الذكاء الاصطناعي (AI) يغير عالمنا. ولكن كيف تفكر الآلة حقًا؟ اكتشف كيف تحاكي
خوارزميات التعلم الآلي العقل البشري.
لم يعد الذكاء الاصطناعي نتاج أفلام الخيال العلمي ، بل أصبحنا نعيشه كل يوم.
من المساعدين الافتراضيين إلى ChatGPT أو مولدات الصور، الذكاء الاصطناعي
موجود في حياتنا. ولكن كيف يمكن للآلة أن "تفكر" مثل الإنسان؟
خوارزميات التعلم الآلي
خوارزميات التعلم الآلي هي قلب الذكاء الاصطناعي . تسمح هذه الخوارزميات
للآلات بالتعلم من البيانات وإجراء التنبؤات أو القرارات دون أن تتم برمجتها
بشكل صريح للقيام بذلك.
- التعلم الخاضع للإشراف: يشبه التعلم الخاضع للإشراف تعليم الطفل كيفية التعرف على الحيوانات المختلفة من خلال عرض صور مصنفة عليها . على سبيل المثال، نعرض لك صورة كلب ونقول "هذا كلب"، ثم نعرض لك صورة قطة ونقول "هذه قطة". بعد رؤية العديد من الصور ذات العلامات، سيتعلم الطفل التعرف على الكلاب والقطط بنفسه. وفي عالم الذكاء الاصطناعي الأمر مشابه. "تتعلم" الآلة من الأمثلة ذات العلامات، حيث يحتوي كل مثال على "علامة" تشير إلى الإجابة الصحيحة. على سبيل المثال، إذا أردنا أن يقوم الجهاز بتصنيف رسائل البريد الإلكتروني كبريد عشوائي أو غير بريد عشوائي، فإننا نعطيه مجموعة من رسائل البريد الإلكتروني التي تحمل علامة "البريد العشوائي" أو "ليست بريدًا عشوائيًا". يستخدم الجهاز هذه الأمثلة للتعلم ويمكنه بعد ذلك التنبؤ بما إذا كانت رسالة البريد الإلكتروني الجديدة عبارة عن بريد عشوائي أم لا.
- التعلم غير الخاضع للرقابة: تخيل أن لديك صندوقًا مليئًا بأشياء مختلفة الأشكال والألوان، ولكن بدون علامات تشير إلى ماهيتها. مهمتك هي تنظيم تلك الكائنات بذكاء دون معرفة ما تمثله. يشبه التعلم غير الخاضع للرقابة كونك محققًا ذكيًا يفحص كل كائن بعناية ويبحث عن أوجه التشابه والاختلاف . عند العثور على كائنات متشابهة، يمكنك تجميعها في أكوام منفصلة بناءً على خصائصها. على سبيل المثال، يمكنك تجميع كل الكرات معًا، وكل الأشكال الهندسية معًا، وكل قطع اللغز معًا، على الرغم من أنك لا تعرف بالضبط الصورة التي تشكلها. وبالمثل، في التعلم غير الخاضع للرقابة، تقوم الآلة بفحص البيانات غير المسماة وتبحث عن الأنماط أو أوجه التشابه بينها. يمكنك تجميع العملاء إلى فئات مختلفة بناءً على عادات التسوق الخاصة بهم، مثل أولئك الذين يشترون الأجهزة الإلكترونية، والذين يشترون الملابس، والذين يشترون الطعام. ويمكنه أيضًا اكتشاف الحالات الشاذة في حركة مرور الويب، وتحديد السلوك غير المعتاد الذي قد يشير إلى نشاط أو أخطاء مشبوهة في النظام.
