ما المقصود بنموذج الذكاء الاصطناعي؟

ببساطة، يتم تعريف نموذج الذكاء الاصطناعي من خلال قدرته على اتخاذ القرارات أو التنبؤات بشكل مستقل، بدلًا من محاكاة الذكاء البشري. من بين أولى نماذج الذكاء الاصطناعي الناجحة كانت برامج لعبة الداما والشطرنج في أوائل الخمسينيات: حيث مكَّنت هذه النماذج البرامج من اتخاذ خطوات استجابة مباشرة للخصم البشري، بدلًا من اتباع سلسلة من الحركات المحددة مسبقًا.

كل نوع من أنواع نماذج الذكاء الاصطناعي يتناسب بشكل أفضل مع مهام، أو نطاقات معينة، حيث يكون منطق اتخاذ القرار بها هو الأكثر فائدة أو ملاءمة.غالبًا ما تَستخدِم الأنظمة المعقدة نماذج متعددة في وقت واحد، مع الاستفادة من تقنيات التعلم الجماعي مثل التجميع أو التعزيز أو التراكم.

ولأن أدوات الذكاء الاصطناعي تزداد تعقيدًا وتنوعًا، فإنها تتطلب كميات متزايدة من البيانات وإمكانات الحوسبة للتدريب والتنفيذ. استجابةً لذلك، تتخلى الأنظمة المصممة لتنفيذ مهام محددة في نطاق واحد عن الطرازات التقليدية، وتفسح المجال أمام نماذج الأساس، التي تم تدريبها مسبقًا على مجموعات بيانات كبيرة وغير مصنَّفة، وهي قادرة على تنفيذ مجموعة واسعة من التطبيقات. يمكن بعد ذلك ضبط نماذج الأساس متعددة الاستخدامات هذه لأداء مهام محددة.

على الرغم من أن المصطلحين غالبًا ما يُستخدمان بالتبادل في هذا السياق، إلا إنهما لا يعنيان الشيء نفسه بالضبط.

• الخوارزميات هي عبارة عن إجراءات، غالبًا ما يتم وصفها بلغة رياضية أو شفرة زائفة، يتم تطبيقها على مجموعة بيانات لتحقيق وظيفة أو غرض معين.
• النماذج هي مخرجات خوارزمية تم تطبيقها على مجموعة بيانات.

ببساطة، يُستخدَم نموذج الذكاء الاصطناعي لإجراء التنبؤات أو اتخاذ القرارات، بينما تُمثِّل الخوارزمية المنطق الذي يعمل به هذا النموذج.

يمكن لنماذج الذكاء الاصطناعي أتمتة عملية صنع القرار، ولكن النماذج القادرة على التعلم الآلي فقط هي القادرة على تحسين أدائها بشكل مستقل بمرور الوقت.

رغم أن جميع نماذج التعلم الآلي هي جزء من الذكاء الاصطناعي، إلا إن الذكاء الاصطناعي لا يتضمن كل نماذج التعلم الآلي. أبسط نماذج الذكاء الاصطناعي تتكون من سلسلة من عبارات "إذا-ثم-وإلا"، حيث تتم برمجة القواعد بشكل صريح بواسطة عالم البيانات. تُسمَّى هذه النماذج بدلاً من ذلك محركات القواعد أو الأنظمة الخبيرة أو الرسوم البيانية المعرفية أو الذكاء الاصطناعي الرمزي.

تَستخدِم نماذج التعلم الآلي الذكاء الاصطناعي الإحصائي بدلًا من الذكاء الاصطناعي الرمزي. في حين يجب برمجة نماذج الذكاء الاصطناعي القائمة على القواعد بشكل صريح، يتم "تدريب" نماذج التعلم الآلي من خلال تطبيق الأطر الرياضية الخاصة بها على عينة من مجموعة البيانات، حيث تمثِّل نقاط البيانات في هذه المجموعة الأساس للتنبؤات المستقبلية للنموذج في العالم الحقيقي.

يمكن تقسيم تقنيات نموذج التعلم الآلي بشكل عام إلى ثلاث فئات واسعة: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز.

