الذكاء الاصطناعي مقابل التعلّم الآلي مقابل التعلّم العميق مقابل الشبكات العصبية: ما الفرق؟

غالبًا ما تُستخدم مصطلحات علوم الكمبيوتر هذه بالتبادل، ولكن ما الاختلافات التي تجعل كل منها تقنية فريدة من نوعها؟

أصبحت التقنية جزءًا لا يتجزأ من حياتنا اليومية كل دقيقة. ولمواكبة وتيرة توقعات المستهلكين، تعتمد الشركات بشكل أكبر على خوارزميات التعلم الآلي لتسهيل الأمور. ويمكنك أن ترى تطبيقه في وسائل التواصل الاجتماعي (من خلال التعرف على الأشياء في الصور) أو في التحدث مباشرةً إلى الأجهزة (مثل Alexa أو Siri).

في حين أن الذكاء الاصطناعي (AI)، والتعلم الآلي (ML)، والتعلم العميق والشبكات العصبية هي تقنيات ذات صلة، إلا أن المصطلحات غالبًا ما تستخدم بالتبادل، ما يؤدي في كثير من الأحيان إلى الارتباك حول اختلافاتهما. يوضح منشور المدونة هذا بعض الغموض.

إن أسهل طريقة للتفكير في الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق والشبكات العصبية هي التفكير فيها كسلسلة من أنظمة الذكاء الاصطناعي من الأكبر إلى الأصغر، كل منها يشمل التالي.

الذكاء الاصطناعي هو النظام الشامل. التعلم الآلي هو جزء من الذكاء الاصطناعي. التعلم العميق هو حقل فرعي من التعلم الآلي، وتشكل الشبكات العصبية أساس خوارزميات التعلم العميق. إن عدد طبقات العقدة، أو العمق، للشبكة العصبية هو ما يميز الشبكة العصبية الواحدة عن خوارزمية التعلم العميق، والتي يجب أن تحتوي على أكثر من ثلاث.

الذكاء الاصطناعي أو AI، هو المصطلح الأوسع من بين الثلاثة، ويُستخدم لتصنيف الآلات التي تحاكي الذكاء البشري والوظائف الإدراكية البشرية مثل حل المشكلات والتعلم. ويستخدم الذكاء الاصطناعي التنبؤات والأتمتة لتحسين المهام المعقدة التي كان يقوم بها البشر تاريخيًا وحلها، مثل التعرف على الوجه والكلام وصناعة القرار والترجمة.

فئات الذكاء الاصطناعي

الفئات الثلاثة الرئيسية للذكاء الاصطناعي هي:

• الذكاء الاصطناعي الضيق (ANI)
• الذكاء الاصطناعي العام (AGI)
• الذكاء الاصطناعي الفائق (ASI)

يُعد ANI ذكاء اصطناعي "ضعيف"، بينما يصنف النوعان الآخران على أنهما ذكاء اصطناعي "قوي". نحن نُعرّف الذكاء الاصطناعي الضعيف من خلال قدرته على إكمال مهمة محددة، مثل الفوز في لعبة شطرنج أو تحديد شخص معين في سلسلة من الصور. وتُعد معالجة اللغة الطبيعية والرؤية الحاسوبية، التي تسمح للشركات بأتمتة المهام ودعم روبوت المحادثة والمساعد الافتراضي مثل Siri و Alexa، أمثلة على ANI. وتُعد رؤية الكمبيوتر عاملاً في تطوير السيارات ذاتية القيادة.

تدمج الفئات الأقوى من الذكاء الاصطناعي، مثل AGI وASI، السلوكيات البشرية بشكل أكثر تقدمًا، مثل القدرة على تفسير النبرة والعاطفة. ويتم تعريف الذكاء الاصطناعي القوي من خلال قدرته مقارنة بالبشر. وسيعمل AGI على قدم المساواة مع إنسان آخر، في حين أن ASI، المعروف أيضًا باسم الذكاء الفائق، سيتجاوز ذكاء الإنسان وقدراته. لا يوجد حتى الآن أي شكل من أشكال الذكاء الاصطناعي القوي، ولكن البحث في هذا المجال لا يزال مستمرًا.

استخدام الذكاء الاصطناعي للأعمال

يستخدم عدد متزايد من الشركات، حوالي 35% على مستوى العالم، الذكاء الاصطناعي، وتستكشف 42% أخرى هذه التكنولوجيا. إن تطوير الذكاء الاصطناعي التوليدي، الذي يستخدم نماذج أساسية قوية يتم التدريب عليها على كميات كبيرة من البيانات غير المسماة، يمكن تكييفه مع حالة الاستخدام الجديدة وتحقيق المرونة وقابلية الاستخدام التي من المرجح أن تسرع اعتماد الذكاء الاصطناعي بشكل كبير. في الاختبارات المبكرة، لاحظت IBM أن الذكاء الاصطناعي التوليدي يجلب الوقت المناسب للقيمة بنسبة تصل إلى 70% أسرع من الذكاء الاصطناعي التقليدي.

