ما هو الذكاء الاصطناعي؟
عندما نتحدث عن الذكاء الاصطناعي، فإننا نشير إلى فرع من علوم الكمبيوتر يهدف إلى تطوير أنظمة يمكنها محاكاة القدرات الذهنية البشرية.
ببساطة، الذكاء الاصطناعي هو القدرة على تطوير أجهزة أو برامج يمكنها التفكير واتخاذ القرارات مثل البشر.
وعلى الرغم من أن هذا المفهوم يبدو معقدًا، إلا أن التطبيقات العملية له أصبحت مهمة و نعتمد عليها بشكل أساسي كما تشاهدون هذه الأيام.
فمن منا الآن لا يستخدم أحد نماذج الدردشة بالذكاء الاصطناعي و ربما النموذج الأشهر ChatGPT، و الذي أراه كانت بداية تحول كبيرة في هذا المجال، و الذي كان يقتصر قبله على فئة فقط من الخبراء.
و الآن أصبح هناك رغبة حقيقية للكثير منا في تعلم -على الأقل- أساسيات ال AI كخطوة لفهم هذا المجال و التعمق به حتى لو بشكل بسيط.
و من هذا المنطلق، أرى أنه من المهم إدارك بعض من مصطلحات الذكاء الاصطناعي التي قد تراها أمامك باستمرار.
1. التعلم الآلي (Machine Learning): كيف تتعلم الآلات؟
التعلم الآلي هو أحد الفروع الفرعية للذكاء الاصطناعي، وهو عبارة عن عملية تقوم بتمكين الأجهزة من "التعلم" من البيانات.
كيف يعمل التعلم الآلي؟
لنفترض مثلا أنك تملك متجرًا إلكترونيًا وتريد أن تقترح لعملائك منتجات بناءً على مشترياتهم السابقة. يستطيع التعلم الآلي أن يقوم بذلك من خلال تحليل البيانات وتحديد الأنماط.
ففي كل مرة يتم فيها تغذية النظام ببيانات جديدة، يتعلم ويطور دقته في التنبؤ و بالتالي سيعطيك نتائج أفضل.
و يمكن مقارنة ذلك بكيفية تعلم الأطفال من خلال التجربة والخطأ؛ كلما زادت التجارب، زادت خبرتهم وتحسن أدائهم.
أمثلة على تطبيقات التعلم الآلى؟
دعنا الآن نذكر أحد الأمثلة على تعلم الآلة و الذي يمكن رؤيته في أنظمة البريد الإلكتروني مثل Gmail، و التي تستخدم خوارزميات تعلم الآلة لتصنيف رسائل البريد الإلكتروني الواردة تلقائيًا إلى رسائل غير مرغوب فيها (Spam) ورسائل مهمة.
حيث أن النظام يتعلم مع مرور الوقت استنادًا إلى كيفية تفاعلك مع الرسائل، ويُحسن دقته في التعرف على الرسائل المزعجة.
و الآن فلننتقل إلى المثال الأوضح و الذي تشاهده أمامك يوميًا و أحيانًا يثير دهشتك، و هو خوارزميات محركات السوشيال ميديا مثل الفيسبوك.
حيث يستخدم Facebook خوارزميات التعلم الآلي لمجموعة متنوعة من المهام، منها:
١. فهم المحتوى: حيث يستخدم الفيسبوك تعلم الآلة لفهم النصوص والصور ومقاطع الفيديو التي تنشرها. و هذا يساعده على تحديد موضوعات اهتمامك، اللغات التي تتحدثها، وأشياء أخرى كثيرة.
٢. تقديم اقتراحات: بناءً على فهمه لمحتوى اهتماماتك، يستخدم الفيسبوك التعلم الآلي لتقديم اقتراحات لمحتوى قد يعجبك، مثل اقتراح أشخاص، مجموعات او صفحات قد ترغب في متابعهتهم.
٣. الفيديوهات : يقترح مقاطع فيديو قد ترغب في مشاهدتها، اعتقد أنك تندهش كثيرًا من دقته في هذا الأمر، و السبب ببساطة هو التعلم الآلي.
٤. الإعلانات: و هذا من أهم أولويات معظم الشركات حيث أن بسبب التعلم الآلى و فهم الخوارزميات لتفضيلاتك، تجدها دائمًا ما تعرض إعلانات لمنتجات أو خدمات تكون مهتمًا بها.
إذا فهذا الأمر ليس بسيطًا، بل أصبح شيئا أساسيًا في نجاح الشركات و استمرار تفوقها القائم على مبدأ "فهم العميل".
