اگر بخواهید فقط چند واژه را از هوش مصنوعی یاد بگیرید که در خبرها، ابزارها و آموزشها زیاد تکرار میشوند، از LLM، Prompt، RAG، Embedding، Token و Agentic AI شروع کنید. اینها پایهایترین اصطلاحاتی هستند که فهم بقیه مفاهیم را خیلی سادهتر میکنند و برای استفاده روزمره از ابزارهای هوش مصنوعی هم کاربرد مستقیم دارند.
Generative AI یا هوش مصنوعی مولد
هوش مصنوعی مولد مدلی است که میتواند محتوای جدید تولید کند؛ مثل متن، تصویر، ویدئو، صوت یا کد.
کاربردها:
- نوشتن متن
- تولید تصویر
- پیشنهاد کد
- ساخت خلاصه یا پاسخ
LLM یا مدل زبانی بزرگ
LLM مدلی است که با حجم زیادی از متن آموزش دیده تا بتواند زبان را درک و تولید کند.
جایی که زیاد میبینید:
- ChatGPT-like tools
- ابزارهای نوشتن محتوا
- چتباتهای سازمانی
- کمکبرنامهنویسی
Foundation Model یا مدل پایه
مدل پایه یک مدل بزرگ و عمومی است که میشود آن را برای کارهای مختلف تنظیم یا تخصصی کرد.
مثال:
یک مدل پایه میتواند برای نوشتن، ترجمه، تحلیل یا کدنویسی تنظیم شود.
Multimodal Model یا مدل چندوجهی
مدلی که فقط متن نمیفهمد، بلکه با تصویر، صدا، ویدئو یا ترکیبی از آنها هم کار میکند.
مثال:
عکس را میگیرد، توضیح میدهد، و بر اساس آن متن تولید میکند.
Token یا توکن
توکن واحدی از متن است که مدل زبانی با آن کار میکند.
یک توکن ممکن است:
- یک کلمه کامل باشد
- بخشی از یک کلمه باشد
- یک علامت نگارشی باشد
چرا مهم است؟
چون محدودیت ورودی و خروجی مدلها معمولاً بر اساس توکن سنجیده میشود.
Context Window یا پنجره زمینه
مقدار متنی که مدل میتواند همزمان در حافظهی کاری خود نگه دارد، context window نام دارد.
اهمیت در عمل:
هرچه context window بزرگتر باشد، مدل میتواند متنهای طولانیتر، فایلهای بیشتر یا مکالمههای بلندتر را بهتر دنبال کند.
Transformer یا ترنسفورمر
ترنسفورمر معماری اصلی بسیاری از مدلهای زبانی مدرن است.
قدرت آن در این است که میتواند روابط بین بخشهای مختلف متن را خوب درک کند.
Attention یا توجه
Attention سازوکاری در ترنسفورمرهاست که کمک میکند مدل تشخیص دهد کدام بخشهای ورودی مهمترند.
مثال خیلی ساده:
وقتی یک جمله طولانی دارید، مدل با attention تشخیص میدهد کدام کلمات برای پاسخ مهمتر هستند.
اصطلاحات مهم برای استفاده عملی از AI
Prompt یا پرامپت
پرامپت همان دستور، سؤال یا ورودیای است که به مدل میدهید.
مثال:
- «این متن را خلاصه کن»
- «برای این کد تست بنویس»
- «یک ایمیل رسمی بنویس»
Prompt Engineering یا مهندسی پرامپت
یعنی طوری ورودی را بنویسیم که مدل خروجی دقیقتر، ساختاریافتهتر و مفیدتری بدهد.
چند نکته عملی:
- هدف را دقیق بگویید
- قالب خروجی را مشخص کنید
- مثال بدهید
- محدودیتها را بنویسید
Fine-tuning یا تنظیم دقیق
وقتی یک مدل را با داده تخصصی دوباره آموزش میدهیم تا در یک حوزه خاص بهتر شود، داریم از fine-tuning استفاده میکنیم.
مثال:
یک مدل عمومی را با دادههای پزشکی یا حقوقی تنظیم میکنند تا در همان حوزه بهتر جواب بدهد.
