راهنمای جامع انواع و کاربردهای هوش مصنوعی محدود (ANI / Weak AI)

هوش مصنوعی محدود چیست و چرا بیشتر AI امروز در این گروه قرار می‌گیرد؟

هوش مصنوعی محدود یا Artificial Narrow Intelligence به سامانه‌ای گفته می‌شود که برای یک دامنه وظیفه مشخص ساخته و ارزیابی شده است. یک مدل ممکن است در ترجمه، تشخیص تصویر، پیشنهاد محصول یا تولید کد بسیار توانمند باشد، اما این توانایی به معنای داشتن درک عمومی، خودآگاهی یا توانایی نامحدود در همه حوزه‌ها نیست. این تمایز برای طراحی محصول، ارزیابی ریسک و جلوگیری از انتظار غیرواقعی ضروری است.

در عمل، ANI یک طیف بزرگ از فناوری‌ها را شامل می‌شود: از موتورهای جست‌وجو و سیستم‌های خبره تا مدل‌های زبانی بزرگ، بینایی ماشین، هوش مصنوعی مولد و ربات‌های وظیفه‌محور. تفاوت این سیستم‌ها در نوع داده، معماری، معیار ارزیابی و سطح اختیار است؛ بنابراین نمی‌توان همه را با یک Benchmark یا یک تعریف ساده مقایسه کرد.

نقشه مفهومی ANI: مرز وظیفه، مدل تخصصی، داده، ارزیابی، نظارت انسانی و استقرار باید در کنار هم تعریف شوند.

از داده تا تصمیم: معماری عمومی یک سامانه ANI

تقریباً هر سامانه ANI را می‌توان به زنجیره‌ای از دریافت داده، آماده‌سازی، استنتاج، کنترل کیفیت، تصمیم و پایش تقسیم کرد. تفاوت میان فناوری‌ها در نوع داده و الگوریتم است: OCR با تصویر سند کار می‌کند، تشخیص گفتار با صوت، سیستم پیشنهاددهنده با رفتار کاربر و LLM با توکن‌های متن یا ورودی چندوجهی. اما اصل مهندسی مشترک است: هر مرحله باید ورودی و خروجی قابل سنجش داشته باشد.

یک اشتباه رایج، یکی‌گرفتن مدل با محصول است. مدل فقط هسته آماری یا یادگیری ماشین است؛ محصول واقعی شامل احراز هویت، دسترسی به داده، API، سیاست‌های ایمنی، تجربه کاربری، Fallback، پایش، لاگ و مسئولیت انسانی می‌شود. در پروژه‌های حساس، این لایه‌ها از خود مدل مهم‌تر می‌شوند.

گروه‌بندی کاربردی موضوع‌ها

تعامل و زبان: Conversational AI، LLM، ترجمه ماشینی، تشخیص و تولید گفتار.
بینایی و اسناد: Computer Vision، Image Recognition، Object Detection، Face Recognition، OCR و Document Intelligence.
پیش‌بینی و تصمیم: Predictive Analytics، Fraud Detection، Financial AI و Decision Support Systems.
تولید محتوا: Generative AI، Diffusion Models، GANs و Code Generation AI.
عامل و کنترل: Reinforcement Learning Agents، Robotics، Game AI و Autonomous Driving AI.
دانش و بازیابی: Search Engines، Recommendation Systems، Expert Systems و Knowledge Graph AI.

جریان عمومی ANI از تعریف Task و داده تا مدل، ارزیابی، تصمیم انسانی و پایش تولید.