• التعلم الخاضع للإشراف: يتطلب هذا النوع، المعروف أيضًا باسم التعلم الآلي "الكلاسيكي"، خبيرًا بشريًا لتصنيف بيانات التدريب. عندما يُدرب عالم بيانات نموذج التعرُّف على الصور على التمييز بين الكلاب والقطط، ينبغي عليه تصنيف عينات الصور على أنها "كلب" أو "قطة"، بالإضافة إلى تحديد الخصائص الرئيسية مثل الحجم أو الشكل أو الفراء، التي تعزز هذه التصنيفات الأساسية. يمكن أن يستخدم النموذج عندئذٍ، خلال التدريب، هذه التصنيفات لاستنتاج الخصائص البصرية الشائعة لكل من "الكلب" و"القطة".
  
• التعلم غير الخاضع للإشراف: على عكس تقنيات التعلم الخاضع للإشراف، لا تفترض تقنيات التعلم غير الخاضع للإشراف وجود إجابات "صحيحة" أو "خاطئة" خارجية، وبالتالي لا تتطلب وضع تصنيفات. تكتشف هذه الخوارزميات الأنماط الكامنة في مجموعات البيانات بهدف تجميع نقاط البيانات في مجموعات، ما يساعد على تحسين دقة التنبؤات. على سبيل المثال، تَستخدِم شركات التجارة الإلكترونية مثل Amazon نماذج ارتباط غير خاضعة للإشراف لتشغيل محركات التوصية.
• التعلم المعزز: في هذا النوع، يتعلم النموذج بشكل شامل من خلال التجربة والخطأ، وذلك من خلال مكافأة النموذج على النتائج الصحيحة (أو معاقبته على النتائج غير الصحيحة). تُستخدَم نماذج التعزيز لتحسين اقتراحات وسائل التواصل الاجتماعي وتداول الأسهم باستخدام الخوارزميات وحتى قيادة السيارات ذاتية القيادة.

التعلم العميق هو مجموعة فرعية متطورة أخرى من التعلم غير الخاضع للإشراف الذي يحاول هيكله من الشبكات العصبية تقليد بنية الدماغ البشري. تستوعب طبقات متعددة من العُقَد المترابطة البيانات تدريجيًا وتستخرج الميزات الرئيسية وتحدِّد العلاقات وتحسِّن القرارات في عملية تُسمَّى الانتشار الأمامي. تُطبِّق عملية أخرى تُسمَّى "الانتشار العكسي" نماذج تقوم بحساب الأخطاء وضبط أوزان وانحرافات النظام بناءً على ذلك. تَستخدِم معظم تطبيقات الذكاء الاصطناعي المتقدمة، مثل النماذج اللغوية الكبيرة التي تعمل على تشغيل روبوتات المحادثة الحديثة، التعلم العميق. وهو يتطلب موارد حسابية هائلة.

تتمثل إحدى طرق التمييز بين نماذج التعلم الآلي في منهجيتها الأساسية: حيث يمكن تصنيف معظمها على أنها توليدية أو تمييزية. ويكمن التمييز في كيفية نمذجة البيانات في مساحة معينة.

تعمل الخوارزميات التوليدية، التي عادةً ما تستلزم التعلم غير الموجّه، على نمذجة توزيع نقاط البيانات، بهدف التنبؤ بالاحتمال المشترك P(x,y) لنقطة بيانات معينة تظهر في فضاء معين. ومن ثَم، قد يحدِّد نموذج الرؤية الحاسوبية التوليدي ارتباطات مثل "الأشياء التي تبدو مثل السيارات عادةً ما يكون لها أربع عجلات" أو "من غير المرجح أن تظهر العيون فوق الحاجبين".

يمكن أن تفيد هذه التنبؤات في توليد المخرجات التي يعتبرها النموذج محتملة للغاية. على سبيل المثال، يمكن للنموذج التوليدي الذي تم تدريبه على البيانات النصية تمكين الاقتراحات الإملائية والإكمال التلقائي؛ وعلى المستوى الأكثر تعقيدًا، يمكنه إنشاء نص جديد تمامًا. بشكل أساسي، عندما يقوم النموذج اللغوي الكبير بإخراج النص، فإنه يحسب احتمالًا كبيرًا لتسلسل الكلمات الذي يتم تجميعه استجابةً للمطالبة التي تم إعطاؤها له.

