مجالات الذكاء الاصطناعي

مصطلح الذكاء الاصطناعي هو أكثر مصطلح رنان واسع الشهرة في عصرنا الحالي وهناك سببٌ واحدٌ لذلك؛ فتنتنا بالذكاء الذي يمنحنا نحن البشر مكانة خاصة بين أشكال الحياة، وقد تظهر أسئلة مثل "ما هو الذكاء؟" وسؤال "كيف يمكن قياس الذكاء؟" أو "كيف يعمل الدماغ؟" وكل هذه الأسئلة ذات مغزى عند محاولة فهم الذكاء الاصطناعي، وقد جاوبنا عنها وفصلنا فيها وفي شرح الذكاء الاصطناعي وتعريفاته في مقالة الذكاء الاصطناعي: دليلك الشامل وسنتحدث في هذا المقال بالتفصيل عن مجالات الذكاء الاصطناعي.

ما هو الذكاء الاصطناعي؟

عرفنا في المقال السابق الذكاء الاصطناعي ولكن لابد في بداية المقال من الإشارة باختصار إليه وإلى مدى انتشار الذكاء الاصطناعي حولنا هذه الأيام.

يمكن القول أن الذكاء الاصطناعي هو العملية الناتجة عن تحويل الآلات والحواسيب من أدوات مطيعة منفذة للأوامر فقط إلى أدوات آمرة تعطي اقتراحات وتتخذ القرارات بمفردها دون تدخل بشري بناء على معطيات أو تدريبات مسبقة.

كنا سابقًا نبحث عن النتائج لنصل إلى ما نريد أما اليوم باتت الآلات تعرض لنا نتائج تكون في بعض الحالات مطابقة تمامًا لما نضمر البحث عنه أو نميل إلى إليه خصوصًا فيما يتعلق بنية الشراء أو المشاهدة أو حتى البحث وذلك بناءً على إحاطة الحواسيب والهواتف بنا وتسجيلها كل شاردة وواردة عنا.

دخل الذكاء الاصطناعي في أغلب الحواسيب والأجهزة المحيطة بنا، فاصرخ الآن اسم المساعد الآلي في هاتفك ليجيبك مباشرةً وكأنه المارد المختبئ في المصباح السحري، وانشر صورة في إحدى منصات التواصل الاجتماعي لتتعرف على الأشخاص مباشرة أو تخمنهم ونتوقع في السنوات القادمة أن يصبح الأساس فيها ويمتد إلى سائر مجالات الحياة وكل ذلك لم يأت من فراغ بل مبني على مجالات وأسس متينة سنتعرف عليها تاليًا.

أهم مجالات الذكاء الاصطناعي

يتضمن الذكاء الصناعي العديد من المجالات أو الفروع، وكلٌ منها يعالج مواضيع محددة أو يُقدّم مناهج وأساليبًا مختلفة، كما أن معظمها يتضمن جوانبًا علميةً وهندسيةً في نفس الوقت تجتمع كلها ليُبنى عليها علم الذكاء الصناعي، وسنتحدث عن أشهر مجالات الذكاء الاصطناعي بشيئٍ من التفصيل.

1. تعلم الآلة Machine learning

في عام 1959 نُشرت ورقة بحثية مثيرة للفضول تتحدث عن استخدام التعلم الآلي في لعبة الداما Checkers في مجلة "IBM للبحوث والتطوير" من تأليف آرثر صموئيل الذي يعمل في شركة IBM. كان الهدف هو التحقق من إمكانية برمجة الحاسب، بحيث يتعلم لعب لعبة الداما بطريقة أفضل مما يمكن أن يلعبه الشخص الذي كتب البرنامج، أي أن الحاسب يلعب معك ويتحسن أداؤه باستمرار بعد كل مرة يلعب ضدك فيها لدرجة يصبح فيها أفضل منك "يتعلم ويتحسن".

لقد قدّم آرثر صموئيل التعلم الآلي في ورقته البحثية تلك باعتباره مجالًا فرعيًا من علوم الحاسب، يمنحها القدرة على التعلم دون أن تُبرمج صراحةً.

إن السمة الرئيسية للتعلم الآلي هي مفهوم التعلّم الذاتي (على الرغم من عدم ذكره صراحةً في تعريف آرثر صموئيل). إنّه يشير إلى تطبيق النمذجة الإحصائية لاكتشاف الأنماط وتحسين الأداء بناءً على البيانات والمعلومات التجريبية؛ كل ذلك بدون أوامر برمجية صريحة.

