الذكاء الاصطناعي: الفرق بين التعلم الآلي والتعلم العميق

أصبح الذكاء الاصطناعي أو الذكاء الاصطناعي جزءًا مهمًا لا يتجزأ من مجتمعنا الحديث. وفقًا لفوربس ، قبل عامين ، في عام 2017 ، نفذت 51 في المائة من الشركات الحديثة بالفعل الذكاء الاصطناعي ، وبلغت قيمة الصناعة وحدها 16 مليار دولار. من المتوقع أن يصل هذا الرقم إلى 190 مليار دولار في عام 2025 ، ومن المتوقع أن يزيد أكثر.

اليوم ، هناك نوعان من أكثر أنواع الذكاء الاصطناعي تأثيرًا هما التعلم الآلي ونظم التعلم المتعمقة. لكن ما هما بالضبط؟ وفي هذا الصدد ، كيف نحدد الذكاء الاصطناعي في كلا السياقين؟

ما هو الذكاء الاصطناعي؟

في المقدمة الرسمية لقاموس أكسفورد لعام 2019 ، الذكاء الاصطناعي هو "نظرية وتطوير أنظمة الكمبيوتر التي يمكنها أداء المهام التي تتطلب الذكاء البشري".

بعبارة أخرى ، يفسر الذكاء الاصطناعي المعلومات كما أحتاج أنا وأنت للتعرف على الصور أو التعرف على الكلام أو غيرها من أنظمة اتخاذ القرار المؤتمتة. مثال بسيط جدًا للذكاء الاصطناعي هو منافس كمبيوتر ألعاب الفيديو. يستخدم بيانات اللعبة بالإضافة إلى معلومات اللاعب لإنشاء تسلسلات من القرارات والمهام لإشراك اللاعب. ظهر الذكاء الاصطناعي في الخمسينيات من القرن العشرين ، لكنه بدأ فقط في السبعينيات والثمانينيات عندما جعلت أجهزة الكمبيوتر الشخصية ووحدات تحكم الألعاب تطوير الذكاء الاصطناعي متطلبًا رئيسيًا في أنشطتها.

قد تشمل الأمثلة الأخرى للذكاء الاصطناعي في حياتنا اليومية:

  1. محاكيات
  2. الأجهزة الذكية
  3. السير في البورصة
  4. التعرف على المعلومات (الكلام والصوت والوجه وما إلى ذلك)

يتم استخدام العديد من أنظمة الذكاء الاصطناعي اليوم في أي تطبيق تقريبًا يستخدم بيانات مثل برامج الإدارة أو خوارزميات الإحالة أو تحليلات الوسائط أو حتى المساعدين الصوتيين. في الواقع ، حتى برامج المراقبة البسيطة تستخدم الآن الذكاء الاصطناعي. كقاعدة عامة ، إذا كانت هناك مهام أكثر تعقيدًا يتم إجراؤها بانتظام دون تدخل مباشر من الشخص ، فعندئذ يكون لديها AI.

ما هو تعلُم الآلة؟

التعلم الآلي هو نوع من الذكاء الاصطناعي (وبالتالي جزء منه) متخصص في تحليل البيانات وتحليلها من أجل التكيف مع هذه البيانات واتخاذ قرارات ذكية. ببساطة ، تم تصميم هذا الذكاء الاصطناعي لتتبع واكتشاف العديد من الأشياء ، ثم لإجراء مسار أو أكثر من الإجراءات استنادًا إلى المعلومات التي تم الحصول عليها.

قد تتضمن المهام النموذجية للتعلم الآلي اليوم ما يلي

  1. رابط للتوصيات
  2. إدارة المحتوى
  3. عرض نتائج البحث
  4. وقت العلاج (على الشبكات الاجتماعية)

نظام التعلم الآلي قادر على تحليل كمية كبيرة من البيانات في فترة زمنية قصيرة ، لاتخاذ قرارات أو استخلاص استنتاجات منه. تعمل على تحسين الخوارزمية الخاصة بها لتقديم تعليقات دقيقة ، أكثر مما يمكن أن يفعله الناس مع قيود الوقت. على سبيل المثال ، نريد أن نحدد تلقائيًا ما إذا كان بريد إلكتروني معين بريدًا عشوائيًا أم لا. يتنقل نظام التعلم الآلي عبر الآلاف من رسائل البريد الإلكتروني للعثور على الأنماط التي تساعد في تحديد رسائل البريد الإلكتروني العشوائية. ثم يوفر تصنيفًا واضحًا للبريد العشوائي أو رسائل البريد الإلكتروني البسيطة ، ويستخدمه مرة أخرى للعثور على أنماط أكثر دقة يمكن أن تساعد في تحسين التحليلات.

