ملخص عن الذكاء الاصطناعي

لقد كان تطوير الآلات والخوارزميات التي تحاكي القدرات المعرفية للدماغ البشري محورًا رئيسيًا للباحثين والعلماء في العقد الماضي.

بدأ هذا التقليد بالظهور مع ظهور تطبيقات الذكاء الاصطناعي. تُحاكي العديد من التطبيقات اليوم، بطريقة أو بأخرى، وظيفة الدماغ البشري البيولوجي من خلال استخدام الشبكات العصبية. تستطيع هذه الخلايا العصبية الاصطناعية المترابطة معالجة مليارات البيانات إدخال في ثوانٍ، وهي آلية يكاد يكون من المستحيل تكرارها في الدماغ البشري الطبيعي. يكمن جمال هذه الشبكات العصبية في قدرتها على التعلم والتكيف المستمر مع البيانات والبيئات والتحديات الجديدة. ومع ذلك، لا تزال هذه الشبكات تفتقر إلى فهم عام لجميع المواضيع، إذ تميل إلى التركيز على مهام محددة، كما تفتقر إلى الوعي. قد يكون هذان العنصران هما العاملان اللذان يمنعاننا من الوصول إلى الذكاء الاصطناعي العام أو ما يُعرف بالذكاء الاصطناعي العام.

يُمثل الذكاء الاصطناعي (AI) والشبكات العصبية (Neural Networks) والتعلم الآلي جوانب مترابطة، وإن كانت متميزة، في مجال علوم الحاسوب. الذكاء الاصطناعي (AI) هو التخصص العام والأوسع الذي يُمكّن الحواسيب من أداء مهام مثل التفكير والتعلم وفهم اللغة الطبيعية. التعلم الآلي هو فرع من فروع الذكاء الاصطناعي، يُركز على الخوارزميات القادرة على التعلم والتنبؤ بناءً على بيانات مُعطاة. الشبكات العصبية هي فرع من فروع التعلم الآلي، مستوحاة من الشبكات العصبية البشرية البيولوجية. تتكون من طبقات من العقد أو الخلايا العصبية المترابطة التي تُعالج بيانات إدخال عبر نظام من الوصلات.

بينما اقتصرت البرمجة المبكرة على مفهومي "إذا" و"ثم" المعتادين - إذا كان السؤال يتعلق بلوحة قيادة السيارة، فاذكر العناصر الموجودة عليها - فإن الشبكات العصبية وخوارزميات التعلم الآلي لا تلتزم بهذا المفهوم. هذه الشبكات والخوارزميات قادرة على التحليل، وربط النقاط، واستنباط الأنماط، وتقديم تحليلات مفصلة.

يشهد تطبيق الذكاء الاصطناعي في مختلف المجالات تطورًا متسارعًا، ولا يقتصر اعتماده على قطاعين فقط. فاليوم، يُستخدم الذكاء الاصطناعي في قطاعات عديدة، مثل تجارة التجزئة، والرعاية الصحية، والنقل، والتصنيع، والتمويل. وتستفيد الشركات من الذكاء الاصطناعي، والتعلم الآلي، وأنظمة التحليلات التنبؤية المتقدمة للتفاعل مع المستهلك، وتحسين تجربته، وتعظيم أرباحها.

وفيما يلي بعض الأمثلة على استخدام الذكاء الاصطناعي في مختلف القطاعات والصناعات:

• تجارة التجزئة: قد يُمثل هذا القطاع أحد أفضل القطاعات لاستخدام الذكاء الاصطناعي. على سبيل المثال، يُستخدم الذكاء الاصطناعي لتحليل سلوك العملاء وعاداتهم واتجاهاتهم وتفضيلاتهم وسجل مشترياتهم في مواقع التجارة الإلكترونية. وتُعدّ روبوتات الدردشة شائعة الاستخدام اليوم في أي موقع إلكتروني، حيث تُمثّل نقطة الاتصال الأولى لخدمة العملاء. كما يُستخدم الذكاء الاصطناعي في إدارة المخزون، وتطوير المنتجات، والتنبؤ بالطلب، وتحسين المخزون.

