يتطور مجال الذكاء الاصطناعي يومًا بعد الآخر ويزداد الاهتمام بمعرفة مفاهيمه ومبادئه الأساسية وفهمهما جيدًا، وسنستعرض لكم في مقال اليوم أهم مفاهيم الذكاء الاصطناعي التي يحتاج أي مهتم بهذا الاختصاص لمعرفتها عن كثب.
أهم مفاهيم الذكاء الاصطناعي
سنناقش في الفقرات التالية العديد من مفاهيم الذكاء اصطناعي التي يُبنى عليها المجال بأكمله، والتي ينبغي على كل مهتم بتعلم الذكاء الاصطناعي فهمها ومعرفة مدلولاتها وهي:
- الذكاء الاصطناعي Artificial Intelligence
- الذكاء الاصطناعي التوليدي Generative Artificial Intelligence
- تعلم الآلة Machine Learning
- التعلم العميق Deep Learning
- الرؤية الحاسوبية Computer Vision
- معالجة اللغة الطبيعية Natural Language Processing
- بيانات التدريب Training Data
- نماذج الذكاء الاصطناعي Artificial Intelligence Models
- خوارزميات الذكاء الاصطناعي Artificial Intelligence Algorithms
- الشبكات العصبية الاصطناعية Artificial Neural Networks
- النماذج اللغوية الكبيرة Large Language Models
- الأنظمة الخبيرة Expert Systems
- علم الروبوتات Robotics
لنتعرف على كل مفهوم من مفاهيم الذكاء الاصطناعي السابقة بمزيد من التفصيل في فقراتنا التالية.
الذكاء الاصطناعي Artificial Intelligence
الذكاء الاصطناعي Artificial Intelligence أو AI اختصارًا، هو تخصص تقني يهتم بتمكين الآلات والأنظمة الإلكترونية من محاكاة طريقة البشر في التفكير وحل المشكلات، وتتمكن من معالجة المدخلات أو البيانات كما لو أن إنسانًا يعالجها، واستخراج نتائج مفيدة منها، وابتكار مخرجات جديدة بناء عليها، وتجمع هذه الأنظمة بين قدراتها الهائلة على التذكر والتنظيم مع قدرة البشر على التفكير والتحليل، لتصنع ما لا يستطيع الإنسان صنعه، وتخرج لنا بتطبيقات ذكية كانت أٌقرب للخيال العلمي.
الذكاء الاصطناعي التوليدي Generative Artificial Intelligence
الذكاء الاصطناعي التوليدي Generative AI هو نوع أنواع من الذكاء الاصطناعي جرى تدريبه على ابتكار وتوليد محتوى جديد بشكل ذاتي، كتوليد النصوص المختلفة من مقالات وقصائد، أو توليد الصور والمقاطع الصوتية وغيرها من أنواع المحتوى. وقد تتساءل كيف يتمكن الذكاء الاصطناعي من القيام بذلك والجواب هو أنه يتعلم الأنماط والقواعد من كميات البيانات الضخمة الفعلية التي تدرب عليها فتمكن بعدها من محاكاتها وتقليدها وتوليد محتوى جديد.
على سبيل المثال، إذا دربنا نظام ذكاء اصطناعي على مجموعة كبيرة من صور الطيور، فإنه سيتعلم الأنماط التي تميز الطيور عن الأشياء الأخرى وسيكون قادرًا على إنشاء صورة جديدة لطير لم يرها من قبل ولكنها تبدو حقيقية وتشبه الطيور فعلًا، ويعتمد الذكاء الاصطناعي التوليدي في هذا الأمر على مفهوم التعلم العميق الذي سنشرحه في فقرة لاحقة.
تعلم الآلة Machine Learning
تعلم الآلة Machine Learning أو ML اختصارًا هو أحد المفاهيم الفرعية الأساسية للذكاء الاصطناعي وهو يعني تمكين الآلات من التعلم من البيانات دون الحاجة إلى برمجتها مسبقًا، وتمكينها من تحسين أداءها مع مرور الوقت، وتعزيز قدرتها على اتخاذ القرارات وإجراء التنبؤات وأداء المهام بالاعتماد على تلك البيانات.
