ما خوارزميات الذكاء الاصطناعي؟ كيف تعمل؟ ما هي أنواعها؟
هل تساءلت يوما كيف يعرف هاتفك متى تغادر للعمل أو كيف يقوم صندوق بريدك الإلكتروني بتصفية الرسائل غير المرغوب فيها بطريقة سحرية؟
هذه كلها أمثلة على خوارزميات الذكاء الاصطناعي الحديثة، المصممة لجعل حياتنا أسهل.
فكر في الأمر للحظة، تتضمن كل قطعة تقنية جديدة تضيفها إلى منزلك أو مكتبك تقريبا شكلا من أشكال خوارزميات الذكاء الاصطناعي.
ولا يتوقف الأمر عند هذا الحد، ينطبق نفس المفهوم على تطبيقات البرامج وأجهزة الوسائط والعديد من الأشياء الأخرى التي نواجهها يوميًا.
حتى إشارة المرور التي تتوقف عندها في طريقك إلى العمل ربما تستخدم شكلا من أشكال الذكاء الاصطناعي.
ومع ذلك، على الرغم من كل العمل الشاق الذي تقوم به تطبيقات الكمبيوتر المجهولة هذه، فإن معظم الناس لا يدركون أهميتها تماما.
ما هو مفهوم الخوارزمية؟
يحتاج الذكاء الاصطناعي إلى تعليمات أساسية حتى يعمل، وهنا يأتي دور الخوارزميات في العملية الشاملة.
على الرغم من أنك ربما سمعت الكلمة في الماضي، فقد لا تعرف ما تنطوي عليه.
في أبسط المصطلحات، الخوارزميات هي تعليمات خطوة بخطوة تساعد الكمبيوتر على إكمال عملية حسابية. أنها دليل تعليمات يتيح للآلة معرفة ما يجب فعله بالضبط ومتى يجب القيام به.
بدون هذا النوع من المعلومات، من المحتمل أن يضيع الكمبيوتر من أين يبدأ أو كيفية المتابعة.
حتى الأنظمة التي لديها الميكانيكا اللازمة للتعلم الآلي تحتاج إلى مكان انطلاق، وهذا هو الدور الذي تلعبه الخوارزمية.
بدونها، لن يكون هناك مكان لبدء عملية البرمجة.
لماذا نستخدم الخوارزميات؟
الخوارزميات هي جزء كبير من عالم اليوم.
من خلال إعطاء أدواتنا التقنية اليومية التعليمات الوصفية التي تحتاجها لتنفيذ مهام محددة، يمكننا أتمتة العديد من العمليات التي كان على البشر القيام بها يدويا لآلاف السنين.
بالإضافة إلى ذلك، تساعد الخوارزميات في تشكيل الحساب المكثف الذي أدى إلى بعض أعظم الاكتشافات في الطب والعلوم والهندسة وغيرها من المجالات.
بدون صيغ محددة تقدم إجابات لأكثر المعادلات تعقيدا المعروفة لجنسنا البشري، لم نكن لنتمكن أبدا من تحسين الحياة كما نعرفها.
أين تستخدم الخوارزميات؟
هل قدت سيارة اليوم؟ هل استخدمت هاتفا ذكيًا أو حتى صنعت فنجانًا من القهوة على آلة صنع القهوة باستخدام مؤقت رقمي؟ هل تحققت من حالة حسابك المصرفي أو استخدمت آلة حاسبة؟
إنك واجهت خوارزمية مرة واحدة على الأقل وعلى الأرجح أكثر.
حتى الوصول إلى الإنترنت تحكمه ملايين الخوارزميات المختلفة. تخبر هذه الإرشادات الخاصة التي تستخدمها الأنظمة الأساسية للبرامج جهاز الكمبيوتر الخاص بك.
ما هي خوارزميات الذكاء الاصطناعي؟
خوارزميات الذكاء الاصطناعي هي تعليمات تمكن الآلات من تحليل البيانات وتنفيذ المهام واتخاذ القرارات. إنها مجموعة فرعية من التعلم الآلي تخبر أجهزة الكمبيوتر بالتعلم والعمل بشكل مستقل.