كان ذلك نهجًا ثوريًّا في علوم الحاسب والبرمجة، لأن تطوير البرامج في ذلك الوقت، كان فقط عبارة عن قائمة من الأوامر التي تتبع سير عمل منطقي مُحدد.

أنواع تعلم الآلة في الذكاء الاصطناعي

ينقسم تعلم الآلة -وهو أحد أهم ركائز ومجالات الذكاء الاصطناعي- إلى أربعة أنواع أساسية بناءً على أسلوب وطريقة التعلم، أولها التعليم الخاضع للإشراف Supervised learning وهنا تُعطى الخوارزمية مجموعةً من البيانات بالإضافة إلى الخرج الصحيح لها. الأمر يُشبه أن تُعطي طفلًا في الثالثة من عمره مجموعةً من الصور، ولتكن 10 صور؛ بعضها يُمثّل مربع والأخرى تُمثّل مستطيل وتعرضها عليه وتخبره أن هذه صور مربع وتلك صور مستطيل. هنا الخوارزمية الذكية القادرة على التعلم هي عقل الطفل، ومجموعة البيانات التي يتعلم منها هي الصور العشر. يمكن تصنيف مهام التعليم بإشراف إلى نوعين، هما:

التصنيف Classification
التوقع Regression

النوع الثاني هو التعليم غير الخاضع للإشراف UnSupervised learning، وهنا تُعطى الخوارزمية مجموعةً من البيانات بدون الخرج الصحيح لها، ويكون على عاتق الخوارزمية اكتشاف الأنماط المخفية في البيانات والفروقات بينها. نفس المثال السابق لكن هنا لن نخبر الطفل (الخوارزمية الذكية) أيّ الصور هي صور مربع وأيّ الصور هي مستطيل، لكنه سيكون قادرًا على معرفة أنهما شيئان مختلفان، فإذا أعطيته صورة مربع جديدة (ليست من ضمن الصور العشر) وطلبت منه أن يُصنفها سيضعها تلقائيًا في جانب المربعات (نمط).

يمكن تصنيف مهام التعليم بدون بإشراف إلى نوعين، هما:

التجميع Clustering.
الربط Association.

أما النوع الثالث هو التعليم شبه الخاضع للإشراف Semi-Supervised Learning يمزج بين النوع الأول والثاني، ويهدف إلى تحسين أداء التعلم. تظهر الحاجة إليه عندما يكون لديك كمية صغيرة من البيانات الغير مُعلّق عليها التي تريد استخدامها في نموذجك. في هذه الحالة يمكنك استخدام أنظمة التعلم العميق لتسمية تلك البيانات، وبالتالي تحويلها من بيانات غير خاضعة للإشراف إلى بيانات خاضعة للإشراف -وهي عملية تسمى التسمية الزائفة Pseudo-Labeling.

ملاحظة: نقول عن مجموعة بيانات أنّها غير معنونة أو غير مُسماة Unlabeled، عندما لا تتضمن تعليقات توضيحية (تسميات) لكل عينة بيانات فيها. بينما نقول عنها معنونة أو مُسماة Labeled في الحالة المُعاكسة مثل إذا كان لدينا مجموعة بيانات مكونة من 10 صور، وكل صورة لديها تعليق يوضح ماهيتها (صورة كلب قطة سيارة ..إلخ) نقول عنها "مجموعة بيانات مُسماة"، وإذا لم تتضمن تعليقات توضيحية تُسمى "مجموعة بيانات غير مُسماة".

أما النوع الرابع هو التعليم المُعزز Reinforcement learning، هو التعلم من خلال التفاعل مع البيئة. هنا يتعلم الوكيل Agent (الوكيل هو الخوارزمية أو الروبوت أو البرنامج) من من عواقب أفعاله، بدلاً من تعليمه صراحةً. يختار الوكيل أفعاله على أساس تجاربه السابقة (الاستغلال) وأيضًا من خلال الخيارات الجديدة (الاستكشاف)، أي أن التعلم يرتكز على مبدأ التجربة والخطأ. بالعودة للمثال السابق نفسه، نعطي الطفل صورة من مجموعة الصور العشر، ونسأله هل هي صورة مربع أم مستطيل، فإذا كانت إجابته صحيحة نعطيه دولارًا (مكافأة) وإن أخطأ نوبخه (عقاب)، ثم نعطيه الصورة الثانية ونكرر نفس العملية. سيسعى الطفل إلى الحصول على أكبر قدر من الدولارات (تعظيم مكافأته)، وبالتالي سيكون قادرًا على التفريق بين الصور في نهاية المطاف.

