.class="img-fluid clearfix"
خلاصه اجرایی / نکات کلیدی
- معماریای که همه چیز را تغییر داد. مقاله ترانسفورمر سال ۲۰۱۷ خودتوجهی را معرفی کرد: سازوکاری که وزنهای ارتباط را میان هر جفت توکن در ورودی محاسبه میکند و پردازش ترتیبی RNNها را با عملیات ماتریسی قابل موازیسازی جایگزین میکند. هر مدل زبانی مهمی در سال ۲۰۲۳ گونهای از ترانسفورمر است (Vaswani و همکاران، ۲۰۱۷).
- GPT-4 بهعنوان معیار سال ۲۰۲۳. GPT-4 که در مارس ۲۰۲۳ منتشر شد، در آزمون وکالت ایالات متحده در صدک نودم، در بخش کلامی GRE در صدک نودونهم امتیاز گرفت و استدلال چندمرحلهای در اسناد بلند را نشان داد. این مدل معیار توانمندیای را تعیین کرد که مدلهای بعدی میکوشیدند به آن برسند یا از آن فراتر روند (OpenAI، ۲۰۲۳).
- مدلهای با وزن باز دسترسی را همگانی کردند. Llama 2 شرکت Meta (جولای ۲۰۲۳) و Mistral 7B شرکت Mistral AI (سپتامبر ۲۰۲۳) نشان دادند مدلهایی با توانمندی رقابتی در سطح GPT-3.5 میتوانند روی زیرساخت خصوصی اجرا شوند — و این الزامات اقامت داده در صنایع تحت مقررات را برطرف میکرد.
- برنامههای آزمایشی خدمات مالی در سال ۲۰۲۳. استقرارهای گسترده تا اواخر سال ۲۰۲۳ شامل بازبینی قراردادهای حقوقی (پژوهش DocLLM شرکت JPMorgan)، پایش تغییرات مقرراتی و ابزارهای بهرهوری توسعهدهندگان بود. Goldman Sachs از استفاده درونسازمانی دستیارهای کدنویسی هوش مصنوعی در میان ۱۰٬۰۰۰ توسعهدهنده خبر داد.
- توهم یک مانع تولیدی است. مدلهای زبانی بزرگ خروجیهایی تولید میکنند که موجه به نظر میرسند اما از نظر واقعی نادرستاند، و این با نرخی قابلتوجه رخ میدهد. در موارد استفاده تحت مقررات — تصمیمهای اعتباری، نظرات انطباقی، افشاگریهای مشتری — توهم یک نقص ظاهری نیست؛ خطری مقرراتی و مسئولیتآور است که به کاهشدهندههای معماری مانند تولید تقویتشده با بازیابی (RAG) نیاز دارد.
معماری ترانسفورمر چگونه کار میکند
هر مدل زبانی مهمی که در سال ۲۰۲۳ مستقر شد — GPT-4، Claude 2، Llama 2، Mistral، Falcon — بر پایه معماری ترانسفورمری ساخته شده است که در مقاله ۲۰۱۷ با عنوان «توجه تنها چیزی است که نیاز دارید» معرفی شد. درک سازوکار اصلی هم توضیح میدهد چرا این مدلها کار میکنند و هم اینکه کجا شکست میخورند.
توکنها و تعبیهها. مدل با شکستن متن ورودی به توکنهای زیرکلمهای آغاز میکند (معمولاً با استفاده از کدگذاری جفتبایتی). هر توکن به یک بردار پرابعاد (یک تعبیه) نگاشته میشود که روابط معنایی آن با دیگر توکنها را رمزگذاری میکند و در طول پیشآموزش آموخته میشود.
خودتوجهی. برای هر توکن، مدل سه بردار محاسبه میکند: یک پرسوجو (Query) (این توکن به دنبال چه چیزی است)، یک کلید (Key) (این توکن چه چیزی عرضه میکند) و یک مقدار (Value) (این توکن چه چیزی میافزاید). امتیازهای توجه با گرفتن ضرب داخلی هر پرسوجو در برابر همه کلیدها، اعمال softmax برای تولید وزنها، و جمع مقادیر وزندار شده با آن امتیازها محاسبه میشوند. این بدان معناست که هر توکن همزمان به هر توکن دیگری در پنجره زمینه توجه میکند — همان سازوکاری که به ترانسفورمرها توانایی مدیریت وابستگیهای دوربرد را میبخشد.
توجه چندسر. چند سر توجه بهصورت موازی اجرا میشوند و هر یک انواع مختلفی از روابط (نحوی، معنایی، مکانی) را میآموزد. خروجیهای آنها به هم پیوند داده و بهصورت خطی فرافکنی میشوند.