جميع المهام التي يؤديها الذكاء الاصطناعي تعمل على خوارزميات محددة. من وقت تشغيل النظام الخاص بك إلى وقت تصفح الإنترنت، تعمل خوارزميات الذكاء الاصطناعي مع خوارزميات التعلم الآلي الأخرى لأداء كل مهمة وإكمالها.
تمكن خوارزميات الذكاء الاصطناعي والتعلم الآلي أجهزة الكمبيوتر من التنبؤ بالأنماط وتقييم الاتجاهات وحساب الدقة وتحسين العمليات.
كيف تعمل خوارزميات الذكاء الاصطناعي؟
تعمل خوارزميات الذكاء الاصطناعي بهذه الطريقة: تحدد الأنماط وتتعرف على السلوكيات وتمكن الآلات من اتخاذ القرارات.
لنفترض أنك تخبر مساعدك الصوتي مثل Alexa أو Google Home ببث الموسيقى المفضلة لديك.
ستتعرف خوارزمية الذكاء الاصطناعي التي تستند إليها أولا على صوتك وتذكره، وتتعرف على اختيارك للموسيقى، ثم تتذكر وتشغل الموسيقى الأنسب لاختياراتك.
وبالمثل، تعمل أدوات محرر المحتوى الذكاء الاصطناعي على خوارزميات مثل توليد اللغة الطبيعية (NLG) ونماذج معالجة اللغة الطبيعية (NLP) التي تتبع قواعد وأنماطا معينة لتحقيق النتائج المرجوة.
هذا ليس علم الصواريخ ولكنه صيغة بسيطة: “كلما تعلمت أكثر، كلما نمت أكثر”. أثناء خدمتك لأنظمة الكمبيوتر ببيانات غنية، تستخدمها الخوارزميات لاكتساب المعرفة وأداء المهام بشكل أكثر كفاءة.
على المستوى الأساسي، تجمع خوارزمية الذكاء الاصطناعي البيانات للتدريب ثم تستخدمها لتعديل معرفتها. بعد ذلك، يستخدم هذه المعرفة لإكمال المهام وتحسين الدقة.
أنواع خوارزميات الذكاء الاصطناعي
مثلما يحتوي الحساب الرياضي على صيغ مختلفة بنفس النتيجة، فإن خوارزميات الذكاء الاصطناعي تفعل ذلك.
لكل هدف ومجال خوارزمية معينة مفيدة. على سبيل المثال، تختلف الخوارزمية المستخدمة في روبوتات المحادثة عن تلك المستخدمة في تصميم السيارات ذاتية القيادة.
هناك ثلاث مظلات رئيسية تندرج تحتها مئات الخوارزميات الأخرى: التعلم الخاضع للإشراف وغير الخاضع للإشراف والتعزيز. الفرق هو كيفية تدريبهم والطريقة التي يعملون بها.
هذه أهم خوارزميات الذكاء الاصطناعي:
1. خوارزميات التعلم الخاضعة للإشراف
أول شكل من أشكال الخوارزمية الأكثر شيوعا هو خوارزمية التعلم الخاضعة للإشراف.
في هذه الخوارزمية يتم تدريب نموذج على البيانات المصنفة لعمل تنبؤات أو تصنيف بيانات جديدة وغير مرئية.
اسم “تحت الإشراف” يعني العمل تحت إشراف مجموعات التدريب. إنها تعمل ببساطة عن طريق استخدام المخرجات المطلوبة للتحقق من صحة المدخلات المحددة وتدريبها على التعلم بمرور الوقت.
يتم إنشاء خوارزمية التعلم هذه تحت إشراف فريق من الخبراء وعلماء البيانات المتفانين لاختبار الأخطاء والتحقق منها.
يقوم المطورون بتدريب البيانات لتحقيق أعلى أداء ثم اختيار النموذج ذي أعلى إنتاج.
تعمل خوارزميات التعلم الخاضعة للإشراف بشكل شائع على حل مشكلات التصنيف والانحدار.
تشمل الأمثلة في هذا الشبكات العصبية، وأشجار القرار، والانحدار الخطي العشوائي للغابات، وانحدار السلاسل الزمنية، والانحدار اللوجستي.
حالات الاستخدام: يستخدم المسوقون خوارزمية الذكاء الاصطناعي هذه للتنبؤ بالمبيعات بمرور الوقت، وتقييم مشاعر العملاء، وتتبع أسعار الأسهم، وغيرها.
