هوش مصنوعی

• شبکه عصبی حافظه‌ طولانی کوتاه‌مدت چیست و چگونه کار می‌کنند؟ 
• دسته‌بندی متن در هوش مصنوعی چیست و چگونه انجام می‌شود؟ 
• الگوریتم فازی C-Means چیست و چگونه آن‌را پیاده‌سازی کنیم؟

فناوری شبکه

• ابر خصوصی چه مزایا و معایبی برای سازمان‌ها به‌همراه دارد؟ 
• مکانیزم مدیریت هویت و دسترسی (IAM) چیست و چه مولفه‌هایی دارد؟ 
• وب‌سرور Lighttpd چیست و چرا شرکت‌ها به آن علاقه‌مند شده‌اند؟ 

امنیت

• امنیت اعتماد صفر (Zero Trust) چیست و چگونه پیاده‌سازی می‌شود؟ 
• فناوری‌های شناختی چه تاثیری بر امنیت سایبری دارند؟ 

عصر شبکه

• استاندارد BPMN 2.0 یست و چه قابلیت‌هایی در اختیار ما قرار می‌دهد؟ 
• حاکمیت داده (Data Governance) و مشاور داده چه نقشی در سازمان‌ها دارند؟  

کارگاه

• Lazy در کاتلین چیست و چه قابلیتی در اختیار برنامه‌نویسان قرار می‌دهد؟ 
• نرمال‌سازی در یادگیری ماشین، راهنمای جامع برای تنظیم دقیق داده‌ها

پرونده ویژه

پرونده ویژه شماره 277 ماهنامه شبکه، اختصاص به مفهوم راه‌حل‌های نرم‌افزاری دارد. راه‌حل‌هایی که در قالب مفاهیمی همچون ERP، CRM، HRMS، نرم‌افزار مدیریت پروژه و غیره در مورد آن‌ها می‌شنویم. در پرونده ویژه این شماره قصد داریم در مورد این اصلاحات، اطلاعات بیشتری کسب کنیم و ببینیم چرا راه‌حل‌های اختصاصی نرم‌افزاری سوده هستند و روی کدام‌یک از آن‌ها سرمایه‌گذاری کنیم به سودآوری کلانی خواهیم رسید.
 

• راه‌حل‌های اختصاصی نرم‌افزاری  
• راه‌حل نرم‌افزاری (Software Solutions) چیست؟ 
• 12 مزیت راه‌حل‌های نرم‌افزاری برای کسب‌و‌کارها 
• راه‌حل اختصاصی برنامه‌ریزی منابع سازمانی (ERP) چیست؟ 
• نرم‌افزار مدیریت پروژه چیست و چه کمکی به کسب‌و‌کارها می‌کند؟ 
• نرم‌افزار مدیریت ارتباط با مشتری (CRM) چیست؟ 
• نرم‌افزار مدیریت منابع انسانی چیست و چرا سازمان‌ها از آن استفاده می‌کنند؟ 

راه‌حل‌های اختصاصی نرم‌افزاری 

در عصر دیجیتالی شدن کامل کسب‌و‌کارها به سر می‌بریم. با این حال، برای برخی از کسب‌و‌کارها مهم این است که متمایز از دیگران باشند و بتوانند کارها را به بهترین شکل انجام دهند. به بیان دقیق‌تر، در شرایطی که فناوری‌هایی مثل هوش مصنوعی، اینترنت اشیاء، زنجیره بلوکی،  امنیت افزوده، علوم شناختی، رابط‌های مغز و کامپیوتر و غیره در دسترس قرار دارند، اما زیربنای این فناوری‌ها چیست؟ هیچ پاسخی دقیق‌تر از نرم‌افزار یا به عبارت دقیق‌تر، راه‌حل نرم‌افزاری نیست. یک راه‌حل نرم‌افزاری، مجموعه‌ای از ماژول‌ها و میکروسرویس‌هایی است که در تعامل با یک‌دیگر، یک نرم‌افزار واحد را شکل می‌دهند و به کسب‌وکارها در حل یک مشکل یا مجموعه‌ای از مشکلات خاص کمک می‌کند. این برنامه‌ها می‌توانند به‌صورت جداگانه یا به‌عنوان بخشی از یک سیستم یکپارچه کار کنند. ‌راه‌حل‌های نرم‌افزاری در طیف گسترده‌ای از صنایع و برای کاربردهای مختلف استفاده می‌شوند. 