• الرعاية الصحية: يشهد هذا القطاع نموًا سريعًا، ويبدأ بتطبيق الذكاء الاصطناعي في البحث والتطوير، وفي التطبيقات الشخصية. تستخدم العديد من المختبرات اليوم الذكاء الاصطناعي للكشف عن الفيروسات والأورام والتشوهات في فحوصات التصوير الطبي. على سبيل المثال، يمكن للمختبرات الكشف عن إصابة المريض بالسكري وتقديم المشورة بشأنها. في الوقت نفسه، نشهد زيادة في إنتاج تطبيقات الهاتف المحمول التي تُعنى بالصحة. بعض هذه التطبيقات قادر على مراقبة مرضى القلب، واكتشاف أي تشوهات فيه، وإرسال إشارات إلى أطباء الطوارئ المتاحين. بينما تُقدم تطبيقات أخرى نصائح وإرشادات حول كيفية الحفاظ على الصحة، وذلك بالاعتماد على أجهزة استشعار متصلة.

• التصنيع: يلوح في الأفق صعودٌ للمصانع المُدارة بالذكاء الاصطناعي. تستطيع توائم الذكاء الاصطناعي الرقمية محاكاة أي مصنع ووظائفه على منصة رقمية، ثم تحليل جميع العمليات. ومن خلال دمج الذكاء الاصطناعي، تستطيع التوائم الرقمية التنبؤ بالنتائج، وتشخيص المشكلات، وتحسين العمليات في بيئة محاكاة. بالإضافة إلى ذلك، تستطيع أجهزة الاستشعار المُثبتة داخل المصنع مراقبة العمليات وتنبيهها وتحسينها آنيًا. تتيح هذه القدرات المتقدمة تحليلًا وفهمًا أعمق، مما يُمكّن المهندسين من اتخاذ قرارات مدروسة وتنفيذ التحسينات دون المخاطر والتكاليف المرتبطة بالاختبارات الواقعية. ولتحسين إجراءات التشغيل والصيانة، قامت محطة توليد الطاقة التوربينية الغازية التابعة لشركة جنرال إلكتريك في فرنسا بتركيب نظام توأم رقمي. وبمساعدة نظام الذكاء الاصطناعي هذا، يجمع المهندسون بيانات آنية من أجهزة الاستشعار المُثبتة في التوربينات، ويُحللونها، ويُقدمون اقتراحات للصيانة الاستباقية وتحسين الأداء. كما يُتزايد استخدام الروبوتات المُدارة بالذكاء الاصطناعي في المصانع، فهي قادرة على العمل بشكل مستقل، كما أنها قادرة على رفع ونقل المواد الثقيلة دون التعرض لخطر الإصابة.

• التمويل: لا يمكننا اليوم تخيّل القطاع المالي يعمل بدون أدوات الذكاء الاصطناعي. تستخدم البنوك خوارزميات متطورة للذكاء الاصطناعي والتعلم الآلي للكشف عن الاحتيال. هذه الخوارزميات قادرة على اكتشاف وملاحظة أي شذوذ وأنماط غير مألوفة قد تغفلها العين البشرية بسهولة. يستطيع الذكاء الاصطناعي تصفح ملايين الوثائق واستخراج بيانات من الإنترنت لتقديم المشورة للبنوك والمستشارين بشأن فرص الاستثمار. ويتزايد استخدام أدوات التنبؤ في التداول وسوق الأسهم.

• النقل: السيارات ذاتية القيادة موجودة بالفعل وتخضع للاختبار في العديد من الدول. قد تكون سيارات الأجرة التي تعمل بالذكاء الاصطناعي أول خدمة تُطلق، بينما تُستخدم وتُطبّق المروحيات ذاتية القيادة والطائرات المسيرة التي تعمل بالذكاء الاصطناعي في جميع أنحاء العالم. لكن الذكاء الاصطناعي لا يقتصر على القيادة الذاتية، بل يتجاوز ذلك بكثير. تحسين مسارات الشحن والخدمات اللوجستية، وتحسين خطوط ومواعيد التسليم، وتحسين استهلاك الوقود، ليست سوى بعض الأمور الممكنة اليوم.

المفهوم الأساسي للتعلم الآلي هو التعلم من خلال إيجاد أنماط وهياكل ذات معنى من البيانات التي تم جمعها من خلال استخدام الخوارزميات الرياضية؛ الخوارزميات هي عبارة عن سلسلة من التعليمات التي تأمر أجهزة الكمبيوتر بتنفيذ مهام محددة باستخدام العمليات المنطقية والحسابية.

كما يقول بيدرو دومينغوس في كتابه "الخوارزمية الرئيسية": "التعلم الآلي هو الأسلوب العلمي الأكثر تطوراً".