على سبيل المثال، إذا أردنا تدريب نظام للتعرف على محتوى الصور، فعلينا تغذيته بصور تحتوي على أشياء مختلفة مثل صور الأشخاص والسيارات والحيوانات وغيرها، وسيتعلم هذا النظام بعد التدريب كيف يميز محتوى الصور، وكلما زادت كمية وجودة البيانات المقدمة لها النظام، كلما تحسن أداؤه مع مرور الوقت.
ويوجد ثلاثة أنواع من لتعلم الآلة وهي:
1. التعلم تحت إشراف Supervised Learning
وفيه تتدرب خوارزميات الذكاء الاصطناعي على مجموعات بيانات مصنفة ومنظمة، أي مجموعات بيانات تحتوي على أمثلة للمدخلات والمخرجات التي يُفترض أن تنتجها الخوارزمية بناء على هذه المدخلات. فمثلًا إذا أردنا تطوير خوارزمية للتفريق بين القطط والكلاب باستخدام أسلوب التعلم مع إشرافٍ فإننا نعطي الخوارزمية مجموعة بيانات تحتوي على صور قطط تحت تصنيف أو وسم بعنوان قطط، وصور كلاب تحت تصنيف بعنوان كلاب، ثم نسمح للخوارزمية بتحليل الصور ومعرفة سبب تصنيفها، وبالتالي التعرف على صفات الكلاب والقطط، فإذا ما انتهت الخوارزمية من التدرب يمكن أن نعطيها بعد ذلك صورًا جديدة لكلاب وقطط لم تتدرب عليها من قبل، ونسألها إذا ما كان في الصور كلب أم قطة، فإن أجابت الخوارزمية بدقة فقد نجحنا، وأما إذا لم تكن إجابات الخوارزمية دقيقة فنحن حينئذ بحاجة إلى تدريبها على مجموعات بيانات أكبر، أو إلى تعديل الخوارزمية لزيادة دقتها.
2. التعلم بدون إشراف Unsupervised Learning
يختلف التعلم بدون إشراف عن التعلم تحت إشراف في أن الخوارزميات تتدرب على مجموعات بيانات غير مصنفة أو موسومة، ويعمل نموذج الذكاء الاصطناعي بنفسه على تصنيفها تلقائيًا بناء على أوجه التشابه والاختلاف بين البيانات، فمثلًا عند تطوير نموذج ذكاء اصطناعي للتعرف على أنواع الأشجار فإننا لا نزود النموذج بأسماء الأنواع، ولا نصنف الأنواع في مجموعة البيانات، وإنما نعطي للنموذج صورًا لهذه الأنواع فقط، فيبدأ في تصنيف الأشجار ضمن فئات استنادًا إلى أشكالها وأحجام أوراقها والخصائص المشتركة بينها، ويشيع استخدام هذا النوع من التعلم في المهام المعقدة التي تتطلب تصنيفًا وترتيبًا لكميات كبيرة من البيانات غير المنظمة.
التعلم المعزز Reinforcement Learning
يعتمد التعلم المعزز على مبدأ التجربة والخطأ والمكافأة، إذ تتخذ الخوارزمية قرارات فتُمنح مكافأة عند اتخاذها قرارًا صحيحًا وعقابًا عند الخطأ، فتتعلم من هذا الخطأ، مما يعزز من فرصها لتحقيق النتائج الصحيحة، ويُستخدم التعلم المعزز بشكل واسع في ألعاب مثل الشطرنج، حيث تُدرّب برامج الشطرنج مثل ستوك فيش Stockfish وألفا زيرو AlphaZero عبر لعب ملايين المباريات ضد نفسها، ومن خلال التجربة والخطأ وتلقي المكافآت، تتمكن هذه البرامج من استيعاب قواعد الشطرنج بالكامل وتعلم كيفية اتخاذ أفضل القرارات وحساب جميع الاحتمالات دون الحاجة إلى تدخل بشري.