به‌طور مثال در حوزه کسب‌وکار، نرم‌افزارهای تجاری برای کمک به مشاغل در انجام وظایف مختلفی مانند مدیریت حسابداری، پیگیری وضعیت مشتریان و مدیریت پروژه استفاده می‌شوند. در حوزه مراقبت‌های بهداشتی، نرم‌افزارها برای کمک به ارائه‌دهندگان مراقبت‌های بهداشتی در تشخیص، درمان و مدیریت مراقبت از بیماران استفاده می‌شود. در حوزه آموزش، نرم‌افزارهای آموزشی برای کمک به دانش‌آموزان در یادگیری استفاده می‌شوند. در بخش دولتی نیز نرم‌افزارهای اختصاصی توسط آژانس‌های دولتی برای ارائه خدمات به شهروندان، مورد استفاده قرار می‌گیرند. با این‌حال، نکته مهمی که باید به آن توجه داشته باشید این است که راه‌حل‌های نرم‌افزاری به نوع خاصی از برنامه‌های کاربردی اشاره دارند که برای پاسخ‌گویی به نیازهای یک سازمان خاص طراحی شده و مورد استفاده قرار می‌گیرند. به طور مثال، منابع انسانی سازمان‌ها از راه‌حل‌های نرم‌افزاری اختصاصی، برای انجام کارهای خود استفاده می‌کنند و به‌جای آن‌که از محصولات از‌پیش‌ساخته‌شده استفاده کنند، اقدام به سفارش نرم‌افزارهای تخصصی می‌دهند تا بتوانند وظایف روزمره را به بهترین شکل انجام دهند. واقعیت این است که فناوری شیوه انجام فعالیت‌های تجاری را برای کارآفرینان متحول کرده است. این امر در حوزه خدمات مشتری، بازاریابی و تولید مشهود است. از این‌رو، شرکت‌های بیشتری از هوش مصنوعی و سایر فناوری‌ها با هدف افزایش کارایی و بهره‌وری استفاده می‌کنند. علاوه بر این، در صنعت فناوری اطلاعات که دائما در حال تحول است، اصطلاحات مختلفی با ظرافت‌های خاص وجود دارند. امروزه، واژه «معمار» نه‌تنها به فردی اشاره دارد که برای بازدید از یک سایت کلاه ایمنی به سر می‌گذارد، بلکه به فردی حرفه‌ای که روی راه‌حل‌های سازمانی کار می‌کند یا در چرخه حیات برنامه‌نویسی مشارکت دارد، گفته می‌شود.

برای مدیریت فناوری‌ها و فعالیت‌های روزمره، یک تیم بزرگ از متخصصان نیاز است. این امر به‌ویژه برای شرکت‌هایی که در زمینه ایجاد نرم‌افزار سفارشی برای مشتریان مختلف فعالیت می‌کنند، صادق است. در چنین مواردی، تیم نه‌تنها از برنامه‌نویسان و مهندسان بلکه از معماران نیز تشکیل شده است.

یک معمار راه‌حل نقش پلی میان اهداف سازمانی و فناوری را بازی می‌کند. به‌طور کلی، اصطلاح «معماری راه‌حل» به فرآیند ایجاد و مستندسازی محتوای معماری اشاره دارد. هدف، دستیابی به یک نتیجه عملیاتی خاص برای یک کسب‌وکار است. از این‌رو، وظیفه یک معمار راه‌حل این است که به نیازهای ذی‌نفعان رسیدگی کند. همچنین، این گروه از متخصصان، الزامات خاص عملکردی را مورد بررسی قرار می‌دهند. بنابراین، یک معمار نرم‌افزار، سیستمی را طراحی می‌کند که با نیازهای تجاری و عملکردی کسب‌وکار مطابقت دارد. معمار چگونه این کار را انجام می‌دهد؟

آن‌ها نیازهای کاربران نهایی را تجزیه‌وتحلیل می‌کنند و اطلاعات دریافتی از مشتریان را به یک نرم‌افزار تجاری تبدیل می‌کنند. این کار با حداقل ریسک برای عملیات تجاری و در عین حال برآورده کردن انتظارات کاربران نهایی انجام می‌شود. علاوه بر میکروسرویس‌ها و معماری‌های یکپارچه که ابتدای مطلب به آن اشاره کردیم، الگوهای شناخته‌شده دیگری نیز توسط معماران نرم‌افزار استفاده می‌شود که از آن جمله باید به کنترل‌کننده مدل-نما (Model-View-Controller)، سرویس‌گیرنده-سرویس‌دهنده (Client-Server)،  همتابه‌همتا (P2P) و غیره اشاره کرد. 