سواء كنت تستخدم تطبيق الذكاء الاصطناعي القائمة على التعلم الآلي (ML) أو نماذج الأساس، فإن الذكاء الاصطناعي يمكن أن يمنح عملك ميزة تنافسية. ويمكن أن يساعد دمج نماذج الذكاء الاصطناعي في سير العمل والأنظمة الخاصة بك، وأتمتة وظائف مثل خدمة العملاء وإدارة سلسلة التوريد والأمن السيبراني، في مساعدة الشركة على تلبية توقعات العملاء، سواء اليوم أو مع تزايدها في المستقبل.

المفتاح هو تحديد مجموعات البيانات الصحيحة من البداية للمساعدة على ضمان استخدام بيانات عالية الجودة لتحقيق الميزة التنافسية الأكثر أهمية. ستحتاج أيضًا إلى إنشاء بنية هجينة وجاهزة للذكاء الاصطناعي يمكنها استخدام البيانات بنجاح أينما كانت، على الكمبيوتر المركزي ومراكز البيانات وفي السحابة الخاصة والسحابة العامة وعلى الحافة.

يجب أن يكون الذكاء الاصطناعي الخاص بك جديرًا بالثقة لأن أي شيء أقل من ذلك يعني المخاطرة بالإضرار بسمعة الشركة وفرض الغرامات التنظيمية. ويمكن أن تؤدي النماذج المضللة وتلك التي تحتوي على تحيز أو نتائج خاطئة إلى تكلفة عالية على خصوصية العملاء وحقوق البيانات وثقتهم. ويجب أن يكون الذكاء الاصطناعي الخاص بك قابلاً للتفسير وعادلاً وشفافًا.

التعلم الآلي هو جزء من الذكاء الاصطناعي الذي يسمح بالتحسين. وعند الإعداد بشكل صحيح، يساعدك على عمل تنبؤات تقلل من الأخطاء التي تنشأ عن مجرد التخمين. على سبيل المثال، تستخدم شركات مثل Amazon ، التعلم الآلي للتوصية بمنتجات لعميل معين بناءً على ما نظر إليه واشتراه من قبل.

يعتمد التعلم الآلي الكلاسيكي أو "غير العميق" على التدخل البشري للسماح لنظام الحاسوب بتحديد الأنماط والتعلّم وأداء مهام محددة وتقديم نتائج دقيقة. يحدد الخبراء البشريون التسلسل الهرمي للميزة لفهم الاختلافات بين إدخال البيانات، والتي تتطلب عادةً بيانات أكثر تنظيمًا للتعلم.

على سبيل المثال ، لنفترض أنني عرضت عليك سلسلة من الصور لأنواع مختلفة من الوجبات السريعة: "بيتزا" و"برجر" و\"تاكو". سيقوم خبير بشري يعمل على تلك الصور بتحديد الخصائص التي تميز كل صورة كنوع معين من الوجبات السريعة. وقد يكون الخبز في كل نوع من أنواع الطعام سمة مميزة. بدلاً من ذلك، قد يستخدمون ملصقات، مثل "بيتزا" أو "برجر" أو "تاكو" لتبسيط عملية التعلم من خلال التعلم الخاضع للإشراف.

في حين أن المجموعة الفرعية من الذكاء الاصطناعي التي تسمى التعلم الآلي العميق يمكن أن تستفيد من مجموعات البيانات المصنفة لإثراء خوارزميتها في التعلم تحت الإشراف، إلا أنها لا تتطلب بالضرورة مجموعة بيانات مصنفة. ويمكنه استيعاب بيانات غير منظمة في شكلها الأولي (على سبيل المثال، النصوص والصور)، ويمكنه تلقائيًا تحديد مجموعة الأغراض التي تميز "البيتزا" و"البرجر" و"التاكو" عن بعضها البعض. عندما نولد المزيد من البيانات الكبيرة، يستخدم علماء البيانات المزيد من التعلم الآلي. وللتعرف بشكل أعمق على الاختلافات بين هذه الأساليب، راجع التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما الفرق؟

الفئة الثالثة من التعلم الآلي هي التعلم المعزز، حيث يتعلم الكمبيوتر من خلال التفاعل مع محيطه والحصول على التعليقات (مكافآت أو عقوبات) على أفعاله. والتعلم عبر الإنترنت هو نوع من التعلم الآلي (ML) حيث يقوم عالم البيانات بتحديث نموذج التعلم الآلي (ML) عند توفر بيانات جديدة.

لمعرفة المزيد حول التعلم الآلي، شاهد الفيديو الآتي:

كما توضح مقالتنا حول التعلم العميق ، فإن التعلم العميق هو جزء من التعلم الآلي. ويتمثل الفرق الأساسي بين التعلم الآلي والتعلم العميق في كيفية تعلم كل خوارزمية ومقدار البيانات التي يستخدمها كل نوع من الخوارزميات.

