یادداشت آکادمیک:

هوش مصنوعی (AI) یک حوزه چندبعدی است؛ بر این اساس، دانشمندان کامپیوتر، موسسات تکنولوژی و سازمان‌های بین‌المللی آن را از دیدگاه‌های گوناگون (علمی، توسعه‌ای، کاربردی و قانونی) تعریف می‌کنند.

۵ تعریف علمی و رسمی از منابع معتبر جهانی
تعریف جان مک‌کارتی (John McCarthy):

«علم و مهندسی ساخت ماشین‌های هوشمند، به ویژه برنامه‌های کامپیوتر هوشمند، که توانایی انجام وظایفی را دارند که نیازمند هوش انسانی است.»

تعریف دانشگاه استنفورد (Stanford University):

«شاخصه‌ای از علوم کامپیوتر که بر درک و ساخت سیستم‌ها و ماشین‌هایی تمرکز دارد که قادر به شبیه‌سازی توانایی‌های شناختی و ذهنی انسان، از جمله یادگیری، استدلال و حل مسئله هستند.»

تعریف شرکت آی‌بی‌ام (IBM):

«هوش مصنوعی تکنولوژی است که از کامپیوترها و مدل‌های مصنوعی برای تمکین یادگیری، استدلال و اجرای وظایف به شیوه‌ای مشابه توانایی فکری انسان، از طریق پردازش حجم عظیمی از داده‌ها و به‌کارگیری الگوریتم‌ها استفاده می‌کند.»

تعریف سازمان همکاری و توسعه اقتصادی (OECD):

«سیستمی مبتنی بر کامپیوتر که با درجه‌ای از خودکفایی عمل می‌کند و بر اساس داده‌های ورودی، اهداف مشخص‌شده توسط انسان را استنتاج می‌کند تا پیش‌بینی‌ها، توصیه‌ها یا تصمیماتی تولید کند که بر محیط‌های فیزیکی یا دیجیتالی تأثیر می‌گذارند.»

تعریف فرهنگ لغت مریام-وبستر (Merriam-Webster Dictionary):

«توانایی شاخه‌ای از کامپیوتر برای انجام وظایفی که به طور سنتی نیازمند هوش انسانی هستند، مانند ترجمه زبان، تشخیص صدا، تصمیم‌گیری و تحلیل داده‌های پیچیده.»

مراحل عملیاتی عمیق سیستم‌های هوش مصنوعی در حوزه علمی
جمع‌آوری داده ➔ پیش‌پردازش و بردارسازی ➔ آموزش مدل و پس‌انتشار ➔ ارزیابی و اعتبارسنجی ➔ استقرار و استنتاج
جمع‌آوری و دستیابی به داده‌ها (Data Acquisition & Collection):

جزئیات علمی: در تحقیقات علمی، کیفیت و نوع داده‌های جمع‌آوری‌شده سرنوشت موفقیت مدل را تعیین می‌کنند. داده‌ها به قالب‌های متنی، بصری و عددی تقسیم می‌شوند.

بعد الگوریتمی: استفاده از تکنیک‌هایی مانند (Web Scraping, APIs, Sensor Telemetry, and Synthetic Data Generation) برای تامین داده‌های بزرگ (Big Data) مورد نیاز برای آموزش مدل‌های پیچیده.

پیش‌پردازش و تغییر شکل داده‌ها (Data Preprocessing & Transformation):

جزئیات علمی: داده‌های خام همواره دارای خطا و ناهمخوانی هستند. در این مرحله فرآیندهایی مانند (Tokenization, Normalization, Standardization, and Vectorization) انجام می‌شوند.

بعد ریاضی: تبدیل داده‌های غیرساختاریافته به ماتریس‌ها و بردارها از طریق جبر خطی، تا کامپیوتر بتواند از طریق اعداد با آن‌ها تعامل داشته باشد.

معماری مدل و مرحله آموزش (Model Architecture & Training Phase):

جزئیات علمی: پارادایم اصلی هوش مصنوعی در اینجا مشخص می‌شود؛ خواه یادگیری ماشین کلاسیک (مانند Random Forest, Support Vector Machines) یا یادگیری عمیق (Deep Learning) (مانند Convolutional Neural Networks - CNN برای تصویر، یا Transformer Models برای متن).

بعد ریاضی: کمینه‌سازی میزان خطا با استفاده از الگوریتم‌های Gradient Descent و پس‌انتشار خطا (Backpropagation) برای بروزرسانی وزن‌ها (Weights) در لایه‌های شبکه عصبی.

ارزیابی، اعتبارسنجی و تست (Evaluation, Validation & Testing):

جزئیات علمی: برای اطمینان از تعمیم‌دهی مدل بر داده‌های جدید و جلوگیری از پدیده بیش‌برازش (Overfitting) یا کم‌برازش (Underfitting)، داده‌ها به بخش‌های آموزش، اعتبارسنجی و تست تقسیم می‌شوند.

معیارهای علمی: استفاده از معیارهای ارزیابی آماری مانند (Accuracy, Precision, Recall, F1-Score, and ROC-AUC) برای سنجش دفت تصمیمات مدل.

استقرار و استنتاج (Deployment & Inference):

جزئیات علمی: انتقال مدل آموزش‌دیده از محیط آزمایشگاه به محیط تولید واقعی از طریق APIها و فضای ابری.

فرآیند استنتاج (Inference): سیستم ورودی‌های جدید را از طریق محاسبات احتمالی پردازش می‌کند، در حالی که سرعت پاسخگویی و منابع مصرفی را متعادل می‌سازد.

منابع (References)
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

مرجع بنیادی برای مفاهیم اصلی، منطق الگوریتمی و ساختارهای شبکه عصبی.

در دسترس در: Pearson - Artificial Intelligence: A Modern Approach

Stanford University (2024). Artificial Intelligence Index Report / What is AI?. Stanford Institute for Human-Centered Artificial Intelligence (HAI).

تعریف رسمی و چارچوب علمی از موسسه هوش مصنوعی انسان‌محور استنفورد.

در دسترس در: Stanford HAI AI Index

IBM Cloud Education (2023). What is Artificial Intelligence? & Machine Learning Workflows. IBM Documentation.

چارچوب تکنولوژیک برای جمع‌آوری داده، آموزش الگوریتم و استقرار مدل‌ها.

در دسترس در: IBM Topics - Artificial Intelligence

Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media.

مرجع کاربردی برای پیش‌پردازش داده‌ها، ساخت خطوط لوله و فرآیندهای یادگیری ماشین.

در دسترس در: O'Reilly Online Learning

OECD (2021). OECD Framework for the Classification of AI Systems. OECD Digital Economy Papers.

چارچوب سیاست‌گذاری بین‌المللی و استانداردهای جهانی برای طبقه‌بندی سیستم‌های هوش مصنوعی مستقل.

در دسترس در: OECD AI Policy Observatory

Google Cloud Architecture Center (2024). Machine Learning Operations (MLOps) Framework & Data Pipelines. Google Documentation.

مرجع فنی اصلی برای جمع‌آوری داده، مهندسی خطوط لوله، آموزش و استقرار فرآیندهای یادگیری ماشین (MLOps).

در دسترس در: Google Cloud MLOps Framework