يتيح التعلم الآلي لعلماء البيانات ومهندسي التعلم الآلي تكرار وتنقيح واختبار الفرضيات بسرعة والتي استغرقت أسابيع وأشهرًا باستخدام الأساليب العلمية التقليدية.

بينما يجد التعلم الآلي أنماطًا ذات معنى في البيانات، تُركز التحليلات والخوارزميات على إيجاد الارتباطات بين مختلف المتغيرات في البيانات لفهم كيفية تأثير متغير على آخر، إيجابًا أو سلبًا. تستخدم تحليلات التعلم تقنيات مثل تصور البيانات والجداول والرسوم البيانية لمساعدة المشاهد على فهم البيانات بعمق.

أدى التطور السريع للتعلم الآلي إلى ظهور مجال معالجة اللغة الطبيعية (NLP). تُمكّن هذه المعالجة أجهزة الكمبيوتر من فهم النصوص والكلمات المنطوقة بطريقة طبيعية، تمامًا كما نتواصل مع بعضنا البعض. تطبيقات معالجة اللغة الطبيعية واسعة النطاق وسريعة النمو، ويتم دمجها في أدوات الأعمال مثل منصات إدارة العملاء.

عند تقاطع الذكاء الاصطناعي ومعالجة اللغة الطبيعية (NLP) ونماذج اللغة الكبيرة (LLMs)، توجد روبوتات الدردشة (Chatbots)، والتي سنناقشها ونطورها في هذه الدورة. يعتمد تطوير روبوت دردشة لخدمة العملاء لأصحاب السيارات على مبادئ الذكاء الاصطناعي ومعالجة اللغة الطبيعية، مع التركيز على نماذج اللغة الكبيرة (LLMs). تُمكّن نماذج اللغة الكبيرة (LLMs) الآلات من فهم وتوليد نصوص شبيهة بالنصوص البشرية، وهذه القدرة أساسية لإنشاء روبوتات دردشة قادرة على فهم إدخال اللغة الطبيعية من المستخدمين، وتفسير استفساراتهم، وتوليد ردود مناسبة. تكمن ميزة استخدام نماذج اللغة الكبيرة في روبوتات الدردشة في قدرتها على معالجة وفهم كميات هائلة من البيانات، مما يُمكّنها من الرد على الاستفسارات في ثوانٍ. هذا يُمكّن نماذج اللغة الكبيرة (LLMs) من تقديم المساعدة بطريقة بديهية، مما يُحسّن تجربة المستخدم.

غالبًا ما تُسمى نماذج ماجستير إدارة الأعمال بنماذج الأساس نظرًا لتعدد استخداماتها وقدرتها على التكيف. تُدرَّب هذه النماذج على كميات هائلة من البيانات، والتي يُمكن، بعد تدريبها، ضبطها بدقة لأداء مجموعة متنوعة من المهام اللاحقة، مثل تلخيص النصوص، والإجابة على الأسئلة، والترجمة، وغيرها الكثير. تُعرف هذه الطريقة من الضبط الدقيق أيضًا باسم التعلم الانتقالي ، لأن المهمة اللاحقة تتعلم من النموذج الأساسي، ولكنها تُعزز وتُحسِّن قدراتها الخاصة من خلال التخصص في مهمة مُحددة. من خلال عملية التعلم الانتقالي، تُصبح المهام المُحددة، مثل تلخيص النصوص، بمثابة المُتعلم الذي يتعلم من نموذج ماجستير إدارة الأعمال الرئيسي المُدرَّب على مهام أكثر عمومية. هذه هي الطريقة الأكثر فعالية للتعلم اليوم.

علاوة على ذلك، فإن ضبط برامج إدارة التعلم (LLM) باستخدام بيانات خاصة بالمجال يعد خطوة أساسية في تصميم روبوت المحادثة لدعم العملاء للإجابة على الاستفسارات المتعلقة بالسيارات. تتضمن هذه العملية زيادة قاعدة بيانات برنامج إدارة التعلم (LLM) بمعرفة خاصة بالمهمة، والتي نشير إليها باسم التوليد المعزز بالاسترجاع (RAG) . كما تتضمن أيضًا الهندسة السريعة ، وهي طريقة تُستخدم لتوجيه برنامج إدارة التعلم (LLM) للتصرف بطريقة معينة لتوجيهه في الاتجاه الصحيح لتوليد إخراج المطلوب. من خلال زيادة برنامج إدارة التعلم (LLM) ببيانات خاصة بالمهمة، يصبح برنامج المحادثة قادرًا على التعرف على سياق وتفاصيل استفسارات السيارات المختارة، مما يؤدي إلى استجابات أكثر دقة وملاءمة. فوائد استخدام RAG مع برامج إدارة التعلم (LLM) عديدة، حيث إنها تمكن المطورين من تحسين استجابة برنامج إدارة التعلم (LLM) وتخصيص نمط إخراج وتوجيه المحادثة بين العميل وبرنامج إدارة التعلم (LLM) بطريقة معينة وتوفير تجربة سلسة للعملاء.