التعلم العميق Deep Learning
التعلم العميق Deep Leaning هو فرع متقدم من تعلم الآلة يركز على حل المشكلات المعقدة والتعامل مع البيانات الضخمة Big Data. يعتمد في عمله على مفهوم الشبكات العصبية الاصطناعية التي تعمل بشكل مشابه لعمل دماغنا البشري. ومن أبرز استخدامات التعلم العميق الرؤية الحاسوبية Computer Vision التي تمكًن الآلات من فهم الصور ومقاطع الفيديو والتعرف على الأشياء الموجودة فيها.
الرؤية الحاسوبية Computer Vision
يعد مفهوم الرؤية الحاسوبية Computer Vision من مفاهيم الذكاء الاصطناعي المهمة التي تهدف إلى تمكين الحواسيب والأنظمة من استخراج معلومات ذات معنى من الصور الرقمية ومقاطع الفيديو والمدخلات البصرية الأخرى، ثم اتخاذ إجراءات أو تقديم توصيات عند ملاحظة مشكلات أو عيوب في هذه المدخلات، وتتضمن تطبيقات الرؤية الحاسوبية أنظمة التعرف على الوجوه والأشياء وأنظمة السيارات ذاتية القيادة.
معالجة اللغة الطبيعية Natural Language Processing
يشير مفهوم معالجة اللغة الطبيعية Natural Language Processing أو NLP اختصارًا إلى قدرة الآلات على فهم لغتنا البشرية مثل العربية والإنجليزية والألمانية سواء كانت لمكتوبة أو منطوقة، وذلك من خلال استخدام تقنيات متقدمة كالتعلم العميق، وبهذا تتمكن الآلات من التفاعل معنا نحن البشر بلغتنا وتؤدي لنا المهام المختلفة مثل تحليل النصوص وتصنيفها وتلخيص النصوص الطويلة وترجمتها من لغة إلى أخرى والإجابة على الأسئلة وغيرها من المهام التي من شأنها تحسين التواصل بيننا نحن البشر وبين الآلات من حولنا.
تعتمد معالجة اللغة الطبيعية على عدة مفاهيم في عملها أهمها الترميز Tokenization، وهو تقسيم النص إلى كلمات أو رموز Tokens، والتحليل النحوي Parsing لتركيب الجمل، والتحليل العاطفي Sentiment analysis لفهم العواطف والمشاعر في النصوص وهي تُستخدم في العديد من المجالات، مثل تحليل الأخبار والتقارير المالية، وخدمة العملاء لتوفير دعم فوري عبر روبوتات الدردشة.
بيانات التدريب Training Data
يقوم مجال الذكاء الاصطناعي من أبسط أشكاله إلى أعقدها على بيانات التدريب Training Data، فالبيانات هي الوقود الذي تتغذى عليه نماذج الذكاء الاصطناعي، وهي التي تعلمه كيفية التعرف على الأنماط وإجراء التوقعات. على سبيل المثال، إذا كان لدينا الكثير من الصور لأنواع مختلفة من الطيور ودربناه عليها، سيتعلم نموذج الذكاء الاصطناعي تدريجيًا كيفية تمييز الأنماط في هذه الصور ويتعرف على الخصائص والسمات المشتركة التي تمير الطيور، ويصبح قادرًا مع مرور الوقت على تحديد نوع الطائر في صورة جديدة لم يسبق له أن رآها أو تدرب عليها.
نماذج الذكاء الاصطناعي
يعد نموذج الذكاء الاصطناعي AI Model برنامج أو أداة جاهزة دُرّبت مسبقًا على كم هائل من البيانات في مجال محدد لتكون قادرة على حل مشكلات أو أداء مهام معينة بدون الحاجة إلى برمجة كل خطوة يدويًا، حيث يمكن لهذه النماذج التنبؤ بما بالقرارات المستقبلية وإيجاد الحلول لمشكلات معينة بناء على خبرتها السابقة، فمثلًا لو أعطينا نموذج ذكاء اصطناعي بيانات عن الطقس ودرجة الحرارة والرطوبة لعدد كبير من الأيام فسيتمكن النموذج من التنبؤ بطقس اليوم التالي بناء على الأنماط التي تعلّمها من البيانات السابقة، ولو دربناه على عدد كبير من الأكواد البرمجية فسيتمكن من فهم الأنماط البرمجية وتقديم اقتراحات لحلول برمجية أو حتى كتابة كود جديد لحل مشكلة معينة، كما الحال مع نموذج GitHub Copilot مثلًا، ولو دربناه على مجموعات متنوعة من البيانات العامة فسيتمكن من الرد على الأسئلة في مجالات متعددة كنموذج ChatGPT.
