Please reload

التدوينات الحديثة

خريطة المعرفة للذكاء الاصطناعي: كيفية تصنيف تقنيات الذكاء الاصطناعي

 

ما يلي هو محاولة لرسم بنية للوصول إلى المعرفة في مجال الذكاء الاصطناعي واتباع تقنيات ناشئة بما أن بوابة المعرفة موجودة مسبقًا حول هذا الموضوع والتي ستسمح لك بالكشف عن المعلومات الإضافية وإنشاء معلومات جديدة في نهاية المطاف حول الذكاء الاصطناعي.

 

 

لقد كُنت في مجال الذكاء الاصطناعي لفترة من الوقت وأنا على علم بأن هناك عدة تصنيفات ومميزات ومناظر طبيعية ورسوم بيانية موجودة لتمثيل وتتبع الطرق المختلفة للتفكير في الذكاء الاصطناعي. ومع ذلك فأنا لست من أشد المعجبين بهذه التدريبات التصنيفية؛ لأنني أميل إلى الاعتقاد بأن مجهود تصنيف نقاط البيانات الديناميكية في المربعات ثابتة ومحددة سلفًا ولا تستحق في الغالب فوائد وجود إطار "واضح" (هذا تعميم بالطبع لأنها في بعض الأحيان تعتبر مفيدة للغاية).

 

وأعتقد أيضًا أن هذا المشهد مفيد للأشخاص الجدد في الفضاء لإلقاء نظرة سريعة على مدى تعقيد وعمق هذا الموضوع بالإضافة إلى الأشخاص الأكثر خبرة في الحصول على نقطة مرجعية وإجراء محادثات جديدة حول تقنيات محددة.

 

وفما يلي محاولة لرسم بنية للوصول إلى المعرفة في مجال الذكاء الاصطناعي واتباع تقنيات ناشئة بما أن بوابة المعرفة موجودة مسبقًا حول الموضوع والتي ستسمح لك بالكشف عن المعلومات الإضافية وإنشاء معلومات جديدة في نهاية المطاف حول الذكاء الاصطناعي. وقد أسميتها بـ خريطة المعرفة للذكاء الاصطناعي (AIKM).

 

 

مصدر الصورة

 

إنها خريطة المعرفة للذكاء الاصطناعي (AIKM) التي قمت بتطويرها مع الاستشارات الاستراتيجية والابتكارية على  "Axilo"وأما بالنسبة للأنشطة فقد كانت على منصتهم الخاصة بهم Chôra .

 

وستجد على المحاور مجموعتين كبيرتين مثل نماذج الذكاء الاصطناعي ونطاقات مشكلتها. حيث يُمثل الذكاء الاصطناعي (المحور X) وهي الطرق التي يستخدمها باحثو الذكاء الاصطناعي لحل مشكلات محددة متعلقة بالذكاء الاصطناعي (تتضمن منهجيات حديثة). وعلى الجانب الآخر فهي تُمثل نطاقات مشكلة AI (Y-axis) وهي تاريخياً نوع المشاكل التي يمكن للذكاء الاصطناعي حلها. بمعنى آخر فهو يشير أيضا إلى القدرات المحتملة للتكنولوجيا في الذكاء الاصطناعي.

 

 

وبالتالي فقد قُمت بتحديد نماذج الذكاء الاصطناعي التالية إلى:

الأدوات المستندة إلى المنطق: وهي الأدوات التي تستخدم لتمثيل المعرفة وحل المشكلات.

الأدوات المستندة إلى المعرفة: وهي الأدوات المستندة إلى الأنطولوجيات وقواعد البيانات الضخمة للمفاهيم والمعلومات والقواعد.

الأساليب الاحتمالية: الأدوات التي تسمح للوكلاء بالعمل في سيناريوهات معلومات غير كاملة.

التعلم الآلي: وهي الأدوات التي تسمح للحواسيب بالتعلم من البيانات.

الذكاء المُجسد: وهو صندوق الأدوات الهندسي الذي يفترض أن الجسم (أو على الأقل مجموعة جزئية من الوظائف مثل الحركة والإدراك والتفاعل والتصور) مطلوب لذكاءٍ أعلى.

البحث والتحسين: وهي الأدوات التي تسمح بالبحث الذكي مع العديد من الحلول الممكنة.

 

وتندرج هذه النماذج الستة أيضًا في ثلاثة مناهج كلية مختلفة وهي: الرمزية والرمزية الفرعية والإحصائية (ممثلة بألوان مختلفة أعلاه). فالمنهج الرمزي يشير بكل اختصار إلى أن الذكاء البشري يمكن أن ينحصر في التلاعب بالرمز، وأما النهج الرمزي الفرعي فهو يعني النهج الذي لا يقدم أي تمثيل محدد للمعرفة فيه، في حين يعتمد النهج الإحصائي على الأدوات الرياضية لحل مشكلات فرعية محددة. .

 

ويستعرض المحور الرأسي بدلًا عن ذلك المشاكل التي تم استخدامها من قبل الذكاء الاصطناعي حيث يعتبر التصنيف هنا مقياسي تمامًا:

الاستدلال: القدرة على حل المشاكل.

