الذكاء الاصطناعي والتعلم الآلي: كيف يعمل هذا التكنولوجيا المؤثرة الجديدة

الذكاء الاصطناعي في كل مكان هذه الأيام، ولكن أساسيات كيفية عمل هذه التكنولوجيا الجديدة المؤثرة يمكن أن تكون مربكة. اثنان من أهم المجالات في تطوير الذكاء الاصطناعي هم “التعلم الآلي” وفرعه “التعلم العميق”. إليك شرح سريع لما تعنيه هاتان الاختصاصيتان الهامتان، وكيف تساهمان في تطور الأتمتة.

أولا، ما هو الذكاء الاصطناعي؟

يجدر بنا تذكير أنفسنا بما هو الذكاء الاصطناعي في الواقع. يقول داعمو الذكاء الاصطناعي إنهم يأملون في يوم ما في إنشاء آلة يمكنها “التفكير” بنفسها. الدماغ البشري يعد آلة رائعة، قادرة على إجراء عمليات حسابية تفوق بكثير قدرة أي آلة موجودة حاليًا. يأمل مهندسو البرمجيات المشاركون في تطوير الذكاء الاصطناعي في جعل الآلة يمكنها فعل كل ما يمكن للإنسان فعله فكريًا ولكن يمكنها أيضًا تجاوز ذلك. حاليًا، تعتمد تطبيقات الذكاء الاصطناعي في الأعمال التجارية والحكومية بشكل كبير على خوارزميات تنبؤية، مثل تلك التي تقترح أغنية القادمة على Spotify أو تحاول بيع منتج مماثل لتلك التي اشتريتها على Amazon الأسبوع الماضي. ومع ذلك، يعتقد الدعاة للذكاء الاصطناعي أن التكنولوجيا في نهاية المطاف، ستكون قادرة على التفكير واتخاذ قرارات أكثر تعقيداً. هنا تأتي التعلم الآلي والتعلم العميق.

التعلم الآلي، شرح

التعلم الآلي (أو ML) هو فئة واسعة من الذكاء الاصطناعي تشير إلى العملية التي يتم فيها “تدريب” البرامج الحاسوبية على كيفية اتخاذ توقعات أو “قرارات”. يشرح أحد مهندسي IBM، جيف كروم، التعلم الآلي بأنه “نوع معقد جدًا من التحليل الإحصائي”. وفقًا لكروم، يسمح هذا التحليل للآلات باتخاذ “توقعات أو قرارات استنادًا إلى البيانات”. ويقول: “كلما زادت المعلومات التي تم إدخالها إلى النظام، كلما استطاع إعطائنا توقعات دقيقة بشكل أكبر”.

على عكس البرمجة العامة حيث يتم تصميم الآلة لاستكمال مهمة محددة جدًا، يتمحور التعلم الآلي حول تدريب خوارزمية على التعرف على أنماط البيانات بنفسها. كما ذكر سابقًا، يغطي التعلم الآلي مجموعة واسعة من الأنشطة.

التعلم العميق، شرح

التعلم العميق هو تعلم الآلة. إنه أحد تلك الفئات الفرعية التي سبق ذكرها للتعلم الآلي التي، مثل أشكال ML الأخرى، تركز على تعليم الذكاء الاصطناعي على “التفكير”. على عكس بعض أشكال التعلم الآلي الأخرى، يسعى التعلم العميق إلى السماح للخوارزميات بالقيام بكثير من عملها. يتغذى التعلم العميق بنماذج رياضية تعرف باسم الشبكات العصبية الصناعية (ANNs). تهدف هذه الشبكات إلى تقليد العمليات التي تحدث بشكل طبيعي داخل الدماغ البشري، مثل اتخاذ القرارات وتحديد الأنماط.

الفرق الرئيسي بين ML و DL

أحد أكبر الفروقات بين التعلم العميق وأشكال أخرى من التعلم الآلي هو مستوى “الإشراف” الذي يتم توفيره للآلة. في أشكال أقل تعقيدًا من ML، من المرجح أن تشارك الكمبيوتر في “التعلم الإشرافي” – عملية يساعد فيها الإنسان الآلة على التعرف على الأنماط في البيانات المصنفة والمهيكلة، وبالتالي تحسين قدرتها على إجراء تحليل تنبؤي.