RAG یا تولید تقویتشده با بازیابی
RAG روشی است که در آن مدل بهجای تکیه فقط بر دانش داخلی خود، از منابع بیرونی مثل پایگاه دانش، فایلها یا اسناد هم کمک میگیرد.
مزیت اصلی:
- پاسخها به دادههای واقعی و بهروز نزدیکتر میشوند
- نیاز به آموزش دوباره مدل کمتر میشود
مراحل ساده RAG:
- کاربر سؤال میپرسد
- سیستم اسناد مرتبط را پیدا میکند
- اطلاعات مهم را به مدل میدهد
- مدل پاسخ نهایی را میسازد
Embedding یا امبدینگ
Embedding یعنی تبدیل متن، تصویر یا داده دیگر به یک نمایش عددی که ماشین بتواند آن را بفهمد.
کاربرد مهم:
برای جستوجوی معنایی، شباهت متنی، دستهبندی و RAG.
Vector Database یا پایگاه داده برداری
جایی برای ذخیره و جستوجوی embeddingهاست.
اگر بخواهید بین سندها یا متنها بر اساس معنا جستوجو کنید، این نوع دیتابیس به کار میآید.
Hallucination یا توهم مدل
وقتی مدل چیزی را با اطمینان میگوید اما آن پاسخ نادرست، ساختگی یا بیپایه است، به آن hallucination میگویند.
مثال:
مدل ممکن است منبعی را اسم ببرد که وجود ندارد یا جزئیاتی را با اطمینان ولی اشتباه تولید کند.
راه کاهش آن:
- استفاده از RAG
- درخواست منبع
- بررسی دستی خروجی
- محدود کردن مدل به داده معتبر
اصطلاحات مرتبط با Agentها و سیستمهای پیشرفته
AI Agent یا عامل هوش مصنوعی
AI Agent برنامهای است که میتواند بهجای کاربر یا سازمان، یک وظیفه را انجام دهد.
مثال:
عاملی که ایمیلها را میخواند، دستهبندی میکند و پاسخ پیشنویس مینویسد.
Agentic AI یا هوش مصنوعی عاملمحور
این اصطلاح به سیستمهایی اشاره دارد که فقط پاسخ نمیدهند، بلکه برنامهریزی، تصمیمگیری و اقدام هم انجام میدهند.
تفاوت با GenAI:
- GenAI: تولید محتوا بر اساس ورودی
- Agentic AI: انجام کار چندمرحلهای با سطحی از خودمختاری
Tool Use یا استفاده از ابزار
یعنی مدل بتواند از ابزارهای بیرونی مثل:
- جستوجو
- ماشین حساب
- API
- پایگاه داده
- فایلها
استفاده کند.
Orchestration یا هماهنگسازی
وقتی چند مدل، ابزار یا عامل با هم کار میکنند و یک سیستم مرکزی آنها را مدیریت میکند، orchestration رخ میدهد.
Inference یا استنتاج
مرحلهای است که مدل بعد از آموزش، روی ورودی جدید پاسخ تولید میکند.
نکته:
بسیاری از بحثهای هزینه و سرعت در AI مربوط به inference است، نه آموزش.
سوالات متداول
1) چرا Token در هوش مصنوعی مهم است؟
چون مدلهای زبانی متن را به توکن تبدیل میکنند و محدودیت ورودی و خروجی آنها بر اساس توکن سنجیده میشود.
2) RAG چه فرقی با Fine-tuning دارد؟
RAG از منابع بیرونی برای پاسخ بهتر استفاده میکند، اما Fine-tuning مدل را با داده جدید دوباره آموزش میدهد.
3) Agentic AI یعنی چه؟
یعنی سیستم هوش مصنوعی فقط پاسخ ندهد، بلکه بتواند هدف را دنبال کند، تصمیم بگیرد و عمل انجام دهد.
4) Hallucination در AI یعنی چه؟
یعنی مدل با اطمینان چیزی را تولید کند که درست نیست یا منبع واقعی ندارد.
