حسام أحمد3

وصولك إلى هذه المقالة يعني أنك تعاني من كثرة المصطلحات والمفردات اللغوية المستخدمة عند النقاش حول الذكاء الاصطناعي عمومًا AI التوليدي Generative AI على وجه الخصوص، فبعض هذه المصطلحات تستخدم بمفردات أجنبية وقد لا تكون ترجمتها الحرفية ذات دلالة كافية لفهم المعلومات التقنية التي تعبر عنها، لا داعي للقلق فعندما تنتهي من قراءة هذا المقال ستتمكن من فهم كافة المصطلحات والمفردات شائعة الاستخدام عند مناقشة الذكاء الاصطناعي التوليدي Gen AI والمشاركة في النقاشات الدائرة حول هذه التقنية الرائدة سواءً في عملك أو في أي مكانٍ آخر. لقد بدأ النمو المتسارع لتقنيات الذكاء الاصطناعي التوليدي Generative AI -أو Gen AI اختصارًا- يؤثر بشكل جليّ على نمط حياتنا فَـغير طريقة إنجازنا للمهام المختلفة، لذا كان لزامًا على كافة الأشخاص العاملين في المجال التقني اكتساب معرفة كافية بالمصطلحات الأساسية لهذا المجال، وفهم كيفية عملها كي لا يشعر بالتشتت والاستغراب عند سماع مصطلحات مثل نموذج الأساس Foundation Model أو النماذج اللغوية الضخمة Large Language Models أو مصطلح هندسة المُوجّهات Prompt engineering أو غيرها من مصطلحات الذكاء الاصطناعي الشائعة اليوم. سنبدأ في هذه المقالة بشرح المصطلحات الأساسية للذكاء الاصطناعي والمجالات المشتقة منه، ثم سنتدرج بعد ذلك لشرح المصطلحات المتقدمة بهذا المجال الرائد، وللسهولة سنصنف المصطلحات وفق ثلاثة تصنيفات على النحو التالي: أولًا: مصطلحات أساسية حول الذكاء الاصطناعي. ثانيًا: مصطلحات متقدمة في الذكاء الاصطناعي. ثالثًا: مصطلحات تتعلق بآلية عمل الذكاء الاصطناعي. أولًا: مصطلحات أساسية حول الذكاء الاصطناعي نشرح في القسم الأول المصطلحات الأساسية التالية حول الذكاء الاصطناعي ومجالاته المختلفة: الذكاء الاصطناعي (Artificial intelligence (AI تعلم الآلة (Machine Learning (ML الشبكات العصبية الاصطناعية (Artificial Neural Network (ANN التعلم العميق (Deep Learning (DL الذكاء الاصطناعي التوليدي (Generative AI (GAI نموذج الأساس (Foundation Model (FM نماذج اللغة الضخمة (Large Language Models (LLMs معالجة اللغات الطبيعية (Natural Language Processing (NLP النماذج المحولة Transformers Models النموذج مسبق التدريب المبني على المحولات (Generative Pretrained Transformer (GPT الذكاء الاصطناعي (Artificial intelligence (AI يمكن تعريف الذكاء الاصطناعي على أنه محاكاة الآلات لذكائنا البشري، الذكاء الاصطناعي يمكن أن يكون تطبيقًا صغيرًا مدمجًا في هاتفك، أو ربما نظام أكثر تعقيدًا وأكبر حجمًا يعمل على خوادمٍ سحابية تستخدمها شركة لاستضافة نظامها الذكي الذي يستخدمه ملايين الأشخاص، في كلتا الحالتين، يمتلك الذكاء الاصطناعي القدرة على القيام بالمهام والأنشطة التي كانت تتطلب في السابق ذكاءً بشرياً لإتمامها. تعلم الآلة (Machine Learning (ML تعلم الآلة هو تخصص فرعي من الذكاء الاصطناعي، ويستخدم كوسيلة لمنح الأنظمة الحاسوبية القدرة على التعلم من التجربة والبيانات باستخدام نماذج رياضية، يتحسن أداء هذه النماذج بمرور الوقت مع تعرض نموذج التعلم الآلي لمزيد من البيانات التي تُمكّنه من استخلاص الأنماط المتكررة التي يستخدمها النموذج في توقع نتائج تجاربٍ أخرى، هذا يخلق دورة مستمرة تُمكّن النماذج الآلية من التعلم والنمو والتطور دون الحاجة للتدخل البشري. الشبكات العصبية الاصطناعية (Artificial Neural Network (ANN الشبكات العصبية هي خوارزميات متفرعة من تعلم الآلة تستخدم في توجيه وتدريب الآلات على تعلم التعرف على الأنماط باستخدام شبكة مصممة لتحاكي طريقة عمل الشبكات العصبية البشرية في مخ الإنسان. باستخدام هذه الشبكات المكونة من طبقاتٍ يمكن أن تتصل ببعضها على التوالي أو التوازي أو بشكل ملتف وتتكون الطبقات من عدد من الخلايا العصبية الاصطناعية تدعى بالعصبون neuron، تصبح الآلات قادرة على التعامل مع مختلف المدخلات لتوليد أفضل الإجابات والنتائج الممكنة، وتكتسب هذه الآلات القدرة على التعلم من الأخطاء من أجل تحسين دقة النتائج. التعلم العميق Deep Learning يستخدم التعلم العميق الشبكات العصبية الاصطناعية من أجل اكتشاف الأنماط أو تحديدها أو تصنيفها، على نطاقٍ متنوع من البيانات، مثل البيانات النصية والمرئية والصوتية، فيمكنه تحديد ووصف العناصر الموجودة بالصورة، أو يمكنه تحويل ملف صوتي إلى ملفٍ نصّيٍ يحتوى الكلمات المنطوقة، ويمكن لخوارزميات التعلم العميق أن تصبح في غاية التعقيد عن طريق إضافة عدد مهول من طبقات الشبكات العصبية المتصلة بطرقٍ مختلفة تمكن الخوارزمية من اكتشاف الأنماط والعلاقات العميقة في البيانات. الذكاء الاصطناعي التوليدي Generative AI الذكاء الاصطناعي التوليدي Generative AI أو GAI اختصارًا ،هو تخصص فرعي من التعلم العميق وهو يعبر عن قدرة النموذج على توليد وإنتاج محتوى جديد لم يوجد من قبل، قد يكون هذا المحتوى صورة أو نصَا أو تسجيلات صوتية أو فيديو أو غير ذلك، ويحتاج توليد المحتوى من خلال الذكاء الاصطناعي إلى استخدام كميات هائلة من البيانات في مرحلة التدريب المسبق لنموذج الأساس Foundation Model حتى يكون النموذج قادراً على توليد مثل هذا المحتوى المشابه للبيانات الموجودة التى قد ينخدع البعض بها ويظن أنها من صنع الإنسان. نموذج الأساس Foundation Model نماذج الأساس هي نماذج تعلم عميق دُرّبت على كميات ضخمة من البيانات الغير موسومة unlabeled data والشاملة، وهي النماذج التي تعتمد عليها قدرات الذكاء الاصطناعي التوليدي، تكون هذه النماذج في الغالب ضخمة للغاية مقارنة بنماذج التعلم الآلي التقليدي التي تتخصص في مهام معينة وتُدرّب على بيانات مرتبطة بتلك المهمة فقط، تستخدم نماذج الأساس كنقطة بداية لتطوير نماذج تقوم بمهام أكثر تعقيداً، قد يكون نموذج الأساس قادرًا على فهم اللغة حيث تم تدريبه على كميات ضخمة من النصوص فيمكن استخدامه كأساس لنماذج أكثر تخصصاً تستفيد من قدرته على فهم اللغة للقيام ببعض المهام مثل القيام بمحادثات أو تلخيص النصوص أو توليد النصوص المختلفة، مثال على هذا النوع من النماذج هو (GPT-4) وهو نموذج الأساس المستخدم لتشغيل تشات جي بي تي ChatGPT، ولا يتوقف الأمر على النصوص فبعض النماذج قادرة على توليد الصور مثل نموذج الانتشار Stable Diffusion model القادر على توليد محتوى مرئي قوي، ونماذج الأساس قادرة على إنتاج طيف واسع من المخرجات اعتمادًا على الأوامر النصية prompts بمستوى عالٍ من الدقة. النماذج اللغوية الضخمة Large Language Models تستخدم نماذج الذكاء الاصطناعي التوليدي نماذج اللغة الضخمة LLMs لتوليد النصوص اعتمادًا على سلسلة من الاحتمالات تمكنها من توقع وتحديد وفهم السياق، تُدرّب النماذج اللغوية باستخدام معمارية المحولات Transformers architecture تصل معاملات parameters في مثل هذه النماذج إلى مليارات، وتركز النماذج اللغوية الضخمة على محاكاة فهم البشر للغة من خلال معالجة اللغات الطبيعية Natural Language Processing.تستخدم النماذج اللغوية الضخمة في تلخيص النصوص أو تصنيف النصوص وتحليل المشاعر التي تعبر عنها الكلمات، وتستخدم أيضاً في أنظمة المحادثات الآلية chatbots والمساعدات الذكية. معالجة اللغات الطبيعية (Natural Language Processing (NLP معالجة اللغات الطبيعية هي العلم الذي يهتم بدراسة اللغات وتزويد الآلات بالقدرة على معالجة وتفسير اللغات البشرية سواءً كانت هذه اللغات مكتوبة أو منطوقة، كما لو أن إنسانًا يتحدث أو يكتب، ويهتم تخصص فهم اللغات الطبيعية Natural Language Understanding -أو NLU اختصارًا- بفهم المشاعر والقصد من وراء اللغة المستخدمة، بينما في توليد اللغات الطبيعية Natural Language Generation أو NLG اختصارًا فيكون الهدف هو توليد النصوص بشكل كتابي أو منطوق، مما يسمح بتحويل النص إلى النطق text-to-speech و النطق إلى نص speech_to_text. نماذج المحولات Transformers Models تعد معمارية المحولات Transformers architecture من معماريات التعلم العميق وهي الأكثر استخدامًا في تطوير النماذج اللغوية الضخمة، يعود هذا لقدرتها على معالجة النصوص باستخدام نماذج رياضية وقدرتها على فهم الكلمات في السياقات المختلفة وفهم كيفية ارتباط الكلمات ببعضها حتى وإن كانت الكلمات متباعدة (أي يمكن للنموذج الاحتفاظ بمعلومات من الأجزاء السابقة للنص وتذكرها واستخدامها لفهم الأجزاء اللاحقة)، وهذا النوع من الذاكرة طويلة الأمد يسمح للنموذج أن ينقل فهمه بين اللغات المختلفة، ولم يتوقف الأمر عند اللغات فيمكنه نقل معرفته بين الوسائط media المختلفة، فيمكنه تحويل النصوص إلى صور. االمحوِّل التوليدي مسبق التدريب (Generative Pretrained Transformer (GPT النموذج التوليدي مسبق التدريب المبني على معمارية المحولات Generative pre-trained transformers GPT يستخدم معمارية المحولات Transformer Architecture من أجل إكساب الآلات قدرات مشابه للبشر في توليد المحتوى من النصوص، والصور، والتسجيلات الصوتية باستخدام تقنيات معالجة اللغات الطبيعية مثل تلخيص النصوص text summarization، وروبوتات الدردشة الآلية chatbots وغيرها من التطبيقات الأخرىي، ولعل أشهرها هو تشات جي بي تي Chat GPT الذي يستخدم نموذج توليدي مسبق التدريب مبني بمعمارية المحولات. ثانيًا مصطلحات متقدمة في الذكاء الاصطناعي سنوضح في الفقرات التالية المصطلحات المتقدمة التالية حول الذكاء الاصطناعي التوليدي: الذكاء الاصطناعي المسؤول Responsible AI البيانات الموسومة Labelled Data التعلم الخاضع للإشراف Supervised learning التعلم غير الخاضع للإشراف Unsupervised learning التعلم شبه الخاضع للإشراف Semi-supervised learning هندسة المُوجَّهات Prompt engineering سَلسَلة المُوجَّهات Prompt chaining التوليد المعزز بالاسترجاع (Retrieval Augmented Generation (RAG معاملات التحكم بنماذج الذكاء الاصطناعي parameters صقل نماذج تعلم الآلة fine-tuning for learning models الذكاء الاصطناعي المسؤول Responisble AI الذكاء الاصطناعي المسؤول مصمم ليتبع بعض المبادئ والممارسات التي تضمن عند تفعيلها استخدامًا آمنًا وأخلاقيًا للذكاء الاصطناعي لا يكسر أي قوانين، مما يعطي المصداقية والثقة لدى العملاء والأنشطة التجارية المختلفة لاستخدامه، بسبب المخاطر