بواسطة 
تقنيات الذكاء الاصطناعي
هناك أنواع مختلفة من الذكاء الاصطناعي (AI)، أي أن تقنيات الذكاء الاصطناعي مختلفة عن بعضها، وذلك لتشغيل الأعمال من تسويق رقمي، وتصميم، وكتابة، وحتى البحث والتحليل و روبوتات الدردشة، وغيرها الكثير.
وذلك بدءًا من الآلات التفاعلية، وآلات الذاكرة المحدودة، و آلات نظرية العقل، و آلات الإدراك الذاتي.
دعنا نتعرف معًا إلى أحدث تقنيات الذكاء الاصطناعي حتى الآن، ضمن آخر الأخبار والتحديثات.
هيا بنا..
تقنيات الذكاء الاصطناعي
هي التقنيات التي تُستخدم في تطوير تطبيقات الذكاء الاصطناعي. و تشمل التعلم الآلي (ML) ، والشبكات العصبية (NN) ، والتعلم العميق (DL) ، و التَعلم الجماعي Swarm Learning (SL) ، و معالجة اللغة الطبيعية (NLP).
و نظرًا لانتشار هذه التقنيات المختلفة ، غالبًا من يصعب فصلها عن بعضها ، ناهيك عن فهم مَوضع الاختلاف.
لذا، سنشرح في هذه المقالة لمحة موجزة عن تقنيات الذكاء الاصطناعي المختلفة و أين تُستخدم..
ما هو الذكاء الاصطناعي ؟
لنبدأ بتحديد ما هو الذكاء الاصطناعي.
التعريف الرسمي للذكاء الاصطناعي هو “مجال دراسة الأدوات الذكية”. أي ، نظام يدرك بيئته ثم يتخذ إجراءات لزيادة فرصته في تحقيق أهدافه .
بمعنى، الذكاء الاصطناعي هو التكنولوجيا التي تسمح للآلات (أجهزة الكمبيوتر مثلا) بتقليد أو محاكاة السلوك و الذكاء البشري . و ذلك عن طريق تحليل البيانات و اتخاذ القرارات و أداء المهام بناءً على هذا التحليل.
كذلك ، تتمتع أنظمة الذكاء الاصطناعي بقدرة على التعلم الذاتي التكراري. مما يسمح لها بتحسين دقة المُخرجات بناءً على البيانات التي تم جمعها في السابق .
لا يمكننا وصف أي منتج بأنه ” منتج ذكي” ، مثل أجهزة التلفزيون الذكية والساعات الذكية. معظم هذه المواصفات ليست أكثر من حٍيَل تسويقية. كما أن الذكاء الاصطناعي ليس أيضًا أجهزة الكمبيوتر الشريرة مثل HAL 9000 ، أو الروبوتات القاتلة مثل Terminators ، أو أنظمة التحكم الواعية التي تسيطر على العالم مثل SkyNet. الأهم من ذلك كله ، الذكاء الاصطناعي ليس كائن حي.
لكن، يُستخدم مصطلح “الذكاء الاصطناعي AI” كاختصار لجميع التقنيات المختلفة التي سنوضحها في هذه المقالة.
دعنا نلقِ نظرة سريعة على التقنيات المختلفة المستخدمة في مجال الذكاء الاصطناعي اليوم.
لماذا نجد أنواع مختلفة من الذكاء الاصطناعي؟
للتوضيح، هناك تقنيات مختلفة للذكاء الاصطناعي ، اختلاف دقيق لكنه مهم. و هي أربع اختلافات حاليًا : الآلات التفاعلية ، وآلات الذاكرة المحدودة ، و آلات نظرية العقل ، و آلات الإدراك الذاتي. اليوم ، لا يوجد سوى النوعين الأولين فقط.