گاهی اوقات، شرح وظایف یک معمار نرم‌افزار و طراح نرم‌افزار اشتباه گرفته می‌شود. معمار نرم‌افزار زیربنای سیستم را آماده می‌کند. در مقابل، طراح نرم‌افزار، راه‌حل‌هایی را برای دستیابی به اهداف پروژه با توجه به برنامه‌های ایجادشده توسط معمار نرم‌افزار طراحی می‌کند.

کسب‌وکارهایی که می‌خواهند سیستم‌های قدیمی خود را به‌روز کنند یا از نرم‌افزار جدیدی استفاده کنند، به هر دو متخصص معمار نرم‌افزار و معمار راه‌حل نیاز دارند. در برخی از شرکت‌ها، یک معمار نرم‌افزار را معمار فنی نیز می‌نامند. این فرد مسئولیت کل سیستم نرم‌افزاری را بر عهده دارد. همچنین، در اینجا وظایف فنی دیگری وجود دارد که این متخصصان در ساعات کاری انجام می‌دهند که از آن جمله باید به ارزیابی، شناسایی و توسعه راه‌حل‌های نرم‌افزاری مطابق با الزامات عملکردی، تجزیه‌وتحلیل هزینه‌ها و تحویل برنامه و اطمینان از اینکه همه‌چیز در بودجه و چارچوب زمانی پروژه قرار دارد، برنامه‌ریزی برای یکپارچه‌سازی فناوری و گردش کار مرتبط برای توسعه نرم‌افزار، ارائه راهنمایی و پشتیبانی فنی به توسعه‌دهندگان، مهندسان و سایر ذی‌نفعان، بررسی کیفیت نرم‌افزار برای اطمینان از اینکه الزامات کیفیت، امنیت و مقیاس‌پذیری برآورده شده است، همکاری با سرپرست تیم برای نظارت بر پیشرفت توسعه به منظور حفظ طراحی اولیه، همکاری با متخصصان کنترل کیفیت برای انجام بررسی نهایی کیفیت نرم‌افزار قبل از استقرار و برقراری ارتباط با کل تیم توسعه در طول پروژه اشاره کرد. 

این متخصصان، برنامه‌های مورد نیاز سازمان‌ها را در قالب نرم‌افزارهای اختصاصی در اختیارشان قرار می‌دهد. با توجه به توضیحاتی که ارائه کردیم، ممکن است حدس زده باشید که پرونده ویژه این شماره مجله، اختصاص به مفهوم راه‌حل‌های نرم‌افزاری دارد. راه‌حل‌هایی که در قالب مفاهیمی همچون ERP، CRM، HRMS، نرم‌افزار مدیریت پروژه و غیره در مورد آن‌ها می‌شنویم. در پرونده ویژه این شماره قصد داریم در مورد این اصلاحات، اطلاعات بیشتری کسب کنیم و ببینیم چرا راه‌حل‌های اختصاصی نرم‌افزاری سوده هستند و روی کدام‌یک از آن‌ها سرمایه‌گذاری کنیم به سودآوری کلانی خواهیم رسید.

پرونده ویژه

در پرونده ویژه شماره 267 ماهنامه شبکه، با مفهوم شبکه‌های عصبی، کاربردها و دلایل استفاده از آن‌ها آشنا می‌شویم؛ انواع مختلف شبکه‌های عصبی مصنوعی را بررسی می‌کنیم؛ نگاهی به سلول‌ها و لایه‌ها در شبکه‌های عصبی می‌اندازیم؛ نحوه پیاده‌سازی یک شبکه عصبی ساده را بررسی می‌کنیم؛ با روش خوشه‌بندی داده‌ها در یادگیری عمیق آشنا خواهیم شد و در نهایت با چیستی و چرایی شبکه‌های عصبی ‌CNN و نحوه پیاده‌سازی آن‌ها با تنسورفلو آشنا می‌شویم.

• مغزهای مصنوعی در خدمت هوش مصنوعی 
• شبکه‌های عصبی چیستند و چه کاربردهایی دارند؟ 
• شبکه عصبی پیچشی (‌CNN) چیست و چگونه با تنسورفلو آن‌را پیاده‌سازی کنیم؟ 
• در دنیای هوش مصنوعی چه شبکه‌های عصبی پرکاربردی وجود دارند؟
• خوشه‌بندی داده‌ها در یادگیری عمیق چیست‌ و چگونه انجام می‌شود؟
• چگونه یک شبکه عصبی ساده را پیاده‌سازی کنیم؟
• آشنایی با انواع سلول‌ها و لایه‌ها در شبکه‌های عصبی 

هوش مصنوعی

• گوگل‌بارد چیست و چه قابلیت‌ها و تفاوت‌هایی با ChatGPT دارد؟
• MLOps چیست و چرا مهندسان یادگیری ماشین به آن نیاز دارند؟