يعمل التعلم العميق على أتمتة جزء كبير من عملية استخراج الميزات، ما يلغي بعض التدخل البشري اليدوي المطلوب. كما أنه يتيح استخدام مجموعات كبيرة من البيانات، ما أكسبه لقب التعلم الآلي القابل للتوسع. إن تلك القدرات مثيرة للاهتمام حيث نستكشف استخدام البيانات غير المنظمة بشكل أكبر، خاصة وأن أكثر من 80% من البيانات المنظمة تُقدّر بأنها غير منظمة.

تسمح مراقبة الأنماط في البيانات لنموذج التعلم العميق بتجميع الإدخلات بشكل مناسب. إذا أخذنا المثال السابق نفسه، يمكننا تجميع صور البيتزا والبرجر والتاكو في الفئات الخاصة بكل منها بناءً على أوجه التشابه أو الاختلافات التي تم تحديدها في الصور. ويتطلب نموذج التعلّم العميق المزيد من نقاط البيانات لتحسين الدقة، بينما يعتمد نموذج التعلّم الآلي على بيانات أقل، نظرًا لهيكل البيانات الأساسي. وتستخدم المؤسسات عمومًا التعلم العميق في المهام الأكثر تعقيدًا، مثل المساعد الافتراضي أو الكشف عن الغش.

الشبكات العصبية، وتسمى أيضًا الشبكات العصبية الاصطناعية أو الشبكات العصبية المحاكاة، هي مجموعة فرعية من التعلم الآلي وهي أساس لخوارزميات التعلم العميق. يطلق عليهم اسم "عصبي" لأنهم يحاكي كيفية قيام الخلايا العصبية في الدماغ بإرسال إشارات إلى بعضها البعض.

تتكون الشبكات العصبية من طبقات عقدية، وطبقة مدخلات، وطبقة مخفية واحدة أو أكثر، وطبقة مخرجات. وكل عقدة عبارة عن خلية عصبية اصطناعية تتصل بالأخرى، ولكل منها وزن وقيمة عتبة. عندما يكون إخراج عقدة واحدة أعلى من قيمة العتبة، يتم تنشيط تلك العقدة وإرسال بياناتها إلى الطبقة التالية في الشبكة. إذا كان أقل من الحد الأدنى، فلن يتم تمرير أي بيانات.

تقوم بيانات التدريب بتعليم دقة الشبكة وتساعد على تحسين دقتها بمرور الوقت. وبمجرد أن يتم ضبط خوارزميات التعلُّم بشكل دقيق، تصبح هذه الخوارزميات أدوات قوية في علوم الكمبيوتر والذكاء الاصطناعي لأنها تسمح لنا بتصنيف البيانات وتجميعها في المجموعة بسرعة. وباستخدام الشبكات العصبية، يمكن أن تتم مهام التعرف على الكلام والصور في دقائق بدلاً من الساعات التي تستغرقها عند القيام بها يدويًا. تُعد خوارزمية بحث Google مثالاً معروفًا للشبكات العصبية.

كما ذكرنا في شرح الشبكات العصبية أعلاه، ولكن تجدر الإشارة بشكل أكثر وضوحًا، تشير كلمة "عميق" في التعلم العميق إلى عمق الطبقات في الشبكة العصبية. ويمكن اعتبار الشبكة العصبية المكونة من أكثر من ثلاث طبقات، بما في ذلك الإدخال والمخرجات، خوارزمية التعلم العميق. ويمكن تمثيل ذلك بالرسم البياني الآتي:

معظم الشبكات العصبية العميقة هي عبارة عن شبكات ذات تغذية أمامية، ما يعني أنها تتدفق في اتجاه واحد فقط من الإدخال إلى الإخراج. ومع ذلك، يمكنك أيضًا تدريب النموذج الخاص بك من خلال الانتشار الخلفي، أي التحرك في الاتجاه المعاكس، من الإخراج إلى الإدخال. ويسمح لنا الانتشار الخلفي بحساب الخطأ المرتبط بكل خلية عصبية وإسناده، ما يسمح لنا بتعديل الخوارزمية وملاءمتها بشكل مناسب.

في حين أن كل هذه المجالات من الذكاء الاصطناعي يمكن أن تساعد على تبسيط مجالات عملك وتحسين تجربة العملاء، إلا أن تحقيق أهداف الذكاء الاصطناعي قد يكون صعبًا لأنك ستحتاج أولاً إلى التأكد من أن لديك الأنظمة المناسبة لبناء خوارزميات التعلم لإدارة بياناتك. وإدارة البيانات هي أكثر من مجرد بناء النماذج التي تستخدمها لعملك. فأنت بحاجة إلى مكان لتخزين بياناتك وآليات لتنظيفها والتحكم في التحيز قبل أن تتمكن من البدء في بناء أي شيء.

نحن في IBM نجمع بين قوة التعلم الآلي والذكاء الاصطناعي في الاستوديو الجديد لنماذج الأساس والذكاء الاصطناعي التوليدي والتعلم الآلي، IBM® watsonx.ai.

اشترك في Think Newsletter