تُستخدم تكنولوجيات تعلُّم الآلة في بعض أهم التقنيات التي نستخدمها، بدءًا من تطبيقات الترجمة ووصولاً إلى المركبات ذاتية التنقّل. توضّح هذه الدورة التدريبية أساسيات الذكاء الاصطناعي.
يوفّر تعلُّم الآلة طريقة جديدة لحلّ المشاكل والإجابة عن الأسئلة المعقدة وإنشاء محتوى جديد. يمكن أن يتوقّع تعلُّم الآلة الطقس ويقدّم تقديرًا لأوقات السفر ويقترح أغاني ويكمل الجمل تلقائيًا ويلخّص المقالات وينشئ صورًا لم يسبق لها مثيل.
بعبارة بسيطة، تعلُّم الآلة هو عملية تدريب برنامج، يُعرف باسم نموذج، لتقديم توقّعات مفيدة أو إنشاء محتوى من البيانات.
على سبيل المثال، لنفترض أنّنا نريد إنشاء تطبيق للتنبؤ بهطول الأمطار. يمكننا استخدام نهج تقليدي أو نهج تعلُّم الآلة. باستخدام نهج تقليدي، يمكننا إنشاء تمثيل يستند إلى الفيزياء للغلاف الجوي والسطح على الأرض، وحساب كميات هائلة من معادلات ديناميكا السوائل. هذا أمر صعب للغاية.
باستخدام نهج تعلُّم الآلة، يمكننا تزويد نموذج تعلُّم الآلة بكميات هائلة من بيانات الطقس إلى أن يتعرّف نموذج تعلُّم الآلة في النهاية على العلاقة الرياضية بين أنماط الطقس التي تؤدي إلى هطول كميات مختلفة من الأمطار. سنقدّم بعد ذلك للنموذج بيانات الطقس الحالية، وسيتوقّع كمية الأمطار.
التحقّق من الفهم
أنواع أنظمة تعلُّم الآلة
تندرج أنظمة الذكاء الاصطناعي ضمن فئة واحدة أو أكثر من الفئات التالية استنادًا إلى كيفية تعلمها لإجراء توقّعات أو إنشاء محتوى:
- التعلُّم الخاضع للإشراف
- التعلُّم غير الخاضع للإشراف
- التعلّم التعزيزي
- الذكاء الاصطناعي التوليدي
التعلُّم الخاضع للإشراف
يمكن لنماذج التعلُّم المراقَب إصدار توقّعات بعد الاطّلاع على الكثير من البيانات التي تتضمّن الإجابات الصحيحة، ثم اكتشاف الروابط بين العناصر في البيانات التي تؤدي إلى تقديم الإجابات الصحيحة. يشبه ذلك طالبًا يتعلم مادة جديدة من خلال دراسة الاختبارات القديمة التي تحتوي على الأسئلة والإجابات. بعد أن يتم تدريب الطالب على عدد كافٍ من الاختبارات القديمة، يصبح مستعدًا جيدًا لإجراء اختبار جديد. تكون أنظمة الذكاء الاصطناعي هذه "خاضعة للإشراف" بمعنى أنّ أحد الأشخاص يقدّم لنظام الذكاء الاصطناعي بيانات تتضمّن النتائج الصحيحة المعروفة.
هناك حالتا استخدام من أكثر حالات الاستخدام شيوعًا للتعلّم الخاضع للإشراف، وهما الانحدار و التصنيف.
الانحدار
يتنبّأ نموذج الانحدار بقيمة رقمية. على سبيل المثال، نموذج الطقس الذي يتنبّأ بكمية الأمطار بالسنتيمترات أو البوصات هو نموذج انحدار.
