الذكاء الاصطناعي (AI) هو مجال من علوم الكمبيوتر يدرس التكنولوجيا التي تسمح لبرامج الكمبيوتر بمعالجة مدخلات محددة وتوفير مخرجات ذات قيمة مضافة. تم تصميم هذه البرامج للتعلم من البيانات ومعالجة المعلومات وتنفيذ المهام التي تتطلب عادةً ذكاءً بشريًا، مثل التعرف على الكلام وتصنيف الصور.
تشير التقارير إلى أن تقنيات الذكاء الاصطناعي ستشهد نموًا سنويًا بنسبة 37.3% في الفترة من 2023 إلى 2030، مع تعرض صناعات مختلفة مثل التمويل والرعاية الصحية لتحولات بسبب تقنيات الذكاء الاصطناعي.
ولكن لتحقيق أقصى استفادة من تقنيات الذكاء الاصطناعي، من المفيد أن نفهم كيف يعمل الذكاء الاصطناعي. يغطي هذا الدليل أنواع تقنيات الذكاء الاصطناعي المتاحة وما الذي يساعد على نجاح كل واحدة منها.
ما هي تقنيات الذكاء الاصطناعي؟
تشير تقنيات الذكاء الاصطناعي إلى الأساليب والخوارزميات وأساليب علم البيانات التي تسمح لأجهزة الكمبيوتر بأداء المهام التي تتطلب تقليديًا البشر. هذه التقنيات هي التي تساعد أنظمة الذكاء الاصطناعي على التعلم وإجراء الحسابات وتحديد الأنماط وتقديم التنبؤات حول المستقبل.
تتطلب بعض تقنيات الذكاء الاصطناعي قراءة الكثير من النص. في مثل هذه الحالات، يستخدم الذكاء الاصطناعي معالجة اللغة الطبيعية (NLP) لفهم المعنى الكامن وراء الكلمات واستخلاص استنتاجات حول ما يقرأه. يمكن أن تساعد البرمجة اللغوية العصبية (NLP) في إنشاء النص وتلخيص المحتوى والمهام النصية الأخرى.
تنظر تقنيات الذكاء الاصطناعي الأخرى إلى الصور ومقاطع الفيديو لمعالجة المعلومات. يمكن لخوارزميات الرؤية الحاسوبية أن تنظر إلى المعلومات المرئية للعثور على الأنماط وإعطاء نظرة ثاقبة لما يحدث في تلك الصور، مثل تحديد المشاكل الطبية في فحوصات المرضى.
وأخيرًا، تساعد خوارزميات التعلم الآلي المهندسين على إنشاء آلات وروبوتات للتعامل مع المهام في العالم الحقيقي. تستخدم هذه التقنيات مزيجًا من رؤية الكمبيوتر وتحليل البيانات لفهم العالم المحيط بالأجهزة الروبوتية وتحديد أفضل مسار للعمل لتحقيق الأهداف.
أنواع تقنيات الذكاء الاصطناعي
الآن بعد أن فهمت ما هي تقنيات الذكاء الاصطناعي، دعنا نلقي نظرة على أكثر التقنيات شيوعًا المستخدمة اليوم.
1. التعلم الآلي – Machine learning
التعلم الآلي هو أحد تقنيات الذكاء الاصطناعي التي تستخدم مجموعات البيانات والخوارزميات والشبكات العصبية الاصطناعية للتعلم وتحسين النتائج بمرور الوقت. ويستخدم بيانات التدريب لتقليد عملية التعلم البشري.
تبدأ العملية بجمع البيانات ذات الصلة بمهمتك. تشمل الأمثلة المعاملات المالية لفهم المحاسبة، أو المستندات القانونية لفهم القواعد القانونية، أو عناوين الحملات التسويقية لكتابة النصوص.
بعد استخدام هذه البيانات لتدريب النظام، يمكنك تغذية بيانات تقنيات الذكاء الاصطناعي الجديدة لتحليلها. سيحدد الذكاء الاصطناعي الأنماط ويقوم بالتنبؤات بناءً على معرفته السابقة.
التعلم العميق هو أسلوب تعلم آلي أكثر تقدمًا. ويستخدم ما لا يقل عن ثلاث طبقات من الشبكة العصبية لمحاكاة الدماغ البشري، وتحسين قدرة الذكاء الاصطناعي على اتخاذ القرار وقدراته.