فناوری شبکه

• ممیزی مرکز داده چیست و چرا اهمیت زیادی دارد؟‌ 
• چگونه از زیرساخت ابری کسب درآمد کنیم؟

امنیت

• هوش تهدید چیست، چگونه به سازمان‌ها کمک می‌کند و پیاده‌سازی می‌شود؟  
•  حمله  دوقلوی شیطانی (Evil Twin) چیست و  چگونه با آن مقابله کنیم؟

عصر شبکه

• یادگیری شناختی چیست و چگونه به دانش‌آموزان و متخصصان کمک می‌کند مطالب را بهتر یاد بگیرند؟  
• چگونه از زمان خود به بهترین شکل برای انجام کارها استفاده کنیم؟

کارگاه

•  کربن، زبان برنامه‌نویسی ابداعی گوگل چیست و چه قابلیت‌هایی دارد؟ 
• چگونه «تست واحد» را در زبان برنامه‌نویسی پایتون انجام دهیم؟ 

مغزهای مصنوعی در خدمت هوش مصنوعی

شبکه‌های عصبی مصنوعی را باید پیشرفته‌ترین فناوری عصر جدید توصیف کنیم که با الگوبرداری از مغز انسان و بر پایه پیچیده‌ترین محاسبات ریاضی قادر به یادگیری و انجام وظایف مختلف هستند. شبکه‌های عصبی مصنوعی اولین بار توسط وارن مک‌کالک و والتر پیترز در سال 1943 پیشنهاد شدند. مک‌کالک و پیترز یک مدل ریاضی از نورون‌های مغز ایجاد کردند که می‌توانست برای محاسبه الگوهای پیچیده استفاده شود، اما به‌لحاظ ساختاری قابل مقایسه با نمونه‌های امروزی نبود. 

این شبکه‌ها در گذر زمان پیشرفت‌های خیره‌کننده‌ای داشتند، به‌طوری که امروزه برای انجام کارهای پیچیده‌ای از آن‌ها استفاده می‌شود. شبکه‌های عصبی مصنوعی راهکارهای قدرتمندی برای حل طیف گسترده‌ای از مشکلات در اختیار ما قرار می‌دهند که راهکارهایی سنتی به‌سختی قادر به ارائه چنین راه‌حل‌هایی هستند. شبکه‌های عصبی مصنوعی بر پایه شبکه‌ای از سلول‌های عصبی کار می‌کنند که می‌توانند برای یادگیری و انجام وظایف استفاده شوند. عملکرد این نورون‌ها شبیه به مغز انسان است. آن‌ها به یک‌دیگر متصل هستند و اطلاعات را از طریق کانال‌های ارتباطی با یک‌دیگر مبادله می‌کنند. 

شبکه‌های عصبی مصنوعی همانند دیگر مدل‌های هوش مصنوعی بر مبنای مجموعه داده‌ها آموزش می‌بینند. در فرآیند آموزش، شبکه عصبی مصنوعی یاد می‌گیرد که چگونه ورودی‌ها را به خروجی‌های مورد نظر تبدیل کند. این کار با تنظیم وزن‌های مرتبط با هر اتصال انجام می‌شود.

در شرایطی که این شبکه‌ها قادر به انجام انواع مختلفی از محاسبات هستند، اما پیاده‌سازی و استفاده از آن‌ها هزینه‌بر و پیچیده است. همچنین، فرآیند آموزش آن‌ها برای حل مسائل خاص به منابع محاسباتی سنگین و صرف انرژی زیاد نیاز دارد. همین مسئله باعث شده تا سازمان‌ها برای حل مسائل پیچیده و پیشرفته از این مدل شبکه‌ها استفاده کنند. پرسش مهمی که مطرح می‌شود این است که اساسا چرا به شبکه‌های عصبی مصنوعی نیاز داریم؟ از دلایل مهم در این زمینه به موارد زیر باید اشاره کرد:

•  آن‌ها می‌توانند برای حل مشکلاتی استفاده شوند که با رویکردهای سنتی قابل حل نیستند.
•  آن‌ها می‌توانند برای حل مشکلاتی که پیچیده و داده‌محور هستند استفاده شوند.
•  آن‌ها می‌توانند برای حل مشکلاتی استفاده شوند که باید در زمان کوتاهی پاسخی برای آن‌ها ارائه کرد. 
•  آن‌ها می‌توانند برای حل مشکلاتی که ماهیت پویا دارند و مدل باید انعطاف‌پذیری لازم برای حل آن‌ها را داشته باشد، استفاده شوند.