المحتملة لاستخدام الذكاء الاصطناعي والطرق التي سيؤثر بها الذكاء الاصطناعي على البشرية لا بد من وضع قواعد حاكمة تضمن مصداقيته، القدرة على أن تثق في إجابات الذكاء الاصطناعي ونتائجه أمرٌ هام للغاية في أي تطبيق للذكاء الاصطناعي. البيانات الموسومة Labeled data تساعد البيانات الموسومة Labeled data نماذج التعلم الآلي على معالجة البيانات والتعلم منها، ويشير مصطلح وسم البيانات إلى الحالة التي تحتوي فيها البيانات على الوسم أو التسمية المراد تعلم التعرف عليها أو تصنيفها بشكلٍ دقيق من خلال البيانات فمثلا يمكن وسم الصور بما تحويه من عناصر تساعد النموذج على تعلم الروابط والأنماط المشتركة بين كل الصور التي تحمل هذا الوسم، إن كان لديك صورة لنمر يمكن أن توسم هذه الصورة بوسم "نمر" مما يساعد النموذج على الربط بين الأنماط الموجودة في الصورة والأنماط الموجودة في صور جديدة للنمور. التعلم الخاضع للإشراف Supervised Learning التعلم الخاضع للإشراف أو التعلم مع إشراف Supervised learning هو طريقة تدريب لِنماذج التعلم الآلي تستخدم كميات كبيرة من البيانات الموسومة Labeled data لتوقع مخرجات التعلم، ومع تكرار مرات التدريب يصبح النموذج أكثر قدرة على الوصول لدالة معبرة بصورة أفضل عن العلاقة بين المدخلات والمخرجات المتوقعة من النموذج، حيث تُصحّح أخطاء النموذج عن طريق تعديل معاملات parameters الدالة المستخدمة في ربط المدخلات بِالمخرجات المتوقعة لتحسين التوقعات. يسمى هذا النوع من التدريب بأنه خاضع للإشراف لأن الوسم المعطى للبيانات يستخدم كمشرف لتقييم توقعات النموذج، على سبيل المثال إن كانت الصورة المدخلة لنموذج تعلم آلي صورة "أسد" وقام النموذج بوسمها على أنها "نمر" سيُقيّم هذا التوقع بأنه خاطئ وسوف يصحح في الدورات التالية من عملية التدريب. التعلم غير الخاضع لإشراف Unsupervised Learning يتميز التعلم غير الخاضع للإشراف أو التعلم دون إشراف Unsupervised Learning بأنه لا يستخدم بياناتٍ موسومة تشرف على توقعاته، حيث يمنح النموذج الاستقلالية ليقوم باكتشاف الأنماط المشتركة للبيانات المدخلة وتصنيفها حسب درجة تشابه خواص تلك البيانات، على سبيل المثال إن كانت البيانات المدخلة هي صور نمور وفيلة وزرافات سيحتاج النموذج إلى تصنيف هذه الصور بناءً على الخواص المشتركة بينها مثل اللون أو اختلاف الحجم أو الشكل أو شكل الوجه وغيرها من الخواص التي يمكن للنموذج تعلمها من الصور. التعلم شبه الخاضع للإشراف Semi-supervised learning تجمع هذه الطريقة في تدريب نماذج التعلم الآلي بين استخدام البيانات الموسومة Labeled data كما في التعلم الخاضع للإشراف Supervised Learning والبيانات غير الموسومة Unlabeled data كما في التعلم الغير الخاضع للإشراف Unsupervised Learning، في الغالب تُتٌستخدم هذه الطريقة عندما لا تتوفر بيانات موسومة كافية مقارنةً بقاعدة بيانات أكبر من البيانات الغير موسومة، توفر هذه الطريقة عناء وسم البيانات الضخمة بشكلٍ يدوي، حيث يمكنك استخدام البيانات الموسومة الأقل حجمًا لتساعد النموذج في مرحلة التدريب على التعرف على بعض التصنيفات الموجودة في البيانات وتدريب النموذج على البيانات الأكبر حجماً دون استخدام وسمٍ أو إشراف. هندسة المُوجَّهات Prompt Engineering هندسة المُوجَّهات Prompt Engineering تسهل عملية إعطاء الأوامر للنماذج اللغوية الضخمة Large language models عن طريق تعديل النص المدخل من أجل الحصول على مخرجات مناسبة، حيث تساعد هذه التقنية على تحسين أداء نماذج الذكاء الاصطناعي التوليدي لتنفيذ بعض المهام الدقيقة والمحددة عن طريق تحسين المُوجهات أو الأوامر المدخلة للنموذج، وتهدف هندسة المُوجِّهات لجعل نتائج النموذج أكثر صلة ومناسبة للمهمة المطلوبة، وتشكل هذه التقنية تحولاً في طريقة تفاعل البشر مع الذكاء الاصطناعي. سَلسَلة المُوجَّه Prompt Chaining سَلسَلة المُوجَّه Prompt Chaining هي تقنية تعمل مع نماذج اللغات الضخمة LLMs ومعالجة اللغات الطبيعية NLP وتسمح بالقيام بمحادثات تفاعلية تعتمد على المُوجَّهات والردود السابقة، تنشئ هذه الطريقة وعياً بالسياق خلال المحادثة، وهو أمر أساسي لجعل المحادثات مع الآلة شبيهة بمحادثات البشر التفاعلية، تظهر أهمية هذه الطريقة في أنظمة الدردشة الآلية chatbots فبدلًا من التعامل مع أمر نصي ضخم يصعب التعامل معه والرد عليه، يمكننا بدلًا من ذلك تقسيمه إلى سلسلة متتالية من الأوامر أو المُوجَّهات التي يسهل التعامل معها والإجابة عليها. التوليد المعزز بالاسترجاع (Retrieval augmented generation (RAG التوليد المعزز بالاسترجاع (Retrieval augmented generation (RAG هو طريقة تعزز من قدرة نماذج الأساس بِتعزيزها باسترجاع الحقائق من مصادر خارجية لمساعدتها على توليد ردود حديثة ومدعومة بمصادر، نموذج الأساس يمتلك معرفة محدودة فقط بالبيانات التي تدرب عليها، لذا إذا كان هناك نقص أو تأخر في تاريخ هذه البيانات لن تصبح ذات فائدة، لذلك تعزيز النموذج بالحقائق والمعلومات من مصادر خارجية حديثة سوف يحسن من مصداقية ودقة المعلومات المولدة، على سبيل المثال لا يمكنك توقع إجابة دقيقة عن سعر سهمٍ في شركة من نموذج معرفته محدودة زمنياً وغير قادر على الوصول إلى البيانات الحديثة لهذا السهم، أما باستخدام التوليد المعزز باستراجاع الحقائق RAG فسوف يمكن بكل سهولة تعزيز معرفة النموذج من مصادر موثوقة ليصبح قادرًا على توفير إجابة محدثة عن السهم، لن تُخزّن هذه المعلومات لدى نموذج الأساس فقط تستخدم لتعزيز الإجابات بالحقائق. المعاملات Parameters إن معاملات parameters نماذج الذكاء الاصطناعي وتعلم الآلة هي عبارة عن متغيرات تُعدَّل قيمها أثناء تدريب النموذج من أجل تحسين أدائه في اكتشاف الأنماط الموجودة في البيانات، وبالتالي جعلها أكثر كفاءة، وتتحكم هذه المعاملات في تصرف النموذج وتقلل الفرق بين القيم المتوقعة والقيم الحقيقية الصحيحة وتجعله أدق في التنبؤ أو تصنيف البيانات. لنفرض أننا نريد تصنيف الحيوانات والتمييز بين الكلب والقطة بناءً على بعض الخصائص مثل الوزن والطول ووجود الفرو باستخدام نموذج يسمى الانحدار اللوجستي Logistic Regression الذي يعتمد على معادلة تجمع بين الخصائص (الوزن، الطول، وجود الفرو) لحساب احتمال أن يكون الحيوان كلبًا أو قطة. سيبدأ النموذج بمعاملات عشوائية تحدد أهمية كل خاصية (مثل الوزن أو الطول) في تحديد نوع الحيوان، ويقارن التوقعات مع النوع الحقيقي للحيوان (كلب أو قطة) ويعدل المعاملات لتقليل الأخطاء في التوقعات، وبعد العديد من المحاولات والتعديلات يصبح النموذج أكثر دقة في التمييز بين الكلب والقطة. وبهذا يتعلم النموذج القيم المثلى للمعاملات التي تمكنه من التنبؤ بنوع الحيوان بدقة أكبر بناءً على خصائصه. صقل نماذج التعلم الآلي Fine Tuning Learning models صقل نماذج التعلم الآلي Fine Tuning Learning models هي تقنية لتعديل النماذج مسبقة التدريب pre-trained على مهام متخصصة ودقيقة، تصقل نماذج التعلم باستخدام بيانات تناسب المهمة المتخصصة التي نرغب في تحسين أداء نموذج الأساس عليها، يمتلك نموذج الأساس فهمًا عامًا للبيانات التي يتعامل معها ومع عملية الصقل باستخدام قاعدة بيانات صغيرة تناسب المهمة المتخصصة يصبح النموذج أكثر كفاءةً في أداء هذه المهمة، تمنح هذه التقنية نماذج التعلم الآلي القدرة على التأقلم على مهام جديدة عن طريق تعديل معاملاتها parameters لتناسب المهمة المتخصصة مما يزيد من دقة النموذج وفعاليته في تنفيذ هذه المهمة. ثالثًا: مصطلحات تتعلق بآلية عمل الذكاء الاصطناعي في هذا القسم نشرح بعض المصطلحات المتعلقة بآلية عمل الذكاء الاصطناعي: التحيز Bias الهلوسة Hallucinations درجة الحرارة Temperature التشبيه بالإنسان Anthropomorphism الإكمال Completion الوحدات اللغوية Tokens الطفرات غير المتوقعة في الذكاء الاصطناعي Emergence in AI التضمينات Embeddings تصنيف النصوص Text Classification نافذة السياق Context Window التحيز Bias عندما يأتي الأمر لذكر تعلم الآلة تظهر مشكلة التحيز كنتيجة لاستخدام بيانات منحازة في التدريب لا تعبر بشكلٍ إحصائي جيد عن الواقع، هذا يؤدي بشكلٍ غير عادل وغير دقيق إلى ميول النموذج إلى القيام بتوقعات تحاكي هذا التشوه في بيانات التدريب، وبالتالي توليد نتائج منحازة، يُبرز هذا الأمر أهمية جودة البيانات المستخدمة في تدريب النماذج، حيث أن البيانات غير المكتملة أو ذات الجودة المنخفضة يمكن أن تولد نماذج لا تستحق الثقة نتيجة الافتراضات الخاطئة. الهلوسة Hallucination تحدث هلوسة نماذج الذكاء الاصطناعي عندما يولد ردودًا تبدو كأنها حقائق مسلم بها وهي ليست كذلك، على الرغم من أن الهلوسة تعتبر نادرة الحدوث بعض الشيء، إلا أنها تعد سببًا وجيهًا لعدم أخذ الإجابات المولدة على أنها حقائق مسلم بها، من الممكن أن تتسبب البيانات المنحازة إلى هلوسة النماذج، أو ربما بسبب عدم فهم البيانات أثناء التدريب، وقد استخدم مصطلح الهلوسة في هذا السياق لكونه مشابهًا لسلوكنا نحن البشر عند تخيل أشياء غير واقعية وظن أنها حقيقة واقعة. درجة الحرارة Temperature درجة الحرارة Temperature هي معامل parameter يستخدم في نماذج الذكاء الاصطناعي، للتحكم في درجة عشوائية أو إبداع الردود المولدة من النموذج، تتراوح القيم الممكنة لِمعامل الحرارة بين الصفر والواحد، القيمة الافتراضية لهذا المعامل هي 0.7، وكلما كانت قريبة إلى الصفر أكثر، كلما كانت الردود أكثر واقعية وثباتًا، بينما كلما ارتفعت قيمة المعامل كلما زادت إبداعية الردود المولدة وتفرّدها. التشبه بالإنسان Anthropomorphism التشبيه بالإنسان أو التجسيم Anthropomorphism هو إعطاء الصفات والمشاعر والنوايا البشرية على الكيانات غير البشرية، فبعض الكيانات التي يمكن تشبيها بالبشر مثل الآلات، والحيوانات، والجمادات وغيرها من الأمثلة، ومن خلال استخدام الذكاء الاصطناعي الذي يتطور بشكل أكثر تعقيدًا يومًا عن يوم، وبعد فترة قصيرة للغاية من التعرض لأدوات الذكاء الاصطناعي، سيبدأ البشر في وصف برامج الحواسيب بصفاتٍ بشرية والتعامل معها كأنها تمتلك مشاعر إنسانية وهذا يمكن أن يؤثر على تصرفات وتفاعلات البشر مع الآلة. الإكمال Completion يٌستخدم مصطلح الإكمال Completion في معالجة اللغات الطبيعية NLP لوصف مخرجات النماذج الناتجة كرد، على سبيل المثال