يمكن تعريف الذكاء الاصطناعي (AI) بشكل مختصر على أنه عن مجموعة من التقنيات التي تمكن أجهزة الكمبيوتر من أداء مجموعة متنوعة من الوظائف المتقدمة، بما في ذلك القدرة على رؤية وفهم وترجمة اللغة المنطوقة والمكتوبة وتحليل البيانات وتقديم التوصيات والمزيد.
الذكاء الاصطناعي هو العمود الفقري للابتكار في الحوسبة الحديثة، ويطلق العنان للقيمة للأفراد والشركات.
على سبيل المثال، يستخدم التعرف الضوئي على الأحرف (OCR) الذكاء الاصطناعي لاستخراج النصوص والبيانات من الصور والمستندات، وتحويل المحتوى غير المهيكل إلى بيانات منظمة جاهزة للأعمال، وإطلاق العنان لرؤى قيمة.
تعريف الذكاء الاصطناعي.
تعريف الذكاء الاصطناعي هو “مجال علمي يهتم ببناء أجهزة الكمبيوتر والآلات التي يمكنها التفكير والتعلم والتصرف بطريقة تتطلب عادةً ذكاءً بشريًا أو تتضمن بيانات يتجاوز نطاقها ما يمكن للبشر تحليله”.
الذكاء الاصطناعي هو مجال واسع يشمل العديد من التخصصات المختلفة، بما في ذلك علوم الكمبيوتر، وتحليلات البيانات والإحصاءات، وهندسة الأجهزة والبرمجيات، واللغويات، وعلم الأعصاب، وحتى الفلسفة وعلم النفس.
على المستوى التشغيلي لاستخدام الأعمال، فإن الذكاء الاصطناعي عبارة عن مجموعة من التقنيات التي تعتمد بشكل أساسي على التعلم الآلي والتعلم العميق، وتستخدم لتحليلات البيانات، والتنبؤات والتنبؤ، وتصنيف الكائنات، ومعالجة اللغة الطبيعية، والتوصيات، واسترداد البيانات الذكي، والمزيد.
أنواع الذكاء الاصطناعي.
يمكن تنظيم الذكاء الاصطناعي بعدة طرق ، اعتمادًا على مراحل التطور أو الإجراءات التي يتم تنفيذها. على سبيل المثال، يتم التعرف على أربع مراحل لتطوير الذكاء الاصطناعي بشكل عام.
1. الآلات التفاعلية
وهو ذكاء اصطناعي محدود يتفاعل فقط مع أنواع مختلفة من المحفزات بناءً على قواعد مبرمجة مسبقًا. لا يستخدم الذاكرة وبالتالي لا يمكنه التعلم بالبيانات الجديدة.
كان Deep Blue من IBM الذي تغلب على بطل الشطرنج غاري كاسباروف في عام 1997 مثالا على الآلة التفاعلية.
2. الذاكرة المحدودة
تعتبر معظم أنظمة الذكاء الاصطناعي الحديثة ذاكرة محدودة. يمكنه استخدام الذاكرة للتحسين بمرور الوقت من خلال التدريب على البيانات الجديدة، عادةً من خلال شبكة عصبية اصطناعية أو نموذج تدريب آخر.
يعتبر التعلم العميق، وهو مجموعة فرعية من التعلم الآلي، ذكاءً اصطناعيًا محدودًا للذاكرة.
3. نظرية العقل
لا وجود لنظرية العقل للذكاء الاصطناعي حاليًا، لكن البحث مستمر في إمكانياتها. يصف الذكاء الاصطناعي الذي يمكنه محاكاة العقل البشري ولديه قدرات اتخاذ القرار مساوية لتلك الخاصة بالإنسان، بما في ذلك التعرف على العواطف وتذكرها والتفاعل في المواقف الاجتماعية كما يفعل الإنسان.
4. الوعي الذاتي
خطوة فوق نظرية العقل AI، يصف الذكاء الاصطناعي المدرك للذات آلة أسطورية تدرك وجودها ولديها القدرات الفكرية والعاطفية للإنسان.
مثل نظرية العقل، الذكاء الاصطناعي المدرك للذات غير موجود حاليًا.
