مقدمه

چرا اینجاییم

قالب کوئرا کالج

معرفی ابزار

هوش مصنوعی چیست؟

مدل‌های مختلف ChatGPT

آشنایی با ChatGPT

برنامه‌نویسی با ChatGPT

اهداف فصل

کد نویسی با ChatGPT

درک کد و نوشتن مستندات برنامه ۱

درک کد و نوشتن مستندات برنامه  ۲

درک کد و نوشتن مستندات برنامه  ۳

هنر پرامپت‌نویسی ۱

هنر پرامپت‌نویسی ۲

خطایابی و دیباگینگ ۱

خطایابی و دیباگینگ ۲

خطایابی و دیباگینگ ۳

بهینه‌سازی برنامه

جست‌وجوی ابزار و خواندن مستندات

دو ابزار قدرتمند

رابط برنامه‌نویسی

جمع‌بندی

مزایا و معایب

معرفی مسیر

|%video:/video/player/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ2aWRlb191cmwiOiJodHRwczovL3N0cmVhbS5xdWVyYXZpZGVvLmlyL2NvbGxlZ2UvYWMzZWJhMDEtNjBlZS00NmMwLWJkOGQtYWRkM2M5ZTgyM2MyL3BsYXlsaXN0Lm0zdTgiLCJ0aHVtYm5haWxfdXJsIjoiIiwiZXhwaXJlc19hdCI6MTc4OTAxMzk4OH0.2yOm2OVV7WflFqQOYMWMT_yuG6P_37KwksBosxmj80M%|
|:------:|
|ویدیو آموزشی|

### اهمیت یادگیری مبانی هوش مصنوعی

پیش از آنکه به سراغ کاربردهای عملی هوش مصنوعی و ابزارهایی مانند ChatGPT برویم، بهتر است ابتدا با **مبانی، تاریخچه و نحوهٔ شکل‌گیری این حوزه** آشنا شویم.

شناخت مبانی یک فناوری فقط برای آشنایی تاریخی با آن نیست؛ بلکه باعث می‌شود هنگام مواجهه با یک مسئله، بهتر بتوانیم تشخیص دهیم **هوش مصنوعی چه کاری می‌تواند انجام دهد، چه زمانی استفاده از آن منطقی است و چه محدودیت‌هایی دارد.**

به‌صورت کلی، می‌توان مسیر توسعهٔ هوش مصنوعی را از سیستم‌های مبتنی بر قوانین (*Rule-based Systems*) تا روش‌های مبتنی بر یادگیری از داده، مانند *Machine Learning* و *Deep Learning*، دنبال کرد.

### ۱. تفاوت رویکرد *Rule-based* و یادگیری ماشین

در سیستم‌های سنتی مبتنی بر قوانین، برنامه‌نویس باید قواعد مورد نیاز سیستم را به‌صورت صریح تعریف کند.

برای مثال، فرض کنید می‌خواهیم سیستمی بسازیم که بر اساس وضعیت هوا، پیشنهاد مناسبی ارائه دهد. می‌توانیم قوانینی مانند این تعریف کنیم:

- اگر هوا بارانی بود ← پیشنهاد استفاده از چتر
- اگر هوا سرد بود ← پیشنهاد پوشیدن لباس گرم
- اگر هوا گرم بود ← پیشنهاد نوشیدن آب

هرچه تعداد حالت‌های ممکن بیشتر شود، تعداد قوانین نیز افزایش پیدا می‌کند و ساختار سیستم می‌تواند بسیار پیچیده شود.

در این رویکرد، **قوانین را انسان مشخص می‌کند و کامپیوتر آن‌ها را اجرا می‌کند.**

اما در *Machine Learning* رویکرد متفاوت است. به جای آنکه تمام قوانین را به‌صورت دستی تعریف کنیم، مجموعه‌ای از **داده‌ها و نمونه‌های آموزشی** را در اختیار الگوریتم قرار می‌دهیم تا بتواند الگوهای موجود در داده‌ها را یاد بگیرد.

به‌صورت ساده:

**Rule-based:**

> قوانین ← کامپیوتر ← پاسخ

**Machine Learning:**

> داده‌های آموزشی ← الگوریتم یادگیری ← الگوهای آموخته‌شده ← دادهٔ جدید ← پیش‌بینی

این تفاوت یکی از مهم‌ترین تغییرات در مسیر تحول هوش مصنوعی است.

<details class="green">

<summary>نکتهٔ فنی</summary>

البته این تقسیم‌بندی به این معنا نیست که سیستم‌های امروزی هیچ قانون صریحی ندارند یا تمام سیستم‌های قدیمی صرفاً *Rule-based* بوده‌اند. در عمل، بسیاری از سامانه‌های مدرن ترکیبی از **قوانین، الگوریتم‌های کلاسیک و مدل‌های یادگیری ماشین** هستند.