اطّلِع على الجدول أدناه للحصول على المزيد من الأمثلة على نماذج الانحدار:
| السيناريو | بيانات الإدخال المحتمَلة | التوقّع الرقمي |
|---|---|---|
| سعر المنزل في المستقبل | المساحات المربعة، والرمز البريدي، وعدد غرف النوم والحمامات، وحجم قطعة الأرض، وسعر الفائدة على القروض العقارية، ومعدّل ضريبة العقارات، وتكاليف البناء، وعدد المنازل المعروضة للبيع في المنطقة | سعر المنزل |
| وقت الرحلة المستقبلي | ظروف حركة المرور السابقة (المجمّعة من الهواتف الذكية وأدوات استشعار حركة المرور وتطبيقات طلب الركوب وتطبيقات التنقّل الأخرى) والمسافة من الوجهة وظروف الطقس | الوقت المستغرَق بالثواني والدقائق للوصول إلى وجهة معيّنة. |
التصنيف
تتنبأ نماذج التصنيف باحتمالية أن ينتمي عنصر معيّن إلى فئة معيّنة. على عكس نماذج الانحدار التي يتمثل ناتجها في رقم، تُخرج نماذج التصنيف قيمة تشير إلى ما إذا كان عنصر معيّن ينتمي إلى فئة معيّنة أم لا. على سبيل المثال، تُستخدَم نماذج التصنيف للتنبؤ بما إذا كانت الرسالة الإلكترونية غير مرغوب فيها أو ما إذا كانت الصورة تحتوي على قطة.
تنقسم نماذج التصنيف إلى مجموعتَين: التصنيف الثنائي والتصنيف
متعدد الفئات. تُخرج نماذج التصنيف الثنائي قيمة من
فئة تحتوي على قيمتَين فقط، على سبيل المثال، نموذج يُخرج إما
rain أو no rain. تُخرج نماذج التصنيف المتعدّد الفئات قيمة من
فئة تحتوي على أكثر من قيمتَين، على سبيل المثال، نموذج يمكنه إخراج
rain أو hail أو snow أو sleet.
التحقّق من الفهم
التعلُّم غير الخاضع للإشراف
تُجري نماذج التعلم غير الخاضع للإشراف توقّعات من خلال تقديم بيانات لا تحتوي على أي إجابٍ صحيحة. يهدف نموذج التعلّم غير الخاضع للإشراف إلى تحديد أنماط مفيدة بين البيانات. بعبارة أخرى، لا يملك النموذج أيّ إشارات حول كيفية تصنيف كل قطعة من البيانات، بل عليه استنتاج قواعده الخاصة.
يستخدم نموذج التعلّم غير الخاضع للإشراف الشائع أسلوبًا يُعرف باسم التجميع العنقودي. يعثر النموذج على نقاط بيانات تحدّد المجموعات الطبيعية.
الشكل 1: نموذج تعلُّم آلي يجمّع نقاط البيانات المتشابهة
الشكل 2: مجموعات من المجموعات ذات الحدود الطبيعية
يختلف التجميع عن التصنيف لأنّك لا تحدّد الفئات. على سبيل المثال، قد يُجمِّع نموذج غير خاضع للإشراف مجموعة بيانات الطقس استنادًا إلى درجة الحرارة، ما يكشف عن التقسيمات التي تحدّد الفصول. يمكنك بعد ذلك محاولة تسمية هذه المجموعات استنادًا إلى فهمك لمجموعة البيانات.
الشكل 3 نموذج تعلُّم آلي يجمع أنماط الطقس المتشابهة
الشكل 4 مجموعات من أنماط الطقس المصنّفة على أنّها ثلوج أو زخات ثلج أو أمطار أو عدم هطول أمطار
التحقّق من الفهم
التعلّم التعزيزي
تُجري نماذج التعزيز توقّعات من خلال الحصول على مكافآت أو عقوبات استنادًا إلى الإجراءات التي يتم تنفيذها في بيئة معيّنة. ينشئ نظام تعلُّم التعزيز سياسة تحدِّد أفضل استراتيجية للحصول على أكبر قدر من المكافآت.
يُستخدَم تعلُّم التعزيز لتدريب الروبوتات على تنفيذ المهام، مثل المشي حول الغرفة، وبرامج برمجية مثل AlphaGo للعب لعبة Go.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو فئة من النماذج التي تُنشئ محتوى من مدخلات المستخدم. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي إنشاء صور ومقطوعات موسيقية ونكات فريدة، كما يمكنه تلخيص المقالات وشرح كيفية تنفيذ مهمة أو تعديل صورة.
يمكن أن يعالج الذكاء الاصطناعي التوليدي مجموعة متنوعة من المدخلات وينشئ مجموعة متنوعة من المخرجات، مثل النصوص والصور والمحتوى الصوتي والفيديوهات. ويمكنه أيضًا إنشاء تركيبات من هذه العناصر. على سبيل المثال، يمكن أن يأخذ النموذج صورة كمدخل وينشئ صورة و نصًا كمخرج، أو يأخذ صورة ونصًا كمدخل وينشئ فيديو كمخرج.