- التعلم المعزز: يشبه التعلم المعزز تعليم الروبوت لعب لعبة أو قيادة السيارة مثل طفل صغير . تخيل أن الروبوت يشبه الطفل الذي يتعلم ركوب الدراجة. في البداية لا يعرف الطفل كيفية التوازن وقد يسقط عدة مرات. ولكن في كل مرة يتوازن فيها الطفل ويخطو بضع خطوات على الدراجة، يقدم له والداه مكافأة كمكافأة. في التعلم المعزز، يبدأ الروبوت دون معرفة كيفية لعب اللعبة أو قيادة السيارة، ولكن عندما يتفاعل مع البيئة وينفذ الإجراءات، فإنه يتلقى المكافآت أو العقوبات. إذا اتخذ الروبوت قرارًا جيدًا وتحرك نحو الهدف، فإنه يحصل على مكافأة، مثل نقاط في اللعبة أو الوصول إلى وجهته في القيادة الذاتية. إذا اتخذ الروبوت قرارًا سيئًا وأخطأ، فإنه يتلقى عقوبة، مثل فقدان النقاط أو الاصطدام في اللعبة أو أثناء القيادة. وبمرور الوقت، يتعلم الروبوت أي الأفعال هي الأفضل وأيها يجب تجنبها، حيث يسعى إلى تحقيق أقصى قدر من المكافآت وتقليل العقوبات. يبدو الأمر كما لو أن الروبوت يتعلم من خلال التجربة والتجربة والخطأ، تمامًا مثلما يتعلم الطفل ركوب الدراجة.
هذه هي الثلاثة الرئيسية، ولكن هناك أيضًا أشياء أخرى تستحق المعرفة:
- التعلم شبه الخاضع للإشراف: يجمع بين عناصر التعلم الخاضع للإشراف وغير الخاضع للإشراف. يكون ذلك مفيدًا عندما يكون لديك الكثير من البيانات غير المسماة وكمية صغيرة من البيانات المسماة. يمكن استخدامه في تصنيف المستندات عندما يتم تصنيف بعض المستندات فقط.
- التعلم متعدد المثيلات: يسمح هذا الأسلوب لمثيل واحد (أو مثال) بالحصول على تسميات متعددة. إنه مفيد في مواقف مثل تصنيف الصور حيث قد تحتوي الصورة على كائنات متعددة.
- نقل التعلم: يسمح بضبط النموذج الذي تم تدريبه على مهمة واحدة بشكل دقيق واستخدامه في مهمة ذات صلة. على سبيل المثال، يمكن ضبط النموذج الذي تم تدريبه على التعرف على القطط ليتعرف على الكلاب.
تمثل هذه الأساليب مجموعة متنوعة من الأساليب في مجال التعلم الآلي. ولكل
منها تطبيقاتها وتحدياتها الخاصة، ويعتمد اختيار الطريقة المناسبة على طبيعة
المهمة والبيانات المتاحة.
الشبكات العصبية والتعلم العميق
تعد الشبكات العصبية والتعلم العميق من المكونات الأساسية للذكاء الاصطناعي
الحديث. تحاكي هذه التقنيات الطريقة التي تتفاعل بها الخلايا العصبية في
الدماغ البشري وتعالج المعلومات.
هناك عدة أنواع من الشبكات، بالإضافة إلى المفاهيم المستخدمة على نطاق واسع
في هذا القطاع، ومن أشهرها:
الشبكات العصبية التقليدية
تتكون هذه الشبكات من عقد أو "خلايا عصبية" متصلة ببعضها البعض . كل من هذه
الروابط لها وزن وقيمة أهمية يتم تعديلها أثناء التدريب. وهي تُستخدم على
نطاق واسع في معالجة الصور، وكذلك في التعرف على الصوت (يمكن استخدامها
للتعرف على الوجوه في الصور الفوتوغرافية أو تحويل الكلام إلى نص، على سبيل
المثال).
لفهمها بشكل أفضل، تخيل أوركسترا من الموسيقيين حيث يمثل كل واحد منهم "خلية
عصبية" في شبكة عصبية تقليدية. تأخذ كل خلية عصبية جزءًا صغيرًا من الموسيقى
وتقوم بتشغيلها بشكل فريد، بشكل مستقل في البداية.
