كل ما تريد معرفته عن الذكاء الاصطناعي في دقائق

أرحب بقراء هبر. انتباهكم مدعو إلى ترجمة المقال "كل ما تحتاج إلى معرفته عن الذكاء الاصطناعي - في أقل من 8 دقائق". . يستهدف المحتوى الأشخاص الذين ليسوا على دراية بمجال الذكاء الاصطناعي والذين يرغبون في الحصول على فكرة عامة عنه ، ثم ، ربما ، الخوض في أي من فروعه المحددة.

في بعض الأحيان يكون من المفيد معرفة القليل عن كل شيء (على الأقل للمبتدئين الذين يحاولون التنقل في المجالات التقنية الشائعة) من معرفة الكثير عن شيء واحد.

يعتقد الكثير من الناس أنهم على دراية بسيطة بالذكاء الاصطناعي. لكن هذه المنطقة صغيرة جدًا وتنمو بسرعة بحيث تحدث الاختراقات كل يوم تقريبًا. هناك الكثير لاكتشافه في هذا المجال العلمي حيث يمكن للمتخصصين من المجالات الأخرى الانضمام بسرعة إلى أبحاث الذكاء الاصطناعي وتحقيق نتائج مهمة.

هذه المقالة مخصصة لهم فقط. لقد حددت لنفسي هدف إنشاء مادة مرجعية قصيرة تسمح للأشخاص المتعلمين تقنيًا بفهم سريع للمصطلحات والأدوات المستخدمة لتطوير الذكاء الاصطناعي. آمل أن تكون هذه المواد مفيدة لمعظم الأشخاص المهتمين بالذكاء الاصطناعي الذين ليسوا متخصصين في هذا المجال.

مقدمة

الذكاء الاصطناعي (AI) والتعلم الآلي والشبكات العصبية هي مصطلحات تستخدم لوصف التقنيات القوية القائمة على التعلم الآلي التي يمكن أن تحل العديد من المشاكل من العالم الحقيقي.

أثناء التفكير واتخاذ القرارات وما إلى ذلك. مقارنة بقدرات الدماغ البشري في الآلات ، فهي بعيدة عن المثالية (فهي ليست مثالية ، بالطبع ، في البشر أيضًا) ، مؤخرًا ، تم إجراء العديد من الاكتشافات المهمة في مجال تقنيات الذكاء الاصطناعي والخوارزميات ذات الصلة. يلعب دور مهم من خلال العدد المتزايد من العينات الكبيرة من البيانات المتنوعة المتاحة لتدريب الذكاء الاصطناعي.

يتقاطع مجال الذكاء الاصطناعي مع العديد من المجالات الأخرى ، بما في ذلك الرياضيات والإحصاءات ونظرية الاحتمالات والفيزياء ومعالجة الإشارات والتعلم الآلي ورؤية الكمبيوتر وعلم النفس واللغويات وعلم الدماغ. تجذب القضايا المتعلقة بالمسؤولية الاجتماعية وأخلاقيات إنشاء الذكاء الاصطناعي الأشخاص المهتمين المشاركين في الفلسفة.

الدافع لتطوير تقنية الذكاء الاصطناعي هو أن المهام التي تعتمد على العديد من العوامل المتغيرة تتطلب حلولًا معقدة للغاية يصعب فهمها ويصعب حسابها يدويًا.

تتنامى آمال الشركات والباحثين والناس العاديين في التعلم الآلي للحصول على حلول للمشكلات التي لا تتطلب من الشخص وصف خوارزميات معينة. يتم إيلاء الكثير من الاهتمام لنهج الصندوق الأسود. تستغرق برمجة الخوارزميات المستخدمة لنمذجة وحل المشكلات المرتبطة بكميات كبيرة من البيانات الكثير من الوقت من المطورين. حتى عندما نتمكن من كتابة تعليمات برمجية تعالج كمية كبيرة من البيانات المختلفة ، غالبًا ما يكون مرهقًا جدًا وصعب الحفاظ عليه ويصعب اختباره (بسبب الحاجة إلى استخدام كمية كبيرة من البيانات حتى في الاختبارات).

التقنيات الحديثة للتعلم الآلي والذكاء الاصطناعي ، إلى جانب بيانات "التدريب" المختارة والمجهزة بشكل صحيح للأنظمة ، يمكن أن تسمح لنا بتعليم الكمبيوتر كيفية البرمجة لنا.

