أنت

إنّ تفاعلك مع أنظمة “الذكاء الاصطناعي” يساهم في نجاحها مع المستخدمين حول العالم.
من المستحيل تعليم أي آلة الطريقة المعقّدة التي يفكّر بها الإنسان تجاه احتياجاته واهتماماته.
قد تتمكن من تزويد أحد أنظمة “الذكاء الاصطناعي” بكل البيانات المتاحة في العالم ولكنّه سيظل عاجزًا عن فهم أو تلبية احتياجات كل المستخدمين حول العالم. فلكل مستخدم منّا أبعاد متعدّدة من حيث التفكير والتفاعل تختلف إلى حدٍ كبير عن النظام الثنائي الأبعاد الذي تستند إليه الآلات لفهم البيانات وتنفيذ المطلوب منها.
إنّ العديد من الأنظمة التي تشكِّل عالمنا تعكس أيضًا طريقة تفكيرنا تجاه احتياجاتنا واهتماماتنا.
يتم تدريب وتوجيه أنظمة “الذكاء الاصطناعي” على أيدي البشر، بدءًا من مطوّري البرامج والمبرمجين المعنيين بإنشاء هذه الأنظمة ووصولاً إلى مستخدمي هذه الأنظمة.
من هذا المنطلق، بإمكان كل مستخدم اختيار طريقة تفاعله مع أنظمة “الذكاء الاصطناعي” والمعلومات التي يريد مشاركتها. ويمكن لكل مستخدم التحكّم في مقدار البيانات التي يتعرّف عليها نظام “الذكاء الاصطناعي” عنه.
مع مرور الوقت، وفي ظل ظهور المزيد من أنظمة الذكاء الاصطناعي في حياتنا، يمكن أن يساهم المستخدمون في تدريب هذه الأنظمة على التعرُّف بشكل أفضل على الفروق الاجتماعية والسياقات والعلاقات التي تجعل كل فرد منا شخصية فريدة بذاتها.

بيئة ومناخ

تتم الاستعانة بتقنيات الذكاء الاصطناعي في مواجهة تحديات المناخ العالمية.
يستخدم الأشخاص في جميع أنحاء العالم الذكاء الاصطناعي في مواجهة الأزمة غير المسبوقة التي يشهدها كوكبنا.
تشمل عملية مراقبة تغيُّر المناخ مجموعات بيانات كبيرة دائمة التطوّر. ويمكن أن تساعد أنظمة الذكاء الاصطناعي في تحليل مجموعات من المعلومات البيئية، وذلك بهدف تتبُّع التغيرات في الظروف المناخية في الوقت الفعلي، ومعالجة نقاط الضعف للحدّ منها، وإتاحة فرص حيوية للبشرية كي تجد حلولاً يمكن أن يكون لها تأثير إيجابي على كوكبنا بشكل أسرع.
يمكن أن يمثّل الذكاء الاصطناعي أداة قوية في مواجهة بعض أكبر التحديات التي تشهدها البشرية.
تساعدنا الأنظمة التي تعمل بالذكاء الاصطناعي في الحدّ من كمية الطاقة المهدرة في المنزل من خلال إيقاف تشغيل أنظمة التدفئة والأضواء عندما نغادر المنزل.
في جميع أنحاء العالم، تساعد هذه الأنظمة في مكافحة الجفاف من خلال مراقبة المناطق المتأثّرة بالتصحّر.
يتم استخدام هذه الأنظمة في وضع نماذج لذوبان الكتل الجليدية وتوقُّعz ارتفاع مستويات أسطح البحار بحيث يتسنى اتّخاذ إجراءات فعّالة.
تساعد أنظمة أخرى في إيجاد تركيبات كيميائية جديدة لازمة لإنتاج الوقود من أشعة الشمس.
يأخذ الباحثون أيضًا بعين الاعتبار التأثير البيئي لمراكز البيانات وأنظمة حوسبة الذكاء الاصطناعي نفسها، مثل إيجاد طريقة لتطوير أنظمة وبنى تحتية أكثر فعالية في استخدام الطاقة.
إنّ الذكاء الاصطناعي ليس سوى أداة واحدة ضمن عملية تحليل أسباب تغيُّر المناخ المعقدة، ولكن قدرته على معالجة كمّ كبير من البيانات واكتشاف أنماط تتيح لنا الفرصة لفهم النظام البيئي بشكل أفضل.

تعلّم الآلة

هو تعلُّم الذكاء الاصطناعي أنماطًا محدَّدة من خلال البيانات والتجارب.
يُمكّن تعلُّم الآلة أنظمة الذكاء الاصطناعي من التوصّل إلى حلول خاصة بتلك الأنظمة، وذلك بدلاً من برمجتها مسبقًا باستخدام مجموعة من الإجابات.
في البرمجة التقليدية، إذا كنت تريد تعليم جهاز كمبيوتر كيفية رسم قطة، سيتطلّب ذلك منك شرح عملية الرسم بتفصيل دقيق. أمّا باستخدام تعلُّم الآلة، فيمكنك تغذية نظام الذكاء الاصطناعي بالآلاف من رسومات القطط لتحليلها والسماح للنظام بالبحث عن الأنماط بشكل مستقل.
مع مرور الوقت، يبدأ نظام تعلُّم الآلة في تحديد السمات المميّزة للقطة، مثل الأذن المدببة والشارب الطويل، ومن ثَمّ يطوّر فهمًا أكثر مرونة ودقة لمجموع العناصر التي تمثّل رسمة قطة.
وبفضل إمكانات اكتشاف الأنماط هذه، يساعد تعلُّم الآلة أنظمة الذكاء الاصطناعي على تحليل كمّ هائل من البيانات.
يمكن لتعلُّم الآلة إنجاز مهام معيَّنة بسرعة ودقة كبيرة.
يستعين النشطاء في مجال الحفاظ على البيئة بتقنيات الذكاء الاصطناعي في تحليل بيانات التسجيلات التي تمّت تحت سطح الماء على مدار أشهر وتحديد أنماط هجرة الحيتان، بينما يستعين بها متخصّصو التشخيص الطبي في إجراء العديد من عمليات الفحص الطبي في آنٍ واحد لتحديد أولى أعراض المرض.