2. الشبكات العصبية الاصطناعية Artificial Neural Networks

الشبكات العصبية الاصطناعية هي تطبيقات برمجية للبنية العصبية لأدمغتنا؛ إنها تحاول تبسيط وتقليد سلوك الدماغ (فقط تشبيه، ليس إلا).

يتكون الدماغ من خلايا عصبية، وهي خلايا قابلة للاستثارة كهربائيًا ويُمكنها معالجة ونقل المعلومات عبر إشارات كهربائية وكيميائية. بالمقابل تتكون الشبكات العصبية الاصطناعية من خلايا عصبية، حيث:

الخلية العصبية هي الوحدة الحسابية الأساسية في أي شبكة عصبية، أي كما في الدماغ.
تأخذ الخلايا العصبية المدخلات (البيانات) وتعالجها وتمررها إلى الخلايا العصبية الأخرى الموجودة في الطبقات الأخرى من الشبكة، حتى تصل المخرجات المعالجة إلى طبقة الخرج النهائية.

تحتوي الشبكة العصبية الاصطناعية البسيطة على ثلاث طبقات فقط - طبقة الإدخال وطبقة الإخراج والطبقة المخفية. الشكل التالي يوضح المقصود:

شبكة عصبية بثلاث طبقات (طبقة دخل - طبقة داخلية خفية - طبقة خرج)

3. التعلم العميق Deep Learning

إذا أردنا اختصار التعلم العميق بجملة واحدة، فستكون "التعلم العميق هو شبكة عصبية اصطناعية تمتلك عددًا كبيرًا من الطبقات الداخلية الخفية". إنّه أسلوب جديد لتعلم التمثيلات من البيانات (تعلم الميزة Feature Learning أو تعلم التمثيل Feature Representation)، يرتكز على تعلم "طبقات" متتالية تمثيلات ذات مغزى بطريقة متزايدة.

كلمة "عميق" في "التعلم العميق" لا تشير إلى أي نوع من الفهم "الأعمق" الذي يُحقق من خلال النهج، بل إنّه يُمثّل ببساطة فكرة الطبقات المتتالية للتمثيلات. قد تكون الأسماء الأخرى المناسبة لهذا الحقل هي "تعلم التمثيلات الطبقية" أو "تعلم التمثيلات الهرمية"، حيث تتعلم الشبكة تمثيلات أعقد مع ازدياد عمق الطبقة.

غالبًا ما يتضمن التعلم العميق عشرات أو حتى مئات من طبقات التمثيل المتتالية، إلا أن بعض المناهج الأخرى للتعلم الآلي تميل إلى التركيز على استخدام طبقة تعلم واحدة أو طبقتين فقط (يُسمى ذلك أحيانًا "التعلم الضحل Shallow Learning").

تعلّم هذه التمثيلات الطبقية يكون من خلال نماذج تسمى "الشبكات العصبية" (التي تعرفنا عليها منذ قليل)، حيث تكون منظمة في طبقات مكدسة واحدة تلو الأخرى.

ملاحظة يُقصد بتعلّم التمثيل Representation learning أو تعلّم الميزة Feature learning، مجموعة من التقنيات التي تسمح للنظام بمعرفة التمثيلات اللازمة لاكتشاف الميزات أو تصنيفها من البيانات الخام تلقائيًا.

سنلقي الآن نظرةً على كيفية قيام شبكة عميقة مكونة من 3 طبقات خفية بتحويل صورة رقم مكتوب بخط اليد (الرقم 4) عبر هذه الطبقات، من أجل التعرف عليه، حيث تظهر لنا في أقصى اليسار الصورة الأصلية التي تمثل الدخل، تليها 3 طبقات مع التمثيلات المقابلة لكل منها. تنتهي الشبكة بطبقة خرج تشير إلى الرقم:

يمكنك أن تلاحظ أن الشبكة تحوّل الصورة الرقمية إلى تمثيلات تختلف عن بعضها في كل طبقة، كما أن كل تمثيل أعقد من سابقه (من الأبسط "الصورة الأصلية" إلى الأعقد "تمثيل الصورة في آخر طبقة مخفية").