لایههای پیشخور. پس از توجه، هر موقعیت از دو تبدیل خطی با یک فعالسازی غیرخطی عبور میکند. این لایه محاسبات را بهازای هر توکن بهصورت مستقل انجام میدهد و تبدیلهای ویژگی محلی را میگیرد.
مقیاس. تخمین زده میشود GPT-4 بیش از یک تریلیون پارامتر داشته باشد (تأییدنشده از سوی OpenAI). Llama 2 70B از ۷۰ میلیارد استفاده میکند. Mistral 7B از ۷ میلیارد استفاده میکند، با توجه پرسوجوی گروهبندیشده و توجه پنجره کشویی برای کارایی. مدلهای بزرگتر عموماً استدلال بهتری در حالت صفرنمونه و چندنمونه از خود نشان میدهند — همان توانمندیهای نوظهوری که آنها را برای وظایفی که صریحاً برای آنها آموزش ندیدهاند سودمند میسازد.
چشمانداز مدلها در سال ۲۰۲۳
سال ۲۰۲۳ بیش از هر سال پیشین انتشار مدلهای مهم را به همراه داشت:
GPT-4 (OpenAI، مارس ۲۰۲۳). چندوجهی (ورودی متن + تصویر)، پنجره زمینه تا ۱۲۸٬۰۰۰ توکن در گونه بعدی GPT-4 Turbo، استدلال چندمرحلهای قدرتمند. معیار وظایف حوزههای حرفهای را تعیین کرد.
Claude 2 (Anthropic، جولای ۲۰۲۳). پنجره زمینه ۱۰۰٬۰۰۰ توکنی (بلندترین در زمان عرضه)، عملکرد قدرتمند در وظایف مربوط به اسناد بلند مانند بازبینی قرارداد و تحلیل مقرراتی. آموزش هوش مصنوعی قانونمحور برای کاهش خروجیهای زیانبار.
Llama 2 (Meta، جولای ۲۰۲۳). عرضه با وزن باز در گونههای ۷B، ۱۳B، ۳۴B و ۷۰B پارامتری. استفاده تجاری مجاز است. استقرار درونمحل را برای صنایع تحت مقررات ممکن ساخت. صدها گونه تنظیمدقیقشده را پدید آورد (Code Llama، Vicuna، WizardLM).
Mistral 7B (Mistral AI، سپتامبر ۲۰۲۳). ۷ میلیارد پارامتر که در بیشتر معیارها از Llama 2 13B پیشی گرفت. توجه پرسوجوی گروهبندیشده و توجه پنجره کشویی هزینه استنتاج را کاهش میدهند. نخستین مدل مرزی مهم اروپایی، که با توجه به بستر GDPR و قانون هوش مصنوعی اتحادیه اروپا اهمیت دارد.
Falcon 180B (TII، سپتامبر ۲۰۲۳). مدل با وزن باز ۱۸۰ میلیارد پارامتری که روی ۳٫۵ تریلیون توکن از دادههای RefinedWeb آموزش دیده بود. نشان داد که مدلهای با وزن باز میتوانند به مقیاسی در سطح GPT-4 نزدیک شوند.
هوش مصنوعی مولد نخست کجا در خدمات مالی به کار آمد
تا اواخر سال ۲۰۲۳، مؤسسات مالی از آزمایشهای درونسازمانی به برنامههای آزمایشی ساختارمند در چند مورد استفاده مشخص گذر کرده بودند:
بهرهوری توسعهدهندگان. ابزارهای تولید کد (GitHub Copilot، Amazon CodeWhisperer، مدلهای تنظیمدقیقشده درونسازمانی) به گستردهترین دسته مستقرشده تبدیل شدند. Goldman Sachs گزارش داد که ۱۰٬۰۰۰ توسعهدهنده به کمک کدنویسی هوش مصنوعی دسترسی داشتند. Morgan Stanley مدل GPT-4 را بهصورت درونسازمانی مستقر کرد تا به مشاوران مالی در بازیابی اطلاعات از یک پایگاه دانش ۱۰۰٬۰۰۰ سندی کمک کند.
پردازش اسناد حقوقی و مقرراتی. استخراج بندهای قرارداد، پایش تغییرات مقرراتی و نگاشت انطباق پرارزشترین برنامههای آزمایشی بودند. پژوهش JPMorgan بر DocLLM نشان داد که مدلهای زبانی آگاه از چیدمان سند در وظایف درک اسناد مالی از مدلهای زبانی بزرگ عمومی پیشی میگیرند.
