شارك هذا المقال:
هل تعلم عزيزي القارئ أن ساندار بيتشاي، الرئيس التنفيذي لشركة جوجل العملاقة، قد صرح من قبل أن الذكاء الاصطناعي سيسبب تحولا للبشرية أكبر مما سببته الكهرباء؟ هل تعلم أنه من خلال استبيان ماكنزي الذي تم فيه سؤال أكثر من 2300 شخصا، 1150 صرحوا بأن شركاتهم تحتوي على الأقل وظيفة واحدة تستخدم الذكاء الاصطناعي؟ كما صرحت شركة PricewaterhouseCoopers - PwC بأنه في 2030، من المتوقع أن يرتفع الناتج المحلي الاجمالي (Gross Domestic Product) العالمي بنسبة 14% – وهذا يعادل حوالي 16 مليار دولار أمريكي – نتيجة لازدياد النشاطات المستخدمة لتقنيات الذكاء الاصطناعي لذا، نعرض في هذا المقال كل ما تحتاج معرفته عن عالم الذكاء الاصطناعي، أهميته، استخداماته، وكيفية تعلمه.
"الذكاء الاصطناعي" – Artificial Intelligence – هو محاكاة وتقليد الذكاء البشري في الآلات المبرمجة للتفكير مثل البشر وتقليد أفعالهم مثل الأجهزة الالكترونية والروبوتات، ويمكن أيضا أن يشير هذا المصطلح على أي آلة تعرض سمات مرتبطة بالعقل البشري مثل التعلم وحل المشكلات.
السمة المثالية للذكاء الاصطناعي هي قدرته على التفكير العقلاني (Rationality) واتخاذ القرارات التي لديها أفضل فرصة لتحقيق هدف معين. يتضمن الذكاء الاصطناعي التعلم الآلي (Machine Learning)، والذي يشير إلى مفهوم أن الأنظمة الرقمية يمكنها التعلم التقائي من البيانات الجديدة والتكيف معها دون تدخل البشر. أما التعلم العميق (Deep Learning) يعتبر تقنية فرعية من التعلم الآلي، والفرق بينه وبين التعلم الآلي هو أن التعلم العميق يتضمن امتصاص كميات هائلة من البيانات أكبر بكثير من تقنيات التعلم الآلي، فيمكن لمرحلة التعلم أن تأخذ أيام أو اسابيع، بينما في التعلم الآلي يأخذ الأمر من ثواني الى بضع ساعات، كما أن التعلم العميق يحتاج الى تدخل أقل من البشر لتصحيح الأخطاء. يمكننا القول أن الذكاء الاصطناعي هو الجد، التعلم الآلي هو الأب، والتعلم العميق هو الابن، فليست كل خوارزميات الذكاء الاصطناعي تعد خوارزميات تعلم آلي، ولكن كل خوارزميات التعلم الآلي تعد في نفس الوقت خوارزميات ذكاء اصطناعي، حيث انها تهدف الى محاكاة الذكاء البشري والقدرة على المنطقة لحل المشاكل. يمكن تلخيص هذه الفقرة في هذه الصورة.
