ملخص
برز الذكاء الاصطناعي (AI) في السنوات الأخيرة، باعتباره تكنولوجيا تغيرية قادرة على تشكيل عالمنا بطرق لا حصر لها وإحداث ثورة في العديد من جوانب حياتنا، مثل الوظائف التي يقوم بها البشر، وفي مجالات الرعاية الصحية والحروب والعلاقات الدولية…وهذا ما يجعل الاطلاع على هذا المجال وتكوين فكرة عنه مطلبًا لا غنى عنه لكل مواطن. وتُعد المصطلحات المستعملة في مجال الذكاء الاصطناعي المدخل الأساس لفهمه.
يضم دليل مصطلحات الذكاء الاصطناعي، في هذه الدراسة الوصفية، مجموعة محددة ومنهجية من المصطلحات التي اختيرت بعناية لتقريب هذا الحقل الجديد إلى القارئ. وكان اختيار هذه المصطلحات بناءً على عدد الأبحاث العلمية المنشورة على جوجل العلمي “Google Scholar“.
يقدم الدليل تصورًا شاملًا للمصطلحات وتحليلاتها، فضلًا عن الوقوف على العلاقات المعقدة بين المفاهيم وتطبيقاتها العملية ويعرِّف المصطلحات تعريفًا دقيقًا، فيحلل أهمية المصطلح ويورد مثالًا تطبيقيًّا يسلط الضوء على استخدامه العملي.
Abstract
Artificial intelligence has emerged in recent years as a transformative technology capable of shaping our world in countless ways and revolutionising many aspects of our lives, such as the tasks performed by humans as well as healthcare, warfare and international relations. This makes gaining insight into this field and forming an understanding of it an essential requirement for every citizen. The terminology used in the field of artificial intelligence serves as the fundamental entry point to comprehend it.
The Artificial Intelligence Terminology Guide, in this descriptive study, comprises a specific and systematic selection of terms that have been carefully chosen to introduce this new field to the reader. The selection of these terms was based on the number of scientific research publications on Google Scholar.
The guide provides a comprehensive overview of the terms and their analyses, as well as delves into the complex relationships between concepts and their practical applications. It defines the terms precisely, analyses their significance, and offers examples of practical application to highlight their practical use.
Keywords : The Artificial Intelligence, Terminology, Applications, Terms.
مقدمة
تغلغل الذكاء الاصطناعي في حياتنا اليومية بشكل كبير وخاصة مع ظهور تطبيقاته. وهذا ما جعل بعض الخبراء يسمون هذا العام عام الذكاء الاصطناعي؛ مما يستدعي وضع دليل مرجعي باللغة العربية لأبرز المصطلحات والمفاهيم الأساسية المستخدمة في مجال الذكاء الاصطناعي ليكون مصدرًا يلبي احتياجات الطلاب والباحثين والمهتمين بالذكاء الاصطناعي.
يقدم هذا الدليل، الذي تم تنظيمه في فئات تقنية وعلمية، تفسيرات واضحة ودقيقة للمصطلحات الأساسية للذكاء الاصطناعي ومفاهيم الأتمتة، وتعقيدات التعلم الآلي وتقنيات التعلم العميق.
ويهدف الدليل، الذي يحوي 38 مصطلحًا، إلى توضيح كيفية عمل هذه التقنيات وتسليط الضوء على تطبيقاتها العملية.
تشمل المصطلحات الواردة في هذا الدليل مجالات متنوعة وحيوية في عالم الذكاء الاصطناعي وتكنولوجيا المعلومات. وهي مُستقاة من مصادر علمية موثوقة ووقع اختيارها بناءً على وتيرة تكرارها في الأبحاث والدراسات المنشورة على محرك بحث جوجل العلمي. ويعطي الدليل نبذة عن كل مصطلح مع مصدر علمي، ويوضح علاقة المصطلح بالذكاء الاصطناعي، فضلًا عن مثال تطبيقي لزيادة الفهم والإلمام.
- الأساسيات والمبادئ (Basics and Principles):
الذكاء الاصطناعي (AI – Artificial Intelligence)
الذكاء الاصطناعي هو مجموعة من التقنيات والأساليب التي تسمح للأجهزة الكمبيوترية بمحاكاة قدرات البشر في التعلم والتفكير واتخاذ القرارات. يعتمد الذكاء الاصطناعي، في الأساس، على إعطاء الأجهزة القدرة على معالجة المعلومات والرد عليها بطرق تشبه كيفية تعامل البشر مع هذه المعلومات. يتمحور الذكاء الاصطناعي، بشكل أساسي، حول تمكين الآلات من القدرة على معالجة المعلومات وصياغة استجابات تشبه تلك الخاصة بالإدراك البشري. ويُعد العمود الفقري لتطوير التقنيات المبتكرة مثل الروبوتات، والسيارات ذاتية القيادة، وأنظمة التوصية(1).
إن الذكاء الاصطناعي هو المصطلح الشامل لجميع جوانب منح الآلات قدرات التفكير والتعلم واتخاذ القرار. إنه بمنزلة الأساس الحيوي للابتكارات التكنولوجية الرائدة مثل الروبوتات، والمركبات ذاتية القيادة، وأنظمة التوصية. ويمكن تصوره على أنه دائرة افتراضية كبيرة تضم كل المصطلحات التي سترد في هذا الدليل.
مثال: يمكن للمتاجر عبر الإنترنت من خلال تسخير قوة الذكاء الاصطناعي، التعمق في تحليل سلوك العملاء وذلك بتتبع أنماط التصفح، والوقت الذي يقضيه العملاء في صفحات معينة، وسجل الشراء، مما يُمكن خوارزميات الذكاء الاصطناعي من تصميم توصيات مخصصة تتماشى مع الاهتمامات الفردية، وبالنتيجة يؤدي إلى الارتقاء بتجربة التسوق، وتحسين رضا العملاء وزيادة إيرادات المتجر.
الأتمتة(Automation)
هي تطبيق تقنيات وأنظمة لتنفيذ مجموعة من المهام أو العمليات دون تدخل الإنسان، والاعتماد بشكل كامل على أجهزة الحاسوب والبرمجيات والتكنولوجيا لتنفيذ الأنشطة بشكل تلقائي، مما يؤدي إلى زيادة الكفاءة وتقليل الأخطاء البشرية.(2)
العلاقة مع الذكاء الاصطناعي: يلعب الذكاء الاصطناعي دورًا مهمًّا في تحسين الأتمتة. ويمكن استخدام تقنيات الذكاء الاصطناعي مثل التعلم الآلي ومعالجة اللغة الطبيعية ورؤية الحاسوب لمساعدة الأنظمة الآلية على اتخاذ قرارات ذكية.
مثال: لنضرب مثالًا بسيطًا عن الأتمتة وعلاقتها بالذكاء الاصطناعي في مجال خدمة العملاء. في السابق كان من الضروري أن يقوم موظف خدمة العملاء بتلقي مكالمات العملاء وتقديم المساعدة، لكن في ظل تطور أنظمة الذكاء الاصطناعي جرى تطوير أنظمة التشغيل الآلي التي تستخدم الذكاء الاصطناعي لفهم استفسارات العملاء والرد عليها تلقائيًّا.
الروبوتات (Robots)
الروبوتات هي آلات متطورة تعمل بشكل ذاتي وتتحكم في نفسها، مجهزة بمستشعرات ومعالجات لتنفيذ مهام دقيقة ومعقدة. وتعد جزءًا أساسيًّا من التقدم في ميدان الذكاء الاصطناعي والابتكار التكنولوجي(3).
العلاقة مع الذكاء الاصطناعي: تتميز الروبوتات بقدرتها على الاندماج مع التقنيات المتقدمة للذكاء الاصطناعي لزيادة فعاليتها وقدرتها على التكيف مع التحديات المتنوعة.
مثال: في ميدان التوصيل والخدمات اللوجستية، أصبحت الروبوتات الذكية عنصرًا أساسيًّا. وعندما يرد طلب عبر التطبيق لتوصيل بضاعة، تتولى الروبوتات المهمة، فتستخدم تقنيات GPS ومستشعرات الرؤية لتحديد الموقع وتوصيل الطلب بكفاءة. وهذا يسهم في تحسين خدمة التوصيل وخفض التكاليف والحد من انبعاثات الكربون، مما يعزز من مفهوم الاستدامة في هذا المجال. تُعد الروبوتات والذكاء الاصطناعي الثنائي الذي سيشكِّل مستقبل الإنتاج والخدمات، ويوفران حلولًا ذكية تجعل الحياة أسهل وأكثر فعالية.
الحوسبة السحابية (Cloud Computing)
لم تعد الحوسبة مقصورة على أجهزة الحاسوب التقليدية والشبكات المحلية، فالحوسبة السحابية قد فتحت أبوابًا جديدة من المرونة والإبداع؛ حيث تأتي موارد الحوسبة لنا عبر “السحاب”؛ مما يعني أن الخوادم والتخزين والبرمجيات جميعها تقدم عبر الإنترنت.(4)
العلاقة مع الذكاء الاصطناعي: ليست مجرد تقنيات منفصلة، إنما يوجد تآزر وتكامل ملحوظ. يسهم الذكاء الاصطناعي في جعل الحوسبة السحابية أكثر فعالية وأمانًا، من خلال تحسين إدارة الموارد وزيادة أمان البيانات.