عند طرح سؤال على تشات جي بي تي Chat GPT سوف تعتبر الإجابة المولدة من النموذج اللغوي إكمالاً Completion لسياق السؤال المطروح. الوحدات اللغوية Tokens قد تكون الوحدة اللغوية Token تكون كلمة، أو مجموعة رموز للتميز بين بدايات الجمل ونهايتها والمسافات والحروف المميزة، تستخرج الوحدات اللغوية Tokens من النصوص المدخلة للنموذج اللغوي ليتمكن من التعامل مع التصريفات المختلفة للكلمات و الرموز المميزة وتسمى هذه العملية بِتقطيع النص إلى وحداتٍ لغوية Tokenization، توجد عدة طرق للقيام بعملية التقطيع تختلف في الغالب حسب النموذج المستخدم، تعتبر هذه الوحدات اللغوية الوحدات الأساسية لنماذج اللغات الضخمة حيث تستخدمها لمعالجة النصوص المختلفة واكتشاف الأنماط بها، وتستخدم أيضا كوحدة معيارية لِتحديد القدرة الاستيعابية للنموذج في المدخلات والمخرجات مما يساهم في تحديد نافذة السياق Context window. الطفرات غير المتوقعة في الذكاء الاصطناعي Emergence in AI هو قدرة الذكاء الاصطناعي على اكتساب قدرات ومهارات غير مقصودة أو غير مبرمجة من البداية، تحدث هذه الظاهرة بسبب تعقيد النماذج وزيادة عدد المعاملات Parameters مما يؤدي إلى تأثيراتٍ جانبية تجعل النموذج قادراً على تأدية بعض المهام الغير مدرب عليها بشكلٍ صريح، لن تحدث هذه الظاهرة في النماذج البسيطة والأصغر حجمًا، لكن هناك مخاوف من إمكانية ظهور بعض المخاطر والتعقيدات الناتجة عند حدوث هذه الظاهرة في نماذج الذكاء الاصطناعي المتقدمة، على سبيل المثال يمكن أن نفقد السيطرة على هذه النماذج بحيث تنتج ردوداً تخالف القواعد العامة أو ردودًا مؤذية أو عنصرية بشكلٍ غير مقصود من المطور ولم تُدرّب عليها. التضمينات Embeddings التضمينات Embedding هي تمثيلات رقمية تعبر عن الكائنات، والكلمات في متجهات متعددة الأبعاد، تنتج عن طريق خوارزميات التعلم الآلي، وتمتلك القدرة على فهم معاني الكلمة في السياقات المختلفة وتَشابُه التمثيلات الرقمية للكلمات يدل على تشابه في المعنى، وبالمثل في معالجة الصور image processing يمكن ترميز الصور رقمياً كمتجهات ومصفوفات ليسهل تحليلها والقيام بالعمليات الرياضية عليها، تساعد هذه الترميزات الرقمية على القيام بالحسابات اللازمة ، مما يمّكن أنظمة الذكاء الاصطناعي من القيام بمهامٍ مثل فهم اللغات، والتعرف على الصور، وتقديم الاقتراحات بكفاءةً عالية. تصنيف النصوص Text Classification يتضمن تصنيف النصوص Text classification تدريب النموذج على تصنيف النصوص وإعطائها الوسم المناسب من قائمة من الوسوم المعرفة مسبقًا، باستخدام تقنيات مثل معالجة اللغات الطبيعية، يمتلك النظام القدرة على تعلم الأنماط وتحليل السياق التي وردت به الكلمات، من أجل إعطاء توقعات دقيقة على المشاعر التي تعبر عنها النصوص، أو الموضوع، أو القصد من الكلام، وتتمتع مصنفات الذكاء الاصطناعي النصية بالقدرة على معالجة وفهم لغات وسياقات مختلفة للنصوص، مما يمّكنها من التعامل مع مهام مختلفة عابرة للغات بشكلٍ فعال. نافذة السياق Context Window نافذة السياق context window هو مصطلح يشير إلى كمية النصوص أو المعلومات التي يمكن لنموذج الذكاء الاصطناعي معالجتها والرد عليها من خلال إدخالها بشكلٍ نصي، يرتبط هذا المصطلح بشكلٍ وثيق بعدد الوحدات اللغوية Tokens المستخدمة في النموذج، تختلف حجم نوافذ السياق context windows باختلاف النموذج المستخدم، تلعب هندسة النصوص المدخلة prompt engineering دورًا هامًا عند التعامل مع نموذج نافذة سياق محددة، حيث تحتاج لوصف الأوامر المطلوبة بشكلٍ دقيق دون تجاوز الحجم الأقصى لنافذة السياق من الوحدات اللغوية Tokens. ترجمة-وبتصرٌّف-للمقالات Navigating the Vocabulary of Generative AI Series (1 of 3) و ( Navigating the Vocabulary of Generative AI Series (2 of 3 و (Navigating the Vocabulary of Generative AI Series (3 of 3 لصاحبها STUART SCOTT. اقرأ أيضًا كل ما تود معرفته عن دراسة الذكاء الاصطناعي أهمية الذكاء الاصطناعي من هو مهندس الذكاء الاصطناعي وما أبرز مهامه خوارزميات الذكاء الاصطناعي استخدام النماذج التوليديّة Generative models لتوليد الصور

أصبحت أدوات الذكاء الاصطناعي حجر الزاوية في ثورة الذكاء الاصطناعي من تشات جي بي تي Chat GPT إلى كلود Claude 3، وشقت هذه الأدوات طريقها إلى الحياة اليومية والأنشطة التجارية،وقد تمكن كل من الهواة والمحترفين على حدٍ سواء من الاستفادة من هذا التطور في أنظمة المحادثات الآلية chatbots الهواة والمحترفين على حدٍ سواء. فحسب استبيان حديث أجرته شركة DigitalOcean لعام 2023 حول أشهر التقنيات السحابية المستخدمة من قبل المطورين والشركات الصغيرة والمتوسطة رأى 45% من المشاركين في الاستبيان أن أدوات الذكاء الاصطناعي سهلت أداء وظائفهم بشكل كبير، بالمقابل وجد 43% منهم أن هناك تضخيمًا مبالغًا فيه في فعالية هذه الأدوات. يمكن إرجاع هذا التباين الشاسع في آراء المستخدمين لأحد العوامل الأساسية، ألا وهو هندسة الموجهات أو ما يعرف باسم Prompt engineering، فالمُوجَّه أو الأمر الذي تدخله لنموذج الذكاء الاصطناعي يصنع الفارق في جودة الردود التي تحصل عليها وهو ما سيجعل تعاملك معك أكثر سلاسة، أو يجعلك تعاني منه وتحبط من الردود التي لا تحقق لك مبتغاك، ويجبرك على القيام بالمهمة بنفسك دون استخدام أدواته، ومع تقدم ثورة الذكاء الاصطناعي بشكل متسارع، تزداد أهمية مهارة هندسة المُوجِّهات كمجالٍ متميز، حيث أصبحت وظيفة مهندس الموجهات Prompt engineering من الأكثر طلباً ودخلاً في أوساط الشركات. سنتعمق في مقال اليوم في الحديث عن هندسة المُوجِّهات Prompt engineering، ونوفر لك دليلاً شاملاً عن أفضل الممارسات، وبعض الأمثلة التي ستساعد نشاطك التجاري على استخراج أقصى فائدة ممكنة من تلك النماذج اللغوية الضخمة (large language models). ما هي هندسة المُوجِّهات؟ هندسة المُوجِّهات prompt engineering هي طريقة تصميم وتحسين صياغة الأوامر النصية أو التوجيات المُدخلة للنموذج اللغوي بحيث تحسن من النتائج التي ينتجها النموذج لتناسب احتياجات وأهداف المستخدم، وتتطلب مزيجاً من القدرة على الإبداع وإدراك قدرات النموذج، واستخدام استراتيجيات لصياغة وهيكلة السؤال بطريقة توجه الذكاء الاصطناعي لتوفير ردٍ دقيق ومفيد، ولا يقع خارج سياق التوجيه المُدخل له، تحسن هندسة المُوجِّهات من التفاعل الجيد بين البشر والآلات بحيث تضمن جودة وفعالية التفاعل مع الآلة. ما أهمية هندسة المُوجِّهات؟ تنبع أهمية هندسة المُوجِّهات Prompt engineering من قدرتها على التأثير على أداء نماذج الذكاء الاصطناعي، فجودة الأوامر التي تدخلها للنموذج ستضمن لك الحصول على ردود أكثر دقة وصلةً بالسؤال المطروح، وهذا يجعل هندسة المُوجِّهات مهارة جوهرية اليوم لأي شخص يحاول الاستفادة من أدوات الذكاء الاصطناعي بشكلٍ فعال، ولا تقتصر هندسة المُوجِّهات على من يتخذها وظيفةً، حيث يمكن لأي شخص يطمح في استخدام أدوات الذكاء الاصطناعي للحصول على أفكار وملاحظات أو حل مشكلات معينة أن يستخدم تقنيات هندسة المدخلات لِيتفاعل مع تلك الأدوات بشكلٍ احترافي. بعض الأسباب التي تجعل هندسة المُوجِّهات في غاية الأهمية: تحسين الدقة: فالمٌدخلات المكتوبة بطريقةٍ متقنة توجه النموذج لتوليد إجابات أكثر دقة وأيضاً أكثر صلة بالمدخلات والسؤال المطروح. توفير الوقت: تُسهّل عملية هندسة المُوجِّهات Prompt engineering من الوصول إلى النتيجة المرغوبة في عدد رسائلٍ أقل، مما يوفر معاناة شرح المطلوب وتعديل أخطاء النموذج في محادثة لانهائية قد لا تقودك لنتيجة مرضية. تسهيل القيام بالمهام المعقدة: تتطلب المهام المعقدة فهمًا عميقًا للمتطلبات واستيعابًا لتعقيد المشكلة، فالمُوجّهات النصية الجيدة تسهل على النموذج التعامل مع المطلوب بشكلٍ أوضح. تحسين تجربة المستخدم: عن طريق توفير إجابات ذات صلة بالموضوع وموثوقة. مخرجات أكثر قيمة: يساعد استخدام هندسة المُوجِّهات Prompt engineering بشكل صحيح في بعض المجالات كالبرمجة، وصناعة المحتوى، وتحليل البيانات إلى توليد نتائج وردود أكثر قيمةً وجودة. الاستخدام الفعال: من خلال تعزيز فهمنا لكيفية التواصل مع الذكاء الاصطناعي، يمكننا تجاوز القيود الحالية وابتكار حلول إبداعية توسع قدرات الذكاء الاصطناعي وتزيد كفاءته. توفير التكلفة: بعض النماذج والأدوت متاحة للاستخدام بشكلٍ محدود أو بتكلفة مادية، لذا فإن القدرة على الوصول لردٍ ذي صلة ودقيق بعدد محاولات أقل يمكن أن يوفر عليك التكلفة المادية. أفضل 10 ممارسات في هندسة المُوجِّهات إن صياغة أوامر أو توجيهات نصية prompts فعالة لنماذج الذكاء الاصطناعي من شأنها تحسين جودة الردود المنتجة، وزيادة صِلتها بالمُوجّه أو السؤال المطروح، ولأجل اكتساب هذه الخبرة في صياغة المدخلات النصية أنت بحاجة لفهمٍ جيدٍ لكيفية معالجة الذكاء الاصطناعي لهذه الموجهات وتفسيرها. في النقاط العشرة التالية، سنكتشف معاً أفضل الممارسات التي سوف تساعدك في التواصل الفعال مع الذكاء الاصطناعي وكيف تكتب موجهات prompts عالية الجودة. 1. كن محدداً قدر المستطاع احرص على كتابة مُوجِّه محدد بشكلٍ واضح ودقيق، فهذا هو المفتاح للحصول على أكثر المعلومات دقة وصلة من الذكاء الاصطناعي، فتحديد المتطلبات يزيل الغموض ويُضيّق نطاق البحث لدى الذكاء الاصطناعي، ولتحقيق هذا الشرط أنت بحاجة لإرفاق أكبر قدر من المعلومات ذات الصلة دون تحميل الذكاء الاصطناعي أية معلومات غير ضرورية، فإرفاق معلوماتٍ ليست ذات صلة بطلبك الحالي من شأنه أن يشتت ردود الذكاء الاصطناعي ويبعده عن مرادك، فالتوازن في كتابة مُوجِّه Prompt محدد يوجه الذكاء الاصطناعي إلى استخدام المعلومات الكافية فقط وتوليد إجابة دقيقة وذات صلة بالموضوع المطروح. بعض الأشياء الضرورية التي عليك توضيحها في المدخلات النصية توضيح السياق: قم بتوضيح خلفية الموضوع وتوفير المعلومات الكافية لفهم مجرى الأحداث التي تتساءل عنها، هذا يشمل الموضوع، وحجم الموضوع، وأية معلومات ذات صلة عن القيود المفروضة كأن تطلب منه على سبيل المثال توفير معلومات مقيدة بفترة زمنية معينة (آخر 5 سنوات على سبيل المثال). التنسيق المطلوب: قم بتوضيح التنسيق الذي ترغب فيه، مثلًا يمكن أن تكون الإجابة مرتبة على هيئة قائمة من النقاط، أو تقرير مفصلٌ، أو تلخيص، أو شيفرة برمجية، أو غيرها من التنسيقات وأنواع الملفات، وضح أيضاً تفضيلاتك عن العناوين والعناوين الفرعية وحجم الفقرات وغيرها من التفاصيل التنسيقية. حجم الإجابة المطلوبة: هل ترغب في إجاباتٍ مطولة أم إجابات مختصرة تتكون من نقاط واضحة عليك تحديد كل هذه التفاصيل كأن تطلب على سبيل المثال توليد ثلاثة فقرات أو إجابة بطول 250 كلمة. مستوى التفصيل: قم بتحديد مدى تعمق الإجابات، فيمكن أن تكون الإجابة سطيحة للتعريف بالموضوع بشكلٍ عام، ويمكن أن تكون تحليلًا متعمقًا في الموضوع، هذه النقطة مهمة لضمان توفير النموذج للقدر الذي تحتاجه من المعلومات. أسلوب الصياغة وطريقة الكتابة: حدد أسلوب الكتابة المناسب لاحتياجاتك، قد تكون الكتابة بشكلٍ رسمي، أو غير رسمي، أو بشكلٍ علمي، أو بشكلٍ أدبي، أو بشكل محادثة، أو غير ذلك، حيث تختلف الأساليب الممكنة باختلاف الجمهور المستهدف ونوع الكتابة. أمثلة ومقارنات: اطلب من الذكاء الاصطناعي توفير أمثلة ومقارنات من أجل توضيح المفاهيم المعقدة بشكلٍ أفضل، وتوفير معلومات مبسطة وذات صلة يسهل فهمها. 