یادگیری ماشین چیست؟ آشنایی با الگوریتم‌های Machine Learning

یادگیری ماشین (Machine Learning) به سیستم‌ها امکان می‌دهد با استفاده از داده‌ها الگوها را شناسایی کنند و بر اساس آن‌ها پیش‌بینی یا تصمیم‌گیری انجام دهند. به زبان ساده، در یادگیری ماشین به‌جای تعریف تمام قواعد انجام یک کار به‌صورت مستقیم، الگوریتم با استفاده از داده‌های مناسب الگوهای مرتبط با مسئله را یاد می‌گیرد.

در این مقاله بررسی می‌کنیم یادگیری ماشین چیست، چگونه کار می‌کند و چه انواعی دارد. سپس با الگوریتم‌های یادگیری ماشین، تفاوت یادگیری ماشین با هوش مصنوعی و یادگیری عمیق و برخی از کاربردهای آن آشنا می‌شویم و در ادامه، درباره مهارت‌ها و ابزارهای موردنیاز برای فعالیت در این حوزه توضیح می‌دهیم.

یادگیری ماشین چیست؟

یادگیری ماشین (Machine Learning یا ML) یکی از شاخه‌های هوش مصنوعی است که به کامپیوترها کمک می‌کند از داده‌ها یاد بگیرند و بر اساس الگوهایی که در داده‌ها پیدا می‌کنند، برای داده‌های جدید پیش‌بینی یا تصمیم‌گیری کنند. آرتور ساموئل (Arthur Samuel)، از پیشگامان هوش مصنوعی، در سال ۱۹۵۹ از عبارت «یادگیری ماشین» استفاده کرد.

برای مثال، در یک سیستم تشخیص تراکنش‌های مشکوک، به‌جای اینکه تمام ویژگی‌های یک تراکنش مشکوک را از قبل به سیستم بگوییم، می‌توانیم نمونه‌هایی از تراکنش‌های گذشته را در اختیار مدل قرار دهیم. مدل با بررسی این نمونه‌ها، الگوهای مرتبط را پیدا می‌کند و می‌تواند از آن‌ها برای بررسی تراکنش‌های جدید استفاده کند.

البته عملکرد مدل فقط به مقدار داده بستگی ندارد. کیفیت و مرتبط‌بودن داده‌ها، روش آموزش و الگوریتم انتخاب‌شده نیز در نتیجه نهایی تاثیر دارند.

انواع یادگیری ماشین چیست؟

یادگیری ماشین را می‌توان بر اساس نحوه یادگیری مدل از داده‌ها به چهار دسته اصلی تقسیم کرد: یادگیری نظارتی، یادگیری بدون نظارت، یادگیری نیمه‌نظارتی و یادگیری تقویتی. تفاوت اصلی این روش‌ها در نوع داده و بازخوردی است که در فرایند آموزش در اختیار مدل قرار می‌گیرد.

یادگیری نظارتی (Supervised Learning)

در یادگیری نظارتی، مدل با استفاده از داده‌هایی آموزش می‌بیند که پاسخ یا برچسب مشخصی دارند. مدل با بررسی رابطه میان داده‌های ورودی و خروجی‌های مشخص، الگوهای موجود را یاد می‌گیرد و سپس از آن‌ها برای پیش‌بینی نتیجه داده‌های جدید استفاده می‌کند.

برای مثال، اگر مجموعه‌ای از تراکنش‌ها را در اختیار مدل قرار دهیم و مشخص باشد کدام تراکنش‌ها مشکوک و کدام عادی هستند، مدل می‌تواند با یادگیری از این نمونه‌ها، تراکنش‌های جدید را طبقه‌بندی کند.

یادگیری بدون نظارت (Unsupervised Learning)

در یادگیری بدون نظارت، داده‌ها برچسب مشخصی ندارند و مدل باید بر اساس ویژگی‌های موجود در داده‌ها، الگوها یا ساختارهای مرتبط را پیدا کند. یکی از کاربردهای رایج این روش، گروه‌بندی داده‌های مشابه یا خوشه‌بندی (Clustering) است.

برای مثال، می‌توان داده‌های مشتریان را بدون تعیین گروه‌های از پیش مشخص‌شده در اختیار مدل قرار داد تا مشتریانی با رفتارهای مشابه را در گروه‌های مختلف قرار دهد.