منظور از این مقایسه، نشان دادن تفاوت دو رویکرد اصلی است: **نوشتن مستقیم قواعد توسط انسان** در مقابل **یادگیری الگوها از داده**.

</details>

### ۲. جایگاه هوش مصنوعی، یادگیری ماشین و یادگیری عمیق

هوش مصنوعی یک حوزهٔ بسیار گسترده است و روش‌های مختلفی را برای ایجاد سیستم‌های هوشمند در بر می‌گیرد. یکی از زیرمجموعه‌های مهم هوش مصنوعی، *Machine Learning* است. در یادگیری ماشین، سیستم با استفاده از داده‌ها و الگوریتم‌های یادگیری، الگوهایی را استخراج می‌کند تا بتواند روی داده‌های جدید تصمیم‌گیری یا پیش‌بینی انجام دهد.

*Deep Learning*
نیز یکی از شاخه‌های *Machine Learning* است که از شبکه‌های عصبی عمیق (*Deep Neural Networks*) استفاده می‌کند. به‌صورت ساده می‌توان رابطهٔ این مفاهیم را چنین نمایش داد:

> **Artificial Intelligence → Machine Learning → Deep Learning**

البته همهٔ هوش مصنوعی *Machine Learning* نیست و همهٔ *Machine Learning* نیز *Deep Learning* نیست.

### ۳. پردازش زبان طبیعی و مدل‌های زبانی

یکی از حوزه‌های مهم هوش مصنوعی، **پردازش زبان طبیعی (*Natural Language Processing* یا *NLP*)** است. هدف *NLP* این است که سیستم‌های کامپیوتری بتوانند با **زبان انسان** کار کنند؛ برای مثال متن را تحلیل کنند، اطلاعات را از آن استخراج کنند، آن را ترجمه کنند یا پاسخ مناسبی تولید کنند.

چت‌بات‌های مدرن مانند **ChatGPT** و **Gemini** در بخش مهمی از قابلیت‌های خود به فناوری‌های *NLP* و مدل‌های زبانی متکی هستند.

در این میان، **مدل زبان بزرگ (*Large Language Model* یا *LLM*)** مدلی است که روی حجم زیادی از داده‌های متنی آموزش داده شده و می‌تواند وظایفی مانند تولید، تکمیل، خلاصه‌سازی و تحلیل متن را انجام دهد.

بنابراین بهتر است این مفاهیم را با یکدیگر اشتباه نگیریم:

| مفهوم | تعریف ساده |
|---|---|
| **AI** | حوزهٔ گستردهٔ ساخت سیستم‌های هوشمند |
| **Machine Learning** | یادگیری الگوها از داده |
| **Deep Learning** | استفاده از شبکه‌های عصبی عمیق برای یادگیری |
| **NLP** | پردازش و کار با زبان انسان |
| **LLM** | مدل زبانی بزرگ با توانایی پردازش و تولید زبان |

### ۴. تاریخچهٔ کوتاه هوش مصنوعی

ریشه‌های علمی هوش مصنوعی مدرن به دههٔ ۱۹۵۰ میلادی بازمی‌گردد. یکی از شخصیت‌های مهم در این مسیر *Alan Turing* بود. تورینگ در سال ۱۹۵۰ مقالهٔ معروف *Computing Machinery and Intelligence* را منتشر کرد و در آن پرسش معروفی را مطرح کرد:

> آیا ماشین‌ها می‌توانند فکر کنند؟

او به جای تلاش برای تعریف دقیق «فکر کردن»، یک روش عملی برای بررسی رفتار هوشمند ماشین پیشنهاد کرد که بعدها با نام *Turing Test* شناخته شد.

در ساده‌ترین بیان، ایدهٔ آزمون این است که اگر یک انسان بتواند از طریق یک ارتباط متنی با یک طرف مقابل تعامل کند و نتواند با اطمینان تشخیص دهد که طرف مقابل انسان است یا ماشین، ماشین می‌تواند از نظر این آزمون موفق تلقی شود.

<details class="green">

<summary>نکتهٔ تاریخی</summary>

آلن تورینگ را معمولاً یکی از پیشگامان اصلی علوم کامپیوتر و هوش مصنوعی می‌دانند؛ اما عبارت «پدر هوش مصنوعی» عنوانی رسمی و دقیق نیست.

همچنین خود اصطلاح *Artificial Intelligence* چند سال بعد، در سال ۱۹۵۶ و در ارتباط با کارگاه *Dartmouth* به‌صورت رسمی‌تر وارد ادبیات این حوزه شد.