2. عزز الذكاء الاصطناعي بالأمثلة إن إرفاق الأمثلة في المُوجِّهات يعد تقنية قوية لتوجيه استجابات الذكاء الاصطناعي نحو المطلوب. فمن خلال توفيرأمثلة ضمن المُوجِّه فإنك تحدد مسبقًا نوع المعلومات أو الاستجابة التي تتوقعها وتربط بين المعلومات المتاحة لدى النموذج عن المثال الموجود بالفعل وطلبك. وهذه الطريقة مفيدة بشكل خاص للمهام المعقدة التي يكون المطلوب فيها غامضًا، وللمهام الإبداعية التي تحتوي على أكثر من إجابة صحيحة. وعندما تزود الذكاء الاصطناعي بهذه الأمثلة، تأكد من أنها تراعي جودة وأسلوب النتيجة المطلوبة وبهذا تساعد الذكاء الاصطناعي على نمذجة استجاباته بناء على هذه الأمثلة المقدمة، مما يؤدي إلى ردود ومخرجات أكثر دقة وتفصيلاً. إليك بعض أنواع الأمثلة التي يمكنك توفيرها للذكاء الاصطناعي لتساعده في توليد أفضل استجابة ممكنة: أرفق عينات من النص: يمكنك أن توفر عينة نصية تتبع الأسلوب الكتابي الذي ترغب من النموذج أن يتبعه عند توليد إجابة. وضح تنسيق البيانات: يمكنك توضيح تنسيق البيانات المخرجة وهياكلها، مثلًا يمكن أن تطلب منه وضع المعلومات في جداول أو قوائم. وفر القوالب الجاهزة: يمكنك توفير قالب جاهز لضمان توليد إجابات تتبع التنسيق والهيكل المطلوب. اكتب مقتطفات من الشيفرة البرمجية: إذا كان سؤالك متعلقًا بمشكلةٍ برمجية فمن الجيد توفير مقتطفات من الشيفرة البرمجية لضمان اتباع النموذج لقواعد اللغة البرمجية وتوليد شيفرات برمجية لهذه اللغة وليس لغيرها. وفر الرسومات البيانية والتوضيحية: إذا كنت ترغب في جعل الذكاء الاصطناعي يولد لك رسمًا بيانيًا فعليك توفير رسوماتٍ بيانية أو توضيحيةٍ مشابهة لما تحاول الوصول إليه. وفر المعلومات التسويقية: إذا كنت تستخدم الذكاء الاصطناعي لتوليد محتوى تسويقي، وفر له المعلومات التسويقية عن المنتج الخاص بك لتناسب النتائج التي يولدها هوية النشاط التجاري الذي تصمم له محتوى تسويقي. 3. وفر البيانات لتحصل على إجابات أفضل يساعد توفير المعلومات والبيانات ذات الصلة بالموضوع على تحسين جودة الإجابات المولدة بشكلٍ ملحوظ، حيث توفر البيانات أساسًا قويًا للذكاء الاصطناعي ليفهم السياق وِيتمكن من صياغة إجابة دقيقة، كما يسمح توفير البيانات التي تحتوي أرقامًا، وتواريخًا، وتصنيفات بشكلٍ منسق وهيكلٍ واضح بتوفير إجابات مفصلة تحليلية تساعد في اتخاذ القرارات، لذا من الضروري وضع البيانات في السياق المناسب لها، وتوفيرها عندما تكون متاحة، مع إرفاق مصدرها، فهذا يضيف نوعًا من المصداقية والثقة في المقارنات والتحليلات الكمية للبيانات. ولتتأكد من أن الذكاء الاصطناعي قادر على توفير إجابات مفيدة وذات صلة، استخدم دائماً بيانات ومعلومات محدثة ومنظمة بشكلٍ جيد، وفي حالة المقارنات تأكد من توضيع عوامل المقارنة. فتوفير البيانات في السياق المناسب لها يزود الذكاء الاصطناعي بالقدرة على توفير إجابات قابلة للتنفيذ، واتخاذ قرارات فعالة مبنية على الأرقام، فالمدخلات النصية المرتكزة على البيانات قيّمة للغاية في المهام التي تتطلب تعمقاً تحليلياً للأرقام، وهي تُمكّن الذكاء الاصطناعي من توليد مخرجات مفيدة للنشاط التجاري وتوافق استراتيجياته التجارية. 4. حدد هيئة النتائج التي تفضلها عند التعامل مع الذكاء الاصطناعي من المهم توفير التنسيق المناسب والمتوقع للاستجابات، حدد على سبيل المثال فيما إذا كنت ترغب في الحصول على الإجابة على هيئة تقرير، أو ملخص، أو قائمة من النقاط أو غيرها من التنسيقات التي تضمن الحصول على الإجابة بالصيغة والتنسيق المناسبين. 5. استخدم صيغة "افعل" بدلاً من "لا تفعل" عند صياغة المُوجِّهات للذكاء الاصطناعي من الأفضل توجيه الذكاء الاصطناعي نحو الفعل المناسب بدلاً من شرح ما عليه تجنبه، حيث يقلل هذا الأسلوب من الغموض ويُمكّن الذكاء الاصطناعي من توليد إجابات مفيدة وذات صلة بالموضوع، حيث تطلب التعليمات السلبية من الذكاء الاصطناعي أن يفهم الأمر ويقوم بعكسه، مما قد يزيد من احتمالية حدوث سوء فهم أو تشتت النموذج بالتركيز على ما نهي عنه، لذا كن واضحاً في تحديد الأفعال المطلوبة، لتمكن الذكاء الاصطناعي من الوصول للإجابة بشكلٍ فعال ومباشر. 6. اجعل الذكاء الاصطناعي يتقمص دور شخصية أو مرجعية محددة من المفيد توجيه الذكاء الاصطناعي لِيتقمص شخصية أو دورًا محددًا بحيث تكون هذه الشخصية هي المرجع له، تزيد هذه الاستراتيجية من فعالية ودقة مخرجات الذكاء الاصطناعي، وتساعد على توجيه الذكاء الاصطناعي لتوليد إجاباتٍ ذات صلة بهذه الشخصية. تفيد هذه الطريقة للغاية في سياق الأنشطة التجارية التي تتطلب معرفة بالمجال والسوق، وتمّكنك من توجيه الذكاء الاصطناعي لِيستخدم المصطلحات والأساليب المناسبة للسياق وبالتالي لِلمجال المطلوب بما يتوافق مع مجرى الأحداث، يساعد تحديد الشخصية أو المرجعية أيضاً في توضيح التوقعات والتفاعلات المناسبة مع الذكاء الاصطناعي ويحسن تجربة المستخدم. 7. جرب تسلسل المُوجِّهات سَلسَلة المُوجِّهات Prompt chaining هي تقنية تعتمد على دفع الذكاء الاصطناعي لتفسير إجاباته وتفصيلها بشكلٍ أوضح، عن طريق توجيهه من خلال الأوامر النصية ليناقش الخطوات التي اتخذها للوصول للإجابة واستنتاجها، تمكنك هذه الطريقة المستخدمين من فهم المنطق ومدى صحة الإجابة. يفيدك هذا الأسلوب للغاية عند التعامل مع المشكلات المعقدة أو مناقشة الأسباب التي أدت لتوليد الإجابة، حيث تضمن مستوى أعمق من حل المشكلات وفهمها ومراحل التوصل إليها، مما يُمكّن المستخدم من التعلم من طريقة إيجاد الذكاء الاصطناعي للحل. 8. قَسِّم المهام المعقدة إلى مهام أبسط عند التعامل مع المهام المعقدة، فسيساعدك تقسيمها إلى مهام في جعلها أبسط وأسهل في التعامل يجعل الذكاء الاصطناعي قادرًا على حل تلك المشكلات المعقدة، باستخدام خطوات من التعليمات التي تمنع من تشتت الذكاء الاصطناعي عن هدفه وتسهل من مهمته المطلوبة، مما يضمن أن كل جزء من المهمة الأكبر ينجز بدرجة عالية من الدقة والاهتمام بالتفاصيل. إضافةً إلى أن هذه الطريقة تسهل من عملية مراقبة وتعديل كل مهمة على حدة، حيث يمكن تعديل كل خطوة وتحسينها بشكل يرفع من الجودة الكلية لحل هذه المشكلة، وتقسيم المهام إلى أجزاء أصغر يمكن الذكاء الاصطناعي من استخدام الموارد بشكل أكثر فعالية وتوفيراً، حيث يمكننا أن نركز على الخطوات الأهم التي تطلب تركيزًا أكبر. 9. أدرك حدود نموذج الذكاء الاصطناعي وقدراته عند صياغة مُوجِّهات الذكاء الاصطناعي، من الضروري أن تعرف جيدًا حدود إمكانيات نموذج الذكاء الاصطناعي لوضع توقعات واقعية، فتكليف الذكاء الاصطناعي بمهام ليس مصممًا للقيام بها، مثل التفاعل مع قواعد بيانات خارجية أو توفير تحليل بيانات في الوقت الحقيقي سوف يؤدي إلى إجابات غير دقيقة وتعاني من ظاهرة تسمى الهلوسة Hallucination. بعض حدود إمكانيات الذكاء الاصطناعي: لا يمتلك الذكاء الاصطناعي القدرة على الوصول إلى معلومات في الوقت الحقيقي، فمعرفة النموذج تنتهي إلى آخر تحديث تم تدريبه فيه. لا يمتلك القدرة على الوصول إلى البيانات الشخصية ما لم توفرها بشكل صريح خلال التفاعل مع النظام. لا يمتلك القدرة المباشرة على التفاعل أو استخدام برامج خارجية مثل قواعد البيانات، أو المتصفحات يولد إجابات غير مفيدة في حال عدم توفر سياق واضح عند التعامل مع المواقف المعقدة. لا يمتلك القدرة على امتلاك المشاعر أو التعاطف بشكل حقيقي ولا يمتلك القدرة على تكوين تجربة شخصية. 10. استخدم الأسلوب التجريبي في تحسين نموذج الذكاء الاصطناعي يعتمد مجال هندسة المُوجِّهات Prompt engineering الصاعد بشكلٍ كبير على عقلية التجربة المستمرة، تجربة دائمة لطرق جديدة وصياغات مختلفة، حيث من الأفضل أن تُطور صياغة المدخلات النصية في دورات متتالية تتحسن فيها الصياغة وجودة الردود بشكل متتابع، لاحظ بدقة تأثير التغيرات التي تجربها في الصياغة على أداء نماذج الذكاء الاصطناعي وتعلم كيف تتغير إجابات النماذج بتجربة المدخلات المختلفة وتأثير التعديلات عليها. لا تتردد في استكشاف الاحتمالات المختلفة لصياغات مختلفة لتكتشف المدخلات النصية الأكثر فعالية للقيام بمهمة محددة دون أن تخالف أخلاقيات الذكاء الاصطناعي أو خصوصية البيانات، فاستراتيجية المحاولات التجريبية والتعلم من الأخطاء تساعدك في إتقان هندسة الموجهات وتمكنك من صياغة موجهات أكثر كفاءةً وتزيد من فهمك بشكلٍ عام لكيفية عمل نماذج اللغات الضخمة وطريقة تفسيرها للأوامر وتفاعلها مع التعليمات المختلفة. الخلاصة تعرفت في مقال اليوم على المقال يبرز أهمية هندسة المُوجِّهات (Prompt Engineering) ودورها في رفع كفاءة أدوات الذكاء الاصطناعي وأهم النصائح والممارسات التي تساعدك على صياغة مُوجِّهات عالية الجودة تمكنك من الحصول على نتائج دقيقة وملاءمة لمتطلباتك. احرص على تطبيق هذه الممارسات في تفاعلك مع نماذج الذكاء الاصطناعي، فمن شأنها أن تعزز استفادتك من هذه النماذج وتزيد إنتاجيتك وتحسن كفاءة عملك. ترجمة-وبتصرٌّف-للمقال Prompt Engineering Best Practices: Tips, Tricks, and Tools اقرأ أيضًا مصطلحات الذكاء الاصطناعي للمبتدئين تعلم الذكاء الاصطناعي أهمية الذكاء الاصطناعي إيجابيات وسلبيات الذكاء الاصطناعي برمجة الذكاء الاصطناعي