یادگیری نیمه‌نظارتی (Semi-Supervised Learning)

یادگیری نیمه‌نظارتی زمانی به کار می‌رود که بخشی از داده‌ها دارای برچسب و بخش بزرگ‌تری از داده‌ها بدون برچسب باشند. مدل از داده‌های برچسب‌گذاری‌شده برای یادگیری استفاده می‌کند و از اطلاعات موجود در داده‌های بدون برچسب نیز برای بهبود فرایند یادگیری کمک می‌گیرد.

این روش می‌تواند زمانی مفید باشد که برچسب‌گذاری حجم زیادی از داده‌ها دشوار یا پرهزینه باشد.

یادگیری تقویتی (Reinforcement Learning)

در یادگیری تقویتی، مدل از طریق تعامل با یک محیط و دریافت بازخورد یاد می‌گیرد. مدل در هر مرحله یک عمل را انتخاب می‌کند و بر اساس نتیجه آن، پاداش یا جریمه دریافت می‌کند. هدف این است که با تکرار این فرایند، راهبردی پیدا کند که مجموع پاداش دریافتی را در طول زمان افزایش دهد.

برای مثال، در آموزش یک عامل برای بازی، مدل می‌تواند با انجام حرکات مختلف و دریافت بازخورد از نتیجه آن‌ها، به‌تدریج راهبرد مناسب‌تری برای بازی پیدا کند.

آشنایی با الگوریتم‌های یادگیری ماشین

الگوریتم‌های یادگیری ماشین روش‌هایی هستند که به مدل‌ها کمک می‌کنند از داده‌ها الگو یاد بگیرند و بر اساس آن‌ها پیش‌بینی یا تصمیم‌گیری کنند. الگوریتم‌های مختلف برای مسئله‌ها و انواع داده‌های متفاوتی مناسب هستند. برای مثال، الگوریتم‌های رگرسیون معمولاً برای پیش‌بینی مقادیر عددی، الگوریتم‌های طبقه‌بندی برای قرار دادن داده‌ها در گروه‌های مشخص و الگوریتم‌های خوشه‌بندی برای پیدا کردن گروه‌های مشابه در داده‌ها استفاده می‌شوند.

آشنایی با الگوریتم‌هایی مانند رگرسیون خطی و لجستیک، درخت تصمیم، جنگل تصادفی، K-Means و شبکه‌های عصبی، دید مناسبی برای شروع یادگیری ماشین ایجاد می‌کند. انتخاب الگوریتم مناسب نیز به عواملی مانند نوع مسئله، حجم و ساختار داده‌ها و هدف پروژه بستگی دارد.

اگر می‌خواهید با الگوریتم‌های مختلف یادگیری ماشین، نحوه عملکرد و کاربرد هرکدام بیشتر آشنا شوید، می‌توانید مقاله الگوریتم‌های یادگیری ماشین را مطالعه کنید.

تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟

هوش مصنوعی (Artificial Intelligence یا AI) مفهومی گسترده برای توسعه سیستم‌هایی است که بتوانند وظایفی مانند تشخیص الگو، درک زبان، حل مسئله یا تصمیم‌گیری را انجام دهند. یادگیری ماشین (Machine Learning یا ML) یکی از رویکردهای هوش مصنوعی است که در آن مدل‌ها با استفاده از داده‌ها الگوهای موردنیاز برای انجام یک وظیفه را یاد می‌گیرند. یادگیری عمیق (Deep Learning) نیز یکی از شاخه‌های یادگیری ماشین است که از شبکه‌های عصبی چندلایه برای یادگیری الگوهای پیچیده از داده‌ها استفاده می‌کند.

به‌صورت ساده، می‌توان رابطه این سه مفهوم را این‌گونه در نظر گرفت:

کاربردهای یادگیری ماشین (ML)

یادگیری ماشین در بسیاری از سرویس‌ها و فرایندهایی که روزانه با آن‌ها سروکار داریم استفاده می‌شود؛ از پیشنهاد محتوا و مسیریابی گرفته تا تحلیل تصاویر پزشکی، تشخیص تقلب و پیش‌بینی خرابی تجهیزات. در بسیاری از این کاربردها، مدل‌های یادگیری ماشین با بررسی داده‌های گذشته، الگوها را شناسایی می‌کنند و بر اساس آن‌ها پیش‌بینی یا تصمیم‌گیری انجام می‌دهند.