تشمل حالات الاستخدام الشائعة الأخرى للنماذج التوليدية تركيب الصور وتأليف الموسيقي ونقل الأسلوب وترجمة اللغة.

تتضمن أمثلة النماذج التوليدية ما يلي:

• نماذج الانتشار: تُضيف نماذج الانتشار الضوضاء الغوسية إلى بيانات التدريب تدريجيًا حتى لا يمكن تمييزها، ثم تتعلم العملية العكسية "إزالة الضوضاء" التي يمكن بها إنشاء المخرجات (عادةً ما تكون صورًا) من مدخلات الضوضاء العشوائية.
• نماذج التشفير التلقائي المتغيرة (VAEs): تتكون هذه النماذج من نموذج تشفير يضغط البيانات المُدخلة ونموذج فك تشفير يتعلم كيفية عكس العملية وتحديد توزيع البيانات المحتمل.
• نماذج المحولات: تَستخدِم نماذج المحولات تقنيات رياضية تسمى "الانتباه" أو "الانتباه الذاتي" لتحديد مدى تأثير العناصر المختلفة في سلسلة من البيانات في بعضها. يرمز "GPT" في Chat-GPT المقدم من شركة OpenAI إلى "المحول التوليدي المُدرَّب مسبقًا".

تعمل الخوارزميات التمييزية، التي تستلزم عادةً التعلم الموجّه، على نمذجة الحدود بين فئات البيانات (أو "حدود القرار")، بهدف التنبؤ بالاحتمال الشرطي P(y|x) لنقطة بيانات معينة (x) تقع في فئة معينة (y). قد يتعلم نموذج رؤية الكمبيوتر التمييزي الفرق بين "سيارة" و"ليست سيارة" من خلال تمييز بعض الاختلافات الرئيسية (مثل "إذا لم يكن لديها عجلات، فهي ليست سيارة")، ما يسمح له بتجاهل العديد من الارتباطات التي يجب أن يأخذها النموذج التوليدي في الاعتبار. وتميل النماذج التمييزية إلى الحاجة إلى طاقة حاسوبية أقل.

تُعَد النماذج التمييزية، بطبيعة الحال، مناسبة تمامًا لمهام التصنيف مثل تحليل المشاعر، ولكن لها استخدامات عديدة. فعلى سبيل المثال، تقوم شجرة القرار ونماذج الغابة العشوائية بتقسيم عمليات صنع القرار المعقدة إلى سلسلة من العُقَد، حيث تمثِّل كل "ورقة" قرارًا تصنيفيًا محتملاً.

في حين أن النماذج التمييزية أو التوليدية قد تتفوق عمومًا على بعضها في حالات استخدام معينة على أرض الواقع، إلا إنه يمكن تنفيذ العديد من المهام باستخدام أي نوع من أنواع النماذج. على سبيل المثال، النماذج التمييزية لها العديد من الاستخدامات في معالجة اللغة الطبيعية (NLP) وغالبًا ما تتفوق على الذكاء الاصطناعي التوليدي في مهام مثل الترجمة الآلية (التي تستلزم إنشاء نص مترجم).

وبالمثل، يمكن استخدام النماذج التوليدية للتصنيف باستخدام نظرية بايز. بدلًا من تحديد أي جانب من حدود القرار يوجد عليه مثيل (مثل النموذج التمييزي)، يمكن للنموذج التوليدي تحديد احتمال قيام كل فئة بإنشاء المثيل واختيار الفئة ذات الاحتمالية الأعلى.

تَستخدِم العديد من أنظمة الذكاء الاصطناعي كليهما معًا. في الشبكة التوليدية التنافسية، على سبيل المثال، يُنشئ النموذج التوليدي بيانات نموذجية ويحدِّد النموذج التمييزي ما إذا كانت هذه البيانات "حقيقية" أم "مزيفة". وتُستخدم المخرجات من النموذج التمييزي لتدريب النموذج التوليدي حتى لا يتمكن المميِّز من تمييز البيانات "الزائفة" المُنشأة.