نستعرض في مقال اليوم أمثلة على الذكاء الاصطناعي ونسلط الضوء على الاستخدامات المتنوعة لهذه التقنية الرائدة في حياتنا اليومية وفي مختلف الصناعات. فقد ازداد الاعتماد على الذكاء الاصطناعي بشكل كبير في الآونة الأخيرة وأصبح من المهم معرفة الطرق المختلفة لاستخدام الذكاء الاصطناعي في تأدية مهامنا المختلفة والاستعانة به لزيادة كفاءتنا وإنتاجيتنا. زيادة الاعتماد على الذكاء الاصطناعي وفق مؤشر شركة IBM لتبني تطبيقات الذكاء الاصطناعي الصادر في نوفمبر من العام 2022 تبنت أغلب الشركات تقنيات الذكاء الاصطناعي في أعمالها بنسبة بلغت 43% من الشركات المشاركة في الاستبيان، في حين تدرس 40% من الشركات الباقية استخدام الذكاء الاصطناعي في أعمالها، ولا شك أن هذه الإحصائيات تدل على إدراك شركات الأعمال لأهمية استخدام الذكاء الاصطناعي في تطوير أعمالها وزيادة أرباحها، وضرورة استخدام التقنيات الذكية لتعزيز التنافسية في السوق المتنامي للذكاء الاصطناعي واستثمار الفرص الواعدة فيه. وحتى بالنسبة للأفراد أصبح استخدام أدوات الذكاء الاصطناعي أمرًًا أساسيًا بالنسبة للكثير من الأشخاص اليوم وأداة مهمة لإنجاز أعمالهم وتعزيز إنتاجيتهم ، ولهذا السبب ازاد الطلب على أدوات الذكاء الاصطناعي وتطبيقاته في مختلف المجالات، وسنتعرف في الفقرات التالية على تطور الذكاء الاصطناعي ثم نستعرض أبرز الأمثلة على الذكاء الاصطناعي واستخدماته في قطاعات متنوعة مثل التعليم والصحة وإدارة الأعمال والتسويق وغيرها من الأمثلة العديدة الأخرى. تطور الذكاء الاصطناعي وضحنا في مقال سابق ما هو الذكاء الاصطناعي (AI) وتاريخ تطوره وذكرنا أنه تقنية تُمكّن الحواسيب وغيرها من الآلات القابلة للبرمجة على محاكاة الذكاء البشري في القدرة على الفهم والإدراك وربط الأسباب ببعضها البعض والتعلم والتفاعل مع بيئتها، والتكيف مع التغيرات لحل المشكلات بشكلٍ إبداعي. وقد تطور الذكاء الاصطناعي بشكل كبير في السنوات الأخيرة، وأجريت الكثير من الأبحاث العلمية المتعلقة بتقنياته مع التركيز على النماذج اللغوية الضخمة Large Language models التي مكنت الحواسيب من التفاعل بسهولة مع البشر وفهم لغتهم بشكل أفضل، هذا فتح الباب على مصراعيه لظهور أمثلة على الذكاء الاصطناعي المتطور القادر على التفاعل مع البشر إجراء محادثات ذكية معه بلغتهم، مثل تطبيق المحادثة الذكي ChatGPT الذي استحوذ على نسبة كبيرة من سوق أدوات الذكاء الاصطناعي. ولم يقتصر هذا التطور فقط على قدرات الذكاء الاصطناعي اللغوية، بل شمل أيضاً القدرات البصرية والقدرة على إنشاء محتوى جديد ما أكسبه نوعاً من الإبداع، فيمكنك بمجرد وصف الصورة التي في مخيلتك، وكتابة هذا الوصف للنموذج التوليدي على هيئة مُوجّه (prompt) الحصول على صورة احترافية إبداعية قريبة مما تخيلته وربما تتجاوز توقعاتك في غضون ثوانٍ! فالآلات اليوم باتت ذكية جدًا وقادرة على فهم المعاني وراء الكلمات والنصوص، كما أنها واستخراج المعلومات من البيانات البصرية كالصور ومقاطع الفيديو بل وحتى إنشاء المحتوى المكتوب والمرئي والمسموع بجودة جيدة وتتحسن بشكل سريع للغاية. وبفضل الاستثمارات الضخمة التي تحاول ضمان حصة قوية في سوق الذكاء الاصطناعي فإن هذا التخصص في حالة تطور متسارع، حتى أنه يعد اليوم أحد أسرع التقنيات نموًا ويتوقع أن يزداد نموه، وتزاد أهميته والاعتماد عليه في المستقبل. دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن دعنا نستعرض تاليًا أهم الأمثلة على الذكاء الاصطناعي وتقنياته المطبقة في مختلف المجالات. أمثلة على تطبيقات معالجة اللغات الطبيعية بالذكاء الاصطناعي تتنوع الأمثلة على تشغيل الذكاء الاصطناعي ومجالاته المختلفة في مختلف القطاعات، ومن أبرز هذه المجالات معالجة اللغات الطبيعية Natural Language Processing (NLP)‎ التي تعني فهم الآلات للغة البشرية وقدرتها على معالجتها ويفيد تطبيق هذا المجال في العديد من المهام المتعلقة بمعالجة النصوص أو الكلام البشري كتحليل المشاعر للنصوص المكتوبة، وتلخيص الفقرات الطويلة، وإنتاج أو توليد محتوى نصي، وفهم الأسئلة والإجابة عليها، والترجمة الآلية للنصوص وغير ذلك من الأمثلة. كل ما نحتاجه هو إدخال موجه (prompt) يتضمن وصف للمهمة التي نريدها من النموذج لنحصل على النتائج كما لو أن بشريًا ينتجها. وبهذا يمكن الاستفادة من القدرات اللغوية القوية لنماذج الذكاء الاصطناعي الحالية في تطوير أنظمة محادثات ذكية قابلة للتطبيق في مجالات كثيرة ومتنوعة، مثل خدمة العملاء والرد على استفساراتهم بمرونة وفاعلية. أمثلة على تطبيقات الرؤية الحاسوبية بالذكاء الاصطناعي تعد الرؤية الحاسوبية Computer Vision من المجالات المتقدمة للذكاء الاصطناعي، وهناك الكثير من الأمثلة على الاستفادة منها مثل تصنيف الصور Image Classification بسهولة، والتعرف على الكائنات المختلفة وتمييزها في الصور object detection and recognition، وفصلها عن بعضها Image segmentation إلى مجموعات تملك سمات متشابهة، كما يمكن الاستفادة منها في تحسين جودة الصور كإزالة التشويش، أو تحسين الألوان، وكذلك في التعامل مع النماذج ثلاثية الأبعاد التي تشهد تأثيرًا كبيرًا في مختلف الصناعات. ولعل ما يميز مجال الرؤية الحاسوبية اليوم هو قدرتها على معالجة الصور والفيديوهات بسرعة ودقة، واستغلال التطور في المجالات الأخرى للذكاء الاصطناعي مثل معالجة اللغات الطبيعية والذكاء الاصطناعي التوليدي Generative AI في تحسين عمل خوارزميات الذكاء الاصطناعي وتمكنها من أداء مهامها مثل تحديده كائن في الصورة أو إزالته بشكل ذكي للغاية دون الحاجة لتدريب النموذج على صور جديدة ويعرف هذا الأسلوب بالتعلم بصفر أمثلة (zero-shot learning). ولعل نموذج شركة ميتا Meta المعروف باسم نموذج "افصل أي شيء يا سام Segment Anything Model SAM" من أبرز الأمثلة على التطور الكبير في مجال الرؤية الحاسوبية حيث يتيح هذا النموذج القدرة على تحليل وتفسير الصور بشكل متقدم وتحديد وفصل الكائنات بدقة، دون الحاجة لتدريبه على بيانات محددة لهذه الكائنات مسبقاً. ويمكنك تجربة استخدام هذا النموذج في هذا الموقع التجريبي. أمثلة على الذكاء الاصطناعي في التعليم لا تراعي معظم أنظمة التعلم التقليدية الفروق الفردية بين المتعلمين، وتفرض إطاراً موحداً لجميع أنواع الطلاب، وقد لا يكون هذا أفضل طريقة للتعليم، الذكاء الاصطناعي قادر على توفير عملية تعليمية بشكل مخصص مناسب للمتعلم بناءً على تفاعل الذكاء الاصطناعي مع المتعلم، فيمكنه توليد رسومات توضيحية والإجابة على أسئلة المتعلم، كما يمكنه تقييم أدائه وتقديم اقتراحات لتحسين مستواه الدراسي. ويمكن أن يساعد الذكاء الاصطناعي المعلم على تحديد نقاط الضعف في المقررات الدراسية التي يعاني الطلاب في فهمها بشكل جيد، مما يساعده على تحسين محتوى هذه المقررات بشكلٍ موجه وفعال، كما يمكن أن يوفر الذكاء الاصطناعي للمعلمين الوقت للعمل أكثر على تحسين جودة موادهم التعليمية ومحتواه ويساعد في الإجابة على كل تساؤلات الطلاب بشكلٍ فعال في أي وقت وبشكلٍ فوري. كما يمكن الاعتماد على أنظمة المساعدة الذكية (Intelligent Tutoring Systems) التي تعد أشبه بتوفير معلم خاصٍ لديه الخبرة بالمواضيع التي يتعلمها الطلاب ويجيب عن أسئلتهم ويساعدهم في إدراك المفاهيم الصعبة. وهذا قد يكون حلاً مناسباً لتعويض النقص في المعلمين في بعض البلاد والكثافة الطلابية العالية، وقد سارعت العديد من منصات التعلم على الإنترنت التي توفر مواد تعليمية وتدريبية إلى دمج أنظمة ذكاء اصطناعية لتحسن تجربة التعلم على منصاتها ووفرت نظام محادثة ذكي يستطيع الإجابة على أسئلة الطلاب المختلفة ويستفيد من الأسئلة التي يطرحونها في معرفة نقاط الضعف في المحتوى التعليمي وتحسينه. فالذكاء الاصطناعي يوفر حلولاً فعالة ومنخفضة التكلفة لتحسين تجربة التعلم وأساليب التقييم، ويسهل عملية التصحيح الآلي للاختبارات ويوفر تقييمًا دقيقًا لأداء الطلبة. ومع تطور تكنولوجيا الواقع الإفتراضي والواقع المعزز سيكون الذكاء الاصطناعي قادرًا على استخدام هذا التطور لتحسين تجربة التعلم باستخدام هذه التقنيات الحديثة، فيمكنه أن يولد للمتعلم نماذج ثلاثية الأبعاد تساعد الطالب على تخيل المفاهيم التي يتعلمها، وتستخدم هذه التقنيات حاليًا في تعليم التشريح لطلاب الطب ولدراسة الجسد البشري بشكل تفاعلي مع نماذج للجسم البشري ثلاثية الأبعاد. وهناك العديد من الأمثلة الأخرى عن استخدام الذكاء الاصطناعي في مجال التعليم، ويعتقد البعض أن التطور في الذكاء الاصطناعي سوف يستبدل المعلمين لكن هذا غير دقيق، لأن العملية التعليمة نشاط يستلزم تفاعلًا بشريًا واجتماعيًا ولن يكون الذكاء الاصطناعي قادراً على التعاطف مع مشاعر الطلبة أو يمثل قدوة لهم فهو ليس سوى آلة ويقتصر دوره على مساعدة المعلم على تحسين عمله. أمثلة على الذكاء الاصطناعي في الطب يعتبر مجال الطب من المجالات الحيوية، فحياة المريض قد تتوقف على التشخيص الدقيق لحالته في الوقت المناسب، ويمكن للذكاء الاصطناعي المساعدة في تقليل الأخطاء الطبية من خلال توفير تحليلات دقيقة وموثوقة للبيانات الطبية، والاكتشاف المبكر للأمراض، ومراقبة الحالة الطبية للمريض، وتنبيه الطبيب المتابع للحالة بتقرير مفصل عن حالته الحيوية والأدوية التى يتناولها ومدى التزامه بها في المواعيد المحددة، ومن الأمثلة على الذكاء الاصطناعي في الطب الأجهزة القابلة للارتداء مثل الساعات الذكية والأسورة الإلكترونية التي تمتلك مستشعرات لقياس المؤشرات الحيوية مثل نبضات القلب وغيرها مما قد يساعد في اكتشاف أي تدهور مفاجئ في صحة المريض. أمثلة على الذكاء الاصطناعي في تشخيص الأمراض يمكن استخدام خوارزميات الرؤية الحاسوبية المتقدمة في تحليل صور الأشعة الطبية ودمجها مع نظام تقارير يستخدم معالجة اللغات الطبيعية والذكاء الاصطناعي التوليدي لتقديم تقرير مفصل عن الحالة الطبية بعد تحليل الصور والملفات الطبية للمريض. وهناك بعض الأنظمة التي تستخدم أعراض المرض لتشخيص الأمراض وتوفر قائمة بالأمراض المحتملة حيث تستطيع إدخال الأعراض المرضية ليقوم النظام بتوفير قائمة بالأمراض المحتملة وتفاصيل عنها. الذكاء الاصطناعي والروبوتات الجراحية تساعد أنظمة الذكاء الاصطناعي بدمجها مع الروبوتات المتخصصة بالقيام بعمليات جراحية في غاية الدقة، ويمكن تطوير روبوتات طبية متعددة الأغراض، قد يكون هذا حلاً مناسباً للغاية في الحالات الخطيرة للتعامل مع الأمراض المعدية والأوبئة لضمان أمان الطاقم