يوجد في هذه الأوركسترا مخرج يقوم بالتنسيق وإعطاء أهمية أكبر لموسيقي واحد
أكثر من الآخر حسب النتيجة الإجمالية للمقطوعة. ويمثل المخرج "الأوزان" في
الشبكة العصبية، والتي تحدد أهمية كل خلية عصبية في اتخاذ القرارات النهائية.
سوف يعزف الكمان على ارتفاع أعلى، والأبواق على مستوى منخفض... كل شيء يمكن
أن يتغير حسب ما هو مطلوب.
مع تدفق الموسيقى، يبدأ كل موسيقي عصبي في توصيل أعماله إلى الآخرين، ومشاركة
اكتشافاته والمساهمة في الأداء العام. في كل مرة يتم عزف نفس الموسيقى في
المستقبل، ستعمل الأوركسترا على تحسين أدائها وشحذ تفسيرها والتقاط الفروق
الدقيقة وتفاصيل المقطوعة الموسيقية بشكل أكثر دقة، حيث أن كل خلية عصبية
تكون أكثر ذكاءً، وتقوم بعملها بشكل أفضل، وتعرف التواصل بشكل أفضل مع
الآخرين.
في النهاية، تمثل الأوركسترا بأكملها شبكة عصبية تقليدية تعلمت التعرف على
الأنماط في الموسيقى، مثل الأوتار والألحان والإيقاعات، لتحديد تكوين مقطوعة
موسيقية معينة. مثلما يعمل الموسيقيون معًا لإنتاج لحن متماسك، تعمل الخلايا
العصبية في الشبكة العصبية التقليدية معًا لأداء مهام معقدة، مثل التعرف على
الصور، ومعالجة اللغة الطبيعية، والعديد من التطبيقات الأخرى المثيرة للذكاء
الاصطناعي.
تعلم عميق
التعلم العميق هو فئة فرعية من الشبكات العصبية التي تستخدم شبكات عميقة ذات
طبقات مخفية متعددة . يتيح ذلك للشبكة معالجة المعلومات المعقدة وتنفيذ مهام
مثل الترجمة التلقائية للغة أو إنشاء الأعمال الفنية.
تخيل أن دماغ الآلة عبارة عن شبكة معقدة من الأنفاق تحت الأرض. يوجد على
السطح سلسلة من الأبواب التي تسمح بدخول المعلومات والخروج منها. يمثل كل نفق
طبقة من المعرفة، وتتصل كل طبقة بالأخرى بطرق عميقة ومعقدة.
يشبه التعلم العميق مستكشفًا مقدامًا يسافر عبر تلك الأنفاق ، ويكتشف الأنماط
المخفية والروابط ذات المعنى. ومع تقدمهم، يواجه المستكشف تحديات وعقبات،
لكنه يتعلم من كل تجربة للتغلب عليها في المستقبل.
كلما تعمقت مغامرات المستكشف، زادت معرفته وفهمه لعالم الآلة تحت الأرض . مثل
المسافر الذي لا يكل، يستفيد التعلم العميق من الروابط بين الطبقات لاستخراج
معلومات قيمة واتخاذ قرارات أكثر دقة وتطورًا.
مثلما يستطيع المستكشف العميق اكتشاف الكنوز المخبأة في أعماق الأرض، فإن
التعلم العميق يكشف النقاب عن كنوز المعرفة المخبأة في البيانات. ومع اكتساب
المستكشف الحكمة، يمكن للآلة استخدام تلك المعرفة لأداء مهام معقدة ومدهشة،
مثل التعرف على الوجوه، أو ترجمة اللغات، أو إنشاء أعمال فنية.
بالإضافة إلى هذين المفهومين الرئيسيين، لدينا مفهومان آخران مهمان
للغاية:
- الشبكات العصبية التلافيفية (CNN): متخصصة في معالجة الصور، ويمكن للشبكات العصبية التلافيفية التعرف على الأشياء وتصنيفها داخل الصور، مثل التعرف على قطة في صورة أو تشخيص الأمراض من خلال الصور الطبية.