هناك طريقة أخرى لتصنيف النماذج حسب طبيعة المهام التي تُستخدَم فيها. تقوم معظم خوارزميات نموذج الذكاء الاصطناعي الكلاسيكية إما بالتصنيف وإما بالانحدار. وبعضها مناسب لكليهما، وتستفيد معظم نماذج الأساس من كِلا النوعين من الوظائف.

يمكن أن تكون هذه المصطلحات، في بعض الأحيان، مربكة. على سبيل المثال، الانحدار اللوجستي هو نموذج تمييزي يُستخدَم للتصنيف.

تتنبأ نماذج الانحدار بالقيم المتواصلة (مثل السعر أو العمر أو الحجم أو الوقت). وهي تُستخدَم بشكل أساسي لتحديد العلاقة بين متغير مستقل (x) واحد أو أكثر ومتغير تابع (y): فعند وجود x، يمكن التنبؤ بقيمة y.

• الخوارزميات مثل الانحدار الخطي والمتغيرات ذات الصلة مثل الانحدار الكمي مفيدة لمهام مثل التوقعات وتحليل مرونة التسعير وتقييم المخاطر.
• تُستخدَم خوارزميات مثل الانحدار متعدد الحدود والانحدار باستخدام آلات الدعم لنمذجة العلاقات غير الخطية المعقدة بين المتغيرات.
• بعض النماذج التوليدية، مثل الانحدار الذاتي ونماذج التشفير التلقائي المتغيرة، لا تمثل فقط العلاقات المترابطة بين القيم السابقة والمستقبلية، ولكن أيضًا العلاقات السببية. وهذا يجعلها مفيدة بشكل خاص لتوقع سيناريوهات الطقس والتنبؤ بالظواهر المناخية القاسية.

تتنبأ نماذج التصنيف بالقيم المنفصلة . وبالتالي، يتم استخدامها بشكل أساسي لتحديد التسميات (أي التصنيفات) المناسبة. يمكن أن يكون هذا تصنيفًا ثنائيًا - مثل "نعم أو لا" أو "قبول أو رفض" - أو تصنيفًا متعدد الفئات (مثل محرك التوصية الذي يقترح المنتج أ أو ب أو ج أو د).

تجد خوارزميات التصنيف مجموعة واسعة من الاستخدامات، بدءًا من التصنيف البسيط إلى أتمتة استخراج الميزات في الشبكات العميقة، ووصولًا إلى التطورات في مجال الرعاية الصحية مثل تصنيف الصور التشخيصية في الأشعة.

ومن الأمثلة الشائعة عليها ما يلي:

• بايز الساذج: هو خوارزمية تعلم توليدية خاضعة للإشراف تُستخدَم بشكل شائع في تصفية البريد العشوائي وتصنيف المستندات.
• التحليل التمييزي الخطي: يُستخدَم لحل التداخل المتناقض بين الميزات المتعددة التي تؤثِّر في التصنيف.
• الانحدار اللوجستي: يتنبأ بالاحتمالات المتواصلة التي تُستخدم بعد ذلك كوكيل لنطاقات التصنيف.

يتم تحقيق "التعلم" في التعلم الآلي من خلال نماذج التدريب على مجموعات البيانات العينية. ثم يتم تطبيق التوجهات الاحتمالية والارتباطات التي تم تمييزها في مجموعات البيانات النموذجية هذه على أداء وظيفة النظام.

في التعلم الخاضع للإشراف وشبه الخاضع للإشراف، يجب تصنيف بيانات التدريب هذه بعناية من قِبَل علماء البيانات لتحسين النتائج. وبالنظر إلى استخراج الميزات بشكل صحيح، يتطلب التعلم الخاضع للإشراف كمية أقل من بيانات التدريب بشكل عام مقارنةً بالتعلم غير الخاضع للإشراف.

من الناحية المثالية، يتم تدريب نماذج التعلم الآلي على البيانات الواقعية. وهذا، بشكل بديهي، يضمن بشكل أفضل أن النموذج يعكس ظروف العالم الحقيقي التي تم تصميمه لتحليلها أو تكرارها. ولكن الاعتماد على البيانات الواقعية فقط ليس دائمًا ممكنًا أو عمليًا أو مثاليًا.