2. الذكاء الاصطناعي العام (AGI): هل يمكن للآلات أن تصبح أكثر ذكاءً من البشر؟
الذكاء الاصطناعي العام هو الفكرة التي تثير قلق الكثيرين. فهو النوع الذي يهدف إلى التفوق على الإنسان في معظم أو جميع المهام العقلية.
فالذكاء الاصطناعي العام (AGI) ببساطة هو نوع من الذكاء الاصطناعي الذي يهدف إلى تحقيق مستوى من الفهم والقدرة يستطيع من خلاله أداء أي مهمة معرفية يمكن للإنسان القيام بها.
في الوقت الحالي، معظم أنظمة الذكاء الاصطناعي الموجودة تعمل في مجالات محددة -و هو ما يُعرف بـ'الذكاء الاصطناعي الضيق' (Narrow AI)- وهو مصمم لأداء مهام محددة فقط مثل التعرف على الوجه أو الترجمة اللغوية.
لكن، الذكاء الاصطناعي العام يهدف إلى تطوير أنظمة قادرة على التفكير والتعلم بشكل مشابه للبشر أو حتى أفضل منهم.
لتوضيح الفرق بشكل أكبر بين النوعين: يمكن لل Narrow AI التفوق في لعبة الشطرنج، لكنه لن يتمكن من طهي وجبة. بينما ال AGI من المفترض أن يتمكن من تعلم كيفية الطهي والتكيف مع متطلبات هذه المهام كما يفعل الإنسان.
و رغم أن هذه الفكرة تبدو خيالية، إلا أن الكثير من الشركات، مثل OpenAI، تعمل بجد لتحقيقها.
أيضًا رغم أن الذكاء الاصطناعي العام لا يزال في مرحلة نظرية إلى حد كبير، إلا أن هناك تقدمًا ملحوظًا في تطوير أنظمة ذكاء اصطناعي يمكنها التعامل مع مجموعة متنوعة من المهام بشكل أقرب إلى طريقة تفكير البشر.
و من المتوقع أن يتم دمج هذه القدرات المعرفية مع الروبوتات المتقدمة في المستقبل، مما يسمح للروبوتات بأداء مهام بدنية معقدة بذكاء وكفاءة يشبهان الإنسان.
فعلى سبيل المثال، يعمل الباحثون على تطوير روبوتات يمكنها أداء مهام منزلية متعددة مثل الطهي والتنظيف والتسوق، مع قدرة على التعلم المستمر من تجاربها.
و أيضا مهام بالمصانع لزيادة كفاءة الإنتاج و تقليل الجهد و توفير الوقت.
و هذا الموضوع لم يعد مقتصرا على الأبحاث، بل أصبح حقيقة واقعية.
فإذا كنت متابعًا جيدًا بالموقع، ستجد أخبار عن الروبوتات البشرية و مدى تقدمها يوما بعد يوم.
تعرف على: قدرات روبوت Figure 2 و روبوت Google DeepMind.
3. الذكاء الاصطناعي التوليدي (Generative AI): كيف يتم إنشاء المحتوى الجديد؟
أحد أبرز التطورات الحديثة في مجال الذكاء الاصطناعي هو الذكاء الاصطناعي التوليدي، والذي يتيح للآلات القدرة على إنشاء نصوص، صور، أو حتى موسيقى جديدة.
على سبيل المثال، إذا استخدمت نموذج Claude من شركة Anthropic AI، ستلاحظ أنه يمكنه كتابة مقالات، قصص، أو حتى نصائح بناءً على النصوص التي تزوده بها. هذه الأنظمة مدربة على كميات هائلة من البيانات، مما يجعلها قادرة على تقديم مخرجات جديدة تبدو وكأنها من إنتاج البشر.
و ذلك يختلف عن الذكاء الاصطناعي الضيق (Narrow AI) يركز على مهمة واحدة أو مجموعة صغيرة من المهام المحددة. حيث يعمل ضمن نطاق ضيق، فلا يمكنه التكيف مع مهام جديدة أو التعلم خارج نطاق تدريبه.
اما الذكاء الاصطناعي التوليدي يستطيع أن يخلق لوحات فنية جديدة تمامًا. على سبيل المثال، برنامج مثل MidJourney يمكنه توليد صور استنادًا إلى وصف نصي بسيط مثل "قطة ترتدي قبعة". هذا النوع من الذكاء الاصطناعي يُستخدم الآن في العديد من التطبيقات الإبداعية، بما في ذلك تأليف الموسيقى وكتابة القصص.
تعرف أيضًا على: شات GPT-4o Mini، شرح كامل.