المعرفة: القدرة على تمثيل العالم وفهمه.

التخطيط: القدرة على تحديد الأهداف وتحقيقها.

التواصل: القدرة على فهم اللغة والتواصل.

الإدراك: القدرة على تحويل المدخلات الحسية الأولية (مثل الصور والأصوات وغير ذلك) إلى معلومات قابلة للاستخدام.

 

وتنقسم أنماط صناديق التقنيات إلى مجموعتين وهما التطبيقات الضيقة والتطبيقات العامة. فالكلمات المستخدمة هي عن قصد ولكن قد تبدو مضللة بعض الشيء .. لذا تحمل معي لحظة لأشرح لك ما الذي أعنيه. لأي شخص يبدأ في الذكاء الاصطناعي سيجب عليه معرفة الفرق بين الذكاء الاصطناعي الضعيف/الضيق (ANI)، وبين الذكاء الاصطناعي القوي/العام (AGI)، وبين الذكاء الاصطناعي الفائق (ASI)؛ لأنه أمر بالغ الأهمية.

 

وللتوضيح فإن الذكاء الاصطناعي الفائق ما هي إلا مجرد تكهنات حتى الآن، وأما الذكاء الاصطناعي العام فهو الهدف النهائي والكأس المقدسة للباحثين، في حين أن الذكاء الاصطناعي الضيق هو الذي لدينا اليوم، وأعني بذلك مجموعة من التقنيات التي لا تستطيع التعامل مع أي شيء خارج نطاقها (وهو الفرق الرئيسي مع الذكاء الاصطناعي العام).

 

ويشير نوعان من الخطوط المستخدمة في الرسم البياني (المستمر والمنقط) صراحةً إلى التمييز للمساعدة في إضافة بعض الثقة عند قراءة المواد الأولية التمهيدية الأخرى. ومع ذلك وفي الوقت نفسه فإنه يُوجز الاختلافات بين التقنيات التي لا يمكنها إلّا حل مهمة معينة (أفضل عمومًا من البشر - التطبيقات الضيقة) وغيرها التي تحل مهمة متعددة أو التي ستتفاعل في المستقبل مع العالم (أفضل من العديد من البشر – التطبيقات العامة).

لذا دعونا أخيرًا نرى ما يوجد داخل الرسم البياني نفسه.

 

إذاً كيف يمكنك قراءة وتفسير الخريطة؟ دعوني أقدم لكم مثالين.. إذا نظرتم إلى معالجة اللغة الطبيعية، فهي تتضمن فئة من الخوارزميات التي تعتمد على المعرفة. فإن التعلم الآلي والأساليب الاحتمالية تحل المشاكل في مجال المعرفة والإدراك. وفي الوقت ذاته، إذا نظرت إلي المساحة الفارغة بين المشاكل على المنطق والاستدلال، تتساءل عن اختفاء التكنولوجيا. فليس ما تنقله الخريطة يثبت بأنه لا يوجد حل قاطع يمكنه ملء هذا الفراغ، ولكن عندما يقترب الأشخاص من مشكلة منطقية فإنهم يفضلون تعلم الآلة على سبيل المثال.

 

هنا قائمة من التقنيات:

 

أتمتة العمليات الروبوتية (RPA): هي التكنولوجيا التي تستخرج قائمة القواعد والإجراءات عن طريق مشاهده اداء المستخدم.

 

الأنظمة الخبيرة: هو برنامج حاسوبي يحتوي على قواعد مشفرة لمحاكاة عملية اتخاذ القرار من قِبل الإنسان. الأنظمة الضبابية هي مثال محدد للأنظمة المستندة إلى القواعد التي تحدد المتغيرات في سلسلة من القيم بين 0 و 1، على عكس المنطق الرقمي التقليدي الذي ينتج عنه نتيجة 0/1.

 

رؤية الكمبيوتر (CV): هي طرق الاكتساب والحصول على الصور الرقمية وفهمها (عادةً ما يتم تقسيمها إلى التعرف على الأنشطة والتعرف على الصور ورؤية الآلة).

 

معالجة اللغات الطبيعية (NLP): هو المجال الفرعي الذي يتعامل مع بيانات اللغة الطبيعية (ثلاث مجموعات رئيسية تنتمي إلى هذي الفئة، أي فهم واستيعاب اللغة ، تمدد اللغة ، والترجمة الآلية).

 

الشبكات العصبية (NNs أو ANNs): هي فئة من الخوارزميات التي تم تصميمها بشكل غير متناسق بعد البنية العصبية للدماغ البشري أو الحيواني التي تحسن أدائها دون أن يتم توجيهها حول كيفية القيام بذلك. التخصصان الرئيسيان والطبقات الفرعية المعروفة جيداً من NNs هي Deep Learning (شبكة عصبية ذات طبقات متعددة) وشبكات Adversarial Generative (GANs - شبكتان تدربان بعضهما البعض).

 

الأنظمة المستقلة: هي المجال الفرعي الذي يقع عند التقاطع بين الروبوتيات والأنظمة الذكية (على سبيل المثال، الإستيعاب الذكي، والتلاعب بالأشياء الحاذقة، والتحكم في الروبوت المتعد على خطة سابقة، وغيرها).

 

الذكاء الاصطناعي الموزع (DAI): هي فئة من التقنيات التي تحل المشاكل عن طريق توزيعها على "عوامل" مستقلة تتفاعل مع بعضها البعض، وهي ثلاثة مواصفات مفيدة لهذه المجموعة الفرعية: الأنظمة متعددة العوامل (MAS)، النمذجة القائمة على الوكيل (ABM)، و Swarm Intelligence ، حيث تظهر السلوكيات الجماعية من تفاعل العوامل اللامركزية ذاتية التنظيم.

 

الحوسبة الفعالة: هو مجال فرعي يتعامل مع التعرف على المشاعر، وتفسيرها، ومحاكاتها.

 

الخوارزميات التطورية (EA): هي عبارة عن مجموعة فرعية من مجال أوسع لعلوم الكمبيوتر يدعى الحوسبة التطورية التي تستخدم آليات مستوحاة من علم الأحياء (مثل: الطفرة، التكاثر، وغيرها) للبحث عن الحلول المثلى. فالخوارزميات الجينية هي المجموعة الفرعية الأكثر استخدامًا من EAs ، وهي طرق بحثية تتبع عملية الاختيار الطبيعية لاختيار الحل ”الأنسب".

 

البرمجة المنطقية الاستقرائية (ILP): هو المجال الفرعي الذي يستخدم المنطق الرسمي لتمثيل قاعدة بيانات للحقائق وصياغة فرضية مستمدة من تلك البيانات.

 

شبكات القرار: هو تعميم الشبكات أو الاستدلال البيزية الأكثر شهرة، والتي تمثل مجموعة من المتغيرات وعلاقاتها الاحتمالية من خلال خريطة (تسمى بالرسم البياني الحلقية الموجهة).

 

البرمجة الاحتمالية: هي إطار لا يجبرك على تغيير متغير معين ولكنه يعمل مع نماذج احتمالية.

 

 برنامج "بايزي" (BES): هو شكل من أشكال البرمجة الاحتمالية، حيث تكتب برامج بايزيان برامج بايزي جديدة (بدلاً من الأشخاص) كما هو الحال في منهج البرمجة الاحتمالي الأوسع).

 

الذكاء المحيط (AmI): هو إطار يتطلب الأجهزة المادية إلى بيئات رقمية للإحساس، والإدراك، والاستجابة مع الوعي بالسياق إلى حافز خارجي (عادة ما ينشأ عن العمل البشري).

 

ولحل مشكلة معينة،  قد تتخذ نهجًا واحدًا أو أكثر، وهو ما يعني بدوره تقنيًا واحدًا أو أكثر نظرًا لأن العديد منها ليس حصريًا ومتكاملًا.

 

إن تدريس الحواسيب كيفية التعلم بدون الحاجة إلى أن تكون مبرمجة بشكل واضح يعد مهمة صعبة تتضمن على عدة تقنيات للتعامل مع الفوارق الدقيقة المتعددة، وعلى الرغم من أن هذه الخريطة بعيدة عن الكمال، إلا أنها على الأقل محاولة أولى لفهم المشهد الفوضوي. .

 

فأنا مدرك أن مبدأ باريتو يظهر هنا، أي أن 80٪ (إن لم يكن أكثر) من الجهود والنتائج الحالية مدفوعة بنسبة 20٪ من التقنيات التي تظهر في الخريطة (أي التعلم العميق، البرمجة اللغوية العصبية ورؤية الكمبيوتر) ، ومع ذلك فأنا على يقين من أن امتلاك طيف كامل قد يساعد الباحثين والشركات الناشئة والمستثمرين.

 

وأنا مستعداً لتلقي التعليقات حول هذا الإصدار الأول وأخطط لاتخاذ خطوتين إضافيتين: الأول هو إنشاء طبقة لنوع التحديات التي تواجهها منظمة العفو الدولية (مثل مشكلات الذاكرة والنسيان الكارثي، ونقل التعلم، والتعلم من بيانات أقل باستخدام أشياء مثل التعلم مره، أو بدون "صفر"، الخ) وما هي التكنولوجيا التي يمكن استخدامها للتغلب على هذه المسألة المحددة. ثانيًا، تطبيق العدسات على النظر إلى التقنيات المختلفة وليس المشكلات التي تحلها، بل المشكلات التي تنشئها (على سبيل المثال: القضايا الأخلاقية، والمشاكل التي تتطلب بيانات مكثفة، ومشكلة الصندوق الأسود، ومشكلة الشرح، وغيرها.

 

 

المؤلف:

الكاتب: فرانشيسكو كوريا هو عالم قرار ومحلل استراتيجي للبيانات في لندن، المملكة المتحدة.

 

المصدر

 

 

 

Share on Facebook
Share on Twitter
Please reload

تابعنا
ابحث بالتاق
Please reload

الارشيف
  • Black Instagram Icon
  • Black Twitter Icon

Riyadh, Saudi Arabia

  • Black Instagram Icon
  • Black Twitter Icon

الرياض، المملكة العربية السعودية