعمل ایجاد کنند.
   
• مدل‌های انتشار، اولین بار در سال 2014 مشاهده شدند، که "نویز" را به تصاویر اضافه می‌کنند تا زمانی که قابل تشخیص نباشند، و سپس نویز را حذف می‌کنند تا در پاسخ به درخواست‌ها، تصاویر اصلی تولید شود.
   
• ترانسفورماتورها (که مدل‌های ترانسفورماتور نیز نامیده می‌شوند)، که بر روی داده‌های ترتیب‌یافته برای تولید توالی‌های گسترده‌ای از محتوا (مانند کلمات در جملات، اشکال در یک تصویر، فریم‌های ویدیو یا دستورات در کد نرم‌افزار) آموزش دیده‌اند. ترانسفورماتورها هسته اصلی اکثر ابزارهای هوش مصنوعی مولد امروزی هستند، از جمله ChatGPT و GPT-4، Copilot، BERT، Bard و Midjourney. 

هوش مصنوعی مولد چگونه کار می کند

به طور کلی، هوش مصنوعی مولد در سه مرحله عمل می کند:

1. آموزش، برای ایجاد یک مدل پایه.
2. تنظیم، برای تطبیق مدل با یک برنامه خاص.
3. تولید، ارزیابی و تنظیم بیشتر، برای بهبود دقت.

آموزش

 هوش مصنوعی مولد با "مدل پایه" آغاز می شود. یک مدل یادگیری عمیق که به عنوان پایه ای برای انواع مختلف برنامه های کاربردی هوش مصنوعی مولد عمل می کند.

رایج‌ترین مدل‌های پایه امروزه، مدل‌های زبان بزرگ (LLM) هستند که برای برنامه‌های تولید متن ایجاد شده‌اند. اما مدل‌های پایه برای تولید تصویر، ویدیو، صدا یا موسیقی و مدل‌های پایه چندوجهی نیز وجود دارد که از چندین نوع محتوا پشتیبانی می‌کنند.

برای ایجاد یک مدل پایه، پزشکان یک الگوریتم یادگیری عمیق را بر روی حجم عظیمی از داده‌های خام، بدون ساختار، بدون برچسب، مانند ترابایت یا پتابایت متن داده یا تصاویر یا ویدیو از اینترنت آموزش می‌دهند. این آموزش یک شبکه عصبی متشکل از میلیاردها پارامتر - نمایش کدگذاری شده از موجودیت‌ها، الگوها و روابط موجود در داده‌ها - به دست می‌دهد که می‌توانند به طور مستقل در پاسخ به درخواست‌ها محتوا تولید کنند. این مدل پایه است.

این فرآیند آموزشی محاسباتی فشرده، زمان بر و پرهزینه است. به هزاران واحد پردازش گرافیکی خوشه‌ای (GPU) و هفته‌ها پردازش نیاز دارد که همه آنها معمولاً میلیون‌ها دلار هزینه دارند. پروژه های مدل بنیاد منبع باز، مانند Llama-2 متا، توسعه دهندگان نسل هوش مصنوعی را قادر می سازد از این مرحله و هزینه های آن اجتناب کنند.

تنظیم

 در مرحله بعد، مدل باید برای یک وظیفه تولید محتوای خاص تنظیم شود. این کار را می توان به روش های مختلفی انجام داد، از جمله:

• تنظیم دقیق، که شامل تغذیه داده‌های برچسب‌گذاری شده مخصوص برنامه کاربردی مدل است - سوالات یا درخواست‌هایی که برنامه احتمالاً دریافت می‌کند، و پاسخ‌های صحیح مربوطه در قالب مورد نظر.
   
• یادگیری تقویتی با بازخورد انسانی (RLHF)، که در آن کاربران انسانی دقت یا ارتباط خروجی های مدل را ارزیابی می کنند تا مدل بتواند خود را بهبود بخشد. این کار می تواند به سادگی تایپ کردن افراد یا صحبت اصلاحات با یک ربات چت یا دستیار مجازی باشد.

تولید، ارزیابی و تنظیم بیشتر

 توسعه‌دهندگان و کاربران به طور منظم خروجی‌های برنامه‌های هوش مصنوعی تولیدی خود را ارزیابی می‌کنند و مدل را برای دقت یا ارتباط بیشتر تنظیم می‌کنند - حتی اغلب یک بار در هفته. در مقابل، خود مدل فونداسیون بسیار کمتر به روز می شود، شاید هر سال یا 18 ماه.