الطبي. تستطيع الروبوتات الجراحية القيام بالعمليات من خلال فتحات صغيرة دون القيام بقطوع كبيرة بسبب قدرتها على استخدام المناظير المزودة بكاميرات والأدوات الدقيقة للقيام بالعمليات الصعبة بدقة بالغة مما يقلل من حجم الجروح ويقلل من الألم والوقت اللازم للتعافي. أمثلة على الذكاء الاصطناعي وتمكين ذوي الاحتياجات الخاصة تعد المساعدات الصوتية (مثل سيري أو أليكسا) وتطبيقات قراءة النصوص من أولى الأدوات التي ساعدت ذوي الاحتياجات الخاصة البصرية ووفرت لهم نوعاً من الاستقلالية، ومع تطور فهم الذكاء الاصطناعي للغة تطورت قدرات هذه المساعدات وبات بإمكانها فهم الحديث بشكل جيد وعرض المعلومات المهمة، كما توفرت مساعدات بصرية تترجم الكلام المنطوق إلى صور أو رسومات باستخدام لغة الإشارة لتساعد ذوي الاحتياجات السمعية. وقد تطور الذكاء الاصطناعي اليوم وأصبح بمقدوره قراءة الأفكار، عن طريق تسجيل الإشارات الكهربية التي ينتجها المخ باستخدام جهاز رصد موجات المخ الكهربية electroencephalogram EEG فيمكن تسجيل الإشارات الكهربية التي ينتجها المخ أثناء التفكير في بعض الأشياء وتكوين قاعدة بيانات، ثم تدريب نماذج التعلم الآلي على التعلم من أنماط الإشارات المختلفة التي ينتجها المخ أثناء التفكير بشيء معين، يمكن أن تتم ترجمة هذه الأفكار إلى كلمات يتم عرضها على شاشات لتساعد الغير قادرين على التواصل أو الحركة على التعبير عن أنفسهم، تواجه هذا النهج بعض التحديات مثل التشويش الناتج أثناء تسجل الإشارات الكهربية للمخ وتبحث شركة Neuralink في تطوير هذه التقنية باستخدام شرائح تزرع داخل المخ لتسجيل الإشارات بشكل أنقى، هناك العديد من المخاطر لتطوير مثل هذه التقنيات ومخاوف قد تكون في محلها، فقدرة الآلة على أن تقرأ الأفكار قد تهدد الخصوصية ومن الممكن أن يساء استخدامها. وقد تم بالفعل تجريب شرائح شركة Neuralink على البشر بشكلٍ محدود وتطوعي، فقد ساعدت الشخص الذي استخدمها على ممارسة بعض الأنشطة مثل لعب الشطرنج بالتحكم بالحاسوب الخاص به من خلال أفكاره وغيرها من الأنشطه الأخرى، لكن لاتزال هذه تقنية تجريبية وخطيرة للغاية ولكنها تعد بالكثير من الإمكانات لتمكين ذوي الاحتياجات الحركية والذهنية. أمثلة على الذكاء الاصطناعي في مجال الصيدلة يعد مجال الصيدلة وتطوير الأدوية من المجالات العلمية المتقدمة للغاية والتى تطلب مليارات الدولارات لاستثمارها للخروج بدواءٍ واحد وسنوات طويلة من البحث والدراسة للتأكد من جاهزية هذا الدواء الجديد ليستخدم من قبل البشر، بعد دراسة كافية وشاملة وتجارب عديدة لضمان أقل التأثيرات الجانبية السلبية لهذا الدواء. ويمكن استخدام الذكاء الاصطناعي في تطوير أنواع جديدة من الأدوية بتكلفة أقل وابتكار مركبات فعالة جديدة ودراسة تأثيراتها الجانبية المحتملة وفعاليتها في نظام محاكاة كما يمكن أن يساعد الذكاء الاصطناعي في توفير بيئة محاكاة لتجربة الكثير من المركّبات الدوائية واكتشاف تأثيرها على الأهداف الحيوية المختلفة إذ يصمم الدواء لاستهداف هدفٍ حيوي مثل أنواع معينة من الخلايا وتصميم هيكل المركبات العلاجية المناسبة لضمان تأثير الدواء على الهدف المحدد وتستخدم في هذه المهمة برامج المحاكاة مثل برامج تصميم هياكل الجزئيات بمساعدة الحاسوب Computer-Aided Molecular Design. وتستخدم نماذج التعلم العميق والذكاء الاصطناعي التوليدي لتصميم هياكل بروتينية جديدة قد تساهم في اختراع مركّبات دوائية فعالة، مثال على هذه النماذج آلفا فولد AlphaFold المتخصص في توقع هياكل البروتينات المختلفة، في الجدول التالي بعض الأمثلة لنماذج التعلم العميق المستخدمة في مجال الأدوية. النموذج الاستخدام AlphaFold آلفا فولد يتوقع هياكل البروتينات Chemputer الحاسب الكميائي يتوقع توافق المركبات الكيميائية مع بعضها ORGANIC عضوي أداة تساعد على توليد مركبات بخواص مرغوبة DeepTox السمية العميقة توقع سمية المركبات الدوائية DeepChem الكيمياء العميقة يساعد على تحليل التوافق الكيميائي بين المركبات المختلفة أمثلة على الذكاء الاصطناعي في التسويق وتحليل آراء العملاء استخدام الذكاء الاصطناعي في التسويق ليس بالشيء الجديد، حيث تستخدم منصات التواصل الاجتماعي البيانات الضخمة التي تمتلكها عن مستخدميها لتقوم بعرض الإعلانات الموجهة لهم بناءً على اهتماماتهم وسجلات تصفحهم، ومع تطور تقنيات الذكاء الاصطناعي زادت الطرق الممكنة لاستخدام الذكاء الاصطناعي في التسويق والإعلانات المخصصة. وتهتم الشركات اليوم بآراء عملائها وترغب دائماً في جعلهم عملاء مستمرين وضمان بقاء سمعة الشركة بشكل جيد، لذلك تحتاج الشركات لمتابعة ومراقبة أي تغير في آراء الجماهير، وهنا تساعد أدوات الذكاء الاصطناعي بتحليل بيانات مواقع التواصل الاجتماعي المختلفة والمنشورات التي تحمل كلماتٍ مفتاحية تعبر عن الشركة لفهم آراء العملاء والجماهير على هذا المنصات، فيمكن دراسة الآراء الإيجابية والسلبية عن منتجٍ معين لتحسين جودة المنتجات وضمان تجربة خدمة عملاء متميزة. كما تساعد أدوات الذكاء الاصطناعي التحليلية على متابعة أهداف الحملات التسويقية من ناحية فهم التعليقات والمشاعر التى تعبر عنها، ودراسة العوامل التي تدفع العميل لشراء منتجات الشركة، مما يساعد على تحديد استراتيجيات أفضل في التسويق والتركيز على نقاط القوة التى تهم العملاء ويبحثون عنها، كما تمكن مدير حملات التسويق من فهم أنواع العملاء بالتالي استهدافٌ أفضل. الذكاء الاصطناعي وإنشاء المحتوى التسويقي يمكن لأدوات الذكاء الاصطناعي توليد محتوى تسويقي يناسب العملاء المختلفين بناءً على تعاملاتهم السابقة والبيانات التى تملكها الشركة أو تستطيع الوصول إليها من أجل استهدافٍ فعال ومناسب لكل عميل، فبدلاً من تصميم صورة واحدة يمكن تصميم عدد من الصور تناسب أنواع مختلفة من المستخدمين واستخدام الذكاء الاصطناعي في عرض الصورة المناسبة لكل نوعٍ من العملاء، ويمكنك الاطلاع على هذا المقال لفهم كيفية استغلال هذه التقنيات بشكلٍ عملي "دليل استخدام ChatGPT API لتحسين خدماتك عبر الإنترنت " تحسين جودة خدمة العملاء باستخدام الذكاء الاصطناعي خدمة العملاء من العوامل التنافسية التي تسعى كل الشركات في تحسينها لضمان قوتها وانتشارها في الأسواق ولاكتساب عملاء دائمين، لذا سترحب الشركات بالاستثمار في أي تحسين ممكن لهذه العملية و تحسين تجربة العنلاء من خلال الذكاء الاصطناعي، ومن أمثلة هذه الأدوات أنظمة المحادثات الذكية قادرة على الرد على أسئلة العملاء المتكررة والإجابة عن أسئلتهم عن مختلف الخدمات والسلع التي تقدمها الشركة. يمكن للشركات على سبيل المثال استخدام نماذج تعلم الآلة لتوقع العملاء الذين يفكرون في إلغاء الاشتراكات ومحاولة تقديم عروض مغرية تشجعهم على البقاء مشتركين في الخدمات التي تقدمها الشركة، كما يمكن دراسة وتحديد احتياجات العملاء والمنتجات التي يبحثون عنها وتطويرها، والاستهداف الذكي باستخدام العروض المناسبة لكل عميل. أتمتة إدارة الإعلانات بالذكاء الاصطناعي أتمتة إدارة الإعلانات أو الإعلانات المبرمجة Programmatic advertising هي طريقة تسمح للشركة بشراء مساحة لعرض الإعلانات أو بيع مساحة إعلانية بشكل آلي، من مزايا هذه الطريقة الإعلانية أنها تستخدم نماذج الذكاء الاصطناعي في توقع المواقع المناسبة لعرض الإعلانات المناسبة لفئات العملاء المستهدفة بشكلٍ آلي مما يوفر التكلفة بشكلٍ كبير مقارنة بطرق التسويق العادية المحكومة بمنصة واحدة وقد لا تصل إلى الجمهور المستهدف. أمثلة على الذكاء الاصطناعي في القطاع المالي لا شك أن تقنيات القطاع المالي financial technology (fintech)‎ تعد اليوم من المجالات الهامة والأسرع نمواً، حيث نجد اليوم أمثلة متنوعة على استخدام الذكاء الاصطناعي في خدمة العملاء وأنظمة تحليل البيانات المالية واتخاذ قرارات صائبة مثل تقرير إعطاء القروض من عدمه بناء على البيانات المستخدمة من قبل نماذج الذكاء الاصطناعي لتحديد المخاطر المحتملة من إقراضهم، ومن المتوقع أن يستمر الذكاء الاصطناعي في النمو والتقدم في هذا المجال، مما يعزز من كفاءة العمليات المالية ويقلل من حدوث الأخطاء البشرية. أمثلة على الذكاء الاصطناعي في الزراعة تُستخدم تقنيات الذكاء الاصطناعي ولا سيما تقنية إنترنت الأشياء IoT في تطوير أنظمة الزراعة الذكية، فيمكن استخدام الرؤية الحاسوبية Computer Vision لاكتشاف الآفات الزراعية وأمراض النباتات ويمكن استخدام كاميرات عادية أو طائرات مسيرة تجمع الصور ومقاطع الفيديو للأراضي الزراعية، ويتم استخدام الذكاء الاصطناعي مدعوما بالبيانات التى تجمعها أدوات الاستشعار والقياس المختلفة في مراقبة نمو المحاصيل لضمان جودتها وخلو التربة أو النباتات من المشاكل التي قد تدمر المحصول أو تؤثر على جودته. الخاتمة تعرفنا في هذا المقال على بعض الأمثلة لتطبيق الذكاء الاصطناعي في مجالات مختلفة مثل التعليم والطب والتسويق والزراعة والقطاع المالي، بعد الاطلاع على هذه الأمثلة المتنوعة، يمكن التنبؤ بزيادة انتشار استخدامات الذكاء الاصطناعي في المستقبل، وتعزيز تطبيق وتشغيل قدراته في توفير حلول ذكية لأغلب القطاعات الاقتصادية والبشرية لتحسين جودة الخدمات المقدمة والتنافسية وتوفير فرصٍ عمل جديدة. نأمل أن تكون هذه المقالة ملهمةً لك للتفكير في استخدامات جديدة للذكاء الاصطناعي في مجالك، ونرحب بأن تشاركنا في التعليقات المزيد من الأمثلة والأفكار. اقرأ أيضًا تطبيقات الذكاء الاصطناعي مصطلحات الذكاء الاصطناعي للمبتدئين من هو مهندس الذكاء الاصطناعي تعرف على أهم كتب الذكاء الاصطناعي المجانية

