شرح الفرق بين الذكاء الاصطناعي والتعلّم الآلي والتعلّم العميق

أهم النقاط

• الذكاء الاصطناعي هو المجال الأشمل: ويضم أنظمة تنفّذ مهام مرتبطة بالذكاء البشري، باستخدام القواعد أو التعلّم أو أساليب أخرى.
• تعلّم الآلة فرع من الذكاء الاصطناعي: ويكتشف الأنماط في البيانات بدلًا من الاعتماد فقط على قواعد مكتوبة صراحةً.
• التعلّم العميق فرع من تعلّم الآلة: ويستخدم شبكات عصبية متعددة الطبقات لتعلّم أنماط معقّدة في النصوص والصور والصوت وغيرها من البيانات.

الذكاء الاصطناعي هو المصطلح الشامل، وتعلّم الآلة أحد الأساليب التي تندرج تحته، والتعلّم العميق أسلوب أكثر تخصصًا ضمن تعلّم الآلة. وأبسط طريقة لتذكّر الفرق هي: التعلّم العميق يندرج ضمن تعلّم الآلة، الذي يندرج بدوره ضمن الذكاء الاصطناعي.

كيف تعمل هذه التقنيات

تصف هذه المصطلحات مفاهيم مترابطة، لا ثلاث تقنيات متنافسة. ويمكن لمنتج واحد أن يجمع بينها جميعًا.

الذكاء الاصطناعي: الفئة الأشمل

يشمل الذكاء الاصطناعي أساليب بناء أنظمة تنفّذ مهام مثل الاستدلال والتخطيط والتعرّف على الكلام وفهم اللغة.

لا يتعلّم كل ذكاء اصطناعي من البيانات. فبعض الأنظمة تستخدم معارف وقواعد يكتبها البشر. على سبيل المثال، قد يوصي نظام خبير قائم على القواعد بخطوة لاستكشاف الأعطال وإصلاحها استنادًا إلى مجموعة من الأعراض.

ولا يعني ذلك أن كل سير عمل مؤتمت يُعدّ ذكاءً اصطناعيًا. فالمؤقّت الذي يرسل رسالة بريد إلكتروني عند الظهر هو أتمتة عادية؛ ولا يصبح ذكيًا لمجرد أنه يعمل دون مساعدة بشرية.

تعلّم الآلة: اكتشاف الأنماط في البيانات

في تعلّم الآلة، يدرّب المطوّرون نموذجًا باستخدام أمثلة. وتُعدّل عملية التدريب النموذج بحيث يتمكّن من تقديم تنبؤات أو اتخاذ قرارات مفيدة بشأن مدخلات جديدة.

على سبيل المثال، يمكن لمرشّح البريد العشوائي أن يتعلّم الأنماط من رسائل بريد إلكتروني مصنّفة على أنها «عشوائية» و«غير عشوائية». وبدلًا من أن يكتب شخص قاعدة لكل عبارة مشبوهة، يتعلّم النموذج تركيبات المؤشرات المرتبطة بالرسائل غير المرغوب فيها.

تشمل الأساليب الشائعة:

• التعلّم الخاضع للإشراف: التعلّم من أمثلة ذات إجابات معروفة، مثل رسائل البريد الإلكتروني المصنّفة.
• التعلّم غير الخاضع للإشراف: اكتشاف البنية في البيانات دون تسميات إجابات محددة مسبقًا، مثل تجميع العملاء المتشابهين.
• التعلّم المعزّز: التعلّم من خلال التغذية الراجعة بشأن الأفعال ونتائجها.

في كثير من مسارات العمل التقليدية لتعلّم الآلة، يختار البشر أيضًا سمات مفيدة للمدخلات، مثل مبلغ المعاملة أو عمر الحساب أو معدل تكرار الشراء.

التعلّم العميق: التعلّم عبر شبكات عصبية متعددة الطبقات

يستخدم التعلّم العميق شبكات عصبية ذات طبقات معالجة متعددة. وأثناء التدريب، تتعلّم هذه الطبقات تمثيلات تساعد النموذج على التعامل مع المدخلات المعقّدة.

