This post is also available in: English (الإنجليزية)
ما هو الذكاء الاصطناعي؟
الذكاء الاصطناعي (AI) هو فرع واسع النطاق لعلوم الكمبيوتر يهتم ببناء آلات ذكية قادرة على أداء المهام التي تتطلب عادةً ذكاء يمتلكه البشر. بدأ تطور الذكاء الاصطناعي بتطوير آلات قادرة على ذلك
- يفكر بطريقة إنسانية
- فكر بعقلانية
- يتصرف بإنسانية
- تصرف بعقلانية
تتعلق الفكرتان الأوليان بعمليات التفكير والاستدلال ، بينما تتناول الفكرتان الأخريان السلوك.
المفاهيم الأساسية للذكاء الاصطناعي
الذكاء الاصطناعي هو علم متعدد التخصصات له مناهج متعددة ولكن التطورات في التعلم الآلي ، والتعلم العميق يخلق نقلة نوعية في كل قطاع تقريبًا من صناعة التكنولوجيا. تساعد دورات الذكاء الاصطناعي عبر الإنترنت الأطفال على التفوق في مجال الذكاء الاصطناعي والتعلم الآلي. في هذا المنشور ، سوف تكتشف هذين المفهومين الأساسيين للذكاء الاصطناعي.
1. تعلم الآلة
التعلم الآلي (ML) هو علم لتصميم وتطبيق الخوارزميات القادرة على تعلم الأشياء من الحالات السابقة. إذا كان بعض السلوك موجودًا في الماضي ، فقد تتنبأ به في المستقبل ، ولكن إذا لم تكن هناك حالات سابقة ، فلا يمكنك التنبؤ بها.
يمكن تطبيق التعلم الآلي لحل المشكلات الصعبة مثل الكشف عن الاحتيال ببطاقات الائتمان وتمكين السيارات ذاتية القيادة واكتشاف الوجوه والتعرف عليها.
يستخدم ML خوارزميات معقدة تتكرر باستمرار على مجموعات البيانات الكبيرة ، وتحلل الأنماط في البيانات وتسهل على الآلات الاستجابة للمواقف المختلفة التي لم تتم برمجتها بشكل صريح من أجلها. تتعلم الآلات من التاريخ لإنتاج نتائج موثوقة.
تتكون أنظمة ML من ثلاثة أجزاء رئيسية ، وهي
- النموذج: النظام الذي يقوم بالتنبؤات.
- البارامترات: العوامل التي يستخدمها النموذج لتشكيل قراراته.
- المتعلم: النظام الذي يعدل المعلمات وبدوره النموذج من خلال النظر في الاختلافات في التنبؤات والنتيجة الفعلية.
هناك 3 مجالات رئيسية من ML:
التعلم الخاضع للإشراف
التعلم الخاضع للإشراف له وجود مشرف كمدرس. يتم استخدام مصطلح التعلم الخاضع للإشراف عندما نقوم بتدريس أو تدريب الآلة باستخدام البيانات المصنفة جيدًا. هذا يعني أنه تم بالفعل تمييز بعض البيانات بالإجابة الصحيحة. بعد ذلك ، يتم تزويد الجهاز بمجموعة جديدة من الأمثلة (البيانات) بحيث تقوم خوارزمية التعلم الخاضعللإشراف بتحليل بيانات التدريب (مجموعة من أمثلة التدريب) وتنتج نتيجة صحيحة من البيانات المصنفة.
لفهم هذا ، دعونا نفكر في مثال لتدريب آلة على التعرف على الفاكهة. للقيام بذلك ، يتم تزويده بجميع أنواع الفاكهة المختلفة مثل هذا:
- إذا كان شكل الكائن مستديرًا وله انخفاض في الجزء العلوي ، ولونه أحمر ، فسيتم تسميته – Apple.
- إذا كان شكل الكائن عبارة عن أسطوانة منحنية طويلة ذات لون أخضر-أصفر ، فسيتم تسميته – الموز.
الآن بعد التدريب ، يتم تزويد آلة بفاكهة منفصلة جديدة ، على سبيل المثال الموز ، ويطلب تحديدها. نظرًا لأن الآلة قد تعلمت بالفعل الأشياء من البيانات السابقة وعليها هذه المرة استخدامها بحكمة. ستقوم أولاً بتصنيف الفاكهة بشكلها ولونها وتأكيد اسم الفاكهة على أنه موز. وهكذا تتعلم الآلة الأشياء من بيانات التدريب (سلة تحتوي على فواكه) ثم تطبق المعرفة على بيانات الاختبار (فاكهة جديدة).
تعليم غير مشرف عليه
التعلم غير الخاضع للإشراف هو تدريب الآلة باستخدام المعلومات غير المصنفة أو المصنفة والسماح للخوارزمية بالتصرف بناءً على تلك المعلومات دون توجيه. تتمثل مهمة الجهاز هنا في تجميع المعلومات غير المصنفة وفقًا لأوجه التشابه والأنماط والاختلاف دون أي تدريب مسبق للبيانات.
