الذكاء الاصطناعي: ما هو؟

الذكاء الاصطناعي: ما هو؟

الذكاء الاصطناعي هو التكنولوجيا التي تمكن أجهزة الكمبيوتر والأجهزة الأخرى من محاكاة استقلالية الإنسان وإبداعه وحل المشكلات والتعلم والفهم.

إن التطبيقات والأدوات التي تعمل بالذكاء الاصطناعي قادرة على رؤية الأشياء والتعرف عليها. وهي قادرة على فهم اللغة البشرية والتفاعل معها. وهي قادرة على اكتساب مهارات ومعارف جديدة. ويمكن للمستخدمين والخبراء على حد سواء تلقي توصيات مفصلة منها. وهي قادرة على التصرف من تلقاء نفسها، مما ينفي الحاجة إلى الذكاء البشري أو التدخل البشري (السيارة ذاتية القيادة هي مثال كلاسيكي).

ومع ذلك، في عام 2024، سيركز أغلب ممارسي الذكاء الاصطناعي والباحثين فيه ــ فضلاً عن أغلب الأخبار المتعلقة بالذكاء الاصطناعي ــ على التطورات في مجال الذكاء الاصطناعي التوليدي، وهو مجال دراسة يطور النصوص والرسومات ومقاطع الفيديو وأنواع أخرى من المحتوى الأصلي. إن فهم التعلم الآلي والتعلم العميق، وهما التقنيتان الأساسيتان اللتان تستند إليهما أدوات الذكاء الاصطناعي التوليدي، أمر بالغ الأهمية لفهم الذكاء الاصطناعي التوليدي في مجمله.

يمكن تصور التعلم الآلي
والذكاء الاصطناعي كمجموعة بسيطة من الأفكار المتداخلة أو المشتقة التي تطورت على مدار أكثر من 70 عامًا:

التعلم الآلي، الذي يرتبط ارتباطًا مباشرًا بالذكاء الاصطناعي، هو عملية بناء نماذج من خلال تعليم خوارزمية للتنبؤ أو إصدار الأحكام باستخدام البيانات. ويشمل مجموعة واسعة من الأساليب التي تسمح لأجهزة الكمبيوتر، دون برمجة صريحة لمهام معينة، بالتعلم من البيانات واستخلاص النتائج منها.

يشتمل التعلم الآلي على العديد من الخوارزميات والتقنيات، مثل الانحدار اللوجستي، وأشجار القرار، والغابات العشوائية، وآلات المتجهات الداعمة (SVMs)، والتجميع، وKNN، والانحدار الخطي، والمزيد. كل هذه الاستراتيجيات مناسبة لأنواع مختلفة من المشكلات ومجموعات البيانات.

من ناحية أخرى، تعد الشبكة العصبية، المعروفة أيضًا باسم الشبكة العصبية الاصطناعية، من بين أكثر أنواع خوارزميات التعلم الآلي استخدامًا. تم تصميم الشبكات العصبية لمحاكاة بنية وعمليات الدماغ البشري. وعلى غرار الخلايا العصبية، تتكون الشبكة العصبية من طبقات مترابطة من العقد التي تتعاون لمعالجة وتقييم المدخلات المعقدة. بالنسبة للوظائف التي تنطوي على اكتشاف أنماط وعلاقات معقدة بين كميات هائلة من البيانات، فإن الشبكات العصبية مناسبة جدًا.

باستخدام مجموعات البيانات المصنفة لتدريب الخوارزميات على تصنيف البيانات بدقة أو التنبؤ بالنتائج، يعد التعلم الخاضع للإشراف النوع الأكثر أساسية من التعلم الآلي. يتم إقران كل مثال تدريبي في التعلم الخاضع للإشراف بتسمية إخراج بواسطة البشر. والهدف من بيانات التدريب هو تعليم النموذج المطابقة بين المدخلات والمخرجات حتى يتمكن من التنبؤ بتسميات البيانات المكتشفة حديثًا.

الفهم العميق
يستخدم أحد فروع التعلم الآلي المعروف باسم “التعلم العميق” الشبكات العصبية متعددة الطبقات، أو “الشبكات العصبية العميقة”، والتي تحاكي بشكل أقرب قدرات اتخاذ القرار المعقدة في الدماغ البشري.

على عكس الشبكات العصبية المستخدمة في نماذج التعلم الآلي القياسية، والتي تتضمن عادةً طبقة مخفية واحدة أو طبقتين فقط، تحتوي الشبكات العصبية العميقة على طبقة إدخال، وثلاث طبقات مخفية على الأقل، ولكن عادةً مئات منها، وطبقة إخراج.