هناك طريقة أكثر فائدة لتصنيف أنواع الذكاء الاصطناعي على نطاق واسع وهي ما يمكن أن تفعله الآلة. كل ما نسميه حاليًا الذكاء الاصطناعي يعتبر ذكاءً اصطناعيًا “ضيقًا”، حيث يمكنه فقط أداء مجموعات ضيقة من الإجراءات بناءً على برمجته وتدريبه.
على سبيل المثال، لن تتمكن خوارزمية الذكاء الاصطناعي المستخدمة لتصنيف الكائنات من أداء معالجة اللغة الطبيعية. يعد بحث Google شكلاً من أشكال الذكاء الاصطناعي الضيق، مثله مثل التحليلات التنبؤية أو المساعدين الافتراضيين.
سيكون الذكاء الاصطناعي العام (AGI) هو قدرة الآلة على “الإحساس والتفكير والتصرف” تمامًا مثل الإنسان. AGI غير موجود حاليًا. سيكون المستوى التالي هو الذكاء الاصطناعي الخارق (ASI)، حيث ستكون الآلة قادرة على العمل بكل الطرق بشكل متفوق على الإنسان.
إقرأ أيضاً… استخدامات الذكاء الاصطناعي وتعلم الآلة في مجال الأمن السيبراني.
نماذج تدريب الذكاء الاصطناعي.
عندما تتحدث الشركات عن الذكاء الاصطناعي، فإنها غالبًا ما تتحدث عن “بيانات التدريب”. لكن ماذا يعني هذا؟ تذكر أن الذكاء الاصطناعي ذي الذاكرة المحدودة هو ذكاء اصطناعي يتحسن بمرور الوقت من خلال التدريب باستخدام بيانات جديدة.
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تستخدم الخوارزميات لتدريب البيانات للحصول على النتائج.
في السكتات الدماغية العريضة، غالبًا ما تُستخدم ثلاثة أنواع من نماذج التعلم في التعلم الآلي:
1. التعلم الخاضع للإشراف
هو نموذج للتعلم الآلي يقوم بتعيين مدخلات معينة لمخرجات باستخدام بيانات التدريب المسمى (البيانات المنظمة). بعبارات بسيطة، لتدريب الخوارزمية على التعرف على صور القطط، قم بإطعامها بالصور المصنفة على أنها قطط.
2. التعلم غير الخاضع للإشراف
هو نموذج للتعلم الآلي يتعلم الأنماط بناءً على بيانات غير مصنفة (بيانات غير منظمة). على عكس التعلم الخاضع للإشراف، فإن النتيجة النهائية غير معروفة مسبقًا.
بدلاً من ذلك، تتعلم الخوارزمية من البيانات، وتصنفها إلى مجموعات بناءً على السمات. على سبيل المثال، التعلم غير الخاضع للإشراف جيد في مطابقة الأنماط والنمذجة الوصفية.
3. التعلم شبه الخاضع للإشراف
بالإضافة إلى التعلم الخاضع للإشراف وغير الخاضع للإشراف، غالبًا ما يتم استخدام نهج مختلط يسمى التعلم شبه الخاضع للإشراف، حيث يتم تصنيف بعض البيانات فقط.
في التعلم شبه الخاضع للإشراف، تُعرف النتيجة النهائية، ولكن يجب أن تعرف الخوارزمية كيفية تنظيم البيانات وهيكلها لتحقيق النتائج المرجوة.
4. التعلم المعزز
هو نموذج للتعلم الآلي يمكن وصفه على نطاق واسع بأنه “التعلم بالممارسة”. يتعلم “الوكيل” أداء مهمة محددة عن طريق التجربة والخطأ (حلقة تغذية مرتدة) حتى يصبح أدائها ضمن النطاق المرغوب.
يتلقى الوكيل تعزيزًا إيجابيًا عندما يؤدي المهمة بشكل جيد والتعزيز السلبي عندما يؤدي أداءً ضعيفًا. مثال على التعلم المعزز هو تعليم اليد الروبوتية لالتقاط الكرة.
إقرأ أيضاً… ما هي تطبيقات الذكاء الاصطناعي في حياتنا العملية؟
الأنواع الشائعة للشبكات العصبية الاصطناعية.
