الحوسبة المعرفية مقابل الذكاء الاصطناعي: الاختلافات الرئيسية

على أبسط مستوى، تم تصميم أنظمة الذكاء الاصطناعي لتتمكن من "التفكير" واتخاذ القرارات بشكل مستقل. وفي الوقت نفسه، تُستخدم الحوسبة المعرفية لمحاكاة عمليات التفكير الشبيهة بعمليات التفكير البشري لإثراء عملية صنع القرار وليس استبدالها. 

على سبيل المثال، فكِّر في الذكاء الاصطناعي باعتباره أداة يمكنها خدمة غرض محدد. في المقابل، يعمل الكمبيوتر المعرفي بشكل أشبه بمساعد رقمي يساعد على تحقيق هدف أوسع من خلال توجيه عملية صناعة القرار بشكل عام.

إذا كان الذكاء الاصطناعي يشبه نظام تحديد المواقع الذي يقدّم أسرع طريق بين أ وب، فإن الحاسوب الإدراكي أشبه بدليل سياحي. ويمكن للذكاء الاصطناعي الرجوع إلى الخرائط وبيانات المرور الحالية لتقديم ما يراه أفضل طريق.

ومع ذلك، يعمل النظام المعرفي مع المستخدم لتعلُّم تفضيلاته والاستجابة لمعلومات أكثر اعتمادًا على السياق. وقد يُشير إلى أماكن ممتعة على طول الطريق أو يختار مسارًا أكثر جمالًا عندما يكون الطقس جيدًا ولا تكون الكفاءة البحتة هي الأولوية.

بشكل عام، يمكن اعتبار الذكاء الاصطناعي أداة متخصصة لحل المشكلات. تتفوق أنظمة الذكاء الاصطناعي في التحليل السريع لكميات كبيرة من البيانات للتعرُّف على الأنماط واتخاذ قرار بناءً على قواعد محددة مسبقًا. تم تصميم الأنظمة المعرفية لتفكِّر بطريقة أقرب للبشر، فهي تبني على قدرات الذكاء الاصطناعي، لكنها أفضل في فهم البيانات المعقدة وغير المنظمة. وهي تتعلم من التفاعلات وتقدِّم التفسيرات والتوصيات.

يُستخدم مصطلح الذكاء الاصطناعي بشكل أوسع عادةً للإشارة إلى أنواع محددة من النماذج الحاسوبية المحدودة، مثل الشبكات العصبية والنماذج اللغوية الكبيرة (LLMs). في المقابل، من الأفضل التفكير في الحوسبة المعرفية كمنهجية هجينة. فهي تجمع بين العلوم المعرفية وعلوم الكمبيوتر؛ لإنشاء أنظمة تساعد على تعزيز عملية صناعة القرار البشري وإثرائها.

غالبًا ما تستخدم الأنظمة المعرفية تقنيات الذكاء الاصطناعي مثل التعلم الآلي (ML) أو التعلم العميق لتحسين قدرات التعرُّف على الأنماط أو التعرُّف على الكلام.بالإضافة إلى ذلك، تم تصميم هذه الأنواع من الأنظمة لمعالجة كميات كبيرة من البيانات واستيعابها والاستجابة لها في الوقت الفعلي. تستخلص هذه الأنظمة المعلومات من مجموعة واسعة من مصادر البيانات أو المدخلات المحتملة، مثل الإشارات البصرية أو الحركية أو السمعية.

بينما قد يكون نطاق أي نموذج ذكاء اصطناعي فردي محدودًا -ما يجعله يواجه صعوبة خارج نطاقه المقصود- فإن أنظمة الحوسبة المعرفية مصممة بطريقة مختلفة.فهي مناسبة تمامًا للتعامل مع المشكلات المعقدة التي تنطوي على الغموض أو عدم اليقين أو الإجابات غير المحددة.