جاءت التقنيات المختلفة و المستخدمة في أبحاث الذكاء الاصطناعي منذ بداية الدراسة الحديثة للذكاء الاصطناعي و التي بدأت فعليًا عام 1956. عندما ، اجتمع علماء من مجالات متنوعة مثل الرياضيات والاقتصاد والهندسة وعلم النفس والعلوم السياسية في مشروع بحث دارتموث الصيفي حول الذكاء الاصطناعي 1 ، بدأوا في مناقشة إمكانية إنشاء دماغ اصطناعي. كان الهدف من تلك المناقشة هو مناقشة بحثًا حديثًا في مجال علم الأعصاب. حيث تم اكتشاف أن وظيفة الدماغ البشري أساسها شبكة كهربائية ذات نبضات كهربائية تنقل المعلومات بين الخلايا العصبية.
و نظرًا لتواجُد مجلات علمية مختلفة في مؤتمر دارتموث. تم مناقشة العديد من الأساليب المختلفة للذكاء الاصطناعي في ذلك الوقت و طوال السنوات التالية. مع تطور أنواع مختلفة من أبحاث الذكاء الاصطناعي . أصبح من الواضح أن بعض التقنيات كانت أكثر ملاءمة لأنواع معينة لحل المشكلات عن غيرها.
بالإضافة إلى ذلك ، و مع تطور التكنولوجيا ، استخدمت التقنيات المختلفة طرقًا متنوعة لتحليل البيانات و تصنيفها و وضع تنبؤات بناءً على تلك البيانات. ثم أدخال هذه التنبؤات مرة أخرى في النظام . حتى يتعلم النظام للتعلم بشكل أساسي من التجارب السابقة. و هو ما يُعرف بالتعلم التكراري أو التعلم الذاتي. و من ثم ، أدت هذه الأساليب المختلفة في النهاية إلى انتشار تقنيات الذكاء الاصطناعي الموجودة اليوم.
أنواع و تقنيات الذكاء الاصطناعي
أنواع الذكاء الاصطناعي
عادةً ما يتم تصنيف الذكاء الاصطناعي إلى فئات بناءً على نوع التطبيق و نوع التَعلم الذي يحتاجه النظام.
١. التَعلم الالي
التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يركز على أجهزة الكمبيوتر التي تستخدم البيانات و الخوارزميات الرياضية (المعروفة أيضًا باسم النماذج) لتقليد الطريقة التي يتعلم بها البشر. يقوم التعلم الآلي بإتمام عملية بناء النموذج التحليلي أليا و يسمح لأجهزة الكمبيوتر بالتكيف مع السيناريوهات الجديدة بشكل مستقل ، بناءً على تحليل البيانات المُدخلة. يمكن استخدام التعلم الآلي ML مع مجموعة محددة من القواعد أو البيانات المراد تقييمها. يمر النموذج بعملية تكرارية حيث يأخذ الكمبيوتر البيانات و يقيمها و ينفذ نوعًا من الحسابات ثم يُسلم مخرجات. بعد ذلك، تتم مقارنة هذا الناتج بقيمة الإخراج المتوقعة لمعرفة مدى قربه من القيمة المتوقعة. ثم يقوم الكمبيوتر بتعديل النموذج بناءً على مدى قرب أو بعد قيمة التنبؤ .
بمرور الوقت ، تعمل نماذج التعلم الآلي على تحسين دقة مخرجاتها تدريجيًا من خلال إجراء عملية التقييم التكراري و الضبط الدقيق للنموذج بشكل فعال. و بمجرد ضبط النموذج إلى النقطة التي يفي بها الإخراج بانتظام أو يتجاوز معلمات الإخراج المتوقعة ، يصبح جاهزًا للاستخدام في العالم الحقيقي. غالبًا ما تُستخدم نماذج التعلم الاآلي ML في الأعمال التجارية في تطبيقات مثل التعرف على الأنماط و توصيات شراء البيع بالتجزئة و اكتشاف الاحتيال.