ثنائية شبكات GAN

هي عبارة عن نظامَي ذكاء اصطناعي يتعلّمان من خلال منافسة بعضهما.
الشبكات التنافسية الإنتاجية GAN  هي عبارة عن أزواج من أنظمة الذكاء الاصطناعي المدرّبة على إنشاء المحتوى وإنجاز المهام بشكل أسرع من عمل نظام واحد بمفرده.
لنفترض أنّ هناك مهمة تتمثّل في تصميم صورة مستوحاة من أسلوب “بيكاسو” الفني. يمكن لفِرق تصميم أنظمة الذكاء الاصطناعي جمع كل لوحات “بيكاسو” وتدريب إحدى الشبكات التنافسية الإنتاجية GAN على تحديد الألوان والنواحي المميّزة واللمسات الفردية للفرشاة التي تجعل أعماله الفنية فريدة من نوعها.
سيحاول أحد أنظمة الذكاء الاصطناعي AI نسخ عمل “بيكاسو”، بينما يقيّم النظام الآخر محاولاته.
يعمل نظام المحاكاة على دراسة اللوحات الفنية الحالية بالاعتماد على النواحي التي تميّزها ومن ثَمّ تطبيق المعرفة المكتسبة لإنتاج آلاف من اللوحات الجديدة التي تتّسم بأسلوب “بيكاسو”، في حين يعمل نظام الذكاء الاصطناعي الآخر على تحليل مدى تشابه اللوحات الجديدة المبتكرة مع أسلوب “بيكاسو” وتقييم جودتها. ويعالج نظام المحاكاة أي جزء يبدو مغايرًا لأسلوب “بيكاسو” من أجل تحسينه.
وفي النهاية بعد توارد الأفكار ملايين المرات، تتحسّن تدريجيًا نتائج أنظمة المحاكاة في تصميم لوحات تتّسم بأسلوب “بيكاسو”.
إنّ قدرة الشبكات التنافسية الإنتاجية GAN على تحقيق ما هو أفضل من مجرد حفظ ما سبق تنفيذه لإنشاء محتوى جديد كان يمثّل نقطة فارقة بالنسبة إلى المختصين في أبحاث الذكاء الاصطناعي. وهو ما دفع المصمّمين والمهندسين المعماريين إلى تكريس إمكاناتهم للمساعدة في تصميم نماذج ثلاثية الأبعاد للسيارات والمباني استنادًا إلى دراسة الصور الثنائية الأبعاد.

جداول البيانات

هي المعلومات المستخدَمة في تغذية أنظمة الذكاء الاصطناعي بمعلومات حول العالم.
إنّ مجموعات البيانات هي عبارة عن مجموعات كبيرة من المعلومات الرقمية التي تُستخدَم لتدريب أنظمة الذكاء الاصطناعي.
قد تتضمّن مجموعات البيانات شتى المعلومات بدءًا من بيانات الطقس، مثل ضغط الهواء ودرجة الحرارة، وحتى الصور والموسيقى، أو أي معلومات أخرى من شأنها مساعدة نظام الذكاء الاصطناعي في إنجاز المهمة التي يعمل عليها.
بالنسبة إلى أجهزة الكمبيوتر، إن مجموعات البيانات بمثابة المراجع والكتب.
الآلات، كما الأطفال، تتعلم من خلال الأمثلة. وتمثّل مجموعات البيانات العامل الأساسي الذي تعتمد عليه عملية التعلُّم هذه.
لذا على فِرق تصميم أنظمة الذكاء الاصطناعي أن يدرسوا بدقة البيانات التي يتم اختيارها لتدريب أنظمة الذكاء الاصطناعي، ويمكنهم تصميم معلَمات تساعد الأنظمة على فهم المعلومات التي يتم تزويدها بها.
نظرًا لحجم مجموعات البيانات هذه وتعقيدها، قد يشكّل إنشاؤها وفلترتها أمرًا صعبًا، سواء كانت تتألف من بضع مئات من العينات الصوتية أو خرائط شاملة للنظام الشمسي المعروف.
لهذا السبب، غالبًا ما تشارك فِرق تصميم أنظمة الذكاء الاصطناعي مجموعات البيانات بهدف تعميم الفائدة العلمية بين المجتمع العلمي، ما يسهل التعاون بشأن الأبحاث واستناد الباحثين إلى نتائج أبحاث العلماء الآخرين.

حوسبة

هي عبارة عن جيل جديد من أجهزة الكمبيوتر التي تعالج المعلومات بطريقة مختلفة تمامًا.
أجهزة الكمبيوتر الكمّية هي نوع جديد من الأجهزة يستخدم الذكاء الاصطناعي في حلّ العمليات الحسابية التي تستغرق أجهزة الكمبيوتر التقليدية فترة طويلة جدًا لحلّها.
تعالج هذه الأجهزة الكمّية المعلومات بطرق وأبعاد مختلفة كليًا عن أجهزة الكمبيوتر التي تُستخدم في تشغيل أنظمة الذكاء الاصطناعي اليوم. وفي حين أن أجهزة الكمبيوتر التقليدية تعالج المعلومات كسلسلة رقمية مكوّنة من 0 أو 1 (الرمز الثنائي)، يمكن لأجهزة الكمبيوتر الكمّية استخدام سلاسل رقمية مكوّنة من 0 و1 في آن واحد.
يمكن لأجهزة الكمبيوتر الكمّية الاحتفاظ بالسلاسل الرقمية المكوّنة من 0 و1 في آن واحد تمامًا مثل العقل البشري.
إنّ قدرة هذه الأجهزة على إجراء العديد من العمليات الحسابية في وقت واحد يقلل بشكل كبير من وقت المعالجة، ما يعني أن أجهزة الكمبيوتر الكمّية يمكنها مساعدة أنظمة الذكاء الاصطناعي على إكمال المهام في ثوانٍ معدودة، وهي المهام نفسها التي تستغرق أسرع أجهزة الكمبيوتر آلاف السنين لإكمالها. وبالتالي، إنّ أجهزة الكمبيوتر هذه تُمكّن الباحثين من إيجاد حلول قيّمة للعمليات الحسابية المعقدّة بشكل فوري.
على الرغم من عدم معرفة المدة التي ستستغرقها مختبرات البحث للانتهاء من تصميم هذه الأجهزة وطرحها عالميًا، لا شك أن لديها القدرة على تسريع المهام الحسابية بشكل كبير، لدرجة أنه قد يصبح من الممكن تحليل الأدوية الطبية بشكل دقيق ومعرفة ما إذا كان دواء معيَّن قادرًا على استهداف جزيئات معيَّنة بشكل فعّال في جسم الإنسان.