جدول جامع فناوری‌ها و لینک مقاله‌های تخصصی

موضوع	کاربرد اصلی	معیار یا نکته مهم	لینک آموزش کامل
هوش مصنوعی مکالمه‌ای و چت‌بات‌ها	مدیریت گفت‌وگوی چندمرحله‌ای میان کاربر، مدل و ابزارهای سازمانی	نرخ حل مسئله، رضایت کاربر، دقت تشخیص قصد، زمان پاسخ	آموزش کامل هوش مصنوعی مکالمه‌ای و چت‌بات‌ها
مدل‌های زبانی بزرگ (LLM)	پیش‌بینی توکن بعدی و تبدیل آن به توانایی تولید، استدلال و کار با ابزار	Perplexity، دقت وظیفه، کیفیت ارزیابی انسانی، Latency و Cost	آموزش کامل مدل‌های زبانی بزرگ (LLM)
بینایی ماشین	تبدیل تصویر و ویدئو به نمایش عددی و استنتاج درباره اشیا و صحنه	Accuracy، mAP، IoU، F1 و زمان پردازش هر فریم	آموزش کامل بینایی ماشین
تشخیص و طبقه‌بندی تصویر	اختصاص برچسب یا چند برچسب به یک تصویر بر اساس ویژگی‌های آموخته‌شده	Top-1، Top-5، Precision، Recall و Calibration	آموزش کامل تشخیص و طبقه‌بندی تصویر
تشخیص اشیا در تصویر	یافتن هم‌زمان نوع شیء و مختصات آن در تصویر یا فریم ویدئو	mAP، IoU، Recall، FPS و Latency	آموزش کامل تشخیص اشیا در تصویر
تشخیص و بازشناسی چهره	تبدیل چهره به بردار ویژگی و مقایسه شباهت برای تأیید یا شناسایی هویت	FAR، FRR، ROC، EER و نرخ خطای گروهی	آموزش کامل تشخیص و بازشناسی چهره
تشخیص نوری نویسه‌ها (OCR)	استخراج متن ساخت‌یافته از اسناد تصویری و اتصال آن به تحلیل چیدمان	CER، WER، دقت فیلد و نرخ پردازش صفحه	آموزش کامل تشخیص نوری نویسه‌ها (OCR)
تشخیص گفتار و تبدیل گفتار به متن	تبدیل سیگنال صوتی به متن با مدل‌سازی آوا، زبان و زمینه	WER، CER، Real-time Factor و Latency	آموزش کامل تشخیص گفتار و تبدیل گفتار به متن
تبدیل متن به گفتار (TTS)	تبدیل متن به موج صوتی طبیعی با کنترل تلفظ، لحن و آهنگ گفتار	MOS، Intelligibility، Latency و شباهت صوتی	آموزش کامل تبدیل متن به گفتار (TTS)
ترجمه ماشینی	تبدیل معنا میان زبان‌ها با حفظ زمینه، اصطلاحات و ساختار هدف	BLEU، COMET، ارزیابی انسانی و Terminology Accuracy	آموزش کامل ترجمه ماشینی
سیستم‌های پیشنهاددهنده	انتخاب و رتبه‌بندی اقلام متناسب با کاربر با استفاده از رفتار و محتوای اقلام	CTR، Conversion، NDCG، Recall@K و Retention	آموزش کامل سیستم‌های پیشنهاددهنده
موتورهای جست‌وجوی هوشمند	بازیابی و رتبه‌بندی اسناد مرتبط و در سامانه‌های جدید ترکیب جست‌وجو با پاسخ‌سازی	Precision@K، Recall، NDCG، MRR و Latency	آموزش کامل موتورهای جست‌وجوی هوشمند
تحلیل پیش‌بینانه	استفاده از داده تاریخی برای برآورد رخداد، مقدار یا احتمال آینده همراه با عدم قطعیت	MAE، RMSE، AUC، Calibration و خطای دوره‌ای	آموزش کامل تحلیل پیش‌بینانه
تشخیص تقلب با هوش مصنوعی	ترکیب الگوهای رفتاری، قواعد و مدل‌های یادگیری برای امتیازدهی ریسک تراکنش	Precision، Recall، PR-AUC، False Positive Cost و Detection Delay	آموزش کامل تشخیص تقلب با هوش مصنوعی
تشخیص هرزنامه و پیام ناخواسته	طبقه‌بندی پیام‌ها و رفتار فرستنده برای جداکردن محتوای ناخواسته یا مخرب	Precision، Recall، F1، False Positive Rate و Drift	آموزش کامل تشخیص هرزنامه و پیام ناخواسته
هوش مصنوعی در تشخیص پزشکی	کمک به تحلیل داده‌های بالینی و تصویری زیر نظارت متخصص برای پشتیبانی از تصمیم پزشکی	Sensitivity، Specificity، AUROC، Calibration و External Validation	آموزش کامل هوش مصنوعی در تشخیص پزشکی
هوش مصنوعی مالی	به‌کارگیری مدل‌های پیش‌بینی، ریسک، کشف ناهنجاری و پردازش زبان در خدمات مالی	Expected Loss، AUC، VaR backtesting، Latency و Cost	آموزش کامل هوش مصنوعی مالی
هوش مصنوعی صنعتی	اتصال داده سنسورها، مدل‌های پیش‌بینی و کنترل عملیاتی برای بهبود تولید	Downtime، OEE، False Alarm، Yield و Energy Efficiency	آموزش کامل هوش مصنوعی صنعتی
رباتیک وظیفه‌محور	چرخه ادراک، برنامه‌ریزی و کنترل برای انجام یک وظیفه محدود و تعریف‌شده	Success Rate، Cycle Time، Position Error و Safety Incidents	آموزش کامل رباتیک وظیفه‌محور
هوش مصنوعی رانندگی خودران	ترکیب ادراک محیط، مکان‌یابی، پیش‌بینی رفتار و برنامه‌ریزی حرکت در حلقه کنترل	Disengagement، Collision Rate، Planning Latency و Scenario Coverage	آموزش کامل هوش مصنوعی رانندگی خودران
هوش مصنوعی در بازی‌ها	تصمیم‌گیری عامل در محیط بازی با جست‌وجو، قواعد، یادگیری یا ترکیبی از آن‌ها	Win Rate، Elo، Sample Efficiency، Frame Time و Player Experience	آموزش کامل هوش مصنوعی در بازی‌ها
سیستم‌های خبره	استنتاج بر پایه دانش صریح و قواعد اگر-آنگاه برای مسائل محدود و قابل توضیح	Coverage، Rule Accuracy، Explanation Quality و Maintenance Cost	آموزش کامل سیستم‌های خبره
هوش مصنوعی مولد	تولید محتوای جدید مانند متن، تصویر، صوت و کد بر اساس الگوهای آموخته‌شده	Quality، Factuality، Diversity، Latency، Cost و Safety	آموزش کامل هوش مصنوعی مولد
مدل‌های انتشار (Diffusion Models)	یادگیری حذف تدریجی نویز برای نمونه‌سازی داده با کنترل متن یا شرط دیگر	FID، CLIP-like alignment، Sampling Steps و Latency	آموزش کامل مدل‌های انتشار (Diffusion Models)
شبکه‌های مولد تخاصمی (GAN)	آموزش رقابتی مولد و تمایزدهنده برای نزدیک‌کردن توزیع داده مصنوعی به واقعی	FID، Precision/Recall for Generation و Stability	آموزش کامل شبکه‌های مولد تخاصمی (GAN)
عامل‌های یادگیری تقویتی	یادگیری سیاست تصمیم از تعامل و بازخورد پاداش در طول زمان	Cumulative Reward، Regret، Success Rate و Sample Efficiency	آموزش کامل عامل‌های یادگیری تقویتی
هوش مصنوعی در امنیت سایبری	تحلیل حجم زیاد رخدادها برای کشف الگوهای مشکوک، اولویت‌بندی و کمک به پاسخ	Detection Rate، False Positive، MTTD، MTTR و Precision	آموزش کامل هوش مصنوعی در امنیت سایبری
سیستم‌های پشتیبان تصمیم	ترکیب داده، مدل و قواعد برای ارائه گزینه و تحلیل به تصمیم‌گیر انسانی	Decision Quality، Calibration، Adoption، Time-to-decision و Auditability	آموزش کامل سیستم‌های پشتیبان تصمیم
هوشمندی اسناد	درک ساختار و معنای سند برای استخراج فیلد، جدول، موجودیت و اتصال به فرایند	Field Accuracy، Table Accuracy، STP Rate و Processing Time	آموزش کامل هوشمندی اسناد
هوش مصنوعی تولید کد	تولید یا ویرایش کد بر پایه مشخصات و زمینه مخزن با حلقه آزمون و بازبینی	Pass Rate، Test Success، Security Findings، Review Time و Cost	آموزش کامل هوش مصنوعی تولید کد
هوش مصنوعی گراف دانش	نمایش دانش به صورت موجودیت و رابطه و ترکیب آن با جست‌وجو و مدل‌های یادگیری	Link Prediction، Query Accuracy، Coverage، Consistency و Freshness	آموزش کامل هوش مصنوعی گراف دانش