مثال: في مجال الأمان على سبيل المثال، يُمكن للذكاء الاصطناعي تحليل سلوكيات المستخدمين ورصد الأنشطة غير العادية أو المشتبه بها، وعند اكتشاف نشاط مريب، يتخذ النظام إجراءات لتقييد الوصول أو إعادة التحقق من هوية المستخدم، مما يعزز من الأمان والحماية.
- 2. التعلم الآلي (Machine Learning)
التعلم الآلي (Machine Learning – ML) :
التعلم الآلي هو فرع من الذكاء الاصطناعي يُعنى بتطوير أنظمة قادرة على تعلم وتحسين أداء المهام بدون برمجة صريحة، مما يتيح للأنظمة والبرامج أن تتكيف مع البيانات وتحسن أداءها مع الوقت ويمكن عدها الأدوات الإحصائية لفحص وتحليل البيانات. وتتنوع فروع التعلم الآلي لتشمل مجالات وتقنيات عدة، منها: التعلم المراقب (Supervised Learning)، والتعلم بدون إشراف (Unsupervised Learning)، والتعلم بالتعزيز (Reinforcement Learning)، والتعلم شبه المراقب (Semi-Supervised Learning)، والتعلم الذاتي (Self-Supervised Learning)، والتعلم التطوري (Evolutionary Learning)، والتعلم العميق (Deep Learning)(5).
العلاقة مع الذكاء الاصطناعي: يُعد التعلم الآلي فرعًا من فروع الذكاء الاصطناعي لتمكين الأنظمة والأجهزة من التفاعل مع البيئة واتخاذ قرارات ذكية استنادًا إلى البيانات، فهو أداة كفؤة لتمكين الأنظمة من التعلم من البيانات وتحسين الأداء بمرور الوقت.
مثال: يُستخدم التعلم الآلي بشكل واسع لتحسين نتائج البحث وتجربة المستخدم عبر محركات البحث Search Engines. فعندما تقوم بإدخال استعلام في محرك البحث مثل “مطاعم في الدوحة”، يستخدم نظام التعلم الآلي خوارزميات معقدة لفهم معنى الاستعلام والبحث في قاعدة البيانات عن مطاعم في مدينة الدوحة.
باستخدام التعلم الآلي، يمكن للمحرك أن يتعلم من تفاعلات المستخدمين السابقة مع نتائج البحث ويقدم نتائج أكثر دقة مع مرور الوقت. على سبيل المثال، إذا لاحظ التعلم الآلي أن معظم المستخدمين ينقرون على الروابط الأولى في النتائج، سيميل إلى عرض مطاعم “الدوحة” الأكثر شهرة في المرتبة الأولى. وهذا يجعل تجربة البحث أكثر فعالية وتلبي توقعات المستخدمين بشكل أفضل.
التعلم المراقب (Supervised Learning)
التعلم المراقب هو نوع من أنواع التعلم الآلي يستخدم لتدريب النماذج أو الأنظمة الذكية على التعرف على الأنماط واتخاذ قرارات بناءً على بيانات مُعَلَّمَة Labeled ومصنفة Categorized. في هذا النوع من التعلم يُزود النموذج بمجموعة من البيانات التدريبية التي تحتوي على أمثلة معروفة مسبقًا مع الإجابات الصحيحة (ملصقات)، ويُدرب النموذج على تعلم هذه الأنماط واستخدامها للتنبؤ بالنتائج للبيانات الجديدة.(6)
العلاقة مع الذكاء الاصطناعي :يُستخدم التعلم المراقب في العديد من تطبيقات الذكاء الاصطناعي التي تتطلب تصنيف وتحليل البيانات. يُعد التعلم المراقب أحد الأساليب الشائعة لتدريب النماذج الذكية.
مثال: تصنيف البريد الإلكتروني “رسائل غير مرغوب فيها “(spam)
التدريب: يتم تزويد النموذج بمجموعة من رسائل البريد الإلكتروني مع تصنيفها بالفعل “رسائل مزعجة أو غير مرغوب فيها” فيتعلم النموذج من هذه البيانات كيفية التعرف على الخصائص وتمييز نمط كل نوع من الرسائل.
التنبؤ: بعد تدريب النموذج، يمكن استخدامه لتصنيف البريد الإلكتروني الجديد. فعند استلام رسالة جديدة، يستخدم النموذج المعرفة التي اكتسبها من البيانات التدريبية لتصنيف الرسالة إما “رسائل مزعجة” إن كانت غير مرغوب فيها أو في صندوق الوارد إذا كانت مهمة”. وتعد تطبيقات المحادثة الذكية (شات بوت) مثل شات جي بي تي أو تطبيق جوجل بارد مثالًا واضحًا لنموذجين تم تدريبهما باستخدام التعلم المراقب.
التعلم غير المراقب (Unsupervised Learning)
التعلم غير المراقب هو نوع من أنواع التعلم الآلي إذ يتم تدريب النموذج على تحليل البيانات واكتشاف الأنماط والهياكل فيها دون وجود بيانات تدريبية مسبقة أو معلمة. يتميز التعلم غير المراقب بقدرته على اكتشاف العلاقات والتجمعات بين البيانات بشكل تلقائي(7).
العلاقة بالذكاء الاصطناعي: يُستخدم هذا النوع من التعلم في تحليل واستخلاص المعلومات من البيانات بدون الحاجة إلى إشراف بشري. بالتالي، يُعتبر التعلم غير المراقب إحدى الأدوات المهمة لاستخدام البيانات بشكل أكثر ذكاء.
مثال: لنفترض أن متجرًا إلكترونيًّا يحتوي على مجموعة من البيانات المتعلقة بالعملاء وعمليات الشراء. يمكن استخدام التعلم غير المراقب لاكتشاف أنماط في سلوك العملاء بناءً على البيانات دون وجود معلومات مسبقة حول نوع العملاء ما إذا كانوا عملاء جدد أو عائدين أو ما إذا كانوا يفضلون منتجات بعينها. عند تطبيق التعلم غير المراقب على هذه البيانات، يمكن أن يقوم النموذج بتجميع العملاء في مجموعات استنادًا إلى أنماط الشراء المشتركة بينهم. يمكن أن يكتشف النموذج مثلًا أن هناك مجموعة من العملاء يفضلون منتجات التجميل، بينما يميل آخرون إلى المنتجات الرقمية، وبالتالي يمكن استخدامها لتحسين إستراتيجيات التسويق وتوفير تجارب عملاء متميزة.
التعلم شبه المراقب (Semi-Supervised Learning)
التعلم شبه المراقب هو نوع من أنواع التعلم الآلي الذي يجمع بين مفهومي التعلم المراقب (Supervised Learning) والتعلم غير المراقب (Unsupervised Learning) وفي هذا النوع من التعلم، تكون لدينا مجموعة من البيانات التدريبية تحتوي على بعض الأمثلة التي تم تصنيفها مسبقًا (بيانات معلَّمة) وأمثلة أخرى لم يتم تصنيفها (بيانات غير معلَّمة). يتم استخدام هذا النوع لتوجيه نموذج الذكاء الاصطناعي إلى فهم البيانات بشكل أكفأ وأفضل(8).
العلاقة بالذكاء الاصطناعي: يُستخدم التعلم شبه المراقب لتعليم الأنظمة الذكية كيفية فهم وتحليل البيانات بشكل أفضل إذ يتعلم النموذج من البيانات المعلمة ويستفيد من البيانات غير المصنفة لتحسين قدرته على التنبؤ واكتشاف الأنماط.
مثال: لنفترض أن لدينا مجموعة من الصور التي تحتوي على بيانات معلمة وبيانات غير معلمة. فالصور المعلمة تشمل صورًا للقطط مع تصنيفاتها الصحيحة (قطة صغيرة، قطة كبيرة… إلخ)، والصور غير المعلمة تحتوي على صور عشوائية من القطط. يمكن استخدام “التعلم شبه المراقب” لتطوير نموذج يمكنه تصنيف الصور غير المعلمة بناء على المعرفة المكتسبة من الصور المعلمة. على سبيل المثال، إذا كان النموذج يعلم أن الصورة رقم 1 تصنف على أنها “قطة صغيرة” والصورة رقم 2 تصنف على أنها “قطة كبيرة”، يمكنه استخدام هذه المعرفة لتصنيف الصور غير المصنفة. هذا يسمح بتوسيع مجموعة بيانات التدريب وتحسين أداء النموذج في تصنيف الصور.
تعلم الأنماط (Pattern Learning)
تعلم الأنماط هو مصطلح يشير إلى العملية التي يتعلم فيها النظام الذكي، سواء كان ذلك نظامًا ذكيًّا اصطناعيًّا أو بشريًّا، كيفية التعرف على الأنماط في البيانات. يتميز تعلم الأنماط بالقدرة على اكتشاف الأنماط المتكررة أو المعتمدة على البيانات في مجموعة متنوعة من السياقات(9).
