خلال السنوات الأخيرة صادفت عدداً من المفاهيم الخاطئة حول الذكاء الاصطناعي (AI) وفي بعض الأحيان عند الحديث عنه مع أشخاص من خارج هذا المجال لاحظت أننا نتحدث في اتجاهين مختلفين تماماً.
بدايةً، يتمحور المفهوم الخاطئ الأول حول الذكاء الاصطناعي العام AGI:
1- أنظمة الذكاء الاصطناعي المستخدمة حالياً هي نُسخ محدودة من AGI
بالرغم مما يعتقد به الكثيرون إلا أنَّ آخر ما وصل له الذكاء الاصطناعي لا يزال بعيداً عن الذكاء البشري. فالذكاء الاصطناعي العام Artificial General Intelligence كان المُحفز لجميع علماء الذكاء الاصطناعي منذ زمن Alan Turing وحتى اليوم للوصول لذكاء اصطناعي عام AGI يمكنه محاكاة الذكاء البشري وحتى التفوق عليه، الأمر الذي نتج عنه العديد من التقنيات والاكتشافات العلمية.
ولكن على أرض الواقع وفي التطبيق العملي للذكاء الاصطناعي فإن العلماء لا يُلزمون أنفسهم بالنماذج النقية لاتخاذ القرار والتعلم وحل المشاكل عند الإنسان، وبدلاً من ذلك يعملون على بناء نظام عملي قدر الإمكان.
وعلى سبيل المثال فإن أساس التقدم الكبير في الخوارزميات – والتي نتج عنها أنظمة التعلم العميق- هي تقنية تُدعى back propagation أي الانتشار خلفاً وهذه التقنية لا تعمل كما يعمل الدماغ.
وهذا يقودنا إلى المفهوم الخاطئ التالي:
مفهوم خاطئ آخر وهو قدرة الذكاء الاصطناعي على حل جميع المشاكل الموجودة. لقد سمعت البعض يتحدث كيف أن الانتقال من مشكلة لأخرى يجعل نظام الذكاء الاصطناعي أذكى وكأن نظام الذكاء الاصطناعي نفسه يحل كلا المشكلتين بنفس الوقت.
الواقع مختلف تماماً: تحتاج أنظمة الذكاء الاصطناعي للتخطيط بشكل عميق في بعض الأحيان بالإضافة لنماذج مدربة بشكل خاص لتطبيقها لمشكلة ما.
وبالرغم من أنَّ المهام المتشابهة مثل التعرف على الصوت، الصورة أو الفيديو تمتلك الآن مكتبة من النماذج المرجعية، إلا أنها تحتاج لتُضبط بشكل خاص لتُلاقي متطلبات الاستخدام.
والأكثر من ذلك، أنَّ أنظمة الذكاء الاصطناعي لا تكون المكون الوحيد لأي حل معتمد على الذكاء، فهي غالباً تتطلب العديد من المكونات المبرمجة بشكل خاص لتتوافق مع بعضها بحيث تجمع واحد أو أكثر من تقنيات الذكاء الاصطناعي
وطبعاً يوجد مجموعة من تقنيات AI المختلفة التي تستخدم لوحدها أو مع بعضها ولذلك من غير الصحيح أن نقول:
3- الذكاء الاصطناعي هو نفسه التعلم العميق Deep Learning
في السابق كنا نعتقد أن مصطلح الشبكات العصبونية كان جميلاً وكان هنالك الكثير من الآمال التي راهنت على إمكانياته إلى أن ظهر ضعفه في التقييس والتناسب مع المهمة.
والآن وبعد حل هذه المشكلات تم استبدال هذا المصطلح باسم التعلم العميق Deep Learning إذ ترمز كلمة العميق إلى عدد الطبقات المخفية التي نستطيع وضعها ضمن الشبكة العصبونية.
بينما تشير كلمة التعلم إلى توليد نماذج ليس في الزمن الحقيقي بل بشكل أوفلاين وهذا يحتاج لزمن ومعالجة كبيرين ويصعب تحقيقها بشكل متوازي.