بعبارة أخرى، يُقصد بالذكاء الاصطناعي -كما نعرفه اليوم- سد الفجوات، من خلال تقديم اختصارات للمهام الروتينية أو الصعبة. أما الحوسبة المعرفية فهي محاولة لتعزيز القدرات المعرفية البشرية لاتخاذ قرارات أكثر وعيًا.تجمع الحوسبة المعرفية بين الذكاء الاصطناعي وتخصصات تكميلية مثل التفاعل بين الإنسان والكمبيوتر وتقنيات الحوار وتوليد السرد لإنشاء آلات قادرة على التعلم والتفكير والفهم مثل البشر. ويساعد هذا الأسلوب المستخدمين على اتخاذ قرارات أفضل.

على الرغم من أن بعض نماذج الذكاء الاصطناعي يمكن أن تكون بارعة بشكل ملحوظ، حتى بما يتجاوز القدرات البشرية، إلا إن أنظمة الذكاء الاصطناعي الأكثر تقدمًا مصممة فقط لأداء مجموعة محدودة من المهام. وعلى الرغم من أن أنظمة الذكاء الاصطناعي المستخدمة على نطاق واسع قد تبدو ذات قدرات كبيرة، إلا إن التعليمات المبنية على القواعد تَحُدّ من قدرتها على استيعاب المرونة والدقة التي يتميز بها التفكير البشري.

في المهام التي تنطوي على السياق، مثل فهم اللغة الطبيعية أو التعرف على أشياء محددة، لا يمكن للذكاء الاصطناعي أن يحل محل الذكاء البشري أو ينسخه تمامًا - على الأقل ليس بعد.

لا تهدف الحوسبة المعرفية إلى استبدال صناعة القرار البشري. بل تسعى إلى محاكاة أنواع الأنظمة المعرفية المسؤولة عن عمليات التفكير البشري من أجل تحسين عملية صناعة القرار لدى المستخدم.

بينما قد تتمتع الأنظمة الفردية بالعديد من الاختلافات الفريدة، بشكل عام، تُبرز النقاط التالية بعض الاختلافات الرئيسية بين الذكاء الاصطناعي والحوسبة المعرفية.

تُعَد أنظمة الذكاء الاصطناعي رائعة لأتمتة المهام المتكررة أو الصعبة.

تُستخدم الحوسبة المعرفية لتعزيز ودعم عملية صناعة القرار البشري.

يتم تدريب أنظمة الذكاء الاصطناعي على مجموعات بيانات محددة، وهي جيدة في التعامل مع المشكلات التي لها إجابات محددة يمكن العثور عليها. على سبيل المثال، يمكن تدريب نظام الذكاء الاصطناعي على كتيب خدمة العملاء لتقديم إجابات تستند إلى تدريب الموظفين الحاليين.

تكون أجهزة الحوسبة المعرفية أكثر اعتمادًا على السياق، فهي تستند إلى أنواع مختلفة من المدخلات وتتفاعل معها. ولهذه الأسباب، فإن أنظمة الذكاء الاصطناعي تكون أفضل في حل المشكلات ذات الإجابات المحددة، في حين أن الحوسبة المعرفية أكثر قيمة في معالجة المشكلات والتحديات المفتوحة.

تم تصميم أنظمة الذكاء الاصطناعي لحل المشكلات بأفضل ما لديها من قدرات.فبإمكانها تقديم الحلول بسرعة، لكن نتائجها قد تكون محدودة أو غير دقيقة أو غير موثوق بها بالكامل.

تهدف الأنظمة المعرفية إلى مساعدة البشر على إيجاد حلول أفضل بشكل أسرع. لم يتم تصميم الأنظمة المعرفية لتقديم نتائج نهائية أو لإنجاز المهام بشكل مستقل. وبناءً على ذلك، يمكن للنظام المعرفي مساعدة المستخدم على الوصول إلى حل أفضل مما قد يقدِّمه نظام الذكاء الاصطناعي مباشرةً.

أنظمة الذكاء الاصطناعي محدودة بنطاق بيانات التدريب الخاصة بها. لهذا السبب، يمكن بناء أنظمة الذكاء الاصطناعي لتكون عالية التخصص، لكن هذا التخصص يأتي على حساب المرونة.