هوش مصنوعی مکالمه‌ای و چت‌بات‌ها

هوش مصنوعی مکالمه‌ای و چت‌بات‌ها بر مدیریت گفت‌وگوی چندمرحله‌ای میان کاربر، مدل و ابزارهای سازمانی تمرکز دارد و در حوزه‌هایی مانند پشتیبانی مشتری، دستیار داخلی، رزرو و خدمات بانکی استفاده می‌شود. برای ارزیابی حرفه‌ای باید نرخ حل مسئله، رضایت کاربر، دقت تشخیص قصد، زمان پاسخ را همراه با ریسک‌هایی مانند توهم، نشت داده، از دست رفتن زمینه و پاسخ نامناسب سنجید. مطالعه آموزش کامل هوش مصنوعی مکالمه‌ای و چت‌بات‌ها.

مدل‌های زبانی بزرگ (LLM)

مدل‌های زبانی بزرگ (LLM) بر پیش‌بینی توکن بعدی و تبدیل آن به توانایی تولید، استدلال و کار با ابزار تمرکز دارد و در حوزه‌هایی مانند تولید متن، تحلیل اسناد، برنامه‌نویسی، جست‌وجوی دانشی و عامل‌ها استفاده می‌شود. برای ارزیابی حرفه‌ای باید Perplexity، دقت وظیفه، کیفیت ارزیابی انسانی، Latency و Cost را همراه با ریسک‌هایی مانند Hallucination، Bias، Prompt Injection، هزینه و وابستگی به ارزیابی ناکافی سنجید. مطالعه آموزش کامل مدل‌های زبانی بزرگ (LLM).

بینایی ماشین

بینایی ماشین بر تبدیل تصویر و ویدئو به نمایش عددی و استنتاج درباره اشیا و صحنه تمرکز دارد و در حوزه‌هایی مانند کنترل کیفیت، پزشکی، خرده‌فروشی، امنیت و رباتیک استفاده می‌شود. برای ارزیابی حرفه‌ای باید Accuracy، mAP، IoU، F1 و زمان پردازش هر فریم را همراه با ریسک‌هایی مانند تغییر نور، Domain Shift، سوگیری داده و هزینه پردازش سنجید. مطالعه آموزش کامل بینایی ماشین.

تشخیص و طبقه‌بندی تصویر

تشخیص و طبقه‌بندی تصویر بر اختصاص برچسب یا چند برچسب به یک تصویر بر اساس ویژگی‌های آموخته‌شده تمرکز دارد و در حوزه‌هایی مانند طبقه‌بندی محصول، گونه‌ها، عیوب و محتوای تصویری استفاده می‌شود. برای ارزیابی حرفه‌ای باید Top-1، Top-5، Precision، Recall و Calibration را همراه با ریسک‌هایی مانند کلاس‌های مشابه، داده نامتوازن، تصاویر خارج از توزیع و اعتماد کاذب سنجید. مطالعه آموزش کامل تشخیص و طبقه‌بندی تصویر.

تشخیص اشیا در تصویر

تشخیص اشیا در تصویر بر یافتن هم‌زمان نوع شیء و مختصات آن در تصویر یا فریم ویدئو تمرکز دارد و در حوزه‌هایی مانند ترافیک، انبار، ایمنی صنعتی، فروشگاه و رباتیک استفاده می‌شود. برای ارزیابی حرفه‌ای باید mAP، IoU، Recall، FPS و Latency را همراه با ریسک‌هایی مانند اشیای کوچک، هم‌پوشانی، Occlusion، NMS نامناسب و Threshold غلط سنجید. مطالعه آموزش کامل تشخیص اشیا در تصویر.