عند إعداد مهمة تعلم الآلة، يستخدم متخصصو الذكاء الاصطناعي ثلاثة أنواع رئيسية من التعلم الآلي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز.
التعلم تحت الإشراف – Supervised learning
يتضمن التعلم الخاضع للإشراف تدريب نماذج الذكاء الاصطناعي على البيانات المصنفة. فكر في الأمر على أنه تزويد تقنيات الذكاء الاصطناعي بمجموعات من الأسئلة والإجابات المعروفة للتعلم منها.
على سبيل المثال، لنفترض شركة تريد روبوت محادثة يعمل بالذكاء الاصطناعي لمساعدة فريق خدمة العملاء لديها. تقدم الشركة قائمة من الأسئلة والإجابات الشائعة حول منتجاتها إلى الذكاء الاصطناعي، على غرار الطريقة التي يمكن بها تدريب نموذج للكشف عن البريد الإلكتروني العشوائي، عن طريق تغذيته برسائل البريد الإلكتروني المصنفة على أنها “بريد عشوائي” أو “ليست بريدًا عشوائيًا”.
يتعلم الذكاء الاصطناعي من هذه البيانات ويوفر استجابات في الوقت الفعلي لمستخدمي روبوتات الدردشة الخاصة بالشركة، أو، في حالة نموذج الكشف عن البريد العشوائي، يمكنه تصفية رسائل البريد الإلكتروني الواردة ونقل رسائل البريد العشوائي المتوقعة إلى مجلد البريد العشوائي.
مثال آخر للتعلم الخاضع للإشراف هو التصنيف، مثل تحليل المشاعر بشأن مراجعات العملاء، وتصنيف الصور لتشخيص الصور الطبية أو قيادة المركبات ذاتية القيادة، والتعرف على الوجه لأنظمة الأمان.
بدلاً من التدقيق في عدد لا يحصى من المراجعات، يمكنك تغذية برنامج التعلم الآلي بأمثلة من المراجعات ومشاعرها (إيجابية أو سلبية أو محايدة). بمجرد تدريبه، يمكن للذكاء الاصطناعي تحليل المراجعات الجديدة لتقديم رؤى حول مشاعر العملاء، أو تحديد الأشياء في الصور الجديدة، أو التعرف على الوجوه.
التعلم غير الخاضع للرقابة – Unsupervised learning
التعلم غير الخاضع للرقابة هو أسلوب للتعلم الآلي حيث تقوم بتدريب البيانات على بيانات غير مصنفة. في هذه العملية، يمكنك توفير بيانات خوارزمية التعلم ذات الصلة بالمهمة التي تريد التدريب عليها. ولكن على عكس التعلم الخاضع للإشراف، لا يوجد مخرجات يمكن تقديمها.
الهدف هو تدريب تقنيات الذكاء الاصطناعي الذي يحدد بشكل مستقل أنماط البيانات والعلاقات والهياكل. هذه العملية ضرورية لبعض مجموعات البيانات لأن أولئك الذين يجمعون البيانات قد لا يعرفون هذه الأنماط.
يعد اكتشاف الشذوذ أحد المجالات التي يكون فيها هذا منطقيًا. على سبيل المثال، لنأخذ فريق الاحتيال الذي يريد تحليل المعاملات المالية للبحث عن الاحتيال. فبدلاً من جعل البشر يقومون بتحليل كل معاملة، يمكن للذكاء الاصطناعي التدرب على البيانات المالية وإخطار المؤسسات المالية إذا وجدت شيئًا لا يتطابق مع الأنماط العادية باستخدام تقنيات الذكاء الاصطناعي.
تعزيز التعلم – Reinforcement learning
التعلم المعزز هو شكل من أشكال التعلم الآلي الذي يسمح لنموذج تقنيات الذكاء الاصطناعي بالتعلم عن طريق التجربة والخطأ. بدلاً من إعطاء بيانات النموذج وعدم إعطائه فرصة لتعلم أي شيء آخر، فإن التعلم المعزز يغير الأشياء من خلال منح النموذج عقوبات ومكافآت على أفعاله. تسمح هذه العملية التكرارية المبنية على ردود الفعل لنموذج الذكاء الاصطناعي بالتحسين بمرور الوقت.