4. الهلوسات في الذكاء الاصطناعي: لماذا يجب أن نكون حذرين؟
مصطلح "الهلوسة" أو " AI Hallucinations" في الذكاء الاصطناعي لا يتعلق برؤية أشياء غير موجودة، بل يشير إلى قدرة ال AI على توليد محتوى قد يبدو صحيحًا ولكنه في الواقع غير دقيق أو حتى خاطئ تمامًا.
و باعتقادي أن البعض منكم قد قابل مثل هذا الأمر أثناء التحدث مع أحد روبوتات الدردشة الذكية. حيث يجد أحيانًا إيجابات غير منطقية. هل تذكرت أن حدث معك ذلك؟ هذا ما يسمى ب"الهلوسة".
يحدث هذا عندما تكون الأداة غير قادرة على إيجاد إجابة صحيحة استنادًا إلى البيانات التي تم تدريبها عليها.
مثلا، قد يقوم الذكاء الاصطناعي بتوليد معلومات غير صحيحة حول موضوع معين إذا لم يكن لديه بيانات كافية أو إذا كان يحاول تفسير بيانات غير واضحة.
لذلك، من المهم دائمًا التحقق من صحة المعلومات التي تقدمها مثل هذه الأدوات، خاصة عندما يتعلق الأمر بمعلومات دقيقة أو حساسة.
حيث يمكن أن تتسبب الهلوسات في مشكلات عندما تعتمد التطبيقات على الذكاء الاصطناعي في مجالات حاسمة مثل الرعاية الصحية أو التمويلات البنكية.
على سبيل المثال، إذا قدم نظام ذكاء اصطناعي توصية طبية خاطئة بسبب "هلوسة"، فقد يؤدي ذلك إلى تداعيات خطيرة. لذلك، من المهم دائمًا أن يتضمن أي نظام يعتمد على التقنيات الذكية آلية للتحقق من صحة النتائج قبل تطبيقها عمليًا.
اقرأ أيضًا: كل ما تحتاج معرفته عن Llama 3.1.
5. التحيز في ال AI: كيف تنعكس أفكارنا على الآلات؟
نظرًا لأن الأنظمة الذكية تم تدريبها باستخدام البيانات التي ينتجها البشر، فإنها يمكن أن تعكس التحيزات الموجودة في تلك البيانات.
على سبيل المثال، إذا كانت البيانات المستخدمة في تدريب نظام التعرف على الوجه تحتوي على تحيز ضد مجموعة معينة، فإن النظام قد يكون أقل دقة في التعرف على أفراد تلك المجموعة.
هذا الأمر يثير قضايا أخلاقية مهمة تتعلق باستخدام الذكاء الاصطناعي في مجالات مثل التوظيف، والعدالة الجنائية، والرعاية الصحية.
أحد أشهر الأمثلة على التحيز في الذكاء الاصطناعي يمكن رؤيته في أنظمة توظيف تعتمد على الخوارزميات الذكية.
في عام 2014، طورت أمازون خوارزمية توظيف تعتمد على الذكاء الاصطناعي، ولكن بعد فترة وجيزة، اكتشف الفريق أن هذه الخوارزمية كانت تميز ضد النساء .
سبب هذا التحيز كان أن البيانات التي تم تدريب الخوارزمية عليها كانت تحتوي على تحيز تاريخي لصالح الذكور، مما أدى إلى تفضيل المرشحين الذكور على الإناث. الشركة أوقفت استخدام هذه الخوارزمية بمجرد اكتشاف المشكلة.
6. النماذج الكبيرة (Large Language Models - LLMs): القوة وراء ال AI
النماذج الكبيرة للغة هي نوع من النماذج الذكاء الاصطناعي التي تم تدريبها على كميات هائلة من النصوص.
هذه النماذج قادرة على فهم وتوليد النصوص بطريقة تجعلها تبدو وكأنها من إنتاج البشر.
مثال بارز على هذه النماذج هو سلسلة GPT (Generative Pre-trained Transformer) من OpenAI، التي تطورت حتى أصبحت اليوم في إصدارها الأحدث GPT-4. هذا النموذج قادر على إنشاء محتوى نصي متنوع يشمل المقالات، الأكواد البرمجية، والإجابات على الأسئلة المعقدة.
و هذه النماذج ليست محصورة فقط في توليد النصوص؛ بل يمكن أيضًا أن نستخدمها في مهام مثل تحليل النصوص للعثور على الأنماط أو المفاهيم الرئيسية، و تلخيص المستندات و المقالات الطويلة.