العلاقة بالذكاء الاصطناعي: تعد تقنيات تعلم الأنماط جزءًا مهمًّا من مجال الذكاء الاصطناعي؛ إذ يعتمد الذكاء الاصطناعي بشكل كبير على القدرة على تعلم وفهم الأنماط في البيانات. يستخدم الذكاء الاصطناعي تقنيات تعلم الأنماط في العديد من التطبيقات مثل التعرف على الصوت، والصور، والتنبؤ، والتصنيف.
مثال: نفترض أن لدينا أنموذجًا ذكيًّا بتعلم الأنماط من بيانات العملاء في متجر تجزئة. يستخدم التعلم الأنماط لفهم عادات التسوق للعملاء واكتشاف الأنماط في عمليات الشراء. على سبيل المثال، يمكن للنموذج اكتشاف أن عملاء معينين يقومون بشراء منتجات إلكترونية بشكل منتظم خلال فصل الصيف، بينما يفضل آخرون شراء منتجات الملابس في الشتاء. باستخدام هذه المعلومات، يمكن للمتجر توجيه إستراتيجيات التسويق بشكل أفضل وتلبية احتياجات العملاء بشكل أكثر دقة وفعالية.
الأشجار التصميمية (Decision Trees)
الأشجار التصميمية هي إحدى تقنيات التعلم الآلي والذكاء الاصطناعي التي تستخدم لاتخاذ قرارات مبنية على تحليل واستنتاج من البيانات. تعتبر هذه الأشجار تقنية ترميز للمعرفة والقواعد المنطقية بشكل هرمي، حيث يتم تقسيم مجموعة البيانات إلى مجموعة فرعية وتصنيف البيانات استنادًا إلى مجموعة من القرارات والمعايير.(10)
العلاقة بالذكاء الاصطناعي: الأشجار التصميمية هي إحدى تقنيات التعلم الآلي والذكاء الاصطناعي. تُستخدم هذه الأشجار في الذكاء الاصطناعي لحل مشكلات التصنيف والتنبؤ واتخاذ القرارات. تتيح للأنظمة الذكية تطبيق القواعد المنطقية على البيانات بشكل فعال.
مثال: لنفترض أن لدينا أنموذجًا ذكيًّا يريد تحديد ما إذا كان المشترون سيشترون منتجًا معينًا أم لا استنادًا إلى مجموعة من العوامل مثل العمر، والدخل، والمكانة الاجتماعية. يمكن استخدام شجرة قرار لتحقيق ذلك. في البداية، يتم وضع العوامل الرئيسية (العمر، الدخل، المكانة الاجتماعية) على أعلى الشجرة. يتم تقسيم المشترين إلى فئات فرعية استنادًا إلى قيمة واحدة من هذه العوامل؛ على سبيل المثال، يمكن تقسيمهم إلى من يزيد عمرهم عن 30 ومن لا يزيد عنها. تُكرر هذه العملية على الفئات الفرعية حتى يتم التوصل إلى تصنيف نهائي للمشترين.
في النهاية، سيقوم النموذج بتصنيف المشترين إما “سيشترون” أو “لن يشتروا” استنادًا إلى السلسلة من القرارات والعوامل التي تم استخدامها. هذا يمكن أن يساعد الأعمال التجارية على تحسين استراتيجيات التسويق واتخاذ القرارات بناءً على تحليل دقيق لعوامل العملاء.
الغابات العشوائية (Random Forest)
الغابات العشوائية هي تقنية في مجال تعلم الآلة والذكاء الاصطناعي تستخدم لحل مشكلات التصنيف والتنبؤ. تعتمد هذه التقنية على مفهوم تجميع النماذج حيث يتم إنشاء مجموعة من الأشجار القرارية (شجر القرار) ومن ثم يتم دمج نتائج هذه الأشجار للحصول على توقع أكثر دقة(11).
العلاقة بالذكاء الاصطناعي: الغابات العشوائية تعد جزءًا من مجال تعلم الآلة وتمثل تقنية مهمة في مجال الذكاء الاصطناعي. تمكن الغابات العشوائية من تطبيق تصنيفات دقيقة وتنبؤات بناءً على البيانات بشكل أفضل من النماذج الفردية، وهذا يزيد من فعالية التحليلات واتخاذ القرارات.
مثال: لنفترض أن لدينا مجموعة صور حيوانات مثل الكلاب والقطط والأرانب ونريد تطوير نموذج ذكي لتصنيف هذه الصور إلى فئات مختلفة باستخدام الغابات العشوائية. يتم جمع مجموعة من الصور وتحضيرها للتدريب وإنشاء مجموعة من الأشجار القرارية (مثل شجر القرار)، فيتم تدريب كل شجرة على جزء عشوائي من البيانات. عندما نريد تصنيف صورة جديدة، يتم استخدام جميع الأشجار في الغابة للتصنيف، ويتم اعتبار الفئة الأكثر تكرارًا بين الأشجار التصنيف النهائي للصورة. بهذه الطريقة، يمكن للغابات العشوائية تصنيف الصور بدقة واتخاذ قرارات دقيقة عن نوع الحيوان في الصورة.
دعم مكائن المتجهات (Support Vector Machines – SVM)
دعم مكائن المتجهات هي تقنية في مجال تعلم الآلة تُستخدم لحل مشكلات التصنيف والتنبؤ. تعتمد هذه التقنية على فكرة العثور على المستوى الذي يمكن استخدامه في تصنيف البيانات إلى فئتين مختلفتين بطريقة مُثلى. يتم ذلك عن طريق البحث عن خط أو مُستوى يفصل بين الفئتين بأكبر مسافة مُمُكنة، وهذا الخط أو المستوى يُعرف بـ “المتُجه الداعم “(Support Vector)(12).
العلاقة بالذكاء الاصطناعي: دعم مكائن المتجهات هي إحدى تقنيات التعلم الآلي والذكاء الاصطناعي. تستخدم لحل مشكلات التصنيف والتنبؤ بشكل فعال، وهي تعد جزءًا مهمًّا من مجموعة أدوات وتقنيات التعلم الآلي.
مثال: لنفترض أن لدينا مجموعة صور كلاب وقطط، ونريد تطوير أنموذج لتصنيف هذه الصور إلى فئتين: “كلب” و”قطة”. يمكن استخدام دعم مكائن المتجهات لهذا الغرض وذلك بتجهيز الصور واستخراج الميزات المهمة منها. يتم تدريب نموذج دعم مكائن المتجهات باستخدام مجموعة من الصور التي تم تصنيفها مسبقًا إلى فئات الكلاب والقطط. بعد التدريب يمكن استخدام النموذج لتصنيف الصور الجديدة إلى إحدى الفئتين بناءً على الميزات التي تم استخراجها منها. سيعمل دعم مكائن المتجهات على تصنيف الصور بدقة وفقًا للمعايير التي تم تعلمها أثناء التدريب، مما يمكِّن من تصنيف الصور بشكل فعال وسهل.
خوارزميات التجمع (Clustering Algorithms)
خوارزميات التجمع هي تقنيات في مجال تعلم الآلة والذكاء الاصطناعي تستخدم لتجميع البيانات في مجموعات أو مجموعات فرعية استنادًا إلى الأنماط المشتركة بينها. الهدف الرئيسي لهذه الخوارزميات هو فصل البيانات إلى مجموعات دون الحاجة إلى معرفة مسبقة بأنماط أو فئات محددة.(13)
العلاقة بالذكاء الاصطناعي: تُستخدم هذه الخوارزميات لتجميع البيانات بشكل ذكي وفعال دون الحاجة إلى تدخل بشري. يمكن استخدام نتائج التجميع في العديد من التطبيقات مثل التصنيف وتقديم التوصيات وتحسين الأداء.
مثال: لنفترض أن لدينا مجموعة كبيرة من البيانات تتضمن معلومات عن عملاء متجر للتجزئة، ونريد تقسيم هؤلاء العملاء إلى مجموعات استنادًا إلى أنماط التسوق الخاصة بهم. يمكن استخدام خوارزميات التجمع لاكتشاف الأنماط المشتركة بين العملاء، بعدها يجري تجميع العملاء في مجموعات استنادًا إلى تلك الأنماط. على سبيل المثال، قد يتم تجميع العملاء الذين يشترون منتجات إلكترونية في مجموعة والعملاء الذين يشترون ملابس في مجموعة أخرى. بعد التجميع، يمكن للمتجر تكييف إستراتيجيات التسويق وتقديم العروض والخدمات بناءً على احتياجات كل مجموعة بشكل أفضل؛ مما يساعد في تحسين تجربة العملاء وزيادة المبيعات.