يعتقد أن بداية الذكاء الاصطناعي تمت على يد الرياضي الشهير آلان تورينج في 1950 م، حيث أنه صنع اختبار تورينج (Turing Test)، والذي يقوم على فكرة قدرة خداع الحاسوب للبشر على أنه بشري أخر، فلو مثلا كنت تتحدث على الهاتف مع حاسوب ولم تقدر أن تعرف أن هذا حاسوب واعتقدته بشريا، فهذا الحاسوب يعد ناجحا في اختبار تورينج، والى التو، لا يوجد أي حاسوب أو برنامج نجح في تخطي هذا الاختبار، مما يجعلنا نشك في قدرة الحواسيب في تقليد الذكاء البشري بنسب وقدرات عالية. كما أن خمسينيات القرن الماضي شهدت أيضا العديد من الإنجازات في هذا المجال، حيث نجد طلبة هارفارد الجامعيين يطورون أول شبكة عصبية (Neural Network) – والتي تسمى SNARC، كما نجد ورقة بحثية بعنوان "برمجة حاسوب للعب الشطرنج" وواحدة أخرى بعنوان "القوانين الثلاث للروبوتات"، كما أنه في 1959 م قام ثلاث علماء بتطوير ما يعرف بحلال المشاكل العام (General Problem Solver)، والذي يعد برنامجا لتقليد قدرات البشر في حل المشاكل. شهدت السبعينيات توقفا في تطوير الذكاء الاصطناعي، فسميت هذه الفترة "شتاء الاذكاء الاصطناعي". في الثمانينيات، صرفت بعض الشركات مليارات الدولارات لتطوير أجهزة تعمل على الذكاء الاصطناعي باستخدام لغة البرمجة Lisp، ولكن في أواخر الثمانينيات وأوائل التسعينيات شهد الذكاء الاصطناعي توقفا اخر، فسميت هذه الفترة "الشتاء الثاني للذكاء الاصطناعي". في أواخر التسعينيات، نجد الحاسوب المطور من قبل شركة IBM، والمسمى ب Deep Blue، يهزم أسطورة الشطرنج وبطل العالم في هذه الوقت جاري كاسباروف، والذي كان يعد حدث جلل في تاريخ الذكاء الاصطناعي وتطوره، حيث أن لعبة الشطرنج تعتمد على التفكير النمطي والتحليلي والمنطقي، والتي هي من صفات البشر. في القرن الواحد وعشرين، نجد تطورا ملموسا في الذكاء الاصطناعي، فنجد الروبوتات المستقلة المطورة من شركات عملاقة مثل Boston Dynamics، ونجد تقنيات التعرف على الكلام (Speech Recognition) المطورة من قبل محرك البحث جوجل. في 2011، قامت شركة أبل بتطوير نظام سيري (Siri)، والذي يعد مساعدا افتراضيا يعمل بالذكاء الاصطناعي، وفي 2012 قام أندرو – مؤسس مشروع جوجل للتعلم العقلي العميق (Brain Deep Learning Project) – بتطوير شبكة عصبية تحتوي على 10 مليون فيديو من موقع يوتيوب. بعد التعلم، أصبحت هذه الشبكة قادرة على التعرف على القطط بدون أن يتم توجيهها. وفي 2014، قامت شركة جوجل بتطوير أول سيارة ذاتية القيادة ناجحة في اختبار قيادة محلي. مؤخرا، شهدنا تطوير AlphaZero، والذي يعد ذكاء اصطناعي في لعبة الشطرنج. يتعلم هذا النظام من ملايين المباريات لاتخاذ أفضل القرارات في مبارياته، ووجدنا أن هذا النظام استطاع التغلب على أقوى محركات الشطرنج في عصرنا – Stockfish، حيث ان طريقة لعب AlphaZero تعتمد على المبادرة وتضحية القطع من أجل الانتشار السريع ووضع القطع في أفضل الأماكن، وهذا لا نجده في المحركات، التي تفكر بشكل ثابت وتهتم بالقيمة المادية للقطع. كما أننا شهدنا شركة جوجل تطور نظاما قادرا على توقع الشكل المجسم للبروتينات (AlphaFold)، والتي كانت معضلة اعتبرها البشر من المشاكل التي لا حل لها، ولكن أبهرنا الذكاء الاصطناعي في قدرته المهولة على توقع الشكل المجسم للبروتينات فقط من التتابع لجزيئات الأحماض الامينية (Amino acid sequence) بنسب دقة تصل الى 90%.
ينقسم الذكاء الاصطناعي الى فئتين: الذكاء الاصطناعي القوي (Strong AI) والذي يسمى أيضا الذكاء الاصطناعي العام (Artificial General Intelligence – AGI) والذكاء الاصطناعي الضعيف (Weak AI) والذي يسمى أيضا الذكاء الاصطناعي المحدود (Narrow AI). يجسد الذكاء الاصطناعي الضعيف نظامًا مصممًا للقيام بوظيفة معينة. تتضمن أنظمة الذكاء الاصطناعي الضعيفة ألعاب الفيديو والشطرنج والمساعدين الشخصيين مثل Amazon's Alexa وApple’s Siri. تسأل المساعد سؤالاً ويجيب لك. أما أنظمة الذكاء الاصطناعي القوية فهي الأنظمة التي تقوم بمهام تعتبر شبيهة بالبشر. تميل هذه الأنظمة إلى أن تكون أكثر تعقيدًا، وهي مبرمجة للتعامل مع المواقف التي قد يُطلب منهم فيها حل المشكلة دون تدخل أي شخص. يمكن العثور على هذه الأنواع من الأنظمة في تطبيقات مثل السيارات ذاتية القيادة أو في غرف العمليات بالمستشفيات. نظريا، يمكن للذكاء الاصطناعي من هذا النوع أن ينجح في اختبار تورينج.