كلما زادت معلمات النموذج، زادت البيانات اللازمة لتدريبه. ومع تزايد حجم نماذج التعلم العميق، يصبح الحصول على هذه البيانات أكثر صعوبة. ويتجلى ذلك بشكل خاص في النماذج اللغوية الكبرى: يحتوي كل من نموذج GPT-3 المقدم من شركة Open-AI وBLOOM مفتوح المصدر على أكثر من 175 مليار معلمة.

وعلى الرغم من سهولة استخدام البيانات المتاحة للجمهور، إلا إن ذلك يمكن أن يواجه مشكلات تنظيمية، مثل الحالات التي يكون فيها من الضروري إخفاء هوية البيانات، بالإضافة إلى مشكلات عملية. على سبيل المثال، قد تتعلم نماذج اللغة المدربة على محادثات وسائل التواصل الاجتماعي عادات أو معلومات غير دقيقة، ما يجعلها غير مناسبة للاستخدام في الشركات.

تُقدِّم البيانات المجمعة حلاً بديلاً: حيث تُستخدم مجموعة أصغر من البيانات الحقيقية لإنشاء بيانات تدريب تُشبه الأصل إلى حد كبير وتتجنب مشاكل الخصوصية.

ستتأثر نماذج التعلم الآلي المدرَّبة على بيانات حقيقية حتمًا بالتحيزات المجتمعية والتي ستنعكس في تلك البيانات. وإذا لم يتم القضاء على مثل هذا التحيز، فسوف يستمر ويُفاقم من عدم المساواة في أي مجال تُستخدم فيه هذه النماذج، مثل الرعاية الصحية أو التوظيف. وقد أسفرت أبحاث علوم البيانات عن خوارزميات مثل FairIJ وتقنيات تحسين النماذج مثل FairReprogram بهدف معالجة عدم المساواة الكامنة في البيانات.

يحدث الإفراط في التخصيص عندما يلائم نموذج التعلم الآلي (ML) بيانات التدريب بشكل وثيق للغاية، ما يتسبب في ظهور معلومات غير ذات صلة (أو "ضوضاء") في مجموعة البيانات النموذجية تؤثر في أداء النموذج.وعلى النقيض منه قلة التخصيص: وهو التدريب غير المناسب أو غير الكافي.

ويُسمَّى أيضًا النماذج الأساسية أو النماذج المدرَّبة مسبقًا، ونماذج الأساس هي نماذج التعلم العميق المدرَّبة مسبقًا على مجموعات البيانات واسعة النطاق لمعرفة الميزات والأنماط العامة. وهي بمثابة نقاط انطلاق ليتم ضبطها أو تكييفها لتطبيقات أكثر تحديدًا للذكاء الاصطناعي.

بدلًا من بناء النماذج من الصفر، يمكن للمطورين تغيير طبقات الشبكة العصبية أو ضبط المَعلمات أو تكييف البِنى لتناسب الاحتياجات الخاصة بالمجال. وإضافةً إلى اتساع وعمق المعرفة والخبرة في نموذج كبير ومُثبَت، فإن هذا يوفر وقتًا وموارد كبيرة في تدريب النموذج. وبالتالي تتيح نماذج الأساس تطوير أنظمة الذكاء الاصطناعي ونشرها بشكل أسرع.

لقد أفسح الضبط الدقيق للنماذج المدرَّبة مسبقًا للمهام متخصصة المجال مؤخرًا لتقنية الضبط الفوري، والتي تتضمن إدخال إشارات أمامية إلى النموذج بهدف توجيهه نحو نوع القرار أو التنبؤ المرغوب به.

ووفقًا لما قاله David Cox، المدير المشارك لمختبر الذكاء الاصطناعي MIT-IBM Watson، فإن إعادة نشر نموذج التعلم العميق المدرب (بدلًا من تدريب نموذج جديد أو إعادة تدريبه) يمكن أن يقلِّل من استخدام الكمبيوتر والطاقة بأكثر من 1,000 مرّة، وبالتالي توفير تكلفة كبيرة¹.

يُعَد الاختبار المتطور ضروريًا للتحسين؛ لأنه يقيس إذا ما كان النموذج مدربًا جيدًا لتحقيق مهمته المقصودة. تختلف النماذج والمهام في المعايير والمنهجيات المناسبة لكل منها.