- 3. التعلم العميق (Deep Learning)
التعلم العميق (Deep Learning – DL)
التعلم العميق هو فرع من مجال التعلم الآلي والذكاء الاصطناعي يركز على استخدام شبكات عصبية اصطناعية متعددة الطبقات لفهم واستخلاص المعرفة من البيانات مشابهة أو مقاربة لطريقة العقل البشري. يُعتبر التعلم العميق أحد أكثر الأساليب تطورًا في مجال التعلم الآلي وقد أدى إلى تحسين كبير في القدرة على معالجة البيانات وفهمها بشكل متقدم.(14)
علاقته بالذكاء الاصطناعي: التعلم العميق هو جزء أساسي من الذكاء الاصطناعي. يُستخدم في تطوير النماذج الذكية التي تستند إلى الشبكات العصبية لفهم ومعالجة البيانات. يعتمد العديد من تطبيقات الذكاء الاصطناعي على التعلم العميق مثل تصنيف الصور والترجمة الآلية واستخراج المعلومات من النصوص.
مثال: لنفترض أن لدينا تطبيقًا للتعرف على الأشياء في الصور. نستخدم التعلم العميق لتدريب نموذج يمكنه التعرف على الكائنات في الصور بدقة. الخطوات التطبيقية تشمل تجميع مجموعة كبيرة من الصور المصنفة مسبقًا (مثل الصور التي تحمل توقيعات توضيحية للأشياء)، ثم تدريب أنموذج تعلم عميق باستخدام هذه الصور واستخدام شبكة عصبية متعددة الطبقات. بعدها يتم اختبار الأنموذج باستخدام صور جديدة غير مصنفة لرؤية ما إذا كان يمكنه التعرف على الأشياء بشكل صحيح. بفضل التعلم العميق، يمكن للنموذج تحسين أدائه مع مرور الوقت وزيادة قدرته على التعرف على الأشياء في الصور بدقة أعلى.
الشبكات العصبية (Neural Networks)
الشبكات العصبية هي نموذج حوسبة مستوحى من العمليات الحيوية للدماغ البشري. تتكون الشبكات العصبية من وحدات حسابية صغيرة تسمى العقد أو الخلايا العصبية المصنعة (Neurons)، والتي تعمل معًا لمعالجة البيانات واستخراج المعلومات. تُستخدم الشبكات العصبية في مجال الذكاء الاصطناعي لحل مجموعة متنوعة من المشكلات بما في ذلك التصنيف، والتنبؤ، والترجمة، وتحليل الصور، والتعرف على الكلام، وغيرها.(15)
علاقته بالذكاء الاصطناعي: الشبكات العصبية تعتبر جزءًا أساسيًّا من الذكاء الاصطناعي، وتمثل إحدى تقنيات التعلم العميق. تقوم الشبكات العصبية بنمذجة هياكل معقدة وتعلم الأنماط في البيانات بشكل تلقائي، مما يجعلها قوية في حل مشكلات الذكاء الاصطناعي.
مثال: لنفترض أن تطبيقًا يهدف إلى تصنيف البريد الإلكتروني إما “مرغوب” أو “غير مرغوب” (Spam). يمكن استخدام شبكة عصبية لتحقيق هذا الهدف. يتم تجميع مجموعة من رسائل البريد الإلكتروني التي تم تصنيفها مسبقًا إما “مرغوبًا” أو “غير مرغوب” بعدها يتم تدريب الشبكة العصبية باستخدام هذه الرسائل لمعرفة الأنماط التي تميز بين البريد الإلكتروني العادي والمرغوب. بعد التدريب، يمكن استخدام الشبكة لتصنيف رسائل البريد الإلكتروني الواردة إلى “مرغوب” أو “غير مرغوب” بناءً على الأنماط التي تعلمتها.
الشبكات العصبية التلافيفية (CNN – Convolutional Neural Networks)
الشبكات العصبية التلافيفية هي نوع من الشبكات العصبية المصممة خصيصًا لمعالجة البيانات ذات الهياكل الشبكية مثل الصور والفيديو والبيانات المكانية. تعتمد CNN على تقنية التلافيف (Convolution) لاستخراج المعلومات المهمة من البيانات بشكل فعال. تمتاز هذه الشبكات بقدرتها على التعرف على الأنماط الموجودة في البيانات المكانية واستخدامها في مهام مثل التصنيف والكشف عن الأشياء(16).
علاقتها بالذكاء الاصطناعي: هي جزء أساسي من تقنيات التعلم العميق في مجال الذكاء الاصطناعي. تُستخدم لحل مجموعة واسعة من مشكلات تحليل البيانات المكانية بشكل فعال ودقيق. إن القدرة على استخدام CNN في تحسين الأداء في تصنيف الصور وتحليل الفيديو تجعلها أداة مهمة في تطبيقات الذكاء الاصطناعي.
مثال: لنفترض أن تطبيقًا يهدف إلى تصنيف الصور إما “صورًا للسيارات” أو “صورًا للدراجات النارية”. يمكن استخدام CNN لهذا الغرض. يتم أولًا تجميع مجموعة كبيرة من الصور للسيارات والدراجات النارية. ثم يجري تدريب الشبكة العصبية التلافيفية باستخدام هذه الصور لاستخراج الأنماط المميزة لكل فئة. بعد التدريب، يمكن استخدام الشبكة لتصنيف الصور الجديدة إما “سيارة” أو “دراجة نارية” بناءً على الأنماط التي تعلمتها. يمكن للتطبيق باستخدام CNNتحقيق تصنيف دقيق للصور وفهم ما إذا كانت صور سيارة أم دراجة نارية.
الشبكات العصبية الدورية (RNN – Recurrent Neural Networks)
الشبكات العصبية الدورية هي نوع من الشبكات العصبية في مجال الذكاء الاصطناعي تم تصميمها لمعالجة البيانات التي لها تسلسل زمني، مثل النصوص والصوت والفيديو. تمتاز RNN بقدرتها على الاحتفاظ بذاكرة داخلية تسمح لها بفهم السياق والتعامل مع المعلومات السابقة في التسلسل(17).
علاقتها بالذكاء الاصطناعي: هي جزء أساسي من تقنيات التعلم العميق في مجال الذكاء الاصطناعي. تُستخدم لحل مشكلات تحليل البيانات الزمنية والتنبؤ بالأحداث المستقبلية. تتيح القدرة على فهم السياق والتعامل مع البيانات التي تعتمد على الزمن في تطبيقات مثل الترجمة الآلية والتحليل النصي والكشف عن الصوت.
مثال: لنفترض أن لدينا تطبيقًا يهدف إلى توقع الكلمة الآتية في جملة نصية. يمكن استخدام RNN لهذا الغرض. نقوم بتقسيم النص إلى جمل فردية وتحويلها إلى تسلسل من الكلمات. ثم ندرب RNN باستخدام الجمل السابقة لفهم العلاقات بين الكلمات وتوقع الكلمة الآتية. بعد التدريب، يمكننا استخدام الشبكة لتوقع الكلمة الآتية في جملة نصية جديدة. على سبيل المثال، إذا كانت الجملة “أنا أحب أن آكل”، يمكن للشبكة التنبؤ بأن الكلمة الآتية ربما تكون “بيتزا” بناءً على السياق السابق.
الشبكات العصبية العميقة (DNN – Deep Neural Networks)
الشبكات العصبية العميقة هي نوع من الشبكات العصبية في مجال الذكاء الاصطناعي تتكون من عدة طبقات متتالية من الوحدات الحسابية (العقد)، وتستخدم لتحليل واستخراج المعلومات من البيانات بشكل تسلسلي. تُستخدم الشبكات العصبية العميقة لمجموعة متنوعة من التطبيقات الذكية مثل التعرف على الصور ومعالجة النصوص وتوليد اللغة الطبيعية والعديد من التطبيقات الأخرى.(18)
علاقتها بالذكاء الاصطناعي: الشبكات العصبية العميقة هي إحدى أهم أدوات التعلم العميق في مجال الذكاء الاصطناعي. تُستخدم لتطوير النماذج الذكية التي تقوم بمعالجة وتحليل البيانات بشكل متقدم. يعتمد العديد من تطبيقات الذكاء الاصطناعي على الشبكات العصبية العميقة مثل تصنيف الصور والترجمة الآلية واستخراج المعلومات من النصوص.
مثال: لنفترض أن لدينا تطبيقًا يهدف إلى تصنيف الأخبار على الإنترنت إما “رياضة” أو “تكنولوجيا”. يمكن استخدام شبكة عصبية عميقة لهذا الغرض. يتم تجميع مجموعة كبيرة من الأخبار المصنفة مسبقًا “رياضة” أو “تكنولوجيا” ثم تدريب الشبكة العصبية العميقة باستخدام هذه الأخبار لفهم الأنماط التي تميز بين الأخبار الرياضية والتكنولوجية. بعد التدريب، يمكن استخدام الشبكة لتصنيف الأخبار الجديدة إما “رياضة” أو “تكنولوجيا” بناءً على الأنماط التي تعلمتها. باستخدام الشبكة العصبية العميقة، سيمكن للتطبيق تحقيق تصنيف دقيق للأخبار وفهم ما إذا كانت تنتمي إلى فئة الرياضة أم التكنولوجيا.