على سبيل المثال، تستخدم Google نموذجها الأحدث Gemini، الذي يستخدم لتحسين فهم محركات البحث للاستفسارات المعقدة التي يُدخلها المستخدمون.
كما يُعد Gemini جزءًا من جهود Google لتحسين تجربة المستخدم عبر منتجاتها المختلفة، بما في ذلك تحسين نتائج البحث وجعلها أكثر دقة وتوافقًا مع ما يبحث عنه المستخدم.
تعرف على إصدارات Gemini المختلفة، و طريقة الاستخدام المجاني.
7. التدريب: كيف يتم بناء الذكاء الاصطناعي؟
ال AI لا يولد ذكيًا من تلقاء نفسه؛ بل يحتاج إلى التدريب على بيانات ضخمة لكي يكتسب القدرة على أداء المهام المختلفة.
عملية التدريب تشبه تعليم طفل صغير كيفية التعرف على الأشكال المختلفة.
في البداية، يتم عرض العديد من الصور لأشكال مختلفة مع تسميات توضيحية، ومع مرور الوقت يبدأ الطفل (أو في هذه الحالة، الذكاء الاصطناعي) في التعرف على هذه الأشكال بشكل صحيح.
تعلم الآن كيفية استخدام الأدوات في منصة Github.
8. المعالجة الطبيعية للغة (NLP): كيف يفهم الذكاء الاصطناعي لغة البشر؟
أحيانا تتساءل، كيف للذكاء الاصطناعي أن يرد علينا بهذه السلاسة.
ففكرة تخيل أنك تتحدث إلى جهاز حاسوب، وهو يفهمك ويجيبك بشكل منطقي هذه مذهلة.
قد يبدو هذا أمرًا بسيطًا في البداية، لكنه يتطلب قدرًا كبيرًا من التكنولوجيا المتقدمة.
المعالجة الطبيعية للغة (NLP) هي المجال الذي يُمكّن الآلات من فهم وتحليل لغة البشر بطريقة تجعلها قادرة على التفاعل بشكل فعّال و سلس، لدرجة أنه يمكنك أن تشعر أنك تتحدث إلى صديقك.
لكن كيف تعمل NLP؟
لفهم اللغة البشرية، يجب على الآلات أن تتعلم كيفية تحليل وفهم النصوص المنطوقة أو المكتوبة بطرق مشابهة للبشر. هناك عدة مراحل تمر بها عملية المعالجة الطبيعية للغة، ومنها:
1. التقسيم والتصنيف (Tokenization and Part-of-Speech Tagging):
- في هذه المرحلة، يقوم الحاسوب بتقسيم النص إلى كلمات فردية أو وحدات صغيرة تسمى "توكينز".
بعد ذلك، يتم تصنيف كل كلمة إلى فئتها اللغوية مثل اسم، فعل، أو صفة، مما يساعد الآلة في فهم السياق بشكل أفضل.
2. تحليل الجملة (Syntax and Parsing):
- هنا يحاول النظام أن يفهم بنية الجملة، أي كيفية ترتيب الكلمات في الجملة وما هي العلاقات بين هذه الكلمات.
على سبيل المثال، يمكن أن يفهم الحاسوب الفرق بين "القط يأكل الفأر" و"الفأر يأكل القط"، حتى وإن كانت الكلمات نفسها مستخدمة.
3. فهم المعنى (Semantic Analysis):
- في هذه المرحلة، يحاول النظام فهم المعنى العميق للجمل والكلمات. هذا يتطلب تحليل السياق وفهم الدلالات المختلفة للكلمات.
مثلًا، كلمة "مصرف" قد تعني "بنك" أو "مجاري المياه"، ويعتمد الفهم على السياق الذي جاءت فيه الكلمة.
4. التعرف على الكيانات (Entity Recognition):
- يتعرف النظام على الكيانات الخاصة داخل النص مثل أسماء الأشخاص، الأماكن، التواريخ، والأرقام.
على سبيل المثال، إذا قلت "أريد أن أحجز رحلة إلى الجزائر الأسبوع المقبل"، يمكن للنظام التعرف على "الجزائر" كمدينة و"الأسبوع المقبل" كفترة زمنية.
أين تُستخدم هذه التقنية؟
NLP تُستخدم في العديد من التطبيقات اليومية التي ربما تكون قد تفاعلت معها بالفعل، على سبيل المثال:
١. أنظمة الترجمة الآلية: مثل Google Translate، والتي تحوّل النصوص من لغة إلى أخرى مع الحفاظ على المعنى الأصلي قدر الإمكان.
٢. تحليل النصوص: في منصات التواصل الاجتماعي، حيث يمكن لـNLP تحليل النصوص لتحديد ما إذا كانت التعليقات إيجابية أو سلبية أو محايدة.