برای مثال، سیستم‌های توصیه‌گر در پلتفرم‌های محتوامحور می‌توانند با تحلیل رفتار کاربران، مانند محتوایی که مشاهده، جست‌وجو یا با آن تعامل کرده‌اند، محتوای مرتبط‌تری را پیشنهاد دهند. این سیستم‌ها یکی از شناخته‌شده‌ترین کاربردهای یادگیری ماشین در سرویس‌های دیجیتال هستند.

۱. مراقبت‌های بهداشتی و تشخیص پزشکی

یادگیری ماشین در حوزه سلامت برای تحلیل حجم زیادی از داده‌های پزشکی و کمک به تشخیص و پیش‌بینی بیماری‌ها استفاده می‌شود. برای مثال، مدل‌های یادگیری ماشین می‌توانند تصاویر پزشکی مانند تصاویر رادیولوژی را بررسی کنند و به شناسایی الگوهایی که ممکن است برای تشخیص برخی بیماری‌ها اهمیت داشته باشند، کمک کنند. همچنین تحلیل سوابق پزشکی و داده‌های بیماران می‌تواند در ارزیابی ریسک بیماری و پیش‌بینی روند درمان به پزشکان کمک کند.

۲. پردازش تصویر و تشخیص چهره

یکی از کاربردهای شناخته‌شده یادگیری ماشین در زندگی روزمره، پردازش و تحلیل تصاویر است. مدل‌های یادگیری ماشین می‌توانند اشیا، افراد و الگوهای مختلف را در تصاویر و ویدئوها شناسایی کنند. تشخیص چهره، دسته‌بندی تصاویر، باز کردن قفل برخی دستگاه‌ها و تحلیل تصاویر دوربین‌های نظارتی از جمله کاربردهای این فناوری هستند.

۳. مسیریابی و پیش‌بینی ترافیک

سرویس‌های نقشه و مسیریابی از یادگیری ماشین برای تحلیل داده‌های مربوط به مسیرها و ترافیک استفاده می‌کنند. این مدل‌ها با بررسی عواملی مانند الگوهای ترافیکی گذشته، وضعیت فعلی مسیرها و زمان سفر، می‌توانند مدت زمان تقریبی سفر را پیش‌بینی کنند و مسیرهای مختلف را به کاربر پیشنهاد دهند. چنین سیستم‌هایی در مدیریت ترافیک و بهینه‌سازی مسیر وسایل نقلیه نیز کاربرد دارند.

۴. تشخیص تقلب و تراکنش‌های مشکوک

یکی از کاربردهای مهم یادگیری ماشین در صنعت مالی، شناسایی تقلب و رفتارهای غیرعادی در تراکنش‌هاست. مدل‌های یادگیری ماشین می‌توانند حجم زیادی از تراکنش‌ها را بررسی و الگوهایی را که با رفتار معمول کاربران تفاوت دارند، شناسایی کنند. برای مثال، تغییر ناگهانی در الگوی تراکنش‌های یک حساب یا مجموعه‌ای از تراکنش‌های غیرمعمول می‌تواند برای بررسی بیشتر علامت‌گذاری شود.

۵. کشاورزی هوشمند

یادگیری ماشین می‌تواند با تحلیل داده‌های مربوط به خاک، آب‌وهوا، تصاویر ماهواره‌ای و وضعیت محصولات، به کشاورزی دقیق‌تر کمک کند. تشخیص بیماری گیاهان از روی تصاویر، پیش‌بینی عملکرد محصولات، بهینه‌سازی مصرف آب و شناسایی شرایط نامناسب برای رشد محصول، از جمله کاربردهای یادگیری ماشین در کشاورزی هستند. این کاربردها می‌توانند به استفاده بهینه‌تر از منابع و کاهش خسارت کمک کنند.

۶. دستیارهای هوشمند و پردازش زبان

دستیارهای هوشمند مانند Siri و Alexa از فناوری‌های یادگیری ماشین و پردازش زبان برای درک درخواست‌های کاربران و پاسخ‌گویی به آن‌ها استفاده می‌کنند. تشخیص گفتار، تبدیل گفتار به متن، درک زبان طبیعی و ارائه پاسخ یا انجام برخی دستورات، نمونه‌هایی از کاربرد یادگیری ماشین در این سرویس‌ها هستند. بسیاری از قابلیت‌های جست‌وجوی صوتی و تعامل گفتاری با نرم‌افزارها نیز بر پایه همین فناوری‌ها توسعه یافته‌اند.