عندما يتم توفير مجموعات بيانات جديدة وجديدة ، يمكن لأنظمة التعلم الآلي تكييف وتحديث خوارزمياتها لتحسين ما تفعله. أو على الأقل تقليل احتمالية الأخطاء. وهذا يجعل التعلم الآلي مهمًا جدًا في عصرنا القائم على البيانات.

ما هي الدراسة المتعمقة؟

التعلم العميق ، مرة أخرى ، هذا هو وقت التعلم الآلي. يعتمد التصميم الأساسي لأنظمة التعلم العميق على الدماغ العضوي. إذا أنشأنا ذكريات جديدة باستخدام شبكة معقدة من الأنماط العصبية ، فإن مثل هذا النظام سيخلق شبكة قرارات معقدة خاصة به ، باستخدام شبكة عصبية اصطناعية تتكون من عدد لا يحصى من طبقات الخوارزمية.

عدد من أنظمة التعلم العميق البارزة:

  1. واتسون (المنافسون في "Jeopardy")
  2. AlphaGo (يهزم لاعب Go المحترف Lee Sedol في مارس 2016)
  3. Deepfake (يخلق تمثيلًا حقيقيًا وواقعيًا جدًا للناس الحقيقيين)
  4. OpenAI Five (مشروع التعلم العميق للعبة ، هزم لاعب DOTA Dandy في العام الماضي 2017)

على عكس أنظمة التعلم الآلي التقليدية ، يمكنها التعامل مع مجموعات بيانات بسيطة نسبيًا ، مع نظام تعلم متعمق يبدأ من الصفر. وتتميز "بفترة الركود" التي تبدأ فيها الأجيال القليلة الأولى من الذكاء الاصطناعي في إنتاج نتائج حقيقية من أجيال فاشلة لا تعد ولا تحصى بعد التكيف.

عندما تصل إلى مستوى متطور للغاية من الكفاءة ، ستبدأ أنظمة التعلم العميق في تجاوز كل ما سبقها. على سبيل المثال ، بدأ AlphaGo من DeepMind في استخدام 160 مليون لعبة Go للهواة ، قبل أن يفوز تلقائيًا على ملايين لاعبي Go المحترفين.

تعتمد أنظمة التعلم العميق ، على عكس أنظمة التعلم الآلي الأخرى التي تم تطويرها من قبل ، بشكل كبير على مضاعفة المصفوفة لتوليد البيانات. وبالتالي ، فإن وحدات معالجة الرسومات التجارية عادة ما تكون أفضل الأدوات لهذه الأنظمة لأنها قادرة على تلبية المستوى العالي من متطلبات المعالجة المتوازية المطلوبة للحفاظ على الأداء التشغيلي.

الذكاء الاصطناعي القياسي والتعلم الآلي

على الرغم من أنه يمكن استخدام الذكاء الاصطناعي والتعلم الآلي بالتبادل للعديد من التطبيقات الشائعة ، فإن التعلم الآلي له ميزة فريدة: التكيف. هذا يعني أنه يتعلم. على عكس الذكاء الاصطناعي الذي تم إنشاؤه مسبقًا ، يمكن أن يرتكب الكثير من الأخطاء الأولية ، ولكنه مصمم ليحل محل ما يتعلمون منه والبناء منه وتحسينه في النهاية.

من حيث التصميم ، يتميز تعلُم الآلة أيضًا بعدم الخلط بينه وبين التصميم الأصلي. قد يحتاج الذكاء الاصطناعي العادي إلى تعليمات برمجية محددة أو تعليمات محددة لكل موقف يمكن أن تتوقعه الشركة المصنعة. ولكن يمكن لنظام التعلم الآلي أن يعمل ببساطة على شجرة القرار ، بالإضافة إلى معيارين أو اثنين من معايير التدريب ، بالإضافة إلى القدرة على معالجة وظيفته ثم تحسينها.

تتمثل أهمية التمييز بين أنظمة التعلم الآلي في أننا نستخدم الآن ذكاء اصطناعي عادي ومنتظم لهذه الأنظمة في مهام ومهام أخرى غير مهمة. في النهاية ، لست بحاجة إلى أنظمة تعلُّم الآلة لأتمتة قرارات إدارة الملفات. وبالمثل ، قد لا يكون تصنيف العناصر المعقدة مثل أنظمة التعرف على الكلام على أنها "ذكاء اصطناعي فقط" صحيحًا ، ولذا فإننا نصنفها بشكل صحيح.

