الذكاء الاصطناعي (Ai)

التعلم الآلي (ML) عبارة عن تقنية ذكاء اصطناعي تستخدم خوارزميات رياضية لإنشاء نماذج تنبؤية. تُستخدم الخوارزميات لتحليل حقول البيانات واستخدام الأنماط في البيانات "للتعلم" من تلك البيانات لإنشاء نموذج. تُستخدم هذه النماذج بعد ذلك لإجراء تنبؤات أو اتخاذ قرارات مستنيرة بشأن البيانات الجديدة.

يتم التحقق من صحة النماذج التنبؤية مقابل البيانات المعروفة ، ويتم قياسها مقابل مقاييس أداء محددة لسيناريوهات أعمال محددة ، وتعديلها حسب الحاجة. تسمى عملية التعلم والتحقق هذه التدريب. تساعد إعادة التدريب المنتظم على تحسين نماذج التعلم الآلي بمرور الوقت.

التعلم العميق هو نوع من التعلم الآلي يمكنه تحديد ما إذا كانت تنبؤاته دقيقة أم لا. كما تستخدم الخوارزميات لتحليل البيانات ، ولكن على نطاق أوسع من التعلم الآلي.

يستخدم التعلم العميق شبكات عصبية اصطناعية تتكون من طبقات خوارزمية متعددة. تنظر كل طبقة في البيانات الواردة ، وتقوم بتحليلها المتخصص الخاص بها ، وتنتج مخرجات يمكن للطبقات الأخرى فهمها. يتم تمرير هذا الإخراج إلى الطبقة التالية ، حيث تقوم 

خوارزمية أخرى بتحليلها الخاص.

تحتوي كل شبكة عصبية على طبقات عديدة ، وربما شبكات عصبية متعددة ، ويمكن للآلة أن تتعلم من خلال معالجة بياناتها الخاصة. يتطلب هذا بيانات وقدرة حسابية أكثر بكثير من التعلم الآلي.

الروبوت هو برنامج برمجي تلقائي مصمم لأداء مهمة معينة. فكر في الأمر على أنه روبوت بدون جسد. كانت الروبوتات المبكرة بسيطة نسبياً، حيث تتعامل مع المهام المتكررة والضخمة بمنطق حسابي مباشر نسبياً. ومن الأمثلة على ذلك متتبعات الويب التي تستخدمها محركات البحث لاستكشاف محتوى الويب وفهرسته تلقائياً.

أصبحت الروبوتات أكثر تطوراً بكثير، باستخدام الذكاء الاصطناعي وغيرها من التقنيات لمحاكاة النشاط البشري واتخاذ القرارات، في كثير من الأحيان أثناء التفاعل مباشرة مع البشر من خلال النص أو حتى الكلام. تتضمن الأمثلة الروبوتات التي يمكنها حجز العشاء، أو 

روبوتات الدردشة (أو المحادثة بواسطة الذكاء الاصطناعي) التي تساعد في تفاعلات خدمة العملاء، والروبوتات الاجتماعية التي تنشر الأخبار العاجلة أو البيانات العلمية إلى مواقع وسائل التواصل الاجتماعي.

الأنظمة المستقلة هي جزء من فئة جديدة متطورة تتجاوز الأتمتة الأساسية. بدلاً من أداء مهمة محددة بشكل متكرر مع اختلاف بسيط أو بدون اختلاف (مثل الروبوتات)، تجلب الأنظمة المستقلة الذكاء إلى الآلات حتى تتمكن من التكيف مع البيئات المتغيرة لتحقيق الهدف المنشود.

تستخدم المباني الذكية أنظمة مستقلة للتحكم تلقائياً في العمليات مثل الإضاءة والتهوية وتكييف الهواء والأمن. من الأمثلة الأكثر تعقيداً روبوتاً موجهاً ذاتياً يستكشف عمود منجم منهاراً لرسم خريطة شاملة لداخله، وتحديد الأجزاء السليمة من الناحية الهيكلية، وتحليل الهواء 

من أجل التنفس، واكتشاف علامات عمال المناجم المحاصرين في حاجة إلى الإنقاذ - كل ذلك بدون إنسان المراقبة في الوقت الحقيقي على الطرف البعيد.

أحد المفاهيم الأساسية للذكاء الاصطناعي هو استخدام الخوارزميات لتحليل البيانات وإنشاء نماذج لوصفها (أو تسجيلها) بطريقة مفيدة. تتم كتابة الخوارزميات من قبل المطورين وعلماء البيانات (وربما خوارزميات أخرى) باستخدام التعليمات البرمجية. حاليًا ، لغتا البرمجة الأكثر شيوعًا لتطوير الذكاء الاصطناعي هما Python و R.

Python هي لغة برمجة عالية المستوى للأغراض العامة. يحتوي على بنية بسيطة وسهلة التعلم تؤكد على قابلية القراءة. لا توجد عملية تجميع. تمتلك Python مكتبة قياسية كبيرة ، ولكنها تدعم أيضًا القدرة على إضافة وحدات وحزم. هذا يشجع الوحدات ويسمح لك بتوسيع الوظائف حسب الحاجة. 

التدريب ضروري للتعلم الآلي. إنها عملية تكرارية "تعلم" الخوارزميات لتحليل البيانات وإنشاء نماذج تُستخدم لعمل تنبؤات دقيقة منها. من الناحية العملية ، تشتمل هذه العملية على ثلاث مراحل عامة: التدريب والتحقق والاختبار.

خلال مرحلة التدريب ، يتم تمييز مجموعة نوعية من البيانات المعروفة بحيث يمكن تحديد الحقول الفردية. يتم إرسال البيانات ذات العلامات إلى خوارزميات تم تكوينها لعمل تنبؤات محددة. عند الانتهاء ، تقوم الخوارزمية بإخراج نموذج يصف الأنماط الموجودة كمعلمات. أثناء التحقق من الصحة ، يتم تمييز البيانات الجديدة واستخدامها لاختبار النموذج. يتم تعديل الخوارزميات حسب الحاجة ، 

ربما من خلال مزيد من التدريب. أخيرًا ، تستخدم مرحلة الاختبار بيانات العالم الحقيقي بدون علامات أو أهداف محددة مسبقًا. بافتراض أن نتائج النموذج دقيقة ، يعتبر النموذج جاهزًا للاستخدام وقابل للنشر.

تنتج عملية التدريب وضبط المعلمة الفائقة العديد من النماذج المرشحة. هناك العديد من الاختلافات ، مثل الجهد المطلوب لإعداد البيانات ، ومرونة النموذج ، ووقت المعالجة ، وبالطبع دقة النتائج. إن اختيار النموذج الأفضل تدريبًا لاحتياجاتك وقيودك يسمى اختيار النموذج ، ولكنه يتعلق بالتخطيط قبل التدريب بقدر ما يتعلق باختيار النموذج الأفضل.

التعلم الآلي الآلي (المعروف أيضًا باسم AutoML) هو عملية أتمتة المهام المتكررة التي تستغرق وقتًا طويلاً لتطوير نماذج التعلم الآلي. تقليل الوقت الذي يستغرقه إعداد نماذج التعلم الآلي للإنتاج بشكل كبير. يساعد التعلم الآلي الآلي في تعريف النموذج وضبط المعلمة الفائقة وتدريب النموذج والمهام الأخرى دون الحاجة إلى برمجة مكثفة أو معرفة بالمجال.