تشخیص و بازشناسی چهره

تشخیص و بازشناسی چهره بر تبدیل چهره به بردار ویژگی و مقایسه شباهت برای تأیید یا شناسایی هویت تمرکز دارد و در حوزه‌هایی مانند کنترل دسترسی، احراز هویت و جست‌وجوی آرشیو با ملاحظات حقوقی استفاده می‌شود. برای ارزیابی حرفه‌ای باید FAR، FRR، ROC، EER و نرخ خطای گروهی را همراه با ریسک‌هایی مانند حریم خصوصی، تبعیض، Spoofing، نور نامناسب و استفاده بدون رضایت سنجید. مطالعه آموزش کامل تشخیص و بازشناسی چهره.

تشخیص نوری نویسه‌ها (OCR)

تشخیص نوری نویسه‌ها (OCR) بر استخراج متن ساخت‌یافته از اسناد تصویری و اتصال آن به تحلیل چیدمان تمرکز دارد و در حوزه‌هایی مانند دیجیتال‌سازی بایگانی، فاکتور، فرم، پلاک و اسناد اداری استفاده می‌شود. برای ارزیابی حرفه‌ای باید CER، WER، دقت فیلد و نرخ پردازش صفحه را همراه با ریسک‌هایی مانند کیفیت اسکن، فونت، دست‌خط، چرخش، جدول پیچیده و زبان مختلط سنجید. مطالعه آموزش کامل تشخیص نوری نویسه‌ها (OCR).

تشخیص گفتار و تبدیل گفتار به متن

تشخیص گفتار و تبدیل گفتار به متن بر تبدیل سیگنال صوتی به متن با مدل‌سازی آوا، زبان و زمینه تمرکز دارد و در حوزه‌هایی مانند رونویسی جلسه، مرکز تماس، فرمان صوتی و زیرنویس استفاده می‌شود. برای ارزیابی حرفه‌ای باید WER، CER، Real-time Factor و Latency را همراه با ریسک‌هایی مانند نویز، لهجه، هم‌پوشانی گویندگان، نام‌های خاص و حریم خصوصی صوت سنجید. مطالعه آموزش کامل تشخیص گفتار و تبدیل گفتار به متن.

تبدیل متن به گفتار (TTS)

تبدیل متن به گفتار (TTS) بر تبدیل متن به موج صوتی طبیعی با کنترل تلفظ، لحن و آهنگ گفتار تمرکز دارد و در حوزه‌هایی مانند دستیار صوتی، دسترس‌پذیری، آموزش و محتوای صوتی استفاده می‌شود. برای ارزیابی حرفه‌ای باید MOS، Intelligibility، Latency و شباهت صوتی را همراه با ریسک‌هایی مانند تلفظ غلط، تقلید صدا، سوءاستفاده، Watermarking و تأخیر سنجید. مطالعه آموزش کامل تبدیل متن به گفتار (TTS).

ترجمه ماشینی

ترجمه ماشینی بر تبدیل معنا میان زبان‌ها با حفظ زمینه، اصطلاحات و ساختار هدف تمرکز دارد و در حوزه‌هایی مانند بومی‌سازی، پشتیبانی چندزبانه، اسناد و ارتباطات بین‌المللی استفاده می‌شود. برای ارزیابی حرفه‌ای باید BLEU، COMET، ارزیابی انسانی و Terminology Accuracy را همراه با ریسک‌هایی مانند ابهام، اصطلاح تخصصی، نام‌ها، لحن، فرهنگ و ترجمه بیش‌ازحد لفظی سنجید. مطالعه آموزش کامل ترجمه ماشینی.

سیستم‌های پیشنهاددهنده

سیستم‌های پیشنهاددهنده بر انتخاب و رتبه‌بندی اقلام متناسب با کاربر با استفاده از رفتار و محتوای اقلام تمرکز دارد و در حوزه‌هایی مانند فروشگاه، رسانه، آموزش، خبر و شبکه اجتماعی استفاده می‌شود. برای ارزیابی حرفه‌ای باید CTR، Conversion، NDCG، Recall@K و Retention را همراه با ریسک‌هایی مانند Cold Start، حباب فیلتر، Popularity Bias، Feedback Loop و حریم خصوصی سنجید. مطالعه آموزش کامل سیستم‌های پیشنهاددهنده.

موتورهای جست‌وجوی هوشمند

موتورهای جست‌وجوی هوشمند بر بازیابی و رتبه‌بندی اسناد مرتبط و در سامانه‌های جدید ترکیب جست‌وجو با پاسخ‌سازی تمرکز دارد و در حوزه‌هایی مانند وب، جست‌وجوی سازمانی، فروشگاه، دانش فنی و RAG استفاده می‌شود. برای ارزیابی حرفه‌ای باید Precision@K، Recall، NDCG، MRR و Latency را همراه با ریسک‌هایی مانند رتبه‌بندی ضعیف، محتوای کم‌کیفیت، Query Drift، تزریق محتوا و پاسخ بدون منبع سنجید. مطالعه آموزش کامل موتورهای جست‌وجوی هوشمند.