التفاعل مع العملاء: العديد من الشركات تستخدم أنظمة المحادثة الذكية (Chatbots) للرد على استفسارات العملاء، وهذه الأنظمة تعتمد بشكل كبير على NLP لفهم الأسئلة وتقديم إجابات ملائمة.
٤. و أخيرا المثال الشهير الذي رأيناه مؤخرًا في GPT حيث التحدث صوتيا مع الآلة، التي تسمع و ترد و ترى، بل و تتفاعل معك. كما يظهر بالمقطع القادم من قناة OpenAI على اليوتيوب.
تحديات NLP:
ورغم التقدم الكبير في هذا المجال، إلا أن هناك تحديات تواجه أنظمة NLP، مثل التعامل مع اللهجات المختلفة، التعبيرات الغامضة، أو النصوص المختصرة والمكتوبة بلغة غير رسمية كما نرى في رسائل الدردشة أو وسائل التواصل الاجتماعي.
كما أن فهم الفكاهة، السخرية، والتعبيرات المجازية ما زال يمثل تحديًا كبيرًا للآلات.
9. الاستدلال (Inference): كيف يجيب الذكاء الاصطناعي على أسئلتك؟
الاستدلال هو العملية التي يقوم فيها الذكاء الاصطناعي بتوليد استجابة بناءً على البيانات التي تم تدريبه عليها.
على سبيل المثال، إذا سألت ChatGPT عن وصفة لتحضير بيتزا بالسجق، فإن عملية الاستدلال ستقوم بجمع المعلومات المتاحة حول الوصفة وتقديمها لك بشكل منسق.
هذا الأمر يشبه إلى حد ما عملية تفكير الإنسان عند محاولة استرجاع معلومات من الذاكرة وتنسيقها بشكل منطقي.
10. الشبكات العصبية (Neural Networks): العقول الاصطناعية
الشبكات العصبية هي أحد المكونات الأساسية في الذكاء الاصطناعي، وهي مستوحاة من كيفية عمل الدماغ البشري.
تتكون الشبكة العصبية من مجموعة من "العُقَد" التي تشبه إلى حد كبير الخلايا العصبية في الدماغ. هذه العُقَد تتفاعل مع بعضها البعض لمعالجة البيانات وإنتاج المخرجات.
و تعد الشبكات العصبية مهمة جدًا في العديد من تطبيقات الذكاء الاصطناعي، مثل تحليل النصوص، وحتى في توليد الموسيقى.
أحد التطبيقات الشهيرة للشبكات العصبية هو في التعرف على الصور. على سبيل المثال، يمكن للشبكات العصبية المتقدمة التعرف على وجوه الأفراد في الصور وتحليلها بشكل دقيق.
هذا النوع من التكنولوجيا يُستخدم الآن في تطبيقات الهواتف الذكية لفتح الجهاز باستخدام التعرف على الوجه، مما يزيد من أمان الأجهزة. أعتقد أنك ربما جربت هذه التقنية على هاتفك.
11. الأجهزة: كيف يتم تشغيل أنظمة الذكاء الاصطناعي؟
لتحقيق الأداء العالي الذي تتطلبه أنظمة ال AI، يتم استخدام معالجات قوية مثل وحدات معالجة الرسوميات (GPUs) ووحدات معالجة الشبكات العصبية (NPUs). هذه المعالجات قادرة على التعامل مع كميات هائلة من البيانات وتنفيذ عمليات حسابية معقدة بسرعة كبيرة.
شركة NVIDIA، على سبيل المثال، تُعتبر واحدة من الشركات الرائدة في تطوير معالجات متخصصة لتدريب نماذج الذكاء الاصطناعي.
هل تعلم ان Nvidia تستحوذ حاليًا على أكثر من 80% من سوق ال "AI Chips"، و هذا السبب جعلها تقفز حاليا إلى المرتبة الثانية في قائمة الشركات الأكثر قيمة سوقية بالعالم.
هذا يوضح لك إلى أين نتجه إلآن و أهمية هذا السوق المتنامي بشكل سريع للغاية.
و بالإضافة إلى المعالجات القوية، هناك أيضًا تطوير مستمر في مجال الرقائق المخصصة للذكاء الاصطناعي، مثل شريحة TPU (Tensor Processing Unit) التي طورتها Google.
هذه الشريحة مصممة خصيصًا لتسريع عمليات الذكاء الاصطناعي والتعلم العميق، مما يتيح أداء أفضل مع تقليل استهلاك الطاقة.
