ما هي تقنية الذكاء الاصطناعي؟ [فيديو واختبار]

باختصار: تقنية الذكاء الاصطناعي هي مجموعة من الأساليب التي تُمكّن الحواسيب من التعلّم من البيانات، واكتشاف الأنماط، وفهم اللغة أو توليدها، ودعم اتخاذ القرارات. وتشمل عادةً تدريب نموذج على أمثلة ثم تطبيقه للتنبؤ أو إنشاء المحتوى؛ ومع تغيّر العالم، يتطلب الأمر مراقبة مستمرة وإعادة تدريب دورية.

أهم النقاط المستفادة:

التعريف: تستنتج أنظمة الذكاء الاصطناعي التنبؤات أو التوصيات أو القرارات من مدخلات معقدة.

القدرات الأساسية: التعلم، والتعرف على الأنماط، واللغة، والإدراك، ودعم اتخاذ القرار تشكل الأساس.

مجموعة التقنيات: غالبًا ما تعمل تقنيات التعلم الآلي، والتعلم العميق، ومعالجة اللغة الطبيعية، والرؤية الحاسوبية، والتعلم المعزز، والذكاء الاصطناعي التوليدي معًا.

دورة الحياة: التدريب، والتحقق، والنشر، ثم مراقبة الانحراف وتدهور الأداء.

الحوكمة: استخدم عمليات التحقق من التحيز، والإشراف البشري، وضوابط الخصوصية/الأمن، والمساءلة الواضحة.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 كيفية اختبار نماذج الذكاء الاصطناعي
أساليب عملية لتقييم الدقة والتحيز والمتانة والأداء.

🔗 ماذا يرمز إليه الذكاء الاصطناعي؟
شرح مبسط لمعنى الذكاء الاصطناعي والمفاهيم الخاطئة الشائعة عنه.

🔗 كيفية استخدام الذكاء الاصطناعي في إنشاء المحتوى
استخدم الذكاء الاصطناعي لتبادل الأفكار، وصياغة المحتوى، وتحريره، وتوسيع نطاقه.

🔗 هل الذكاء الاصطناعي مبالغ فيه؟
نظرة متوازنة على وعود الذكاء الاصطناعي وحدوده ونتائجه في العالم الحقيقي.

ما هي تقنية الذكاء الاصطناعي؟ 🧠

تقنية الذكاء الاصطناعي مجموعة واسعة من الأساليب والأدوات التي تُمكّن الآلات من أداء سلوكيات "ذكية"، مثل:

• التعلم من البيانات (بدلاً من أن تتم برمجتها بشكل صريح لكل سيناريو)

• التعرف على الأنماط (الوجوه، الاحتيال، الإشارات الطبية، الاتجاهات)

• فهم اللغة أو توليدها (برامج الدردشة الآلية، الترجمة، الملخصات)

• التخطيط واتخاذ القرارات (التوجيه، التوصيات، الروبوتات)

• الإدراك (الرؤية، والتعرف على الكلام، وتفسير البيانات الحسية)

إذا كنت ترغب في أساس "رسمي نوعًا ما"، فإن إطار منظمة التعاون الاقتصادي والتنمية يُعدّ مرجعًا مفيدًا: فهو يُعامل نظام الذكاء الاصطناعي على أنه قادر على الاستدلال من المدخلات لإنتاج مخرجات مثل التنبؤات والتوصيات والقرارات التي تؤثر على البيئات. بعبارة أخرى: يستقبل النظام واقعًا معقدًا ← يُنتج مخرجًا يُمثل "أفضل تخمين" ← يؤثر على ما سيحدث لاحقًا. [1]

لن أكذب - "الذكاء الاصطناعي" مصطلح شامل. ستجد تحته الكثير من المجالات الفرعية، والناس يطلقون عليها جميعًا اسم "الذكاء الاصطناعي" بشكل غير رسمي، حتى عندما تكون مجرد إحصائيات متطورة ترتدي سترة رياضية.