تحلیل پیش‌بینانه

تحلیل پیش‌بینانه بر استفاده از داده تاریخی برای برآورد رخداد، مقدار یا احتمال آینده همراه با عدم قطعیت تمرکز دارد و در حوزه‌هایی مانند تقاضا، خرابی، ریزش مشتری، فروش و برنامه‌ریزی ظرفیت استفاده می‌شود. برای ارزیابی حرفه‌ای باید MAE، RMSE، AUC، Calibration و خطای دوره‌ای را همراه با ریسک‌هایی مانند Data Leakage، Drift، همبستگی کاذب، عدم قطعیت پنهان و تصمیم خودکار نادرست سنجید. مطالعه آموزش کامل تحلیل پیش‌بینانه.

تشخیص تقلب با هوش مصنوعی

تشخیص تقلب با هوش مصنوعی بر ترکیب الگوهای رفتاری، قواعد و مدل‌های یادگیری برای امتیازدهی ریسک تراکنش تمرکز دارد و در حوزه‌هایی مانند پرداخت، بیمه، تجارت الکترونیک و حساب‌های کاربری استفاده می‌شود. برای ارزیابی حرفه‌ای باید Precision، Recall، PR-AUC، False Positive Cost و Detection Delay را همراه با ریسک‌هایی مانند تغییر تاکتیک مهاجم، عدم توازن شدید، هشدار کاذب و Explainability سنجید. مطالعه آموزش کامل تشخیص تقلب با هوش مصنوعی.

تشخیص هرزنامه و پیام ناخواسته

تشخیص هرزنامه و پیام ناخواسته بر طبقه‌بندی پیام‌ها و رفتار فرستنده برای جداکردن محتوای ناخواسته یا مخرب تمرکز دارد و در حوزه‌هایی مانند ایمیل، پیامک، دیدگاه، شبکه اجتماعی و فرم‌های وب استفاده می‌شود. برای ارزیابی حرفه‌ای باید Precision، Recall، F1، False Positive Rate و Drift را همراه با ریسک‌هایی مانند Evasion، واژه‌سازی، لینک مخرب، پیام چندزبانه و مسدودسازی اشتباه سنجید. مطالعه آموزش کامل تشخیص هرزنامه و پیام ناخواسته.

هوش مصنوعی در تشخیص پزشکی

هوش مصنوعی در تشخیص پزشکی بر کمک به تحلیل داده‌های بالینی و تصویری زیر نظارت متخصص برای پشتیبانی از تصمیم پزشکی تمرکز دارد و در حوزه‌هایی مانند رادیولوژی، پاتولوژی، تریاژ، پیش‌بینی خطر و پایش استفاده می‌شود. برای ارزیابی حرفه‌ای باید Sensitivity، Specificity، AUROC، Calibration و External Validation را همراه با ریسک‌هایی مانند سوگیری جمعیتی، تعمیم ضعیف، خطای پرخطر، نبود نظارت پزشک و حریم خصوصی سنجید. مطالعه آموزش کامل هوش مصنوعی در تشخیص پزشکی.

هوش مصنوعی مالی

هوش مصنوعی مالی بر به‌کارگیری مدل‌های پیش‌بینی، ریسک، کشف ناهنجاری و پردازش زبان در خدمات مالی تمرکز دارد و در حوزه‌هایی مانند اعتبارسنجی، ضدتقلب، تحلیل اسناد، معامله و پشتیبانی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Expected Loss، AUC، VaR backtesting، Latency و Cost را همراه با ریسک‌هایی مانند ریسک مدل، نوسان رژیم بازار، مقررات، تبعیض اعتباری و Explainability سنجید. مطالعه آموزش کامل هوش مصنوعی مالی.

هوش مصنوعی صنعتی

هوش مصنوعی صنعتی بر اتصال داده سنسورها، مدل‌های پیش‌بینی و کنترل عملیاتی برای بهبود تولید تمرکز دارد و در حوزه‌هایی مانند نگهداری پیشگویانه، کنترل کیفیت، انرژی، زنجیره تأمین و ایمنی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Downtime، OEE، False Alarm، Yield و Energy Efficiency را همراه با ریسک‌هایی مانند داده سنسور معیوب، Drift، امنیت OT، Latency و Fail-safe سنجید. مطالعه آموزش کامل هوش مصنوعی صنعتی.

رباتیک وظیفه‌محور

رباتیک وظیفه‌محور بر چرخه ادراک، برنامه‌ریزی و کنترل برای انجام یک وظیفه محدود و تعریف‌شده تمرکز دارد و در حوزه‌هایی مانند مونتاژ، انبار، جراحی کمکی، بازرسی و خدمات استفاده می‌شود. برای ارزیابی حرفه‌ای باید Success Rate، Cycle Time، Position Error و Safety Incidents را همراه با ریسک‌هایی مانند خطای حسگر، برخورد، تغییر محیط، برنامه‌ریزی شکننده و نبود توقف ایمن سنجید. مطالعه آموزش کامل رباتیک وظیفه‌محور.

هوش مصنوعی رانندگی خودران

هوش مصنوعی رانندگی خودران بر ترکیب ادراک محیط، مکان‌یابی، پیش‌بینی رفتار و برنامه‌ریزی حرکت در حلقه کنترل تمرکز دارد و در حوزه‌هایی مانند کمک‌راننده تا سامانه‌های خودران در سطوح محدود و شرایط تعریف‌شده استفاده می‌شود. برای ارزیابی حرفه‌ای باید Disengagement، Collision Rate، Planning Latency و Scenario Coverage را همراه با ریسک‌هایی مانند Edge Case، آب‌وهوا، رفتار غیرقابل پیش‌بینی، نقشه و ایمنی عملکردی سنجید. مطالعه آموزش کامل هوش مصنوعی رانندگی خودران.