يتطلب اختبار أداء النموذج وجود مجموعة مرجعية لمقارنته بها، حيث إن اختبار النموذج وفقًا للبيانات المُدرب عليها يمكن أن يؤدي إلى الإفراط في التخصيص. في عملية التحقق المتبادل، تُحفظ أجزاء من بيانات التدريب جانبًا أو يُعاد أخذ عينات منها لإنشاء المجموعة المرجعية. تشمل الأنواع المختلفة طرقًا غير شاملة مثل التحقق المتبادل k-fold، وتقنية الحجز (holdout)، وتقنية مونت كارلو (Monte Carlo)، أو طرقًا شاملة مثل تقنيات التحقق المتبادل leave-p-out cross-validation.

تتضمن هذه المقاييس الشائعة قيم النتائج المنفصلة مثل الإيجابيات الصحيحة (TP) والسلبيات الصحيحة (TN) والإيجابيات الخاطئة (FP) والسلبيات الخاطئة (FN).

• الدقة هي نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات: (TP+TN)/(TP+TN+FP+FN) .ولا يعمل هذا المقياس بشكل جيد مع مجموعات البيانات غير المتوازنة.
• تقيس الدقة مدى صحة التنبؤات الإيجابية: TP/(TP+FP).
• يقيس الاسترجاع معدل تكرار التقاط القيم الإيجابية بنجاح: TP/(TP+FN).
• درجة F1 هي المتوسط التوافقي للدقة والاسترجاع: (2×الدقة ×الاسترجاع) / (الدقة + الاسترجاع).وهي تساعد على تحقيق التوازن بين الدقة (التي تشجع ظهور سلبيات خاطئة) والاسترجاع (الذي يشجع ظهور إيجابيات خاطئة).
• تُمثِّل مصفوفة الدقة بشكل مرئي مستوى ثقة (أو دقة) الخوارزمية في كل تصنيف محتمل.

نظرًا إلى أن خوارزميات الانحدار تتنبأ بالقيم المتواصلة بدلاًُ من القيم المنفصلة، فإنها تُقاس بمقاييس مختلفة يمثل فيها الحرف "N" عدد الملاحظات. وفيما يلي المقاييس الشائعة المستخدمة لتقييم نماذج الانحدار.

• يقيس متوسط الخطأ المطلق (MAE) متوسط الفرق بين القيم المتوقعة (y_pred) والقيم الفعلية (y_actual) من حيث القيمة المطلقة: ∑(y_pred – y_actual) / N.
• يعمل متوسط الخطأ التربيعي (MSE) على تربيع متوسط الخطأ لمعاقبة القيم المتطرفة بشكل صارم: ∑(y_pred – y_actual)² / N.
• يقيس الجذر التربيعي لمتوسط الخطأ (RSME) الانحرافات المعيارية بوحدة النتائج نفسها: √ (∑(y_pred – y_actual)² / N).
• تُظهر نسبة متوسط الخطأ المطلق (MAPE) متوسط الخطأ في شكل نسبة مئوية.

يتطلب نشر نموذج الذكاء الاصطناعي وتشغيلها جهاز كمبيوتر أو خادمًا يتمتع بقوة معالجة وسعة تخزين كافية. يمكن أن يؤدي الفشل في التخطيط المناسب لمسارات الذكاء الاصطناعي وموارد الحوسبة ذات الصلة به إلى فشل النماذج الأولية الناجحة في تجاوز مرحلة إثبات المفهوم.

• يمكن أن تُشغل أطر التعلم الآلي مفتوحة المصدر مثل PyTorch وTensorflow وCaffe2 نماذج التعلم الآلي ببضعة أسطر من التعليمات البرمجية.
• تُعَد وحدات المعالجة المركزية (CPUs) مصدرًا فعَّالًا لقوة الحوسبة لتعلم الخوارزميات التي لا تتطلب حوسبة متوازية واسعة النطاق.
• تتمتع وحدات معالجة الرسومات (GPUs) بقدرة أكبر على المعالجة المتوازية، ما يجعلها أكثر ملاءمة لمجموعات البيانات الهائلة والتعقيد الرياضي للشبكات العصبية للتعلم العميق.