مواضيع مثيرة للجدل في أبحاث الذكاء الاصطناعي

فروع الذكاء الاصطناعي وتطبيقاتها

إذا كنت تقرأ هذا المقال الآن فأنت بالفعل محاط بالكثير من تقنيات الذكاء الاصطناعي القوية أكثر حتى مما يمكنك تخيله، بداية من هذا الموقع أمامك وانتهاء بالتصوير المقطعي في المستشفيات. تطبيقات الذكاء الاصطناعي هي ببساطة أمر لا مفرّ منه.

عادة عندما يسمع الناس عن الذكـاء الاصطناعي فإنهم يعتبرونه مرادفًا لتعلّم الآلة أو التعلّم العميق. في الحقيقة هذين الاثنين يمثلان فقط فرعين من أبحاث الذكاء الاصطناعي. ولكنهما الاثنين الأكثر تأثيرًا في عالم الذكاء الاصطناعي الحالي. على الرغم من ذلك، هناك الكثير من الفروع الأخرى للذكاء الاصطناعي التي نجحت في جذب المجتمعات لما لها من تطبيقات حالية ومستقبلية أيضًا. في هذا المقال سنستعرض معًا بعضًا من المواضيع المثيرة للجدل في أبحاث الذكاء الاصطناعي والتي تدخل جميعها تحت عباءته وهي كالآتي:

  • تعلم الآلة واسع النطاق أو “Large scale machine learning”:

ويعرف أيضًا بالـ ML وهو مهتم بشكل رئيس بتطوير أنظمة يمكنها تحسين أدائها اعتمادًا على الخبرات السابقة. ويمكننا نسب تقدم الذكاء الاصطناعي في العقد الأخير لمجال الـ ML. وهو مشهور جدًّا حتى أنه أصبح مرادفًا للذكاء الاصطناعي. يركّز الباحثون فيه الآن على توسيع نطاق خوارزميات الـ ML للتعامل مع مجموعات أكبر من البيانات.

  • التعلّم العميق أو “Deep Learning”:

ويعرف أيضًا بالـ DL، وهو ببساطة إعادة إحياء لفكرة الشبكات العصبية المستوحاة من نظام الخلايا العصبية المتواجد بأدمغتنا. وقد كان هو الدافع للتقدم في كثير من تطبيقات الذكاء الاصطناعي مثل التعرّف على الأشياء والكائنات والتحدث والترجمة وألعاب الحاسوب والسيارات ذاتية القيادة أيضًا.

  • تعزيز التعلم أو “Reinforcement  Learning”:

ويعرف أيضًا بالـ RL، وهو أكثر الوسائل التي نمتلكها قريبة من طرق تعلم الإنسان. حيث يتكون من عميل ذكي يتفاعل مع بيئته بطريقة ذكية بهدف جني المزيد من النقاط كمكافأة. يهدف العميل بشكل رئيس إلى تعلم أفعال متسلسلة بهدف زيادة نقاطه على المدى البعيد. تمامًا مثل الإنسان عندما يتعلم من خبراته في العالم الحقيقي ويستمرّ في اكتشاف الأشياء وإثراء معتقداته وأفكاره. أو كما تتعلم أنت القراءة -فتتعلم الحروف أولاً ثم الكلمات ثم الجمل وهكذا-، يعمل العميل بنفس الفكرة لإثراء نقاطه. حيث قام  البرنامج التابع لشركة جوجل AlphaGo  مستخدمًا الـ RL بهزيمة بطل العالم في لعبة GO في 2017.

إعلان

  • الروبوتات أو “Robotics”:

واقع الأمر أنّ الروبوتات هي فرع مستقل بذاته ولكنه مرتبط بالذكاء الاصطناعي بشكل ما. حيث مكّن الذكاء الاصطناعي الروبوتات من التعرّف على الاتجاهات وتحديد موقعها بالنسبة للأشياء في بيئات متغيرة على الدوام، فعلى سبيل المثال، كيف يمكنك التأكد من أن السيارة ذاتية القيادة التي صنعتها ستستطيع الذهاب من النقطة A إلى النقطة B بدون أذية نفسها أو أذية من حولها في أقل وقت ممكن؟ حسنًا، تقدّم مجالي الـ DL وRL يمكن أن يحمل الإجابات لمثل هذه الأسئلة.

      “إذا كنا نريد من الآلات أن تفكّر فعلى الأرجح نحتاج لتعليمها كيف تُبصِر”

مدير معمل ستانفورد للذكاء الاصطناعي/ فاي-فاي-لي.