يمكننا مناقشة النماذج التوليدية حسب مدخلاتها ومخرجاتها، والتي يتم كتابتها عادةً على النحو التالي: "نوع الإدخال" إلى "نوع الإخراج". على سبيل المثال، في ما يلي قائمة جزئية ببعض المدخلات والنواتج للنماذج التوليدية:
- تحويل النص إلى نص
- تحويل النص إلى صورة
- تحويل النص إلى فيديو
- تحويل النص إلى رمز
- نص إلى كلام
- تحويل الصور والنصوص إلى صور
يسرد الجدول التالي أمثلة على النماذج التوليدية وبيانات الإدخال الخاصة بها ومثالاً على النتائج المحتملة:
| الطراز | الإدخال | مثال على الناتج |
|---|---|---|
| تحويل النص إلى نص | من هو مخترع سباق Le Mans؟ |
تأسّس سباق 24 ساعة من لومان من قِبل نادي Automobile Club de l'Ouest
(ACO)، وهو منظمة للسيارات تأسّست في عام 1906. تمّ تنظيم السباق الأول
في 26 و27 أيار (مايو) 1923 على حلبة سارث، وهي حلبة طريق بطول 13.426 كيلومتر
(8.345 ميل) تقع بالقرب من مدينة لو مان في فرنسا.
تم تصميم السباق في الأصل كطريقة للترويج لاتحاد ACO ومنطقة
Sarthe. المصدر: Bard |
| تحويل النص إلى صورة | أخطبوط فضائي يطفو عبر بوابة أثناء قراءة صحيفة. |
 المصدر: Imagen |
| تحويل النص إلى فيديو | دبّة دبّاء واقعية تسبح في المحيط في سان فرانسيسكو دبّ محشو ينزل تحت الماء. يواصل دبّ الدببة السباحة تحت الماء مع الأسماك الملونة. دب باندا يسبح تحت الماء |
 المصدر: Phenaki |
| تحويل النص إلى رمز | اكتب حلقة Python تتكرر على قائمة من الأرقام وتطبع الأعداد الأولية. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) المصدر: Bard |
| تحويل الصور إلى نص |  |
هذا طائر فلامينغو. يمكن العثور عليها في منطقة الكاريبي. المصدر: Google DeepMind |
كيف يعمل الذكاء الاصطناعي التوليدي؟ على مستوى عالٍ، تتعلّم النماذج التوليدية الأنماط في البيانات بهدف إنشاء بيانات جديدة ولكنّها مشابهة. في ما يلي أمثلة على نماذج الإنشاء:
- الفنانون الكوميديون الذين يقلّدون الآخرين من خلال مراقبة سلوكياتهم وأسلوبهم في التحدّث
- الفنّانون الذين يتعلمون الرسم بأسلوب معيّن من خلال دراسة الكثير من اللوحات بهذا الأسلوب
- فرق موسيقية تؤدي أغاني مجموعات موسيقية معيّنة من خلال الاستماع إلى الكثير من أعمال هذه المجموعات
لإنتاج نتائج فريدة وإبداعية، يتم تدريب النماذج التوليدية في البداية باستخدام نهج غير خاضع للإشراف، حيث يتعلّم النموذج تقليد البيانات التي تم تدريبه عليها. يتم أحيانًا تدريب النموذج بشكلٍ إضافي باستخدام تعلُّم الآلة المراقَب أو تعلُّم التعزيز على بيانات محدّدة ذات صلة بالمهام التي قد يُطلَب من النموذج أداؤها، على سبيل المثال، تلخيص مقالة أو تعديل صورة.
تتطوّر تكنولوجيا الذكاء الاصطناعي التوليدي سريعًا، ويتم باستمرار اكتشاف حالات استخدام جديدة لها. على سبيل المثال، تساعد النماذج التوليدية الأنشطة التجارية في تحسين صور منتجاتها على التجارة الإلكترونية من خلال إزالة الخلفيات المشتتة تلقائيًا أو تحسين جودة الصور ذات الدقة المنخفضة.