على سبيل المثال ، يتم إعطاء آلة صورة بها كلاب وقطط لم ترها من قبل. وبالتالي فإن الآلة ليس لديها فكرة عن سمات الكلاب والقطط لذلك لا يمكن تصنيفها على أنها “كلاب” و “قطط”. ولكن يمكنه تصنيفها وفقًا لأوجه التشابه والأنماط والاختلاف بينهما ويمكن بسهولة تصنيف الصورة المعطاة إلى جزأين. الأول يحتوي على جميع الصور التي تحتوي على كلاب والجزء الثاني يحتوي على جميع الصور التي تحتوي على قطط. يسمح للنموذج بالعمل من تلقاء نفسه لاكتشاف الأنماط والمعلومات التي لم يتم اكتشافها سابقًا.
تعزيز التعلم
التعلم المعزز هو نوع من تقنيات التعلم الآلي التي تمكن الوكيل من التعلم في بيئة تفاعلية عن طريق التجربة والخطأ باستخدام الملاحظات من أفعاله وتجاربه.
على الرغم من أن كل من التعلم الخاضع للإشراف والتعلم المعزز يستخدم التخطيط بين المدخلات والمخرجات ، على عكس التعلم الخاضع للإشراف حيث تكون التعليقات المقدمة إلى الوكيل هي المجموعة الصحيحة من الإجراءات لأداء مهمة ما ، يستخدم التعلم المعزز المكافآت والعقاب كإشارات للسلوك الإيجابي والسلبي.
بالمقارنة مع التعلم غير الخاضع للإشراف ، يختلف التعلم المعزز من حيث الأهداف. في حين أن الهدف من التعلم غير الخاضع للإشراف هو إيجاد أوجه التشابه والاختلاف بين نقاط البيانات ، فإن الهدف في التعلم المعزز هو إيجاد نموذج عمل مناسب من شأنه زيادة المكافأة التراكمية الإجمالية للعامل. يمثل الشكل أدناه الفكرة الأساسية والعناصر المشاركة في نموذج التعلم المعزز.
دعنا نفكر في مثال لمشكلة حيث لدينا وكيل ومكافأة ، مع وجود العديد من العقبات بينهما. من المفترض أن يجد الوكيل أفضل طريق ممكن للوصول إلى المكافأة.
انظر إلى الصورة أعلاه التي تظهر الروبوت والماس والنار. الهدف من الروبوت هو الحصول على المكافأة الماسية وتجنب العوائق التي هي نيران. يتعلم الروبوت من خلال تجربة جميع المسارات الممكنة ثم اختيار المسار الذي يكافئه بأقل قدر من العقبات.
تعلم عميق
التعلم العميق هو أحد أساليب التعلم الآلي التي تعلم أجهزة الكمبيوتر أن تفعل ما هو طبيعي للبشر – التعلم بالقدوة. التعلم العميق هو تقنية أساسية وراء السيارات ذاتية القيادة ، مما يمكّنها من التعرف على علامة التوقف أو تمييز المشاة عن عمود الإنارة.
في التعلم العميق ، يتعلم نموذج الكمبيوتر أداء مهام التصنيف مباشرة من الصور أو النص أو الصوت. يتم تدريب النماذج باستخدام مجموعة كبيرة من البيانات ذات العلامات وبنى الشبكات العصبية التي تحتوي على طبقات عديدة.
تستخدم معظم طرق التعلم العميق بنى الشبكات العصبية ، ولهذا السبب غالبًا ما يشار إلى نماذج التعلم العميق باسم الشبكات العصبية العميقة. يشير مصطلح “عميق” عادة إلى عدد الطبقات المخفية في الشبكة العصبية. تحتوي الشبكات العصبية التقليدية على طبقتين أو ثلاث طبقات مخفية فقط ، بينما يمكن أن تحتوي بعض الشبكات العميقة على 150 طبقة.
يتم تدريب نماذج التعلم العميق باستخدام مجموعات كبيرة من البيانات المصنفة وبنى الشبكات العصبية التي تتعلم الميزات مباشرة من البيانات دون الحاجة إلى استخراج الميزات يدويًا.
ما هي الشبكات العصبية؟
الشبكات العصبية عبارة عن مجموعة من الخوارزميات ، تم تصميمها بشكل فضفاض على غرار الدماغ البشري ، وهي مصممة للتعرف على الأنماط. يفسرون البيانات الحسية من خلال نوع من إدراك الآلة أو وضع العلامات أو تجميع المدخلات الأولية. الأنماط التي يتعرفون عليها هي أنماط رقمية ، مضمنة في المتجهات ، حيث يجب ترجمة جميع بيانات العالم الحقيقي – الصور أو الصوت أو النص أو السلاسل الزمنية.
الفرق بين التعلم الآلي والتعلم العميق
التعلم العميق هو شكل متخصص من أشكال التعلم الآلي. يبدأ سير عمل التعلم الآلي بالميزات ذات الصلة التي يتم استخلاصها يدويًا من الصور. ثم يتم استخدام الميزات لإنشاء نموذج يصنف الكائنات في الصورة. باستخدام سير عمل التعلم العميق ، يتم استخراج الميزات ذات الصلة تلقائيًا من الصور. إلى جانب ذلك ، يؤدي التعلم العميق “التعلم الشامل” – حيث يتم إعطاء الشبكة بيانات أولية ومهمة تؤديها ، مثل التصنيف ، وتتعلم كيفية القيام بذلك تلقائيًا.
تتمثل الميزة الرئيسية لشبكات التعلم العميق في أنها غالبًا ما تستمر في التحسن مع زيادة حجم بياناتك.