تقنية الذكاء الاصطناعي بلغة بسيطة (بدون كلام تسويقي) 😄

تخيل أنك تدير مقهى وبدأت في تتبع الطلبات.

في البداية، تخمن: "هل تشعر أن الناس يرغبون في حليب الشوفان أكثر في الآونة الأخيرة؟"
ثم تنظر إلى الأرقام وتقول: "اتضح أن الطلب على حليب الشوفان يرتفع بشكل ملحوظ في عطلات نهاية الأسبوع."

والآن تخيل نظاماً يقوم بما يلي:

• يراقب تلك الأوامر،

• يكتشف أنماطًا لم تكن تلاحظها،

• يتنبأ بما ستبيعه غداً،

• ويقترح كمية المخزون التي يجب شراؤها..

إنّ اكتشاف الأنماط والتنبؤ ودعم اتخاذ القرار هو النسخة اليومية من تقنية الذكاء الاصطناعي. إنه أشبه بمنح برنامجك عيوناً خبيرة ودفتر ملاحظات دقيق.

أحيانًا يكون الأمر أشبه بإعطائه ببغاءً تعلّم الكلام بطلاقة. مفيد، لكن... ليس حكيمًا. سنتحدث عن ذلك لاحقًا.

المكونات الأساسية لتكنولوجيا الذكاء الاصطناعي 🧩

الذكاء الاصطناعي ليس شيئًا واحدًا، بل هو مجموعة من الأساليب التي غالبًا ما تعمل معًا:

التعلم الآلي (ML)

تتعلم الأنظمة العلاقات من البيانات بدلاً من القواعد الثابتة.
أمثلة: مرشحات البريد العشوائي، وتوقع الأسعار، وتوقع معدل التخلي عن الخدمة.

التعلم العميق

فرع من فروع التعلم الآلي يستخدم الشبكات العصبية ذات الطبقات المتعددة (يُجيد التعامل مع البيانات المعقدة كالصور والصوت).
أمثلة: تحويل الكلام إلى نص، وتصنيف الصور، وبعض أنظمة التوصية.

معالجة اللغة الطبيعية (NLP)

تقنيات تساعد الآلات على التعامل مع اللغة البشرية.
أمثلة: البحث، روبوتات المحادثة، تحليل المشاعر، استخراج البيانات من المستندات.

رؤية الحاسوب

الذكاء الاصطناعي الذي يفسر المدخلات المرئية.
أمثلة: اكتشاف العيوب في المصانع، ودعم التصوير، والملاحة.

التعلم المعزز (RL)

التعلم بالتجربة والخطأ باستخدام المكافآت والعقوبات.
أمثلة: تدريب الروبوتات، والوكلاء الذين يلعبون الألعاب، وتحسين استخدام الموارد.

الذكاء الاصطناعي التوليدي

النماذج التي تُنتج محتوى جديدًا: النصوص، والصور، والموسيقى، والبرمجيات.
أمثلة: مساعدو الكتابة، ونماذج التصميم، وأدوات التلخيص.

إذا كنت ترغب في مكان تُنظّم فيه الكثير من أبحاث الذكاء الاصطناعي الحديثة والمناقشات العامة (دون أن تُرهق عقلك فوراً)، فإن مركز ستانفورد للذكاء الاصطناعي البشري (Stanford HAI) يُعدّ مركزاً مرجعياً ممتازاً. [5]

نموذج ذهني سريع لكيفية عمل ذلك (التدريب مقابل الاستخدام) 🔧

تتألف معظم أنظمة الذكاء الاصطناعي الحديثة من مرحلتين رئيسيتين:

• التدريب: يتعلم النموذج الأنماط من خلال العديد من الأمثلة.

• الاستدلال: يحصل النموذج المدرب على مدخلات جديدة وينتج مخرجات (تنبؤ / تصنيف / نص مولد، إلخ).