الأنظمة المعرفية أكثر قدرة على التكيف. فالأنظمة المعرفية مصممة لاستخلاص المعلومات من مجموعة أوسع من المدخلات المتغيرة، ما يمكِّنها من الاستجابة بشكل أفضل للمواقف الديناميكية. 

الذكاء الاصطناعي هو تقنية تمكِّن أجهزة الكمبيوتر والآلات من إظهار خصائص مشابهة للذكاء البشري. وتشمل هذه الخصائص التعلم والاحتفاظ بالمعلومات الجديدة والفهم وحل المشكلات وصناعة القرار والإبداع والاستقلالية.

باعتباره مجالًا للدراسة يعود إلى خمسينيات القرن الماضي، يمكن النظر إلى الذكاء الاصطناعي على أنه سلسلة من المفاهيم المتداخلة التي تطورت مع مرور الوقت. على مدار الـ 70 عامًا الماضية، تطوَّر الذكاء الاصطناعي من النماذج النظرية إلى التعلم الآلي، ثم التعلم العميق، والآن إلى الذكاء الاصطناعي التوليدي (Gen AI).

لقد أدَّت التطورات التقنية الأخيرة إلى دفع الذكاء الاصطناعي إلى دائرة الضوء على مستوى العالم. لقد استحوذ العديد من تطبيقات الذكاء الاصطناعي المذهلة -من تحسين سلسلة التوريد الصناعية إلى مولِّدات الفن التوليدي للمستهلكين وروبوتات المحادثة- على خيال المستثمرين والهواة على حد سواء. على الرغم من صعوبة المبالغة في التأثير المحتمل للذكاء الاصطناعي، فإن النسخ الحالية منه لا تزال تواجه صعوبات مع بعض المهام. 

تتطلب أنظمة الذكاء الاصطناعي كميات هائلة من بيانات التدريب للتعرُّف على موضوع معين. يتم إدخال مجموعات البيانات الكبيرة هذه إلى الذكاء الاصطناعي، الذي يستخدم التعرُّف على الأنماط لإيجاد العلاقات واستخلاص الرؤى.

عند تلقي مشكلة، يقوم نظام الذكاء الاصطناعي بالرجوع إلى ما تعلَّمه من بيانات التدريب وتقديم أفضل إجابة ممكنة بناءً على الاحتمالات. وبهذه الطريقة، واعتمادًا على جودة بيانات التدريب والخوارزميات، يمكن أن يكون الذكاء الاصطناعي أكثر أو أقل قدرة، أو أكثر أو أقل تقييدًا.

في حين أن قدرات الذكاء الاصطناعي الحديثة غالبًا ما تبدو توسعية، فإنه من الأفضل نشر الذكاء الاصطناعي في المهام الضيقة - النماذج المتخصصة التي تم ضبطها لأغراض محددة. وبالمثل، يتم ضبط الأنظمة المعرفية لأغراض محددة، على الرغم من أن هذه الأنواع من الأنظمة يمكن أن تجمع بين أنواع متعددة من الذكاء الاصطناعي لتكون مرنة وسريعة الاستجابة. 

تتضمن بعض الأنواع المختلفة من الذكاء الاصطناعي و النماذج المجاورة للذكاء الاصطناعي أو المرتبطة به المستخدمة في الحوسبة المعرفية ما يلي:

• الذكاء الاصطناعي الضيق: أكثر أنواع الذكاء الاصطناعي تقدمًا اليوم -المعروف بالذكاء الاصطناعي الضيق أو الضعيف- يتميز بالكفاءة العالية في حل المشكلات المحددة بوضوح والأهداف الدقيقة. المساعدين الأذكياء مثل Siri من Apple وAlexa من Amazon وحتى ChatGPT جميعهم يُصنَّفون ضمن الذكاء الاصطناعي الضيق.

• التعلم الآلي: التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يُتيح للأنظمة الرقمية التعلم من البيانات بطريقة تُحاكي التعلم البشري. باستخدام خوارزميات التعلم الآلي، تستطيع أنظمة الذكاء الاصطناعي أداء المهام بشكل مستقل مع زيادة الدقة بمرور الوقت. يساعد التعلم الآلي أجهزة الكمبيوتر على التعلم من أخطائها وتحسين مخرجاتها بناءً على ردود المستخدمين.