التعلم بالتعزيز العميق (DRL – Deep Reinforcement Learning)
التعلم بالتعزيز العميق هو فرع من التعلم الآلي يجمع بين التعلم العميق وتعزيز الذكاء. يستخدم هذا المفهوم نموذجًا يعمل على تعلم كيفية اتخاذ القرارات المثلى من خلال التفاعل مع بيئة تهدف إلى تحقيق هدف معين. في هذه العملية، يتلقى النموذج مكافآت أو عقوبات تعتمد على القرارات التي يتخذها، وهو يعمل على تحسين أدائه مع مرور الوقت من خلال تجربة واستكشاف.(19)
علاقته بالذكاء الاصطناعي: يمثل أحد الأساليب الرئيسية في مجال الذكاء الاصطناعي للتفاعل مع البيئة واتخاذ القرارات. إنه يُستخدَم في تدريب النماذج للقيام بمهام تعتمد على التفاعل وتحسين الأداء عبر التجربة. هذا يجعلها أداة قوية في تطوير الأنظمة الذكية والروبوتات.
مثال: لنفترض أن روبوتًا يتعلم كيفية التحكم في حركته داخل بيئة محاكاة. والهدف هو تعلم الروبوت كيفية التحرك من مكان إلى آخر بأقل عدد ممكن من الخطوات. يتم تدريب الروبوت باستخدام DRL حيث يتلقى مكافآت إيجابية عندما يصل إلى الهدف بسرعة وعقوبات عندما يفشل أو يأخذ وقتًا طويلًا. الروبوت يبدأ بالتحرك عشوائيًّا في البداية، لكنه يتعلم مع مرور الوقت كيفية اتخاذ القرارات التي تساعده في الوصول إلى الهدف بسرعة أكبر. بمرور الوقت، يصبح الروبوت أكثر كفاءة في اتخاذ القرارات وتنفيذها، ويمكنه الآن التنقل بسرعة بين الأماكن داخل البيئة.
معالجة اللغة الطبيعية بالتعلم العميق (Deep NLP)
معالجة اللغة الطبيعية بالتعلم العميق هي مجال في الذكاء الاصطناعي يستخدم الشبكات العصبية العميقة لفهم ومعالجة اللغة البشرية بشكل آلي. هذا المجال يهتم بتطوير نماذج ذكية قادرة على فهم وتفسير النصوص والحوارات بطريقة تقترب من الفهم البشري للغة(20).
علاقتها بالذكاء الاصطناعي: معالجة اللغة الطبيعية هي مجال أساسي من مجالات الذكاء الاصطناعي حيث تهدف إلى تعلم الحاسوب لفهم وتوليف اللغة البشرية بطريقة ذكية. يتيح التعلم العميق للنماذج الذكية فهم اللغة البشرية بشكل أفضل والتعامل مع مجموعة متنوعة من المهام اللغوية.
مثال: لنفترض أن لدينا تطبيقًا يهدف إلى تحليل مشاركات ومقالات على وسائل التواصل الاجتماعي لفهم آراء الأشخاص حول منتج معين. يمكن استخدام معالجة اللغة الطبيعية بالتعلم العميق في هذا السياق. يتم تجميع مجموعة كبيرة من المشاركات التي تتعلق بالمنتج على وسائل التواصل الاجتماعي. يتم تدريب نموذج التعلم العميق باستخدام هذه المشاركات لتحليلها وفهم مشاعر الأشخاص تجاه المنتج (إيجابية أو سلبية). بعد التدريب، يمكن استخدام النموذج لتحليل المشاركات الجديدة وتقديم تقييمات آلية حول كيفية تفاعل الناس مع المنتج.
- 4. تقنيات معالجة اللغة الطبيعية (Natural Language Processing)
معالجة اللغة الطبيعية (NLP – Natural Language Processing)
معالجة اللغة الطبيعية هي فرع من الذكاء الاصطناعي يرتبط بالتفاعل بين الحواسيب واللغة البشرية. هذا المجال يهتم بتطوير تقنيات ونماذج تمكِّن الحاسوب من فهم وتحليل وتوليف وتوليد اللغة البشرية بشكل آلي. يشمل ذلك مجموعة من التطبيقات مثل الترجمة الآلية واستخراج المعلومات من النصوص ومساعد الصوت الذكي والمزيد.(21)
علاقتها بالذكاء الاصطناعي: معالجة اللغة الطبيعية هي مجال أساسي من مجالات الذكاء الاصطناعي حيث تهدف إلى تمكين الحاسوب من التفاعل بشكل أقرب إلى الإنسان من خلال تحليل وفهم النصوص اللغوية عبر نماذج وأدوات تمكن الحاسوب من الفهم والتعامل مع اللغة بشكل ذكي.
مثال: لنفترض أن لدينا تطبيقًا لمراقبة وسائل التواصل الاجتماعي لفهم مشاعر الجمهور تجاه منتج معين. يمكن استخدام معالجة اللغة الطبيعية وذلك بجمع مجموعة من المشاركات على وسائل التواصل الاجتماعي التي تتعلق بالمنتج، ثم يتم استخدام تقنيات معالجة اللغة الطبيعية لتحليل هذه المشاركات واستخراج معلومات حول مشاعر الجمهور تجاه المنتج (إيجابية، أو سلبية، أو محايدة). بعد التحليل، يقدم تقرير آلي يوضح مدى رضا الجمهور عن المنتج بناءً على مشاعرهم المعبَّر عنها في المشاركات.
التحليل اللغوي (Linguistic Analysis)
التحليل اللغوي هو عملية تفكيك وفهم اللغة البشرية باستخدام التقنيات والأدوات التي تمكن الكمبيوتر من تحليل النصوص اللغوية وفهمها بشكل آلي. تشمل هذه العملية استخدام تقنيات معالجة اللغة الطبيعية(NLP) لفحص وتحليل النصوص واستخراج المعلومات منها.(22)
علاقته بالذكاء الاصطناعي: التحليل اللغوي هو جزء أساسي من مجال الذكاء الاصطناعي ومعالجة اللغة الطبيعية (NLP) . يعتمد التحليل اللغوي على تقنيات وأساليب من NLP لتمكين الحاسوب من التفاعل بفعالية مع اللغة البشرية وفهمها ويمكن أن تتحسن بمرور الوقت من خلال التدريب على مجموعات كبيرة من البيانات.
مثال: لنفترض أن لدينا نصوصًا متعددة من مقالات الأخبار على الإنترنت عن حدث معين، مثل انتخابات سياسية. يمكن استخدام التحليل اللغوي لفهم وتصنيف هذه المقالات. يتم -أولًا- جمع المقالات من مصادر مختلفة على الإنترنت وتجميعها في مجموعة واحدة. يتم تطبيق تقنيات التحليل اللغوي لتحليل المقالات واستخراج المعلومات المهمة منها، مثل الأحداث الرئيسية والأشخاص المعنيين ومواقع الانتخابات. بعد التحليل، يمكن تصنيف المقالات إلى فئات مثل “أخبار الحملة الانتخابية” و”تقارير نتائج الانتخابات”، وما إلى ذلك.
التعرف على الكلام (Speech Recognition)
التعرف على الكلام هو تقنية في مجال معالجة اللغة الطبيعية تهدف إلى تمكين الحاسوب من فهم وتحليل الصوت البشري وتحويله إلى نص مكتوب. يعني ذلك أنها تتيح للحاسوب فهم ما يقوله الإنسان وتحويله إلى نص قابل للتحليل. يتم استخدامها في تطبيقات مثل مساعد الصوت الذكي (مثل سيري وأليكسا) ونظم التحويل الصوتي إلى نص (مثل تسجيل المحادثات).(22)
علاقته بالذكاء الاصطناعي: التعرف على الكلام هو جزء من مجال الذكاء الاصطناعي والمعالجة اللغوية الطبيعية (NLP) . يتطلب التعرف على الكلام استخدام تقنيات التعلم الآلي لتدريب نماذج تستطيع تمييز الأصوات وتحليلها بدقة. يتم تطبيق الذكاء الاصطناعي لتحسين أداء هذه التقنيات وزيادة دقتها.
مثال: يتم استخدامه في السيارات الذكية؛ إذ يمكن للسائق أن يأمر التطبيق بتشغيل الموسيقى أو القرآن الكريم، أو يحدد السورة والآية بالتحدث المباشر مع نظام المعلومات والترفيه في السيارة بواسطة الصوت وبذلك نضمن عدم انشغال السائق والتركيز على القيادة دون أن يشتت نظره بالنظر الى التطبيق أو يتفاعل معه يدويًّا. وعندما يأتيه اتصال فيقول للتطبيق أجب عن الاتصال، فيرد ويجيب عن اتصال، أو يأمر جهازه بالاتصال بالشخص الفلاني وهكذا من الاستخدامات المتعددة والمفيدة.
التوليد التلقائي للنصوص (Text Generation)
التوليد التلقائي للنصوص هو مجال في الذكاء الاصطناعي يهدف إلى تطوير نماذج وأنظمة قادرة على إنتاج نصوص بشكل تلقائي، دون تدخل بشري مباشر. هذا يتيح للكمبيوتر إنشاء نصوص من جميع الأنواع، بدءًا من التقارير الفنية إلى الشِّعر وحتى التعليقات على وسائل التواصل الاجتماعي وهو يدخل ضمن الذكاء الاصطناعي المولد Generative AI(23).