صورة عملية، لا تعتمد على الرياضيات بشكل مفرط:

1. جمع البيانات (النصوص، الصور، المعاملات، إشارات المستشعرات)

2. قم بتشكيلها (علامات للتعلم الخاضع للإشراف، أو هيكل للأساليب ذاتية/شبه الخاضعة للإشراف)

3. تدريب (تحسين النموذج بحيث يكون أداؤه أفضل على الأمثلة)

4. التحقق من صحة البيانات التي لم يسبق رؤيتها (لاكتشاف التجاوز في التخصيص)

5. انشر

6. المراقبة (لأن الواقع يتغير والنماذج لا تواكب ذلك بشكل سحري)

الفكرة الأساسية: العديد من أنظمة الذكاء الاصطناعي لا "تفهم" كما يفهم البشر. إنها تتعلم العلاقات الإحصائية. ولهذا السبب قد يكون الذكاء الاصطناعي بارعًا في تمييز الأنماط ولكنه قد يفشل في أبسط قواعد المنطق السليم. إنه أشبه بطاهٍ عبقري ينسى أحيانًا وجود الأطباق.

جدول مقارنة: خيارات تقنية الذكاء الاصطناعي الشائعة (وما هي استخداماتها) 📊

إليك طريقة عملية للتفكير في "أنواع" تقنية الذكاء الاصطناعي. ليست مثالية، لكنها مفيدة.

نعم، الطاولة غير مستوية بعض الشيء - هذه هي الحياة. تتداخل خيارات تكنولوجيا الذكاء الاصطناعي كما تتداخل سماعات الرأس في الدرج.

ما الذي يجعل نظام تكنولوجيا الذكاء الاصطناعي جيدًا؟ ✅

هذا هو الجزء الذي يتجاهله الناس لأنه ليس جذاباً للغاية. لكن في الواقع، يكمن النجاح فيه.

يتميز نظام تكنولوجيا الذكاء الاصطناعي "الجيد" عادةً بما يلي:

• إن وجود مهمة واضحة للقيام بها، مثل
  "المساعدة في فرز تذاكر الدعم"، يتفوق على "أن تصبح أكثر ذكاءً" في كل مرة.

• جودة بيانات مقبولة.
  مدخلات رديئة، مخرجات رديئة... وأحيانًا مخرجات رديئة بثقة تامة 😂

• النتائج القابلة للقياس:
  الدقة، معدل الخطأ، الوقت الموفر، انخفاض التكلفة، تحسين رضا المستخدم.

• التحقق من التحيز والإنصاف (خاصةً في التطبيقات عالية المخاطر):
  إذا كان الأمر يؤثر على حياة الناس، فيجب اختباره بجدية، والتعامل مع إدارة المخاطر كجزء لا يتجزأ من دورة حياة النظام، وليس مجرد إجراء روتيني لمرة واحدة. يُعد إطار إدارة مخاطر الذكاء الاصطناعي الصادر عن المعهد الوطني للمعايير والتكنولوجيا (NIST) أحد أوضح الأدلة العامة لهذا النوع من النهج القائم على "البناء + القياس + الإدارة". [2]

• الرقابة البشرية حيثما يكون ذلك مهماً،
  ليس لأن البشر كاملون (هههه)، ولكن لأن المساءلة مهمة.

• المراقبة بعد الإطلاق:
  تتغير النماذج. يتغير سلوك المستخدم. لا يكترث الواقع ببيانات التدريب الخاصة بك.

مثال توضيحي سريع (يستند إلى عمليات نشر نموذجية للغاية)

قام فريق الدعم بتطبيق نظام توجيه التذاكر باستخدام التعلم الآلي. الأسبوع الأول: نجاح باهر. الأسبوع الثامن: أدى إطلاق منتج جديد إلى تغيير مواضيع التذاكر، وتدهور نظام التوجيه تدريجيًا. لم يكن الحل في "المزيد من الذكاء الاصطناعي"، بل في المراقبة وإعادة تدريب المحفزات وإضافة مسار بشري احتياطي. أنقذت البنية التحتية غير الجذابة الموقف.