قبل عقد من الزمن، كان مفهوم الذكاء الاصطناعي (AI) مقتصرًا على كونه تصنيفًا فرعيًّا لأفلام الخيال العلمي الذي تسيطر فيه الآلات وأنظمة الذكاء الاصطناعي المتطورة على البشر ويُنظر إليه على أنه مجرد خيال مستقبلي وليس شيئًا واقعًا يمكن التعامل معه في الحياة اليومية. أما اليوم فقد تطور الذكاء الاصطناعي وصار متاحًا للجميع، فلو سألت أي شخص اليوم ما هو الذكاء الاصطناعي فسيجيبك بأنه علم متطور يوفر العديد من التقنيات الذكية التي تتيح للآلات القيام بمهام عديدة تحتاج إلى ذكاء بشري، ويوفر أدوات عديدة تساعد البشر في إنجاز أعمالهم اليومية بأسلوب يحاكي ذكاءهم مثل التعرف على الصور، أو ترجمة المحتوى، أو تشخيص الأمراض، أو قيادة السيارات …إلخ. تطور الذكاء الاصطناعي من مساعد بسيط لمنافس للإنسان اقتصر الذكاء الاصطناعي في بداياته على بعض التطبيقات التي بدت بعيدة جدًا عن منافسة ذكاء الإنسان، مثل مساعدته في إكمال الجمل بالكلمات المتوقعة، أو توفير نماذج يمكنها لعب بعض الألعاب والتغلب على البشر فيها مثل نموذج آلفا جو AlphaGo الذي تغلب على بطل العالم لي سيدول (Lee Sedol) في لعبة جو GO عام 2016، وآلفا جو AlphaGo هو برنامج حاسوبي طُوّرته شركة DeepMind البريطانية المتخصصة في الذكاء الاصطناعي وهدفه الأساسي لعب لعبة جو المعروفة بتعقيدها واحتوائها على عدد كبير جدًا من الاحتمالات. حين تمكن حاسوب من التفوق على الإنسان في لعبة جو المعقدة للغاية التي تتضمن عدد احتمالات يفوق عدد ذرات الكون المرئي، عُدَّ هذا الأمر إنجازًا تقنيًا هائلًا وطرح الكثير من الأسئلة حول ماهية الذكاء الاصطناعي، وإلى أي مدى سيتطور الذكاء الاصطناعي؟ وهل من الممكن أن تتفوق علينا هذه التقنية التي طورناها بأيدينا؟ لقد تمكن الذكاء الاصطناعي من انتزاع الانتصار أربع مراتٍ من أصل خمس من بطل العالم الأفضل على الإطلاق في هذه اللعبة، وهذا شكل هزيمة صادمة إذ كيف لنابغةٍ في أحد المجالات أن يُهزم مرات عديدة من قبل آلة؟ لكن هل كان آلفا جو AlphaGo حقاً برنامجًا ذكياً أم مجرد برنامج حاسوبي قادر على حساب عدد كبير من الاحتمالات والتعمق فى شجرة من النقلات التى ضمنت انتصاره بسهولة؟ في النقلة ال 37 قام آلفا جو AlphaGo بلعب نقلة رابحة فرصة اختيارها 1 من 10000 وتخالف كل مبادئ البشر وطريقة تفكيرهم، وهذه الحركة التي قد لا يفكر بها أي بشري استطاعت تغيير موازين اللعبة. مصدر الصورة ما هو الذكاء الاصطناعي قبل أن نستعرض ما هو الذكاء الاصطناعي (Artificial Intelligence) من الجيد أن نعرف بداية ما هو الذكاء الطبيعي (Natural Intelligence) أو الذكاء البشري (Human Intelligence) الذي يعبر عن قدرة ذهنية ناتجة من القدرة على التعلم من التجارب، والتأقلم في المواقف الجديدة، والقدرة على استيعاب المفاهيم المجردة، وتسخير المعرفة للتفاعل مع البيئة. وتحاول أنظمة الذكاء الاصطناعي محاكاة تعريف الذكاء البشري لتتمكن من التأقلم و التعامل مع مشكلات جديدة بشكلٍ إبداعي دون برمجة حل مسبق لها في هذه الأنظمة، فَالقدرة على التعميم واستخدام ما تعلمه من مواقف سابقة لتطبيقه على مواقف جديدة ومهامٍ جديدة لم يسبق للآلة التعامل معها يجعلها تستحق وسمها بالذكاء وإن كان اصطناعيًا. يمكننا الآن أن نصل إلى تعريف الذكاء الاصطناعي بعد أن فهمنا ما الذي نحتاجه لوصف الآلة أنها ذكية. فالذكاء الاصطناعي هو تقنية متطورة تُمكِّن الحواسيب والآلات من محاكاة الذكاء البشري في القدرة على الفهم والإدراك، وربط الأسباب ببعضها البعض، والتعلم والتفاعل مع بيئتها بشكل متكيف مع التغيرات لحل المشاكل بشكلٍ إبداعي. يمكننا أن نستخلص مما سبق عدة مفاهيم ينبغي أن تتصف بها أو تملكها الأنظمة الحاسوبية حتى توصف أنها أنظمة ذكية: القدرة على التعلم. القدرة على الإبداع. القدرة على التطور و تعميم التعلم. القدرة على الإدراك. القدرة على الفهم. القدرة على ربط الأسباب. نبذة عن تاريخ تطور الذكاء الاصطناعي في عام 1950، بدأ وضع معايير لتحديد ما هو الذكاء الاصطناعي من خلال اختبار تورينغ Turing test الذي يهدف إلى تحديد إذا كانت الآلة حقاً تتمتع بالذكاء وهو اختبار قائم على قدرة الآلة الذكية أن تجري محادثةً بشكل طبيعي فيظن المختبر أنه يتحدث مع إنسان وليس آلة، لكن لم يستطع آلان تورينغ Alan turing تطبيق مفهومه في ذلك الوقت، فقد كانت القوة الحاسوبية والتخزينية في ذلك الوقت محدودة للغاية وباهظة التكاليف. في عام 1956 عُقد مؤتمر دارتموث الأول للبحث في الذكاء الاصطناعي (Dartmouth Summer Research Project on Artificial Intelligence) الذي ظهر فيه مصطلح الذكاء الاصطناعي بشكل علمي لأول مرة وعُدّ هذا المؤتمر الحدث التأسيسي الذي أطلق تخصص الذكاء الاصطناعي كمجال علمي قائم بذاته. وشهد الذكاء الاصطناعي فترة ازدهار بين عامي 1957 و عام 1974 نظرًا لتطور القدرات الحاسوبية والتخزينة وإتاحتها بشكل أكبر للعامة، وكانت هذه فترة التوقعات المتفائلة بشأن إمكانات الذكاء الاصطناعي، لكن النتائج لم تقابل التوقعات مما أدى إلى فترة ركود في تطور الذكاء الاصطناعي. في الثمانينيات عاد هذا المجال مجدداً للظهور نظرًا للتطور الملحوظ الذي حدث في خوارزميات تعلم الآلة، وبداية ظهور مفهوم التعلم العميق (Deep learning) الذي اقترح تنفيذ مهام الذكاء الاصطناعي بشكل مشابه للطريقة التي يعمل بها الدماغ البشري، لكن لم يدم هذا التطور لفترة طويلة فمازالت القدرات الحاسوبية وكمية البيانات المتوافرة لا تواكب الآمال المرجوة. لاحقًا في فترة التسعينات والألفية الجديدة عاد الذكاء الاصطناعي للساحة، وتحققت الكثير من التطورات والقفزات العلمية في الذكاء الاصطناعي في تلك الفترة، وسبب هذا التطور المتسارع هو التطور الهائل الحاصل في القدرات الحاسوبية والتخزينية التي مكّنت من الاستفادة من خوارزميات الذكاء الاصطناعي المتاحة لأقصى درجة ممكنة. وفي العصر الحالي أصبح الذكاء الاصطناعي من أكثر المجالات البحثية نمواً، وشهد سوق الذكاء الاصطناعي تطورًا متسارع الوتيرة، وأصبح من أكثر التقنيات طلبًا، فقدر حجم سوق تقنيات الذكاء الاصطناعي عام 2024 بحسب ستاتيستا statista بحوالي 200 مليار دولار، ومن المتوقع نمو هذا المجال والطلب عليه في السنوات القادمة ليصل إلى ما يقارب 800 مليار دولار بحلول عام 2030. يُبرز هذا التطور المستمر مدى أهمية الذكاء الاصطناعي وزيادة الاعتماد عليه في مختلف جوانب حياتنا اليومية، ويؤكد على دوره الحيوي في رسم ملامح المستقبل، وتغيير طريقة تنفيذ أعمالنا اليومية وتفاعلنا مع العالم. دورة الذكاء الاصطناعي احترف برمجة الذكاء الاصطناعي AI وتحليل البيانات وتعلم كافة المعلومات التي تحتاجها لبناء نماذج ذكاء اصطناعي متخصصة. اشترك الآن ما هي تصنيفات الذكاء الاصطناعي بعد أن تعرفنا على ماهية الذكاء الاصطناعي وتطوره وما المتوقع من الأنظمة الذكية أن تتسم به، لنتعرف على تصنيف الذكاء الاصطناعي وأنواعه. إذ تصنف الأنظمة الذكية بناءً على تطور قدراتها أو الوظيفة التى تحتاج القيام بها إلى عدة تصنيفات كما توضح الصورة التالية: تصنيفات الذكاء الاصطناعي حسب القوة تتفاوت قدرات الأنظمة الذكية فبعضها يتعامل مع مهام بسيطة وتكرارية لتوفير وقت الإنسان، والبعض الآخر مصمم ليتفاعل مع البشر ويقوم بطيف واسع من المهام لمساعدة الإنسان على اتخاذ القرارات، إذ يصنف الذكاء الاصطناعي بناء على قدرته على محاكاة ذكاء البشر إلى: الذكاء الاصطناعي الضعيف Weak AI الذكاء الاصطناعي القوي Strong AI لنكتشف ما هو الذكاء الاصطناعي الضعيف والقوي وما الفرق بينهما. الذكاء الاصطناعي الضعيف Weak AI الذكاء الاصطناعي الضعيف (Weak AI) المعروف أيضًا بالذكاء الاصطناعي الضيّق (Narrow AI) هو النوع الذي نتعامل معه حاليًا فهو مصمم لأداء مهام محددة أو مجموعة من المهام المرتبطة بها، لكن دون امتلاك وعي أو فهم لها، فهو محدود في نطاقه وقدراته ولا يمكنه امتلاك الإدراك أو التكيف والتفكير بشكل مستقل خارج نطاق المهام التي صمم للتعامل معها. تخيل أن لديك بوت محادثةٍ ذكي دربته كيف يتحدث مع العملاء ويجيب على أسئلتهم المتكررة، سيكون هذا البوت قادراً على فهم اللغة والصيغ المختلفة لطرح السؤال والتعامل مع أسئلة مثل "ما هي ساعات الدوام لديكم؟" أو "هل يمكنني القدوم في الساعة العاشرة لشراء هذا المنتج ؟" وإدراك أنها أسئلة عن أوقات العمل لهذا النشاط التجاري بالتالي الرد على السؤالين رغم اختلاف صياغتهما بنفس الإجابة التي توضح أوقات العمل. لكنه لن يتمكن من الدخول في نقاشات مفتوحة حول النشاط التجاري أو حول مواضيع عامة لا تخص هذا النشاط. الذكاء الاصطناعي القوي Strong AI بالمقابل يتميز الذكاء الاصطناعي القوي (Strong AI) أو ما يعرف أيضاً بالذكاء الاصطناعي العام Artificial general intelligence (AGI)‎ بتطوره وقدرته على القيام بالعديد من المهام المتنوعة بكفاءة تعادل البشر وتحاكي طريقتهم في التعامل مع أي مهمة معرفية. لم تصل البشرية بعد إلى مستوى التعامل مع الذكاء الاصطناعي القوي (Strong AI) الذي يحاكي جميع القدرات البشرية الذهنية. ورغم التقدم الكبير في ماهية الذكاء الاصطناعي وتطور خوارزمياته ونماذجه التي تمكنت من الوصول إلى قدراتٍ مقاربة للبشر وربما تفوقت عليها في بعض المجالات المحددة، إلا أن هذه الأنظمة لا تزال تفتقر إلى الفهم والوعي العامين اللذين يميزان عقلنا البشري. تصنيفات الذكاء الاصطناعي حسب الوظيفة تصنف الأنظمة الذكية حسب الوظيفة ودرجة التعقيد إلى أربعة مستويات، وتتطور تدريجيًا من الأنظمة البسيطة إلى أنظمة أكثر تعقيدًا وأقرب إلى الذكاء البشري وهي كالتالي: الآلات التفاعلية Reactive machines الأنظمة محدودة الذاكرة Limited memory أنظمة نظرية العقل Theory of mind أنظمة الوعي الذاتي Self-awareness لنوضح كل مستوى من هذه المستويات والوظائف التي يمكن القيام بها في كل منها. الآلات التفاعلية Reactive machines هي أنظمة ذكية لا تحتاج لامتلاك ذاكرةٍ للقيام بحل المشكلة التي تواجها، على سبيل المثال عند تصميم نظام ذكي يلعب الشطرنج، سيتحتاج هذا النظام للتعامل مع الموقف المعطى له فقط، وقد يكون هذا الموقف من منتصف المباراة ولكنه يستطيع تقييم الرقعة وقوة تمركز القطع واختيار نقلة تعظم من المكاسب أو تختار موقع استراتيجي بناءً على الموقف الحالي فقط . الأنظمة محدودة الذاكرة Limited memory هي الأنظمة الذكية التي تحتاج إلى تخزين البيانات بشكل مؤقت لاستخدامها في اتخاذ القرارات، فمثلًا عند تصميم نظام ذكي قادر على قيادة السيارات ذاتياً فأنت بحاجة لجمع بياناتٍ عن الطريق واللافتات المرورية والإشارات والسيارات الأخرى القريبة منك ليقوم النظام بالتحكم بالسيارة اعتماداً على البيانات الحالية والموقف الحالي، لن يكون النظام بحاجة للاحتفاظ بمعلومات عن السيارات التي ليست فى نطاق رويته أو سلكت طرقاً أخرى، فهذه الأنظمة تجمع البيانات بشكل مستمر لاتخاذ القرارات بشكلٍ فوري ولا تحتفظ سوى بما يلزم للتعامل مع الموقف الحالي. أنظمة نظرية العقل Theory of mind هي الأنظمة الذكية المتطورة التي تحتاج إلى فهم الأفكار والمشاعر والتفاعل الإجتماعي للقيام بوظيفتها، يمكن اعتبار روبوت المحادثة الذكي ChatGPT نظاماً قادرًا على