هوش مصنوعی در بازی‌ها

هوش مصنوعی در بازی‌ها بر تصمیم‌گیری عامل در محیط بازی با جست‌وجو، قواعد، یادگیری یا ترکیبی از آن‌ها تمرکز دارد و در حوزه‌هایی مانند NPC، استراتژی، تولید رفتار، تست بازی و تنظیم سختی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Win Rate، Elo، Sample Efficiency، Frame Time و Player Experience را همراه با ریسک‌هایی مانند رفتار قابل پیش‌بینی، تقلب، هزینه محاسبه و هدف پاداش نامناسب سنجید. مطالعه آموزش کامل هوش مصنوعی در بازی‌ها.

سیستم‌های خبره

سیستم‌های خبره بر استنتاج بر پایه دانش صریح و قواعد اگر-آنگاه برای مسائل محدود و قابل توضیح تمرکز دارد و در حوزه‌هایی مانند عیب‌یابی، پشتیبانی تصمیم، تطبیق قوانین و راهنمایی تخصصی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Coverage، Rule Accuracy، Explanation Quality و Maintenance Cost را همراه با ریسک‌هایی مانند Knowledge Bottleneck، تعارض قواعد، قدیمی‌شدن دانش و پوشش ناکافی سنجید. مطالعه آموزش کامل سیستم‌های خبره.

هوش مصنوعی مولد

هوش مصنوعی مولد بر تولید محتوای جدید مانند متن، تصویر، صوت و کد بر اساس الگوهای آموخته‌شده تمرکز دارد و در حوزه‌هایی مانند تولید محتوا، طراحی، برنامه‌نویسی، تحقیق و دستیارهای خلاق استفاده می‌شود. برای ارزیابی حرفه‌ای باید Quality، Factuality، Diversity، Latency، Cost و Safety را همراه با ریسک‌هایی مانند Hallucination، Copyright، Deepfake، Prompt Injection و محتوای نامناسب سنجید. مطالعه آموزش کامل هوش مصنوعی مولد.

مدل‌های انتشار (Diffusion Models)

مدل‌های انتشار (Diffusion Models) بر یادگیری حذف تدریجی نویز برای نمونه‌سازی داده با کنترل متن یا شرط دیگر تمرکز دارد و در حوزه‌هایی مانند تولید تصویر، ویرایش، ویدئو، صوت و داده مصنوعی استفاده می‌شود. برای ارزیابی حرفه‌ای باید FID، CLIP-like alignment، Sampling Steps و Latency را همراه با ریسک‌هایی مانند کندی نمونه‌گیری، Artifact، سوگیری داده، کنترل‌پذیری و هزینه GPU سنجید. مطالعه آموزش کامل مدل‌های انتشار (Diffusion Models).

شبکه‌های مولد تخاصمی (GAN)

شبکه‌های مولد تخاصمی (GAN) بر آموزش رقابتی مولد و تمایزدهنده برای نزدیک‌کردن توزیع داده مصنوعی به واقعی تمرکز دارد و در حوزه‌هایی مانند تصویر مصنوعی، Super-resolution، Style Transfer و داده‌افزایی استفاده می‌شود. برای ارزیابی حرفه‌ای باید FID، Precision/Recall for Generation و Stability را همراه با ریسک‌هایی مانند Mode Collapse، ناپایداری آموزش، حساسیت Hyperparameter و ارزیابی دشوار سنجید. مطالعه آموزش کامل شبکه‌های مولد تخاصمی (GAN).

عامل‌های یادگیری تقویتی

عامل‌های یادگیری تقویتی بر یادگیری سیاست تصمیم از تعامل و بازخورد پاداش در طول زمان تمرکز دارد و در حوزه‌هایی مانند کنترل، بازی، تخصیص منابع، رباتیک و بهینه‌سازی ترتیبی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Cumulative Reward، Regret، Success Rate و Sample Efficiency را همراه با ریسک‌هایی مانند Reward Hacking، Exploration Risk، Sim-to-real Gap و ناپایداری سنجید. مطالعه آموزش کامل عامل‌های یادگیری تقویتی.

هوش مصنوعی در امنیت سایبری

هوش مصنوعی در امنیت سایبری بر تحلیل حجم زیاد رخدادها برای کشف الگوهای مشکوک، اولویت‌بندی و کمک به پاسخ تمرکز دارد و در حوزه‌هایی مانند SOC، EDR، ایمیل، شبکه، هویت و مدیریت آسیب‌پذیری استفاده می‌شود. برای ارزیابی حرفه‌ای باید Detection Rate، False Positive، MTTD، MTTR و Precision را همراه با ریسک‌هایی مانند Adversarial Evasion، Poisoning، Prompt Injection، هشدار کاذب و اتکای بیش‌ازحد سنجید. مطالعه آموزش کامل هوش مصنوعی در امنیت سایبری.

سیستم‌های پشتیبان تصمیم

سیستم‌های پشتیبان تصمیم بر ترکیب داده، مدل و قواعد برای ارائه گزینه و تحلیل به تصمیم‌گیر انسانی تمرکز دارد و در حوزه‌هایی مانند مدیریت، سلامت، مالی، لجستیک و عملیات استفاده می‌شود. برای ارزیابی حرفه‌ای باید Decision Quality، Calibration، Adoption، Time-to-decision و Auditability را همراه با ریسک‌هایی مانند Automation Bias، داده ناقص، توضیح ضعیف و نادیده‌گرفتن زمینه انسانی سنجید. مطالعه آموزش کامل سیستم‌های پشتیبان تصمیم.