علاقته بالذكاء الاصطناعي التوليد التلقائي للنصوص يعتمد بشكل كبير على تقنيات الذكاء الاصطناعي مثل تعلم الآلة وشبكات العصب الاصطناعية. يتطلب تدريب النماذج والأنظمة الخاصة بالتوليف التلقائي للنصوص مجموعات كبيرة من البيانات النصية لتحسين الأداء والدقة.
مثال: في تطبيقات التسويق عبر الإنترنت، يمكن استخدام التوليف التلقائي للنصوص لإنشاء نصوص إعلانية جذابة بشكل آلي. على سبيل المثال، عند إدخال معلومات عن منتج معين مثل سيارة جديدة، يمكن للنظام الاصطناعي إنشاء وصف لهذه السيارة يتضمن ميزاتها ومواصفاتها بشكل جاذب للمستهدفين. وهذا يساعد في توجيه حملات الإعلان بشكل أكثر فعالية وتخصيصها لكل عميل بشكل فردي.
التعرف على الكيانات الاسمية (Named Entity Recognition – NER)
التعرف على الكيانات الاسمية هو عملية تحديد واستخلاص الكلمات أو المصطلحات في النصوص التي تمثل أسماء أماكن أو أشخاص أو مؤسسات أو تواريخ أو مكان أو كميات أخرى. تهدف عملية NER إلى تحديد وتصنيف هذه الكيانات بناءً على نوعها؛ مما يساعد على تفهم السياق واستخلاص المعلومات المهمة من النص.(24)
علاقته بالذكاء الاصطناعي: تعتمد عملية NER بشكل كبير على تقنيات الذكاء الاصطناعي وتعلم الآلة. يتم تدريب نماذج NER على مجموعات كبيرة من النصوص المعلمة التي تحتوي على تصنيفات دقيقة للكيانات. بعد التدريب، يمكن للنماذج التعرف بدقة على الكيانات في النصوص الجديدة واستخلاصها.
مثال: لنفترض أن لدينا جملة: “قامت شركة شاومي بإطلاق هاتف ريدمي 12 برو في حزيران 2023”. في هذه الجملة، يمكن لنظام التعرف على الكيانات الاسمية التعرف على الكيانات الآتية: شركة: شاومي – منتج: ريدمي 12 برو، تاريخ: حزيران 2023.
هذا المثال يوضح كيف يمكن استخدام NER لاستخلاص المعلومات المهمة من الجمل وتصنيف الكيانات بناءً على دورها في السياق.
- 5. التعلم بالتعزيز (Reinforcement Learning)
التعلم بالتعزيز (Reinforcement Learning – RL)
التعلم بالتعزيز هو أحد فروع الذكاء الاصطناعي إذ يتمكن الحاسوب من تعلم كيفية اتخاذ القرارات لتحقيق أهداف معينة في بيئة معينة. يشبه هذا النوع من التعلم الطريقة التي يتعلم بها الأفراد من خلال التجربة والتفاعل مع العالم من حولهم.(25)
علاقته بالذكاء الاصطناعي: التعلم بالتعزيز يعتمد على مفهوم الوكيل (Agent) الذي يتفاعل مع بيئته لتحقيق هدف معين. يتعلم الوكيل من خلال التجارب والتفاعل مع البيئة، ويستخدم العقوبات والمكافآت كمرشد لتحسين قراراته.
مثال: في مجال الألعاب، يمكن استخدام التعلم بالتعزيز لتدريب وتطوير وكيل ذكي يمكنه اللعب بشكل مستقل ضد لاعبين آخرين أو حتى ضد نفسه. على سبيل المثال، في لعبة الشطرنج، يمكن تدريب وكيل ذكي باستخدام التعليم بالتعزيز لاتخاذ أفضل الخطوات في اللعبة. يمكن للوكيل أن يتعلم من تجاربه السابقة ويحسِّن من أدائه مع مرور الوقت حتى يصبح لاعبًا محترفًا.
العمليات الثنائية (Q-Learning) :
العمليات الثنائية (Q-Learning) هي إحدى تقنيات التعلم العميق في مجال التعلم بالتعزيز. يستخدم هذا النوع من التعلم لتدريب وكلاء ذكاء اصطناعي لاتخاذ قرارات من خلال تقدير قيم Q، والتي تمثل تقديرًا للمكافآت المتوقعة من اتخاذ إجراء معين في حالة معينة. يتم تحديث هذه القيم Q بناءً على التجارب والمكافآت الملقاة للنموذج خلال تفاعله مع البيئة.(26)
علاقته بالذكاء الاصطناعي: العمليات الثنائية (Q-Learning) هي إحدى تقنيات التعلم العميق في مجال الذكاء الاصطناعي. تُستخدم لتعليم وكلاء الذكاء الاصطناعي كيفية اتخاذ القرارات في بيئة معينة بناءً على تجاربهم والمكافآت المتوقعة. تعتمد على القيم (Q) لتحقيق هذا الهدف.
مثال: لنفترض أن وكيل ذكاء اصطناعي مسؤول عن التحكم في تحرك روبوت داخل متاهة. يتعين على الوكيل تعلم أفضل الإجراءات للتنقل في المتاهة والوصول إلى هدفه (مثل الخروج من المتاهة) بأقل عدد من الخطوات. باستخدام العمليات الثنائية (Q-Learning)، يمكننا تدريب الوكيل لتحديد الإجراءات الأمثل التي يجب اتخاذها في كل حالة داخل المتاهة. تتمثل قيمة Q لكل حالة في تقدير للعائد المتوقع من اتخاذ إجراء معين في تلك الحالة. يتعلم الوكيل مع مرور الوقت كيفية اتخاذ القرارات الأمثل للتنقل في المتاهة والوصول إلى الهدف.
التعلم بالتحكم التقديري (Model-Free Learning)
التعلم بالتحكم التقديري هو نهج في مجال التعلم الآلي والذكاء الاصطناعي يستخدم لتعليم وكلاء الذكاء الاصطناعي كيفية اتخاذ القرارات واتخاذ إجراءات في بيئة معينة دون الحاجة إلى إنشاء نموذج رياضي أو تمثيل دقيق لهذه البيئة. بالمعنى البسيط، هذا النهج يعني أن الوكيل يتعلم من خلال التجربة المباشرة دون الحاجة إلى فهم تام لكيفية عمل البيئة.(27)
علاقته بالذكاء الاصطناعي: التعلم بالتحكم التقديري هو جزء من مجال الذكاء الاصطناعي ويستخدم في تدريب النماذج الذكية لاتخاذ القرارات. يعتمد على تجميع البيانات من التجارب المباشرة وتقدير قيمة العمليات المختلفة دون الحاجة إلى فهم دقيق للنموذج الرياضي للبيئة.
مثال: لنفترض أن روبوتًا يتعلم كيفية التحرك في غرفة غير مألوفة. يمكن أن يستخدم خوارزميات التعلم بالتحكم التقديري لتجربة مجموعة متنوعة من الحركات وملاحظة نتائجها دون الحاجة إلى فهم تفصيلي لكيفية تصميم الغرفة أو الديكور. يقوم الروبوت بتقدير القيمة المتوقعة لكل حركة بناءً على النتائج المباشرة التي يشاهدها، ويتعلم تدريجيًّا كيفية اتخاذ الحركات الأفضل لتحقيق أهدافه مثل الوصول إلى الهدف أو تجنب العقبات.
التعلم بالتمثيل التقديري (Model-Based Learning)
التعلم بالتمثيل التقديري هو نهج في مجال الذكاء الاصطناعي يستخدم لتدريب التطبيقات على تمثيل وفهم العالم من حولها بواسطة إنشاء نماذج أو تمثيلات للبيئة واستخدام هذه النماذج لاتخاذ القرارات وتوجيه السلوك. يعتمد هذا النهج على إنشاء نماذج تمثيلية للعمليات والظواهر في البيئة واستخدامها لتحقيق أهداف معينة.(28)
علاقته بالذكاء الاصطناعي: التعلم بالتمثيل التقديري هو جزء مهم من مجال الذكاء الاصطناعي. يهدف إلى تمثيل وفهم البيئة والتفاعل معها بواسطة إنشاء نماذج تمثيلية للعمليات والظواهر داخل البيئة. يستخدم ذلك لتمكين البرامج الذكية من اتخاذ قرارات مستندة إلى التوقعات والمعرفة المدمجة في النماذج.
مثال: لنفترض أن روبوتًا ذكيًّا يتعلم كيفية التنقل في مدينة كبيرة ويستخدم خوارزميات التعلم بالتمثيل التقديري لإنشاء أنموذج تمثيلي للمدينة يتضمن معلومات تفصيلية عن الشوارع والمعالم البارزة والمواقع المهمة. يمكن للروبوت استخدام هذا النموذج لتحديد أسرع الطرق للوصول إلى الأماكن المختلفة في المدينة وتجنب الزحام والاختناقات. بالاعتماد على التمثيل التقديري، يمكن للروبوت التخطيط لرحلات فعالة وذكية داخل المدينة والوصول إلى وجهته بكفاءة.