تُستخدم معالجة اللغة الطبيعية (NLP) بكثرة في العديد من الصناعات، دون أن ندرك ذلك. فيما يلي بعض حالات الاستخدام الشائعة لمعالجة اللغة الطبيعية:

• تحويل الكلام إلى نص: تُمكّن تقنية معالجة اللغة الطبيعية (NLP) المستخدمين من تحويل اللغة المنطوقة إلى نص، بينما تُحوّل تقنية تحويل النص إلى كلام النص إلى كلمات منطوقة بأصوات شبه طبيعية. لهذه الخدمات فوائد واستخدامات عديدة، منها تطبيقات الكتابة بدون استخدام اليدين المتوفرة في العديد من التطبيقات اليوم، وقراءة النصوص للمستخدمين ضعاف البصر، واستخدام هذه الخدمات للروبوتات الآلية لمنحها إحساسًا أو نهجًا إنسانيًا.

• الترجمة الآلية: تُساعد على ترجمة اللغات عبر الثقافات واللهجات. التقدم المحرز في هذا المجال هائل. اليوم، تجاوزنا بكثير ترجمة جوجل البسيطة وغير السياقية للكلمات. نماذج اللغات الكبيرة والشبكات العصبية قادرة على فك رموز اللغات وترجمتها سياقيًا بدقة عالية.

• تصنيف النصوص: تساعد معالجة اللغة الطبيعية (NLP) على تصنيف النصوص والجمل إلى فئات. ومن الأمثلة الرائعة على تصنيف النصوص تحليل المشاعر. تستطيع خوارزمية التصنيف اكتشاف الفروق الدقيقة وتباين النص من خلال تصنيفه إلى نية إيجابية أو محايدة أو سلبية. كما تستطيع خوارزميات التصنيف تصفية رسائل البريد الإلكتروني إلى رسائل غير مرغوب فيها أو غير مرغوب فيها، مع ضمان تجاهلها أو حظرها. يُعد تصنيف المواضيع والتعرف على النية استخدامات أخرى لتصنيف النصوص، حيث تصنف الخوارزمية النص إلى فئات أو نية، مثل الموضة والتكنولوجيا والتعليم. كما يمكن لتصنيف النصوص تحديد اللغات وتصنيفها.

• استخراج الكيانات: يُعدّ استخراج الكيانات، أو التعرف على الكيانات المسماة (NER)، موضوعًا واسعًا وهامًا في معالجة اللغة الطبيعية (NLP)، وتتمثل مهمته الرئيسية في تحديد واستخراج حقول أو فئات مُحددة مسبقًا من النصوص، مثل الأسماء والتواريخ والمواقع وأسماء المؤسسات وأسماء الأشخاص. يُعدّ هذا مفيدًا في مهام مثل استخراج النصوص من الفواتير والإيصالات والوثائق الرسمية.

• تلخيص النص: يُساعد على إنشاء ملخص موجز للنص. استخدامه بسيط ولكنه ضروري للغاية، إذ يُمكننا من خلاله إنشاء ملخصات سريعة لكميات كبيرة من النص لتحديد ما إذا كان النص يحتوي على المعلومات المطلوبة. نحن نبحث عنه أم لا.

• الإجابة على الأسئلة: تُعدّ هذه الخدمة من أكثر خدمات الذكاء الاصطناعي طلبًا اليوم، وهي المهمة الرئيسية لروبوتات الدردشة المستخدمة حاليًا في مواقع التجارة الإلكترونية، ومراكز البيع بالتجزئة، والمواقع التعليمية. صُممت هذه الروبوتات للرد على المستخدمين بلغة طبيعية، كما لو كانوا ممثل خدمة عملاء الشركة أو المؤسسة. كما تعمل روبوتات الدردشة كمساعدين شخصيين، حيث ترد على المستخدمين بناءً على ملفاتهم الشخصية، ومعلوماتهم، وعاداتهم، وتفضيلاتهم.