خوارزميات الذكاء الاصطناعي
إذا اعتبرنا أن نموذج الذكاء الاصطناعي حل جاهز يمكن استخدامه لإجراء التنبؤات وأداء المهام بناء على التدريب الذي تلقاه. فإن الخوارزميات هي التي تعلّم هذا النموذج كيف يقوم بمهامه، لذا يمكن القول أن خوارزميات الذكاء الاصطناعي هي دستور نماذج الذكاء الاصطناعي، فكلمة خوارزمية ما هي إلا مجموعة من الخطوات والقواعد المتبعة لحل مشكلة محددة أو تنفيذ مهمة، وخوارزميات الذكاء الاصطناعي هي من يحدد لنموذج الذكاء الاصطناعي طريقة التعامل مع البيانات المدخلة له، وتودهه لكيفية استكشاف الأنماط في هذه البيانات وتحليلها لتقديم النتائج أو التنبؤات الصحيحة. ومن الأمثلة على خوارزميات الذكاء الاصطناعي نذكر:
- خوارزمية الانحدار الخطي Linear Regression التي تتوقع القيم العددية بناءً على علاقة خطية بين المتغيرات
- خوارزمية أشجار Decision Trees التي تتخذ القرارات من خلال تقسيم البيانات إلى مجموعات فرعية بناء على سمات معينة
- خوارزمية الجار الأقرب K-Nearest Neighbors لتصنيف البيانات بناء على أقرب الجيران في فضاء البيانات
- خوارزمية الدعم الآلي للمتجه Support Vector Machines لتصنيف البيانات وتحديد الفئات بناءً على خطوط فاصلة بين الفئات المختلف
تعتمد هذه الخوارزميات على أساليب مختلفة لمعالجة البيانات وتعلم الأنماط، وهي تشكل الأساس الذي يبني عليه الذكاء الاصطناعي ليحقق النتائج المطلوبة.
الشبكات العصبية الاصطناعية Artificial Neural Networks
يمكن اعتبار الشبكة العصبية نوعًا من أنواع نماذج أو خوارزميات تعلم الآلة، وتصميمها مستوحى من تصميم الدماغ البشري، وهي أكثر تعقيدًا من الخوارزميات التقليدية، لذا تدخل الشبكات العصبية عادة في بناء نماذج الذكاء الاصطناعي التي تتعامل مع بيانات معقدة، مثل نماذج الرؤية الحاسوبية ونماذج التعرف على الأصوات، وتستفيد هذه الشبكات من البيانات، كما أنها تتعلم من الأخطاء السابقة لتحسن دقة قراراتها بمرور الوقت، وتُستخدم مفاهيم الشبكات العصبية في العديد من المجالات مثل تصنيف الصور والنصوص، وكذلك التنبؤ بأسعار الأسهم ودرجات الحرارة وغيرها من المجالات والتطبيقات.
تُبنى الشبكات العصبية من وحدات بسيطة تسمى العقد أو الخلايا العصبية وتنظم على هيئة عدة طبقات مترابطة فيما بينها وهي:
- طبقة الدخل التي تستقبل البيانات وتمررها إلى الطبقة التالية
- الطبقات المخفية التي تحلل البيانات وتعالجها بعمق وقد تحتوي الشبكة على عدة طبقات مخفية تحاول كل طبقة التعرف على نمط معين في البيانات
- طبقة الخرج التي تعرض النتيجة النهائية بعد معالجة البيانات
النماذج اللغوية الكبيرة Large Language Models
النماذج اللغوية الكبيرة Large Language Models أو LLMs اختصارًا هي نوع من نماذج الذكاء الاصطناعي المدربة على كميات ضخمة من البيانات النصية. تهدف هذه النماذج إلى فهم وتوليد اللغة البشرية بطريقة مشابهة لكيفية فهم البشر للكلمات والنصوص، فقد تدربت هذه النماذج على ملايين الجمل والنصوص من مصادر متنوعة مثل الكتب والمقالات، . هذا سمح لها بالتعلم عن قواعد اللغة وترابط الكلمات والعلاقات بين الجمل وحتى الفهم البسيط للمنطق ومكنها من التنبؤ بالكلمات التالية أو إنشاء نصوص جديدة بناء على ما تعلمته. على سبيل المثال، يمكن للنموذج اللغوي الكبير LLM الإجابة على الأسئلة وكتابة مقاطع نصية وتقديم اقتراحات لتحسين الكتابة.