الجزء الجيد في هذه الخوارزمية هو عمليتها البسيطة التي توفر نتائج عالية وتستخلص رؤى دقيقة.
2. خوارزميات التعلم غير الخاضعة للإشراف
تستخدم خوارزمية التعلم غير الخاضع للإشراف بيانات غير مصنفة لتغذية الخوارزميات وتدريبها.
في حين أن التعلم الخاضع للإشراف له فصول محددة مسبقا، فإن الفئات غير الخاضعة للإشراف تتدرب وتنمو من خلال تحديد الأنماط وتشكيل المجموعات داخل مجموعة البيانات المحددة.
ببساطة، يتم التعلم الخاضع للإشراف تحت إشراف بشري، في حين أن التعلم غير الخاضع للإشراف ليس كذلك.
تستخدم خوارزمية التعلم غير الخاضعة للإشراف البيانات الأولية لرسم الأنماط وتحديد الارتباطات، واستخراج الأفكار الأكثر صلة.
تشمل أبرز الأمثلة على التعلم غير الخاضع للإشراف تقليل الأبعاد والتجميع، والتي تهدف إلى إنشاء مجموعات من الكائنات المحددة.
حالات الاستخدام: لها تطبيقات أوسع في علم الأحياء والكيمياء واستخراج البيانات.
في التسويق والأعمال، يتم استخدام التعلم غير الخاضع للإشراف بشكل أفضل لتقسيم العملاء وفهم مجموعات العملاء وسلوكهم.
يجد التعلم غير الخاضع للإشراف تطبيقا في علم الوراثة والحمض النووي، والتصوير، واستخراج الميزات في الطب.
حتى Google تستخدم التعلم غير الخاضع للإشراف لتصنيف وعرض عناصر الأخبار المخصصة للقراء.
هنا تستفيد جوجل من هذه الخوارزمية بهذا الشكل: أولا، يجمع ملايين الأخبار حول مواضيع مختلفة.
بعد ذلك، يستخدم محرك البحث التحليل العنقودي لتعيين المعلمات وتصنيفها بناء على التردد والأنواع والجمل وعدد الكلمات.
يرسم الذكاء الاصطناعي التوليدي الأنماط والهياكل باستخدام أنماط الشبكة العصبية. ومع ذلك، لا يقتصر الأمر على استخدام هذا النهج فقط.
يستفيد من نماذج التعلم المختلفة (أي التعلم غير الخاضع للإشراف وشبه الخاضع للإشراف) لتدريب وتحويل البيانات غير المهيكلة إلى نماذج أساسية.
أفضل جزء في هذه الخوارزمية هو أنها لا تحتاج إلى أي بيانات مصنفة، والتي بدورها تثبت أنها أكثر ملاءمة من حيث التكلفة.
3. التعلم المعزز
يعمل التعلم المعزز بنفس الطريقة التي يعمل بها البشر. تقوم الخوارزمية بالتدريب والتعلم من البيئة وتتلقى التعليقات في شكل مكافآت أو عقوبات لتعديل إجراءاتها أخيرا بناء على التعليقات.
التعلم المعزز هو دورة مستمرة من التغذية الراجعة والإجراءات التي تحدث. يتم وضع الوكيل الرقمي في بيئة للتعلم، وتلقي التعليقات كمكافأة أو عقوبة.
طوال العملية، يحاول الوكيل اتخاذ القرار والحصول على النتيجة المرجوة، والتي هي أساس التعليقات. إذا تم تلقي التعليقات كمكافأة، يكرر الوكيل ويستخدم نفس التكتيكات في الدورة التالية، مما يحسن سلوكه.
حالات الاستخدام: التعلم المعزز هو خوارزمية مستخدمة على نطاق واسع تجد تطبيقاتها عبر التسويق والرعاية الصحية وأنظمة الألعاب والتحكم في حركة المرور ومعالجة الصور.
حتى Netflix تستخدم التدريب على التعلم المعزز للتوصية بالمسلسل لمستخدميها وتحقيق التخصيص. تكسب أمازون 35٪ من مشتريات المستهلكين من التوصيات المقدمة من خلال التعلم المعزز.