- 6. تقنيات الرؤية الحاسوبية (Computer Vision)
الرؤية الحاسوبية (Computer Vision)
الرؤية الحاسوبية هي فرع من مجال الذكاء الاصطناعي يهتم بتطوير تقنيات وأنظمة تمكن الأجهزة الحاسوبية من فهم وتفسير الصور والفيديوهات بشكل مماثل للإنسان. يعني ذلك أن الهدف من الرؤية الحاسوبية هو تمكين الأجهزة الحاسوبية من “رؤية” وفهم ما يظهر في العالم من خلال الصور والمقاطع المرئية.(29)
علاقته بالذكاء الاصطناعي: الرؤية الحاسوبية هي جزء مهم من تطبيقات الذكاء الاصطناعي حيث يتم استخدامها في تدريب الأنظمة والروبوتات الذكية على التفاعل مع العالم الحقيقي بشكل ذكي. تعتمد تلك التطبيقات على تقنيات مثل التعرف على الأشياء والأشخاص، وتحليل الحركة، واستخراج المعلومات من الصور والفيديوهات.
مثال: في مجال السيارات ذاتية القيادة، يتم استخدام الرؤية الحاسوبية لتمكين السيارات من تحليل المشهد المحيط بها. على سبيل المثال، يُمكن لنظام الرؤية الحاسوبية تحديد مواقف السيارات الفارغة وتحليل حركة المرور والتعرف على الإشارات المرورية ورصيف الطريق. بناء على هذه المعلومات، يمكن للسيارة اتخاذ القرارات المناسبة مثل التسارع، والتوقف، وتغيير المسار، مما يجعل القيادة ذاتية القيادة أكثر أمانًا وفعالية.
التعرف على الأشياء (Object Recognition)
التعرف على الأشياء هو مجال في الذكاء الاصطناعي يهتم بتطوير تقنيات وأنظمة تتيح للأجهزة والبرامج تمييز وتعرف الأشياء والكائنات في الصور والفيديوهات بشكل آلي. يعتمد هذا المجال على تطبيق تقنيات متقدمة مثل تعلم الآلة ومعالجة الصور للمساعدة في تحديد مواقع وأشكال الأشياء المختلفة في العالم الواقعي.(30)
علاقته بالذكاء الاصطناعي: التعرف على الأشياء هو جزء مهم من مجال الذكاء الاصطناعي حيث يتعامل مع تمييز وتحليل البيانات البصرية بشكل آلي. يستخدم التعرف على الأشياء تقنيات تعلم الآلة والشبكات العصبية لتحليل الصور واستخراج معلومات حول الأشياء الموجودة فيها.
مثال: في تطبيق الأمان، يمكن استخدام نظام التعرف على الأشياء في كاميرات المراقبة لتحديد الأشخاص والأشياء في منطقة معينة. على سبيل المثال، يمكن للنظام تحديد إذا ما كان هناك شخص غريب دخل إلى مكان محدد، وبناءً على هذا التعرف، يمكن أن يُرسل إشعارًا تلقائيًّا للأمان أو الشرطة. يعتمد هذا التطبيق على تمييز الأشياء والأشخاص في الزمان الحقيقي بواسطة الكاميرات والبرمجيات المتقدمة للمراقبة.
التعرف على الصور (Image Recognition)
التعرف على الصور هو مجال في الذكاء الاصطناعي يعنى بتطوير أنظمة وتقنيات تمكن الأجهزة الحاسوبية من تمييز وتحليل محتوى الصور وفهم مضمونها بشكل آلي. يتضمن هذا المجال استخدام تقنيات متقدمة لمعالجة الصور وتحليلها بهدف تمييز الأشياء والأنماط والمعالم الموجودة في الصور.(31)
علاقته بالذكاء الاصطناعي: التعرف على الصور هو جزء مهم من مجال الذكاء الاصطناعي إذ يتم استخدامه لتمكين الأنظمة الحاسوبية من فهم واستيعاب الصور واستخراج المعلومات منها بشكل آلي باستخدام تقنيات التعلم الآلي وشبكات العصب الاصطناعي.
مثال: في تطبيق الفيديو المباشر عبر الإنترنت، يمكن استخدام التعرف على الصور للكشف عن أشياء أو أشخاص معينين في الفيديو والتعامل معهم بشكل محدد. على سبيل المثال، يمكن لمنصة الفيديو تمييز الوجوه البشرية والتعرف على المتحدثين وإضافة تأثيرات خاصة على وجوههم أو تحقيق الترجمة التلقائية للكلمات المنطوقة. يتم ذلك باستخدام تقنيات التعرف على الصور والوجوه ومعالجة الفيديو بشكل آلي لتحقيق تجربة مستخدم محسنة.
التتبع البصري (Visual Tracking)
التتبع البصري هو مجال في الذكاء الاصطناعي يركز على تطوير تقنيات وأنظمة تمكن الأجهزة الحاسوبية من مراقبة وتتبع حركة الكائنات أو الأهداف في الفيديو أو التسلسلات الزمنية من الصور. يتميز هذا المجال بقدرته على تحليل حركة الأشياء وتحديد مكانها ومسارها على مر الزمن.(32)
علاقته بالذكاء الاصطناعي: التتبع البصري يعتمد بشكل كبير على تقنيات الذكاء الاصطناعي مثل تعلم الآلة ومعالجة الصور. يتم استخدام الخوارزميات والنماذج العميقة لتحليل الصور واستخراج المعلومات حول الأشياء المتحركة ومساراتها.
مثال: في تطبيقات الأمان وكاميرات المراقبة، يتم استخدام التتبع البصري لرصد وتتبع حركة الأشخاص أو الأشياء في مكان معين. على سبيل المثال، إذا كانت هناك كاميرا مثبتة في متجر، يمكن لنظام التتبع البصري تحليل الفيديو المباشر وتحديد أي شخص يقوم بتحريك أو سرقة الأشياء في المتجر وإطلاق إنذار تلقائي. هذا يساعد في تعزيز الأمان والمراقبة الفعالة.
التعرف على المشاهد (Scene Recognition)
التعرف على المشاهد هو مجال في الذكاء الاصطناعي يتعامل مع تطوير نظم وتقنيات تمكِّن الحواسيب والأجهزة الذكية من تمييز وفهم المشاهد أو البيئات البصرية التي تحيط بها. يتضمن هذا المجال التعرف على الأماكن والمشاهد الطبيعية والحضرية وتصنيفها بناءً على محتواها وملامحها.(33)
علاقته بالذكاء الاصطناعي: التعرف على المشاهد يستفيد بشكل كبير من تقنيات الذكاء الاصطناعي مثل تعلم الآلة والشبكات العصبية. يتم استخدام خوارزميات التعلم العميق ومعالجة الصور لفحص وتحليل المشاهد واستخراج المعلومات المهمة منها.
مثال: في تطبيقات السيارات ذاتية القيادة، يمكن لنظام التعرف على المشاهد تحليل البيئة المحيطة بالسيارة والتعرف على المشاهد المختلفة مثل الطرق والإشارات المرورية والمشاة. باستخدام البيانات المأخوذة من مجموعة متنوعة من الاستشعارات مثل الكاميرات ومستشعرات الليدار (Lidar) يمكن للنظام تصنيف المشاهد واتخاذ القرارات المناسبة مثل الوقوف أو الانعطاف بناءً على المعلومات التي تم التعرف عليها.
- 7. الشبكات العصبية (Neural Networks)
الشبكات العصبية الاصطناعية (ANN – Artificial Neural Networks)
الشبكات العصبية الاصطناعية هي نموذج مستوحى من الجهاز العصبي للإنسان، وتعتبر جزءًا أساسيًّا من مجال الذكاء الاصطناعي. تتكون هذه الشبكات من وحدات صغيرة تُعرف بالعقد أو الخلايا العصبية الاصطناعية، وتتعاون هذه الوحدات معًا لحل مشكلات معقدة ومعالجة البيانات بشكل مواز ومتوازن.(34)
علاقتها بالذكاء الاصطناعي: تُعد الشبكات العصبية الاصطناعية جزءًا أساسيًّا من مجال الذكاء الاصطناعي فهي تمثل نموذجًا للتعلم الآلي مستوحى من العمليات العصبية في الدماغ البشري. تتيح هذه الشبكات للأنظمة الحاسوبية التفكير والتعلم بشكل مماثل للإنسان؛ مما يمكِّنها من أداء مهام متنوعة بشكل ذكي.
مثال: في تطبيقات التعرف على الصور، يمكن استخدام الشبكات العصبية الاصطناعية لتحليل صورة وتمييز محتواها. على سبيل المثال، إذا كنت تريد بناء نظام يتعرف على الحيوانات في الصور، يمكنك تدريب شبكة عصبية اصطناعية باستخدام مجموعة كبيرة من الصور المعلمة للحيوانات المختلفة. بعد التدريب، ستكون الشبكة قادرة على تحديد نوع الحيوان الموجود في صورة جديدة بناءً على الأنماط والمعالم التي تم استخلاصها من الصور المدربة.