مراجعة

الذكاء - القدرة على إدراك المعلومات وحفظها كمعرفة لبناء سلوك تكيف في بيئة أو سياق

يمكن تطبيق هذا التعريف للذكاء من ويكيبيديا (الإنجليزية) على كل من الدماغ العضوي والجهاز. إن وجود الذكاء لا يعني وجود الوعي . هذا هو مفهوم خاطئ شائع قدمه كتاب الخيال العلمي إلى العالم.

حاول البحث في الإنترنت عن أمثلة للذكاء الاصطناعي - وستحصل على الأرجح على رابط واحد على الأقل إلى IBM Watson ، والذي يستخدم خوارزمية التعلم الآلي ، التي اشتهرت بعد فوزها في عرض ألعاب يسمى "Jeopardy" في عام 2011. ومنذ ذلك الحين ، خضعت الخوارزمية لبعض التغييرات واستخدمت في كقالب للعديد من التطبيقات التجارية المختلفة. تعمل Apple و Amazon و Google بنشاط لإنشاء أنظمة مماثلة في منازلنا وجيوبنا.

كانت معالجة اللغات الطبيعية والتعرف على الكلام أول الأمثلة على الاستخدام التجاري للتعلم الآلي. بعدها ظهرت المهام ، مهام أخرى لأتمتة التعرف (النص والصوت والصور والفيديو والوجوه ، وما إلى ذلك). تتزايد مجموعة تطبيقات هذه التقنيات باستمرار وتشمل المركبات غير المأهولة ، والتشخيصات الطبية ، وألعاب الكمبيوتر ، ومحركات البحث ، وفلاتر البريد العشوائي ، والتحكم في الجرائم ، والتسويق ، والتحكم في الروبوت ، ورؤية الكمبيوتر ، والنقل ، والتعرف على الموسيقى والمزيد.

إن الذكاء الاصطناعي جزء لا يتجزأ من التقنيات الحديثة التي نستخدمها لدرجة أن الكثيرين لا يفكرون فيها على أنها "ذكاء اصطناعي" ، أي أنهم لا يفصلونه عن تقنيات الكمبيوتر التقليدية. اسأل أي من المارة إذا كان هناك ذكاء اصطناعي في هاتفه الذكي ، وربما يجيب: "لا". لكن خوارزميات الذكاء الاصطناعي موجودة في كل مكان: من التنبؤ بالنص الذي تم إدخاله إلى التركيز التلقائي للكاميرا. يعتقد الكثيرون أن الذكاء الاصطناعي يجب أن يظهر في المستقبل. لكنه ظهر منذ بعض الوقت وهو هنا بالفعل.

مصطلح "AI" معمم تمامًا. تركز معظم الأبحاث الآن على مجال أضيق من الشبكات العصبية والتعلم العميق.

كيف يعمل دماغنا

إن الدماغ البشري هو كمبيوتر كربوني معقد يقوم ، وفقًا لتقديرات تقريبية ، بإجراء مليار مليار عملية في الثانية (1000 بيتافلوب) ، بينما يستهلك 20 واط من الطاقة. ينفذ حاسوب عملاق صيني يسمى "تيانهي -2" (الأسرع في العالم وقت كتابة هذا التقرير) 33،860 تريليون عملية في الثانية (33.86 بيتافلوب) ويستهلك 1،600،000 واط (17.6 ميغاوات). يتعين علينا القيام بقدر معين من العمل قبل أن تتمكن أجهزة الكمبيوتر المصنوعة من السيليكون من المقارنة بأجهزة الكربون التي تشكلت نتيجة للتطور.

إن الوصف الدقيق للآلية التي يستخدمها دماغنا "للتفكير" هو موضوع المناقشة والمزيد من البحث (أنا شخصياً أحب النظرية القائلة بأن عمل الدماغ مرتبط بالتأثيرات الكمية ، ولكن هذا موضوع لمقال آخر). ومع ذلك ، عادة ما يتم تصميم آلية عمل أجزاء من الدماغ باستخدام مفهوم الخلايا العصبية والشبكات العصبية. تشير التقديرات إلى أن الدماغ يحتوي على ما يقرب من 100 مليار خلية عصبية.