تهتم الرؤية الذكية بشكل رئيسي بكيفية إدراك جهاز الكمبيوتر للعالم من حوله بصريا. ما يدعو للسخرية حقا أن أجهزة الكمبيوتر بارعة في الأعمال النمطية كإيجاد الجذر العاشر لرقم من مائة خانة مثلا ولكنها تعاني الكثير من الصعوبات في أداء مهام أخرى بسيطة كالتعرف على الأنماط والأشكال. ولكن التقدم الأخير في مجال الDL وتوافر مجموعة كبيرة من البيانات المرتبة وقدرة الحواسيب الحالية العالية على معالجة البيانات جعلت الحواسيب تتفوق على أقرانها من البشر في بعض المهام الخاصة والمحددة مثل تصنيف الكائنات المرئية.

  • معالجة اللغة أو “Natural processing language“:

تعرف أيضًا بالـ NPL وتشمل الأنظمة القادرة على إدراك وفهم لغات البشر. وتحتوي على مهام فرعية كالتعرف على الحديث وفهم لغات البشر والترجمة. وتهتم بفهم لغات عدة مستخدمة فعليًّا في أنحاء العالم. أنظمة الـ NPL يمكنها أن تحدث فارقًا حقيقيًا في أبحاث الذكاء الاصطناعي. الأبحاث المتوفرة حاليًا تهدف إلى تطوير Bots تستطيع المشاركة في محادثة فعلية مع البشر.

  • نظم التوصية أو “Recommender systems”:

تتواجد أنظمة التوصية بكل مكان بداية من ماذا سوف تقرأ أو تشتري أو حتى تواعد مستبدِلةً بذلك رجل المبيعات المزعج في العالم الحقيقي. حيث تعتمد شركات مثل Netflix وAmazon بشدة على هذه الأنظمة. تأخذ أنظمة التوصية بعين الاعتبار تفضيلاتك السابقة والأمور التي تهتم بها لتقدم اقتراحات مفيدة فعلاً.

  • خوارزمية نظرية الألعاب وتصميم آلية الحاسوب أو Algorithmic Game Theory and Computational Mechanism Design:

خوارزمية نظرية الألعاب تهتم بالأنظمة متعددة العملاء مثل الاقتصاد والعلوم الاجتماعية. حيث ترصد الأساس الذي يأخذ هؤلاء الأشخاص قراراتهم عليه في بيئة قائمة على التحفيز، كالأسواق مثلاً. هذه الأنظمة متعددة العملاء يمكن أن تحتوي على بشر يتنافسون مع عملاء أذكياء في بيئة محدودة الموارد.

  • إنترنت الأشياء أو “Internet of things”:

ويعرف أيضًا باسم IOT وهو ما نطلقه على نظام يستخدم أجهزة فعلية متصلة بالإنترنت ويمكنها التواصل مع بعضها وتبادل البيانات باستخدام الإنترنت. البيانات المجمعة يمكن معالجتها بطريقة ذكية لجعل الأجهزة تتصرف بذكاء. يشبه الأمر لحدّ كبير ربط أجهزة منزلك من الثلاجة والتكييف والتلفاز بالإنترنت، فمثلاً بإمكانك أن ترسل لوحدة معالجة البيانات بالمنزل عن طريق الإنترنت لتخبرها باقتراب وصولك، فإن وجدت أن الجوّ حارّ مثلاً تقوم بتشغيل التكييف حتى تجد الجوّ مناسبًا عند عودتك للمنزل.

الحوسبة العصبية أو Neuromorphic Computing”:

مع انتشار التعلم العميق المعتمد على نماذج الشبكات العصبية قام الباحثون بتطوير شرائح إلكترونية تستطيع بشكل مباشر تنفيذ هيكل الشبكات العصبية بدلاً من بنائها كلّ مرة. هذه الشرائح مصممة بالأساس لمحاكاة عمل المخّ البشري على نموذج إلكتروني واقعي. في الشرائح الإلكترونية العادية تنتقل البيانات بين وحدة مركزية للمعالجة ووحدات التخزين وهذا يؤدي إلى تأخر المعالجة واستهلاك للطاقة. أما في شريحة الحوسبة العصبية تعالج البيانات وتخزن في نفس الشريحة بطريقة تناظرية وتستطيع تجميع نقاط التشابك العصبي عند الطلب موفرة بذلك الوقت والطاقة.

المصدر : هنا

إعلان

فريق الإعداد

إعداد: إيمان دياب

تدقيق لغوي: ضحى حمد

اترك تعليقا