تستخدم الشركات التعلم المعزز بطرق مختلفة. أحد الأمثلة على ذلك هو إنشاء نموذج Deep Blue للذكاء الاصطناعي من شركة IBM والذي تنافس وهزم أفضل لاعبي الشطرنج في العالم منذ أكثر من 25 عامًا. لقد تعلم نموذج الذكاء الاصطناعي من ألعابه السابقة مع نفسه ومع اللاعبين الآخرين ليصبح أفضل ويكتسب القدرة على التنافس مع الأفضل باستخدام تقنيات الذكاء الاصطناعي.
الاستخدام الحقيقي للتعلم المعزز هو تدريب المركبات ذاتية القيادة. قد يكون تدريب السيارات ذاتية القيادة على كل ما تحتاجه لاتخاذ قرارات جيدة على الطريق أمرًا صعبًا. يستخدم مهندسو الذكاء الاصطناعي التعلم المعزز لإخبار المركبات عندما تتخذ قرارات جيدة أو سيئة، مما يؤدي إلى تحسين مهارات السيارة على الطريق.
2. رؤية الكمبيوتر أو الآلة – Computer vision
رؤية الكمبيوتر هي مجال فرعي من تقنيات الذكاء الاصطناعي الذي يعلم الآلات فهم البيانات المرئية من مقاطع الفيديو والصور. ويهدف إلى استخراج المعلومات من العناصر المرئية واستخدام تلك البيانات للعثور على الأنماط أو اتخاذ الإجراءات اللازمة.
تتوفر عدة أشكال من رؤية الكمبيوتر، بما في ذلك:
- التعرف على الصور – Image recognition
- كشف الكائنات – Object detection
- استعادة الصورة – Image Restoration
- تقطيع الصورة – Image segmentation
كل نشاط له استخدامات فريدة. على سبيل المثال، يعد التعرف على الصور مفيدًا للمراقبة. يمكنك ربط أنظمة الذكاء الاصطناعي بنظام الكاميرا الخاص بك واستخدام تقنيات الذكاء الاصطناعي للتعرف على الأشخاص، وهي حالة مفيدة لأغراض إنفاذ القانون.
يعد التعرف على القياسات الحيوية تطبيقًا ممتازًا آخر لرؤية الكمبيوتر. يمكن لأنظمة الأمان الجديدة التعرف على شبكية العين وبصمات الأصابع والوجوه لتعزيز الأمان ومنع الوصول غير المصرح به إلى المواقع.
عند النظر إلى رؤية الكمبيوتر، ضع في اعتبارك شيئين رئيسيين عند معالجة البيانات: الحساسية والدقة.
الحساسية – Sensitivity
الحساسية في رؤية الكمبيوتر هي قدرة تطبيق تقنيات الذكاء الاصطناعي على انتقاء التفاصيل الصغيرة في المعلومات المرئية. قد لا يلتقط النظام منخفض الحساسية أدلة دقيقة في الصور أو قد يفشل في العمل بشكل جيد في الإضاءة المنخفضة. ومع ذلك، قد تتمكن الحساسية العالية من النظر إلى التفاصيل الدقيقة للصورة والتقاط المعلومات التي قد تفوتها الأنظمة الأخرى.
المراقبة هي أحد المجالات التي يكون فيها هذا الأمر مهمًا للغاية. يتمتع الأشخاص بخصائص فريدة، لكن نظام المراقبة الذي يستخدم التعرف على الوجه ليس حساسًا بدرجة كافية قد يعطي الكثير من النتائج الإيجابية الخاطئة. يعمل نظام المراقبة بشكل جيد فقط مع القدرة على النظر إلى التفاصيل الدقيقة لوجه الشخص باستخدام تقنيات الذكاء الاصطناعي.
الدقة – Resolution
الدقة هي مستوى التفاصيل التي يمكن لنظام الرؤية الحاسوبية التقاطها ومعالجتها. يمكنك قياس الدقة من خلال النظر إلى عدد البكسلات الملتقطة بالكاميرا، حيث توفر الدقة الأعلى مزيدًا من التفاصيل والبكسلات باستخدام تقنيات الذكاء الاصطناعي.
تعد الصور عالية الدقة أمرًا حيويًا لتحديد تفاصيل الصورة بشكل صحيح. عدم وجود تفاصيل كافية يعني أنك لن تحصل على نتائج جيدة وقد تفوت أجزاء مهمة من الصورة – تفاصيل لا يمكنك تحمل تفويتها في المواقف عالية الخطورة، مثل مراقبة الجودة في التصنيع، أو فحص البنية التحتية، أو التحليل العلمي حيث يمكن أن يؤدي فقدان التفاصيل الدقيقة إلى أخطاء أو سهو كبير.