٢. الشبكات العصبية
الشبكة العصبية هي مجموعة فرعية من التعلم الآلي الذي يحاكي بنية و طريقة اتصال الخلايا العصبية و إشارات بعضها البعض في الدماغ البشري. يتم ذلك من خلال استخدام الخوارزميات. على غرار الدماغ البشري ، تتكون الشبكة العصبية عادةً من ثلاث طبقات من العقد: طبقة إدخال ، وطبقة مخفية واحدة أو أكثر ، وطبقة إخراج. كل عقدة (أي ، عصب اصطناعي) متصلة بواحدة أخرى وهذا الاتصال له “وزن” مرتبط بها. تقع الشبكات العصبية في قلب نماذج التعلم العميق وتُستخدم عادةً في الظروف التي تتطلب معالجة حاسوبية قوية لتحليل كميات كبيرة من البيانات ، مثل التعرف على الصور أو معالجة الكلام.
٣. التعلم العميق
التعلم العميق هو مجموعة فرعية من التعلم الآلي و يستخدم الشبكات العصبية كالعمود الفقري للتركيز على تحسين عملية تعلم الآلات.
التَعَلم الآلي يستخدم مجموعة محددة مسبقًا من القواعد التي يقدمها عالم البيانات للخوارزميات المستخدمة لتحليل البيانات ، أما، التَعلم العميق يسمح للنظام بتحليل البيانات الأولية بمفرده ، دون أي قواعد محددة مسبقًا. عن طريق إزالة العنصر البشري (أي القواعد المحددة مسبقًا) ، يمكن لخوارزميات النظام استيعاب و معالجة البيانات الأولية غير المنظمة. ثم تحليل البيانات الأولية لتحديد الخصائص المشتركة ، و تُستخدم بعد ذلك لتحديد الفئات التي يجب فرز البيانات فيها. من خلال معالجة البيانات وتوصيفها من تلقاء نفسها ، دون أي قواعد محددة مسبقًا لتحليل البيانات ، يوضح النظام بنية البيانات المجردة التي تم استيعابها في مجموعة بيانات أكثر تنظيماً كمخرجات. ثم يتم استخدام هذا الإخراج كمدخل مرة أخرى في النظام ، حيث تتم العملية بأكملها مرة أخرى. تستمر هذه العملية التكرارية حتى يصل الإخراج إلى مستوى مقبول من الدقة. غالبًا ما يستخدم التعلم العميق في تطبيقات مثل المساعدين الافتراضيين وروبوتات المحادثة وتحسين تجارب المستخدم.
٤. التَعَلُم الجَماعي Swarm Learning
هو إطار عمل لا مركزي للتعلم الآلي يستخدم شبكات نظير إلى نظير لتعزيز التعاون و تكنولوجيا البلوكتشين للحفاظ على خصوصية البيانات. بمعنى أن التَعلم الجماعي يوحد قدرات الحوسبة المتطورة للعديد من العقد الشبكية ، جنبًا إلى جنب مع تقنية blockchain ، للسماح بتبادل البيانات و التعاون عبر الشبكة دون انتهاك متطلبات خصوصية البيانات. فهو منظم بشكل مختلف عن نماذج التعلم الآلي التقليدية ، التي تَستخدم خادمًا مركزيًا يستضيف نموذجًا مدربًا ثم يتم إدخال البيانات في هذا النموذج.
و نظرًا لاستخدام تقنية blockchain لحماية خصوصية مجموعات البيانات ، يمكن مشاركة البيانات و المعرفة بين العُقد المتصلة بالشبكة ، بغض النظر عن الموقع ، مع تزويد كل عُقدة و نموذج بمزيد من البيانات المراد تحليلها ، مما يحسن دقة النموذج الإجمالية و يقلل نموذج التحيز. نظرًا لوجود العديد من العُقد التي تشارك البيانات و تعمل على نفس المشكلة معًا ، هذا الهيكل يُضخم قدرات العُقد الفردية على الشبكة. نظرًا لأن النماذج أصبحت الآن أكثر دقة ، فقد تم تحسين الدقة الإجمالية للنتائج ، بنفس الطريقة التي أدت بها الحيوانات معًا إلى زيادة ذكاء المجموعة ، وبالتالي تحسين نتائج أفعالهم. ومن هنا جاء اسم التعلم الجماعي. غالبًا ما يستخدم التَعلم الجَماعي في التطبيقات الطبية و العلمية ، حيث يتم نشر البيانات على نطاق واسع ، و تعتبر ثقة البيانات وأمانها أمرًا بالغ الأهمية.