هوشمندی اسناد

هوشمندی اسناد بر درک ساختار و معنای سند برای استخراج فیلد، جدول، موجودیت و اتصال به فرایند تمرکز دارد و در حوزه‌هایی مانند فاکتور، قرارداد، فرم، پرونده و مکاتبات استفاده می‌شود. برای ارزیابی حرفه‌ای باید Field Accuracy، Table Accuracy، STP Rate و Processing Time را همراه با ریسک‌هایی مانند چیدمان پیچیده، OCR ضعیف، سند چندزبانه، جعل و Validation ناکافی سنجید. مطالعه آموزش کامل هوشمندی اسناد.

هوش مصنوعی تولید کد

هوش مصنوعی تولید کد بر تولید یا ویرایش کد بر پایه مشخصات و زمینه مخزن با حلقه آزمون و بازبینی تمرکز دارد و در حوزه‌هایی مانند تکمیل کد، Refactoring، تست، مهاجرت و مستندسازی استفاده می‌شود. برای ارزیابی حرفه‌ای باید Pass Rate، Test Success، Security Findings، Review Time و Cost را همراه با ریسک‌هایی مانند کد ناامن، Dependency جعلی، نادیده‌گرفتن Context، Regression و اعتماد کورکورانه سنجید. مطالعه آموزش کامل هوش مصنوعی تولید کد.

هوش مصنوعی گراف دانش

هوش مصنوعی گراف دانش بر نمایش دانش به صورت موجودیت و رابطه و ترکیب آن با جست‌وجو و مدل‌های یادگیری تمرکز دارد و در حوزه‌هایی مانند جست‌وجوی معنایی، توصیه، کشف ارتباط، RAG و مدیریت دانش استفاده می‌شود. برای ارزیابی حرفه‌ای باید Link Prediction، Query Accuracy، Coverage، Consistency و Freshness را همراه با ریسک‌هایی مانند هم‌نامی، رابطه غلط، Ontology Drift، داده ناقص و هزینه نگهداری سنجید. مطالعه آموزش کامل هوش مصنوعی گراف دانش.

۸ مثال عملی برای انتخاب نوع مناسب ANI

مثال 1: پشتیبانی مشتری

در سناریوی پشتیبانی مشتری، ترکیب Conversational AI + LLM می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Conversational AI + LLM	نرخ حل مسئله و Handoff انسانی
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

نکته عملی: قبل از خرید یا آموزش مدل بزرگ، یک Pilot محدود با داده واقعی و معیار پذیرش روشن اجرا کنید و Failure Modeها را ثبت کنید.

مثال 2: دیجیتال‌سازی فاکتور

در سناریوی دیجیتال‌سازی فاکتور، ترکیب OCR + Document Intelligence می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	OCR + Document Intelligence	دقت فیلد و Validation
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 3: فروشگاه آنلاین

در سناریوی فروشگاه آنلاین، ترکیب Recommendation Systems می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Recommendation Systems	NDCG و Conversion
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 4: کارخانه

در سناریوی کارخانه، ترکیب Industrial AI + Computer Vision می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Industrial AI + Computer Vision	Downtime و Yield
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 5: بانک

در سناریوی بانک، ترکیب Fraud Detection + Financial AI می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Fraud Detection + Financial AI	PR-AUC و هزینه هشدار کاذب
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 6: تولید محتوا

در سناریوی تولید محتوا، ترکیب Generative AI + Diffusion می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Generative AI + Diffusion	کیفیت، Copyright و Safety
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 7: رانندگی

در سناریوی رانندگی، ترکیب Computer Vision + Autonomous Driving می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Computer Vision + Autonomous Driving	Scenario Coverage و Safety
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

مثال 8: دانش سازمانی

در سناریوی دانش سازمانی، ترکیب Search + Knowledge Graph + LLM می‌تواند یک راه‌حل ANI بسازد. نخست باید مرز وظیفه، داده مجاز، خروجی مورد انتظار و مسئول تصمیم روشن شود. سپس یک Baseline ساده با راه‌حل AI مقایسه شود تا مشخص شود پیچیدگی اضافه واقعاً ارزش ایجاد می‌کند یا خیر.

تصمیم طراحی	گزینه نمونه	معیار
فناوری	Search + Knowledge Graph + LLM	Recall، منبع‌پذیری و Factuality
کنترل ریسک	Fallback و بازبینی انسانی	نرخ خطا و زمان پاسخ

# نمونه ساده ماتریس انتخاب فناوری ANI
options = {
    "document": ["OCR", "Document Intelligence"],
    "conversation": ["Conversational AI", "LLM"],
    "vision": ["Computer Vision", "Object Detection"],
    "prediction": ["Predictive Analytics", "Decision Support"]
}

for problem, technologies in options.items():
    print(problem, "->", ", ".join(technologies))

سناریوی عملی انتخاب ANI: مسئله، داده، مدل تخصصی، معیار، ریسک و نظارت انسانی باید به‌صورت یک زنجیره تصمیم دیده شوند.