4. الشبكات العصبية الاصطناعية (ANNs)
هذه الشبكة ربما سمعت عنها. ANNs مستوحاة من الدماغ وتستخدم للتعرف على الصور والكلام ومعالجة اللغة الطبيعية.
الفكرة الأساسية وراء شبكات ANN هي أنك تقوم بإدخال البيانات، ثم ترسل الشبكة البيانات عبر طبقات من الخلايا العصبية الاصطناعية.
تأخذ كل خلية عصبية معلومات من الطبقة السابقة وتحسب مخرجا، والذي يتم تمريره بعد ذلك إلى الطبقة التالية.
يستخدم التعلم العميق شبكات ANN ذات طبقات متعددة وهو البنية المفضلة لكل تطبيق الذكاء الاصطناعي تقريبا اليوم. تم العمل على هذه الخوارزمية لأول مرة في خمسينيات القرن العشرين.
5. Support Vector Machines
تستخدم SVMs لمشاكل التصنيف والانحدار وتعمل من خلال إيجاد أفضل خط أو منحنى (يسمى “المستوى الفائق”) الذي يفصل بين مجموعات مختلفة من نقاط البيانات.
يمكن بعد ذلك استخدام هذا المستوى الفائق للتنبؤ بالمجموعة التي تنتمي إليها نقطة بيانات جديدة.
يمكن أن تخبرك SVMs ما إذا كان البريد الإلكتروني غير مرغوب فيه أم لا وتستخدم على نطاق واسع في مجالات مثل المعلوماتية الحيوية والتمويل ورؤية الكمبيوتر.
6, أشجار القرار
أشجار القرار هي نوع من خوارزميات التعلم الخاضعة للإشراف المستخدمة لعمل التنبؤات.
وهي تعمل عن طريق تقسيم البيانات بشكل متكرر إلى مجموعات فرعية بناء على قيمة الميزة المختارة.
7.الغابات العشوائية
الغابات العشوائية هي امتداد لأشجار القرار. إنها تحسن دقة التنبؤات من خلال الجمع بين نتائج أشجار القرار المتعددة.
8. K-Means Clustering
K-Means Clustering هي خوارزمية تعلم آلي غير خاضعة للإشراف تقسم نقاط البيانات إلى عدد K من المجموعات (مجموعات فرعية مميزة) بناء على تشابهها.
يتم تحديد قيمة K مسبقا من قبل المستخدم أو تحديدها باستخدام الخوارزميات.
إنها مفيد في مجالات مثل تجزئة الصور وتجميع المستندات.
9. Gradient Boosting
تعزيز التدرج هو تقنية تعلم آلي تبني نموذجا تنبؤيا من خلال الجمع بين نتائج العديد من النماذج الضعيفة.
يتم استخدامها في ترتيب بحث الويب والإعلان عبر الإنترنت.
10. الشبكات العصبية التلافيفية (CNNs)
الشبكات العصبية التلافيفية مستوحاة من القشرة البصرية للدماغ البشري ويمكنها تلقائيا تعلم ميزات مثل الحواف والزوايا من الصور.
في حين أن شبكات ANN للأغراض العامة، فإن شبكات CNN هي شبكات متخصصة مصممة لمعالجة البيانات الشبيهة بالشبكة (مثل وحدات البكسل) وبالتالي يتم استخدامها لمعالجة الصور والفيديو.
11. شبكات الذاكرة طويلة المدى LSTMs
LSTMs هي نوع من الشبكات العصبية المصممة للتعامل مع البيانات المتسلسلة مثل الكلام والنص، وبالتالي فهي مفيدة للتعرف على الكلام والترجمة الآلية والتعرف على خط اليد.
12. تحليل المكونات الرئيسية PCA
هي تقنية لتقليل أبعاد البيانات عن طريق إسقاطها على مساحة ذات أبعاد أقل. يتم استخدامه في التعرف على الوجه وضغط الصور.
13. خوارزمية Apriori
Apriori هي خوارزمية لتعلم قواعد الارتباط، وهي تقنية تستخدم لاكتشاف العلاقات بين المتغيرات في مجموعات البيانات الكبيرة من خلال تحديد الأنماط أو الارتباطات أو الارتباطات المتكررة فيما بينها.
من الشائع في تحليل سلة السوق تحديد العناصر التي يتم شراؤها بشكل متكرر معا.
