الذكاء الاصطناعي التوليدي في مقابل الذكاء الاصطناعي التنبؤي: ما الفرق؟

تبدو العديد من أدوات الذكاء الاصطناعي التوليدي وكأنها تمتلك قدرة على التنبؤ، رغم أن وظيفتها الأساسية هي توليد المحتوى. فأصبحت روبوتات محادثة الذكاء الاصطناعي الحواري مثل ChatGPT قادرة على اقتراح البيت الشعري التالي في قصيدة ما أو أغنية. وصار يمكن لبرامج مثل DALL-E أو Midjourney إنشاء أعمال فنية تبدو كالأصلية تمامًا، وإنشاء صور واقعية من كلمات وصفية مكتوبة بلغة طبيعية. ويمكن لأدوات إكمال التعليمات البرمجية مثل GitHub Copilot أن توصي بأسطر التعليمات البرمجية التي ينبغي أن تظهر في التسلسل التالي.

من المعلوم أن الذكاء الاصطناعي التوليدي ليس هو الذكاء الاصطناعي التنبؤي. فالذكاء الاصطناعي التنبؤي يمثل نوعًا مستقلًا وفئة قوية من الذكاء الاصطناعي، ورغم أن له طريقة تفكير لا تحظى بشهرة واسعة، إلا أنه يشكل أداة قوية وفعالة للشركات. تعالوا نفحص التقنيتين عن قرب لنرى الاختلافات الرئيسية بينهما.

الذكاء الاصطناعي التوليدي هو ذكاء اصطناعي يستجيب لسؤال يطرحه المستخدم يطالب فيه بمحتوى أصلي مولَّد، مثل الصوت أو الصور أو التعليمات البرمجية للبرامج أو النصوص أو مقاطع الفيديو.

يتم تدريب نماذج الذكاء الاصطناعي على كميات هائلة من البيانات الخام غير المنسقة. ثم تستفيد هذه النماذج من الأنماط والعلاقات المشفرة في بيانات التدريب الخاصة بها لفهم طلبات المستخدمين وإنشاء محتوى جديد ذي صلة مشابه جدًا للبيانات الأصلية، وإن كان غير متطابق تمام المطابقة.

تبدأ معظم نماذج الذكاء الاصطناعي التوليدي بنموذج أساس، وهو نوع من نماذج التعلم العميق "يتعلم" توليد مخرجات محتملة إحصائيًا عند قيام المستخدم بطرح سؤاله في الموجِّه. تُعد النماذج اللغوية الكبيرة (LLM) نموذج أساس شائعًا لتوليد النصوص، وهناك نماذج أساس أخرى تختلف باختلاف أنواع توليد المحتوى.

يمزج الذكاء الاصطناعي التنبؤي بين التحليل الإحصائي وخوارزميات التعلم الآلي للعثور على أنماط البيانات المطلوبة والتنبؤ بالنتائج المستقبلية. فهو يستخلص الرؤى من البيانات السابقة لوضع تنبؤات دقيقة حول الأحداث القادمة أو النتائج أو الاتجاهات الأكثر احتمالًا للحدوث في المستقبل القريب.

تعمل نماذج الذكاء الاصطناعي على تعزيز سرعة ودقة التحليلات التنبؤية ويتم استخدامها عادة للتنبؤ بالأعمال التجارية لتوقع المبيعات وتقدير الطلب على المنتج أو الخدمة وتخصيص تجربة العملاء وتحسين الخدمات اللوجستية. وباختصار، يساعد الذكاء الاصطناعي التنبؤي مؤسسات الأعمال على اتخاذ قرارات مستنيرة فيما يتعلق بالخطوة التالية التي يجب اتخاذها في أعمالها.

يندرج كلٌّ من الذكاء الاصطناعي التوليدي والذكاء الاصطناعي التنبؤي تحت مظلة الذكاء الاصطناعي، لكنهما متمايزان عن بعضهما. فيما يلي نوضح كيفية اختلاف تقنيات الذكاء الاصطناعي هذه بعضها عن بعض:

يتم تدريب الذكاء الاصطناعي التوليدي على مجموعات بيانات كبيرة تحتوي على ملايين الأمثلة من عينات المحتوى. حيث يمكن للذكاء الاصطناعي التنبؤي استخدام مجموعات بيانات أصغر حجمًا وأكثر استهدافًا وتركيزًا كبيانات إدخال.

في حين أن نظامي الذكاء الاصطناعي كليهما يستخدمان عنصر تنبؤ لإنتاج مخرجاتهما، إلا أن الذكاء الاصطناعي التوليدي ينشئ محتوى جديدًا بينما الذكاء الاصطناعي التنبؤي يتنبأ بالأحداث والنتائج المستقبلية.

تعتمد معظم نماذج الذكاء الاصطناعي التوليدية على البِنى التالية:

• تعمل نماذج الانتشار عن طريق إضافة بيانات تشويش (غير مفيدة) أولًا إلى بيانات التدريب حتى تصبح عشوائية وغير قابلة للتعرف عليها، ثم تدريب الخوارزمية على نشر التشويش بشكل متكرر للكشف عن المخرجات المطلوبة.

• الشبكات التنافسية التوليدية (GAN) تتكون من شبكتين عصبيتين: مولِّد يُنتج محتوى جديدًا، ومُمَيِّز يقيِّم دقة المحتوى الناتج وجودته. حيث نجد خوارزميات الذكاء الاصطناعي التنافسية تحفز النموذج على توليد مخرجات ذات أعلى جودة باستمرار.

• تستخدم نماذج المحولات مفهوم الانتباه لتحديد ما الشيء الأكثر أهمية في البيانات ضمن التسلسل. ثم تستخدم المحولات آلية الانتباه الذاتي هذه لمعالجة تسلسلات كاملة من البيانات في آن واحد، والتقاط سياق البيانات داخل التسلسل وترميز بيانات التدريب إلى تضمينات أو معلمات فائقة تمثل البيانات وسياقها.

• المشفِّرات  الذاتية المتغيرة (VAE) هي نماذج توليدية تتعلم التمثيلات المضغوطة لبيانات التدريب الخاصة بها فتؤدي إلى إخراج أشكال مختلفة من تلك التمثيلات المكتسبة لتوليد بيانات عينات جديدة.

وفي الوقت نفسه، تقوم العديد من نماذج الذكاء الاصطناعي التنبؤية هذه بتطبيق الخوارزميات الإحصائية ونماذج التعلم الآلي:

• يقوم التجميع بتصنيف نقاط البيانات أو الملاحظات المختلفة إلى مجموعات أو مجموعات استنادًا إلى أوجه التشابه لفهم أنماط البيانات الأساسية.
• تطبق أشجار القرار استراتيجية "التقسيم والسيطرة" للحصول على تصنيف مثالي. وعلى نحو مماثل، تقوم خوارزميات شجرة القرار بدمج مخرجات شجرة القرار المتعددة للوصول إلى نتيجة واحدة.
• تحدد نماذج الانحدار الارتباطات بين المتغيرات. على سبيل المثال، يمثل الانحدار الخطي علاقة خطية بين متغيرين اثنين.
• تقوم طرق السلاسل الزمنية بنمذجة البيانات التي تم جمعها في فترة زمنية سابقة كسلسلة من النقاط البيانية المرسومة بترتيب زمني من أجل توقع الاتجاهات المستقبلية.

تفتقر معظم نماذج الذكاء الاصطناعي التوليدي إلى قابلية التفسير، لأنه من الصعب غالبًا أو المستحيل فهم عمليات صنع القرار التي كانت سبب توليد النتائج. وعلى العكس، نجد تقديرات الذكاء الاصطناعي التنبؤية أكثر قابلية للتفسير لأنها ترتكز على أرقام وإحصائيات. لكن تفسير هذه التقديرات لا يزال يحتاج إلى تدخل الإنسان وحُكم بشري، لأن التفسير غير الصحيح قد يؤدي إلى مسار عمل غير صحيح.

يتوقف قرار استخدام الذكاء الاصطناعي على عدد من العوامل المتنوعة. في فيديو أكاديمية الذكاء الاصطناعي IBM® AI Academy حول اختيار حالة استخدام الذكاء الاصطناعي المناسبة لأعمالك، يشير Nicholas Renotte، كبير مهندسي الذكاء الاصطناعي في IBM Client Engineering، إلى أنه "في النهاية، سنجد أن اختيار حالة الاستخدام الملائمة من حيث نوع الذكاء الاصطناعي التوليدي وأدوات الذكاء الاصطناعي والتعلم الآلي سيستدعي منا الانتباه إلى العديد من المتغيرات المعقدة التي يجب أخذها في الاعتبار. فينبغي لك التأكد من أنك تختار أفضل تقنية ملائمة لحل مشكلتك تحديدًا.

تنطبق نفس الفكرة عند اتخاذ قرار بشأن أيهما أفضل للاستخدام في عملك، هل هو الذكاء الاصطناعي التوليدي أم الذكاء الاصطناعي التنبؤي. يقول Renotte: "إذا كنت تقوم بتطبيق الذكاء الاصطناعي في عملك، فأنت بحاجة إلى التفكر جيدًا في نوع حالة الاستخدام التي لديك، هل يناسبها الذكاء الاصطناعي التوليدي أكثر أم تناسبها تقنية أخرى أو أداة أخرى من أدوات الذكاء الاصطناعي". "على سبيل المثال، ترغب الكثير من الشركات في توليد توقعات مالية، لكن هذا لن يتطلب عادةً حلًا من حلول الذكاء الاصطناعي التوليدي، خاصةً عندما تكون هناك نماذج يمكنها القيام بذلك مقابل تكلفة بسيطة."

نظرًا لتفوقه في إنشاء المحتوى، فإن الذكاء الاصطناعي التوليدي لديه حالات استخدام متعددة ومتنوعة. لكن قد تظهر مزيد من المشكلات مع تقدم هذه التقنية. فيما يلي عدد من الصناعات التي يمكن تنفيذ تطبيقات الذكاء الاصطناعي التوليدي فيها:

• خدمة العملاء: يمكن للمؤسسات استخدام روبوتات المحادثة المدعومة بالذكاء الاصطناعي وتقنيات الوكيل الافتراضي لتقديم الدعم في الوقت الفعلي وتوفير استجابات مخصصة وبدء الإجراءات نيابة عن العميل. 
  
  
• الألعاب: تساعد نماذج الذكاء الاصطناعي التوليدي على إنشاء بيئات واقعية وشخصيات واقعية ورسوم متحركة ديناميكية وتأثيرات بصرية حية لألعاب الفيديو والمحاكاة الافتراضية.
  
  
• الرعاية الصحية: يمكن للذكاء الاصطناعي التوليدي إنشاء بيانات اصطناعية لتدريب واختبار أنظمة تصوير الأشعة الطبية للحفاظ على خصوصية المريض بشكل أفضل. يمكن للذكاء الاصطناعي التوليدي أيضًا اقتراح جزيئات مركبات كيميائية جديدة تمامًا، مما يؤدي إلى تسريع اكتشاف أدوية جديدة.
  
  
• التسويق والإعلان: يمكن للذكاء الاصطناعي التوليدي تصميم صور جذابة وصياغة إعلانات مقنعة ونصوص مبيعات مخصصة تناسب كل جمهور مستهدف.
  
  
• تطوير البرمجيات: يمكن لأدوات توليد التعليمات البرمجية تسريع كتابة التعليمات البرمجية الجديدة وأتمتة مرحلة التصحيح ومرحلة الاختبار.

يتم استخدام الذكاء الاصطناعي التنبؤي بشكل أساسي في مجال التمويل والبيع بالتجزئة والتجارة الإلكترونية والتصنيع. فيما يلي بعض الأمثلة على تطبيقات الذكاء الاصطناعي التنبؤية:

• التنبؤ المالي: تستخدم المؤسسات المالية نماذج الذكاء الاصطناعي للتنبؤ باتجاهات السوق وأسعار الأسهم والعوامل الاقتصادية الأخرى.

• الكشف عن حالات الغش: تستفيد البنوك من الذكاء الاصطناعي في اكتشاف المعاملات المشبوهة التي قد تعود إلى أنشطة احتيالية، وذلك في الوقت الفعلي دون تأخير.

• إدارة المخزون: من خلال توقع المبيعات والطلب، يساعد الذكاء الاصطناعي التنبؤي الشركات على تخطيط مستويات المخزون والتحكم فيها.

•  توصيات مخصصة: تساعد نماذج الذكاء الاصطناعي على تحليل الأنماط في بيانات سلوك العملاء للحصول على توصيات واقتراحات أكثر تخصيصًا تؤدي إلى تحسين تجربة العملاء.

• إدارة سلسلة التوريد: يساعد الذكاء الاصطناعي في تحسين الخدمات اللوجستية وعمليات التشغيل وخطط الإنتاج وتخصيص الموارد وجدولة أعباء العمل.

ينبغي عدم الاختيار بين هاتين التقنيتين بطريقة إما نأخذ هذا أو ذاك. بل يمكن للمؤسسات اعتماد كل من الذكاء الاصطناعي التوليدي والذكاء الاصطناعي التنبؤي، واستخدامهما معًا بشكل استراتيجي بما يفيد الأعمال لأقصى حد.

تعرف على المزيد عن منصة IBM™ watsonx وكيف يمكنها تسريع أهداف الذكاء الاصطناعي الخاصة بك. استفد من قدرات الذكاء الاصطناعي التوليدي للنماذج المبنية على منصة watsonx.ai لتساعدك في الكشف عن الأنماط والخلل، كي تتمكن من إجراء تنبؤات وتوقعات دقيقة مصممة خصوصًا لتلبية احتياجاتك.