يوجد أربع أنواع رئيسية من أنظمة الذكاء الاصطناعي:
1) الذكاء الاصطناعي التفاعلي (Reactive AI): يستخدم هذا النوع من الذكاء الاصطناعي الخوارزميات لتحسين المخرجات بناءً على مجموعة من المدخلات. أنظمة الذكاء الاصطناعي للعب الشطرنج، على سبيل المثال، هي أنظمة تفاعلية تعمل على تحسين أفضل استراتيجية للفوز باللعبة. يميل الذكاء الاصطناعي التفاعلي إلى أن يكون ثابتًا إلى حد ما، وغير قادر على التعلم أو التكيف مع المواقف الجديدة. وبالتالي، فإنه سينتج نفس المخرجات مع وجود مدخلات متطابقة.
2) الذكاء الاصطناعي محدود الذاكرة (Limited-Memory AI): يمكن لهذا النوع التكيف مع التجربة السابقة أو تحديث نفسه بناءً على الملاحظات أو البيانات الجديدة. غالبًا ما يكون مقدار التحديث محدودًا (ومن هنا جاءت تسميته)، وطول الذاكرة قصير نسبيًا. يمكن للمركبات ذاتية القيادة، على سبيل المثال، "قراءة الطريق" والتكيف مع المواقف الجديدة، حتى "التعلم" من التجارب السابقة.
3) نظرية العقل (Theory of Mind): تتكيف بشكل كامل ولديها قدرة واسعة على التعلم والاحتفاظ بتجارب الماضي، كما أن هذه الأنظمة يمكنها فهم المشاعر. تتضمن هذه الأنواع من الذكاء الاصطناعي روبوتات محادثة متقدمة يمكنها اجتياز اختبار تورينج، لتخدع أي شخص للاعتقاد بأن الذكاء الاصطناعي إنسان. على الرغم من كونها متقدمة ومثيرة للإعجاب، إلا أن هذا الذكاء الاصطناعي ليس واعيا بذاته.
4) الذكاء الاصطناعي المدرك للذات (Self-aware AI): كما يوحي الاسم، هذا النوع يصبح واعيًا بوجوده. لا يزال هذا النوع في عالم الخيال العلمي، ويعتقد بعض الخبراء أن الذكاء الاصطناعي لن يصبح واعيًا أو "حيًا" أبدًا، ولا يوجد أي نوع من هذا الذكاء الاصطناعي في وقتنا الحالي.
الرعاية الصحية: تطبق الشركات التعلم الآلي لإجراء تشخيصات أفضل وأسرع من البشر. يعد IBM Watson أحد أشهر تقنيات الرعاية الصحية. يفهم اللغة الطبيعية ويمكنه الرد على الأسئلة المطروحة عليه. يستخرج النظام بيانات المريض ومصادر البيانات الأخرى المتاحة لتشكيل فرضية، والتي يقدمها بعد ذلك مع نسبة ثقة. تتضمن تطبيقات الذكاء الاصطناعي الأخرى استخدام مساعدين صحيين افتراضيين (Virtual Assistants) عبر الإنترنت وروبوتات الدردشة (Chatbots) لمساعدة المرضى وعملاء الرعاية الصحية في العثور على المعلومات الطبية وجدولة المواعيد وفهم عملية الفوترة وإكمال العمليات الإدارية الأخرى.
إدارة الأعمال والخدمات المصرفية: يتم دمج خوارزميات التعلم الآلي في الأنظمة الأساسية للتحليلات وإدارة علاقات العملاء (Customer Relationship Management) للكشف عن معلومات حول كيفية خدمة العملاء بشكل أفضل. كما أن الخدمات المصرفية تعتمد على المساعدين الافتراضيين وروبوتات الدردشة لخدمة العملاء، كما أن الذكاء الاصطناعي يمكنه التعلم من البيانات لتقديم قرارات أفضل للقروض وفرص الاستثمار.
التعليم: يمكن للذكاء الاصطناعي أتمتة عملية الدرجات، مما يمنح المعلمين مزيدًا من الوقت. يمكنه تقييم الطلاب والتكيف مع احتياجاتهم، ومساعدتهم على العمل وفقًا لسرعتهم الخاصة. يمكن لمدرسي الذكاء الاصطناعي تقديم دعم إضافي للطلاب، مما يضمن بقائهم على المسار الصحيح.