خداع وتزييف

هي صور أو مواد صوتية أو فيديوهات مزيفة يتم تصميمها باستخدام تقنيات الذكاء الاصطناعي  (AI)
ساعد الذكاء الاصطناعي على إيجاد طرق جديدة تسمح للتقنيات بإنشاء صور وأصوات وموسيقى وفيديوهات “واقعيّة” للغاية.
تعمل برامج التزييف الدقيق من خلال دراسة صوت شخص حقيقي أو صورته وتحليل هذا الصوت أو هذه الصورة بشكل تفصيلي، ومن ثَمّ التلاعب بهما لتصميم مواد مزيّفة قريبة إلى الواقع بشكل يدعو إلى القلق.
هذه التقنيات التي كانت مستحيلة قبل بضع سنوات فقط باتت تُستخدم في مجالات مختلفة ومتنوعة، بدءًا من الرسوم المُصمَّمة باستخدام الكمبيوتر CGI  في أفلام هوليوود ووصولاً إلى إنتاج الموسيقى والمواد الإباحية. ورغم أن استخدام حلول الذكاء الاصطناعي يكون عادة بهدف الترفيه والخيال، يمكن أن يتسبب استخدامها بشكل غير ملائم في تكوين معلومات خاطئة قد تضر بالمجتمع، فمثلاً يمكن أن يؤدي دسّ معلومات مزيفة ضمن الخطاب العام إلى إلحاق ضرر كبير بالمعرفة العامة وثقة الرأي العام.
بالنسبة إلى المواد المزيّفة خلال السنوات الأخيرة، قد يظهر بعض الخلل في التصوير المرئي للأشخاص، مثل ألعاب الكمبيوتر. والأصوات قد تبدو إلى حد ما أصوات روبوتات برمجية. وترمش أعين الأشخاص بمعدّل أقلّ من الطبيعي أو تتكرر حركات اليدَين، حيث يمكن أن يصعب على مصمّمي الشخصيات تحليل واستبدال أو حتى العثور على المواد الأصلية للأشخاص، حيث تظهر أعينهم مغلقة وأيديهم بارزة.
يمكن أن تبدو المواد المزيفة حقيقية، ولكن هناك بعض العلامات التي يمكننا من خلالها التفريق بينها وبين المواد الحقيقية.
ومع تطوّر برامج إعداد المواد المزيفة وتعقيدها يومًا بعد يوم، يجب أن تظل الحلول والتقنيات المستخدَمة لاكتشافها في تطوّر مستمر هي الأخرى.

دخول العامل البشري

إنسان يوجّه نظام الذكاء الاصطناعي أثناء عملية التعلُّم
يُقصد بدور الإنسان عمل أحد الأشخاص على تدريب نظام الذكاء الاصطناعي أو اختباره أو ضبطه لمساعدته على تحقيق نتائج أكثر دقة.
وكما يُحتمل أن يُخطئ الطالب الذي يتعلّم إتقان أحد الأنشطة للمرة الأولى أو يُسيء فهم بعض الفروقات الدقيقة، كذلك أنظمة الذكاء الاصطناعي.
على سبيل المثال، قد يتعلّم نظام تمّت برمجته على تحديد أنواع الكائنات البحرية التمييز بين الأخطبوط والمخلوقات الأخرى بسرعة بسبب شكله الفريد، ولكنه يواجه صعوبة في التمييز بين الأسماك ذات الأشكال والألوان المتشابهة.
وهنا يأتي دور الإنسان في تعليم النظام كيفية تحديد الميزات التي يجب البحث عنها وتوجيهه بهدف العثور على إجابات أكثر دقة.
إن توفير دليل بشري لجهاز كمبيوتر يعني الاستعانة بنوعَين مختلفَين تمامًا من الذكاء في آن واحد.
من خلال توفير البيانات لنظام الذكاء الاصطناعي بهدف دراسة إمكاناته والتحقّق منها خلال عملية التجربة والخطأ، يتم تزويد هذا النظام بالمعرفة البشرية المكتسَبة على مدار الحياة ودمجها مع سرعة الحوسبة. ومن ثَمّ تساعد هذه الآلية المبنية على التعاون في رصد أخطاء ومشاكل كل من الأشخاص والآلات لتحقيق نتائج أكثر دقة.

ذكاء اصطناعي

الذكاء الاصطناعي هو في الأساس برمجة كمبيوتر يمكنها التطوّر والمواءمة.
الذكاء الاصطناعي هو اسم يُطلق على أي نظام كمبيوتر يتم تدريبه على محاكاة السلوك البشري الذكي.
يتضمّن الذكاء الاصطناعي حلولاً متعدّدة، بدءًا من البرامج التي يتم تعليمها كيفية لعب ألعاب الطاولة وترجمة اللغات ووصولاً إلى الأنظمة المتطورّة التي يمكنها إجراء محادثات تشبه المحادثات البشرية، أو تحليل نتائج سوق الأوراق المالية أو المساعدة في تشخيص الحالات الصحية.
يدعم الذكاء الاصطناعي تشغيل الأدوات العملية المتوفّرة حولنا في كل مكان.
تشغل هذه التقنيات مساحة في حياتنا اليومية لمساعدتنا على تنظيم الصور على هواتفنا الذكية أو التخطيط لرحلة عمل. وتعمل هذه التقنيات على رصد المهام التي كانت تتطلّب عادة تفكيرًا بشريًا دقيقًا وتعمل على إنجازها باستخدام برمجة الكمبيوتر.
شهد العقد الماضي تقدّمًا تقنيًا كبيرًا بفضل زيادة سرعات الكمبيوتر وتطوير تقنيات مثل تعلُّم الآلة. ونتيجة لذلك، تتغلغل تقنيات الذكاء الاصطناعي الآن بشكل متزايد في مهام حياتنا وعملنا وطريقة فهمنا لهذا العالم.
يتضمّن الذكاء الاصطناعي حلولاً متعدّدة، بدءًا من البرامج التي يتم تعليمها كيفية لعب ألعاب الطاولة وترجمة اللغات ووصولاً إلى الأنظمة المتطورّة التي يمكنها إجراء محادثات تشبه المحادثات البشرية، أو تحليل نتائج سوق الأوراق المالية أو المساعدة في تشخيص الحالات الصحية.
يدعم الذكاء الاصطناعي تشغيل الأدوات العملية المتوفّرة حولنا في كل مكان.
تشغل هذه التقنيات مساحة في حياتنا اليومية لمساعدتنا على تنظيم الصور على هواتفنا الذكية أو التخطيط لرحلة عمل. وتعمل هذه التقنيات على رصد المهام التي كانت تتطلّب عادة تفكيرًا بشريًا دقيقًا وتعمل على إنجازها باستخدام برمجة الكمبيوتر.
الخلاصة هي أنّ مستقبل هذه التقنيات سيعتمد بشكل كبير على كيفية استخدام الأشخاص لها، غير أنّ قدرتها على مواجهة التحديات البشرية أصبحت واضحة.

