تعریف اصطلاحات رایج هوش مصنوعی
اصطلاحات مربوط به هوش مصنوعی (AI) از حوزهی علوم کامپیوتر فراتر رفته و اکنون وارد زبان روزمره شدهاست. اینها اصطلاحاتی هستند که زمانی بخشی از دروس مهندسی کامپیوتر در دانشگاه بودند اما امروز بهطور روزانه استفاده میشوند. در ادامه، این اصطلاحات را تعریف میکنیم و در صورت امکان مثالهایی از حوزهی حسابداری ارائه میدهیم.
- هوش مصنوعی (AI):
این اصطلاح در سال 1955 ابداع شد و در سال 1956 بهطور گسترده معرفی شد، هرچند مفهوم آن در طول تاریخ وجود داشته است. فرهنگ لغت مریام-وبستر آن را چنین تعریف میکند: «توانایی سیستمها یا الگوریتمهای رایانهای برای تقلید رفتار هوشمندانهی انسانی.» سطح این تقلید در طول زمان و با پیشرفت فناوری تغییر کرده است. برای نمونه در خطوط تولید خودرو، کارخانههای مدرن دارای سطوحی از خودکارسازی هستند که در گذشته میتوانستند بهعنوان هوش مصنوعی پیشرفته تلقی شوند.
- هوش مصنوعی مولد (Generative AI):
هوش مصنوعی مولد، ترکیبی از فناوریهایی است که از سال 1956 توسعه یافتهاند. در سال 2017، پژوهشگران گوگل مقالهای با عنوان “Attention Is All You Need” منتشر کردند؛ این مقاله روشی را معرفی کرد که به رایانهها اجازه میدهد تمام کلمات متن را بررسی کرده و بسته به کلمات قبلی، میزان اهمیت متفاوتی به آنها بدهند. میتوان این فرایند را نوعی آمار و احتمال بسیار پیچیده دانست. این وزنها، زمینهای ایجاد میکنند که در آن کلمهی «bank» میتواند بسته به اینکه قبل از آن کلمه «river» یا «loan» آمده باشد، معنای متفاوتی داشته باشد. حسابداران نیز هر روز با چنین زمینههایی کار میکنند، البته با اعداد و تراکنشها. مثلاً حسابرسی که تراکنشهای نمودار حسابها را برای یافتن تقلب بررسی میکند، باید زمینهی فعالیت کسبوکار را در نظر بگیرد؛ مانند تفاوت میان فروشگاه لوازم ساختمانی و یک مؤسسهی مذهبی.
- مدل زبانی بزرگ (LLM):
این مدلها ستون فقرات هوش مصنوعی مولد هستند. یک مدل زبانی بزرگ (LLM)، شامل متون آموزشی و دادههایی است که از اینترنت جمعآوری شدهاند. هوش مصنوعی مولد با استفاده از آمار و احتمالات خود، در پاسخ به پرامپتها (متنی است که کاربر در ابزار هوش مصنوعی مولد وارد میکند) از این دادهها استفاده میکند. این شبیه کاری است که یک حسابدار انجام میدهد؛ گرفتن دادهها از نمودار حسابها و ساختن نمودارها و تحلیلها برای یافتن روندها و نقاط غیرعادی.
- پرامپت (Prompt):
متنی است که کاربر در ابزار هوش مصنوعی مولد وارد میکند. پیش از تولید پاسخ، هوش مصنوعی باید پرامپت را تحلیل کرده و زمینه و وزن هر کلمه را تعیین کند. سپس با همان شناسایی زمینه و وزندهی، شروع به تولید پاسخ میکند. برای تعیین هر کلمهی بعدی در پاسخ، از زمینه و وزن متن تولیدشده قبلی استفاده میکند. میتوان این را به زمانی تشبیه کرد که یک مشتری مالیاتی دربارهی اظهارنامهی مالیاتی خود سؤال میکند؛ حسابدار سخنان او را میسنجد و با استفاده از اطلاعات اظهارنامه پاسخ میدهد.
- توکنها (Tokens):
توکنها واحدهایی هستند که هوش مصنوعی میتواند آنها را درک کند. معمولاً یک توکن برابر با یک کلمه یا بخشی از یک کلمهی بلندتر است. این توکنها همراه با ترتیبشان در دادههای آموزشی استفاده میشوند تا پاسخ تولید شود.
- درجه (Temperature):
در دنیای هوش مصنوعی، واژهی (Temperature) هیچ ربطی به گرما ندارد! این یک پارامتر مهم است این پارامتر مشخص میکند احتمالاً مدل چهقدر سختگیرانه کلمهی (توکن) بعدی را انتخاب کند. مقدار آن از 0 شروع میشود و معمولاً با گامهای 0.1 افزایش مییابد.
- درجه پایین: پاسخها دقیقتر و واقعمحورتر هستند.
- درجه بالا (مثلاً 0.9): مدل احتمالهای غیرمعمولتر را نیز بررسی میکند؛ این برای کارهای خلاقانه مفید است اما احتمال خطا را افزایش میدهد.
درجه سختگیری مدل، توسط ارائهدهندگان مدل پایه تنظیم میشود و بسته به نحوهی دسترسی، ممکن است کاربران بتوانند آن را تغییر دهند یا خیر. برای کارهای حسابداری، درجه سختگیری پایین معمولاً امنتر است. به بیان دیگر، وقتی درجه پایین است، مدل محتاط عمل میکند و معمولاً محتملترین کلمه را انتخاب میکند. اما هرچه درجه بالاتر برود، مدل ریسکپذیرتر میشود و سراغ گزینههای غیرمنتظرهتر و گاهی خلاقانهتر میرود.
- مدل پایه (Foundation Model):
اینها همان مدل زبانی بزرگ (LLMها) (و مدلهای دیگر غیرزبانی) هستند که بسیاری از شرکتها برای افزودن قابلیتهای هوش مصنوعی به محصولات خود استفاده میکنند. نمونههای شناختهشده شامل مدلهای GPT شرکت OpenAI (استفادهشده در ChatGPT)، مدلهای Gemini گوگل و Claude شرکت Anthropic هستند. بهجای ساخت یک مدل زبانی بزرگ از ابتدا که بسیار پرهزینه است، بسیاری از شرکتها آن را از ارائهدهندگان مدل پایهی لایسنس یا اجاره میکنند.
- هم راستایی (Alignment):
هوش مصنوعی برای کمک به کاربر طراحی شده است. هم راستایی، به توانایی AI در پایبند ماندن به هدفی که در پرامپت تعیین شده اشاره دارد. مثلاً اگر پرامپت بگوید:
«میخواهم ایمیلهایم را مدیریت کنم اما هیچ ایمیلی را حذف نکن.»
هدف مشخص است و هم راستایی هوش مصنوعی این است که کمک کند ولی ایمیلی حذف نکند. جزئیات بعدی در پرامپت نحوهی مدیریت ایمیلها را تعیین میکند، اما اصل هدف تغییر نمیکند. به بیان دیگر، همراستایی، تضمین کنندهی رفتار سیستمهای هوش مصنوعی با اهداف و ارزشهای انسانی است.
- فاینتیونینگ (Fine‑tuning):
فرایندی است که در آن یک شرکت دامنهی عملکرد مدل پایه را محدودتر و پاسخهای آن را تنظیم میکند. مثلاً یک موسسهی تحقیقات مالیاتی ممکن است مدل را طوری فاینتیون کند که پاسخها همیشه در قالبی مشخص ارائه شوند. این قالب میتواند بعداً به شکلهای مختلفی مانند یادداشتهای پژوهشی تبدیل شود. به بیان ساده، فاینتیونینگ تعیین میکند پاسخ چیست، در حالی که قالب ارائهی پاسخ میتواند تغییر کند.
- (Retrieval‑Augmented Generation یا RAG):
روشی برای دادن دادههای خاص به هوش مصنوعی است تا هنگام پاسخ دادن روی آنها تمرکز کند. مثلاً اگر دستورالعملهای کاری شرکت بهصورت متن ذخیره شده و به یک مدل پایه متصل شوند، اعضای تیم میتوانند دربارهی فرایندهای داخلی سؤال بپرسند. این یک نمونهی ساده از RAG است. در سیستمهای پیچیدهتر، دادهها بسیار بزرگترند؛ مثلاً استفاده از نمودار حسابها برای پیشنهاد دستهبندی تراکنشها.
- (Context Window):
هوش مصنوعی فقط مقدار محدودی از متن را میتواند همزمان در حافظه نگه دارد. این مقدار همان کانتکست است؛ یعنی تمام متنهای پرسش و پاسخ در طول یک گفت وگو. برخی مدلهای Anthropic پنجرهای حدود 200,000 توکن دارند. یک رمان متوسط حدود 85,000 کلمه است، بنابراین این پنجره تقریباً اندازهی دو رمان است.
مدلها به مرور زمان بخشهای قدیمی گفت و گو را فشرده یا خلاصه میکنند تا جا برای ادامهی گفت وگو باز شود. اما اگر این خلاصهسازی بهدرستی انجام نشود، ممکن است هم راستایی از بین برود و مفاهیم اولیه در طول پژوهشهای طولانی فراموش شوند.
- (Model Context Protocol یا MCP):
روشی برای اتصال هوش مصنوعی به ابزارها و سیستمهای موجود است. یک مثال ساده: استفاده از یک اپلیکیشن گوشی برای اتصال به دفتر کل (general ledger) است.
در این تشبیه:
- گوشی = مدل پایه است.
- اپلیکیشن = سرور پروتکل Context Window است.
مدل پایه و سرور پروتکل Context Window از یک «زبان مشترک» یعنی MCP برای ارتباط استفاده میکنند.
- هوش مصنوعی عاملمحور (Agentic AI):
این نوع هوش مصنوعی میتواند اقدام انجام دهد. برای مثال ارسال ایمیل یا وارد کردن دادهها. هوش مصنوعی عامل محور با استفاده از فناوریهای ذکرشده تعیین میکند چگونه به هدف دادهشده برسد.
مثلاً اگر رسیدهای PDF را به یک هوش مصنوعی عامل محور بدهید و از آن بخواهید اطلاعات را در نرمافزار حسابداری Xero وارد کند، عامل میتواند:
- به سرور MCP مربوط به Xero متصل شود.
- رسیدها را بخواند.
- بررسی کند فروشنده قبلاً در سیستم وجود داشته یا خیر.
- و تراکنش را در سیستم ثبت کند.
Journal of Accountancy ، می 2026