المالية: يمكن لأنظمة الذكاء الاصطناعي توفير النصائح والاقتراحات الشخصية بناء على تحليل البيانات للعملاء في إدارة مواردهم المالية أو حتى المساعدة في عملية اقتناء منزل جديد.
القانون: غالبًا ما تكون عملية الاكتشاف - غربلة الوثائق - في القانون مرهقة للبشر. يؤدي استخدام الذكاء الاصطناعي للمساعدة في أتمتة العمليات كثيفة العمالة في الصناعة القانونية إلى توفير الوقت وتحسين خدمة العملاء. تستخدم شركات المحاماة التعلم الآلي لوصف البيانات والتنبؤ بالنتائج، ورؤية الكمبيوتر لتصنيف واستخراج المعلومات من المستندات ومعالجة اللغة الطبيعية لتفسير طلبات الحصول على المعلومات.
الصناعة: أفضل مثال هنا هو الروبوتات متعددة المهام وأحادية المهام. الروبوتات الصناعية التي تمت برمجتها في وقت ما لأداء مهام فردية ومنفصلة عن العاملين البشريين، تعمل بشكل متزايد كروبوتات: روبوتات أصغر متعددة المهام تتعاون مع البشر وتتحمل مسؤولية المزيد من أجزاء العمل في المستودعات وأرضيات المصانع ومساحات العمل الأخرى.
الرياضة: يمكن للذكاء الاصطناعي تحليل البيانات الضخمة للفرق الرياضية مثل ما حدث من فريق ليفربول الإنجليزي لاتخاذ قرارات أفضل في التدريبات وتوزيع اللاعبين أو حتى اقتناء اللاعبين الجدد، فيمكن للذكاء الاصطناعي فهم البيانات وفهم الخلل الذي يواجه الفريق.
التعرف على الكلام: يمكن لأنظمة الذكاء الاصطناعي فهم حديث البشر وتحويله الى محتوى نصي، فنجد هذه التقنية تستخدم بكثرة في عمليات البحث على محركات البحث وأيضا في انتاج التسميات التوضيحية (Captions) في العديد من الفيديوهات على يوتيوب.
محركات الاقتراح: باستخدام بيانات سلوك الاستهلاك السابقة، يمكن أن تساعد خوارزميات الذكاء الاصطناعي في اكتشاف اتجاهات البيانات التي يمكن استخدامها لتطوير استراتيجيات بيع أكثر فعالية. يستخدم تجار التجزئة عبر الإنترنت هذا النهج لتقديم توصيات المنتجات ذات الصلة للعملاء أثناء عملية الدفع. نجد هذه الاستراتيجية في الإعلانات الرقمية، كما نجدها أيضا في ترشيح الأفلام على منصة نيتفليكس (Netflix)
الرؤية الحاسوبية (Computer Vision): تمكّن تقنيات الذكاء الاصطناعي أجهزة الكمبيوتر من استخلاص معلومات مفيدة من الصور الرقمية ومقاطع الفيديو والمدخلات المرئية الأخرى، ثم اتخاذ الإجراء المناسب أو تكوين فرضيات من هذه الصور. بدعم من الشبكات العصبية التلافيفية (Convolutional Neural Networks)، فإن رؤية الحاسوب لها تطبيقات في وضع علامات على الصور على وسائل التواصل الاجتماعي، والتصوير الإشعاعي في الرعاية الصحية، والسيارات ذاتية القيادة في صناعة السيارات.
في الواقع، يرتبط النمو الهائل في حجم الذكاء الاصطناعي وقيمته ارتباطًا وثيقًا بالتحسينات التكنولوجية الحديثة، بما في ذلك:
حجم وجودة البيانات والقدرة على الوصول لها: يزدهر الذكاء الاصطناعي بالبيانات، وقد ازدادت أهميته جنبًا إلى جنب مع الزيادة السريعة في كمية وجودة البيانات (Quantity and quality of data)، إلى جانب تحسين الوصول إلى البيانات (Accessibility of data). بدون تطورات مثل "إنترنت الأشياء" (Internet of Things)، والتي تنتج كمية هائلة من البيانات من الأجهزة المتصلة، سيكون للذكاء الاصطناعي تطبيقات محتملة أقل بكثير.