٥. معالجة اللغة الطبيعية
معالجة اللغة الطبيعية هي فرع من فروع الذكاء الاصطناعي الذي يزود أجهزة الكمبيوتر بالقدرة على فهم كلا من النص و الكلمة المنطوقة بطريقة مشابهة لطريقة الإنسان. بشكل يسمح للكمبيوتر بالتفاعل مع البشر بلغتهم الطبيعية . تجمع البرمجة اللغوية العصبية (NLP) بين الخوارزميات الإحصائية و التعلم الآلي و نماذج التعلم العميق المبرمجة مع قواعد اللغة. مما يسمح للنظام بتحليل الكلمة المنطوقة أو المكتوبة تلقائيًا.
في نظام البرمجة اللغوية العصبية (NLP) ، يتلقى الكمبيوتر نصًا أو كلامًا كبيانات إدخال. ثم يتم تحليل هذه البيانات أوتجهيزها للتحليل. يقوم التحليل تلقائيًا باستخراج عناصر النص أو بيانات الكلمات المنطوقة و تصنيفها وتسميتها. كما يقارن موضع الكلمات بالنسبة لبعضها البعض و في الهيكل الأكبر (على سبيل المثال ، جملة أو فقرة). يقوم النظام بعد ذلك بتعيين قيمة إحصائية لكل معنى محتمل لعناصر البيانات المختلفة (أي نص أو كلمة منطوقة). تُعرف هذه العملية باسم “وضع العلامات”. ثم تتم مقارنة المعلومات المُسماه بنماذج ML / DL للسماح للنظام بفهم ما تم كتابته أو قوله و اشتقاق معنى الكلمات. في أنظمة البرمجة اللغوية العصبية الأكثر تعقيدًا. تتضمن النماذج تفاصيل كافية بحيث لا يتمكن النظام من فهم المعنى فحسب. بل أيضًا نية المتحدث أو الكاتب.
الخلاصة
سلطنا الضوء في هذه المقالة على بعض التقنيات الأساسية المستخدمة في الذكاء الاصطناعي. لكن الذكاء الاصطناعي يتضمن العديد من التقنيات الإضافية التي لم نناقشها هنا. حيث تعمل أبحاث الذكاء الاصطناعي على تخطي الحدود باستمرار . لذلك هناك تقنيات جديدة تتطور باستمرار.
بالإضافة إلى ذلك ، غالبًا ما يتم الجمع بين عدد من تقنيات بطرق جديدة و مثيرة. على سبيل المثال. تحتوي السيارات ذاتية القيادة حاليًا على مزيج من التعلم الآلي و أنظمة الشبكة العصبية ، جنبًا إلى جنب مع أنظمة التعرف على الصور و الأنماط.
و كذلك أنظمة الواقع الافتراضي و الواقع المعزز مثالًا آخر يجمع بين العديد من تقنيات الذكاء الاصطناعي .
المصادر:
1 – مجلة الذكاء الإصطناعي ، المجلد 27 ، العدد 4 ، شتاء 2006 ، https://ojs.aaai.org/index.php/aimagazine/article/download/1911/1809
2 – الذكاء الاصطناعي ، ويكيبيديا ، https://en.wikipedia.org/wiki/Artustry_intelligence
3 – “فهم الأنواع الأربعة للذكاء الاصطناعي” ، GovTech ، 14 نوفمبر 2016 ، https://www.govtech.com/computing/understanding-the-four-types-of-artustry-intelligence.html
[…] ما هو أثر التكنولوجيا في التسويق؟ وما هي تقنيات التسويق الجديدة ؟ أقرأ معنا هذا المقال لنتعرف […]
[…] أكثر من مرة. يستخدم منافسوك مجموعة متنوعة من تقنيات الذكاء الاصطناعي ، و أقترح عليك التكيف مع هذه الظروف المتغيرة إذا كنت […]
[…] أصبحت تقنيات التعلم العميق واستخدام النظام الخبير أكثر شيوعاً، […]