- الشبكات العصبية المتكررة (RNN): تعتبر شبكات RNN رائعة لمعالجة تسلسل البيانات، مثل السلاسل الزمنية أو النصوص. يتم استخدامها في تطبيقات مثل التنبؤ بسوق الأوراق المالية أو إنشاء النص المستقل.
- شبكات الخصومة التوليدية (GANs): تُستخدم شبكات GAN لإنشاء محتوى جديد، مثل الصور الواقعية لوجوه غير موجودة.
تقود الشبكات العصبية والتعلم العميق التقدم في مجالات تتراوح من الطب إلى
الترفيه. إن قدرتهم على التعلم والتكيف مع كميات كبيرة من البيانات تجعلهم
أداة قوية في عصر المعلومات.
كيف "تفكر" الآلة
الآلات لا تفكر بالمعنى البشري . ومع ذلك، يمكنهم معالجة المعلومات والتعلم
منها بطريقة مشابهة لما يفعله دماغنا، كل ذلك بفضل الشبكات وآليات التعلم
التي تمت مناقشتها أعلاه.
يتم ذلك بشكل عام من خلال أربع خطوات:
- إدخال البيانات: يستقبل الجهاز البيانات، مثل الصور أو النصوص.
- المعالجة: تستخدم الخوارزميات لتحليل البيانات.
- الإخراج: إنتاج تنبؤ أو إجراء بناءً على التحليل.
- التغذية الراجعة: تتعلم الآلة من الأخطاء وتعدل استجاباتها.
ما هو واضح هو أن الذكاء الاصطناعي موجود ليبقى. من خلال الخوارزميات المعقدة
ومعالجة البيانات، يمكن للآلات أن "تفكر" وتتعلم بشكل مماثل للبشر، لكن
الإبداع قصة أخرى.
يتمتع الذكاء الاصطناعي بالقدرة على تغيير عالمنا، ولكن يجب علينا التعامل معه بمسؤولية ووعي.
على الرغم من أن الذكاء الاصطناعي أثبت قدرته بشكل مدهش في مختلف المهام
الإبداعية، مثل توليد الموسيقى والفن والكتابة، إلا أنه لا يزال يواجه قيودًا
كبيرة مقارنة بالإبداع البشري. على الرغم من التقدم المثير للإعجاب في مجال
التعلم العميق والشبكات العصبية، إلا أن الذكاء الاصطناعي يفتقر إلى الفهم
العميق والحدس والعاطفة المتأصلة في العملية الإبداعية البشرية . الإبداع
البشري مدفوع بالتجارب والعواطف والأفكار المجردة والقدرة على التفكير خارج
الحدود القائمة. يصعب تكرار هذه الجوانب الأساسية للإبداع في الآلة. في حين
أن الذكاء الاصطناعي قادر على إنشاء محتوى أصلي ومعقول، فإنه لا يزال يناضل
من أجل التقاط جوهر الفردية والتعبير الفني الحقيقي.
وبينما نواصل استكشاف هذه التكنولوجيا وتطويرها، فمن الضروري أن نأخذ في
الاعتبار إمكاناتها وتحدياتها الأخلاقية. يتمتع الذكاء الاصطناعي بالقدرة على
تغيير عالمنا، ولكن يجب علينا التعامل معه بمسؤولية ووعي .
مراجع:
- آي بي إم. التعلم الخاضع للإشراف: ما هو وكيف يتم استخدامه آي بي إم.
- خدمات الويب الأمازون. ما هي الشبكة العصبية؟ خدمات الويب الأمازون.
- جودفيلو، إيان وآخرون (2014). شبكات الخصومة التوليدية. التقدم في أنظمة معالجة المعلومات العصبية. 3.10.1145/3422622.
- يورغن شميدهوبر، التعلم العميق في الشبكات العصبية: نظرة عامة، الشبكات العصبية، المجلد 61، 2015، الصفحات 85-117، ISSN 0893-6080، https://doi.org/10.1016/j.neunet.2014.09.003
- آي بي إم. الشبكات العصبية المتكررة: ما هي وكيف تعمل. آي بي إم.
تابعنا على