في التعرّف على الصور، قد تكتشف الطبقات الأولى أنماطًا بصرية بسيطة، بينما تجمعها الطبقات اللاحقة في سمات أكثر تعقيدًا. ويقلّل ذلك الحاجة إلى تصميم كل سمة يدويًا، مع بقاء دور البشر مهمًا في اتخاذ قرارات بشأن البيانات وتصميم النموذج وتقييمه.

يشغّل التعلّم العميق كثيرًا من أنظمة التعرّف على الكلام ومولّدات الصور والنماذج اللغوية الكبيرة الحديثة.

ومن الفروق المهمة: التدريب ليس هو استخدام النموذج. فالتدريب يغيّر المعلمات التي تعلّمها النموذج. أما استخدام النموذج المدرّب لإنتاج إجابة أو تنبؤ فيُسمّى الاستدلال. وروبوت المحادثة الذي يردّ على رسالتك لا يتعلّم بالضرورة تعلّمًا دائمًا من تلك المحادثة.

أمثلة من الواقع

دعم العملاء

قد يرشد مساعد قائم على القواعد العملاء عبر شجرة ثابتة لاستكشاف الأعطال وإصلاحها. وقد يصنّف نموذج لتعلّم الآلة تذاكر الدعم الواردة بحسب الموضوع أو درجة الاستعجال.

وقد يصوغ نموذج لغوي قائم على التعلّم العميق ردًا باللغة الطبيعية. ويمكن لمنتج الدعم النهائي أن يجمع بين هذه الأساليب واسترجاع المستندات والمراجعة البشرية.

اكتشاف الاحتيال

قد يستخدم بنك قواعد صريحة لوضع علامات على معاملات معينة، وتعلّم الآلة لتحديد تركيبات غير معتادة من المؤشرات.

يمكن للتعلّم العميق أيضًا أن يساعد في بعض أنظمة اكتشاف الاحتيال، لكنه ليس الخيار الأفضل تلقائيًا. فقد تكون النماذج الأبسط أسهل في الصيانة والتفسير، خاصةً عندما تكون البيانات منظّمة في صفوف وأعمدة.

الكتابة والبحث

يستخدم ChatGPT نماذج لغوية كبيرة للمساعدة في مهام مثل الكتابة والبرمجة والتحليل والبحث اليومي. وهذه النماذج اللغوية أمثلة على التعلّم العميق.

يساعد Perplexity المستخدمين على البحث عن إجابات لأسئلتهم من خلال إجابات مولّدة بالذكاء الاصطناعي تتضمن إحالات إلى مصادر على الويب. ويوضّح كيف يمكن لمنتج ذكاء اصطناعي أن يجمع بين النص المولّد واسترجاع المعلومات.

لا تضمن سلاسة الإجابة ولا وجود إحالة إلى مصدر دقّتها. وفي الأبحاث المهمة، افتح المادة المُشار إليها وتحقّق مما إذا كانت تدعم الادعاء.

الكلام والصور

تحوّل أنظمة تحويل الكلام إلى نص الصوت إلى كلمات، بينما تحدّد أنظمة التعرّف على الصور الأنماط في الصور. ويُستخدم التعلّم العميق على نطاق واسع في كليهما.

تتعرّف هذه الأنظمة على أنماط تعلّمتها؛ لكنها لا تفهم بالضرورة مشهدًا أو محادثة بالطريقة التي يفهمها الإنسان.

الفوائد والقيود

يمكن للذكاء الاصطناعي أتمتة المهام المعقّدة، لكن الأسلوب المستخدم مهم. فقد تكون الأنظمة القائمة على القواعد قابلة للتنبؤ وسهلة الفحص. ومع ذلك، قد تصبح صيانة قواعدها صعبة عندما تتكاثر الاستثناءات.

يمكن لتعلّم الآلة تحسين التنبؤات على نطاق واسع. وهو مفيد عندما تحتوي الأمثلة السابقة على أنماط ذات صلة. وتشمل قيوده تدنّي جودة البيانات، وتحيّز التسميات، وتغيّر الظروف بما يجعل الأنماط القديمة أقل فائدة.

يمكن للتعلّم العميق التعامل مع البيانات المعقّدة وغير المهيكلة. وهو مفيد خصوصًا للغة والصوت والصور. وقد يتطلّب تدريب نماذج كبيرة من الصفر موارد حوسبة وبيانات ضخمة، مع أن استخدام نموذج مدرّب مسبقًا يكون غالبًا أكثر عملية بكثير.

في المجالات الثلاثة جميعًا، ضع هذه القيود في الحسبان:

• تظل الأخطاء ممكنة: قد تكون المخرجات خاطئة حتى لو بدت واثقة.
• قد ينتقل التحيّز إلى النتائج: قد تعكس الأنظمة اختلالات في البيانات أو خيارات التصميم.
• تختلف قابلية التفسير: بعض القرارات أسهل بكثير في الفحص من غيرها.
• تحتاج الخصوصية إلى اهتمام: تتطلّب المعلومات الحساسة تدابير حماية مناسبة.

أفضل أسلوب هو أبسط أسلوب يلبّي احتياجاتك من حيث الدقة والموثوقية والتكلفة والإشراف، وليس بالضرورة النموذج الأحدث أو الأكبر.

كيف تبدأ

1. حدّد المهمة قبل اختيار التقنية. عبارة «تقليل الوقت المستغرق في تلخيص الأوراق البحثية» أكثر فائدة من «البدء باستخدام التعلّم العميق».

1. حدّد ما إذا كنت تحتاج إلى أداة أم إلى نموذج مخصّص. يُفضّل لمعظم المبتدئين والمهنيين المشغولين البدء بتطبيق موجود. أما بناء نموذج وتدريبه فهو مشروع تقني منفصل.

1. اختر الأداة المناسبة لسير العمل. استخدم ChatGPT للصياغة والشروحات، أو Perplexity للبحث عبر الويب مع إحالات إلى المصادر. ويُعدّ NotebookLM خيارًا آخر يمكن استكشافه لمسارات العمل التي تركّز على البحث.

1. اختبر باستخدام مجموعة صغيرة من الأمثلة المعروفة. قارن المخرجات بإجابات يمكنك التحقّق منها. وتتبّع الأخطاء في الحقائق والمعلومات الناقصة ومقدار التحرير المطلوب.

1. أضف مراجعة بشرية عندما تكون للأخطاء عواقب مهمة. تحقّق من المخرجات ذات التبعات قبل استخدامها في قرارات صحية أو قانونية أو مالية أو متعلقة بالتوظيف.

إذا كنت تطوّر نماذج لتعلّم الآلة، فيمكن أن يساعدك Weights & Biases في تتبّع عمليات التدريب. وهذه حاجة مختلفة عن مجرد استخدام مساعد ذكاء اصطناعي.

الأسئلة الشائعة

هل كل ذكاء اصطناعي هو تعلّم آلة؟

لا. يشمل الذكاء الاصطناعي أيضًا أساليب قائمة على القواعد الصريحة والبحث والتخطيط وغيرها من الطرق التي لا تتطلّب التعلّم من الأمثلة. وتعلّم الآلة أحد الفروع الرئيسية للذكاء الاصطناعي.

هل التعلّم العميق أفضل دائمًا من أساليب تعلّم الآلة الأخرى؟

لا. التعلّم العميق قوي في المهام التي تتضمن النصوص والصور والصوت، لكن النماذج الأبسط قد تعمل بصورة أفضل مع بعض مجموعات البيانات المهيكلة. وقد تكون أيضًا أسرع وأقل تكلفة وأسهل في التفسير.

أين يندرج الذكاء الاصطناعي التوليدي؟

يصف الذكاء الاصطناعي التوليدي الأنظمة التي تنشئ محتوى، مثل النصوص أو الصور أو الصوت. وتعتمد معظم أنظمة الذكاء الاصطناعي التوليدي الحديثة واسعة الاستخدام على التعلّم العميق. ومع ذلك، يدعم التعلّم العميق أيضًا مهام غير توليدية، مثل تصنيف الصور أو التنبؤ بقيمة عددية.