مؤخراً، استخدمت نماذج التعلم العميق Deep Learning في تطبيقات التعليم أونلاين حيثُ يتم تطبيق التعليم أونلاين باستخدام تقنيات AI المختلفة مثل التعليم المعزز.
والعيب الوحيد في هذه الأنظمة هو عدم إمكانية الاستفادة من نماذج التعلم العميق Deep Learning إلا في حال كان المجال المستخدمة فيه يمكن تجربته ضمن فترة التعلم أوفلاين.
وحالما يتم توليد النموذج فإنه يبقى كما هو ولن يكون مرناً للتغيرات في مجال التطبيق ومثال جيد على ذلك هي تطبيقات ecommerce حيث تتطلب التغيرات الموسمية أو فترات البيع القصيرة على مواقع ecommerce أخذ نموذج تعلم عميق أوفلاين لإعادة تدريبه على المنتجات الجديدة.
في غالب الأحيان يتم دعم أنظمة التعلم العميق بمجموعات ضخمة من البيانات ولذلك ظهر مفهوم يقول أن النماذج المفيدة والجديدة تولد من مجموعة بيانات فريدة وضخمة، مما دعم المفهوم الخاطئ حول أنَّ الأمر…
4- يعتمد على البيانات الضخمة
وأخيراً المعتقد الخاطئ الأخير:
5- في حال قام نظام ما بحل مشكلة نعتقد أنها تحتاج ذكاء فهذا يعني أنه يستخدم AI
بعض البرامج المكتوبة بشكل قوي وذكي قد تبدو في أدائها أنها تعتمد على AI ولكن هذا ليس دائماً صحيح، وعلى الرغم من المفاهيم الخاطئة حول الذكاء الاصطناعي لكن المفهوم الوحيد الصحيح هو أنَّ AI سوف يبقى وهو النافذة للمستقبل بالرغم من كون طريقه لا يزال طويلاً قبل أن يتم استخدامه لحل كل مشكلة
تعرف على المفاهيم خاطئة حول الذكاء الاصطناعي |
تعرف على المفاهيم خاطئة حول الذكاء الاصطناعي
في هذه المقالة نوضح لكم معنى الذكاء الاصطناعي كما يراها العاملون في هذا المجال وأين وصلنا في علوم الذكاء الاصطناعيبدايةً، يتمحور المفهوم الخاطئ الأول حول الذكاء الاصطناعي العام AGI:
1- أنظمة الذكاء الاصطناعي المستخدمة حالياً هي نُسخ محدودة من AGI
بالرغم مما يعتقد به الكثيرون إلا أنَّ آخر ما وصل له الذكاء الاصطناعي لا يزال بعيداً عن الذكاء البشري. فالذكاء الاصطناعي العام Artificial General Intelligence كان المُحفز لجميع علماء الذكاء الاصطناعي منذ زمن Alan Turing وحتى اليوم للوصول لذكاء اصطناعي عام AGI يمكنه محاكاة الذكاء البشري وحتى التفوق عليه، الأمر الذي نتج عنه العديد من التقنيات والاكتشافات العلمية.
ولكن على أرض الواقع وفي التطبيق العملي للذكاء الاصطناعي فإن العلماء لا يُلزمون أنفسهم بالنماذج النقية لاتخاذ القرار والتعلم وحل المشاكل عند الإنسان، وبدلاً من ذلك يعملون على بناء نظام عملي قدر الإمكان.
وعلى سبيل المثال فإن أساس التقدم الكبير في الخوارزميات – والتي نتج عنها أنظمة التعلم العميق- هي تقنية تُدعى back propagation أي الانتشار خلفاً وهذه التقنية لا تعمل كما يعمل الدماغ.
وهذا يقودنا إلى المفهوم الخاطئ التالي:
- 2- الذكاء الاصطناعي يملك حل لجميع المشاكل
مفهوم خاطئ آخر وهو قدرة الذكاء الاصطناعي على حل جميع المشاكل الموجودة. لقد سمعت البعض يتحدث كيف أن الانتقال من مشكلة لأخرى يجعل نظام الذكاء الاصطناعي أذكى وكأن نظام الذكاء الاصطناعي نفسه يحل كلا المشكلتين بنفس الوقت.