الأمن والخصوصية: ليسا خياراً، وليسا مجرد هامش 🔒

إذا تعامل الذكاء الاصطناعي الخاص بك مع البيانات الشخصية، فأنت بذلك تدخل في منطقة "القواعد الخاصة بالبالغين".

بشكل عام، أنت بحاجة إلى: ضوابط وصول، وتقليل البيانات إلى الحد الأدنى، والاحتفاظ بها بعناية، وحدود واضحة للغرض، واختبارات أمنية قوية - بالإضافة إلى توخي الحذر الشديد عندما تؤثر القرارات الآلية على الأفراد. يُعدّ دليل مكتب مفوض المعلومات في المملكة المتحدة بشأن الذكاء الاصطناعي وحماية البيانات مرجعًا عمليًا ومناسبًا للجهات التنظيمية للتفكير في العدالة والشفافية والتطبيق المتوافق مع اللائحة العامة لحماية البيانات. [3]

المخاطر والقيود (أو ما يُعرف بالجزء الذي يتعلمه الناس بالطريقة الصعبة) ⚠️

لا تُعتبر تقنية الذكاء الاصطناعي جديرة بالثقة تلقائيًا. ومن بين المخاطر الشائعة:

• التحيز والنتائج غير العادلة:
  إذا عكست بيانات التدريب عدم المساواة، فقد تكرر النماذج ذلك أو تضخمه.

• الهلوسات (في مجال الذكاء الاصطناعي التوليدي):
  بعض النماذج تُنتج إجابات تبدو صحيحة ظاهريًا، لكنها ليست كذلك. ليس هذا "كذبًا" بالمعنى الحرفي، بل هو أشبه بكوميديا ​​ارتجالية واثقة.

• الثغرات الأمنية
  ، الهجمات المعادية، الحقن الفوري، تسميم البيانات - نعم، الأمر يصبح سرياليًا.

• الاعتماد المفرط:
  يتوقف البشر عن التساؤل حول النتائج، فتتسلل الأخطاء.

• تغير النموذج:
  العالم يتغير، أما النموذج فلا يتغير إلا إذا حافظت عليه.

إذا كنت ترغب في الحصول على منظور ثابت "للأخلاقيات + الحوكمة + المعايير"، فإن عمل معهد مهندسي الكهرباء والإلكترونيات (IEEE) بشأن أخلاقيات الأنظمة المستقلة والذكية يمثل نقطة مرجعية قوية لكيفية مناقشة التصميم المسؤول على المستوى المؤسسي. [4]

كيفية اختيار تقنية الذكاء الاصطناعي المناسبة لحالتك 🧭

إذا كنت تقوم بتقييم تقنية الذكاء الاصطناعي (لغرض تجاري، أو مشروع، أو لمجرد الفضول)، فابدأ من هنا:

1. حدد النتيجة:
   ما القرار أو المهمة التي تتحسن؟ ما المقياس الذي يتغير؟

2. راجع واقع بياناتك.
   هل لديك بيانات كافية؟ هل هي دقيقة؟ هل هي متحيزة؟ من يملكها؟

3. اختر أبسط الطرق وأكثرها فعالية
   . أحيانًا تتفوق القواعد على التعلم الآلي، وأحيانًا يتفوق التعلم الآلي التقليدي على التعلم العميق.
   التعقيد الزائد ثمنٌ تدفعه مدى الحياة.

4. خطط للنشر، وليس مجرد عرض توضيحي.
   التكامل، زمن الاستجابة، المراقبة، إعادة التدريب، الأذونات.

5. أضف ضوابط
   للمراجعة البشرية في الحالات ذات المخاطر العالية، والتسجيل، وإمكانية التفسير عند الحاجة.

6. اختبر مع مستخدمين حقيقيين.
   سيقوم المستخدمون بأشياء لم يتخيلها مصمموكم قط. في كل مرة.