يصبح التعلم غير الخاضع للإشراف ممكنًا بفضل هذه الطبقات العديدة لأنها قادرة على استخراج الخصائص تلقائيًا من مجموعات بيانات كبيرة وغير منظمة وغير مصنفة واستنتاج استنتاجاتها الخاصة حول معنى البيانات.

يجعل التعلم العميق التعلم الآلي ممكنًا على نطاق واسع لأنه لا يتطلب تدخلًا بشريًا. وهو يعمل بشكل جيد في مجال الرؤية الحاسوبية ومعالجة اللغة الطبيعية (NLP) والتطبيقات الأخرى التي تتطلب التعرف السريع والدقيق على العلاقات والأنماط المعقدة في كميات هائلة من البيانات. تعتمد معظم تطبيقات الذكاء الاصطناعي (AI) في حياتنا اليومية اليوم على نوع ما من التعلم العميق.

• بالإضافة إلى ذلك، فإن التعلم العميق يجعل من الممكن:
• يقوم التعلم شبه الخاضع للإشراف بتدريب نماذج الذكاء الاصطناعي على مهام التصنيف والانحدار من خلال الاستفادة من البيانات المصنفة وغير المصنفة، وبالتالي الجمع بين التعلم الخاضع للإشراف وغير الخاضع للإشراف.
• استخدام البيانات غير المنظمة لإنشاء تسميات ضمنية من خلال التعلم الذاتي الإشرافي كبديل لمجموعات البيانات المصنفة لإشارات الإشراف.
• التعلم المعزز هو أسلوب للتعلم لا يعتمد على اكتشاف الأنماط؛ بل يستخدم بدلاً من ذلك التجربة والخطأ وأنظمة المكافأة.

التعلم الانتقالي هو عملية استخدام المعلومات من مهمة واحدة أو مجموعة من البيانات لتحسين أداء النموذج في مهمة ذات صلة أو مجموعة من البيانات.

الذكاء الاصطناعي التوليدي
عندما يطالب المستخدم أو يطلب إنشاء محتوى أصلي معقد، مثل نص طويل أو صور عالية الجودة أو فيديو أو صوت واقعي والمزيد، يشار إلى نماذج التعلم العميق باسم “الذكاء الاصطناعي التوليدي” أو “الذكاء الاصطناعي الجيلي”.

في الأساس، تأخذ النماذج التوليدية بيانات التدريب الخاصة بها وترميز تمثيل مبسط لها. ثم تستخدم هذا التمثيل لتوليد عمل جديد قريب من البيانات الأصلية ولكن ليس مطابقًا لها تمامًا.

لسنوات عديدة، استخدمت الإحصائيات نماذج توليدية لتحليل البيانات الرقمية. ومع ذلك، في السنوات العشر الماضية، تطورت هذه النماذج لتوليد وتحليل أنواع بيانات أكثر تعقيدًا. وفي نفس الوقت الذي تطور فيه هذا، ظهرت ثلاثة أنواع متقدمة من نماذج التعلم العميق:

تم تقديم أجهزة الترميز التلقائي المتغيرة، أو VAEs، في عام 2013، مما سمح للنماذج بإنتاج أشكال متعددة من المحتوى استجابةً لمطالبة أو تعليمات.

نماذج الانتشار هي صور تمت إضافة “ضوضاء” إليها حتى تصبح غير قابلة للتعرف عليها، ثم تتم إزالة الضوضاء لإنشاء صور أصلية استجابة للإشارات. تم تقديم هذه النماذج لأول مرة في عام 2014.

المحولات، المعروفة أيضًا باسم نماذج المحولات، هي برامج تنشئ تسلسلات محتوى ممتدة من خلال التدريب على البيانات المتسلسلة (على سبيل المثال، الكلمات في الجمل، والأشكال في الصور، وإطارات الفيديو، أو الأوامر في التعليمات البرمجية البرمجية). معظم أدوات الذكاء الاصطناعي التوليدية المشهورة اليوم، مثل ChatGPT وGPT-4 وCopilot وBERT وBard وMidjourney، مبنية حول المحولات.

كيف تعمل الذكاء الاصطناعي التوليدي
بشكل عام، يعمل الذكاء الاصطناعي التوليدي في ثلاث مراحل:

التدريب من أجل بناء نموذج أساسي.
الضبط، الذي يتيح تخصيص النموذج لاستخدام معين.
لزيادة الدقة، قم بالتوليد والتقييم والضبط الدقيق بشكل أكبر.