المشكلة التي تواجهها العديد من الشركات هي الموازنة بين الدقة والموارد الحسابية. إن العثور على أفضل دقة لاحتياجاتك يعني فهم مقدار التفاصيل التي تحتاج إلى التقاطها للحصول على أفضل النتائج باستخدام تقنيات الذكاء الاصطناعي.
3. معالجة اللغة الطبيعية (NLP)
البرمجة اللغوية العصبية (NLP) هي أحد تقنيات الذكاء الاصطناعي التي تركز على استخدام النص لإنشاء تفاعلات ذات معنى بين الآلات والبشر. تستخدم البرمجة اللغوية العصبية (NLP) الخوارزميات والنماذج النصية لمساعدة الآلات على فهم اللغة البشرية وتفسيرها واتخاذ الإجراءات بناءً على فهمها.
هذه القدرات تجعل البرمجة اللغوية العصبية مفيدة في كل صناعة تقريبًا. على سبيل المثال، يمكن للموظفين استخدام أدوات مثل ChatGPT — من OpenAI وMicrosoft — لطرح الأسئلة في نافذة الدردشة والحصول على النتائج بناءً على البيانات المتاحة لنموذج تقنيات الذكاء الاصطناعي.
تعمل العديد من المهام في البرمجة اللغوية العصبية (NLP) على تسهيل التعامل مع محتوى النص وفهمه: المعالجة المسبقة للنص، ووضع علامات على جزء من الكلام، والتعرف على الكيان المسمى، وتحليل المشاعر.
المعالجة المسبقة للنص – Text preprocessing
المعالجة المسبقة للنص هي عملية أخذ النص الخام وترجمته إلى تنسيق تفهمه الآلات. الهدف هو استخراج المعلومات الأكثر صلة خلال هذه العملية. ويحدث في ثلاث خطوات:
- الترميز – Tokenization. تقسيم النص إلى كلمات وعبارات فردية.
- الجذعية – Stemming. اختصر الكلمات إلى شكلها الأساسي (على سبيل المثال، “تشغيل” و”تشغيل” إلى “تشغيل”).
- إزالة الكلمات الوقفية – Stop word removal. احذف الكلمات التي لا علاقة لها بمعنى جزء من النص (على سبيل المثال، “the” و”is” و”and”).
تترك هذه العملية للذكاء الاصطناعي الكلمات التي تجعل جزءًا من النص ذا معنى لمزيد من المعالجة.
وضع علامات على جزء من الكلام
وضع علامات على جزء من الكلام هو عملية أخذ جملة وفهم وظيفة كل كلمة فيها. تنظر إلى كل كلمة وتحدد غرضها بناءً على السياق، هل هي اسم أم فعل أم ظرف أم عنصر آخر؟
هذه العملية مفيدة أيضًا في توضيح معنى الكلمة (WSD). ستستخدم هذه العملية لتحديد المعنى الصحيح للكلمة ذات المعاني المتعددة.
كلمة “الدب” هي مثال عظيم. يمكن أن يكون اسمًا يعني الحيوان في مكان خارجي أو فعلًا يشير إلى أن الفرد يدعم نوعًا ما من الحمل. وبدون هذا النوع من الفهم، لا تستطيع تطبيقات البرمجة اللغوية العصبية فهم النص.
التعرف على الكيان المسمى (NER)
التعرف على الكيانات المسماة (NER) يتعرف على كيانات معينة في النص ويستخرجها. هؤلاء هم الأشخاص والأماكن والمدارس والكيانات الأخرى باستخدام تقنيات الذكاء الاصطناعي.
يساعد هذا التطبيق في تحليل البيانات لتحديد العناصر الأساسية. على سبيل المثال، يمكن للمحللين القانونيين تحليل المستندات الكبيرة للعثور على المناطق التي تتحدث عن أشخاص وأماكن وأشياء محددة.
يستخدم Google أيضًا NER بشكل كبير في عرض نتائج البحث. فهو يحدد الكيانات الرئيسية على صفحات موقع الويب لمعرفة موضوعها وتحديد مدى ارتباطها بالبحث، مما يسمح لـ Google بعرض النتائج الأكثر صلة باستعلامات البحث.