این دلایل باعث شده‌اند تا شبکه‌های عصبی مصنوعی در زمینه تشخیص تصویر، پردازش زبان طبیعی، پیش‌بینی بازارهای مالی، تشخیص و شناسایی بیماری‌ها، ساخت خودران‌ها، و پهپادهای هوشمند مورد استفاده قرار گیرند. اگر در نظر داشته باشیم برخی از کاربردهای شبکه‌های عصبی در دنیای واقعی را بررسی کنیم، موارد زیر شاخص‌‌ترین کاربردهای این فناوری در جهان امروز هستند:

• پزشکی: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای تشخیصی جدید، مانند الگوریتم‌هایی برای تشخیص سرطان یا بیماری‌های قلبی استفاده شوند. همچنین می‌توانند برای توسعه روش‌های درمانی و ساخت داروهای جدید استفاده شوند.
• مالی: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای جدید پیش‌بینی بازار، مانند الگوریتم‌هایی که می‌توانند قیمت سهام یا ارز را با دقت بالایی پیش‌بینی کنند استفاده شوند. همچنین، می‌توانند برای توسعه ابزارهای مدیریت ریسک نیز مورد استفاده قرار گیرند تا سرمایه‌گذاران بتوانند ریسک سرمایه‌گذاری خود را به‌دقت ارزیابی کنند. 
• حمل و نقل: شبکه‌های عصبی می‌توانند برای توسعه خودروهای خودران، سیستم‌های حمل‌ونقل هوشمند و سیستم‌های حمل‌ونقل عمومی کارآمدتر استفاده شوند. همچنین، می‌توانند برای توسعه ابزارهای مدیریت ترافیک استفاده شوند تا روند نظارت بر ترافیک دقیق‌تر شده و تصادفات کاهش پیدا کنند. 
• خدمات مشتری: شبکه‌های عصبی می‌توانند برای توسعه چت‌بات‌های پیشرفته، ابزارهای تشخیص کلاهبرداری و سیستم‌های پشتیبانی مشتری استفاده شوند و به سازمان‌ها در توسعه ابزارهای شخصی‌سازی تجربه مشتری کمک کنند تا الگوریتم‌ها جذاب‌ترین پیشنهادها را به کاربران ارائه دهند. 
• آموزش: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای یادگیری جدید، مانند الگوریتم‌هایی که می‌توانند یادگیری را برای دانش‌آموزان شخصی‌سازی کنند استفاده شوند. 
• تولید: شبکه‌های عصبی می‌توانند برای توسعه ابزارهای کنترل کیفیت، ابزارهای پیش‌بینی خرابی و سیستم‌های تولید خودکار استفاده شوند. 

این فهرست تنها چند مثال رایج از کاربردهای شبکه‌های عصبی را نشان می‌دهد. به‌طور کلی، شبکه‌های عصبی به‌دلیل قابلیت یادگیری پویا و کارایی بالا، در بسیاری از حوزه‌های مختلف به‌عنوان راهکار اصلی یادگیری ماشین استفاده می‌شوند. یادگیری عمیق در سال‌های اخیر توجه بسیاری از محافل دانشگاهی و تجاری را به خود جلب کرده است. موسسه McKinsey در سال 2022 میلادی، یک نظرسنجی در مورد وضعیت شبکه‌های عصبی و هوش مصنوعی انجام داد که نشان داد پذیرش هوش مصنوعی در سال‌های آتی رشد چشم‌گیری خواهد داشت. در حالی که فناوری فوق برای ورود گسترده به دنیای تجارت هنوز هم با موانعی روبه‌رو است، اما نوآوری‌های انجام‌شده در این زمینه امیدوار‌کننده بوده‌اند. به‌طوری که اکنون این پرسش مهم مطرح می‌شود که آیا یادگیری عمیق آینده یادگیری ماشین است؟ با این مقدمه، به سراغ پرونده ویژه این شماره مجله شبکه می‌رویم که مبحث شبکه‌های عصبی را نشانه رفته است. در پرونده ویژه این شماره، با مفهوم شبکه‌های عصبی، کاربردها و دلایل استفاده از آن‌ها آشنا می‌شویم؛ انواع مختلف شبکه‌های عصبی مصنوعی را بررسی می‌کنیم؛ نگاهی به سلول‌ها و لایه‌ها در شبکه‌های عصبی می‌اندازیم؛ نحوه پیاده‌سازی یک شبکه عصبی ساده را بررسی می‌کنیم؛ با روش خوشه‌بندی داده‌ها در یادگیری عمیق آشنا خواهیم شد و در نهایت با چیستی و چرایی شبکه‌های عصبی ‌CNN و نحوه پیاده‌سازی آن‌ها با تنسورفلو آشنا می‌شویم