۷. نگهداری پیش‌بینانه در صنعت

در صنایع مختلف، خرابی تجهیزات می‌تواند باعث توقف تولید و افزایش هزینه‌ها شود. یادگیری ماشین می‌تواند با تحلیل داده‌های جمع‌آوری‌شده از حسگرهای تجهیزات، الگوهایی را که پیش از خرابی دستگاه ایجاد می‌شوند شناسایی کند. به این ترتیب، سازمان‌ها می‌توانند احتمال خرابی را پیش‌بینی و پیش از وقوع مشکل، برای تعمیر یا نگهداری تجهیزات اقدام کنند. به این رویکرد «نگهداری پیش‌بینانه» (Predictive Maintenance) گفته می‌شود.

۸. امنیت سایبری

یادگیری ماشین در امنیت سایبری برای شناسایی رفتارهای غیرعادی و تهدیدهای احتمالی کاربرد دارد. مدل‌ها می‌توانند حجم زیادی از داده‌های مربوط به فعالیت کاربران، شبکه و سیستم‌ها را بررسی کنند و الگوهایی را که با رفتار معمول تفاوت دارند، شناسایی کنند. تشخیص ناهنجاری در شبکه، شناسایی برخی حملات و کمک به تشخیص بدافزارها از جمله کاربردهای یادگیری ماشین در این حوزه هستند.

۹. حفاظت از محیط زیست

تحلیل داده‌های محیطی یکی دیگر از حوزه‌هایی است که یادگیری ماشین می‌تواند در آن کاربرد داشته باشد. داده‌های جمع‌آوری‌شده از حسگرها، تصاویر ماهواره‌ای و ایستگاه‌های پایش می‌توانند برای شناسایی الگوها و پیش‌بینی تغییرات محیطی استفاده شوند. پیش‌بینی آلودگی هوا، پایش جنگل‌ها، شناسایی مناطق در معرض آتش‌سوزی و بررسی تغییرات پوشش گیاهی، نمونه‌هایی از این کاربردها هستند.

۱۰. سیستم‌های توصیه‌گر

سیستم‌های توصیه‌گر از شناخته‌شده‌ترین کاربردهای یادگیری ماشین در سرویس‌های دیجیتال هستند. این سیستم‌ها با تحلیل اطلاعاتی مانند سابقه جست‌وجو، محتوای مشاهده‌شده، خریدهای قبلی یا تعاملات کاربر، می‌توانند محصولات، فیلم‌ها، موسیقی یا محتوای دیگری را که احتمالاً برای کاربر مرتبط‌تر است پیشنهاد دهند.

برای مثال، وقتی در یک پلتفرم محتوایی چند ویدئو با موضوع مشابه مشاهده می‌کنید، سیستم توصیه‌گر می‌تواند از این رفتار به‌عنوان یکی از سیگنال‌های مرتبط با علاقه شما استفاده کند و محتوای مشابهی را در ادامه پیشنهاد دهد.

همچنین سیستم‌های مدیریت مشتریان (CRM)، هوش تجاری (BI)، سیستم‌های اطلاعاتی منابع انسانی (HRIS)، اتومبیل‌های خودران و دستیارهای مجازی از دیگر مثال‌های شناخته شده و کاربردهای یادگیری ماشین در زندگی روزمره ما هستند.

یادگیری ماشین در صنعت مالی
صنعت مالی یکی از حوزه‌هایی است که حجم زیادی از داده تولید می‌کند و به همین دلیل ظرفیت بالایی برای استفاده از یادگیری ماشین دارد. تشخیص تقلب و تراکنش‌های مشکوک، ارزیابی ریسک، تحلیل رفتار مشتریان، پیش‌بینی و تحلیل داده‌های بازار و بهینه‌سازی فرایندهای مالی، از جمله کاربردهای این فناوری در صنعت مالی هستند.