• الشبكات العصبية: تستخدم الشبكات العصبية طبقات من العُقَد مع منهجيات التعلم الآلي لمحاكاة طريقة معالجة الدماغ البشري للمعلومات عبر الخلايا العصبية. تعمل الشبكات العصبية على تعزيز قدرات الذكاء الاصطناعي في حل المشكلات وتقييم الحلول بشكل أفضل أو أسوأ وفق السياق.

• التعلم العميق: يأخذ التعلم العميق الشبكات العصبية إلى مستوى أبعد من خلال زيادة كثافة الطبقات. تتكون الشبكة العصبية البسيطة من طبقة أو طبقتين. في المقابل، يمكن أن تحتوي الشبكة العصبية العميقة على ثلاث إلى آلاف الطبقات، ما يسمح لها بنمذجة عمليات صناعة القرار المعقدة المشابهة لوظائف الدماغ البشري.

يُشار أحيانًا إلى تقنيات الحوسبة المعرفية باعتبارها نوعًا من الذكاء الاصطناعي، غير أن الأدق هو القول إن الأنظمة المعرفية غالبًا ما تتضمن أنواعًا متعددة من الذكاء الاصطناعي. تجمع الحوسبة المعرفية بين أنظمة الذكاء الاصطناعي القائمة على التعلم الآلي، وغيرها من تقنيات الحوسبة المعرفية الشائعة، مثل أنواع مختلفة من واجهات المستخدم (كالنطق والنص) والتشغيل الآلي.

تعزِّز الأنظمة المعرفية قدرات الذكاء الاصطناعي من خلال استيعاب مجموعات بيانات كبيرة. يمكن أن تكون هذه البيانات منظمة أو غير منظمة، وتأتي من مصادر مختلفة ومتنوعة.

تستخدم هذه الأنظمة ذاتية التعلُّم علم البيانات لمعالجة المُدخلات في الوقت الفعلي، مع مراعاة السياق للمساعدة على الوصول إلى القرار النهائي. وبهذه الطريقة، يمكن للبشر أن يتركوا للنظام المعرفي مهمة تعدين البيانات وتحليلها، واتخاذ قرارات مدعومة بالبيانات دون الحاجة إلى إتقان علم البيانات المعقد بأنفسهم.

تتضمن حالات الاستخدام الواقعية للحوسبة المعرفية مهامًا عامة مثل تحليل المشاعر، وتقييم المخاطر، والتحسين.

رغم أن المعايير الدقيقة لنظام الحوسبة المعرفية ليست محددة بشكل صارم ليُعتبر النظام معرفيًا، إلا إنه يجب أن يستوفي بعض المعايير الأساسية. يجب أن يكون نظام الحوسبة المعرفية قادرًا على:

• التكيف: يجب أن تكون الأنظمة المعرفية قادرة على التكيف والاستجابة للبيانات الديناميكية والجديدة والمتغيرة. مع تغيُّر المعلومات، يجب أن تكون الأنظمة قادرة أيضًا على التكيف مع تطور الأهداف والمهام.

• التفاعل: رغم أن نظام الذكاء الاصطناعي يمكنه العمل بشكل مستقل، فإن الأنظمة المعرفية مصممة لتكون أكثر استجابة. ولذلك، يجب أن تكون قادرة على التفاعل مع مدخلات المستخدم والإشارات والرد عليها.

• التكرار وحفظ الحالة: من أجل محاكاة الإدراك، يجب أن تكون هذه الأنواع من الأنظمة تكرارية. تستخدم هذه الأنظمة التعرُّف على الأنماط لتحديد المشكلات الفريدة أو فئات المشكلات، وتطرح أسئلة توضيحية عند الحاجة.