تتفاعل الخلايا العصبية مع بعضها البعض باستخدام قنوات خاصة تسمح لها بتبادل المعلومات. يتم وزن إشارات الخلايا العصبية الفردية ودمجها مع بعضها البعض قبل تنشيط الخلايا العصبية الأخرى. تتكرر معالجة هذه الرسائل المرسلة ، وتوليف وتفعيل الخلايا العصبية الأخرى في طبقات مختلفة من الدماغ. بالنظر إلى وجود 100 مليار خلية عصبية في دماغنا ، فإن مجموع التوليفات المرجحة لهذه الإشارات معقدة للغاية. وهذا أقل ما يقال.

لكن هذا لا ينتهي عند هذا الحد. يطبق كل عصبون وظيفة ، أو تحويلًا ، على إشارات الإدخال الموزونة قبل التحقق مما إذا تم الوصول إلى عتبة التنشيط. قد يكون تحويل إشارة الدخل خطيًا أو غير خطي.

في البداية ، تأتي إشارات الإدخال من مجموعة متنوعة من المصادر: حواسنا ، ووسائل المراقبة الداخلية لأداء الجسم (مستوى الأكسجين في الدم ، ومحتويات المعدة ، وما إلى ذلك) وغيرها. يمكن للخلايا العصبية الواحدة أن تتلقى مئات الآلاف من إشارات الإدخال قبل أن تقرر كيفية الاستجابة.

التفكير (أو معالجة المعلومات) والتعليمات الناتجة عنه ، التي تنتقل إلى عضلاتنا والأعضاء الأخرى هي نتيجة تحويل وإرسال إشارات الإدخال بين الخلايا العصبية من طبقات مختلفة من الشبكة العصبية. لكن الشبكات العصبية في الدماغ يمكن أن تتغير ويتم تحديثها ، بما في ذلك التغييرات في الخوارزمية لتوزين الإشارات المنقولة بين الخلايا العصبية. هذا يرجع إلى التعلم والخبرة.

تم استخدام هذا النموذج من الدماغ البشري كقالب لإعادة إنتاج قدرات الدماغ في محاكاة الكمبيوتر - شبكة عصبية اصطناعية.

الشبكات العصبية الاصطناعية (ANNs)

الشبكات العصبية الاصطناعية هي نماذج رياضية تم إنشاؤها عن طريق القياس مع الشبكات العصبية البيولوجية. ANNs قادرة على نمذجة ومعالجة العلاقات غير الخطية بين إشارات الإدخال والإخراج. يتم تحقيق الترجيح التكيفي للإشارات بين الخلايا العصبية الاصطناعية بفضل خوارزمية التعلم التي تقرأ البيانات المرصودة وتحاول تحسين نتائج معالجتها.



لتحسين تشغيل ANNs ، يتم استخدام تقنيات التحسين المختلفة. يعتبر التحسين ناجحًا إذا كان بإمكان ANN حل المهمة في وقت لا يتجاوز الإطار المحدد (الأطر الزمنية ، بالطبع ، تختلف من مهمة إلى أخرى).

تم تصميم ANN باستخدام طبقات متعددة من الخلايا العصبية. يسمى هيكل هذه الطبقات بنية النموذج. الخلايا العصبية هي وحدات حسابية منفصلة يمكنها تلقي بيانات الإدخال وتطبيق بعض الوظائف الرياضية عليها لتحديد ما إذا كان سيتم نقل هذه البيانات بشكل أكبر.

في نموذج بسيط من ثلاث طبقات ، تكون الطبقة الأولى طبقة إدخال ، تليها طبقة مخفية ، ثم طبقة مخرجات. تحتوي كل طبقة على عصبون واحد على الأقل.

نظرًا لتعقيد بنية النموذج عن طريق زيادة عدد الطبقات والخلايا العصبية ، تزداد احتمالية حل مشكلات ANN. ومع ذلك ، إذا كان النموذج "كبيرًا جدًا" لمهمة معينة ، فلا يمكن تحسينه إلى المستوى المطلوب. تسمى هذه الظاهرة بإفراط .

هندسة وتكوين واختيار خوارزميات معالجة البيانات هي المكونات الرئيسية لبناء ANN. تحدد جميع هذه المكونات الأداء والأداء العام للنموذج.