يعتمد التعلم الآلي على كميات هائلة من “بيانات التدريب”. غالبًا ما تتم جمع هذه البيانات من قبل البشر من خلال تسمية البيانات (والعديد من تلك البشر لا يحصلون على أجور جيدة). من خلال هذه العملية، يتم بناء مجموعة بيانات تدريب، التي يمكن بعد ذلك إدخالها في خوارزمية الذكاء الاصطناعي واستخدامها لتعليمها التعرف على الأنماط. على سبيل المثال، إذا كانت شركة تقوم بتدريب خوارزمية على التعرف على علامة معينة من السيارة في الصور، فسيقومون بإدخال حزم كبيرة من الصور لتلك النموذج من السيارة التي قام بها الموظفون البشر بتسميتها يدويًا. يتم أيضًا إنشاء مجموعة بيانات “اختبار” لقياس دقة قدرات الآلة التوقعية، بمجرد تدريبها.

على النقيض، عندما يتعلق الأمر بال DL، تشارك الآلة في عملية تسمى “التعلم غير المشروط”. يتضمن التعلم غير المشروط الآلة استخدام شبكتها العصبية لتحديد الأنماط في ما يسمى “البيانات غير المهيكلة” أو “الخام” – وهي بيانات لم يتم بعد تسميتها أو تنظيمها في قاعدة بيانات. يمكن للشركات استخدام خوارزميات آلية لفرز حزم كبيرة من البيانات غير المنظمة وبالتالي تجنب كميات كبيرة من العمل البشري.

كيف تعمل الشبكات العصبية

تتألف الشبكات العصبية الصناعية (ANNs) من ما يسمى “العقد”. وفقًا لتعريف من MIT، يمكن لشبكة واحدة للشبكات العصبية الصناعية أن تحتوي على “آلاف أو حتى ملايين” من العقد. يمكن أن تكون العقد معقدة قليلاً ولكن الشرح البسيط يقول إنها – مثل العقد في الدماغ البشري – تبلغ وتجهد المعلومات. في الشبكة العصبية، ترتب العقد في شكل منظّم يُشار إليه بـ “الطبقات”. وبالتالي، تشمل الشبكات العميقة الشبكات المتعددة الطبقات من العقد. تتحرك المعلومات من خلال الشبكة وتتفاعل مع بيئاتها المختلفة، مما يسهم في عملية اتخاذ القرار للآلة عند تعريضها لمدخل بشري.

مفهوم آخر رئيسي في الـ ANNs هو “الوزن”، الذي يقارن به أحد المعلقين بتلك الغدد العصبية في الدماغ البشري. الأوزان، التي ليست سوى قيم رقمية، يتم توزيعها في جميع أنحاء الشبكة العصبية للذكاء الاصطناعي وتساعد في تحديد نتيجة النهائية لنظام هذا الذكاء الاصطناعي. الأوزان هي مدخلات معلوماتية تساعد في معايرة الشبكة العصبية بحيث يمكنها اتخاذ القرارات.

لماذا يعد التعلم الآلي مهمًا لتطوير الذكاء الاصطناعي؟

يساعد التعلم الآلي والعميق في تدريب الآلات على تنفيذ أنشطة توقعية وتفسيرية كانت في السابق تقتصر على مجال البشر. يمكن أن يكون لذلك الكثير من الجوانب الإيجابية ولكن العيب الواضح هو أن هذه الآلات يمكن (و، دعونا نكون صريحًا، ست) تستخدم بالضرورة لأشياء خبيثة، ليس فقط مفيدة، مثل أنظمة المراقبة الحكومية والخاصة، والتأكيد المستمر على أنشطة الجيش والدفاع التلقائي. ولكن، هم أيضًا، بوضوح، مفيدة لاقتراحات المستهلك أو البرمجة و، في أفضل حالاتها، البحوث الطبية والصحية. مثل أي أداة أخرى، ما إذا كان للذكاء الاصطناعي تأثير إيجابي أو سلبي على العالم يعتمد بشكل كبير على من يستخدمه.