يمكنك التفكير في الشبكة العميقة على أنها عملية متعددة المراحل لتقطير المعلومات، حيث تمر المعلومات من خلال مرشحات Filters متتالية وتكون أكثر "نقاء" بطريقة متزايدة من أول طبقة إلى آخر طبقة مخفية (أي يتغير تمثيل الصورة إلى شكل يمكن أن تفهمه الخوارزمية أكثر عبر الطبقات).

إنجازات التعلم العميق

على الرغم من أن التعلم العميق هو حقل فرعي قديم إلى حد ما من التعلم الآلي، إلا أنه لم يبرز إلا في أوائل عام 2010. في السنوات القليلة التي تلت ذلك حقق التعلم العميق ثورةً في هذا المجال، حيث حقق نتائج ملحوظة في جميع المشكلات الإدراكية، مثل "الرؤية" و "السمع"؛ المشكلات التي تبدو سهلة جدًا بالنسبة للإنسان، لكنها كانت بعيدة المنال بالنسبة للآلات سابقًا. لنكون أكثر دقة، حقق التعلم العميق الإنجازات التالية، التي كانت صعبة تاريخياً في التعلم الآلي):

التعرّف على الكلام بمستوى قريب من البشر.
نسخ الكلام المكتوب بخط اليد Handwriting transcription بمستوى قريب من البشر.
تصنيف الصور بمستوى قريب من البشر.
القيادة الذاتية بمستوى قريب من البشر.
تحسين الترجمة الآلية.
الإجابة عن الأسئلة.
تحسين نتائج البحث في محركات البحث.
تحسين استهداف الإعلانات.
المساعدين الرقميين مثل Google Now أو Amazon Alexa.

ما الفرق بين الشبكات العصبية الاصطناعية والتعلم العميق؟

التعلم العميق هو توسيع للشبكات العصبية، فبدلًا من استخدام طبقة مخفية واحدة أصبح هناك عدد كبير أو كبير جدًا من الطبقات المخفية. إن التطور الكبير في العتاديات الحوسبيّة ساهم في ظهور التعلم العميق، لأنّه يتطلب قدرات حوسبية كبيرة.

ما الفرق بين تعلم الآلة والتعلم العميق؟

تعلم الآلة هو فرع من الذكاء الصناعي، أما التعلم العميق فهو فرع من تعلم الآلة قدّم نهجًا مختلفًا وثوريًّا لمعالجة المشكلات.

لاحظ أن التعلم العميق Deep Learning هو الدائرة الصغيرة التي يشملها تعلم الآلة Machine Learning والتي بدورها تشكل جزءًا من الدائرة الأكبر المتمثلة في الذكاء الصناعي Artificial Intelligence.

4. أتمتة العمليات الآلية Robotic Process Automation

تمتلك الشركات الناجحة اليوم عددًا أقل من الموظفين مقارنة بما كان عليه الحال في الماضي. مثلًا شركة كوداك Kodak في ذروتها في عام 1973 وظفت 120.000، ولكن عندما اشترى فيسبوك Facebook انستغرام Instagram في عام 2012، كان موقع مشاركة الصور (انستغرام) لديه 13 عامل فقط؛ يعود الفضل في ذلك إلى مبادئ الأتمتة.

ما المقصود بأتمتة العمليات الآلية RPA؟

لا تعني كلمة آلية أو روبوتية هنا الآلات والروبوتات الفيزيائية وإنما الروبوتات التي تُمثل برامج تحاكي عمل الإنسان (برامج نشبهها بالروبوتات لأنها تقوم بأعمال الإنسان). عندما نقول RPA، فنحن نشير إلى البوتات bots أو الروبوتات التي تعمل كبرمجيات آلية أو يمكن القول أنّها تقنية تحاكي الطريقة التي يتفاعل بها البشر مع البرامج لأداء مهام كبيرة الحجم وقابلة للتكرار (مثلًا نسخ ولصق الملفات من مكان لآخر أو تسجيل بعض المعلومات على الحاسب أو حذف الرسائل بعد مرور شهر ..إلخ). تتضمن بعض الأمثلة ما يلي:

إرسال الفواتير.
إدخال وتغيير وتتبع الموارد البشرية HR.
مطابقة السجلات المالية.
المستندات والعقود ومعلومات الموظف.
تقديم ردود نموذجية للعملاء.
نقل البيانات من نظام إلى آخر.
الكشف عن المشكلات المتعلقة بخدمة العملاء واتخاذ الإجراءات لحل المشاكل.