پرونده ویژه

در پرونده ویژه شماره 264 ماهنامه شبکه، به شما خواهیم گفت که چت ‌جی‌پی‌تی (ChatGPT) چیست و چگونه کار می‌‌کند؟ چت‌جی‌پی‌تی را باید باشکوه‌ترین دستاورد هوش مصنوعی توصیف کنیم که امکان استفاده مستقیم از آن برای همه مردم سراسر جهان وجود دارد. اگر بگوییم که چت‌جی‌پی‌تی عامل فراگیر هوش مصنوعی در سال‌های آتی پس از فراز و فرودهای چند دهه اخیر است، اغراق نکرده‌ایم. اگر به اواخر قرن بیستم میلادی بازگردیم با جمله معروفی روبه‌رو می‌شویم با این مضموم که افراد ناآشنا به زبان انگلیسی و کامپیوتر بی‌سواد هستند. با این روند همه‌گیر شدن هوش مصنوعی و تبلیغات گسترده پیرامون آن، به‌نظر می‌رسد تا چند سال دیگر، افراد ناآشنا به هوش مصنوعی و نحوه استفاده از آن در کاربردهای تجاری، افراد بی‌سوادی شناخته خواهند شد. اژدهای خفته بیدار شده و مجبور هستیم خود را با آن سازگار کنیم و دانش خود را در مورد این فناوری افزایش دهیم.
 

• چت ‌جی‌پی‌تی و بیداری اژدهای خفته (هوش مصنوعی) 
• چت‌جی‌پی‌تی (ChatGPT) چیست و چگونه کار می‌‌کند؟ 
• از چه فناوری‌هایی در ساخت  چت‌جی‌پی‌تی استفاده شده است؟ 
• چت‌جی‌پی‌تی با چه چالش‌های امنیتی روبه‌رو است؟ 
• چت‌جی‌پی‌تی در چه حوزه‌هایی کاربرد خواهد داشت؟ 
• چت‌جی‌پی‌تی چه دستاوردهایی برای دنیای علم خواهد داشت؟ 
• چت‌جی‌پی‌تی به روند ساخت ربات‌های انسان‌نما سرعت می‌بخشد 

شاهراه اطلاعات

• دانشمندان به دنبال ساخت زیست‌رایانه‌ها با کمک سلول‌های انسانی هستند 
• باتری‌های آلومینیومی، ظرفیت بالا، شارژدهی سریع و قیمت پایین

فناوری شبکه

• میزبانی اختصاصی وب چه مزایا و معایبی برای سازمان‌ها به‌همراه دارد؟ 
• اوپن‌استک (OpenStack) چیست و چرا رایانش ابری را متحول خواهد ساخت؟ 
• برترین ابزارهای مشاهده‌پذیری مخصوص کارشناسان شبکه

امنیت

• چرا شرکت‌ها به دنبال مدل اعتماد صفر هستند؟ 
• چگونه یک پلتفرم تحلیل امنیتی یکپارچه را انتخاب کنیم؟

عصر شبکه

• آیا دوران شکوه و عظمت شرکت‌های بزرگ دنیای فناوری اطلاعات رو به پایان است؟ 
• فرسودگی یا دل‌زدگی شغلی چیست و چه راهکاری برای غلبه بر آن وجود دارد؟ 

کارگاه

•  10 الگوریتم برتر یادگیری ماشین سال 1402 که باید آن‌ها را یاد بگیریم 
• انسیبل (Ansible) چیست و چگونه باید از آن استفاده کنیم

چت ‌جی‌پی‌تی و بیداری اژدهای خفته (هوش مصنوعی)

چت‌جی‌پی‌تی با گذشت نزدیک به دو ماه موفق شده است صد میلیون کاربر را جذب کند. بله این حرف درست است. چت‌جی‌پی‌تی  بسیاری از رکوردهای دنیای فناوری اطلاعات را جابه‌جا کرده و به ترند روز شبکه‌های اجتماعی تبدیل شده است. چت‌جی‌پی‌تی در گروه ربات‌های هوش مصنوعی مولد قرار می‌گیرد. این گروه از ربات‌ها توانایی خلق محصولات جدید را دارند. به بیان دیگر، این ربات برای درک زبان انسان و پاسخ‌گویی بر مبنای کلان‌داده‌ها برنامه‌ریزی شده است. 

