تكنولوجيا

كيف يعمل الذكاء الاصطناعي؟

في الآونة الأخيرة ، نسمع المزيد والمزيدالذكاء الاصطناعي. يتم استخدامه في كل مكان تقريبًا: من مجال التكنولوجيا المتقدمة والحسابات الرياضية المعقدة إلى الطب وصناعة السيارات وحتى عند استخدام الهواتف الذكية. التقنيات التي تكمن وراء عمل الذكاء الاصطناعى بالمعنى الحديث ، نستخدمها كل يوم وأحيانا قد لا نفكر فيها. ولكن ما هو الذكاء الاصطناعي؟ كيف يعمل؟ وهل هي خطيرة؟

المحتوى

  • 1 ما هو الذكاء الاصطناعي
  • 2 كيف يعمل الذكاء الاصطناعي
  • 3 التعلم العميق والشبكات العصبية
  • 4 الشبكات العصبية - هل هو دماغ بشري صناعي؟
  • 5 لماذا يتم استخدام التعلم العميق والشبكات العصبية
  • 6 حدود التعلم العميق والشبكات العصبية
  • 7 مستقبل التعلم العميق ، والشبكات العصبية ، ومنظمة العفو الدولية

ما هو الذكاء الاصطناعي؟

أولاً ، دعونا نحدد المصطلحات. إذا كنت تتخيل الذكاء الاصطناعي كشيء يمكنه التفكير بشكل مستقل واتخاذ القرارات وإظهار علامات الوعي عمومًا ، فإننا نسرع ​​في إحباطك. تقريبًا جميع الأنظمة الموجودة حاليًا لا "تقف" بالقرب من هذا التعريف للذكاء الاصطناعى. وتلك الأنظمة التي تظهر علامات على مثل هذا النشاط ، في الواقع ، تعمل جميعها في إطار خوارزميات محددة مسبقًا.

في بعض الأحيان تكون هذه الخوارزميات متقدمة جدًا جدًا ،لكنها تظل "الإطار" الذي تعمل من خلاله منظمة العفو الدولية. لا توجد "حريات" ، والأكثر من ذلك أن الآلات ليس لديها علامات وعي. هذه مجرد برامج مثمرة للغاية. لكنهم "الأفضل في مجالهم". بالإضافة إلى ذلك ، تستمر أنظمة الذكاء الاصطناعي في التحسن. نعم ، ويتم ترتيبها بشكل غير قانوني. حتى لو تجاهلنا حقيقة أن الذكاء الاصطناعى الحديث بعيد عن الكمال ، فإن هناك الكثير من العوامل المشتركة بيننا.

كيف يعمل الذكاء الاصطناعي؟

يمكن لمنظمة العفو الدولية القيام بعملها أولاً(حولها لاحقًا قليلاً) واكتساب مهارات جديدة من خلال التعلم الآلي العميق. كثيرا ما نسمع ونستخدم هذا المصطلح. ولكن ماذا يعني؟ على عكس الأساليب "الكلاسيكية" ، عندما يتم تحميل جميع المعلومات الضرورية في النظام مقدمًا ، فإن خوارزميات التعلم الآلي تجعل النظام يتطور بشكل مستقل ، ويدرس المعلومات المتاحة. والتي ، بالإضافة إلى ذلك ، في بعض الحالات ، يمكن للآلة أيضا البحث بشكل مستقل.

على سبيل المثال ، لإنشاء برنامج للكشفالاحتيال ، خوارزمية التعلم الآلي تعمل مع قائمة المعاملات المصرفية ونتائجها النهائية (قانونية أو غير قانونية). يفحص نموذج التعلم الآلي الأمثلة ويطور علاقة إحصائية بين المعاملات المشروعة والاحتيالية. بعد ذلك ، عندما تزود الخوارزمية ببيانات المعاملات المصرفية الجديدة ، فإنها تقوم بتصنيفها استنادًا إلى القوالب التي حددها من الأمثلة مقدمًا.

بشكل عام ، كلما زادت البيانات التي تقدمها ،الأكثر دقة هي خوارزمية التعلم الآلي عند أداء مهامها. التعلم الآلي مفيد بشكل خاص في حل المشكلات التي لا يتم فيها تحديد القواعد مسبقًا ولا يمكن تفسيرها في نظام ثنائي. بالعودة إلى مثالنا مع العمليات المصرفية: في الواقع ، لدينا نظام ثنائي للحساب في المخرجات: 0 - عملية قانونية ، 1 - غير قانونية. ولكن من أجل التوصل إلى هذا الاستنتاج ، يحتاج النظام إلى تحليل مجموعة كاملة من المعلمات وإذا قمت بإدخالها يدويًا ، فسيستغرق الأمر أكثر من عام. والتنبؤ بجميع الخيارات على أي حال لن تعمل. وسيكون النظام الذي يعمل على أساس التعلم الآلي العميق قادرًا على التعرف على شيء ما ، حتى لو لم يتحقق في مثل هذه الحالة من قبل بالضبط.

التعلم العميق والشبكات العصبية

في حين خوارزميات آلة الكلاسيكيةيحل التدريب العديد من المشكلات التي يوجد بها الكثير من المعلومات في شكل قواعد بيانات ، ولا يتعاملون بشكل جيد مع البيانات الصوتية والمرئية مثل الصور ومقاطع الفيديو وملفات الصوت وما إلى ذلك إذا جاز التعبير.

على سبيل المثال ، إنشاء نموذج للتنبؤ بالسرطانقال جيريمي هوارد ، الباحث في منظمة العفو الدولية ، إن سرطان الثدي باستخدام أساليب تعلم الآلة الكلاسيكية يتطلب جهودًا لعشرات الخبراء الطبيين والمبرمجين وعلماء الرياضيات. سيتعين على العلماء إعداد العديد من الخوارزميات الأصغر من أجل التعلم الآلي للتعامل مع تدفق المعلومات. نظام فرعي منفصل لدراسة الأشعة السينية ، واحد منفصل عن التصوير بالرنين المغناطيسي ، وآخر لتفسير اختبارات الدم ، وهلم جرا. لكل نوع من التحليل ، نحتاج إلى نظامنا الخاص. ثم يتم دمجهم جميعًا في نظام واحد كبير ... هذه عملية صعبة للغاية وتستهلك الموارد.

</ p>

خوارزميات التعلم العميق تحل نفسهامشكلة في استخدام الشبكات العصبية العميقة ، وهي نوع من هندسة البرمجيات المستوحاة من الدماغ البشري (على الرغم من أن الشبكات العصبية مختلفة عن الخلايا العصبية البيولوجية ، فإن مبدأ التشغيل هو نفسه تقريبا). الشبكات العصبية الحاسوبية عبارة عن اتصالات لـ "عصبونات إلكترونية" قادرة على معالجة المعلومات وتصنيفها. إنها عبارة عن "طبقات" وكل "طبقة" مسؤولة عن شيء خاص بها ، وتشكل في النهاية الصورة الإجمالية. على سبيل المثال ، عندما تقوم بتدريب شبكة عصبية على صور لكائنات مختلفة ، فإنها تجد طرقًا لاستخراج كائنات من هذه الصور. تكشف كل طبقة من الشبكة العصبية عن ميزات معينة: شكل الكائنات والألوان وظهور الكائنات وما إلى ذلك.


الكشف عن الطبقات السطحية للشبكات العصبيةالميزات المشتركة. طبقات أعمق تكشف بالفعل الكائنات الفعلية. يظهر الرسم البياني شبكة عصبية بسيطة. الأخضر يشير إلى الخلايا العصبية المدخلة (المعلومات الواردة) ، والأزرق يشير إلى الخلايا العصبية المخفية (تحليل البيانات) ، والأصفر يشير إلى الخلايا العصبية المخرجة (محلول)

هل الشبكات العصبية عقل بشري اصطناعي؟

على الرغم من هيكل مماثل للآلة والشبكة العصبية البشرية ، فإنها لا تمتلك علامات على الجهاز العصبي المركزي لدينا. الشبكات العصبية الحاسوبية هي في الأساس نفس البرامج المساعدة. لقد حدث أن أدمغتنا أصبح أكثر النظم تنظيماً لإجراء العمليات الحسابية. ربما سمعت التعبير "دماغنا هو جهاز كمبيوتر"؟ قام العلماء ببساطة "بتكرار" بعض جوانب بنيته في "شكل رقمي". هذا سمح فقط لتسريع العمليات الحسابية ، ولكن ليس لتزويد الآلات بوعي.

هذا مثير للاهتمام: متى يتعلم الذكاء الاصطناعي العقل؟

الشبكات العصبية موجودة منذ 1950s (وفقا لعلى الأقل في شكل مفاهيم). لكن حتى وقت قريب ، لم يتلقوا الكثير من التطوير ، لأن إنشاءهم تطلب كميات هائلة من البيانات وقوة الحوسبة. في السنوات القليلة الماضية ، أصبح كل هذا متاحًا ، لذلك أصبحت الشبكات العصبية في المقدمة ، بعد أن تلقت تطورها. من المهم أن نفهم أنه لم يكن هناك ما يكفي من التكنولوجيا لمظهرها الكامل. كيف أنها ليست كافية الآن لنقل التكنولوجيا إلى مستوى جديد.

ما هو التعلم العميق والشبكات العصبية المستخدمة ل؟

هناك العديد من المجالات التي ساعدت فيها هاتان التقنيتان على إحراز تقدم كبير. علاوة على ذلك ، نستخدم بعضها يوميًا في حياتنا ولا نفكر حتى في ما وراءها.

  • رؤية الكمبيوتر هي القدرةبرنامج لفهم محتوى الصور ومقاطع الفيديو. هذا مجال واحد أحرز فيه التعلم العميق تقدمًا كبيرًا. على سبيل المثال ، يمكن لخوارزميات معالجة الصور للتعلم العميق اكتشاف أنواع مختلفة من السرطان وأمراض الرئة وأمراض القلب وما إلى ذلك. وقم بذلك بشكل أسرع وأكثر كفاءة من الأطباء. لكن التعلم العميق متجذر أيضًا في العديد من التطبيقات التي تستخدمها كل يوم. يستخدم Apple Face ID و Google Photos عملية التعلم العميق للتعرف على الوجوه وتحسين جودة الصورة. يستخدم Facebook التعلم العميق لتحديد الأشخاص تلقائيًا في الصور التي تم تحميلها وما إلى ذلك. تساعد رؤية الكمبيوتر أيضًا الشركات على تحديد المحتوى المشكوك فيه وحجبه تلقائيًا مثل العنف والعُري. وأخيرًا ، يلعب التعلم العميق دورًا مهمًا للغاية في تمكين السيارات ذاتية القيادة حتى تتمكن من فهم ما يحيط بها.
  • التعرف على الصوت والكلام. عندما تقول أمرًا لمساعد Google الخاص بك ، تقوم خوارزميات التعليم العميق بتحويل صوتك إلى أوامر نصية. تستخدم العديد من التطبيقات عبر الإنترنت تعلمًا عميقًا لنقل ملفات الصوت والفيديو. حتى عندما تقوم بـ "shazamit" لأغنية ، فإن خوارزميات الشبكات العصبية والتعلم الآلي العميق تدخل في الاعتبار.
  • البحث على الإنترنت: حتى إذا كنت تبحث عن شيء ما في محرك البحث ، بحيث تتم معالجة طلبك بشكل أكثر وضوحًا وتكون النتائج صحيحة قدر الإمكان ، فقد بدأت الشركات في توصيل خوارزميات الشبكة العصبية بمحركات البحث الخاصة بها. لذلك ، فإن أداء محرك بحث Google قد نما عدة مرات بعد أن تحول النظام إلى التعلم العميق للآلة والشبكات العصبية.

حدود التعلم العميق والشبكات العصبية

على الرغم من جميع مزاياها ، فإن للتعلم العميق والشبكات العصبية أيضًا بعض العيوب.

  • اعتماد البيانات: بشكل عام ، تتطلب خوارزميات التعلم العميق كمية هائلة من بيانات التدريب لإكمال مهامها بدقة. لسوء الحظ ، من أجل حل العديد من المشكلات ، هناك حاجة إلى بيانات تدريب غير كافية لإنشاء نماذج عمل
  • عدم القدرة على التنبؤ: الشبكات العصبية تتطور بطريقة غريبة. في بعض الأحيان كل شيء يسير كما هو مخطط لها. وأحيانًا (حتى لو كانت الشبكة العصبية تؤدي وظيفتها بشكل جيد) ، فإن المبدعين يكافحون من أجل فهم كيفية عمل الخوارزميات. عدم القدرة على التنبؤ يجعل من الصعب للغاية إزالة وتصحيح الأخطاء في خوارزميات الشبكات العصبية.
  • إزاحة الخوارزمية: خوارزميات التعلم العميق جيدة مثل البيانات التي يتم تدريبهم عليها. تكمن المشكلة في أن بيانات التدريب غالبًا ما تحتوي على أخطاء أو إهمالات خفية أو صريحة وأن الخوارزميات تجعلهم "موروثين". على سبيل المثال ، ستعمل خوارزمية التعرف على الوجوه المدربة بشكل أساسي على صور الأشخاص البيض بدقة أقل عند الأشخاص ذوي لون البشرة المختلف.
  • عدم التعميم: تعد خوارزميات التعلم العميق مفيدة لأداء مهام هادفة ، لكن تعميم معرفتهم سيئ. على عكس الأشخاص ، لن يكون نموذج التعلم العميق الذي تم تدريبه على لعب StarCraft قادرًا على لعب لعبة أخرى مماثلة: على سبيل المثال ، في WarCraft. بالإضافة إلى ذلك ، فإن التعلم العميق لا ينجح في معالجة البيانات التي تنحرف عن أمثلة التدريب.

مستقبل التعلم العميق والشبكات العصبية ومنظمة العفو الدولية

من الواضح أن العمل على التعلم العميق والشبكات العصبية بعيدة عن الاكتمال. تبذل جهود مختلفة لتحسين خوارزميات التعلم العميق. التعلم العميق هو وسيلة متقدمة في خلق الذكاء الاصطناعي. أصبحت شعبية متزايدة في السنوات القليلة الماضية بسبب وفرة البيانات وزيادة قوة الحوسبة. هذه هي التكنولوجيا الأساسية التي تقوم عليها العديد من التطبيقات التي نستخدمها كل يوم.

لكن هل سيولد على هذا الأساسوعي التكنولوجيا؟ الحياة الاصطناعية الحقيقية؟ يعتقد بعض العلماء أنه في الوقت الذي يقترب فيه عدد الروابط بين مكونات الشبكات العصبية الاصطناعية من نفس المؤشر الموجود في الدماغ البشري بين عصبوناتنا ، يمكن أن يحدث شيء مثل هذا. ومع ذلك ، فإن هذا البيان مشكوك فيه جدا. من أجل ظهور AI حقيقي ، نحتاج إلى إعادة التفكير في طريقة إنشاء أنظمة قائمة على AI. كل ما هو الآن مجرد برامج تطبيقية لمجموعة محدودة من المهام بدقة. كيف لا نريد أن نصدق أن المستقبل قد حان بالفعل ...

ما رايك هل سيخلق الناس الذكاء الاصطناعى؟ شارك برأيك في دردشة البرقية الخاصة بنا.