تقویت خدمات مشتری. بانکها دستیارهای مبتنی بر مدل زبانی بزرگ را برای پرسشهای خطمقدم مشتری مستقر کردند، با ارجاع به انسان برای مشاوره تحت مقررات. محدودیتهای کلیدی: مدل نمیتواند مشاوره تحت مقررات بدهد، نباید شرایط محصول را توهم کند، و باید قابل حسابرسی باشد.
تولید روایت KYC و AML. خلاصهسازی الگوهای پیچیده تراکنش و پروفایلهای مشتری برای بازبینی تحلیلگر — جایگزینِ آنچه پیشتر کار نگارش دستی بود — بهعنوان یک مورد استفاده معتبر با خطر توهم کمتر پدیدار شد، زیرا مدل دادههای ارائهشده را خلاصه میکند بهجای آنکه ادعاهای تازه بسازد.
خطراتی که استقرار تولیدی آشکار کرد
گذر از نمونه نمایشی به تولید در خدمات مالی مجموعهای از خطرات را آشکار کرد که به پاسخهای معماری نیاز داشتند:
توهم. مدلهای زبانی بزرگ خروجیهای نادرستِ بهظاهر مطمئن را با نرخهایی تولید میکنند که بسته به نوع وظیفه و مدل متفاوت است. در وظایف بازیابی واقعیت، حتی GPT-4 با نرخهایی توهم میکند که برای نظرات انطباقی یا افشاگریهای اعتباری غیرقابلقبولاند. کاهشدهنده اصلی، تولید تقویتشده با بازیابی (RAG) است: خروجی مدل را در اسناد بازیابیشده و قابلراستیآزمایی مبنا قرار دهید بهجای تکیه صرف بر دانش پارامتری.
تزریق پرامپت. ورودیهای خصمانه جاسازیشده در اسناد یا پیامهای کاربر میتوانند رفتار مدل را منحرف کنند. در خدمات مالی، جایی که مدلهای زبانی بزرگ اسناد نامعتمد (قراردادها، ایمیلها، اسناد ارسالی مشتری) را پردازش میکنند، تزریق پرامپت یک خطر امنیتی تولیدی است، نه یک خطر نظری.
نشت داده. مدلهایی که روی دادههای محرمانه تنظیمدقیق یا پرامپت میشوند میتوانند آن داده را در خروجی بازتولید کنند — خطری مادی برای PII، موقعیتهای معاملاتی و اطلاعات مشتری. کنترلهای معماری (استقرار خصوصی، مدیریت دادهدر-زمینه، فیلترسازی خروجی) الزامیاند، نه اختیاری.
منشأ مدل و قابلیت حسابرسی. ناظران انتظار دارند مؤسسات مالی تصمیمهای خودکار را توضیح دهند. مدل زبانی بزرگی که یک ارزیابی اعتباری تولید میکند بدون یک ردِ استدلالِ قابلحسابرسی، الزامات تبیینپذیری ماده ۲۲ GDPR، مفاد هوش مصنوعی پرخطر قانون هوش مصنوعی اتحادیه اروپا، و راهنمای موجود ریسک مدل FCA را برآورده نمیکند.
دانش منسوخ. مدلهای زبانی بزرگ نقطه برش آموزشی دارند. مدلی که روی دادههای تا اوایل ۲۰۲۳ آموزش دیده است از تغییرات مقرراتی، تصمیمهای نرخی یا رویدادهای بازار پس از آن تاریخ آگاه نیست — محدودیتی مهم برای موارد استفاده انطباق بیدرنگ یا تفسیر بازار، بدون RAG یا بازیابی بیدرنگ.
الزامات حاکمیتی پیش از استقرار
متخصصان خدمات مالی که در سال ۲۰۲۳ فعالیت میکردند پیش از استقرار منتظر قطعیت مقرراتی نماندند — اما مؤسسات پیشرو چارچوبهای مدیریت ریسک مدل (MRM) اقتباسشده از راهنماهای SR 11-7 و SS3/18 را به کار گرفتند:
فهرست و مستندسازی مدل. مدلهای زبانی بزرگی که برای کارکردهای کسبوکار مستقر میشوند به مستندسازی منشأ دادههای آموزشی، روششناسی تنظیم دقیق، حالتهای شکست شناختهشده و عملکرد روی مجموعههای اعتبارسنجی حوزهمحور نیاز دارند.
نقاط بازبینی انساندر-حلقه. برای خروجیهای تحت مقررات (تصمیمهای اعتباری، نظرات انطباقی، افشاگریهای مشتری)، بازبینی انسانی در سال ۲۰۲۳ الزامی باقی ماند. خودکارسازی برای پیشنویسی و خلاصهسازی به کار رفت؛ تأیید نهایی انسانی ماند.