الشبكات العصبية الملتقطة (Capsule Networks)
الشبكات العصبية الملتقطة هي تطور حديث في مجال الذكاء الاصطناعي، وتمثل نموذجًا متقدمًا لتعلم الآلة يهدف إلى تحسين قدرة الأنظمة على التعرف على الأشياء والكائنات في الصور والمشاهد بطريقة مشابهة لكيفية تعامل الإنسان معها.(35)
علاقتها بالذكاء الاصطناعي: تعد الشبكات العصبية الملتقطة جزءًا من مجال تعلم الآلة والذكاء الاصطناعي حيث تهدف إلى تعزيز أداء الأنظمة الذكية في مجالات التعرف على الصور والمشاهد. إنها تعتمد على مبادئ تشبه الكيفية التي يعمل بها الدماغ البشري في تفسير المعلومات البصرية.
مثال: في تطبيقات مثل التعرف على الوجوه، يمكن استخدام الشبكات العصبية الملتقطة لتحسين دقة التعرف على الوجوه وتفسير المعالم الفريدة في وجه الشخص. على سبيل المثال، إذا كنت تريد تصميم نظام للتعرف على الوجوه البشرية، يمكنك استخدام شبكة عصبية ملتقطة لاستخراج المعلومات المميزة في الوجوه مثل العيون والأنف والفم وتحديد هوية الشخص بدقة أعلى وقوة تمييز أفضل.
الشبكات العصبية المخصصة (Custom Neural Networks)
الشبكات العصبية المخصصة هي نماذج شبكات عصبية مصممة خصيصًا لمهام أو تطبيقات معينة. تمثل هذه الشبكات مستوى عاليًا من التخصيص والتحسين لتلبية احتياجات محددة، وتمتلك ميزات مخصصة تجعلها قادرة على أداء المهام بفعالية أكبر.(36)
علاقتها بالذكاء الاصطناعي: تُعد الشبكات العصبية المخصصة جزءًا من مجال الذكاء الاصطناعي؛ إذ تعزز قدرة الأنظمة الذكية على أداء مهام معينة بفعالية وتستفيد من التقنيات والأساليب المتقدمة في تعلم الآلة والعصبيات الصناعية لتحقيق أهداف محددة.
مثال: في مجال التعرف على النصوص العربية، يمكن تصميم شبكة عصبية مخصصة للتعرف على الخط العربي بدقة عالية. هذه الشبكة المخصصة يمكنها التفرقة بين الحروف والكلمات بشكل أفضل من النماذج العامة، وذلك بفهم خصائص الخط العربي المميزة والتعامل معها بشكل أكثر دقة. بفضل هذا التخصيص، يمكن أن تكون هذه الشبكة مفيدة في تطبيقات مثل التعرف على الكتب العربية القديمة أو تحويل الخط اليدوي إلى نصوص رقمية.
خاتمة
إن الذكاء الاصطناعي أو ما يسمى بالثورة الرابعة هو مجال دائم التطور وله آثار بعيدة المدى على البشرية بفضل قدرته على تحليل البيانات وتعلمها ومعالجتها بوتيرة أسرع بكثير من البشر، وبالقدرة على إحداث تغيير في مجالات مختلفة من الحياة على هذا الكوكب، كما أشرنا إلى ذلك من قبل؛ مما يجعل سيل المفاهيم والمصطلحات الجديدة لا يتوقف والتي بدون فهمها والإلمام بها لا يمكن أن نواكب التطورات المذهلة في مجال الذكاء الاصطناعي، وهكذا سيظل هذا الدليل مفتوحًا.
المراجع
(1) Wilks YA. Artificial Intelligence: Modern Magic or Dangerous Future?: MIT Press; 2023.
(2) Vrontis D, Christofi M, Pereira V, Tarba S, Makrides A, Trichina EJTIJoHRM. Artificial Intelligence, Robotics, Advanced Technologies and Human Resource Management: A Systematic Review. 2022;33(6):1237-66.
(3) Lukanova G, Ilieva G. Robots, Artificial Intelligence, and Service Automation in Hotels. Robots, Artificial Intelligence, and Service Automation in Travel, Tourism and Hospitality: Emerald Publishing Limited; 2019. p. 157-83.
(4) Schleier-Smith J, Sreekanti V, Khandelwal A, Carreira J, Yadwadkar NJ, Popa RA, et al. What Serverless Computing is and should become: The Next Phase of Cloud Computing. 2021;64(5):76-84.
(5) Galbusera F, Casaroli G, Bassani TJJs. Artificial Intelligence and Machine Learning in Spine Research. 2019;2(1):e1044.
(6) Bi Q, Goodman KE, Kaminsky J, Lessler JJAjoe. What is Machine Learning? A Primer for the Epidemiologist. 2019;188(12):2222-39.
(7) Ergen MJAJC. What is Artificial Intelligence? Technical Considerations and Future Perception. 2019;22(2):5-7.
(8) Nartey OT, Yang G, Wu J, Asare SKJIA. Semi-Supervised Learning for Fine-Grained Classification with Self-Training. 2019;8:2109-21.
(9) Dhole KM, Chavan Vjaies, I TV. Pattern Learning of News Extraction in Online News Repositories Using Content Mining and Machine Learning Algorithms Approaches.81.
(10) Ray S, editor A Quick Review of Machine Learning Algorithms. 2019 International cConference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon); 2019: IEEE.
(11) Al-Mukhtar MJEm, Assessment. Random Forest, Support Vector Machine, and Neural Networks to Modelling Suspended Sediment in Tigris River-Baghdad. 2019;191(11):673.
(12) Campbell C, Ying Y. Learning with support vector machines: Springer Nature; 2022.
(13) Ezugwu AE, Ikotun AM, Oyelade OO, Abualigah L, Agushaka JO, Eke CI, et al. A Comprehensive Survey of Clustering Algorithms: State-of-the-Art Machine Learning Applications, Taxonomy, Challenges, and Future Research Prospects. 2022;110:104743.
(14) Janiesch C, Zschech P, Heinrich KJEM. Machine Learning and Deep Learning. 2021;31(3):685-95.
(15) Zakaryan AJMIOP, Psychology. Application of Artificial Intelligence (neural networks) in Education. 2021;8(1):78-87.
(16) Tokai Y, Yoshio T, Aoyama K, Horie Y, Yoshimizu S, Horiuchi Y, et al. Application of artificial intelligence using convolutional neural networks in determining the invasion depth of esophageal squamous cell carcinoma. 2020;17:250-6.
(17) Abdul Jamsheed V, Janet BJIJoSRiCS, Engineering. Deep Fake Video Detection Using Recurrent Neural Ntworks. 2021;9(2):22-6.
(18) Samek W, Montavon G, Lapuschkin S, Anders CJ, Müller K-RJPotI. Explaining deep neural networks and beyond: A review of methods and applications. 2021;109(3):247-78.
(19) Zai A, Brown B. Deep Reinforcement Learning in Action: Manning Publications; 2020.
(20) Tanwar P, Saxena A, Priya C. Deep Natural Language Processing and AI Applications for Industry 5.0: IGI Global; 2021.
(21) Raina V, Krishnamurthy S, Raina V, Krishnamurthy SJBaEDSPAFtB, Practice MaSDS. Natural Language Processing. 2022:63-73.
(22) Alonso JMJIJoCIS. Teaching Explainable Artificial Intelligence to High School Students. 2020;13(1):974-87.
(23) Song HJ새. Usability of Texts Written by the AI Text Generator. 2020;62(3):141-73.
(24) Al-Moslmi T, Ocaña MG, Opdahl AL, Veres CJIA. Named entity extraction for knowledge graphs: A Literature Overview. 2020;8:32862-81.
(25) Wells L, Bednarz TJFiai. Explainable AI and Reinforcement Learning—a Systematic Review of Current Approaches and Trends. 2021;4:550030.
(26) Clifton J, Laber EJARoS, Application I. Q-learning: Theory and Applications. 2020;7:279-301.
(27) Wirth C, Fürnkranz J, Neumann G, editors. Model-Free Preference-Based Reinforcement Learning. Proceedings of the AAAI Conference on Artificial Intelligence; 2016.
(28) Bishop CMJPTotRSAM, Physical, Sciences E. Model-based machine learning. 2013;371(1984):20120222.
(29) Shirai Y. Three-Dimensional Computer Vision: Springer Science & Business Media; 2012.
(30) Andreopoulos A, Tsotsos JKJCv, Understanding AI. 50 Years of Object Recognition: Directions Forward. 2013;117(8):827-91.
(31) Agrawal A, Gans J, Goldfarb A. What to Expect from Artificial Intelligence. MIT Sloan Management Review Cambridge, MA, USA; 2017.
(32) Mitchell M. Artificial Intelligence: A Guide for Thinking Humans: Penguin UK; 2019.
(33) Meng Z. A Deep Learning Model for Scene Recognition. 2019.
(34) Hutson M. AI Glossary: Artificial Intelligence, in so many words. American Association for the Advancement of Science; 2017.
(35) Xi E, Bing S, Jin YJapa. Capsule Network Performance on Complex Data. 2017.
(36) Parr T, Howard JJapa. The Matrix Calculus you Need for Deep Learning. 2018.