فهم السياق من النص المرسل له ومعرفة المشاعر وراء تلك الكلمات بدرجة لا بأس بها، فهو قادر على استنتاج الأنماط المرتبطة بمشاعر معينة، لكنه لازال آلة غير قادرةٍ على التعاطف أو الشعور بتلك المشاعر. أنظمة الوعي الذاتي Self-awareness هي أنظمة ذكاء اصطناعي تحتاج إلى فهم المشاعر وتكوين وعي ذاتي للقيام بوظيفتها واتخاذ قرارات بناءً على هذا الوعي وتبريرها، في الوقت الحالي لا توجد أنظمة ذكاء اصطناعي تمتلك وعيًا ذاتيًا حقيقيًا كالبشر، ولكن هناك أبحاث تجري في هذا المجال، فهناك ورقة بحثية نشرت هذا العام بعنوان التعلم من خلال الشرح الذاتي Learning by Self-Explaining اقترحت طريقة تُمكّن أنظمة المحادثات الذكية من تبرير إجابتها بل وحتى انتقادها في سبيل تحسين الردود التي تنتجها. تخصصات الذكاء الاصطناعي لقد تطورت مجالات الذكاء الاصطناعي وتشعبت فروعه وتخصصصاته ولعل أبرزها: 1. تعلم الآلة Machine Learning هو تخصصٌ فرعي من الذكاء الاصطناعي يعني قدرة الآلات على التعلم من خلال البيانات دون برمجتها بشكلٍ مباشر للقيام بمهمة معينة، ويتضمن تعلم الآلة تطوير خوارزميات يمكنها تحليل البيانات واستكشاف الأنماط الموجودة فيها لتكوين معرفة يمكن تعميمها على مهامٍ أخرى. تصنف مهام تعلم الآلة حسب البيانات المستخدمة في التعلم، فإن كانت البيانات المتاحة لديك موسومة Labeled تصبح مهمة التعلم مشرف عليها بشكلٍ آلي وتسمى التعلم مع إشراف Supervised learning حيث يتم استخدام الوسم الموجود في البيانات المستخدمة لتدريب النموذج في تقيم مخرجاته، وأما إن لم تكن البيانات المتاحة للتعلم موسومة تصبح مهمة التعلم دون إشراف Unsupervised learning حيث يحاول النموذج تعلم الأنماط الموجودة في البيانات وتجميع المتشابه منها فيما يعرف بالمجموعات أو العناقيد Clusters. لنفترض أن لديك مجموعة من صور القطط والكلاب وترغب في بناء نموذج تعلم آلة قادر على التفريق بين القطط والكلاب، فوسم البيانات سيكون له تأثير في تحديد نوع خوارزميات التعلم المستخدمة في هذه المهمة، إن استخدمت صورًا موسمة للقطط والكلاب بحيث تكون كل صورة مرفقٌ معها تصنيفها في عملية التدريب فصور القطط ستحمل الوسم قط، بينما صور الكلاب ستحمل الوسم كلب، بالتالي تكون عملية التعلم هنا بإشراف بإستخدام هذه الوسوم، فعندما يقوم النموذج بتوقع الصورة على أنها قط يقارنها بوسمِها الحقيقي لتقييم صحة إجابات النموذج وتحسينها. على النقيض إن قمت فقط بإعطاء النموذج التعلمي البيانات بدون تحديد وَسْم، فَسيتعلم الأنماط المشتركة للقطط ويتعلم أنها مجموعة أو عنقود Cluster منفصل وبالمثل للكلاب فَالمهمة هنا هو معرفة الأنماط المشتركة لكل مجموعة وعددها. 2. التعلم العميق Deep Learning هو تخصص فرعي من تعلم الآلة يتميز باستخدامه الشبكات العصبية الاصطناعية (ANN)‎ التي تحاكي طريقة عمل الدماغ البشري في معالجة البيانات، وتتميز خوارزميات التعلم العميق بقدرتها على الاستفادة من البيانات الضخمة لتحسين جودة نماذج تعلم الآلة، ويرجع هذا لقوة الشبكات العصبية الاصطناعية على تعلم أنماط أكثر تعقيداً من خوارزميات التعلم الآلي التقليدية، بحيث تصل خوارزميات التعلم التقليدية غير المعتمدة على الشبكات العصبية الاصطناعية إلى مرحلة ركود لا تستطيع فيها تعلم أي شيءٍ جديد من البيانات وتواكب تعقيد المشكلة التي أمامها، فالأمر هنا لا يتعلق بجودة البيانات إنما بقدرة الخوارزمية على تعلم الأنماط المعقدة الموجودة في البيانات الضخمة. يقارن الرسم أعلاه بين أداء خوارزميات التعلم التقليدية وخوارزميات التعلم العميق في عدة نقاط عندما يتوفر لديك مقدار قليل من البيانات عليك استخدام التعلم الآلي التقليدي، لأن خوارزميات التعلم العميق تحتاج لحجم بيانات أكبر لتعطى نفس الدقة و الأداء. تصل خوارزميات التعلم التقليدي إلى مرحلة ركود في التعلم أو تطور تطفيف بالرغم من استخدام حجم بيانات أكبر ولا تتمكن من مواكبة تعقيد المشكلة. تتفوق خوارزميات التعلم العميق عندما توفر لها حجمًا هائلًا من البيانات، فكلما استخدمت بياناتٍ أكثر فيها كلما تمكنت من تحقيق أداءٍ أفضل. 3. التعلم المعزز بالتجربة Reinforcement learning هو نوع من مهام تعلم الآلة قائم على التعلم بالتجربة والتفاعل مع البيئة المحيطة، تتفاعل الأنظمة الذكية المدربة بهذه الطريقة مع بيئتها بشكل عشوائي في البداية وبناءً على هذا التفاعل تتوقع الآلة الحصول على مكافأة أو عقوبة، إذ نكافئ النظام على سلوكه اتجاهاً معيناً يضمن له أداءاً أفضل، ونعاقبه على القرارات التي لا ينجز فيها المهمة الموكلة إليه بشكل صحيح. ينتشر استخدام هذا النوع من التعلم الآلي في مجال الروبوتات Robotics وفي ألعاب الذكاء الاصطناعي والواقع الافتراضي وفي أنظمة المحاكاة حيث توجد بيئة يمكن للنظام التفاعل معها. 4. الرؤية الحاسوبية Computer Vision هي أحد المجالات الرئيسية في الذكاء الاصطناعي، حيث تهدف لتعزيز الآلات والأنظمة الحاسوبية بالقدرة على التعامل مع المحتوى البصري مثل الصور ومقاطع الفيديو، ويستخدم هذا المجال تعلم الآلة والتعلم العميق بشكلٍ خاص لتحليل البيانات البصرية الضخمة وتعلم الأنماط المرئية من أجل تمييز هذا النوع من المحتوى وفهمه، وتطبيقات الرؤية الحاسوبية كثيرة للغاية ولعل أبرزها أنظمة تحديد الوجوه والتعرف عليها، وأنظمة تحليل الأشعة الطبية وتشخيص الأمراض. وتعد الشبكات العصبية الالتفافية Convolution Neural Networks أو اختصارًا CNN أحد الأسباب التي ساهمت في تطور هذا المجال فهي تتميز بقدرتها الآلية على استخراج الأنماط الهامة وتعلم أي الأنماط البصرية تحتاج إلى التركيز عليها حتى تمتلك القدرة على التفريق بين الصور، وقبل اختراع هذا النوع من الشبكات العصبية كان على المطورين استخراج المعلومات البصرية والأنماط من الصور بشكل شبه يدوي. 5. معالجة اللغات الطبيعية معالجة اللغات الطبيعية Natural Language Processing‎‎ أو ‎اختصارًا NLP هي أحد التطبيقات الشائعة للذكاء الاصطناعي، وهي مجال حيوي أيضًا ويعتمد على تعلم الآلة والتعلم العميق لبناء فهم جيد للغات الطبيعية والقدرة على التعامل معها. من التطبيقات الشائعة لمعالجة اللغات الطبيعية أنظمة المحادثة الذكية مثل ChatGPT ونماذج التعلم اللغوية الضخمة Large Language Models أو اختصارًا LLMs التي تّدرّبُ مسبقاً على بيانات ضخمة لتمتلك فهماً مبدئياً للغة يُمكَّنها من القيام بمهام لغوية متعددة، نذكر منها تلخيص الفقرات الطويلة والإجابة على الأسئلة والترجمة الآلية وتحليل المشاعر في النصوص، والعديد من التطبيقات الأخرى. الذكاء الاصطناعي التوليدي Generative Artificial Intelligence يتميز الذكاء الاصطناعي التوليدي Generative AI بقدراته الإبداعية وقدرته على إنتاج وإبتكار نصوص جديدة ووسائط أخرى مختلفة كالصور والأصوات ومقاطع الفيديو بناءً على الأنماط التي تعلمها من كميات كبيرة من البيانات. وهو يختلف عن أنظمة الذكاء الاصطناعي التقليدية التي تعتمد على التصنيف أو التنبؤ بناءً على البيانات المدخلة. ذاع صيت الذكاء الاصطناعي التوليدي اليوم لما يتميز به من قدرات فريدة في توليد محتوى إبداعي يشبه المحتوى المولد من قبل البشر، وأصبح له تطبيقات عديدة ككتابة المحتوى التسويقي، وتأليف القصص، وتصميم الصور، وكتابة الشيفرات البرمجية، وغيرها من المهمام التي سرعت إنتاجية البشر. تحديات تطور الذكاء الاصطناعي وحلول مقترحة لنختم المقال بتسليط الضوء على بعض التحديات والتساؤلات المرتبطة بالذكاء الاصطناعي وآفاقه المستقبلية. تهديد الذكاء الاصطناعي للوظائف البشرية لدى الكثير من الأشخاص تخوف من تطورالذكاء الاصطناعي وتساؤلات حول قدرته على استبدال الوظائف البشرية، بكل تأكيد سيغير الذكاء الاصطناعي الطريقة التي تعمل بها الكثير من الوظائف في الوقت الحالي، ليس بشكلٍ مدمر ولكن بشكل مساعدٍ للبشر، فبينما من المرجح اختفاء بعض الوظائف أو تأثرها فممن المؤكد أن الذكاء الاصطناعي سيوفر فرص عملٍ أخرى، شأنه شان العديد من الثورات الصناعية والتقنية على مر التاريخ. الاحتيال والتزوير باستخدام الذكاء الاصطناعي من التحديات الخطيرة التي تواجه الذكاء الاصطناعي استخدامه في عمليات الاحتيال أو التزوير، فيمكن بكل سهولة استخدام تقنية التزييف العميق Deep fake من أجل انتحال شخصية أحد الأشخاص، يمكن مكافحة هذه الجرائم بعدة طرق منها استخدام الذكاء الاصطناعي نفيه لاكتشاف التزييف و تشريع قوانين تضمن حماية الأفراد من الاحتيال. تحيّز الذكاء الاصطناعي قد تعاني بعض أنظمة الذكاء الاصطناعي من التحيز المقصود أو غير المقصود، على سبيل المثال عند بناء أنظمة التعرف على الوجوه وتدريبها على بيانات لصور وجوه بشرية بيضاء البشرة فقط، فلن تكون قادرة على العمل بكفاءة للتعرف على وجوه مختلفة الملامح والألوان، ولمنع تحيز الذكاء الاصطناعي ينبغي الاهتمام بتطويره وتحسين جودة البيانات التي يعتمد عليها للتدريب وجمع بيانات كافية تعبر عن كل الفئات المستهدفة. احتكار تقنيات الذكاء الاصطناعي هناك مخاوف من سيطرة بعض الدول على تقنيات الذكاء الاصطناعي مما سيؤدي إلى تحيز مقصود، فمعظم الأشخاص تستخدم إجابات الذكاء الاصطناعي كأنها شيء مُسلَّم به، لكن الكثير من ردود الذكاء الاصطناعي ليست صحيحة بشكل كامل وأحياناً تكون خاطئة، ولتحسين جودة الإجابات ودقتها يجب دعم الإجابات بمصادر خارجية تؤكد صحة المعلومات، واعتماد تقنية تسمى توليد الإجابات المعززة بالحقائق Retrieval-augmented generation أو (RAG)‎ اختصارًا. الخلاصة تعرفنا في هذا المقال ما هو الذكاء الاصطناعي واستعرضنا مراحل تطوره حتى وصل لهذه القوة والانتشار، وناقشنا أهم تصنيفات الذكاء الاصطناعي وتخصصاته، وختمنا المقال بالحديث عن بعض التحديات والمخاوف المرتبطة بتطور الذكاء الاصطناعي في المستقل وتأثير الاعتماد المتزايد عليه في تنفيذ أعمالنا ومهامنا البشرية. نرجو أن يكون هذا المقال قد قدم لك إجابات شاملة حول ماهية الذكاء الاصطناعي ووضح له أهم المفاهيم والتخصصات المرتبطة به. وإذا كان لديك أي أسئلة أو استفسارات حول ما ورد في المقال، فلا تتردد في كتابتها في قسم التعليقات أسفل المقال. اقرأ أيضًا أساسيات الذكاء الاصطناعي: دليل المبتدئين تعلم الذكاء الاصطناعي: دليل شامل تعرف على أفضل دورات الذكاء الاصطناعي تعرف على أهم مشاريع الذكاء الاصطناعي برمجة الذكاء الاصطناعي: بناء مستقبل الآلات الذكية