التعلم الآلي والتعلم العميق

ربما يكون أهم فرق نحتاج إلى تعلمه هو الفرق بين التعلم الآلي والتعلم العميق. أولاً وقبل كل شيء ، كما ذكر أعلاه ، هي دراسة متعمقة لأتمتة IS ، والتي تتكون تقنيًا من نوع واحد أو جزء منه. التعلم الآلي ليس دائمًا دراسة متعمقة. يرجع الفرق بشكل رئيسي إلى الطريقة التي تم بها بناء الاثنين.

تم تطوير التعلم الآلي على مدار العقود القليلة الماضية في بيئة الكمبيوتر نفسها مثل معظم برامجنا. لذا ، على الرغم من أنه تم تصميمه ليكون موحدًا ، وخطياً ، ومناسبًا لقانون مور ، فإنه لا يزال مقيدًا بأشجار القرار والخوارزميات. بدوره ، يدمج التعلم المتعمق جميع خوارزمياته في شبكة عصبية. وهي مصممة للحوسبة المتوازية عالية المستوى ، والتي نعتبرها الآن الجيل التالي من التعلم الآلي.

إحدى الطرق المؤكدة لتحديد ما إذا تم استخدام نظام التعلم العميق هي تقييم مدى تعقيد مهمة الذكاء الاصطناعي. بشكل عام ، يجب مراعاة المتغيرات المتعددة الاختيارية ، والتي من المرجح أن تكون نظام تعلم عميق. على سبيل المثال ، توصيات Netflix ليست معقدة مثل ترجمات اللغة ، على الرغم من أنها تتعلم من البيانات التي تم جمعها في قاعدة مستخدمي الإنترنت بالكامل. يمكن أن يخدم هذا الاختلاف وظيفتين متشابهتين ، على سبيل المثال ، نظامين منفصلين للتحكم الذاتي. ما نعتمد عليه أكثر على ضغط بيانات المستشعر هو أنه يجب أن يكون نظامًا شائعًا للتعلم الآلي ، وأن يكون التعلم الأعمق أكثر صداقة للبيئة لما تطوره Tesla حاليًا. بحاجة إلى الانتباه.

سواء كان التمييز واضحًا أو واضحًا ، فإن التعلم العميق هو المستقبل. ولكن لأغراضنا ، تعد الدراسة المتعمقة مهمة في فهم مدى اختلافها عن الذكاء الاصطناعي إلى التعلم الآلي البسيط وكيف تكون حقًا. على الرغم من أنه قيد التطوير اليوم ، إلا أنه لا يمكن مقارنته بكل ما حدث قبله تقريبًا.

في حين قد يبدو الأمر مربكًا للمشاهد العادي أن باراك أوباما قد أصدر بعض الجمل القصيرة في خلفية مزيفة ، بالنسبة لأولئك الذين يفهمون الاختلاف ، فإننا نعلم أن هذه واحدة من الاحتمالات العظيمة لتقنية تغيير اللعبة. .

التحدي الكبير لمنظمة العفو الدولية في فيتنام

هل تريد معرفة المزيد عن الذكاء الاصطناعي؟ تقود Cambria فيتنام سلسلة الهاكر AI Grand Challenge 2019 ، وتتمثل مهمتها في تدريب مطوري AI الشباب. بالتعاون مع الحكومة الفيتنامية ، McKinsey & Company و VietnamAI ، سيدعم التحدي الكبير أفضل قدرات الذكاء الاصطناعي في البلاد في دعم الشركات في فيتنام وتصميم مساعد افتراضي عالمي للذكاء الاصطناعي.

كيفية الانضمام: قم بالتسجيل على منصة Cambria: https://bounty.kambria.io/ 2. تابع صفحة التحدي على Facebook لجميع الأحداث القادمة: https: / /www.facebook.com/VietnamAIGC/

تُعقد يوم السبت ، 1 يونيو 2019 ، ورشة عمل بعنوان "إنشاء مساعد افتراضي للذكاء الاصطناعي" في دا نانغ ، كمبوديا ، وستوفر التدريب والتعليم للمشاركين في التحدي الكبير لمنظمة العفو الدولية في فيتنام. انقر هنا لمزيد من المعلومات حول ورشة العمل. تقتصر المساحة على 40 مشاركًا ، لذا اشترك قريبًا!

نشر في الأصل في كمبوديا.