برای یادگیری ماشین چه مهارت‌هایی لازم است؟

اگر بخواهید به‌عنوان مهندس یادگیری ماشین فعالیت کنید، علاوه بر آشنایی با مفاهیم هوش مصنوعی و الگوریتم‌های یادگیری ماشین، داشتن مهارت‌هایی در برنامه‌نویسی، ریاضیات و کار با داده‌ها ضروری است. میزان تسلط موردنیاز به این مهارت‌ها به هدف فرد و سطح فعالیت او در حوزه یادگیری ماشین بستگی دارد؛ اما برای شروع، می‌توان روی چند مهارت اصلی تمرکز کرد.

برنامه‌نویسی

برنامه‌نویسی یکی از مهم‌ترین مهارت‌ها برای کار با مدل‌های یادگیری ماشین است. زبان Python به دلیل سادگی، کتابخانه‌های گسترده و استفاده زیاد در پروژه‌های داده و هوش مصنوعی، یکی از رایج‌ترین انتخاب‌ها برای یادگیری ماشین است. آشنایی با مفاهیمی مانند متغیرها، ساختارهای داده، توابع، شرط‌ها و حلقه‌ها می‌تواند نقطه شروع مناسبی باشد.

ریاضیات و آمار

بخش زیادی از مفاهیم یادگیری ماشین بر پایه ریاضیات و آمار شکل گرفته‌اند. آشنایی با مفاهیمی مانند احتمال، میانگین و واریانس، توزیع‌های آماری، جبر خطی و مفاهیم پایه مشتق و بهینه‌سازی، به درک بهتر نحوه آموزش و ارزیابی مدل‌ها کمک می‌کند. برای شروع یادگیری ماشین، لازم نیست همه این مباحث را در سطح پیشرفته بدانید؛ اما هرچه مدل‌ها و مسائل پیچیده‌تر شوند، اهمیت دانش ریاضی و آماری بیشتر می‌شود.

کار با داده‌ها

مدل‌های یادگیری ماشین از داده‌ها یاد می‌گیرند؛ بنابراین توانایی جمع‌آوری، پاک‌سازی، آماده‌سازی و تحلیل داده‌ها اهمیت زیادی دارد. داده‌های واقعی معمولا کامل و مرتب نیستند و ممکن است شامل مقادیر گمشده، داده‌های تکراری یا خطا باشند. به همین دلیل، آماده‌سازی داده‌ها بخش مهمی از فرایند توسعه مدل‌های یادگیری ماشین است.

آشنایی با الگوریتم‌ها و ارزیابی مدل‌ها

برای کار با یادگیری ماشین باید با الگوریتم‌های اصلی مانند رگرسیون، درخت تصمیم، روش‌های مبتنی بر نزدیک‌ترین همسایه، خوشه‌بندی و شبکه‌های عصبی آشنا شد. علاوه بر انتخاب الگوریتم مناسب، باید بتوان عملکرد مدل را نیز ارزیابی کرد. مفاهیمی مانند دقت (Accuracy)، Precision، Recall و معیارهای خطا به ارزیابی مدل در مسائل مختلف کمک می‌کنند.

حل مسئله و تحلیل نتایج

یادگیری ماشین فقط استفاده از یک الگوریتم یا اجرای کد نیست. یکی از مهارت‌های مهم، توانایی تبدیل یک مسئله واقعی به مسئله‌ای است که بتوان آن را با داده و مدل‌های یادگیری ماشین حل کرد. همچنین باید بتوان نتایج مدل را تحلیل کرد، محدودیت‌های آن را شناخت و در صورت نیاز داده، ویژگی‌ها یا روش مدل‌سازی را تغییر داد.

آشنایی با ابزارهای یادگیری ماشین

در کنار مفاهیم نظری، آشنایی با ابزارها و کتابخانه‌های رایج باعث می‌شود بتوان مدل‌های یادگیری ماشین را در عمل پیاده‌سازی کرد. کتابخانه‌هایی مانند NumPy و pandas برای کار با داده‌ها، Matplotlib برای مصورسازی و scikit-learn برای پیاده‌سازی بسیاری از الگوریتم‌های یادگیری ماشین از ابزارهای رایج در این حوزه هستند.

در مراحل پیشرفته‌تر، بسته به نوع پروژه، آشنایی با کتابخانه‌هایی مانند PyTorch یا TensorFlow و مفاهیمی مانند یادگیری عمیق، پردازش زبان طبیعی و بینایی ماشین نیز می‌تواند ضروری باشد.