ریسک فروشنده. استفاده از API مدل شخص ثالث (OpenAI، Anthropic، Google) ریسک تمرکز فروشنده، ریسک اقامت داده و ریسک تغییر مدل (ارائهدهندگان میتوانند مدلها را بیسروصدا بهروزرسانی کنند) را وارد میکند. توافقنامههای سازمانی و استقرارهای خصوصی اینها را تا حدی کاهش میدهند.
تعامل مقرراتی. FCA، PRA، ECB و FINRA همگی در سال ۲۰۲۳ مقاله یا سخنرانی درباره حاکمیت هوش مصنوعی منتشر کردند. پیام یکدست: چارچوبهای موجود ریسک مدل بر هوش مصنوعی اعمال میشوند، و شرکتها باید در مستندسازی رویکرد حاکمیتی خود پیش از راهنمای رسمی پیشدستانه عمل کنند.
پرسشهای پرتکرار
تفاوت میان یک مدل زبانی بزرگ و یک مدل بنیادی چیست؟
یک مدل زبانی بزرگ (LLM) مدلی است که روی دادههای متنی در مقیاس بزرگ برای پیشبینی و تولید زبان آموزش دیده است. مدل بنیادی اصطلاحی گستردهتر برای هر مدل پیشآموزشدیده بزرگ است که میتوان آن را (با تنظیم دقیق یا پرامپت) برای چند وظیفه پاییندستی سازگار کرد — شامل مدلهای زبانی بزرگ اما همچنین مدلهای بینایی، مدلهای کد و مدلهای چندوجهی. GPT-4 هم یک مدل زبانی بزرگ است و هم یک مدل بنیادی. DALL-E 3 یک مدل بنیادی است اما مدل زبانی بزرگ نیست. در عمل، هنگام اشاره به سامانههای تولید متن، این اصطلاحات اغلب بهجای هم به کار میروند.
تولید تقویتشده با بازیابی چیست و چرا برای خدمات مالی اهمیت دارد؟
RAG یک مدل زبانی را با یک سامانه بازیابی ترکیب میکند: بهجای تکیه صرف بر دانش پارامتری مدل (آنچه در طول آموزش آموخته است)، RAG اسناد مرتبط را در زمان استنتاج میآورد و آنها را بهعنوان زمینه ارائه میدهد. این بهطور چشمگیری توهم را در وظایف واقعی کاهش میدهد، زیرا مدل بهجای بازخوانی واقعیتهای آموختهشده، متن ارائهشده را ترکیب میکند. برای خدمات مالی، RAG موارد استفادهای مانند پایش تغییرات مقرراتی (که همیشه قواعد جاری را بازیابی میکند) و بازبینی قرارداد (که مدل را در متن واقعی قرارداد مبنا قرار میدهد) را ممکن میسازد که با رویکرد تولید صرف بیش از حد مستعد توهم میبودند.
مؤسسات مالی چگونه باید قانون هوش مصنوعی اتحادیه اروپا را در ارتباط با استقرارهای هوش مصنوعی مولد در سال ۲۰۲۳ مدیریت کنند؟
قانون هوش مصنوعی اتحادیه اروپا در سال ۲۰۲۳ همچنان در فرایند قانونگذاری بود (در مارس ۲۰۲۴ توسط پارلمان اروپا تصویب شد و در اوت ۲۰۲۴ لازمالاجرا گردید). با این حال، مؤسسات دارای عملیات یا مشتریان اتحادیه اروپا پیشاپیش خطلولههای خود را ارزیابی میکردند. سامانههای هوش مصنوعی پرخطر در امتیازدهی اعتباری، تصمیمهای استخدامی و زیرساخت حیاتی به ارزیابیهای انطباق، سازوکارهای نظارت انسانی و ثبت گزارش حسابرسی نیاز دارند. مدلهای هوش مصنوعی همهمنظوره (GPAI) — که شامل مدلهای بنیادی مانند GPT-4 میشوند — لایه الزامات خاص خود را پیرامون شفافیت و ریسک سامانهای دارند. شرکتهایی که کار مستندسازی و حاکمیت را در سال ۲۰۲۳ آغاز کردند برای مهلتهای اجرایی در موقعیت بهتری قرار داشتند.