روبوت

هو علم يُعنى بدراسة الآلات المُصمَّمة لإنجاز المهام بشكل تلقائي.
يكرّس خبراء الروبوتات كل جهدهم لتصميم آلات قابلة للبرمجة، والتي تُعرف باسم الروبوتات.
في عالمنا المعاصر، تساعد تقنية الذكاء الاصطناعي الروبوتات على إنجاز العديد من المهام الجديدة، علمًا أن الروبوتات شكّلت جزءًا من حياتنا اليومية لعقود: بدءًا من المصاعد والغسالات والمكانس الكهربائية المبرمَجة ووصولاً إلى الأذرع الميكانيكية العملاقة في خطوط إنتاج المصانع. يشمل مصطلح “الروبوتات” أيضًا أجزاء من البرامج المستخدَمة لبرمجة الأنشطة الرقمية، وليس فقط المهام العملية، وتُعرف هذه البرامج عادةً باسم “برامج التتبُّع”.
تم تصميم الروبوتات في الأساس لتنفيذ الأنشطة الأساسية بهدف تخفيف أعباء العمل عن الأشخاص. ومع ظهور الذكاء الاصطناعي، أصبحت فرصة تصميم جيل جديد من الروبوتات ممكنة، وهو الجيل الذي تمتلك فيه الروبوتات القدرة على تحليل المهام وإنجازها بشكل فوري، وهي المهام التي كان من الصعب سابقًا إنجازها بشكل تلقائي.
يساعد الذكاء الاصطناعي في تصميم روبوتات مفيدة وعملية وأكثر كفاءة.
كان يتطلّب استكشاف أعماق المحيطات عادة إرسال أشخاص داخل غواصات تتعرّض لدرجات ضغط ساحقة. أمّا الآن، فيتم إرسال الروبوتات التي تعمل بتقنية الذكاء الاصطناعي إلى أعماق المحيطات بدلاً من الأشخاص، ما يجعل الأبحاث البحرية أسرع وأكثر أمانًا ونجاعة.
يمكن لتلك الروبوتات المزوّدة بتقنية الذكاء الاصطناعي تخطيط رسم بياني لقاع المحيط وإجراء أنشطة مثل التقاط الصور التي تحدّد الكائنات الحية المعروفة، وكل ذلك بدون أي تدخل بشري، بالإضافة إلى اكتشاف كائنات جديدة لم يعلم الباحثون بوجودها قبل ذلك مطلقًا، وكذلك رصد البيئات البحرية غير المستكشَفة لتحليلها.

زيرو وواحد

الوحدات الأساسية للحوسبة
مصفوفات الصفر والواحد هي اللغة الأساسية لأجهزة الكمبيوتر. وتُعرف هذه اللغة باسم “الشفرة الثنائية” أو “الرمز الثنائي”، وهي الوسيلة التي تستخدمها أنظمة “الذكاء الاصطناعي” لمعالجة المعلومات.
يعود استخدام الرموز الثنائية بأشكال مختلفة إلى قرون عديدة. على سبيل المثال، تستخدم لغة “برايل” نقوشًا من النتوءات البارزة والمقلوبة لمساعدة المكفوفين على القراءة. أمّا “شفرة مورس”، فتستخدم سلسلة من الإشارات الطويلة والقصيرة. تتم ترجمة كل الإجراءات التي ينفّذها الكمبيوتر إلى مصفوفات من أصفار وآحاد يمكن ربطها معًا في تسلسلات لنقل المعلومات، سواء كانت موسيقى أو فيلمًا أو صورًا أو نصوصًا أو غير ذلك.
01001000 01100101
01101100 01101100
01101111 00100001 قد يبدو هذا التسلسل الثنائي مبهمًا بالنسبة إليك، ولكنه يعني “مرحبًا”.
يعمل نظام الترميز الثنائي على معالجة المعلومات، ولكن يمكن في الوقت نفسه أنّ يحدّ من قدرات أنظمة “الذكاء الاصطناعي”، فهذه الأنظمة تعالج كميات هائلة من البيانات لاستيعاب ما يجري في عالمنا وحل المشاكل التي يصعُب بطبيعة الحال التعبير عنها برموز ثنائية.
في ظل استعدادنا للمستقبل وتطوّر أجهزة الكمبيوتر التي بدأت تتحوّل إلى “أجهزة كمبيوتر فائقة” والمُحتمل أن تصبح أجهزة كمومية يومًا ما، تزداد احتمالية تطوّر أنظمة “الذكاء الاصطناعي” بشكل كبير أيضًا.

سبل الاستخدام

أبرز استخدامات أنظمة “الذكاء الاصطناعي” في عالمنا اليوم
ما إن يتم إطلاق أنظمة “الذكاء الاصطناعي” في الأسواق حتى يبدأ دمجها سريعًا في حياتنا اليومية.
تعزِّز أنظمة “الذكاء الاصطناعي” ما يمكننا إنجازه اليوم بفضل إمكانيات الحوسبة العالية التي توفّرها والتي نلاحظها اليوم في شتى المجالات، مثل مكبّرات الصوت الذكية في منازلنا والأدوات الزراعية وعمليات استكشاف الفضاء.
أثبتت أنظمة “الذكاء الاصطناعي” أهميتها الكبيرة في التطوّر العلمي ومعالجة بعض أكبر التحديات العالمية.
تتوفّر الآن أنظمة يمكنها فحص معلومات حركة المرور في المدن في الوقت الفعلي لمساعدة المستخدمين على اختيار الطريق المناسب إلى العمل.
تعتمد بعض التطبيقات على قواعد بيانات ضخمة لمساعدة المزارعين في التعرّف على الآفات والأمراض التي تصيب محاصيلهم.
وهناك برامج تتعامل مع كميات ضخمة من البيانات عن رحلات الطيران في الوقت الفعلي لمساعدة شركات الخطوط الجوية في وضع مسارات أكثر فعالية لرحلات الطيران وزيادة سعة حمولة البضائع إلى أقصى حد، ما يساهم في نهاية الأمر في الحد من الانبعاثات الكربونية.
تتيح هذه الأنظمة سُبلاً جديدة لحل المشاكل التي تظهر في جميع مجالات الحياة. وفي نهاية الأمر، يتوقف مستقبل أنظمة “الذكاء الاصطناعي” على طريقة تفاعل الناس معها وأوجه استخدامهم لها.

شبكات عصبية

أنظمة الذكاء الاصطناعي مستوحاة من آلية عمل العقل البشري.
تتيح الشبكات العصبونية نوعًا من التعلّم يختلف عن الذكاء الاصطناعي التقليدي، وهو تعلُّم مستوحى من آلية تفكير العقل البشري ولكنه مختلف تمامًا عنه.
تتكون الشبكات العصبونية من مجموعات من وحدات معالجة المعلومات التي تعمل كمجموعة تكاملية، والتي تعمل على تمرير المعلومات بينها على غرار الطريقة التي تعمل بها الخلايا العصبونية داخل العقل البشري. ومن خلال عمل هذه الشبكات مع بعضها، تصبح قادرة على معالجة كمّ أكبر من البيانات على نحو أكثر تعقيدًا وتفصيلاً مقارنة بالكمّ الذي يمكن للبرمجة التقليدية معالجته.
على الرغم من أن الشبكات العصبونية تحاول محاكاة آلية عمل العقل البشري، هي تبقى عاجزة عن “التفكير” مثل البشر.
يمكن للعقل البشري تحليل آلاف التفاصيل الدقيقة على الفور لفهم الأشياء والسيناريوهات الجديدة، بالإضافة إلى تحليل خصائص متعدّدة في آن واحد، مثل اللون والبنية والحجم. إنّ الشبكات العصبونية بارعة في اكتشاف الأنماط ولكن لا يمكنها وضع تلك التفاصيل في سياقاتها الصحيحة بالطريقة نفسها المتوفّرة في العقل البشري.
يمكن لفِرق تصميم حلول الذكاء الاصطناعي تخصيص كل جزء من الشبكة للتعرّف على خاصية واحدة من بين الخصائص المتعدّدة. ومن ثَمّ تعمل أقسام الشبكة كوحدة واحدة لفهم العلاقات والارتباطات بين هذه الخصائص، وبالتالي معرفة كيفية تناسقها وتأثيرها في بعضها البعض.
من خلال دراسة البيانات التي يوفّرها فريق تصميم الشبكة، فإنّ هذه الأنظمة المستندة إلى التفاصيل قادرة على تطوير آلية رصد شديدة الدقة للأنماط الدقيقة ضمن هذه المعلومات، ما يمكّن الذكاء الاصطناعي من النجاح في تنفيذ المهام المكثّفة البيانات التي لا تستطيع الحوسبة التقليدية حتى محاولة تنفيذها.