چگونه مدل مناسب یادگیری ماشین را انتخاب کنیم؟

انتخاب مدل مناسب یادگیری ماشین به نوع مسئله، داده‌های موجود و هدف پروژه بستگی دارد. به همین دلیل، نمی‌توان یک الگوریتم را برای همه مسائل «بهترین» دانست. معمولا برای انتخاب مدل مناسب، ابتدا مسئله و داده‌ها بررسی می‌شوند، سپس چند روش مختلف آزمایش و عملکرد آن‌ها با معیارهای مناسب مقایسه می‌شود.

۱. مسئله را مشخص کنید

پیش از انتخاب الگوریتم، باید مشخص شود قرار است مدل چه مسئله‌ای را حل کند. برای مثال، آیا هدف پیش‌بینی یک مقدار عددی، دسته‌بندی داده‌ها، شناسایی گروه‌های مشابه یا تشخیص یک رفتار غیرعادی است؟ پاسخ به این سوال، محدوده الگوریتم‌های مناسب را مشخص می‌کند.

۲. داده‌ها را بررسی و آماده کنید

نوع، حجم و کیفیت داده‌ها نقش مهمی در انتخاب مدل دارند. در این مرحله داده‌ها جمع‌آوری و بررسی می‌شوند و در صورت نیاز، داده‌های ناقص یا نامعتبر اصلاح و ویژگی‌های موردنیاز برای آموزش مدل آماده می‌شوند. در برخی مسائل نیز لازم است داده‌ها برچسب‌گذاری شوند.

۳. مدل‌های مناسب را انتخاب و آزمایش کنید

پس از شناخت مسئله و داده‌ها، می‌توان چند الگوریتم مناسب را انتخاب و با داده‌های آموزشی آزمایش کرد. انتخاب الگوریتم به عواملی مانند نوع مسئله، حجم داده، پیچیدگی مدل و منابع محاسباتی بستگی دارد. معمولا مقایسه چند مدل به جای انتخاب یک الگوریتم از ابتدا، تصویر دقیق‌تری از عملکرد آن‌ها ارائه می‌دهد.

۴. عملکرد مدل را ارزیابی و بهینه کنید

در نهایت، عملکرد مدل با استفاده از معیارهای مناسب ارزیابی می‌شود. برای مثال، در مسائل طبقه‌بندی می‌توان از معیارهایی مانند Accuracy، Precision و Recall استفاده کرد، در حالی که برای مسائل پیش‌بینی عددی معیارهای دیگری مانند خطای میانگین مربعات کاربرد دارند. در صورت نیاز، پارامترهای مدل و روش آماده‌سازی داده‌ها نیز تنظیم می‌شوند تا عملکرد مدل بهبود پیدا کند.

بنابراین، انتخاب مدل یادگیری ماشین یک فرایند مرحله‌ای است و معمولا با آزمون، ارزیابی و بهینه‌سازی چند گزینه مختلف انجام می‌شود.

جمع‌بندی

یادگیری ماشین زمانی معنا پیدا می‌کند که داده بتواند به حل یک مسئله واقعی کمک کند. ارزش یک مدل فقط به پیچیدگی الگوریتم آن نیست؛ کیفیت داده، تعریف درست مسئله، انتخاب روش مناسب و ارزیابی نتایج، همگی در موفقیت یک پروژه یادگیری ماشین نقش دارند.

به همین دلیل، یادگیری ماشین را نباید صرفا به ساخت و آموزش مدل محدود کرد. در یک پروژه واقعی، از شناخت مسئله و آماده‌سازی داده‌ها تا انتخاب مدل و بررسی نتایج، مجموعه‌ای از تصمیم‌ها در کنار هم قرار می‌گیرند. درک این فرایند، نقطه شروع مناسبی برای ورود به دنیای یادگیری ماشین و استفاده مؤثر از آن در مسائل واقعی است.

منابع

ibm.com | coursera.org

🏷️ برچسب‌ها: هوش مصنوعی, یادگیری عمیق, یادگیری ماشین

مطالب مرتبط

پردازش تصویر با هوش مصنوعی + نمونه اجرایی با پایتون مدل‌های زبانی بزرگ (LLMs) چیستند؟ Kiro: محیط توسعه هوش مصنوعی برای توسعه‌دهندگان