وحدات المعالجة الرسومية (Graphical Processing Units): تعد وحدات معالجة الرسومات واحدة من عوامل التمكين الرئيسية للقيمة المتزايدة للذكاء الاصطناعي، حيث إنها ضرورية لتزويد أنظمة الذكاء الاصطناعي بالقدرة على إجراء ملايين العمليات الحسابية اللازمة للمعالجة التفاعلية. توفر وحدات معالجة الرسومات القوة الحاسوبية اللازمة للذكاء الاصطناعي لمعالجة البيانات الضخمة وتفسيرها بسرعة.
المعالجة الذكية للبيانات: تسمح الخوارزميات الجديدة والأكثر تقدمًا لأنظمة الذكاء الاصطناعي بتحليل البيانات بشكل أسرع وعلى مستويات متعددة في وقت واحد، مما يساعد هذه الأنظمة على تحليل مجموعات البيانات بشكل أسرع حتى تتمكن من فهم الأنظمة المعقدة بشكل أفضل وسرعة والتنبؤ بالأحداث النادرة.
واجهات برمجة التطبيقات (Application Program Interfaces): تسمح واجهات برمجة التطبيقات (APIs) بإضافة وظائف الذكاء الاصطناعي إلى برامج الكمبيوتر التقليدية وتطبيقات البرامج، مما يجعل هذه الأنظمة والبرامج أكثر ذكاءً من خلال تعزيز قدرتها على تحديد وفهم الأنماط في البيانات.
لتعلم الذكاء الاصطناعي، تحتاج أولا الى تعلم أساسيسات علم الرياضيات، ويتضمن ذلك علم الجبر الخطي (Linear Algebra) والرياضيات المتقطعة (Discrete Mathematics) والتفاضل والتكامل (Calculus)، والاحصاء والاحتمالات، كما يجب عليك تعلم أساسيات هياكل البيانات (Data Structures) والخوارزميات (Algorithms) وبعض تقنيات التلاعب بالبيانات مثل Sql و Excel. بعد تعلمك لهذه الأساسيات، تحتاج الى لغة برمجة لتطوير البرامج وكتابة النصوص والتعامل مع البيانات لتطبيق عليها تقنيات التعلم الالي او التعلم العميق، ومن هنا لديك طريقين: لغة بايثون أو لغة R، ولكن يعتبر أن أفضل لغة على الاطلاق في عالم الذكاء الاصطناعي هي لغة بايثون، فيوجد بها دعم شديد للذكاء الاصطناعي والعديد من المكتبات التي يمكنك استخدامها لتطبيق مفاهيم التلاعب بالبيانات والتعلم الآلي مثل TensorFlow و NumPy و Pandas وغيرهم. بما أن تعلم لغة البرمجة بايثون يعتبر خطوة مهمة في رحلتك لتعلم الذكاء الاصطناعي والتعلم الالي، ننصح بقراءة المرجع الشامل الى تعلم لغة بايثون، كتاب البرمجة بلغة بايثون، ومشاهدة دورة تطوير التطبيقات باستخدام لغة بايثون، كما ننصح باحتراف مكتبات NumPy و Pandas و Matplotlib لأنهم يعدوا من المكتبات الرئيسية في التعامل مع البيانات. اذا كنت ستتخصص في تقنيات التعلم الالي، فسوف تحتاج الى تعلم بعض الخوارزميات المستخدمة بكثرة في هذا المجال مثل خوارزميات التعلم القائم على المكافئة (Reward-based learning algorithm) وخوارزمية التجميع (Clustering algorithm) وغيرهم. يمكنك قراءة كتاب "مدخل إلى الذكاء الاصطناعي وتعلم الآلة" لكي تتعلم هذه المفاهيم.
من المتوقع أن يشهد الذكاء الاصطناعي تطورا كبيرا خصوصا بعد اهتمام الشركات الكبرى مثل جوجل وتسلا به، ومن المتوقع أن يجد قبولا بين العامة أكثر مما مضى حيث أن تطبيقاته يوما بعد يوم تصبح أكثر وضوحا، ولكن بالطبع السؤال الفلسفي في خطورة الذكاء الاصطناعي وقدرته على محو البشرية وأداء وظائفهم واستبدالهم سيزال سؤال أبدي تنقسم حوله الآراء.