غالبًا ما تتميز النماذج بما يسمى بوظيفة التنشيط . يتم استخدامه لتحويل المدخلات المرجحة للخلايا العصبية إلى خرجها (إذا قرر العصبون نقل البيانات بشكل أكبر ، فإن هذا يسمى تنشيطه). هناك العديد من التحولات المختلفة التي يمكن استخدامها كوظائف تنشيط.

ANNs هي وسيلة قوية لحل المشكلات. ومع ذلك ، على الرغم من أن النموذج الرياضي لعدد صغير من الخلايا العصبية بسيط للغاية ، فإن نموذج الشبكة العصبية مع زيادة عدد أجزائه المكونة يصبح مربكًا للغاية. ولهذا السبب ، يُطلق على استخدام ANN أحيانًا نهج الصندوق الأسود. يجب النظر بعناية في اختيار ANN لحل المشكلة ، لأنه في كثير من الحالات لا يمكن تفكيك الحل النهائي الناتج وتحليله لماذا أصبح كذلك.

التعلم العميق

يستخدم مصطلح التعلم العميق لوصف الشبكات العصبية والخوارزميات المستخدمة فيها والتي تتلقى بيانات أولية (تتطلب بعض المعلومات المفيدة منها). تتم معالجة هذه البيانات التي تمر عبر طبقات الشبكة العصبية للحصول على الإخراج المطلوب.

التعلم بدون إشراف هو مجال تؤدي فيه تقنيات التعلم العميق أداءً جيدًا. ANN الذي تم تكوينه بشكل صحيح قادر على تحديد الميزات الرئيسية لبيانات الإدخال تلقائيًا (سواء كان نصًا أو صورًا أو بيانات أخرى) والحصول على نتيجة مفيدة لمعالجتها. بدون تدريب عميق ، غالبًا ما يقع البحث عن معلومات مهمة على أكتاف مبرمج يقوم بتطوير نظام لمعالجتها. إن نموذج التعلم العميق ، بمفرده ، قادر على إيجاد طريقة لمعالجة البيانات التي تسمح لك باستخراج معلومات مفيدة منها. عندما يتم تدريب النظام (أي أنه يجد الطريقة نفسها لاستخراج معلومات مفيدة من بيانات الإدخال) ، يتم تقليل متطلبات طاقة الحوسبة والذاكرة والطاقة للحفاظ على النموذج.

ببساطة ، تسمح خوارزميات التعلم باستخدام بيانات معدة خصيصًا "لتدريب" برنامج لأداء مهمة معينة.

يستخدم التعلم العميق لحل مجموعة واسعة من المشاكل ويعتبر أحد تقنيات الذكاء الاصطناعي المبتكرة. هناك أيضًا أنواع أخرى من التدريب ، مثل التعلم الخاضع للإشراف والتعلم شبه الخاضع للإشراف ، والتي تتميز بإدخال تحكم بشري إضافي على النتائج الوسيطة لتدريب الشبكة العصبية على معالجة البيانات (مما يساعد على تحديد ما إذا كان في الاتجاه الصحيح نظام متحرك).

تعلم الظل ( تعلم الظل ) - مصطلح يستخدم لوصف شكل مبسط من التعلم العميق ، حيث يسبق البحث عن الميزات الرئيسية للبيانات معالجتها بواسطة شخص وإدخال معلومات خاصة بالمجال الذي تتعلق به هذه البيانات. هذه النماذج أكثر "شفافية" (بمعنى الحصول على النتائج) وعالية الأداء بسبب زيادة الوقت المستغرق في تصميم النظام.

الخلاصة

الذكاء الاصطناعي أداة قوية لمعالجة البيانات ويمكنها إيجاد حلول للمشكلات المعقدة بشكل أسرع من الخوارزميات التقليدية المكتوبة من قبل المبرمجين. يمكن أن تساعد ANNs وتقنيات التعلم العميق في حل عدد من المشاكل المتنوعة. الجانب السلبي هو أن النماذج الأكثر تحسينًا غالبًا ما تعمل كـ "صناديق سوداء" ، مما يجعل من المستحيل دراسة أسباب اختيار حل أو آخر. هذه الحقيقة يمكن أن تؤدي إلى قضايا أخلاقية تتعلق بشفافية المعلومات.