هوش مصنوعی چیست؟ راهنمای شروع برای برنامه نویسان

هوش مصنوعی چیست و مدل زبانی چه کاری انجام می دهد؟

هوش مصنوعی نام یک ابزار مشخص نیست؛ به روش هایی گفته می شود که برای کارهایی مانند تشخیص الگو، پیش بینی، تولید متن یا انتخاب اقدام به کار می روند. یادگیری ماشین یکی از مسیرهای ساخت این سیستم هاست. مدل زبانی هم نوعی مدل است که با دریافت متن ورودی، متن خروجی تولید می کند؛ برای مثال توضیح یک تابع، پیشنهاد کد یا خلاصه کردن یک سند.

برای برنامه نویس، ارزش این ابزار زمانی روشن می شود که یک کار مشخص را بهتر انجام دهد. پاسخ روان و مطمئن به تنهایی نشانه درست بودن کد نیست. مدل ممکن است نیاز را اشتباه بفهمد، تابعی ناموجود پیشنهاد کند یا ورودی های مرزی را نادیده بگیرد. مهارت اصلی، تعریف مسئله و بررسی نتیجه است.

آموزش هوش مصنوعی را از کجا شروع کنیم؟

1. هدف قابل سنجش انتخاب کنید. مثلا «برای این تابع آزمون بنویس» از «پروژه من را بهتر کن» نتیجه قابل بررسی تری دارد.
2. ورودی و خروجی را مشخص کنید. زبان، نسخه محیط اجرا، محدودیت ها و نمونه ورودی را بدهید. اطلاعاتی که مدل ندیده است، بخشی از دانسته های آن درباره پروژه شما نیست.
3. کار را کوچک نگه دارید. ابتدا یک تابع یا خطا را حل کنید؛ بعد تغییر را با اجرای برنامه و آزمون بررسی کنید.
4. مدل و ابزار را از هم جدا کنید. مدل پاسخ می سازد؛ ابزار Agentic می تواند با مجوز شما فایل بخواند، فرمان اجرا کند یا تغییر اعمال کند. دسترسی ابزار، درست بودن تصمیم مدل را تضمین نمی کند.
5. نتیجه را ثبت کنید. تعداد آزمون های موفق، خطاهای باقی مانده و زمان بازبینی را یادداشت کنید. فقط سرعت تولید متن معیار خوبی برای انتخاب ابزار نیست.

اگر هنوز با یک زبان برنامه نویسی آشنا نیستید، همزمان مبانی متغیر، تابع، شرط و آزمون را یاد بگیرید. استفاده کاربردی از مدل ها با پژوهش در ساخت و آموزش مدل های یادگیری ماشین هدف یکسانی ندارد؛ مسیر دوم به مبانی ریاضی و داده عمیق تری نیاز دارد.

اولین تمرین: کد تولیدشده را با ورودی دشوار بسنجید

این درخواست را به ابزار دلخواه بدهید: «در JavaScript تابعی بنویس که فقط عددهای متناهی آرایه را نگه دارد، تکرارها را حذف کند و ترتیب اولین حضور را حفظ کند. رشته عددی، مقدار null، NaN و Infinity نباید در خروجی باشند. ورودی را تغییر نده.»

پیش از دیدن پاسخ مدل، نتیجه مورد انتظار را تعیین کنید. برای آرایه [3, 3, "3", null, 0, -2, Infinity, NaN] پاسخ باید [3, 0, -2] باشد. حذف تکرار به تنهایی کافی نیست؛ نوع داده و عدد متناهی هم بخشی از قرارداد هستند.

این پاسخ مرجع و آزمون را در یک فایل با پسوند .mjs ذخیره و با Node.js اجرا کنید. سپس تابع تولیدشده توسط مدل را جایگزین تابع مرجع کنید و همان آزمون ها را دوباره اجرا کنید.

import assert from 'node:assert/strict';

function finiteUnique(values) {
  return [...new Set(values.filter(Number.isFinite))];
}

const input = [3, 3, '3', null, 0, -2, Infinity, NaN];
const original = input.slice();
assert.deepEqual(finiteUnique(input), [3, 0, -2]);
assert.deepEqual(finiteUnique([]), []);
assert.deepEqual(finiteUnique([1.5, 1.5, -1]), [1.5, -1]);
assert.deepEqual(input, original);
console.log('All checks passed');

اگر پاسخ مدل آزمونی را رد کرد، همان ورودی و خروجی اشتباه را به آن نشان دهید. درخواست «دوباره فکر کن» اطلاعات تازه ای درباره خطا نمی دهد. حتی عبور از این چهار آزمون نیز اثبات درستی همه برنامه ها نیست؛ آزمون باید متناسب با قرارداد هر مسئله ساخته شود.

چه دوره هوش مصنوعی برای شما مناسب است؟

اگر هدف شما تحلیل کد، کمک در توسعه نرم افزار و اجرای مدل روی رایانه است، دنبال آموزش ابزار، محدودیت حافظه، کانتکست و ارزیابی خروجی باشید. اگر هدف شما آموزش شبکه عصبی از داده یا کار پژوهشی است، سرفصل هایی مثل آمار، جبر خطی، یادگیری ماشین و ارزیابی مدل را بررسی کنید.

برای انتخاب، سه سؤال بپرسید: آیا نمونه آموزش با سطح من هماهنگ است؟ آیا ابزارهای مورد نیاز روی سیستم من اجرا می شوند؟ آیا می توانم نتیجه تمرین را خودم بررسی کنم؟ در صفحه دوره uncox، سرفصل های موجود، مدرس، مدت ثبت شده و راهنمای تماشای نمونه های رایگان را ببینید.