صحافة

يستعين الصحفيون بتقنيات الذكاء الاصطناعي لإحداث تغيير في مجال الأخبار.
أنظمة الذكاء الاصطناعي التي يمكنها معالجة كمّ كبير من البيانات في الوقت الفعلي هي إحدى الأدوات المفيدة بالنسبة إلى غرف الأخبار.
يستكشف صحفيون من جميع أنحاء العالم كيف يمكن لتقنيات الذكاء الاصطناعي AI أن تساعد في مراقبة مصادر الأخبار وتنظيم المعلومات والعثور على روابط مميّزة ونشر القصص.
تُستخدَم أنظمة الذكاء الاصطناعي بشكل عام لدعم مهام غرف الأخبار في ثلاثة مجالات:
أثناء عملية البحث عن أخبار: تتم الاستعانة بتقنيات الذكاء الاصطناعي لبرمجة عملية تحويل الصوت خلال المقابلات الشخصية إلى نص، ورصد الأحداث فور وقوعها، وترجمة مصادر الأخبار الأجنبية، وجمع المشاركات ذات الصلة من وسائل التواصل الاجتماعي، والبحث ضمن القصص والتقارير والسجلّات المؤرشَفة للعثور على معلومات إضافية.
أثناء عملية كتابة المقالات: تساعد تقنيات الذكاء الاصطناعي في التحقّق من صحة الأخبار، واقتراح تصحيحات نحوية وتحسينات في الصياغة، وتخصيص مقالات لمجموعة متنوّعة من شرائح الجمهور المختلفة من خلال رصد أمور مثل أحداث الجرائم المحلية وإحصاءات التعليم والإسكان.
أثناء النشر والتوزيع: يتم تطبيق تقنيات الذكاء الاصطناعي لتحليل الأخبار ووضع علامات على الأخبار المهمة تلقائيًا حسب تصنيف مواضيع الأخبار بحيث يتسنّى للقرّاء الذين يتابعون عادة مواضيع مشابهة العثور على محتوى في دائرة اهتمامهم.
الخلاصة هي أنّ أنظمة الذكاء الاصطناعي تساعد في تسريع عملية تقصّي الحقائق وبرمجة مهام غرف الأخبار اليومية.
في عالم يُنتج فيه كم هائل من المعلومات في ظل تضاؤل عدد المصادر بشكل متزايد، يمكن لتقنيات الذكاء الاصطناعي مساعدة الصحفيين من خلال تقليل أعباء المهام الفرعية التي عليهم إنجازها حتى يتسنى لهم التركيز على إنجاز مهمتهم الرئيسية بشكل أفضل، وهي تغطية الأخبار العالمية.

طريقة اختبار تورنغ

اختبار شهير يتمحور حول السؤال: “هل تستطيع الآلات التفكير؟”
يمتاز اختبار “تورينغ” ببساطة فكرته: إذا أجرى شخص محادثة لمدة 5 دقائق ولم يعلم أنه يتحدث إلى آلة، يعني هذا أن الكمبيوتر الذي يدير هذه الآلة قد نجح في الاختبار.
تم ابتكار هذا الاختبار في عام 1950 على يد أحد روّاد علوم الكمبيوتر “آلان تورينغ”، وقد وضع الاختبار أسسًا لما يُعرف الآن باسم “الذكاء الاصطناعي” من خلال التحقق من قدرة الآلة على محاكاة طريقة تفكير الإنسان.
إنّ قدرة أي نظام على تقديم ردود تبدو منطقية لا تعني أنه قادر على الفهم كالبشر.
المثير للاهتمام هو أن العديد من الأنظمة التي نجحت في اجتياز الاختبار تمكّنت من إقناع الشخص الذي يتحدث إليها بأنه لا يتحدث إلى آلة، ولم يكن ذلك من خلال إجراء مناقشة مقنعة ولكن بإضافة أخطاء إملائية ونحوية. وبالتالي، إنّ المهارات اللازمة لاجتياز الاختبار ليست مرتبطة بالضرورة بـ “الذكاء” و”التفكير”.
ساعد اختبار “تورينغ” العديد من العلماء والمهندسين على دراسة العوامل المميزة للتفكير البشري واستلهمت منه فرق تصميم أنظمة “الذكاء الاصطناعي” في كل مكان فكرة السعي لتطوير أنظمة كمبيوتر تتفاعل بطرق طبيعية ومماثلة إلى حد ما لطرق تفاعل البشر.

ظنّ وتوقعات

غالبًا ما يشير علماء الكمبيوتر إلى نتائج أنظمة الذكاء الاصطناعي على أنها توقّعات، حتى عندما لا يكون لها أي علاقة واضحة بالمستقبل.
على سبيل المثال، إنّ اقتراح نظام ذكاء اصطناعي لأحد الكتب هو توقُّع بأن هذا الكتاب سينال إعجابك.
وتتوفّر هذه الأنظمة التي تستند إلى التوقّعات في كل مكان في عالمنا، بدءًا من الأنظمة التي تقترح أفلامًا أو فيديوهات قد تنال إعجابك استنادًا إلى اختياراتك السابقة ووصولاً إلى أنظمة يمكنها توقُّع حالة الطقس بنسبة كبيرة من خلال تحليل أنماط حالات الطقس السابقة.
تساعد التوقّعات التي يتم استنتاجها باستخدام تقنيات الذكاء الاصطناعي الأشخاص في اتخاذ القرارات اليومية.
عند توفير معلومات كافية لأنظمة الذكاء الاصطناعي لتحليلها، يمكن لهذه الأنظمة مساعدتنا في اتخاذ مختلف القرارات بمزيد من الثقة، ليس فقط بشأن اقتراح كتب لقراءتها، بل في مختلف النواحي والمجالات، بدءًا من الاستعداد بشكل أفضل لمواجهة الكوارث الطبيعية في المستقبل وحتى إدارة أعمالنا الاستثمارية.