به‌لطف حجم عظیم داده‌های آموزشی، چت‌جی‌پی‌تی قادر به تولید پاسخ‌هایی شبیه به انسان‌ها است و همین مسئله شگفتی بسیای از کاربران را برانگیخته است. همچنین، یکی از ویژگی‌های فوق‌العاده‌ این چت‌بات، توانایی آن در ثبت پرسش‌ها و پاسخ‌های قبلی کاربران و توانایی یادگیری از آن‌ها است. به این صورت، چت‌بات از پیام‌های قبلی برای شکل‌دهی پاسخ بعدی استفاده می‌کند یا در صورت لزوم پرسش‌هایی را به کاربر نشان می‌دهد تا در صورت تمایل آن‌ها را انتخاب کند و پاسخ‌هایی را دریافت کند. 

تاکنون، هیچ مدل هوش مصنوعی‌ای به این گستردگی در دسترس مردم قرار نگرفته بود و همین مسئله اصلی‌ترین دلیل ترند شدن چت‌جی‌پی‌تی است. دلیل دوم، توانایی چت‌جی‌پی‌تی در گفت‌وگو با کاربران به شیوه انسان‌محور است. این چت‌بات مثل یک دوست با شما صحبت می‌کند و به درخواست‌های شما پاسخ می‌دهد. در نهایت نباید از این نکته غافل شویم که سرمایه‌گذاران مطرحی مثل مایکروسافت به‌شکل گسترده از این چت‌بات حمایت می‌کنند که روند توسعه آن‌را شتاب می‌بخشد. به بیان دقیق‌تر، شرکت‌هایی مثل مایکروسافت، OpenAI و بزرگان دیگر دنیای فناوری بی‌تمایل نیستند تا استیلای گوگل بر دنیای جست‌وجو و حتا تبلیغات را کم‌رنگ کنند. همین مسئله باعث شد تا ساندار پیچای گفت‌وگوی مفصلی در این زمینه انجام دهد و به ‌شرح گوشه‌ای از برنامه‌های گوگل در آینده بپردازد. 

مدیرعامل گوگل در مصاحبه‌ای مفصل که با پادکست Hard Fork داشت، ضمن اشاره به پیشرفت‌های انجام‌شده در پلتفرم هوش مصنوعی بارد (Bard) این شرکت که اکنون در برخی از کشورها در دسترس قرار دارد، ابراز داشت که نگران توسعه‌ سریع هوش مصنوعی است. ساندار پیچای، مدیرعامل گوگل، در نهایت تصمیم گرفت به انتقادات گسترده‌ای که کاربران و تحلیل‌گران به چت‌بات بارد وارد کرده‌اند، واکنش نشان داد. پیچای در این باره گفت: «گوگل به‌‌زودی بارد را ارتقاء می‌دهد و قابلیت‌های بیشتری به این سرویس اضافه می‌کند. ما مدل‌هایی با توانایی‌هایی به مراتب بیشتر از چت‌جی‌پی‌تی در اختیار داریم و قابلیت‌های گسترده‌ای به پلتفرم هوش مصنوعی بارد مثل PaLM اضافه کرده‌ایم. قابلیت‌های جدید در زمینه‌ استدلال، کدنویسی و پاسخ به پرسش‌های ریاضی به بارد افزوده شده‌اند. بدین ترتیب کاربران کشورهای مختلف در آینده با نسخه‌ای پیشرفته‌تر از بارد ارتباط برقرار خواهند کرد». 

گزارشی که وب‌سایت ورج در همین ارتباط منتشر کرده، نشان می‌دهد که بارد مبتنی‌ بر نسخه‌ سبک مدل هوش مصنوعی LaMDA است. LaMDA مدلی است که روی گفت‌وگوها متمرکز است و گوگل از مدت‌ها قبل روند توسعه‌ آن‌را آغاز کرده بود. ساندار پیچای می‌گوید: «معتقد هستم که PaLM نسبت ‌به LaMDA مدل زبانی جدیدتر و قدرتمندتری است. PaLM در رویارویی با وظایفی مثل استدلال مبتنی ‌بر فهم انسانی و مسائل کدنویسی عملکرد بهتری نسبت به رقبا خواهد داشت». 

در شرایطی که بارد چند وقتی است در دسترس کاربران قرار دارد، اما هنوز موفق نشده است همانند چت‌جی‌پی‌تی جایگاه خود نزد کاربران را پیدا کند. بررسی‌ها نشان می‌دهد بارد در وضعیت فعلی‌، عملکردی پایین‌تر از رقبا دارد، با این‌حال شبیه به دیگر چت‌بات‌ها می‌تواند به پرسش‌های مختلفی پاسخ دهد. البته، پاسخ‌هایی که چت‌جی‌پی‌تی ارائه می‌کند، دقیق‌تر و قابل درک‌تر است. 