الواقع مختلف تماماً: تحتاج أنظمة الذكاء الاصطناعي للتخطيط بشكل عميق في بعض الأحيان بالإضافة لنماذج مدربة بشكل خاص لتطبيقها لمشكلة ما.
وبالرغم من أنَّ المهام المتشابهة مثل التعرف على الصوت، الصورة أو الفيديو تمتلك الآن مكتبة من النماذج المرجعية، إلا أنها تحتاج لتُضبط بشكل خاص لتُلاقي متطلبات الاستخدام.
والأكثر من ذلك، أنَّ أنظمة الذكاء الاصطناعي لا تكون المكون الوحيد لأي حل معتمد على الذكاء، فهي غالباً تتطلب العديد من المكونات المبرمجة بشكل خاص لتتوافق مع بعضها بحيث تجمع واحد أو أكثر من تقنيات الذكاء الاصطناعي
وطبعاً يوجد مجموعة من تقنيات AI المختلفة التي تستخدم لوحدها أو مع بعضها ولذلك من غير الصحيح أن نقول:
3- الذكاء الاصطناعي هو نفسه التعلم العميق Deep Learning
في السابق كنا نعتقد أن مصطلح الشبكات العصبونية كان جميلاً وكان هنالك الكثير من الآمال التي راهنت على إمكانياته إلى أن ظهر ضعفه في التقييس والتناسب مع المهمة.
والآن وبعد حل هذه المشكلات تم استبدال هذا المصطلح باسم التعلم العميق Deep Learning إذ ترمز كلمة العميق إلى عدد الطبقات المخفية التي نستطيع وضعها ضمن الشبكة العصبونية.
بينما تشير كلمة التعلم إلى توليد نماذج ليس في الزمن الحقيقي بل بشكل أوفلاين وهذا يحتاج لزمن ومعالجة كبيرين ويصعب تحقيقها بشكل متوازي.
مؤخراً، استخدمت نماذج التعلم العميق Deep Learning في تطبيقات التعليم أونلاين حيثُ يتم تطبيق التعليم أونلاين باستخدام تقنيات AI المختلفة مثل التعليم المعزز.
والعيب الوحيد في هذه الأنظمة هو عدم إمكانية الاستفادة من نماذج التعلم العميق Deep Learning إلا في حال كان المجال المستخدمة فيه يمكن تجربته ضمن فترة التعلم أوفلاين.
وحالما يتم توليد النموذج فإنه يبقى كما هو ولن يكون مرناً للتغيرات في مجال التطبيق ومثال جيد على ذلك هي تطبيقات ecommerce حيث تتطلب التغيرات الموسمية أو فترات البيع القصيرة على مواقع ecommerce أخذ نموذج تعلم عميق أوفلاين لإعادة تدريبه على المنتجات الجديدة.
في غالب الأحيان يتم دعم أنظمة التعلم العميق بمجموعات ضخمة من البيانات ولذلك ظهر مفهوم يقول أن النماذج المفيدة والجديدة تولد من مجموعة بيانات فريدة وضخمة، مما دعم المفهوم الخاطئ حول أنَّ الأمر…
4- يعتمد على البيانات الضخمة
وأخيراً المعتقد الخاطئ الأخير:
5- في حال قام نظام ما بحل مشكلة نعتقد أنها تحتاج ذكاء فهذا يعني أنه يستخدم AI
بعض البرامج المكتوبة بشكل قوي وذكي قد تبدو في أدائها أنها تعتمد على AI ولكن هذا ليس دائماً صحيح، وعلى الرغم من المفاهيم الخاطئة حول الذكاء الاصطناعي لكن المفهوم الوحيد الصحيح هو أنَّ AI سوف يبقى وهو النافذة للمستقبل بالرغم من كون طريقه لا يزال طويلاً قبل أن يتم استخدامه لحل كل مشكلة
الذكاء الاصطناعي