تفاوت عملی میان تنظیم دقیق و مهندسی پرامپت برای استقرارهای سازمانی مدل زبانی بزرگ چیست؟
تنظیم دقیق وزنهای مدل را با ادامه آموزش روی دادههای حوزهمحور تغییر میدهد — دانش و الگوهای رفتاری تازهای به مدل میآموزد. این کار به دادههای آموزشی برچسبدار، بودجه محاسباتی و نگهداری پیوسته بهمحض بهروزرسانی مدلهای پایه نیاز دارد. مهندسی پرامپت (شامل نمونههای چندنمونهای و پرامپتهای سامانهای) رفتار را در زمان استنتاج بدون تغییر وزنها شکل میدهد — سریعتر برای پیادهسازی و بهروزرسانی، اما محدود به آنچه مدل پایه پیشاپیش میداند. برای بیشتر استقرارهای خدمات مالی در سال ۲۰۲۳، RAG بههمراه مهندسی پرامپت نقطه آغاز ترجیحی بود؛ تنظیم دقیق برای مواردی نگه داشته شد که مدل نیاز داشت اصطلاحات اختصاصی را بیاموزد یا قالبهای خروجی سختگیرانه را بپذیرد.
منابع
- Vaswani, A., et al., (2017). Attention Is All You Need ⧉.
- OpenAI, (2023). GPT-4 Technical Report ⧉.
- Touvron, H., et al., Meta AI, (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models ⧉.
- Jiang, A., et al., Mistral AI, (2023). Mistral 7B ⧉.
آخرین بازبینی .
بازنشر متقابل این مقاله
کپی قالببندیشده برای Medium
# هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/](https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/) هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/
کپی قالببندیشده برای Mastodon
هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند. https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/
کپی قالببندیشده برای LinkedIn
هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند. مهمترین نکات راهبردی به این شرح است: - معماری ترانسفورمر چگونه کار میکند. هر مدل زبانی مهمی که در سال ۲۰۲۳ مستقر شد — GPT-4، Claude 2، Llama 2، Mistral، Falcon — بر پایه معماری ترانسفورمری ساخته شده است که در مقاله ۲۰۱۷ با عنوان «توجه تنها چیزی است که نیاز دارید» معرفی شد. - چشمانداز مدلها در سال ۲۰۲۳. سال ۲۰۲۳ بیش از هر سال پیشین انتشار مدلهای مهم را به همراه داشت:. - هوش مصنوعی مولد نخست کجا در خدمات مالی به کار آمد. تا اواخر سال ۲۰۲۳، مؤسسات مالی از آزمایشهای درونسازمانی به برنامههای آزمایشی ساختارمند در چند مورد استفاده مشخص گذر کرده بودند:. - خطراتی که استقرار تولیدی آشکار کرد. گذر از نمونه نمایشی به تولید در خدمات مالی مجموعهای از خطرات را آشکار کرد که به پاسخهای معماری نیاز داشتند:. رویکرد سازمان شما به چالشهای مطرحشده در این نوشته چیست؟ → https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/ #هوشمصنوعیمولد،مدلزبانیبزرگ،معماریترانسفورمر،Gpt4،هوشمصنوعیخدماتمالی،توهم،تولیدتقویتشدهبابازیابی،حاکمیتهوشمصنوعی،مدلبنیادی،تنظیمدقیق Sebastien Rousseau | CC-BY-4.0
استناد به این مقاله
هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau
هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند.
BibTeX
@online{rousseau2023هوش,
author = {Rousseau, Sebastien},
title = {{هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau}},
year = {2023},
url = {https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/},
urldate = {2023}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau PY - 2023 UR - https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/ ER -
Vancouver
Rousseau S. هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau. sebastienrousseau.com. 2023 Nov 12. Available from: https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/
Chicago
Rousseau, Sebastien. "هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau." sebastienrousseau.com. November 12, 2023. https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/.
APA
Rousseau, S. (2023, November 12). هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/
بازنشر این مقاله
هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau
هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند.
این مقاله تحت مجوز زیر منتشر شده است Creative Commons Attribution 4.0 International. بازنشر مستلزم ذکر منبع با ارجاع به نشانی اصلی (canonical) است.
هوش مصنوعی مولد در سال ۲۰۲۳: چگونه کار میکند و کجا نخست به کار میآید — Sebastien Rousseau هوش مصنوعی مولد در سال ۲۰۲۳ را کاوش کنید: چگونه کار میکند، نخست کجا در خدمات مالی به کار میآید، و پرسشهای اخلاقی و معماریای که ارزش پرسیدن دارند. Originally published at https://sebastienrousseau.com/fa/2023-11-12-exploring-generative-ai/ by Sebastien Rousseau. Licensed under CC-BY-4.0.