سأقولها بصراحة: أفضل مشاريع تكنولوجيا الذكاء الاصطناعي غالباً ما تكون 30% منها نماذج، و70% منها أنظمة. ليس بالأمر البراق، ولكنه واقعي جداً.

ملخص سريع وملاحظة ختامية 🧁

تقنية الذكاء الاصطناعي مجموعة الأدوات التي تُساعد الآلات على التعلّم من البيانات، والتعرّف على الأنماط، وفهم اللغة، وإدراك العالم، واتخاذ القرارات، بل وحتى توليد محتوى جديد في بعض الأحيان. وتشمل هذه التقنية التعلّم الآلي، والتعلّم العميق، ومعالجة اللغة الطبيعية، ورؤية الحاسوب، والتعلّم المعزز، والذكاء الاصطناعي التوليدي.

إذا كان هناك شيء واحد يجب استخلاصه: تقنية الذكاء الاصطناعي قوية، لكنها ليست موثوقة تلقائيًا. أفضل النتائج تتحقق من خلال أهداف واضحة، وبيانات جيدة، واختبارات دقيقة، ومراقبة مستمرة. بالإضافة إلى جرعة صحية من الشك - مثل قراءة تقييمات المطاعم التي تبدو متحمسة أكثر من اللازم 😬

مثال واقعي: بناء مساعد ذكاء اصطناعي لفرز طلبات الدعم 🎫

سيناريو

تخيل شركة برمجيات صغيرة تتلقى ما بين 180 و220 طلب دعم عملاء أسبوعيًا. يتكون فريق الدعم من ثلاثة موظفين، والوقت الأكبر الذي يُستنزف ليس في الرد على الطلبات، بل في فرزها.

بعض التذاكر تتعلق بمشاكل في الفواتير، وبعضها بتقارير عن أخطاء برمجية، وبعضها الآخر باستفسارات من قبيل "كيف أعيد تعيين كلمة المرور؟". وقليل منها يتعلق بمشاكل عاجلة في الوصول إلى الحساب، والتي لا ينبغي أن تبقى في قائمة الانتظار لنصف يوم.

يمكن لمساعد فرز بسيط يعمل بالذكاء الاصطناعي أن يساعد في قراءة التذاكر الجديدة، وتصنيفها، واقتراح مستوى الأولوية، وكتابة ملخص داخلي موجز، وتوجيهها إلى الشخص المناسب. فهو لا يحل محل فريق الدعم، بل يزيل فقط عملية الفرز الأولية المتكررة.

ما يحتاجه المساعد

ولجعل هذا الأمر ذا قيمة، سيحتاج الفريق إلى:

فئات دعم العملاء، مثل الفواتير، والأخطاء البرمجية، والوصول إلى الحساب، وطلبات الميزات، والأسئلة العامة

قواعد الأولوية، على سبيل المثال: "الحساب مغلق + العميل يدفع = أولوية عالية"

بعض الأمثلة على التذاكر السابقة المصنفة بشكل صحيح

قائمة بالأمور التي يجب ألا يقوم بها الذكاء الاصطناعي، مثل إصدار المبالغ المستردة، أو تقديم وعود بإجراء إصلاحات، أو تغيير إعدادات الحساب

خطوة مراجعة بشرية للتذاكر العاجلة أو القانونية أو المتعلقة بالفواتير أو الأمن

طريقة بسيطة لتتبع ما إذا كان فريق الدعم قد قبل توجيه الذكاء الاصطناعي أو قام بتصحيحه

مثال على التعليمات

يمكنك إعطاء المساعد تعليمات كهذه:

اقرأ تذكرة دعم العملاء وصنّفها ضمن إحدى الفئات التالية: الفواتير، أو خلل برمجي، أو الوصول إلى الحساب، أو طلب ميزة جديدة، أو سؤال عام. حدد أولوية التذكرة (منخفضة، متوسطة، أو عالية) وفقًا لقواعد دعم الشركة. اكتب ملخصًا داخليًا من جملة واحدة. لا تعد باسترداد الأموال، أو إصلاحات، أو مواعيد نهائية، أو استثناءات من السياسة. إذا أشارت التذكرة إلى حساب مغلق، أو عملية دفع فاشلة، أو مشكلة أمنية، أو عميل مستاء، فأبلغ عنها لمراجعتها من قِبل أحد الموظفين.

