ما هي خوارزميات الذكاء الاصطناعي وكيف تعمل؟ (دليل شامل)

هذه المقالة مهمة جدا ومفيدة لأنها تقدم نظرة عامة وشاملة عن خوارزميات الذكاء الاصطناعي (AI).
في عصر التقدم التكنولوجي السريع هذا، أصبح معظم الناس على دراية بالذكاء الاصطناعي، ومن المحتمل أننا جميعًا قرأنا مقالات حول انعدام الوظائف بسببه، أو سيطرة الروبوتات على العالم. في حين أن هذه المقالات تعتمد على الخيال العلمي أكثر من كونها تعتمد على المستقبل الملموس للذكاء الاصطناعي، إلا أنها بالتأكيد تبقي الاهتمام بالذكاء الاصطناعي في مقدمة اهتمامات العديد من الأشخاص.

هناك العشرات من الأمثلة على الذكاء الاصطناعي التي قد يستخدمها الناس العاديون، مثل التعرف على الوجه، أو التصحيح التلقائي، أو محركات البحث، أو خوارزميات وسائل التواصل الاجتماعي. ولكن هل تساءلت يوما كيف تعمل هذه البرامج؟

يعتمد الذكاء الاصطناعي على الخوارزميات، ولكن ليست كل خوارزميات الذكاء الاصطناعي متماثلة. لقد تم تطويرها بأهداف وأساليب مختلفة. سنتحدث في هذه المقالة عن الفئات الأربع الرئيسية لخوارزميات الذكاء الاصطناعي وكيفية عملها جميعًا.

في هذه المقالة، سنتناول:

ما هو الذكاء الاصطناعي؟

الذكاء الاصطناعي هو فرع من علوم الكمبيوتر يهتم بإنشاء آلات يمكنها التفكير واتخاذ القرارات من دون تدخل البشر. ويمكن لبرامج الذكاء الاصطناعي القيام بمهام معقدة لم يكن من الممكن القيام بها في السابق إلا من طرف الانسان، كما يمكن لبعض برامج الذكاء الاصطناعي إكمال مهام بسيطة وأخرى أكثر تعقيدًا. وأيضا يمكن للبعض أن يأخذ البيانات للتعلم والتحسن، تمامًا بدون تدخل أي مطور بشري.

اقرأ أيضا: ما هي إيجابيات وسلبيات الذكاء الاصطناعي؟

ما هي خوارزمية الذكاء الاصطناعي؟

إذًا ما هي خوارزمية الذكاء الاصطناعي؟ تعريف الخوارزمية هو “مجموعة من التعليمات التي يجب اتباعها في الحسابات أو العمليات الأخرى.” وهذا ينطبق على كل من الرياضيات وعلوم الكمبيوتر. لذلك على المستوى الأساسي، خوارزمية الذكاء الاصطناعي هي البرمجة التي تخبر الكمبيوتر بكيفية تعلم العمل بمفرده.

تعد خوارزمية الذكاء الاصطناعي أكثر تعقيدًا بكثير مما يتعلمه معظم الناس في الجبر بالطبع، إذ هناك مجموعة معقدة من القواعد تقود برامج الذكاء الاصطناعي، وتحدد خطواتها وقدرتها على التعلم. بدون الخوارزمية، لن يكون الذكاء الاصطناعي موجودًا.

كيف تعمل خوارزميات الذكاء الاصطناعي؟

في حين أن الخوارزمية العامة يمكن أن تكون بسيطة، فإن خوارزميات الذكاء الاصطناعي بطبيعتها أكثر تعقيدًا. وتعمل خوارزميات الذكاء الاصطناعي من خلال الحصول على بيانات التدريب التي تساعد الخوارزمية على التعلم، حيث تمثل كيفية الحصول على هذه البيانات وتصنيفها الفرق الرئيسي بين الأنواع المختلفة لخوارزميات الذكاء الاصطناعي.

تأخذ خوارزمية الذكاء الاصطناعي بيانات التدريب (المصنفة أو غير المسماة، المقدمة من المطورين، أو التي يحصل عليها البرنامج نفسه) وتستخدم تلك المعلومات للتعلم والتقدم، ثم يكمل مهامه باستخدام بيانات التدريب كأساس. يمكن تعليم بعض أنواع خوارزميات الذكاء الاصطناعي لتتعلم من تلقاء نفسها وتستقبل بيانات جديدة لتغيير عملياتها وتحسينها، وسيحتاج البعض الآخر إلى تدخل مبرمج من أجل تبسيط العملية.

اقرأ أيضا: كيفية الربح من الذكاء الاصطناعي بطرق سهلة

أنواع خوارزميات الذكاء الاصطناعي

هناك ثلاث أنواع رئيسية لخوارزميات الذكاء الاصطناعي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز، وتكمن الاختلافات الرئيسية بين هذه الخوارزميات في كيفية تدريبها وكيفية عملها.

ضمن هذه الأنواع الثلاث هناك العشرات من الخوارزميات المختلفة. سنتحدث عن الأكثر شهرة والأكثر استخدامًا من كل فئة، بالإضافة إلى الأماكن التي يتم استخدامها فيها.

خوارزميات التعلم الخاضعة للإشراف

الخوارزميات الأولى والأكثر استخدامًا هي “التعلم الخاضع للإشراف”، وتعمل من خلال استيعاب البيانات ذات العلامات الواضحة أثناء التدريب واستخدامها للتعلم والتطور، ويستخدم البيانات المصنفة للتنبؤ بنتائج البيانات الأخرى. يأتي اسم “التعلم الخاضع للإشراف” لأنه شبيه بتعلم الطالب بحضور معلم أو خبير.

يتطلب بناء خوارزمية تعلم خاضعة للإشراف تعمل بالفعل فريقًا من الخبراء المتفانين لتقييم ومراجعة النتائج، ناهيك عن علماء البيانات لاختبار النماذج التي تنشئها الخوارزمية لضمان دقتها مقابل البيانات الأصلية، والتعرف على أي أخطاء من الذكاء الاصطناعي.

التعاريف: التصنيف والانحدار

أدناه، ننتقل إلى شرح الأنواع المختلفة لخوارزميات التعلم الخاضع للإشراف، ويمكن استخدام كل منها إما للتصنيف أو الانحدار، أو كليهما.

التصنيف يعني نتيجة إما/أو باستخدام الثنائي (0 = لا، 1 = نعم). لذا فإن الخوارزمية ستصنف شيئًا ما على أنه واحد أو آخر، ولكن ليس كليهما معًا. هناك أيضًا تصنيف متعدد الفئات، والذي يتعامل مع تنظيم البيانات في فئات أو أنواع محددة ذات صلة باحتياجات معينة.

الانحدار يعني أن النتيجة ستنتهي برقم حقيقي (إما مستدير أو علامة عشرية). وعادةً ما يكون لديك متغير تابع ومتغير مستقل، وستستخدم الخوارزمية كلتا النقطتين لتقدير نتيجة أخرى محتملة (إما التنبؤ أو التقدير المعمم).

شجرة القرار

واحدة من أكثر خوارزميات التعلم الخاضع للإشراف شيوعًا، حصلت أشجار القرار على اسمها بسبب بنيتها الشبيهة بالشجرة (على الرغم من أن الشجرة مقلوبة). “جذور” الشجرة هي مجموعات بيانات التدريب وهي تؤدي إلى عقد محددة تشير إلى سمة اختبار. وغالبًا ما تؤدي العقد إلى عقد أخرى، والعقدة التي لا تؤدي إلى الأمام تسمى “ورقة”.

تقوم أشجار القرار بتصنيف كافة البيانات إلى عقد القرار، ويستخدم معايير اختيار تسمى مقاييس اختيار السمات (ASM) والتي تأخذ في الاعتبار المقاييس المختلفة (بعض الأمثلة هي الإنتروبيا، ونسبة الكسب، واكتساب المعلومات، وما إلى ذلك). باستخدام البيانات الجذرية واتباع ASM، يمكن لشجرة القرار تصنيف البيانات المقدمة لها عن طريق اتباع بيانات التدريب إلى عقد فرعية حتى تصل إلى النتيجة.

اقرأ أيضا: تعلم كيفية التحدث مع الذكاء الاصطناعي بالطريقة الصحيحة

غابة عشوائية

خوارزمية الغابة العشوائية هي في الواقع مجموعة واسعة من أشجار القرار المختلفة، وهذا ما أدى إلى تسميتها بهذا الاسم. تقوم الغابة العشوائية ببناء أشجار قرارات مختلفة وربطها للحصول على نتائج أكثر دقة، ويمكن استخدامها لكل من التصنيف والانحدار.

دعم آلات المتجهات

خوارزمية آلة ناقل الدعم (SVM) هي خوارزمية ذكاء اصطناعي مشهورة أخرى يمكن استخدامها للتصنيف أو الانحدار (ولكنها تستخدم غالبًا للتصنيف). يعمل SVM عن طريق رسم كل جزء من البيانات على مخطط (في مساحة الأبعاد N حيث N = عدد نقاط البيانات). بعد ذلك تقوم الخوارزمية بتصنيف نقاط البيانات من خلال إيجاد المكان الفائق الذي يفصل بين كل فئة. ويمكن أن يكون هناك أكثر من طائرة مفرطة واحدة.

بايز ساذج

سبب تسمية هذه الخوارزمية بـ “Naive Bayes” هو أنها تعتمد على نظرية بايز، وتعتمد أيضًا بشكل كبير على افتراض كبير: أن وجود ميزة معينة لا علاقة له بوجود ميزات أخرى في نفس الفئة. هذا الافتراض الرئيسي هو الجانب “الساذج” من الاسم.

يعد Naive Bayes مفيدًا لمجموعات البيانات الكبيرة التي تحتوي على العديد من الفئات المختلفة. وهي، مثل العديد من خوارزميات التعلم الخاضعة للإشراف، هي خوارزمية تصنيف.

الانحدار الخطي

الانحدار الخطي عبارة عن خوارزمية ذكاء اصطناعي للتعلم تحت الإشراف تستخدم لنمذجة الانحدار. ويتم استخدامه في الغالب لاكتشاف العلاقة بين نقاط البيانات والتنبؤات، ويشبه إلى حد كبير SVM، فهو يعمل عن طريق رسم أجزاء من البيانات على مخطط حيث يكون المحور X هو المتغير المستقل والمحور Y هو المتغير التابع. يتم بعد ذلك رسم نقاط البيانات بطريقة خطية لتحديد العلاقة بينها والتنبؤ بالبيانات المستقبلية المحتملة.

الانحدار اللوجستي

تستخدم خوارزمية الانحدار اللوجستي عادة قيمة ثنائية (0/1) لتقدير القيم من مجموعة من المتغيرات المستقلة. ناتج الانحدار اللوجستي هو إما 1 أو 0، نعم أو لا. مثال على ذلك سيكون عامل تصفية البريد العشوائي في البريد الإلكتروني. ويستخدم عامل التصفية الانحدار اللوجستي لتحديد ما إذا كان البريد الإلكتروني الوارد عبارة عن بريد عشوائي (0) أم لا (1).

يكون الانحدار اللوجستي مفيدًا فقط عندما يكون المتغير التابع قاطعًا، إما نعم أو لا.

اقرأ أيضا: هل الذكاء الاصطناعي سوف يسيطر على العالم

خوارزميات التعلم غير الخاضعة للإشراف

يتم إعطاء خوارزميات التعلم غير الخاضعة للإشراف بيانات غير مصنفة، وتستخدم خوارزميات التعلم غير الخاضعة للإشراف تلك البيانات غير المسماة لإنشاء نماذج وتقييم العلاقات بين نقاط البيانات المختلفة من أجل إعطاء مزيد من المعرفة للبيانات.

التجميع

تؤدي العديد من خوارزميات التعلم غير الخاضعة للإشراف وظيفة التجميع، مما يعني أنها تقوم بفرز نقاط البيانات غير المسماة إلى مجموعات محددة مسبقًا. والهدف هو أن تنتمي كل نقطة بيانات إلى مجموعة واحدة فقط، دون أي تداخل، كما يمكن أن يكون هناك أكثر من نقطة بيانات واحدة في أي مجموعة معينة، ولكن لا يمكن أن تنتمي نقطة البيانات إلى أكثر من مجموعة واحدة.

K-means

هي خوارزمية مصممة لأداء وظيفة التجميع في التعلم غير الخاضع للإشراف، وتقوم بذلك عن طريق استيعاب المجموعات المحددة مسبقًا وتخطيط جميع البيانات بغض النظر عن المجموعة. ثم يقوم بعد ذلك برسم جزء من البيانات تم اختياره عشوائيًا ليكون بمثابة النقطه الوسطى لكل مجموعة (فكر في الأمر كدائرة حول كل مجموعة، بحيث تكون تلك القطعة من البيانات هي النقطة المركزية بالضبط). ومن هناك يقوم بفرز نقاط البيانات المتبقية في مجموعات بناءً على قربها من بعضها البعض ونقطة بيانات النقطه الوسطى لكل مجموعة.

نموذج الخليط الغوسي

تتشابه نماذج الخليط الغوسي مع مجموعات K-means في نواحٍ عديدة. وكلاهما مهتمان بفرز البيانات في مجموعات محددة مسبقًا بناءً على القرب. ومع ذلك فإن النماذج الغوسية أكثر تنوعًا قليلاً في أشكال التجمعات التي تسمح بها.

قم بتصوير رسم بياني يوضح جميع نقاط البيانات الخاصة بك. يسمح نظام K-means التجميعي فقط بتجميع البيانات في دوائر بحيث تكون النقطة الوسطى في وسط كل مجموعة. ويمكن للخليط الغاوسي التعامل مع البيانات التي تصل إلى الرسم البياني في أنماط أكثر خطية، مما يسمح بتكوين مجموعات مستطيلة الشكل، وهذا يسمح بمزيد من الوضوح في التجميع إذا هبطت نقطة بيانات واحدة داخل دائرة مجموعة أخرى.

الخوارزميات الخاضعة للإشراف وغير الخاضعة للإشراف

يمكن لبعض خوارزميات الذكاء الاصطناعي استخدام إدخال البيانات الخاضعة للإشراف أو غير الخاضعة للإشراف وتظل تعمل، وقد يكون لديهم تطبيقات مختلفة قليلاً بناءً على حالتهم.

خوارزمية الجوار الأقرب K

خوارزمية K-nearest المجاورة (KNN) هي خوارزمية مبسطة للذكاء الاصطناعي تفترض أن جميع نقاط البيانات المقدمة قريبة من بعضها البعض وترسمها على خريطة لإظهار العلاقة بينها. بعد ذلك، يمكن للخوارزمية حساب المسافة بين نقاط البيانات من أجل استقراء العلاقة بينها، وحساب المسافة على الرسم البياني.

وفي التعلم تحت الإشراف، يمكن استخدامه إما لتطبيقات التصنيف أو الانحدار. وفي التعلم غير الخاضع للإشراف يتم استخدامه بشكل شائع للكشف عن الحالات الشاذة؛ أي العثور على البيانات التي لا تنتمي إليها وإزالتها.

الشبكات العصبية

خوارزمية الشبكة العصبية هي مصطلح يشير إلى مجموعة من خوارزميات الذكاء الاصطناعي التي تحاكي وظائف الدماغ البشري، وتميل إلى أن تكون أكثر تعقيدًا من العديد من الخوارزميات التي تمت مناقشتها أعلاه ولها تطبيقات تتجاوز بعض تلك التي تمت مناقشتها هنا. وفي التعلم غير الخاضع للإشراف أو الخاضع للإشراف، يمكن استخدامها للتصنيف والتعرف على الأنماط.

تعزيز خوارزميات التعلم

النوع الرئيسي الأخير من خوارزميات الذكاء الاصطناعي هو خوارزميات التعلم المعزز، والتي تتعلم من خلال تلقي ردود الفعل من نتيجة عملها، وعادة ما يكون هذا في شكل “مكافأة”.

تتكون خوارزمية التعزيز عادة من جزأين رئيسيين: الوكيل الذي ينفذ الإجراء، والبيئة التي يتم فيها تنفيذ الإجراء. تبدأ الدورة عندما ترسل البيئة إشارة “الحالة” إلى الوكيل، حيث يؤدي ذلك إلى وضع الوكيل في قائمة الانتظار لتنفيذ إجراء محدد داخل البيئة. وبمجرد تنفيذ الإجراء ترسل البيئة إشارة “مكافأة” إلى الوكيل، لإبلاغه بما حدث، حتى يتمكن الوكيل من تحديث وتقييم الإجراء الأخير. وبعد ذلك، باستخدام هذه المعلومات الجديدة، يمكنه اتخاذ الإجراء مرة أخرى، وتتكرر هذه الدورة حتى ترسل البيئة إشارة إنهاء.

هناك نوعان من التعزيز الذي يمكن أن تستخدمه الخوارزمية: إما مكافأة إيجابية، أو مكافأة سلبية.

تعريفات: النموذج، السياسة، القيمة

في خوارزميات التعزيز، هناك طرق مختلفة قليلاً اعتمادًا على ما يتم قياسه وكيفية قياسه. فيما يلي بعض التعريفات للنماذج والمقاييس المختلفة:

• السياسة: النهج الذي يتبعه الوكيل لتحديد الإجراء التالي الذي سيتخذه الوكيل.
• النموذج: حالة وديناميكيات البيئة.
• القيمة: النتائج المتوقعة على المدى الطويل. وهذا يختلف عن المكافأة، التي تكون نتيجة إجراء واحد داخل البيئة. القيمة هي النتيجة طويلة المدى للعديد من الإجراءات.

على أساس القيمة

في خوارزمية التعزيز القائمة على القيمة، يدفع الوكيل نحو العائد المتوقع على المدى الطويل، بدلاً من التركيز فقط على المكافأة قصيرة المدى.

على أساس السياسة

عادة ما تتخذ خوارزمية التعزيز القائمة على السياسة أحد طريقتين لتحديد مسار العمل التالي. إما نهج موحد حيث تنتج أي دولة نفس الإجراء أو نهج ديناميكي حيث يتم رسم احتمالات معينة وحساب الاحتمالات. ولكل احتمال رد فعل سياسي خاص به.

على أساس النموذج

في هذه الخوارزمية، يقوم المبرمج بإنشاء ديناميكية مختلفة لكل بيئة. وبهذه الطريقة، عندما يتم وضع الوكيل في كل نموذج مختلف، فإنه يتعلم الأداء بشكل متسق في كل حالة.

اقرأ أيضا: ما هي أفضل شركات الذكاء الاصطناعي

استخدامات خوارزميات الذكاء الاصطناعي

هناك الآلاف من التطبيقات لأنظمة الذكاء الاصطناعي والخوارزميات. لقد تطرقنا إلى ما قد يبدو وكأنه خوارزميات بسيطة في هذه المقالة، ولكن حتى تلك الخوارزميات لديها مئات التطبيقات المحتملة. الاحتمالات لا حصر لها.

تتضمن بعض الاستخدامات الشائعة لخوارزميات الذكاء الاصطناعي ما يلي:

• إدخال البيانات وتصنيفها
• التحليلات المتقدمة أو التنبؤية
• محركات البحث (جوجل، ياهو، بنج، الخ)
• المساعدون الرقميون (سيري، أليكسا، إلخ.)
• الروبوتات (آلات التجميع، السيارات ذاتية القيادة، إلخ)

خوارزميات الذكاء الاصطناعي وتطبيقات الأعمال

الآن بعد أن تعرفت على الطرق المختلفة التي يعمل بها الذكاء الاصطناعي والقليل عن التطبيقات الممكنة، فقد حان الوقت للتفكير في كيفية استخدامه في الأعمال التجارية. وفقًا لتقرير Appen State of AI لعام 2021، تحتاج الشركات إلى اعتماد الذكاء الاصطناعي في نماذجها أو المخاطرة بالتخلف عن الركب مع تقدم التكنولوجيا.

كانت هذه مقالتنا حول خواريزميات الذكاء الاصطناعي، الكثير من المعلومات قدمتها لنا هذه المقالة.