عملية التعلّّم

هو الأساليب والطرق المختلفة التي تُستخدم لتعليم أنظمة الذكاء الاصطناعي.
التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف هما تقنيتَان من أكثر التقنيات شيوعًا التي تستخدمها فِرق تصميم أنظمة الذكاء الاصطناعي لتدريب أنظمة تعلُّم الآلة.
بالنسبة إلى التعلُّم الخاضع للإشراف، تتم تغذية النظام ببيانات مرجعية يمكنه استخدامها للبحث عن أنماط مماثلة في البيانات الجديدة، فيتعلّم من خلال عملية التكرار، أي التجربة والخطأ.
لنفترض أن شخصًا يريد تعليم نظام كيفية التعرّف على مجموعة ثمار فاكهة مختلفة. وقد يبدأ بتغذية النظام بصور مصنّفة لثمار الأناناس. لذا في المرة القادمة التي يرصد فيها النظام شكلاً كرويًا يتضمّن أشواكًا ونتوءات داخل سلة فواكه، من المفترض أن يكون قادرًا على التعرّف عليه.
بالنسبة إلى التعلُّم غير الخاضع للإشراف، يراقب المطوّرون النظام عن كثب مع تعليمه كيفية البحث عن العلاقات بين البيانات بشكل مستقل. يمكنك أن تغذّي نظامًا بصور لمجموعة فواكه مختلفة بدون تصنيف أي منها، ثم تطلب منه العثور على أوجه التشابه والاختلاف بينها. لذا قد يجمع كل صور الأشكال التي بها أشواك ونتوءات ويقترح أنها تعود إلى الشيء نفسه، ولكن لن يتمكّن النظام من معرفة أنها فاكهة أناناس ما لم يتم تعليمه ذلك.
لا شك أن طريقة تعليمنا لأنظمة الذكاء الاصطناعي تؤثّر في طريقة تعلُّم تلك الأنظمة.
يمكن لطُرق التعلُّم الخاضعة للإشراف تصنيف البيانات استنادًا للمعرفة الشائعة المتوفّرة لدى الأشخاص، بينما يمكن استخدام الطُرق غير الخاضعة للإشراف لتحديد الأنماط التي قد لا يعرفها الأشخاص بالضرورة للبحث عنها.

غير حيادي ومتحيز

يمكن أن تؤدي البيانات غير المكتملة إلى انحياز في نتائج أنظمة الذكاء الاصطناعي.
يمكن أن تتأثر نتائج أنظمة الذكاء الاصطناعي بالبيانات التي تُظهر بوضوح الانحيازات القائمة حاليًا في العالم الحقيقي.
يحدث انحياز في نتائج أنظمة الذكاء الاصطناعي عندما تكون البيانات التي يتم توفيرها للتعلّم منها غير شاملة بما يكفي، وبالتالي تبدأ الأنظمة في توجيه هذه البيانات نحو نتائج معيَّنة. ولأن البيانات هي وسيلة التعلّم الوحيدة لأنظمة الذكاء الاصطناعي، قد ينتهي بها الأمر بنسخ أي نتائج غير متكافئة أو انحيازية يجدها ضمن المعلومات الأصلية.
على سبيل المثال، إذا كنت تدرّب نظام ذكاء اصطناعي على التعرّف على أنواع الأحذية وعملت على تغذية هذا النظام بصور لأحذية رياضية فقط، لن يتعلّم هذا النظام التعرّف على الأحذية ذات الكعب العالي أو الصنادل أو الجِزم على أنها ضمن أحذية.
يؤدي الانحياز إلى صعوبة تطوير أنظمة الذكاء الاصطناعي بشكل يلبّي احتياجات الجميع.
ليس هناك نظام ذكاء اصطناعي متقدّم بما يكفي، ولا مجموعة بيانات شاملة كذلك بما يكفي، لمحاكاة تنوع التفكير البشري وفهمه. لذا، يمكن أن يمثّل هذا تحديًا كبيرًا عندما ننظر إلى قدرة الذكاء الاصطناعي على التأثير في تجارب الأشخاص الحقيقيين.
إذا كان هناك نظام ذكاء اصطناعي يستعين به الرؤساء التنفيذيون في فلترة المرشّحين الذين تتطابق خبراتهم مع متطلبات الوظائف المُعلَن عنها لعقد مقابلات شخصية معهم، قد يتعلّم هذا النظام تفضيل المرشّحين الذكور لمجرد توفُّر سير ذاتية ناجحة مدمَجة في هذا النظام بهدف التعلُّم منها. وقد ثبت من خلال البيانات المسجَّلة أن هناك انحيازًا مجتمعيًا للمرشّحين الذكور.
لضمان اتّسام نتائج أنظمة الذكاء الاصطناعي بالشفافية والحد من إمكانية انحيازها، يحرص المبرمجون على تصميم أنظمتهم وتنظيم بياناتهم بدقة بالغة. وهذه هي الطريقة الوحيدة لضمان عمل الأنظمة على أساس يناسب الجميع.

فهم والتعرف على الكلام

هي تقنية تساعد أنظمة الذكاء الاصطناعي على فهم الكلام البشري.
يتم تدريب أنظمة التعرّف على الكلام للتعرُّف على ما يقوله البشر.
تشكّل هذه الأنظمة العمود الفقري لكل التقنيات بدءًا من برامج الإملاء ووصولاً إلى أدوات ترجمة اللغة ومكبّرات الصوت الذكية التي يتم تفعيلها من خلال الصوت.
رغم أن الآلات قد تتعرّف على الكلام، هذا لا يعني أنها تفهمه مثل البشر.
يمكن للبشر فهم اللغة حتى وإن كانت خارج السياق أو إن كانت كلمات الجملة مختلطة، بينما يصعب على الآلة ذلك.
“معالجة اللغات الطبيعية” هي تقنية حديثة متقدّمة في التعرّف على الكلام تُمكّن أنظمة الذكاء الاصطناعي من الاعتماد على القواعد النحوية وتحليل الكلام المباشر من أجل فهم أفضل للطرق المعقّدة التي يتحدث بها الأشخاص. ويساعد ذلك أنظمة الذكاء الاصطناعي على تعلّم كيف يمكن أن تغيّر النغمة أو الفكاهة مثلاً معنى الجملة.
يتم تطوير هذه التقنيات بوتيرة ثابتة، ليس بهدف فهم ما نقوله فقط ولكن ما نعنيه أيضًا. وفي ظلّ بحث فِرق تصميم أنظمة الذكاء الاصطناعي باستمرار عن طرق لتزويد تلك الأنظمة بمزيد من التقنيات الدقيقة، أصبح الأشخاص يتفاعلون مع أنظمة الذكاء الاصطناعي AI  بشكل أكثر سلاسة من أي وقت مضى.