یکی دیگر از گزینه‌های بهبود عملکرد یک برنامه هوش مصنوعی ژنتیکی، بازیابی نسل افزوده (RAG) است، تکنیکی برای گسترش مدل پایه برای استفاده از منابع مرتبط خارج از داده‌های آموزشی برای اصلاح پارامترها برای دقت یا ارتباط بیشتر.

درباره هوش مصنوعی مولد بیشتر بخوانید 

مزایای هوش مصنوعی 

هوش مصنوعی مزایای متعددی را در صنایع و برنامه های مختلف ارائه می دهد. برخی از رایج ترین مزایای ذکر شده عبارتند از:

• اتوماسیون کارهای تکراری
• بینش بیشتر و سریعتر از داده ها.
• افزایش تصمیم گیری
• خطاهای انسانی کمتر
• در دسترس بودن 24x7.
• کاهش خطرات فیزیکی

اتوماسیون کارهای تکراری

 هوش مصنوعی می‌تواند کارهای معمول، تکراری و اغلب خسته‌کننده را خودکار کند - از جمله کارهای دیجیتالی مانند جمع‌آوری داده‌ها، وارد کردن و پیش‌پردازش، و کارهای فیزیکی مانند فرآیندهای جمع‌آوری انبار و تولید. این اتوماسیون کار بر روی ارزش بالاتر و کارهای خلاقانه تر را آزاد می کند.

افزایش تصمیم گیری

 چه برای پشتیبانی تصمیم‌گیری یا برای تصمیم‌گیری کاملاً خودکار استفاده شود، هوش مصنوعی پیش‌بینی‌های سریع‌تر، دقیق‌تر و تصمیم‌گیری‌های داده‌محور قابل اعتماد را امکان‌پذیر می‌کند . در ترکیب با اتوماسیون، هوش مصنوعی به کسب‌وکارها امکان می‌دهد تا بر اساس فرصت‌ها عمل کنند و به بحران‌ها در زمان ظهور، در زمان واقعی و بدون دخالت انسان پاسخ دهند.

خطاهای انسانی کمتر

 هوش مصنوعی می‌تواند خطاهای انسانی را به روش‌های مختلف کاهش دهد، از راهنمایی افراد در طی مراحل صحیح یک فرآیند، تا پرچم‌گذاری خطاهای احتمالی قبل از وقوع، و خودکارسازی کامل فرآیندها بدون دخالت انسان. این امر به‌ویژه در صنایعی مانند مراقبت‌های بهداشتی که برای مثال، رباتیک جراحی هدایت‌شده با هوش مصنوعی، دقت ثابتی را امکان‌پذیر می‌کند، اهمیت دارد.

الگوریتم های یادگیری ماشینی می توانند به طور مداوم دقت خود را بهبود بخشند و خطاها را بیشتر کاهش دهند زیرا در معرض داده های بیشتری قرار می گیرند و از تجربه "یاد می گیرند".

در دسترس بودن و ثبات شبانه روزی

 هوش مصنوعی همیشه روشن است، در تمام ساعات شبانه روز در دسترس است و هر بار عملکرد ثابتی را ارائه می دهد. ابزارهایی مانند ربات‌های چت هوش مصنوعی یا دستیاران مجازی می‌توانند تقاضای کارکنان برای خدمات مشتری یا پشتیبانی را کاهش دهند. در کاربردهای دیگر - مانند پردازش مواد یا خطوط تولید - هوش مصنوعی می‌تواند به حفظ کیفیت کار و سطوح خروجی ثابت در هنگام استفاده برای انجام کارهای تکراری یا خسته‌کننده کمک کند.

کاهش خطر فیزیکی

 با خودکار کردن کارهای خطرناک - مانند کنترل حیوانات، جابجایی مواد منفجره، انجام وظایف در اعماق آب اقیانوس، ارتفاعات بالا یا در فضای بیرونی - هوش مصنوعی می‌تواند نیاز به قرار دادن کارگران انسانی را در معرض خطر آسیب یا بدتر از آن از بین ببرد. در حالی که هنوز کامل نشده اند، خودروهای خودران و سایر وسایل نقلیه پتانسیل کاهش خطر آسیب به مسافران را دارند.

موارد استفاده از هوش مصنوعی 

کاربردهای واقعی هوش مصنوعی بسیار زیاد است. در اینجا فقط یک نمونه کوچک از موارد استفاده در صنایع مختلف برای نشان دادن پتانسیل آن آورده شده است:

 تجربه مشتری، خدمات و پشتیبانی

 شرکت ها می توانند چت ربات های مبتنی بر هوش مصنوعی و دستیاران مجازی را برای رسیدگی به سوالات مشتریان، بلیط های پشتیبانی و موارد دیگر پیاده سازی کنند. این ابزارها از پردازش زبان طبیعی (NLP) و قابلیت‌های هوش مصنوعی مولد برای درک و پاسخ به سؤالات مشتری در مورد وضعیت سفارش، جزئیات محصول و سیاست‌های بازگشت استفاده می‌کنند.

ربات‌های چت و دستیارهای مجازی پشتیبانی همیشه فعال را فعال می‌کنند، پاسخ‌های سریع‌تری به سؤالات متداول (پرسش‌های متداول) ارائه می‌کنند، عوامل انسانی را آزاد می‌کنند تا بر روی وظایف سطح بالاتر تمرکز کنند، و به مشتریان خدمات سریع‌تر و ثابت‌تری ارائه می‌دهند.

کشف تقلب

 الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند الگوهای تراکنش‌ها و ناهنجاری‌های پرچم، مانند هزینه‌های غیرمعمول یا مکان‌های ورود به سیستم را که نشان‌دهنده تراکنش‌های جعلی هستند، تجزیه و تحلیل کنند. این امر به سازمان‌ها امکان می‌دهد سریع‌تر به تقلب‌های احتمالی واکنش نشان دهند و تأثیر آن را محدود کنند و به خود و مشتریان آرامش بیشتری می‌دهند.

بازاریابی شخصی

 خرده‌فروشان، بانک‌ها و سایر شرکت‌های روبه‌روی مشتری می‌توانند از هوش مصنوعی برای ایجاد تجربیات شخصی مشتری و کمپین‌های بازاریابی استفاده کنند که مشتریان را خوشحال می‌کند، فروش را بهبود می‌بخشد و از ریزش آن جلوگیری می‌کند. بر اساس داده‌های تاریخچه و رفتارهای خرید مشتری، الگوریتم‌های یادگیری عمیق می‌توانند محصولات و خدماتی را که مشتریان احتمالاً می‌خواهند توصیه کنند و حتی نسخه‌های شخصی‌شده و پیشنهادهای ویژه را برای مشتریان فردی در زمان واقعی ایجاد کنند.

منابع انسانی و استخدام

پلتفرم‌های استخدام مبتنی بر هوش مصنوعی می‌توانند با بررسی رزومه، تطبیق نامزدها با شرح شغل و حتی انجام مصاحبه‌های اولیه با استفاده از تجزیه و تحلیل ویدئویی، استخدام را ساده‌تر کنند. این ابزارها و سایر ابزارها می توانند به طور چشمگیری کوهی از کاغذبازی های اداری مرتبط با ارائه حجم زیادی از نامزدها را کاهش دهند. همچنین می‌تواند زمان پاسخگویی و زمان استخدام را کاهش دهد و تجربه را برای کاندیداها بهبود بخشد، چه آن‌ها شغل را دریافت کنند یا نه.

توسعه و نوسازی اپلیکیشن

 ابزارهای تولید کد هوش مصنوعی و ابزارهای اتوماسیون می‌توانند وظایف کدگذاری تکراری مرتبط با توسعه برنامه‌ها را ساده‌سازی کنند و مهاجرت و نوسازی (تغییر قالب‌بندی و تبدیل مجدد) برنامه‌های قدیمی را در مقیاس سرعت بخشند. این ابزارها می توانند کارها را سرعت بخشند، به اطمینان از ثبات کد و کاهش خطاها کمک کنند.

 تعمیر و نگهداری پیش بینی

 مدل‌های یادگیری ماشینی می‌توانند داده‌های حسگرها، دستگاه‌های اینترنت اشیا (IoT) و فناوری عملیاتی (OT) را تجزیه و تحلیل کنند تا زمان نیاز به تعمیر و نگهداری را پیش‌بینی کنند و خرابی تجهیزات را قبل از وقوع پیش‌بینی کنند. تعمیر و نگهداری پیشگیرانه مبتنی بر هوش مصنوعی به جلوگیری از خرابی کمک می‌کند و به شما امکان می‌دهد تا قبل از اینکه مشکلات زنجیره تامین را تحت تاثیر قرار دهند، جلوتر از مشکلات زنجیره تامین باشید.