• فهم السياق: بينما يمكن لأنظمة الذكاء الاصطناعي أن تتفوق في حل المشكلات البسيطة والمحددة بوضوح، فإن السيناريوهات الحقيقية غالبًا ما تعتمد على السياق. فالحل الصحيح لمشكلة في سياق معين لا ينطبق بالضرورة في سياقات أخرى. تم تطوير أنظمة الحوسبة المعرفية لمواجهة التحديات التي تتطلب حل المشكلات المعتمِد على السياق. يجب أن تكون هذه الأنواع من الأنظمة قادرة على فهم سياق المعلومات المقدَّمة، وكذلك السياق الذي قد يُطبَّق فيه الحل. 

تعمل الحوسبة المعرفية عن طريق إضافة العديد من حلول الذكاء الاصطناعي أو الحلول المجاورة للذكاء الاصطناعي إلى شبكة عصبية أو شبكة عميقة أساسية. ولتحقيق القدرة على التكيف والتفاعل وحفظ الحالة وفهم السياق، تم تصميم الأنظمة الإدراكية للجمع بين خوارزميات التعلم الآلي مع مختلَف التقنيات الأخرى، مثل:

• الأنظمة الخبيرة: الأنظمة الخبيرة هي أنظمة ذكاء اصطناعي ضيقة النطاق تم تدريبها بشكل شامل في مجالات أو مواضيع محددة. الهدف من النظام الخبير هو إنشاء خبير اصطناعي في مجال معين يكون قادرًا بأقصى درجة ممكنة على أن يحل محل المتخصص البشري. يمكن للأنظمة الخبيرة تقديم النصائح أو الإرشادات لمساعدة البشر على فهم المشكلات المعقدة واتخاذ قرارات أكثر ذكاءً. تُستخدم هذه الأنظمة غالبًا في الأعمال لتوقُّع توجهات السوق أو لفهم الأحداث الماضية. 

• معالجة اللغة الطبيعية (NLP): تمكِّن معالجة اللغة الطبيعية أجهزة الكمبيوتر من فهم الكلام الطبيعي أو النص والاستجابة له من خلال الجمع بين اللغويات الحاسوبية، وهو نهج نمذجة قائم على القواعد للغة، مع النمذجة الإحصائية. تتضمن معالجة اللغة الطبيعية أيضًا مجموعة فرعية من التخصصات المتعلقة بفهم اللغة الطبيعية (NLU) وتوليد اللغة الطبيعية (NGU) لتوفير تجربة مستخدم شاملة.

• التعرُّف التلقائي على الكلام (ASR): تحويل الكلام إلى نص، المعروف أيضًا باسم التعرُّف على الكلام بواسطة الكمبيوتر أو تحويل الكلام إلى نص، يمكِّن أجهزة الكمبيوتر من معالجة الكلام البشري وتحويله إلى نص مكتوب.

• التعرُّف على الصوت:ينبغي عدم الخلط بينه وبين التعرُّف التلقائي على الصوت، حيث يمكِّن التعرُّف على الصوت أنظمة الكمبيوتر من التعرُّف على الأصوات المميزة والتمييز بين المستخدمين المختلفين، وهي ميزة مشتركة موجودة في المساعدين الافتراضيين وأجهزة إنترنت الأشياء (IoT) الأخرى.

• اكتشاف الكائنات: يُعَد اكتشاف الكائنات أحد المكونات الرئيسية لرؤية الكمبيوتر، وهو طريقة لاستخدام الشبكات العصبية لتحديد موقع الكائنات وتصنيفها في الصور وفقًا للفئات الدلالية. يُعَد اكتشاف الكائنات والتعرُّف على الصور مفيدًا للسيارات ذاتية القيادة والبحث البصري وإجراء التشخيصات الطبية.

• الروبوتات: غالبًا ما تدمج أنظمة الحوسبة المعرفية الروبوتات كوسيلة لأداء المهام البسيطة والمتكررة، مثل التقليم الزراعي، والزراعة، والرش. فبينما تتيح أنظمة الذكاء الاصطناعي البسيطة للروبوتات أداء مهام أساسية مثل هذه، يمكن للأنظمة المعرفية المدمجة مع الروبوتات في مجال الرعاية الصحية أن تساعد حتى على إجراء العمليات الجراحية الدقيقة.