بنابراین بهتر است تاریخچهٔ *AI* را صرفاً به یک مقاله یا یک فرد محدود نکنیم؛ شکل‌گیری این حوزه حاصل مجموعه‌ای از ایده‌ها و پژوهش‌ها در علوم کامپیوتر، ریاضیات، منطق و علوم شناختی بوده است.

</details>

### ۵. از *ELIZA* تا چت‌بات‌های مدرن

یکی از نمونه‌های تاریخی مهم در مسیر توسعهٔ چت‌بات‌ها، *ELIZA* بود که در دههٔ ۱۹۶۰ توسعه داده شد. ELIZA می‌توانست با کاربر به‌صورت متنی تعامل کند و یکی از حالت‌های معروف آن، شبیه‌سازی یک روان‌درمانگر بود.

نکتهٔ جالب این است که ELIZA برخلاف مدل‌های زبانی مدرن، یک مدل یادگیری عمیق نبود و عمدتاً با استفاده از **الگوهای از پیش تعریف‌شده و قواعد پردازش متن** کار می‌کرد.

پس از آن، روش‌های مختلفی برای پردازش زبان و ساخت سیستم‌های مکالمه توسعه پیدا کردند. در ادامه، دستیارهای صوتی مانند **Siri** و **Google Assistant** نیز امکان تعامل طبیعی‌تر کاربران با سیستم‌های کامپیوتری را فراهم کردند.

در نهایت، پیشرفت شبکه‌های عصبی، افزایش توان محاسباتی و دسترسی به مجموعه‌داده‌های بزرگ باعث شد مدل‌های زبانی بسیار قدرتمندتری ایجاد شوند و نسل جدیدی از چت‌بات‌ها شکل بگیرد.

### ۶. ظهور مدل‌های زبانی بزرگ و عمومی‌شدن هوش مصنوعی

مدل‌های زبانی بزرگ به‌تدریج توانایی بسیار بیشتری در تولید و پردازش زبان پیدا کردند. انتشار مدل‌هایی مانند **GPT-3** و سپس عرضهٔ عمومی ChatGPT، نقش مهمی در عمومی‌شدن استفاده از هوش مصنوعی مولد داشت.

به‌ویژه انتشار ChatGPT در سال ۲۰۲۲ باعث شد تعامل با مدل‌های زبانی برای کاربران عادی بسیار ساده شود. کاربر دیگر لازم نبود متخصص هوش مصنوعی باشد؛ کافی بود درخواست خود را به زبان طبیعی وارد کند و پاسخ دریافت کند. به همین دلیل، هوش مصنوعی از یک فناوری عمدتاً تخصصی به ابزاری تبدیل شد که در بسیاری از فعالیت‌های روزمره، آموزشی و حرفه‌ای مورد استفاده قرار می‌گیرد.

### ۷. هوش مصنوعی مولد چیست؟

یکی از مهم‌ترین تحولات سال‌های اخیر، گسترش **هوش مصنوعی مولد (*Generative AI*)** است.

هوش مصنوعی مولد به سیستم‌هایی اشاره دارد که می‌توانند بر اساس الگوهایی که در فرایند آموزش یاد گرفته‌اند، **محتوای جدید تولید کنند**.

این محتوا می‌تواند شامل موارد مختلفی باشد:

- متن
- کد
- تصویر
- صدا
- ویدئو
- داده‌های ساختاریافته

برای مثال، یک مدل زبانی می‌تواند بر اساس درخواست کاربر، یک توضیح فنی یا قطعه‌ای کد تولید کند؛ حتی اگر دقیقاً همان متن یا کد به شکل مشابه در داده‌های آموزشی وجود نداشته باشد.

<details class="green">

<summary>یک سوءبرداشت رایج دربارهٔ آموزش مدل‌ها</summary>

نباید تصور کنیم که مدل‌های زبانی مانند یک انسان کتاب‌ها یا صفحات اینترنت را می‌خوانند و سپس همان اطلاعات را به شکل یک پایگاه دادهٔ قابل جستجو در ذهن خود ذخیره می‌کنند.

مدل در فرایند آموزش، الگوهای آماری و روابط موجود در داده‌های آموزشی را در پارامترهای خود یاد می‌گیرد و هنگام تولید پاسخ، بر اساس این الگوهای آموخته‌شده خروجی ایجاد می‌کند.

همچنین اینکه یک مدل مشخص دقیقاً با چه داده‌هایی آموزش داده شده است، به خود مدل و اطلاعاتی که سازندهٔ آن منتشر کرده بستگی دارد؛ بنابراین نمی‌توان به‌صورت کلی گفت که «تمام مدل‌ها به GitHub ،Kaggle یا Hugging Face دسترسی دارند».

</details>

ChatGPT برای برنامه‌نویسی