چالش ها و خطرات هوش مصنوعی 

سازمان ها در تلاش هستند تا از آخرین فناوری های هوش مصنوعی بهره ببرند و از مزایای فراوان هوش مصنوعی بهره ببرند. این پذیرش سریع ضروری است، اما پذیرش و حفظ جریان های کاری هوش مصنوعی با چالش ها و خطراتی همراه است. 

 خطرات داده

 سیستم‌های هوش مصنوعی به مجموعه‌های داده‌ای متکی هستند که ممکن است در برابر مسمومیت داده‌ها، دستکاری داده‌ها، سوگیری داده‌ها یا حملات سایبری که می‌تواند منجر به نقض داده‌ها شود، آسیب‌پذیر باشد. سازمان‌ها می‌توانند این خطرات را با محافظت از یکپارچگی داده‌ها و اجرای امنیت و در دسترس بودن در کل چرخه عمر هوش مصنوعی، از توسعه گرفته تا آموزش، استقرار و پس از استقرار، کاهش دهند.

خطرات مدل

 عوامل تهدید می توانند مدل های هوش مصنوعی را برای سرقت، مهندسی معکوس یا دستکاری غیرمجاز هدف قرار دهند. مهاجمان ممکن است یکپارچگی یک مدل را با دستکاری در معماری، وزن یا پارامترهای آن به خطر بیاندازند. اجزای اصلی که رفتار، دقت و عملکرد یک مدل را تعیین می کنند.

ریسک های عملیاتی

 مانند همه فناوری‌ها، مدل‌ها در معرض خطرات عملیاتی مانند رانش مدل، سوگیری و خرابی در ساختار حاکمیت هستند. در صورت عدم رسیدگی، این خطرات می تواند منجر به خرابی سیستم و آسیب پذیری های امنیت سایبری شود که عوامل تهدید می توانند از آنها استفاده کنند.

اخلاق و خطرات قانونی

 اگر سازمان‌ها هنگام توسعه و استقرار سیستم‌های هوش مصنوعی، ایمنی و اخلاق را در اولویت قرار ندهند، خطر ارتکاب نقض حریم خصوصی و ایجاد نتایج مغرضانه را دارند. برای مثال، داده‌های آموزشی جانبدارانه مورد استفاده برای تصمیم‌گیری‌های استخدام ممکن است کلیشه‌های جنسیتی یا نژادی را تقویت کند و مدل‌های هوش مصنوعی ایجاد کند که به نفع گروه‌های جمعیتی خاص بر دیگران باشد.
 

درباره خطرات هوش مصنوعی بیشتر بدانید 

اخلاق و حکمرانی هوش مصنوعی 

اخلاق هوش مصنوعی یک حوزه چند رشته ای است که به مطالعه چگونگی بهینه سازی تأثیر سودمند هوش مصنوعی در عین کاهش خطرات و پیامدهای نامطلوب می پردازد. اصول اخلاق هوش مصنوعی از طریق سیستم مدیریت هوش مصنوعی متشکل از نرده‌های محافظ که به اطمینان از ایمن و اخلاقی ماندن ابزارها و سیستم‌های هوش مصنوعی کمک می‌کند، اعمال می‌شود.  

حاکمیت هوش مصنوعی مکانیسم های نظارتی را در بر می گیرد که خطرات را برطرف می کند. یک رویکرد اخلاقی به حکمرانی هوش مصنوعی مستلزم مشارکت طیف وسیعی از ذینفعان، از جمله توسعه‌دهندگان، کاربران، سیاست‌گذاران و متخصصان اخلاق است که به اطمینان از توسعه و استفاده سیستم‌های مرتبط با هوش مصنوعی برای همسویی با ارزش‌های جامعه کمک می‌کند.

در اینجا ارزش های رایج مرتبط با اخلاق هوش مصنوعی و هوش مصنوعی مسئول آمده است :

قابل توضیح و تفسیر پذیری

همانطور که هوش مصنوعی پیشرفته تر می شود، انسان ها برای درک و ردیابی نحوه به نتیجه رسیدن الگوریتم به چالش کشیده می شوند. هوش مصنوعی قابل توضیح مجموعه‌ای از فرآیندها و روش‌هایی است که کاربران انسانی را قادر می‌سازد تا نتایج و خروجی‌های ایجاد شده توسط الگوریتم‌ها را تفسیر، درک و اعتماد کنند.

