ما هو الذكاء الاصطناعي؟ – شرح الذكاء الاصطناعي (AI)

في ورقته البحثية عام 1950 التي بعنوان “آلات الحوسبة والذكاء”، قام آلان تورنج بدراسة مدى إمكانية قيام الآلات بالتفكير. في هذا الورقة البحثية، صاغ تورنج لأول مرة المصطلح الذكاء الاصطناعي وعرضه كمفهوم نظري وفلسفي.

بين عامي 1957 و1974، سمحت التطورات في الحوسبة لأجهزة الكمبيوتر بتخزين المزيد من البيانات ومعالجتها بشكل أسرع. خلال هذه الفترة، طوّر العلماء خوارزميات تعلّم الآلة (ML). أدى التقدم في هذا المجال إلى قيام وكالات مثل وكالة مشروعات البحوث المتطورة الدفاعية (DARPA) بإنشاء صندوق لأبحاث الذكاء الاصطناعي. في البداية، كان الهدف الرئيسي من هذه الورقة البحثية هو استكشاف ما إذا كانت أجهزة الكمبيوتر يمكنها نسخ اللغة المنطوقة وترجمتها.

خلال الثمانينيات من القرن العشرين، تيسّرت عملية التطوير بفضل التمويل المعزز الذي أتيح وبفضل التوسع في مجموعة الأدوات الخوارزمية التي استخدمها العلماء في الذكاء الاصطناعي. نشر ديفيد روميلهارت وجون هوبفيلد أبحاثًا حول تقنيات التعليم العميق، والتي أظهرت أن أجهزة الكمبيوتر يمكن أن تتعلم من التجربة.

في الفترة من عام 1990 إلى أوائل عام 2000، حقق العلماء العديد من أهداف الذكاء الاصطناعي الأساسية، مثل تحقيق الفوز على بطل العالم في الشطرنج. مع وجود المزيد من بيانات الحوسبة وتزايد قدرة المعالجة في العصر الحديث مقارنةً بالعقود السابقة، أصبحت أبحاث الذكاء الاصطناعي الآن أكثر شيوعًا وأكثر سهولةً. إنه يتطور بسرعة إلى الذكاء الاصطناعي العام حتى تتمكن البرامج من أداء المهام المعقدة. يُمكن للبرامج إنشاء واتخاذ القرارات والتعلّم بمفردها، وهي مهام كانت تقتصر في السابق على العنصر البشري.

يتضمن الذكاء الاصطناعي مجموعةً كبيرةً من الاستخدامات. على الرغم من أنها ليست قائمةً شاملةً، فإليك مجموعة من الأمثلة التي تسلط الضوء على حالات استخدام الذكاء الاصطناعي المتنوعة.

معالجة المستندات بذكاء

تقوم المعالجة الذكية للمستند (IDP) بترجمة تنسيقات المستندات غير المهيكلة إلى بيانات قابلة للاستخدام. على سبيل المثال، تحوّل مستندات الأعمال مثل رسائل البريد الإلكتروني والصور وملفات PDF إلى معلومات مهيكلة. تستخدم المعالجة الذكية للمستند (IDP) تقنيات الذكاء الاصطناعي مثل معالجة اللغة الطبيعية (NLP) والتعليم العميق ورؤية الكمبيوتر لاستخراج البيانات وتصنيفها والتحقق من صحتها.

على سبيل المثال، تقوم هيئة تسجيل الأراضي HM Land Registry بمعالجة سندات الملكية لأكثر من 87 بالمائة في إنجلترا وويلز. يقوم دارسو الحالة في هيئة تسجيل الأراضي HMLR بمقارنة ومراجعة المستندات القانونية المعقدة المتعلقة بمعاملات الملكية. قامت المؤسسة بنشر تطبيق ذكاء اصطناعي لأتمتة عملية مقارنة المستندات، ما أدى إلى خفض وقت المراجعة بنسبة 50 بالمائة وزيادة الموافقة على عمليات نقل الملكية. لمزيد من المعلومات، اقرأ حول كيفية استخدام Amazon Textract من قِبل HMLR.

مراقبة أداء التطبيقات

مراقبة أداء التطبيقات (APM) هي عملية استخدام أدوات برمجية وبيانات قياس عن بُعد لمراقبة أداء التطبيقات المهمة للأعمال. تستخدم أدوات مراقبة أداء التطبيقات (APM) المستندة إلى الذكاء الاصطناعي البيانات التاريخية للتنبؤ بالمشكلات قبل حدوثها. يمكنها أيضًا حل المشكلات في الوقت الفعلي من خلال اقتراح حلول فعالة لمطوريك. تحافظ هذه الإستراتيجية على تشغيل التطبيقات بفعالية وتعالج العقبات.

على سبيل المثال، تنتج Atlassian منتجات تهدف إلى تيسير العمل الجماعي والتنظيم. تستخدم Atlassian أدوات مراقبة أداء التطبيقات (APM) المستندة إلى الذكاء الاصطناعي لمراقبة التطبيقات باستمرار واكتشاف المشكلات المحتملة وتحديد المخاطر ذات الأولوية. مع هذه الوظيفة، يمكن للفرق الاستجابة بسرعة للتوصيات المدعومة بتعلّم الآلة والتغلب على حالات انخفاض الأداء.

الصيانة التنبؤية

الصيانة التنبؤية المحسّنة بالذكاء الاصطناعي هي عملية استخدام كميات كبيرة من البيانات في كشف المشكلات التي قد تؤدي إلى تعطل العمليات أو الأنظمة أو الخدمات. الصيانة التنبؤية تسمح للشركات بمعالجة المشكلات المحتملة قبل حدوثها، ما يقلل من وقت التعطل ويمنع الاضطرابات.

على سبيل المثال، تستخدم شركة Baxter عدد 70 موقعًا للتصنيع في جميع أنحاء العالم وتعمل على مدار الساعة طوال أيام الأسبوع لتقديم التكنولوجيا الطبية. تستخدم شركة Baxter الصيانة التنبؤية لتكتشف تلقائيًا الظروف غير الطبيعية في المعدات الصناعية. يُمكن للمستخدمين تنفيذ حلول فعّالة في وقت مبكر لتقليل وقت التعطل وتحسين الكفاءات التشغيلية. لمعرفة المزيد، اقرأ حول كيفية استخدام Amazon Monitron من قِبل Baxter.

الأبحاث الطبية

تستخدم الأبحاث الطبية الذكاء الاصطناعي لتبسيط العمليات وأتمتة المهام المتكررة ومعالجة كميات هائلة من البيانات. يُمكنك استخدام تقنية الذكاء الاصطناعي في الأبحاث الطبية لتيسير عملية اكتشاف الأدوية وتطويرها من البداية حتى النهاية، ونسخ السجلات الطبية، وتحسين وقت الوصول إلى السوق بالنسبة للمنتجات الجديدة.

ومن الأمثلة الواقعية قيام شركة C2i Genomics باستخدام الذكاء الاصطناعي في تشغيل المسارات الجينومية والفحوصات السريرية عالية النطاق وقابلة للتخصيص. من خلال تغطية الحلول الحسابية، يُمكن للباحثين التركيز على الأداء السريري وتطوير الأساليب. تستخدم الفرق الهندسية أيضًا الذكاء الاصطناعي في الحد من متطلبات الموارد والصيانة الهندسية وتقليل التكاليف الهندسية غير المتكررة (NRE). لمزيد من التفاصيل، اقرأ حول كيفية استخدام AWS HealthOmics من قِبل C2i Genomics.

تحليلات الأعمال

تستخدم تحليلات الأعمال الذكاء الاصطناعي في جمع مجموعات البيانات المعقدة ومعالجتها وتحليلها. يُمكنك استخدام تحليلات الذكاء الاصطناعي في التنبؤ بالقيم المستقبلية، وفهم السبب الجذري للبيانات، وتقليل العمليات التي تستغرق وقتًا طويلاً.

على سبيل المثال، تستخدم Foxconn تحليلات الأعمال المحسّنة بالذكاء الاصطناعي في تحسين دقة التنبؤ. لقد حققت زيادةً بنسبة 8 في المائة في دقة التنبؤ، ما أدى إلى تحقيق وفورات سنوية تبلغ 533000 USD في مصانعها. كما أنها تستخدم تحليلات الأعمال لتقليل العمالة المهدرة وزيادة رضا العملاء من خلال اتخاذ قرارات قائمة على البيانات.

بنية الذكاء الاصطناعي تتكون من أربع طبقات أساسية. كل طبقة من هذه الطبقات تستخدم تقنياتٍ مختلفةً لتنفيذ دور معين. فيما يلي شرح لما يحدث في كل طبقة.

الطبقة الأولى: طبقة البيانات

الذكاء الاصطناعي يعتمد على تقنيات مختلفة مثل تعلّم الآلة، ومعالجة اللغة الطبيعية، والتعرف على الصور. تمثل البيانات محور هذه التقنيات، وتشكل الطبقة التأسيسية في الذكاء الاصطناعي. تركز هذه الطبقة بشكل أساسي على تجهيز البيانات لتطبيقات الذكاء الاصطناعي. تتطلب الخوارزميات الحديثة، وخاصةً تلك التي تعتمد على التعليم العميق، موارد حسابية ضخمة. ولذلك، تتضمن هذه الطبقة الأجهزة التي تعمل كطبقة فرعية، حيث توفر البنية التحتية الأساسية لتدريب نماذج الذكاء الاصطناعي. يُمكنك الوصول إلى هذه الطبقة كخدمة مُدارة بالكامل من موفر سحابة تابع لجهة خارجية.

الطبقة الثانية: أطر تعلّم الآلة وطبقة الخوارزمية

ينشئ المهندسون بالتعاون مع علماء البيانات أطر تعلّم الآلة لتلبية متطلبات حالات معينة من حالات استخدام الأعمال. يُمكن للمطورين بعد ذلك استخدام الوظائف والفئات مسبقة الإنشاء في إنشاء النماذج وتدريبها بسهولة. ومن أمثلة هذه الأطر TensorFlow وPyTorch وscikit-learn. تعد هذه الأطر مكونات حيوية في بنية التطبيق وتوفر وظائف أساسية لإنشاء نماذج الذكاء الاصطناعي وتدريبها بسهولة.

الطبقة الثالثة: طبقة النموذج

في طبقة النموذج، يقوم مطور التطبيق بتنفيذ نموذج الذكاء الاصطناعي وتدريبه باستخدام البيانات والخوارزميات من الطبقة السابقة. هذه الطبقة محورية بالنسبة لإمكانات اتخاذ القرار في نظام الذكاء الاصطناعي.

فيما يلي بعض المكونات الرئيسية في هذه الطبقة.

بنية النموذج

تحدد هذه البنية قدرة النموذج، حيث تشمل الطبقات والعصبونات ووظائف التنشيط. بناءً على المشكلة والموارد، يُمكن للمرء الاختيار من بين الشبكات العصبونية ذات التغذية المتقدمة أو الشبكات العصبونية الالتفافية (CNNs) أو شبكات أخرى.

مَعلمات النماذج ووظائفه

تعتبر القيم المكتسبة أثناء التدريب، مثل أوزان الشبكة العصبونية والتحيزات، ضرورية للتنبؤات. تقوم “دالة الخسارة” بتقييم أداء النموذج وتهدف إلى تقليل التناقض بين المخرجات المتوقعة والمخرجات الحقيقية.

أداة التحسين

يقوم هذا المكون بضبط مَعلمات النموذج لتقليل دالة الخسارة. تقوم أدوات التحسين المختلفة مثل أصل التدرج وخوارزمية التدرج التكيفي (AdaGrad) بخدمة أغراض مختلفة.

الطبقة الرابعة: طبقة التطبيق

الطبقة الرابعة هي طبقة التطبيق، وهي الجزء المواجه للعملاء من بنية الذكاء الاصطناعي. يُمكنك أن تطلب من أنظمة الذكاء الاصطناعي إكمال مهام معينة أو توليد المعلومات أو توفير المعلومات أو اتخاذ قرارات تستند إلى البيانات. تسمح طبقة التطبيق للمستخدمين النهائيين بالتفاعل مع أنظمة الذكاء الاصطناعي.

تجعل AWS الذكاء الاصطناعي في متناول المزيد من الأشخاص – من البنائين وعلماء البيانات إلى محللي الأعمال والطلاب. من خلال المجموعة الأكثر شمولاً من خدمات وأدوات وموارد الذكاء الاصطناعي، تقدم AWS خبرة عميقة لأكثر من 100000 عميل لتلبية متطلبات أعمالهم وإطلاق العنان لقيمة بياناتهم. يمكن للعملاء البناء والتوسع مع AWS على أساس الخصوصية والأمان الشامل وحوكمة الذكاء الاصطناعي للتحول بمعدل غير مسبوق.

يتضمن الذكاء الاصطناعي على AWS خدمات الذكاء الاصطناعي المدربة مسبقًا للذكاء الجاهز والبنية التحتية للذكاء الاصطناعي لتحقيق أقصى قدر من الأداء وخفض التكاليف.

أمثلة على الخدمات المدربة مسبقًا:

• Amazon Rekogniton تُستخدم في أتمتة وتبسيط وتوسعة نطاق التعرف على الصور وتحليل الفيديو
• Amazon Textract تُستخدم في استخراج النص المطبوع وتحليل الكتابة اليدوية وجمع البيانات تلقائيًا من أي مستند
• Amazon Transcribe تُستخدم في تحويل الكلام إلى نص، واستخراج معلومات ورؤى أساسية حول الأعمال من ملفات الفيديو، وتحسين نتائج الأعمال

أمثلة على البنية التحتية للذكاء الاصطناعي:

• تقدم Amazon Bedrock مجموعة مختارة من نماذج التأسيس (FMs) عالية الأداء ومجموعة واسعة من القدرات. يمكنك تجربة العديد من أفضل نماذج التأسيس (FMs) وتخصيصها بشكل خاص ببياناتك.
• تقدم Amazon SageMaker أدوات لتدريب نماذج التأسيس (FMs) مسبقًا من الصفر حتى يمكن استخدامها داخليًا.
• تم تصميم مثيلات Amazon Elastic Compute Cloud (EC2) Trn1، المدعومة بشرائح AWS Trainium، خصيصًا للتدريب على التعلم العميق عالي الأداء (DL) لنماذج الذكاء الاصطناعي المولّد.