5. الروبوتات Robots

تعود أصول كلمة "جسم آلي" أو جسمال اختصارًا إلى عام 1921 في مسرحية كتبها كاريل كابيك بعنوان "Rossum’s Universal Robots"، وتأتي كلمة روبوت من الكلمة التشيكية robata التي تشير إلى العمل القسري. هناك خلاف حول تعريف الروبوتات، لكن يمكن القول أنها الآلة التي يمكنها إنجاز المهام الموكلة إليها من خلال تنفيذ سلسلة معقدة من الإجراءات تلقائيًا. يمكن توجيه الروبوت بواسطة جهاز تحكم خارجي، أو قد يكون عنصر التحكم مضمنًا فيه.

هل تعرف فيليبي؟ إنّه روبوت يعمل بالذكاء الصناعي يمكنه طهي البرجر. إن كنت قد ذهبت إلى أحد فروع مطعم CaliBurger، فربما ستتمكن من مشاهدته وهو يطهو (لديهم فرع في الإمارات).

يقول الرئيس التنفيذي والمؤسس المشارك لشركة Miso Robotics التي بنت النظام: "فيليبي يساعد على تحسين جودة الطعام بسبب الاتساق (يخلو من التناقضات) ويقلل من تكاليف الإنتاج، لقد بنينا الروبوت ليكون في حالة امتثال صارم للمعايير التنظيمية."

ما هو الروبوت؟ هناك العديد من الاختلافات في التعاريف، لأن الروبوتات تتضمن عددًا لا يُحصى من الأشكال والوظائف، لكن يمكننا تلخيصها في بضعة أجزاء رئيسية هي:

المادي Physical: يمكن أن يتراوح حجم الروبوت من الآلات الصغيرة التي يمكنها استكشاف أجسادنا إلى الأنظمة الصناعية الضخمة إلى الآلات الطائرة إلى السفن تحت الماء. يجب أيضًا أن يكون هناك نوع من مصادر الطاقة لها، مثل البطارية أو الكهرباء أو الطاقة الشمسية.
الإجرائي Act: يجب أن يكون الروبوت قادرًا على اتخاذ إجراءات معينة. يمكن أن يشمل ذلك تحريك عنصر أو حتى التحدث.
الحسي Sense: يجب أن يفهم الروبوت بيئته من أجل أن يتخذ إجراءًا ما. يمكن تحقيق ذلك من خلال أجهزة الاستشعار وأنظمة التغذية الراجعة.
الذكاء Intelligence: هذا لا يعني أن يمتلك كل قدرات الذكاء الصناعي الممكنة؛ يجب أن يكون الروبوت قابلًا للبرمجة ليكون قادرًا على اتخاذ الإجراءات - من خلال البرمجة يمكننا إضافة الطابع الذكي للآلة.

مستقبل الروبوتات

على الرغم من أن الروبوتات هي أذكى التقنيات، إلا أنها من الممكن أن تُخطئ، كما أن سوقها مُعقّد جدًا وتطورها يبدو متقطعًا ومتقلبًا.

يقول شلونتز من شركة كوبالت في هذا الصدد:

اقتباس

"لقد أحرزت الصناعة تقدمًا في العقد الماضي، لكن الروبوتات لم تدرك بعد إمكاناتها الكاملة. ستخلق أي تقنية جديدة موجة من العديد من الشركات الجديدة، لكن القليل منها فقط هو الذي سيبقى على قيد الحياة ويتحول إلى أعمال دائمة. وقد قتل انهيار فقاعة الدوت كوم Dot-Com غالبية شركات الإنترنت، لكن نجت كل من جوجل وأمازون Amazon ونتفلكس Netflix. ما تحتاجه شركات الروبوتات هو أن تكون صريحة بشأن ما يمكن أن تفعله روبوتاتها للعملاء، والتغلب على الصور النمطية في هوليوود للروبوتات باعتبارها أشياء خطرة وشريرة، وإظهار عائد استثمار واضح للعملاء."