ومن الأمثلة على تطبيقات النماذج اللغوية الكبيرة:
- مساعدات الكتابة مثل Grammarly التي تساعد في تصحيح النصوص
- روبوتات الدردشة الذكية مثل ChatGPT التي تستطيع التفاعل مع المستخدمين عبر المحادثات
- المساعدين الشخصيين مثل Siri وAlexa التي يمكنها تنفيذ الأوامر الصوتية
الأنظمة الخبيرة Expert Systems
تهتم الأنظمة الخبيرة Expert Systems بتطوير أنظمة متخصصة في مجال محدد لتحاكي في هذا المجال أكثر العاملين فيه خبرة، ومن ثم تساعد هذه الأنظمة المتخصصين في المجال على تسريع عملهم والإبداع فيه والابتكار، وتعتمد الأنظمة الخبيرة في عملها على قاعدة معرفية Knowledge Base تتكون من مجموعة من المعلومات والقواعد التي يستخدمها الخبراء في مجال النظام لحل المشكلات، بالإضافة إلى محرك استدلال Inference Engine لتحليل المعلومات والقواعد بالقاعدة المعرفية واتخاذ القرارات بناءً على هذه التحليلات.
علم الروبوتات Robotics
يعد مجال الروبوتات أو علم الروبوتات من المجالات سريعة التطور، ويعد أحد المجالات ذات المستقبل الباهر، ويسعى مهندسو الروبوتات إلى بناء أنظمةٍ تساعد عتاد الروبوت على استيعاب البيئة المحيطة والتعرف على الأشياء من حوله، وكذلك تنفيذ المهام المطلوبة منه بدقة وسرعة، ومن أبرز تطبيقات مجال هندسة الروبوتات روبوتات المصانع وروبوتات التنظيف وروبوتات التمريض وغيرها.
والجدير بالذكر معرفة الفرق بين الروبوتات المقصودة هنا وبين روبوتات الدردشة الذكية مثل ChatGPT فالروبوتات التي نشرحها هنا هي آلات مادية تقوم بمهامها الفعلية في العالم الواقعي باستخدام مكونات ميكانيكية وإلكترونية. أما روبوتات الدردشة الذكية فهي برمجيات رقمية تعتمد على الذكاء الاصطناعي للقيام بمهامها دون الحاجة إلى مكونات مادية.
مفاهيم واعتبارات تتعلق بالذكاء الاصطناعي
إضافة للمفاهيم الأساسية التي شرحناها سابقًا، يتضمن مجال الذكاء الاصطناعي على عدة اعتبارات ومفاهيم يجب إدراكها ومعرفة دلالتها، سنكتفي بذكر ثلاثة منهم:
لنوضح أكثر كل مفهوم من هذه المفاهيم.
تحيز الذكاء الاصطناعي AI Bias
تحيز الذكاء الاصطناعي مفهوم أساسي في الذكاء الاصطناعي يجب الانتباه له، حيث يقع التحيز عندما تتخذ أنظمة الذكاء الاصطناعي قرارات غير عادلة بسبب وجود تحيزات في البيانات التي تدربت عليها في الأساس. على سبيل المثال، إذا دربنا نظام ما على قبول أو رفض طلبات القروض في البنك باستخدام بيانات معينة جرى فيها رفض معظم قروض العملاء ذوي الدخل المنخفض أو الذين ينتمون لعرق أو جنس معين، فإن النظام قد يتعلم بطريقة غير عادلة ويبدأ في تصنيف العملاء الجدد بطريقة خاطئة بناء على هذه التحيزات المسبقة في مجموعات بيانات التدريب.