تحليل المشاعر
تحليل المشاعر هو تحليل النص لتحديد مشاعر الكاتب. من المفيد النظر إلى المشاعر التي يحاول شخص ما نقلها، هل هي إيجابية أم سلبية أم محايدة؟
يعد هذا النوع من التحليل ممتازًا للتعرف على الرأي العام العام حول شيء ما باستخدام تقنيات الذكاء الاصطناعي. على سبيل المثال، خذ حدثًا عامًا يصنع الأخبار. من المرجح أن يتحدث الناس عنها على وسائل التواصل الاجتماعي والمنصات الأخرى.
يمكن للمنصات الإعلامية أخذ تلك التعليقات وتشغيلها من خلال برنامج البرمجة اللغوية العصبية (NLP) لتحليل المشاعر باستخدام تقنيات الذكاء الاصطناعي. ومن خلال ذلك، يمكنهم معرفة ما يشعر به الأشخاص تجاه حدث ما دون تحليل كل تعليق.
4. الأتمتة والروبوتات – Automation and robotics
الأتمتة والروبوتات شيئان لا يحتاجان إلى استخدام تقنيات الذكاء الاصطناعي. في الماضي، كانت مهام الأتمتة والروبوتات تؤدي مهام محددة مسبقًا يحددها المستخدم النهائي. وقد وفرت هذه القدرة قدرًا كبيرًا من المرونة في تقليل أعباء العمل، ولكنها كانت محدودة بما يمكن للمستخدم برمجته وتعليمه.
تغير تقنيات الذكاء الاصطناعي الأشياء من خلال منح الأنظمة الخبيرة القدرة على التعلم. يمكن للأنظمة الذكية الجديدة فحص المناطق المحيطة بها واستيعاب المعلومات الجديدة لاتخاذ إجراءات جديدة لم يقم المستخدمون بإنشائها.
تمنح هذه القدرات المهام الآلية والروبوتية المزيد من القدرات من خلال السماح لها بالتنقل في محيط غير معروف دون تدخل بشري، مثل السيارات ذاتية القيادة والمهام الروبوتية المتقدمة في التصنيع.
تطبيقات تقنيات الذكاء الاصطناعي
مع هذا الفهم لأنواع تقنيات الذكاء الاصطناعي المتاحة، دعونا نلقي نظرة على تطبيقات تقنيات الذكاء الاصطناعي المستخدمة اليوم.
- الرعاية الصحية. تسمح الأدوات الجديدة للباحثين بتحليل الأدوية بسرعة للبحث عن علاجات بديلة جديدة وأفضل، مثل تقنيات طي البروتين للتحليل السريع لبروتينات الأمراض الجديدة.
- التمويل. توفر الأدوات المالية المخصصة للأشخاص رؤى أفضل حول مواردهم المالية بما في ذلك اكتشاف الاحتيال. يعد برنامج الدردشة الآلي إيريكا التابع لبنك أوف أمريكا أحد الأمثلة.
- العمل. تسمح تقنيات الذكاء الاصطناعي للبيانات الضخمة للشركات بتحليل المزيد من البيانات لتحسين الحملة وأتمتة الحملات التسويقية.
- المواصلات. تستخدم المركبات ذاتية القيادة التعلم العميق والرؤية الحاسوبية للقيادة لمسافات أبعد وتصبح أكثر أمانًا على الطريق.
- الخدمات اللوجستية. فهم مقدار المخزون الذي تحتاجه ومتى تحتاج إليه من خلال التنبؤ بالطلب وتحقيق مستويات المخزون المثالية.
دع تقنيات الذكاء الاصطناعي تساعد في حل مشاكل العالم الحقيقي
لا توجد طريقة واحدة لتدريب خوارزميات الذكاء الاصطناعي. لديك البرمجة اللغوية العصبية (NLP) للمشكلات النصية، ورؤية الكمبيوتر لمهام الصور، والتعلم الآلي لتحليل البيانات. مع كل الخيارات المتاحة، يمكنك الوصول إلى صندوق أدوات كبير للتعامل مع أي مشكلة تواجهها في مجال عملك.
إذا كنت منخرطًا في عمل تجاري يريد الاستفادة من تقنيات الذكاء الاصطناعي، ففكر في البحث عن مهندسي الذكاء الاصطناعي على منصة نفذلي. وإذا كنت مستقلاً ولديك معرفة بتقنيات الذكاء الاصطناعي، فقم بالتسجيل للعثور على وظائف الذكاء الاصطناعي على نفذلي.