6. المنطق الترجيحي أو الضبابي Fuzzy Logic

جاءت نظرية المنطق الضبابي -التي هي ركيزة من ركائز مجالات الذكاء الاصطناعي- لتسد الثغرات الكبيرة في المنطق الكلاسيكي المعروف بالمنطق الثنائي (صحيح أو خاطئ، 0 أو 1)، الذي يعتمد على الأساليب الكمية لتحليل الأنظمة واتخاذ القرارات. إذا كانت الدقة مطلوبة عند التعامل مع الأنظمة والقرارات البسيطة، فإن تحقيق الدقة غير ممكن في المنطق الكلاسيكي، وأحيانًا غير مطلوب عند التعامل مع المسائل المعقدة، فكلما زاد تعقيد المسألة، فقدت العبارات الدقيقة فائدتها وفقدت العبارات المُقيدة دقتها.

يعتمد المنطق الضبابي أو الغيمي على الأساليب الإحصائية ويقدم طريقة للتعامل مع القرارات بشكل ضبابي وبدون حدود مباشرة للقرارات.

الفرق بين المنطق الضبابي والمنطق الكلاسيكي هو فرق فلسفي مهم يعتمد على جدلية الأهمية والدقة، فليس كل ما هو دقيق واضح مهم، ليس كل مهم دقيق، فأحيانًا الدقة متعبة قاتلة والغموض رحمة.

ما هو المنطق الضبابي؟

بفرض أننا نريد تصنيف الأشخاص إلى مجموعات حسب الطول. لدينا مجموعة للأشخاص طوال القامة (أي الشخص الذي يعتبر طويل) ومجموعة للأشخاص قصار القامة (الشخص الذي نعتبره قصير)، نلاحظ أن جملة "يعتبر طويل" وجملة "يعتبر قصير" هي جمل نسبية، إذ أن مفهوم الشخص الطويل والقصير يختلف من مكان لآخر ومن منطقة لأخرى - في هذا المثال سنعتبر أن الشخص الطويل هو الشخص الذي طوله يساوي أو يتجاوز 170 سم، عندها أي شخص وليكن x نقول أنه ينتمي لمجموعة الأشخاص الطوال إذا حقق شرط أن يكون طول x أكبر من 170 سم، لكن بفرض لدينا شخص طوله 169 فهل من الصحيح اعتباره شخص غير طويل لأنه لم يحقق خاصية مجموعة الأشخاص الطوال! فمن خلال النظر لا نستطيع تمييز شخص طوله 170 من شخص طوله 169، فكيف سنتعامل مع هذه الحالات الحرجة؟

حسب المنطق الكلاسيكي ومجموعاته الكلاسيكية، فإن هذا الشخص (169 سم) لن ينتمي لمجموعة طوال القامة، بالتالي نحن بحاجة لتعريف آخر للمجموعات من أجل القدرة على جعل هذه الحالات ممكنة، وباختصار شديد يمكن القول إننا بحاجة إلى حد فاصل بين انتماء وعدم انتماء أكثر مرونة ونسبية. هنا يأتي دور المنطق الضبابي والمجموعات الضبابية، فمن خلاله يمكننا إضافة عدد كبير من المجموعات (مثلًا: طويل جدًا، طويل، متوسط، قصير، قصير جدًا …إلخ)، حيث تُضاف هذه المجموعات وفقًا لتحليلات واستبيانات وإحصاءات دقيقة، وبالتالي نحصل على إجابات أكثر دقة ومرونة.

7. الأنظمة الخبيرة Expert systems

المعلومات هي ناتج تحليل البيانات التي تعتبر المادة الخام، فالمعلومات تبدأ من حيث تنتهي البيانات، ومنه ظهرت المعلومات متخذة من قواعد البيانات أساسًا لها، فنظم قواعد البيانات تتضمن العلاقات التي تربط بين البيانات للحصول على المعلومات. أما المعارف فهي استنتاجية أكثر منها حسابية أو بيانية، ومنه تبدأ المعارف من حيث تنتهي المعلومات، ومنه ظهرت قواعد المعرفة Knowledge Base والنظم الخبيرة، وهو البديل الأرقى لنظم المعلومات.