تازه‌های ۲۰۲۶ از منابع انگلیسی و اثر آن بر ANI

AI Index 2026 استنفورد رشد سریع پذیرش هوش مصنوعی مولد را در کنار عقب‌ماندن نسبی شفافیت، ارزیابی مستقل و حکمرانی برجسته می‌کند. در همان سال، انتشارهای رسمی OpenAI، Google DeepMind و Meta بر عامل‌ها، استفاده از ابزار، چندوجهی‌بودن و انجام وظایف طولانی‌تر تأکید بیشتری دارند. ترجمه مفهومی این روند این است که ANI در حال تبدیل‌شدن از «یک مدل برای یک پیش‌بینی» به «سامانه‌های تخصصی چندمرحله‌ای با ابزار و کنترل» است.

این تغییر به معنی AGI نیست. حتی سامانه‌ای که چند ابزار را اجرا می‌کند یا در چند نوع داده عملکرد خوبی دارد، همچنان باید بر اساس محدوده آزموده‌شده، خطاهای شناخته‌شده و سطح اختیارش توصیف شود. برای تصمیم‌گیری حرفه‌ای، تاریخ و نسخه مدل، Benchmark با زمینه، آزمون روی داده محلی و قابلیت Audit مهم‌تر از برچسب‌های بازاریابی هستند.

سؤالات متداول

ANI چیست؟

هوش مصنوعی محدود سامانه‌ای است که برای وظایف یا دامنه‌های مشخص طراحی شده و توانایی آن به معنی هوش عمومی نیست.

آیا LLMها ANI هستند؟

تا زمانی که توانایی عمومی انسانی و خودمختاری اثبات‌شده ندارند، کاربردهای عملی آن‌ها در چارچوب سامانه‌های محدود و مشخص ارزیابی می‌شود.

تفاوت ANI و AGI چیست؟

ANI دامنه محدود و معیارهای وظیفه مشخص دارد؛ AGI مفهومی برای توانایی عمومی‌تر و انتقال‌پذیر در طیف گسترده کارهاست که تعریف و تحقق آن محل بحث است.

کدام نوع ANI برای کسب‌وکار مناسب است؟

از مسئله شروع کنید: نوع داده، تصمیم مورد نظر، هزینه خطا و SLA تعیین می‌کند OCR، LLM، Vision، Recommendation یا فناوری دیگری مناسب‌تر است.

آیا ANI همیشه نیاز به Deep Learning دارد؟

خیر. قواعد، مدل‌های کلاسیک ML، جست‌وجو، بهینه‌سازی و سیستم‌های خبره نیز می‌توانند بخش اصلی یک سامانه ANI باشند.

برای سفارش پروژه AI چه اطلاعاتی لازم است؟

نمونه داده، هدف کسب‌وکار، کاربران، خروجی مطلوب، محدودیت امنیتی و معیار پذیرش اولیه مهم‌ترین اطلاعات شروع هستند.

خطای رایج در انتخاب فناوری چیست؟

شروع از نام مدل به جای مسئله، نداشتن Baseline و نادیده‌گرفتن هزینه خطا از خطاهای رایج هستند.

Performance را چگونه بسنجیم؟

کیفیت مدل را همراه Latency، Cost، Throughput، Reliability و تجربه کاربر بسنجید.

Best Practice عمومی چیست؟

نسخه‌گذاری، ارزیابی مستقل، Human-in-the-loop برای ریسک بالا، پایش Drift و طراحی Fallback اصول مشترک‌اند.

نسخه‌های جدید AI را چگونه وارد محصول کنیم؟

هر ارتقا باید با Regression Test، داده مرجع، بررسی امنیت، مقایسه هزینه و Rollback Plan انجام شود.

سؤالات مصاحبه

چرا یک مدل چندوجهی لزوماً AGI نیست؟
چگونه مرز Task Boundary را تعریف می‌کنید؟
تفاوت ارزیابی Offline و Online چیست؟
چه زمانی Fallback غیرهوشمند بهتر از خروجی مدل است؟
چگونه هزینه خطا را به Threshold مدل وصل می‌کنید؟

جمع‌بندی و مسیر مطالعه

ANI بخش عمده سیستم‌های هوش مصنوعی کاربردی امروز را پوشش می‌دهد. انتخاب درست فناوری باید بر مسئله، داده، معیار، ریسک و معماری محصول استوار باشد. از لینک‌های جدول بالا برای ورود به مقاله تخصصی هر موضوع استفاده کنید و میان مدل، محصول، API و روش آموزشی تفاوت روشن نگه دارید.

خدمات برنامه‌نویسی و پایگاه داده

برنامه‌نویسی اصفهان

قبول سفارش‌های برنامه‌نویسی و پایگاه داده: 09131253620

انجام پروژه‌های برنامه‌نویسی، آموزش برنامه‌نویسی و آموزش پایگاه داده SQL Server

از سال ۱۳۷۵ در زمینه برنامه‌نویسی، پایگاه داده و طراحی راهکارهای نرم‌افزاری فعالیت می‌کنیم؛ بیش از سه دهه تجربه مستمر، پشتوانه اعتبار و کیفیت خدمات ماست.

سفارش پروژه و تماس

برای سفارش پروژه‌های برنامه‌نویسی و پایگاه داده، سیستم‌های تحت وب، وب‌سایت و راهکارهای نرم‌افزاری جدید، با شماره 09131253620 تماس حاصل فرمایید.

ایتا، واتساپ و تماس مستقیم: +989131253620

تماس با ما

راهنمای جامع انواع و کاربردهای هوش مصنوعی محدود (ANI / Weak AI)