پیچای در مصاحبه‌ دیگری به این نکته اشاره کرد که روند توسعه‌ هوش مصنوعی شبیه به چت‌جی‌پی‌تی او را نگران کرده است و این اتفاق ممکن است برای جامعه و به‌ویژه نیروی کار شاغل در شرکت‌ها خطر جدی باشد. بسیاری از فعالان حوزه‌ هوش مصنوعی نسبت ‌به توسعه‌ سریع این فناوری و رقابت شدید بین مایکروسافت و OpenAI با گوگل هشدار داده‌اند. ایلان ماسک، مدیرعامل شرکت تسلا و اسپیس‌ایکس که در گذشته مدیرعامل OpenAI بود، در بیانیه‌ای هشدارآمیز خواستار توقف موقتی توسعه‌ هوش مصنوعی شده بود. 

با این‌حال، واقعیت مهمی که وجود دارد این است که برخی از فناوری‌های انقلابی، تاثیر شایانی بر پیشرفت و توسعه‌ فناوری‌های قدیمی‌تر دارند. به‌طور مثال، کارشناسان بر این باور هستند که این قاعده در مورد چت‌جی‌پی‌تی و زنجیره بلوکی نیز صدق می‌کند. مهم‌ترین و اساسی‌ترین تاثیر چت‌جی‌پی‌تی بر زنجیره بلوکی، امکان ساده‌سازی و قابل فهم کردن این جهان پیچیده و مرموز است. این چت‌بات به ساده‌ترین شکل ممکن به پرسش‌های کاربران درباره زنجیره بلوکی و ارزهای دیجیتال پاسخ می‌دهد که نقش مهمی در شناخت بهتر زنجیره بلوکی توسط همه کاربران خواهد داشت. 

چت‌جی‌پی‌تی توانایی ساده‌سازی عملیات‌های پیچیده و اساسی در توسعه‌ زنجیره بلوکی را دارد. این چت‌بات به اندازه‌ای در این زمینه مهارت دارد که برخی ادعا می‌کنند این ظرفیت را دارد تا جایگزین توسعه‌دهندگان تازه‌کار آشنا به زبان برنامه‌نویسی سالید (Solidity) شود. به‌عنوان مثال، این چت‌بات می‌تواند در چند ثانیه یک قرارداد هوشمند بنویسد یا کدهای یک توکن ERC-20 را تولید می‌کند. با این حال گاهی‌اوقات کدهای نوشته‌شده از سوی چت‌جی‌پی‌تی ایراداتی دارند و بهتر است از این مدل هوشمند به‌‌عنوان مرجع استفاده نکنید.

نکته قابل تامل دیگر رشد قیمت و ارزش توکن‌های هوش مصنوعی به‌لطف چت‌جی‌پی‌تی است. صرافی CoinGecko در گزارشی اعلام کرده است که همزمان با ترند شدن چت‌جی‌پی‌تی، توکن‌های هوش مصنوعی مثل NMR،FET، AGIX، DBC و ALETHEA به‌طور میانگین با رشد 77 درصدی روبه‌رو شده‌اند. در واقع موفقیت چت‌جی‌پی‌تی باعث شد تا هوش مصنوعی به ترند اصلی و مهم چند ماهه اخیر دنیای فناوری اطلاعات تبدیل شود. 

همان‌گونه که مشاهده می‌کنید، چت‌جی‌پی‌تی را باید باشکوه‌ترین دستاورد هوش مصنوعی توصیف کنیم که امکان استفاده مستقیم از آن برای همه مردم سراسر جهان وجود دارد. اگر بگوییم که چت‌جی‌پی‌تی عامل فراگیر هوش مصنوعی در سال‌های آتی پس از فراز و فرودهای چند دهه اخیر است، اغراق نکرده‌ایم. اگر به اواخر قرن بیستم میلادی بازگردیم با جمله معروفی روبه‌رو می‌شویم با این مضموم که افراد ناآشنا به زبان انگلیسی و کامپیوتر بی‌سواد هستند. با این روند همه‌گیر شدن هوش مصنوعی و تبلیغات گسترده پیرامون آن، به‌نظر می‌رسد تا چند سال دیگر، افراد ناآشنا به هوش مصنوعی و نحوه استفاده از آن در کاربردهای تجاری، افراد بی‌سوادی شناخته خواهند شد. اژدهای خفته بیدار شده و مجبور هستیم خود را با آن سازگار کنیم و دانش خود را در مورد این فناوری افزایش دهیم .