نوع شائع من نماذج التدريب حسب تعريف الذكاء الاصطناعي هو الشبكة العصبية الاصطناعية، وهو نموذج يعتمد بشكل فضفاض على الدماغ البشري.
الشبكة العصبية هي نظام من الخلايا العصبية الاصطناعية – تسمى أحيانًا الإدراك الحسي – وهي عبارة عن عقد حسابية تستخدم لتصنيف البيانات وتحليلها. يتم إدخال البيانات في الطبقة الأولى من الشبكة العصبية، مع اتخاذ كل مستوعب قرارًا، ثم تمرير هذه المعلومات إلى عقد متعددة في الطبقة التالية.
يشار إلى نماذج التدريب التي تحتوي على أكثر من ثلاث طبقات باسم “الشبكات العصبية العميقة” أو “التعلم العميق”.
تحتوي بعض الشبكات العصبية الحديثة على مئات أو آلاف الطبقات. يُنجز ناتج الإدراك الحسي النهائي مجموعة المهام للشبكة العصبية، مثل تصنيف كائن أو العثور على أنماط في البيانات.
تتضمن بعض الأنواع الأكثر شيوعًا للشبكات العصبية الاصطناعية التي قد تواجهها ما يلي:
1. الشبكات العصبية المغذية (FF)
هي واحدة من أقدم أشكال الشبكات العصبية ، حيث تتدفق البيانات باتجاه واحد عبر طبقات من الخلايا العصبية الاصطناعية حتى يتم تحقيق المخرجات.
في العصر الحديث، تعتبر معظم الشبكات العصبية الأمامية “عميقة التغذية إلى الأمام” مع عدة طبقات (وأكثر من طبقة “مخفية”).
عادةً ما يتم إقران الشبكات العصبية Feedforward بخوارزمية تصحيح الخطأ تسمى “backpropagation” والتي، بعبارات بسيطة، تبدأ بنتيجة الشبكة العصبية وتعود إلى البداية، وتجد الأخطاء لتحسين دقة الشبكة العصبية. العديد من الشبكات العصبونية البسيطة والفعالة ذات تغذية عميقة.
2. الشبكات العصبية المتكررة (RNN)
تختلف الشبكات العصبية المتكررة (RNN) عن الشبكات العصبية المغذية من حيث أنها تستخدم عادةً بيانات السلاسل الزمنية أو البيانات التي تتضمن تسلسلات.
على عكس الشبكات العصبية المغذية، التي تستخدم أوزانًا في كل عقدة من الشبكة، فإن الشبكات العصبية المتكررة لها “ذاكرة” لما حدث في الطبقة السابقة باعتبارها مشروطة بإخراج الطبقة الحالية.
على سبيل المثال، عند إجراء معالجة اللغة الطبيعية، يمكن لـ RNNs “تذكر” الكلمات الأخرى المستخدمة في الجملة. غالبًا ما تُستخدم RNNs للتعرف على الكلام والترجمة والتعليق على الصور.
3. الذاكرة طويلة / قصيرة المدى (LSTM)
هي شكل متقدم من RNN يمكنها استخدام الذاكرة “لتذكر” ما حدث في الطبقات السابقة. الفرق بين RNNs و LTSM هو أن LTSM يمكن أن يتذكر ما حدث قبل عدة طبقات، من خلال استخدام “خلايا الذاكرة”. غالبًا ما يستخدم LSTM في التعرف على الكلام والتنبؤ.
4. الشبكات العصبية التلافيفية (CNN)
وهي تتضمن بعضًا من أكثر الشبكات العصبية شيوعًا في الذكاء الاصطناعي الحديث. غالبًا ما تستخدم شبكات CNN في التعرف على الصور، وتستخدم عدة طبقات متميزة (طبقة تلافيفية، ثم طبقة تجميع) تقوم بتصفية أجزاء مختلفة من الصورة قبل إعادة تجميعها معًا (في الطبقة المتصلة بالكامل).
قد تبحث الطبقات التلافيفية السابقة عن ميزات بسيطة للصورة مثل الألوان والحواف، قبل البحث عن ميزات أكثر تعقيدًا في طبقات إضافية.