قواعد وأخلاقيات

هي الإرشادات التي تحدّد كيف يتم تصميم أنظمة الذكاء الاصطناعي وطريقة استخدامها.
تساعد مدوّنات السلوك، مثلها مثل قواعد وقوانين السلوك التي تحكم المجتمع، في التحكم إلى حد كبير في كيفية عمل أنظمة الذكاء الاصطناعي.
تثير أي تقنية متقدّمة تساؤلات حول طريقة استخدامها. ولا ينظر المجتمع فحسب إلى كيفية استخدام إحدى التقنيات في حل المشاكل، بل أيضًا إلى الطريقة التي يمكن من خلالها إساءة استخدام تلك التقنية. ويمكن أن تساعد مدوّنات السلوك والإرشادات في الحماية من الآثار السلبية.
تتضمّن آلية استخدام أنظمة الذكاء الاصطناعي مجموعة متنوّعة من الاعتبارات الأخلاقية.
من المؤكد أن الأنظمة القادرة على العمل بأقل قدر من التوجيه البشري ستشكل محط تساؤل ونقاش حول مستوى التقييد المطلوب لاستخدامها. بالإضافة إلى ذلك، فإن بعض أنظمة الذكاء الاصطناعي معقّدة للغاية في حساباتها لدرجة أنه قد يصعب على البشر التحقّق من كيفية وصول هذه الأنظمة إلى النتائج التي توفّرها. وبناءً على ذلك، قد يشعر المجتمع بعدم الثقة في إسناد مهام معيَّنة لمثل هذه الأنظمة بدون إجراء اختبارات مكثّفة وتوفير ضمانات أخرى مناسبة.
تعرَّف على مزيد من المعلومات حول منهجية Google في تصميم أنظمة ذكاء اصطناعي مسؤولة تناسب الجميع باستخدام ممارسات الذكاء الاصطناعي المسؤولة هذه.

كشف أو التعرف على الصورة

هو آلية تعلُّم أنظمة الذكاء الاصطناعي كيفية “التعرّف” على كل شيء من حولنا.
تستخدم أنظمة الذكاء الاصطناعي تكنولوجيا التعرّف على الصور للتعرّف على الأشياء في العالم من حولنا وتصنيفها.
يمكن تعليم أنظمة التعرّف على الصور، التي يُطلق عليها أحيانًا اسم “الرؤية الحاسوبية”، كيفية التعرّف على أي شيء بدءًا من الأشخاص إلى المعالم الشهيرة أو حتى الحيوانات الأليفة، وذلك بكل سهولة من خلال تزويدها بمجموعة من الصور المرجعية لهذه العناصر لتتمكن من دراستها.
ويمكن أن تساعد هذه الأنظمة في إنجاز المهام اليومية، مثل تنظيم الصور على الهواتف الذكية، وذلك مثلاً باقتراح ألبوم جديد تلقائيًا لصور العطلات بعد الرحلات.
يتم التعامل مع كل صورة على أساس أنها فريدة من نوعها.
يتم تدريب أنظمة الذكاء الاصطناعي على تحديد السمات المميّزة، مثل الألوان والأشكال، ومقارنتها بآلاف الصور الأخرى من أجل التعرّف عليها وتمييزها بدقة.
يتم أيضًا الاعتماد على التكنولوجيا نفسها التي يمكنها التعرّف على المعالم وصور العطلات الجماعية لأداء مهام أخرى أكثر أهمية أيضًا، مثل المساعدة في ترجمة اللافتات التحذيرية للغات أجنبية أو حماية الأطفال من المحتوى الفاضح على الإنترنت.

لقطات وصور الأشعة السينية

يستعين الأطباء بتقنيات “الذكاء الاصطناعي” لتحليل الأشعة السينية وتشخيص الحالات المرضية بوتيرة أسرع.
يستخدم حاليًا العديد من أخصائيي الأشعة أدوات تعمل بتقنيات “الذكاء الاصطناعي” لدراسة الأشعة السينية ورصد الكتل غير الطبيعية وتشخيص الحالات المرضية بشكل أسرع وبدقة يُحتمل أن تكون أعلى من ذي قبل.
في الواقع، يمكن لأي طبيب ممارس استخدام تقنيات “الذكاء الاصطناعي” لمراجعة صور الأشعة وتشخيص الحالات المرضية بفعالية أكبر، مثلاً في حالات البحث عن خلايا سرطانية في الخزعات أو البحث عن علامات الإصابة بمرض “الزهايمر” في أشعة المخ.
يتم تزويد أنظمة التصوير المعتمدة على تقنيات “الذكاء الاصطناعي” بآلاف من صور الأشعة حتّى تتمكَّن هذه الأنظمة من التعرُّف على الكتل غير الطبيعية التي يمكن أن تشير إلى بداية الإصابة بمرض. بعد ذلك، تصبح هذه الأنظمة قادرة على وضع علامة على منطقة محددة في صورة الأشعة السينية لكي يفحصها الطبيب بدقة أعلى، وبذلك تتكامل تقنيات “الذكاء الاصطناعي” مع جهود الأطباء.
بإمكان تقنيات “الذكاء الاصطناعي” الإسراع إلى حد كبير من وتيرة تحليل البيانات وتشخيص الأمراض.
يستعين الأطباء بقدرة تقنيات “الذكاء الاصطناعي” على إجراء عملية بحث تفصيلية في ثوانٍ، ما يتيح لهم إمكانية إجراء فحص شامل بشكل أسرع. ويسعى الأطباء الذين يخططون للمستقبل إلى التعرّف على كيفية الجمع بين الذكاء البشري والذكاء الاصطناعي لتعزيز خدمات الرعاية الطبية.
ومن أجل زيادة قدرة هذه الأدوات على إنقاذ حياة الأشخاص، علينا فقط تزويدها بالمزيد من الصور المرجعية التي تغطي مجموعة أكثر تنوعًا من الحالات المرضية لشرائح أوسع من المرضى.

مساعد افتراضي

تطبيقات تعتمد على “الذكاء الاصطناعي” لتنفيذ المهام التي يطلبها المستخدمون
“المساعد الافتراضي” هو أحد التطبيقات الشائعة والمتنامية التي تستند إلى “الذكاء الاصطناعي” للاستجابة إلى طلبات المستخدمين والإجابة عن أسئلتهم ومساعدتهم في تنفيذ المهام.
تطبيقات “المساعد الافتراضي” هي تطبيقات رقمية تحاكي ما يفعله المساعد البشري، ومن أشهر أمثلتها تطبيقات “المساعد الصوتي” التي يتحدث إليها المستخدمون من خلال الهواتف الذكية ومكبّرات الصوت الذكية. وتساعد هذه التطبيقات مستخدميها يوميًا في البحث عن معلومات على الإنترنت أو تشغيل موسيقى أو الإجابة عن أسئلة أساسية.
في ظل تطوّر الأجهزة المنزلية وسهولة تحكّم المستخدمين فيها عن بُعد، أصبحت تطبيقات “المساعد الافتراضي” أكثر قدرة على تنفيذ مهام جديدة بشكل أسهل.
يمكن لتطبيقات “المساعد الافتراضي” في وقتنا الحاضر تنفيذ مهام معقدة إلى حد ما، مثل تشغيل التدفئة قبل الوصول إلى المنزل أو طلب الطعام أو الإبلاغ عن تغييرات طارئة في الرحلة الجوية قبل الوصول إلى المطار.
إنّ استجابة تطبيقات “المساعد الافتراضي” للطلبات الصوتية لا تسهّل استخدام هذه التطبيقات وتعزّز فعاليتها فحسب، بل تفيد أيضًا كلاً من يجد صعوبة في استخدام لوحات المفاتيح بسبب عجز أو عدم قدرتهم على القراءة والكتابة أو أسباب أخرى.
إنّ الأنظمة اللغوية الطبيعية التي تعتمد عليها تطبيقات “المساعد الافتراضي” تعزّز إمكانية إجراء محادثات طبيعية بين المستخدمين وأجهزتهم، إذ تعتمد هذه الأنظمة على تقنية “التعلّم باستخدام الذكاء الاصطناعي” لفهم سياق الأسئلة وتفسير الأصوات البشرية.