مثال على تذكرة:

لقد دفعت ثمن الخطة الاحترافية أمس، لكن حسابي لا يزال يُظهر أنها مجانية. أحتاج إلى حل هذه المشكلة قبل مكالمة مع أحد العملاء بعد ظهر اليوم

مخرجات جيدة:

التصنيف: الفواتير،
الأولوية: عالية،
الملخص: دفع العميل مقابل الخطة الاحترافية ولكنه لا يزال يرى الخطة المجانية، ويحتاج إلى الوصول قبل مكالمة مع عميل اليوم.
مراجعة بشرية: نعم - مشكلة في الدفع/الوصول مع ضغط الوقت.

مخرجات غير صحيحة:

"عذراً، لقد قمنا بترقية حسابك الآن."

هذا الجواب السيئ محفوف بالمخاطر لأن الذكاء الاصطناعي يتظاهر باتخاذ إجراء قد لا يكون لديه إذن لاتخاذه.

كيفية اختباره

قبل استخدام المساعد على التذاكر المباشرة، اختبره مع 30-50 تذكرة قديمة حيث تكون الفئة والأولوية الصحيحة معروفة بالفعل.

قد تتضمن مجموعة اختبار قيّمة ما يلي:

عشرة أسئلة بسيطة حول "كيفية القيام بشيء ما"

10 تذاكر فوترة أو تذاكر الوصول إلى الخطة

10 تقارير عن الأخطاء

5 رسائل من عملاء غاضبين أو عاجلين

خمس تذاكر متشابكة تذكر مشكلتين في آن واحد

تتبع ثلاثة أشياء:

هل اختار الفئة الصحيحة؟

هل اختارت الأولوية الصحيحة؟

هل قام النظام بتحديد التذاكر الخطرة بشكل صحيح لإحالتها إلى مراجعة بشرية؟

ينبغي على الفريق أيضًا اختبار المدخلات غير المعتادة، مثل الرسائل القصيرة جدًا، والسخرية، ولقطات الشاشة بدون نص، والشكاوى الغامضة، والعملاء الذين يستخدمون أسماء المنتجات الخاطئة.

نتيجة

نتيجة توضيحية: بناءً على توقيت 40 تذكرة عينة قبل وبعد استخدام سير العمل.

وقت الفرز اليدوي: 3 دقائق لكل تذكرة.
وقت الفرز بمساعدة الذكاء الاصطناعي: 45 ثانية لكل تذكرة، بما في ذلك المراجعة البشرية.
الوقت المُقدّر المُوفّر على 200 تذكرة أسبوعيًا: 7.5 ساعات.
هدف دقة التوجيه قبل الإطلاق: 85% على الأقل في مجموعة الاختبار.
هدف المراجعة البشرية: 100% من تذاكر الفواتير، أو الوصول إلى الحساب، أو الأمان، أو الشكاوى العاجلة.

هذه الأرقام ليست معياراً عالمياً. إنها مجرد تقدير تقريبي يمكن للفريق التحقق منه من خلال حساب وقت معالجة التذاكر المباشرة، وحساب التصنيفات المصححة، ومراجعة سجلات الدعم الأسبوعية.

ما الذي يمكن أن يحدث خطأً؟

قد يقلل المساعد من أهمية العميل الغاضب لأن الرسالة لا تستخدم كلمات واضحة تدل على الإلحاح.

قد يصنف النظام خطأً في الفوترة على أنه "فوترة" فقط، بينما يحتاج أيضًا إلى فريق المنتج.

