بررسی مزایا، معایب و کاربردهای ابزارهای هوش مصنوعی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ARPR-7-2_004

تاریخ نمایه سازی: 7 آبان 1405

چکیده مقاله:

گسترش سریع مدل های هوش مصنوعی مولد، مدل های زبانی بزرگ، دستیارهای برنامه نویسی، سامانه های AIOps و ابزارهای هوشمند امنیت سایبری، معماری و فرایندهای فناوری اطلاعات و ارتباطات را دستخوش تغییر کرده است. هدف این پژوهش، بررسی فنی و تحلیلی مزایا، معایب، ریسک ها و کاربردهای ابزارهای رایج هوش مصنوعی در چرخه حیات سامانه های فناوری اطلاعات و ارتباطات است. پژوهش حاضر با رویکرد مروری تحلیلی و با اتکا بر ادبیات علمی معتبر، ابتدا ابزارها را در حوزه های پردازش زبان طبیعی، مهندسی نرم افزار، تحلیل داده، شبکه، رایانش ابری، عملیات فناوری اطلاعات و امنیت سایبری طبقه بندی می کند و سپس آنها را بر اساس معیارهای دقت، بهره وری، امنیت، حریم خصوصی، هزینه، مقیاس پذیری، قابلیت یکپارچه سازی و نیاز به نظارت انسانی مقایسه می کند. نتایج نشان می دهد که ارزش AI در ICT بیش از آنکه به تولید پاسخ وابسته باشد، به توانایی آن در تحلیل حجم زیاد داده، خودکارسازی وظایف تکراری، پشتیبانی از تصمیم گیری و ایجاد حلقه های هوشمند میان داده، نرم افزار و زیرساخت وابسته است. در مقابل، توهم مدل، تولید کد آسیب پذیر، افشای داده، حملات Prompt Injection ، وابستگی به ارائه دهنده و خطاهای تصمیم گیری از مهم ترین موانع استقرار گسترده محسوب می شوند. در پایان، یک چارچوب چندمعیاره برای انتخاب ابزار AI و یک مدل بلوغ پنج سطحی برای استقرار سازمانی پیشنهاد می شود. یافته اصلی آن است که در کاربردهای حساس، معماری Human-in-the-Loop، حاکمیت داده، کنترل دسترسی، ارزیابی مستمر مدل و دروازه هوش مصنوعی سازمانی باید جزء الزامات معماری باشند

کلیدواژه ها:

هوش مصنوعی مولد ، مدل زبانی بزرگ ، AIOps ، امنیت سایبری ، فناوری اطلاعات و ارتباطات

نویسندگان

علیرضا سلیمانی

۱ گروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، شهرقدس، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. Vaswani et al., “Attention Is All You Need,” in ...
  • T. B. Brown et al., “Language Models are Few-Shot Learners,” ...
  • R. Bommasani et al., “On the Opportunities and Risks of ...
  • W. Zhao et al., “A Survey of Large Language Models,” ...
  • OpenAI, “GPT-۴ Technical Report,” arXiv:۲۳۰۳.۰۸۷۷۴, ۲۰۲۳ ...
  • M. Chen et al., “Evaluating Large Language Models Trained on ...
  • L. Zhang et al., “A Survey of AIOps in the ...
  • M. A. Ferrag et al., “Generative AI in cybersecurity: A ...
  • “The Security of Using Large Language Models: A Survey with ...
  • W. Greshake et al., “Not what you’ve signed up for: ...
  • “AI-Powered Code Reviews: Leveraging Large Language Models,” in Proc. SPARC, ...
  • P. Yetistiren, I. Ozsoy, and E. Tuzun, “Assessing the Quality ...
  • “State of the Art of the Security of Code Generated ...
  • “Across the Spectrum: In-Depth Review AI-Based Models for Phishing Detection,” ...
  • N. Fareghzadeh et al., “Performance Isolation in Cloud Computing Environments,” ...
  • N. Fareghzadeh et al., “A Comprehensive Approach to Performance Management ...
  • N. Fareghzadeh et al., “A Performance Monitoring Architecture for Cloud ...
  • “LLM-Based Intelligent Agents for Cybersecurity: A Tutorial and Survey of ...
  • A. Radford et al., “Language Models are Unsupervised Multitask Learners,” ...
  • T. Brown et al., “Language Models are Few-Shot Learners,” arXiv ...
  • J. Wei et al., “Chain-of-Thought Prompting Elicits Reasoning in Large ...
  • Y. Liu et al., “Lost in the Middle: How Language ...
  • N. Shinn et al., “Reflexion: Language Agents with Verbal Reinforcement ...
  • P. Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks,” ...
  • NIST, “Artificial Intelligence Risk Management Framework (AI RMF ۱.۰),” NIST ...
  • OWASP Foundation, “OWASP Top ۱۰ for Large Language Model Applications,” ...
  • N. Carlini et al., “Extracting Training Data from Large Language ...
  • R. Bommasani et al., “On the Opportunities and Risks of ...
  • Y. Dong et al., “Cognitive Deficits of Large Language Models ...
  • “Large Language Model for Vulnerability Detection: Emerging Results and Future ...
  • نمایش کامل مراجع