هلوسة الذكاء الاصطناعي AI Hallucination
تشير هلوسة الذكاء الاصطناعي إلى فشل نموذج الذكاء الاصطناعي في توليد نتائج صحيحة ومفيدة، أو أن يولد النموذج نتائج متداخلة غير منطقية وغير مفهومة كأن تطلب منه اقتراح مميزات هاتف جوال ما فخبرك أن بإمكانه الطيران أو تطلب توليد صورة لغروب الشمس على البحر مع مجموعة من الطيور الطائرة في السماء فيولد لك صورة فيها طيور تسبح في الماء بدل أن تطير، فغالبًا ما تحدث هلوسات الذكاء الاصطناعي في النماذج التوليدية، ولا سيما في نماذج توليد الصور والنصوص، وتحدث عادة بسبب استخراج النموذج لنمط غير صحيح أو لا وجود له من الأساس في بيانات التدريب.
تقنية الصقل Fine-Tuning
الصقل Fine-Tuning هو مفهوم يشير إلى نقل خبرات نموذج ذكاء اصطناعي عام إلى نموذج آخر جديد، ثم تكييف هذا النموذج الجديد وتخصيصه لتأدية مهمة محددة أو استخدامه في حالات معدودة، على سبيل المثال بفرض لدينا نموذج ذكاء اصطناعي عام يستخدم لترجمة النصوص، يمكن صقله ليتخصص في فهم وترجمة المصطلحات الطبية. لذلك، يمكننا تدريبه على بيانات طبية محددة، ليصبح أكثر دقة في التعامل مع هذه المصطلحات بدل تدريب النموذج من الصفر، وهي تقنية مفيدة توفر الكثير من الوقت والجهد والموارد التي يبذلها مهندسو الذكاء الاصطناعي.
تعلم المزيد حول مفاهيم الذكاء الاصطناعي
حاولنا أن نوضح لكم أبرز المفاهيم المتعلقة بالذكاء الاصطناعي، وإن كنتم تهدفون إلى التعمق في معرفة المزيد حول كل المفاهيم الخاصة بالذكاء الاصطناعي وتعلم الآلة Machine Learning والتعلم العميق Deep Learning والرؤية الحاسوبية Computer Vision وغيرها، وتعزيز معرفتكم النظرية بمشاريع عملية حقيقة تعزز خبراتكم وتصقلها، فقد وفرت لكم أكاديمية حسوب دورة مميزة تحقق لكم أهدافكم وتنقلكم لمستوى متقدم واحترافي، فالتطبيق العملي في أي تخصص تقني ولا سيما في تخصص الذكاء الاصطناعي هو المفتاح الرئيسي لتطوير المهارات وتحقيق التميز والنجاح.
كما توفر أكاديمية حسوب الكثير من مقالات ودروس الذكاء الاصطناعي الاحترافية المميزة التي تشرح كل ما تحتاجونه من المستوى المبتدئ للمتقدم، إضافة إلى كتب الذكاء الاصطناعي القيًمة المتوفرة في قسم كتب أكاديمية حسوب والمتاحة لتحميلها بالمجان فهي مصدر مهم يساعدكم لتعلم الكثير حول هذا التخصص الرائد بطريقة منهجية ومنظمة.
الخلاصة
تحدثنا في مقال اليوم أهم مفاهيم الذكاء الاصطناعي، ووضحنا المفاهيم الأساسية والتقنية المرتبطة بهذا المجال، كما شرحنا بعض الاعتبارات والمصطلحات المرتبطة بمجال الذكاء الاصطناعي وأهم مصادر تعلمه واحترافه بشكل عملي، إذا كنتم مهتمين بمعرفة المزيد عن هذا المجال أو كان لديكم تساؤل عن أحد المفاهيم التي أوردناها يمكنكم إضافة أسئلتكم في قسم التعليقات أسفل المقال.
أفضل التعليقات
لا توجد أية تعليقات بعد
انضم إلى النقاش
يمكنك أن تنشر الآن وتسجل لاحقًا. إذا كان لديك حساب، فسجل الدخول الآن لتنشر باسم حسابك.