قد ينتج عن ذلك ملخص واثق يغفل تفصيلاً مهماً مخفياً قرب نهاية التذكرة.

قد يعتمد ذلك على قواعد دعم قديمة في حال تغير الأسعار أو سياسات الاسترداد أو مسارات التصعيد.

أكبر خطأ هو ترك الذكاء الاصطناعي يُوجّه التذاكر بصمت دون قياس التصحيحات. إذا استمر الموظفون في تصحيح نفس خطأ الذكاء الاصطناعي، فإن ذلك يُصبح بيانات تدريبية للتحسين، وليس شيئًا يُمكن تجاهله.

الخلاصة العملية

هنا تكمن القيمة العملية لتقنية الذكاء الاصطناعي: ليس كعقل خارق، بل كآلية عمل مُحكمة. زوّدها بمهمة محددة، وقواعد واضحة، وأمثلة اختبار، وأهداف قابلة للقياس، وخيار التدخل البشري كحل بديل. هذا المزيج عادةً ما يكون أكثر موثوقية من الاعتماد على الذكاء الاصطناعي في "تقديم الدعم" والاكتفاء بالأمل.

التعليمات

ما هي تقنية الذكاء الاصطناعي بعبارات بسيطة؟

تُعدّ تقنية الذكاء الاصطناعي مجموعة من الأساليب التي تُساعد الحواسيب على التعلّم من البيانات وإنتاج مخرجات عملية مثل التنبؤات والتوصيات والمحتوى المُولّد. وبدلاً من برمجتها بقواعد ثابتة لكل حالة، تُدرّب النماذج على أمثلة ثم تُطبّق على مدخلات جديدة. وفي بيئات الإنتاج، يحتاج الذكاء الاصطناعي إلى مراقبة مستمرة لأن البيانات التي يتعامل معها قد تتغير بمرور الوقت.

كيف تعمل تقنية الذكاء الاصطناعي عملياً (التدريب مقابل الاستدلال)؟

تتألف معظم تقنيات الذكاء الاصطناعي من مرحلتين رئيسيتين: التدريب والاستدلال. خلال مرحلة التدريب، يتعلم النموذج الأنماط من مجموعة البيانات، وذلك غالبًا عن طريق تحسين أدائه على أمثلة معروفة. أما خلال مرحلة الاستدلال، فيستقبل النموذج المُدرَّب مدخلات جديدة ويُنتج مخرجات مثل التصنيف أو التنبؤ أو نص مُولَّد. بعد النشر، قد يتراجع الأداء، لذا فإن المراقبة وإعادة التدريب أمران بالغا الأهمية.

ما الفرق بين التعلم الآلي والتعلم العميق والذكاء الاصطناعي؟

الذكاء الاصطناعي هو المصطلح الشامل الذي يُطلق على سلوك الآلات "الذكي"، بينما يُعدّ التعلّم الآلي منهجًا شائعًا ضمن الذكاء الاصطناعي، حيث يتعلّم العلاقات من البيانات. أما التعلّم العميق فهو فرع من فروع التعلّم الآلي، يستخدم الشبكات العصبية متعددة الطبقات، ويتميز بأدائه الجيد مع المدخلات غير المنظمة والمليئة بالتشويش، مثل الصور أو الملفات الصوتية. وتعتمد العديد من الأنظمة على دمج هذه المناهج بدلًا من الاعتماد على تقنية واحدة.

ما هي أنواع المشاكل التي تُعدّ تقنية الذكاء الاصطناعي الأنسب لحلها؟

تتميز تقنية الذكاء الاصطناعي بقدرات فائقة في التعرف على الأنماط، والتنبؤ، ومعالجة اللغة، ودعم اتخاذ القرارات. ومن الأمثلة الشائعة على ذلك: كشف الرسائل المزعجة، والتنبؤ بانقطاع العملاء، وتوجيه طلبات الدعم، وتحويل الكلام إلى نص، والكشف عن العيوب المرئية. يُستخدم الذكاء الاصطناعي التوليدي غالبًا في الصياغة والتلخيص وتوليد الأفكار، بينما يُمكن للتعلم المعزز أن يُساعد في حل مشكلات التحسين وتدريب الأنظمة الذكية من خلال المكافآت والعقوبات.