انصاف و شمول

اگرچه یادگیری ماشینی، در ذات خود، نوعی تبعیض آماری است، اما این تبعیض زمانی قابل اعتراض است که گروه‌های ممتاز را در مزیت سیستماتیک و گروه‌های غیرمجاز خاص را در مضرات سیستماتیک قرار دهد و به طور بالقوه باعث آسیب‌های گوناگون شود. برای تشویق انصاف، پزشکان می‌توانند سعی کنند سوگیری الگوریتمی را در جمع‌آوری داده‌ها و طراحی مدل به حداقل برسانند و تیم‌های متنوع‌تر و فراگیرتری بسازند.

استحکام و امنیت

هوش مصنوعی قوی به طور موثر شرایط استثنایی مانند ناهنجاری در ورودی یا حملات مخرب را بدون ایجاد آسیب غیرعمدی کنترل می کند. همچنین برای مقاومت در برابر تداخل عمدی و غیرعمدی با محافظت در برابر آسیب‌پذیری‌های آشکار ساخته شده است.

پاسخگویی و شفافیت

سازمان‌ها باید مسئولیت‌ها و ساختارهای حاکمیتی روشن را برای توسعه، استقرار و نتایج سیستم‌های هوش مصنوعی اجرا کنند. علاوه بر این، کاربران باید بتوانند نحوه عملکرد یک سرویس هوش مصنوعی را ببینند، عملکرد آن را ارزیابی کنند و نقاط قوت و محدودیت های آن را درک کنند. افزایش شفافیت اطلاعاتی را برای مصرف کنندگان هوش مصنوعی فراهم می کند تا درک بهتری از نحوه ایجاد مدل یا سرویس هوش مصنوعی داشته باشند.

حریم خصوصی و رعایت

بسیاری از چارچوب‌های نظارتی، از جمله GDPR، سازمان‌ها را موظف می‌کنند که اصول حفظ حریم خصوصی را هنگام پردازش اطلاعات شخصی رعایت کنند. بسیار مهم است که بتوانیم از مدل‌های هوش مصنوعی که ممکن است حاوی اطلاعات شخصی باشند، محافظت کنیم، در وهله اول، داده‌هایی را که وارد مدل می‌شود، کنترل کنیم، و سیستم‌های سازگاری بسازیم که می‌توانند با تغییرات در مقررات و نگرش‌های پیرامون اخلاق هوش مصنوعی سازگار شوند.

هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی 

به منظور زمینه سازی استفاده از هوش مصنوعی در سطوح مختلف پیچیدگی و پیچیدگی، محققان انواع مختلفی از هوش مصنوعی را تعریف کرده اند که به سطح پیچیدگی آن اشاره دارد:

هوش مصنوعی ضعیف 

همچنین به عنوان "هوش مصنوعی باریک" شناخته می شود، سیستم های هوش مصنوعی را تعریف می کند که برای انجام یک کار خاص یا مجموعه ای از وظایف طراحی شده اند. مثال‌ها ممکن است شامل برنامه‌های دستیار صوتی «هوشمند» مانند الکسای آمازون، سیری اپل، یک چت ربات رسانه‌های اجتماعی یا وسایل نقلیه خودرانی باشد که تسلا وعده داده است. 

هوش مصنوعی قوی 

همچنین به عنوان «هوش عمومی مصنوعی» (AGI) یا «هوش مصنوعی عمومی» شناخته می‌شود، دارای توانایی درک، یادگیری و به کارگیری دانش در طیف وسیعی از وظایف در سطحی برابر یا فراتر از هوش انسانی است . این سطح از هوش مصنوعی در حال حاضر تئوری است و هیچ سیستم هوش مصنوعی شناخته شده ای به این سطح از پیچیدگی نزدیک نمی شود. محققان استدلال می کنند که اگر AGI حتی امکان پذیر باشد، نیاز به افزایش عمده در قدرت محاسباتی دارد. علیرغم پیشرفت‌های اخیر در توسعه هوش مصنوعی، سیستم‌های علمی تخیلی هوش مصنوعی خودآگاه همچنان در این حوزه باقی می‌مانند.