5. شبكات الخصومة التوليدية (GAN)
وهي تتضمن شبكتين عصبيتين تتنافسان ضد بعضهما البعض في لعبة تعمل في النهاية على تحسين دقة الإخراج. تقوم إحدى الشبكات (المولد) بإنشاء أمثلة تحاول الشبكة الأخرى (أداة التمييز) إثبات صحتها أو خطأها.
تم استخدام شبكات GAN لإنشاء صور واقعية وحتى صنع الفن.
فوائد الذكاء الاصطناعي.
1. الأتمتة
يمكن للذكاء الاصطناعي أتمتة سير العمل والعمليات أو العمل بشكل مستقل ومستقل من فريق بشري. على سبيل المثال، يمكن أن يساعد الذكاء الاصطناعي في أتمتة جوانب الأمن السيبراني من خلال المراقبة والتحليل المستمر لحركة مرور الشبكة.
وبالمثل، قد يحتوي المصنع الذكي على عشرات الأنواع المختلفة حسب تعريف الذكاء الاصطناعي قيد الاستخدام، مثل الروبوتات التي تستخدم رؤية الكمبيوتر للتنقل في أرض المصنع أو لفحص المنتجات بحثًا عن العيوب، أو إنشاء توائم رقمية، أو استخدام التحليلات في الوقت الفعلي لقياس الكفاءة والمخرجات.
2. تقليل الخطأ البشري
يمكن للذكاء الاصطناعي القضاء على الأخطاء اليدوية في معالجة البيانات والتحليلات والتجميع في التصنيع والمهام الأخرى من خلال الأتمتة والخوارزميات التي تتبع نفس العمليات في كل مرة.
3. التخلص من المهام المتكررة
يمكن استخدام الذكاء الاصطناعي لأداء المهام المتكررة، وتحرير رأس المال البشري للعمل على المشكلات ذات التأثير الأكبر.
يمكن استخدام الذكاء الاصطناعي لأتمتة العمليات، مثل التحقق من المستندات أو تسجيل المكالمات الهاتفية أو الإجابة على أسئلة العملاء البسيطة مثل “ما هو الوقت الذي تغلق فيه؟” غالبًا ما تستخدم الروبوتات لأداء مهام “مملة أو قذرة أو خطيرة” بدلاً من الإنسان.
4. السرعة والدقة
يمكن للذكاء الاصطناعي معالجة المزيد من المعلومات بسرعة أكبر من الإنسان، وإيجاد الأنماط واكتشاف العلاقات في البيانات التي قد يفوتها الإنسان.
5. التوافر اللانهائي
لا يقتصر الذكاء الاصطناعي على الوقت من اليوم أو الحاجة إلى فترات راحة أو أعباء بشرية أخرى. عند التشغيل في السحابة، يمكن أن يكون الذكاء الاصطناعي والتعلم الآلي “قيد التشغيل دائمًا”، ويعملان باستمرار على المهام المخصصة لهما.
6. البحث والتطوير المعجل
يمكن أن تؤدي القدرة على تحليل كميات هائلة من البيانات بسرعة إلى اختراقات متسارعة في البحث والتطوير. على سبيل المثال، تم استخدام الذكاء الاصطناعي في النمذجة التنبؤية للعلاجات الصيدلانية الجديدة المحتملة، أو لتحديد الجينوم البشري.
تطبيقات وحالات استخدام للذكاء الاصطناعي.
- التعرف على الكلام
تحويل الكلام المنطوق إلى نص مكتوب تلقائيًا.
- التعرف على الصور
تحديد وتصنيف الجوانب المختلفة للصورة.
- الترجمة
ترجمة الكلمات المكتوبة أو المنطوقة من لغة إلى أخرى.
- النمذجة التنبؤية
بيانات الألغام للتنبؤ بنتائج محددة بدرجات عالية من التفصيل.
- التحليلات البيانات
البحث عن أنماط وعلاقات في البيانات من أجل ذكاء الأعمال.
- الأمن الإلكتروني
فحص الشبكات بشكل مستقل للهجمات والتهديدات السيبرانية.