ما هو النظام الخبير؟

هو نظام ذكي يستخدم القواعد المأخوذة من الخبرة الإنسانية (والمنظمة ضمن قواعد بيانات) على هيئة شروط ونتائج في مجال معين ويستخدم طرق الاشتقاق والاستدلال لاستخراج واستنتاج النتائج المعللة بالأسباب والناتجة عن تطابق هذه الشروط أو النتائج مع شرط أو نتيجة ما والخاصة بمشكلة معينة يراد إيجاد حل لها.

هذه الأنظمة لديها قدرات مميزة في مجالات معينة مثل التخطيط وتحليل العوارض وتشخيص الأخطاء وتشخيص الأمراض وفي التصميم وفي نظم دعم اتخاذ القرار وغيرها من المجالات المتخصصة التي تم فهم العمليات المطلوبة لها، والتي تتناسب مع القدرات التمثيلية والاستنتاجية لهياكل الأنظمة المستخدمة.

استخدامات النظم الخبيرة

يمكن استخدام النظم الخبيرة في العديد من المجالات والمهام، إليك بعضها:

التفسير: تستخدم النظم الخبيرة بكثرة في تفسير المواقف من واقع المعلومات المتاحة منها. أشهر الأمثلة هو النظام الخبير PUFF الذي يُستخدم في تشخيص أمراض الرئة.
التنبؤ: يُستخدم النظام الخبير METEOR للتنبؤ بالعواصف على المدى القصير.
التشخيص: يُستخدم النظام DIET لمساعدة أطباء التغذية في عملية وصف الحمية الغذائية. كما يُستخدم النظام MYCIN لتشخيص أمراض الدم و وصف العلاج أيضًا.
إزالة الأعطال: يُحدد النظام ACE مواقع الأعطال في الشبكات الهاتفية ويقترح الصيانة المناسبة.
التخطيط: النظام الخبير KNOBS يساعد مراكز القيادات الجوية التكتيكية على التخطيط للمهام من خلال معرفة الأهداف والإمكانيات المتاحة والمهام المخططة.

تُستخدم النظم الخبيرة أيضًا في المراقبة والتصميم والتدريب والتعليم والتحكم.

8. معالجة اللغات الطبيعية Natural Language Processing

بعض المراجع تعتبر معالجة اللغات الطبيعية مجرد مجال من مجالات الذكاء الاصطناعي لكن لنكون دقيقين؛ معالجة اللغات الطبيعية -اختصارًا NLP- هي مجال تتقاطع فيه علوم الحاسب والذكاء الصناعي واللسانيات (اللغويات أو علم اللغة). إنّها المجال الذي يهتم ببناء وتطوير الأنظمة التي يمكنها معالجة وفهم وتوليد لغة الإنسان.

منذ نشأتها في الخمسينيات وحتى وقت قريب جدًا، كانت معالجة اللغات مجالًا بحثيًّا أكثر مما هو تطبيقيًّا، إلا أن التطورات الأخيرة التي شهدتها في العقد الماضي، أدت إلى استخدام البرمجة اللغوية العصبية بكثرة في العديد من التطبيقات التجارية والرعاية الصحية والتمويل والقانون والتسويق والموارد البشرية وغيرها الكثير.

استخدامات معالجة اللغات الطبيعية

الآن وبعد أن تعرّفنا على معالجة اللغات الطبيعية، دعنا نتحدث عن بعض استخداماتها وتطبيقاتها في المجالات المختلفة:

تصنيف النص Text Classification: إحدى المزايا الخاصة بخدمات البريد الإلكتروني؛ قدرتها على فصل الرسائل العشوائية Spam عن الرسائل العادية. تمثل هذه العملية واحدة من حالات الاستخدام الشهيرة لمعالجة اللغات والمعروفة باسم "تصنيف النص". من التطبيقات الأخرى التي تستخدم تصنيف النص هي: تصنيف وتنظيم المحتوى، دعم العملاء، التجارة الإلكترونية E-commerce، محركات البحث.
استخراج المعلومات Information extraction: هي عملية استخراج معلومات معينة من المستندات. إحدى الأمثلة على استخدامها في تطبيقات العالم الحقيقي هي الدعاية القصيرة التي نراها على اليمين عندما نبحث عن اسم شخصية مشهورة على جوجل. كما أنها تُستخدم أيضًا في روبوتات الدردشة Chatbots واستخراج البيانات من الاستمارات والإيصالات …إلخ.
الترجمة الآلية Machine Translation: وفقًا لتعريف جامعة ستانفورد؛ هي مهمة التحويل التلقائي من لغة طبيعية إلى أخرى مع الحفاظ على معنى النص المُدخل وفصاحته، وتستخدم العديد من الشركات مثل جوجل (مُترجم جوجل الشهير) ومايكروسوفت الذكاء الصناعي والتعلم الآلي لتقديم مُترجمات آلية عالية الجودة.
التجارة الإلكترونية E-commerce: لعبت التطورات الحديثة في تعلم الآلة و معالجة اللغات دورًا رئيسيًا في النمو السريع الذي شهدته التجارة الإلكترونية. عند زيارة الصفحة الرئيسية لأي بائع تجزئة إلكتروني، ستجد الكثير من المعلومات على هيئة نصوص وصور تعبر عن المنتجات وأصنافها. يسعى تجار التجزئة إلى استخدام هذه المعلومات بذكاء لإرضاء العملاء وبناء ميزة تنافسية، وهنا يأتي دور معالجة اللغات لحل العديد من المشكلات ذات الصلة مثل تحليل مراجعات الزبائن والبحث عن المنتجات وتوصيات المنتج ..إلخ.
الرعاية الصحية HealthCare: تُطبّق معالجة اللغات في جميع الصناعات والقطاعات الرئيسية وتحسّنها، وهذا يشمل مجال الطب والرعاية الصحية. يمكن للباحثين فرز البيانات غير المهيكلة لتحسين رعاية المرضى والجهود البحثية وتشخيص الأمراض …إلخ.

تُطبق معالجة اللغات أيضًا في العديد من المجالات كالموراد المالية والقانون ومواقع التواصل الإجتماعي.

انظر مثلًا مقال تحليل المشاعر في النصوص العربية باستخدام التعلم العميق الذي يطبق ما تحدثنا عنه على نصوص عربية بمشروع عملي.

بماذا تختلف معالجة اللغات الطبيعية عن التعلم الآلي والتعلم العميق؟

على الرغم من التداخل الكبير بين معالجة اللغات والتعلم العميق وتعلم الآلة، إلا أنها مجالات مختلفة تمامًا. في البداية كانت تعتمد مناهج معالجة اللغات على الاحتمالات والإحصاء والقواعد والاستدلال، لكن في العقود القليلة الماضية بدأت تتأثر كثيرًا بمناهج تعلم الآلة، وفي الآونة الأخيرة ومع تطور التعلم العميق، لاحظنا استخدام واسع لمناهجه في بناء تطبيقات معالجة اللغات. إذًا هي مجالات تتقاطع مع بعضها، لكن كل منها مُستقل عن الآخر.

يُمثل كتاب مدخل إلى الذكاء الاصطناعي وتعلم الآلة نقطة بدءٍ مناسبةٍ للمبتدئين الذين يرغبون الخوض في هذا المجال. يبدأ الكتاب معك من الأساسيات ليمهد الطريق أمامك لتعلم هذا المجال. يمكنك أيضًا الاطلاع على العديد من المقالات المتعلقة بالذكاء الصناعي، والتي توفرها أكاديمية حسوب من هنا.

إذا أردت أيضًا البدء بتعلم خوازرميات الذكاء الاصطناعي وتعلم الآلة وبناء تطبيقات عملية تفيدك في سوق العمل يمكنك الاشتراك في دورة الذكاء الاصطناعي التي توفرها الأكاديمية والتي ستتعلم فيها الكثير من المواضيع الرائدة مثل التعامل مع مختلف النماذج اللغوية الكبيرة LLMs مثل GPT من OpenAI و LLaMA 2 من Meta وكيفية دمجها مع تطبيقاتك كما ستتعلم في هذه الدورة أساسيات تحليل البيانات Data Analysis وتمثيلها مرئيًا، وبرمجة خوارزميات تعلم الآلة Machine Learning والتعلم العميق Deep Learning وغيرها من المواضيع المفيدة بأسلوب عملي وشيق.

خاتمة

تعرفنا في مقال اليوم على أهم مجالات الذكاء الاصطناعي ولكن للذكاء الاصطناعي فروع ومجالات عديدة أخرى يزداد عددها باستمرار ولا يمكن حصرها في مقالٍ واحد وهذا العلم مازال في تطور متسارع.