نموذج مفتوح المصدر

هي رموز وبيانات مجانية يمكن لأي شخص استخدامها.
عندما يصف الأشخاص أحد البرامج بأنه “مفتوح المصدر”، هذا يعني أنه تم تحميل رمز البرنامج على الإنترنت لمشاركته مع أي شخص.
هذه الممارسة شائعة في مجال تطوير البرامج، لأنها تُمكّن أي شخص من تنزيل رموز أو بيانات أو أبحاث متوفّرة سابقًا، ومن ثم دراستها والتعلّم منها ومواءمتها مع برامجه لحل مشاكله الخاصة والحصول على صيغ جديدة منها حسب الحاجة.
تتمثّل فكرة البرامج المفتوحة المصدر بشكل عام في إيجاد أفكار ومشاركتها بهدف تصميم أنظمة فعّالة.
يصعب تنظيم الرموز البرمجية ومجموعات البيانات التي أنشأتها فِرق تصميم الذكاء الاصطناعي وقد تستغرق الكثير من الوقت للتوافق مع بعضها البعض. ويمكن أن تساعد البرامج المفتوحة المصدر المبرمجين في الحد من الوقت الطويل الذي تستغرقه عملية تصميم أنظمة جديدة مماثلة من الصفر. وتساعد المتعاونين أيضًا على اكتشاف الثغرات أو الأخطاء التي ربما لم يتمكّن منشئو المحتوى من رصدها.
تُمكّن هذه الممارسة المزيد من الأشخاص من المشاركة في العملية وتساعد المجتمعات في جميع أنحاء العالم على تعزيز المعرفة الجماعية لدى بعضهم، ما يساعد في تصميم أنظمة ذكاء اصطناعي (AI) أكثر أمانًا وفعالية.

واتسون

أول نظام “ذكاء اصطناعي” يتمكّن من الفوز على متسابق بشري في برنامج ألعاب تلفزيوني
في عام 2011، أنشأت IBM جهاز كمبيوتر يعمل بنظام “واتسون” Watson وهو نظام للذكاء الاصطناعي تمكّن من الفوز على متسابقَين في برنامج المسابقات الأمريكي Jeopardy!‎.
اعتمد نظام “واتسون” في إجاباته على محتوى لملايين الكتب والقواميس والموسوعات.
بعد أن تعلّم نظام “واتسون” الهيكلية الفريدة لأسئلة مسابقة Jeopardy!‎ استنادًا إلى نماذج سابقة، تمكّن النظام من إيجاد طريقة للوصول إلى إجابات عن أسئلة جديدة في أقل من ثانية.
لم يكتفِ المبرمجون بتدريب تقنية “الذكاء الاصطناعي” على البحث عن الكلمات الرئيسية في المحتوى فحسب، بل درّبوها أيضًا على تحليل وفهم الجمل التي ترِد فيها هذه الكلمات. بهذه الطريقة، تمكّن “واتسون” من الرجوع إلى مصادر مختلفة حسب السياق، ما أتاح له مثلاً معرفة أن كلمة “tea” لا تشير إلى اسم مشروب فقط ولكنها تشير أيضًا إلى نوع من أزياء الأربعينيات (وكانت هذه إجابة لسؤال بقيمة 800 دولار).
على الرغم من ذلك، إذا طُرِحَ أثناء المسابقة سؤال غير متوقَّع بتركيب لغوي لم يضعه المبرمجون في اعتبارهم أثناء تصميمهم نظام “واتسون”، كان النظام سيعجز عن تقديم الإجابة المناسبة. إنّ عدم إلمام نظام “واتسون” ببعض التراكيب اللغوية التي يستخدمها البشر في محادثاتهم تسبّب أيضًا في عجزه عن فهم بعض الأسئلة.
استفاد المجتمع العلمي من هذا الاستنتاج الذي أكّد على الحاجة إلى توفير أنظمة “ذكاء اصطناعي” مرنة ومُدرَّبة على نماذج متنوعة من المحادثات البشرية، وتمت مراعاة هذا الاستنتاج أيضًا عند تصميم الأنظمة اللغوية الطبيعية في وقتنا الحاضر، كتلك الأنظمة التي تعتمد عليها تطبيقات “المساعد الافتراضي” في التحدث إلينا في منازلنا وعلى هواتفنا.

يقين ومعرفة

تكتسب أنظمة الذكاء الاصطناعي المعرفة بطريقة مختلفة تمامًا عن العقل البشري.
تختلف المعرفة التي يكتسبها نظام الذكاء الاصطناعي اختلافًا كبيرًا عن المعرفة المعقدّة التي تتراكم لدى البشر على مدار الحياة.
يفهم البشر العالم من حولهم بالاستناد تلقائيًا إلى تجارب الحياة السابقة لوضع كل ما يدور من حولهم في سياقه الصحيح، لكن أنظمة الذكاء الاصطناعي لا تملك النوع نفسه من المعرفة العامة للاعتماد عليها أو الغريزة لذلك.
يجب تعليم أنظمة الذكاء الاصطناعي بشكل دقيق كيفية الاستناد إلى المعرفة المرجعية وتحليل مجموعة واسعة من المعلومات، وذلك على شكل بيانات منظَّمة من أجل بناء الخبرة. تجدر الإشارة إلى أن هناك حدودًا معيّنة لما يمكن لأنظمة الذكاء الاصطناعي تَعلُّمه، ويتم تحديد ذلك باستخدام المعلَمات التي تطوّرها فِرق تصميم أنظمة الذكاء الاصطناعي (AI).
تختلف المعرفة عن المعلومات إلى حد كبير مثلما تختلف الحكمة عن المعرفة.
لنفترض أنّ هناك نظام ذكاء اصطناعي مدرَّبًا على اكتشاف صورة الببغاء من بين مجموعة من صور الطيور. هذا النظام لا “يفهم” ما هو الببغاء، ولكن يمكن تعليمه تحديد الخصائص المميّزة للببغاء، مثل الريش الملون والمنقار المنحني، لكن معرفة النظام تبقى محدودة وفقًا لنوع المعلومات التي يتم إدخالها إليه للتعلّم منها.

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *