على الرغم من أن الذكاء الاصطناعي والتعلم الالي والتعلم العميق هي مصطلحات تقنية شائعة يمكننا رؤيتها في كل مكان اليوم، إلا أن هناك سوء فهم كبير حول المعنى الفعلي لهذه الكلمات. تدمج العديد من الشركات شكلاً من أشكال الذكاء الاصطناعي (AI) في تطبيقاتها أو خدماتها، ولكن ماذا يعني هذا عملياً؟
المحتويات
ما هو الذكاء الاصطناعي؟
بشكل عام، يصف الذكاء الاصطناعي اللحظة التي تقلد فيها الآلة الوظائف المعرفية للبشر والأدمغة البشرية الأخرى، مثل التعلم وحل المشكلات. على مستوى أساسي أكثر، يمكن أن يكون الذكاء الاصطناعي مجرد قاعدة مبرمجة تخبر الآلة بالتصرف بطريقة معينة في ظل ظروف معينة؛ فمثلا عبارة if-else هي قاعدة بسيطة تمت برمجتها من قبل البشر، حيث يمكن أن تكون القاعدة مستخدمه في برمجة هذا الروبوت.
لذلك، عندما نتحدث عن الذكاء الاصطناعي، فمن الأفضل التفكير في مجالين فرعيين أكثر تحديداً للذكاء الاصطناعي: التعلم الالي والتعلم العميق.
إقرأ أيضا:مقاسات شي ان للاطفالالذكاء الاصطناعي والتعلم الالي والتعلم العميق
الآن بعد أن أصبح لدينا فهم أفضل للمعنى الحقيقي للذكاء الاصطناعي، يمكننا دراسة الذكاء الاصطناعي والتعلم الالي والتعلم العميق بعناية للتمييز بينهم بوضوح.
- الذكاء الاصطناعي: برنامج يمكنه الشعور، والعمل، والتكيف.
- التعلم الآلي: الخوارزميات التي تتحسن بمرور الوقت من خلال كشف المزيد من البيانات.
- التعلم العميق: مجموعة فرعية من التعلم الآلي حيث تتعلم الشبكة العصبية متعددة الطبقات من عدد كبير من البيانات.
تعلم الآلة ليس تقنية جديدة
ما هو التعلم الآلي؟ يمكننا التفكير في التعلم الآلي على أنه سلسلة من الخوارزميات التي تحلل البيانات وتتعلمها وتتخذ قرارات ذكية بناءً على المعرفة المكتسبة.
يمكن أن يؤدي التعلم الآلي إلى العديد من المهام الآلية. إنه يؤثر على كل صناعة تقريباً، بدءاً من أبحاث البرامج الضارة لأمن تكنولوجيا المعلومات وحتى توقعات الطقس إلى سماسرة البورصة الذين يبحثون عن أفضل الصفقات. يتطلب التعلم الآلي رياضيات معقدة والكثير من الترميز لتحقيق الوظائف والنتائج المطلوبة.
يتضمن التعلم الآلي أيضاً خوارزميات كلاسيكية لأنواع مختلفة من المهام، مثل التجميع (Clustering) أو الانحدار (Regression) أو التصنيف (classification)؛ يجب علينا تدريب هذه الخوارزميات على كميات كبيرة من البيانات، كلما زادت البيانات التي تقدمها للخوارزمية، كان نموذجك أفضل.
إقرأ أيضا:نموذج شهادة خبرة للوظائف الاداريةيعد التعلم الآلي مجالاً قديماً نسبياً ويتضمن طرقاً وخوارزميات موجودة منذ عشرات السنين، بعضها منذ الستينيات. بعض من هذه الخوارزميات الكلاسيكية Naïve Bayes و Support Vector Machines، وكلاهما غالباً ما يستخدم في تصنيف البيانات. بالإضافة إلى تصنيف المجموعات، هناك أيضاً خوارزميات تحليل الكتلة مثل K-Means والتجميع، من اجل تقليل أبعاد البيانات واكتساب فهم اعمق في خصائصها، يستخدم التعلم الآلي طرقًا مثل تحليل المكون الرئيسي و TSNE.
يعني المكون التدريبي لنموذج التعلم الآلي أن النموذج يحاول التحسين على طول بعد معين؛ بمعنى آخر، تحاول نماذج التعلم الآلي تقليل الخطأ بين تنبؤاتها وقيم الحقيقة الأساسية الفعلية.
لهذا يجب علينا تحديد ما يسمى بوظيفة الخطأ (وتسمى أيضاً وظيفة الخسارة أو وظيفة الهدف) لأن النموذج له هدف. يمكن أن يكون هذا الهدف هو تصنيف البيانات إلى فئات مختلفة (مثل صور القطط والكلاب) أو التنبؤ بالسعر المتوقع للسهم في المستقبل القريب.
كيف نقوم بتقليل الخطأ؟
يمكننا مقارنة تنبؤات النموذج بقيم الحقيقة الأساسية وضبط مُعاملات النموذج لجعل الخطأ بين هاتين القيمتين أصغر في المرة القادمة، تتكرر هذه العملية ملايين المرات حتى تصبح مُعاملات النموذج التي تحدد التنبؤ جيدة جداً بحيث يكون الفرق بين تنبؤ النموذج والقيمة الحقيقة الأساسية صغيراً قدر الإمكان.
باختصار، نماذج التعلم الآلي هي خوارزميات تحسين. إذا قمت بضبطها بشكل صحيح، فإنها تقلل الخطأ عن طريق التخمين والتخمين مرة أخرى.
إقرأ أيضا:صيغة خطاب شكر على الجهود والتقديرعلى عكس التعلم الآلي، فإن التعلم العميق هو حقل فرعي صغير من الذكاء الاصطناعي يعتمد على الشبكات العصبية الاصطناعية.
نظراً لأن خوارزميات التعلم العميق تتطلب أيضاً بيانات من أجل التعلم وحل المشكلات، فيمكننا أيضاً تسميتها حقلاً فرعياً من التعلم الآلي. غالباً ما يتم التعامل مع مصطلحات التعلم الآلي والتعلم العميق كمرادفين؛ ومع ذلك، فإن هذه الأنظمة لديها قدرات مختلفة.
يستخدم التعلم العميق بنية متعددة الطبقات من الخوارزميات تسمى الشبكة العصبية.
تتمتع الشبكات العصبية الاصطناعية بقدرات فريدة تمكن نماذج التعلم العميق من حل المهام التي لا يمكن لنماذج التعلم الآلي حلها.
جميع التطورات الحديثة في الذكاء ترجع إلى التعلم العميق. بدون التعلم العميق، لن يكون لدينا سيارات ذاتية القيادة أو روبوتات محادثة أو مساعدين شخصيين مثل Alexa و Siri. ستظل خدمة الترجمة من Google بدائية ولن يكون لدى Netflix أي فكرة عن الأفلام أو المسلسلات التلفزيونية التي تقترحها.
يمكننا حتى أن نقول إن الثورة الصناعية الجديدة مدفوعة بشبكات عصبية اصطناعية وتعلم عميق. هذا هو أفضل وأقرب نهج للذكاء الآلي الحقيقي لدينا حتى الآن لأن التعلم العميق له ميزتان رئيسيتان على التعلم الآلي.
لماذا التعلم العميق افضل من التعلم الآلي؟
الميزة الأولى للتعلم العميق على التعلم الآلي هي تكرار استخراج الميزات.
قبل وقت طويل من استخدامنا للتعلم العميق، كانت طرق التعلم الآلي التقليدية (SVM، ومصنف Naïve Bayes، والانحدار) الأكثر شيوعاً.
تُعرف هذه باسم الخوارزميات المسطحة. في هذا السياق، تعني كلمة “مسطح” أن هذه الخوارزميات لا يمكن عادةً تطبيقها مباشرةً على البيانات الأولية (مثل .csv والصور والنص وما إلى ذلك). بدلاً من ذلك، نطلب خطوة معالجة مسبقة تسمى استخراج الميزة.
في استخراج الميزات، نقدم تمثيلاً تجريدياً للبيانات الأصلية، والتي يمكن استخدامها بواسطة خوارزميات التعلم الآلي الكلاسيكية لأداء المهام (أي يتم تقسيم البيانات إلى فئات متعددة). عادة ما يكون استخراج الميزة معقداً للغاية ويتطلب فهماً تفصيلياً لمجال المشكلة. يجب تعديل هذه الخطوة واختبارها وتحسينها في تكرارات متعددة للحصول على أفضل النتائج. لا تتطلب نماذج التعلم العميق استخراج الميزات.
عندما يتعلق الأمر بنماذج التعلم العميق، لدينا شبكات عصبية اصطناعية، والتي لا تتطلب استخراج الميزات. الطبقات قادرة على تعلم تمثيل ضمني للبيانات الخام من تلقاء نفسها.
يولد نموذج التعلم العميق تمثيلاً تجريدياً مضغوطاً للبيانات الأصلية في طبقات متعددة من الشبكة العصبية الاصطناعية. ثم نستخدم التمثيل المضغوط لبيانات الإدخال للحصول على النتيجة. يمكن أن تكون النتيجة، على سبيل المثال، فرز بيانات الإدخال إلى فئات مختلفة.
أثناء عملية التدريب، تعمل الشبكة العصبية على تحسين هذه الخطوة للحصول على أفضل تمثيل تجريدي ممكن لبيانات الإدخال. لا تتطلب نماذج التعلم العميق أي عمليات يدوية تقريباً لأداء استخراج الميزات وتحسينها. بمعنى آخر، يتم دمج استخراج الميزات في العملية التي تحدث في الشبكة العصبية الاصطناعية دون تدخل يدوي.
إذا كنت ترغب في استخدام نموذج التعلم الآلي لتحديد ما إذا كانت صورة معينة تظهر سيارة، فيجب علينا نحن البشر أولاً تحديد الخصائص الفريدة للسيارة (الشكل والحجم والنوافذ والعجلات وما إلى ذلك)، واستخراج هذه الميزات ومنحها مثل إدخال البيانات للخوارزمية. ستقوم خوارزمية التعلم الآلي بعد ذلك بتصنيف الصورة. بمعنى آخر، في التعلم الآلي، يجب على المبرمجين المشاركة مباشرة في عملية التصنيف.
ينطبق هذا على جميع المهام الأخرى التي ستؤديها باستخدام الشبكات العصبية. قم بتمرير البيانات الأولية إلى الشبكة العصبية ودع النموذج يقوم بالباقي.
ان الدارس لعلم الذكاء الاصطناعي والتعلم الالي والتعلم العميق يحضى بفائدة عظيمة أخرى للتعلم العميق في عصر البيانات الضخمة، وجزء أساسي من فهم سبب رواجها، هو قدرتها على التعامل مع كميات كبيرة من البيانات. سيوفر عصر تقنية البيانات الضخمة فرصاً غنية لابتكارات جديدة في التعلم العميق.
مع زيادة كمية بيانات التدريب، تميل دقة نماذج التعلم العميق إلى الزيادة، بينما تتوقف نماذج التعلم الآلي التقليدية، مثل SVM ومصنفات Naïve Bayes، عن التحسن بعد نقطة التشبع.
يمكن لنماذج التعلم العميق التوسع بشكل أفضل باستخدام المزيد من البيانات. لإعادة صياغة ما قاله أندرو نج، كبير العلماء في محرك البحث الرائد في الصين بايدو، والمؤسس المشارك لـ Coursera، وأحد رؤساء مشروع Google Brain، إذا كانت خوارزمية التعلم العميق محركاً صاروخياً، فإن البيانات هي الوقود.
وفي نهاية المقال نكون قد وضحنا الفرق بين الذكاء الاصطناعي والتعلم الالي والتعلم العميق وسوف نتطرق في مقالات اخرى لفهم دقيق وشرح مبسط لعلم الذكاء الاصطناعي بكل جوانبه.