لماذا تتراجع نماذج الذكاء الاصطناعي، وكيف يمكن منع تدهور الأداء؟

يحدث انحراف النموذج عندما تتغير الظروف - كظهور سلوكيات جديدة للمستخدمين، أو منتجات جديدة، أو أنماط احتيال جديدة، أو تغير اللغة - بينما يبقى النموذج مُدربًا على بيانات قديمة. وللحد من تراجع الأداء، تراقب الفرق عادةً المؤشرات الرئيسية بعد الإطلاق، وتحدد عتبات للتنبيهات، وتُجدول مراجعات دورية. وعند اكتشاف الانحراف، يُساعد إعادة التدريب وتحديث البيانات والتدخل البشري في الحفاظ على موثوقية النتائج.

كيف تختار تقنية الذكاء الاصطناعي المناسبة لحالة استخدام محددة؟

ابدأ بتحديد النتيجة والمقياس الذي ترغب في تحسينه، ثم قيّم جودة بياناتك، ومخاطر التحيز، والمسؤولية عنها. يتمثل النهج الشائع في اختيار أبسط طريقة تلبي المتطلبات - ففي بعض الأحيان تتفوق القواعد على التعلم الآلي، وقد يتفوق التعلم الآلي التقليدي على التعلم العميق في حالة البيانات المنظمة التي تتضمن "جداول واتجاهات". خطط للتكامل، وزمن الاستجابة، والأذونات، والمراقبة، وإعادة التدريب - وليس مجرد عرض توضيحي.

ما هي أكبر المخاطر والقيود التي تواجه تقنية الذكاء الاصطناعي؟

قد تُنتج أنظمة الذكاء الاصطناعي نتائج متحيزة أو غير عادلة عندما تعكس بيانات التدريب عدم المساواة المجتمعية. كما قد يُنتج الذكاء الاصطناعي التوليدي نتائج تبدو واثقة ولكنها غير موثوقة. وتوجد أيضًا مخاطر أمنية، بما في ذلك حقن البيانات بشكل فوري وتسميمها، وقد تُصبح الفرق مُعتمدة بشكل مُفرط على هذه النتائج. لذا، تُعدّ الحوكمة والاختبار والإشراف البشري المُستمر عناصر أساسية، لا سيما في سير العمل عالي المخاطر.

ماذا تعني "الحوكمة" بالنسبة لتكنولوجيا الذكاء الاصطناعي عملياً؟

تعني الحوكمة وضع ضوابط على كيفية بناء الذكاء الاصطناعي ونشره وصيانته لضمان وضوح المساءلة. ويشمل ذلك عمليًا التحقق من التحيز، وضوابط الخصوصية والأمان، والإشراف البشري في الحالات ذات التأثيرات الكبيرة، والتسجيل لأغراض التدقيق. كما يعني أيضًا التعامل مع إدارة المخاطر كنشاط دوري يشمل التدريب والتحقق والنشر، ثم المراقبة والتحديثات المستمرة مع تغير الظروف.

مراجع

1. منظمة التعاون الاقتصادي والتنمية - تعريف / تأطير أنظمة الذكاء الاصطناعي

2. إطار إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0) - المعهد الوطني للمعايير والتكنولوجيا (NIST) - ملف PDF

3. مكتب مفوض المعلومات في المملكة المتحدة - إرشادات حول الذكاء الاصطناعي وحماية البيانات

4. رابطة معايير IEEE - المبادرة العالمية بشأن أخلاقيات الأنظمة المستقلة والذكية

5. ستانفورد HAI - نبذة عن

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا