ما هي الذكاء الاصطناعي؟ كيف تعمل أنظمة التعلم الآلي

الذكاء الاصطناعي (AI) هو مجال تكنولوجي يسمح للحواسيب والآلات بمحاكاة التعلم البشري والفهم وحل المشاكل واتخاذ القرارات والإبداع والاستقلالية، وفقاً لـ IBM.

الذكاء الاصطناعي الضيق مقابل الذكاء الاصطناعي العام

تميز IBM بين فئتين واسعتين. الذكاء الاصطناعي الضيق، يسمى أيضاً الذكاء الاصطناعي الضعيف، يغطي الأنظمة المصممة لمهمة معينة واحدة، مثل مساعد صوتي أو روبوت محادثة. الذكاء الاصطناعي العام، أو الذكاء الاصطناعي القوي، يشير إلى نظام نظري بفهم واسع عبر العديد من المهام على مستوى بشري أو فوق بشري؛ تؤكد IBM أن هذه الأنظمة غير موجودة حالياً.

التعلم الآلي: محرك معظم الذكاء الاصطناعي

التعلم الآلي (ML) هو المجموعة الفرعية من الذكاء الاصطناعي التي تركز على الخوارزميات التي تتعلم الأنماط من بيانات التدريب ثم تستنتج استنتاجات حول بيانات جديدة، كما توضح IBM. الفرق الرئيسي عن البرمجة التقليدية هو أن المبرمج لا يضطر إلى إملاء كل قاعدة. تعطي IBM مثالاً على اكتشاف البريد المزعج: يحتاج برنامج قائم على القواعد إلى شخص بشري لتحديد شكل البريد المزعج، بينما يتعلم نموذج ML خصائص البريد المزعج من خلال دراسة العديد من رسائل البريد الإلكترونية الأمثلة بمفرده.

ثلاثة أنواع رئيسية من التعلم

وفقاً لـ IBM، يتم تدريب أنظمة التعلم الآلي بشكل عام بإحدى ثلاث طرق. يستخدم التعلم الخاضع للإشراف بيانات مع تسميات ذات إجابات صحيحة معروفة، لمهام مثل تصنيف العناصر أو التنبؤ بقيمة مستمرة مثل السعر. يعمل التعلم غير الخاضع للإشراف مع بيانات بدون تسميات ويبحث عن بنية مخفية، مثل تجميع العملاء المتشابهين معاً. يدرب التعلم المعزز نظاماً من خلال المحاولة والخطأ، ومكافأة الإجراءات التي تحركه نحو الهدف حتى يتعلم تدريجياً استراتيجية مثلى.

حيث يظهر الذكاء الاصطناعي بالفعل

تسرد IBM روبوتات خدمة العملاء، واكتشاف الاحتيال، وتوصيات التسويق المخصصة، فحص التوظيف بمساعدة الذكاء الاصطناعي، أدوات توليد الكود، والصيانة التنبؤية كتطبيقات حالية. بشكل منفصل، تضيف نظرة IBM على التعلم الآلي المركبات المستقلة، وتصفية رسائل البريد الإلكتروني المزعجة، دعم التشخيص الطبي، محركات التوصيات وترجمة اللغات إلى قائمة التقنيات المدفوعة بـ ML المستخدمة بالفعل.

القيود المعروفة: الهلوسات والانحيازات

يمكن لأنظمة الذكاء الاصطناعي التوليدي أن تنتج 'هلوسات' — معلومات مختلقة تبدو حقيقية، وفقاً لمجموعة تقنيات التدريس والتعلم في MIT Sloan. تشير MIT Sloan إلى حالة مبلغ عنها على نطاق واسع حيث استخدم محامٍ ChatGPT للبحث القانوني واخترعت الأداة استشهادات قضائية لم تكن موجودة. تستشهد المجموعة بأبحاث تفيد بأن روبوتات الدردشة ذات الأغراض العامة هلوست في 58% إلى 82% من الاستعلامات القانونية المختبرة، بينما استمرت الأدوات القانونية المتخصصة باستخدام الإنشاء المعزز بالاسترجاع في الهلوسة في أكثر من 17% من الحالات.

تعزو MIT Sloan الهلوسات إلى ثلاثة عوامل: بيانات التدريب التي تخلط المعلومات الدقيقة وغير الدقيقة، والتي يمكن للنماذج أن تعيد إنتاجها؛ التصميم الأساسي لأنظمة توليدية، التي تعمل مثل 'أدوات إكمال متقدمة' التنبؤ بالكلمات التالية المعقولة بدلاً من التحقق من الحقائق؛ والحدود المعمارية التي تسمح للنماذج بدمج الأنماط بطرق جديدة، وأحياناً غير دقيقة، حتى مع بيانات تدريب نظيفة.

بشأن الانحياز، تقرر MIT Sloan أن الدراسات وجدت أن أنظمة الذكاء الاصطناعي يمكن أن تضخيم الأنماط الجنسية والعرقية في الصور المولدة وتنتج ملاحظات وتقديرات أو توصيات مهنية ذات جودة مختلفة تبعاً لتلميحات ديموغرافية في الموجه. تعزو المجموعة هذا إلى بيانات التدريب التي تحتوي على التحيزات الاجتماعية الموجودة، والتي تعيد النماذج إنتاجها دون القدرة على الحكم على الصواب والخطأ. تشير نظرة IBM بشكل منفصل إلى مخاطر البيانات مثل التسميم أو الانحياز المدرج، ومخاطر النموذج مثل السرقة أو معالجة المعاملات، ومخاطر العمليات مثل انجراف النموذج كمخاوف أوسع للمنظمات التي تنشر الذكاء الاصطناعي.

لماذا هذا مهم الآن

تلاحظ IBM أن نقاش الذكاء الاصطناعي الحديث يسيطر عليه الذكاء الاصطناعي التوليدي — أنظمة تنشئ نصوصاً أصلية وصوراً وفيديوهات ومحتوى آخر بدلاً من تصنيف أو التنبؤ فقط من البيانات الموجودة. عندما تصل هذه الأدوات إلى أماكن العمل والمدارس والتطبيقات اليومية، تساعد نفس الآلية الأساسية — التعلم من بيانات التدريب — على شرح كل من قدراتها والحدود الموثقة لها، بما في ذلك مشاكل الهلوسات والانحيازات التي تصفها MIT Sloan.