الذكاء الاصطناعي: حالة الذكاء الاصطناعي الحديث وأساليب تدريسه المقترحة
م.د. محي مرتضى محي القزويني
 
في هذه المقالة يتم تقديم تحليل موجز لحالة الذكاء الاصطناعي الحديث، وإظهار دور التعلم الآلي في الذكاء الاصطناعي. ويتم تقديم مقترحات لتنظيم تدريب الطلاب الجامعيين في الذكاء الاصطناعي.
الكلمات المفتاحية: الذكاء الاصطناعي، التعلم الآلي، الشبكات العصبية، التعلم العميق، تعليم الذكاء الاصطناعي.
هناك الكثير من الحديث عن الذكاء الاصطناعي هذه الأيام. هذا مصطلح غامض للغاية ، حيث لا يوجد حتى تعريف مقبول بشكل عام للذكاء الطبيعي (البشري). على سبيل المثال، في [1] هناك نظرة عامة على أكثر من 70 تعريفا للذكاء الاصطناعي. نحن نقبل تعريف الذكاء الاصطناعي: “أنظمة الذكاء الاصطناعي. تصنيف أنظمة الذكاء الاصطناعي”: “الذكاء الاصطناعي Artificial Intelligence هو مجموعة من الحلول التكنولوجية التي تسمح بمحاكاة الوظائف المعرفية البشرية (بما في ذلك التعلم الذاتي والبحث عن حلول بدون خوارزمية محددة مسبقا وتحقيق البصيرة) والحصول على نتائج مماثلة على الأقل مع نتائج النشاط الفكري البشري عند أداء مهام معالجة البيانات المحددة عمليا الهامة.
في الذكاء الاصطناعي، من المعتاد تمييز الذكاء الاصطناعي القوي Strong AI، أو الذكاء الاصطناعي العام (Artificial general intelligence AGI) هو خوارزمية ذكية قادرة على حل مجموعة واسعة من المهام الفكرية على الأقل على قدم المساواة مع العقل البشري والذكاء الاصطناعي الضعيف Weak AI، أو الذكاء الاصطناعي الضيق Narrow AI، الذكاء الاصطناعي التطبيقي هو خوارزمية ذكية تقلد العقل البشري في حل مهام محددة عالية التخصص [3، 4]. أصبح الذكاء الاصطناعي القوي الآن هدفا للعلم. تم تحقيق نتائج هائلة في مجال الذكاء الاصطناعي التطبيقي: التعرف على الوجوه، والتواصل باللغة الطبيعية، واسترجاع المعلومات، وما إلى ذلك).
يظهر هيكل الذكاء الاصطناعي التطبيقي الحديث في الشكل 1. الاتجاه الرئيسي للذكاء الاصطناعي الحديث هو التعلم الآلي Machine Learning– تقنيات التعلم التلقائي لخوارزميات الذكاء الاصطناعي باستخدام الأمثلة، ونتيجة لذلك تزداد جودة الخوارزميات [5-9]. لا يسمح الاتجاه الشائع سابقا المرتبط بالاستدلال المنطقي بالحصول على نتائج مثل التعلم الآلي ولا يهيمن على الذكاء الاصطناعي الحديث.
الجزء الأكثر أهمية (ولكن ليس الوحيد) في التعلم الآلي الحديث هو الشبكات العصبية الاصطناعية Artificial Neural Networks هي نماذج رياضية تتكون من طبقات من “الخلايا العصبية” المبنية على مبدأ تنظيم وعمل الشبكات العصبية البيولوجية [10]. الاتجاه الجديد للشبكات العصبية هو الشبكات العصبية العميقة Deep Neural Networks– الشبكات، محتوى عدد كبير من الطبقات [11،12].
يتقاطع الذكاء الاصطناعي مع علم البيانات Data Science وهو فرع من فروع علوم الكمبيوتر يدرس مشاكل تحليل البيانات ومعالجتها وتقديمها في شكل رقمي [13]. يجمع علم البيانات بين معالجة البيانات ذات الحجم الكبير والمتوازي، والأساليب الإحصائية، واستخراج البيانات، وتطبيقات الذكاء الاصطناعي للعمل مع البيانات، بالإضافة إلى طرق تصميم قواعد البيانات وتطويرها.
 
شكل 1 هيكل الذكاء الاصطناعي التطبيقي
 
هناك تعريفات مختلفة للتعلم الآلي. على سبيل المثال، يتم إعطاء التعريف التالي [6]: “التعلم الآلي هو التدريب المنهجي للخوارزميات والأنظمة، ونتيجة لذلك تزداد معرفتهم أو جودة العمل مع اكتساب الخبرة. “الآلات لا تتعلم مثل الناس. يدور التعلم الآلي حول إيجاد صيغة رياضية، عند تطبيقها على مجموعة من المدخلات (مجموعة التدريب training set)، تنتج النتائج المرجوة. يجب أن يكون لهذه الصيغة أيضا قدرة تعميم- نموذج حدد المخرجات الصحيحة للمدخلات بخلاف بيانات التدريب، بشرط أن يكون لبيانات الإدخال نفس التوزيع الإحصائي أو التوزيع الإحصائي المماثل لبيانات التدريب. تمت صياغة مصطلح “التعلم الآلي” في شركة IBM في عام 1959 لأسباب تسويقية لجذب العملاء والموظفين الموهوبين. هناك ثلاثة أنواع من التعلم الحاسوبي:
التعلم الاستنتاجي أو التحليلي Deductive or analytical learning. هناك معرفة صاغها خبير وتم إضفاء الطابع الرسمي عليها بطريقة ما. يستمد البرنامج حقائق ملموسة وقواعد جديدة من هذه القواعد. يستخدم هذا النهج في أنظمة الخبراء.
التعلم الاستقرائي Inductive learning. بناء على البيانات التجريبية المقدمة ، يقوم البرنامج بضبط النموذج الرياضي.
التعلم المشترك Combined learning.
في التعلم الآلي، يعتبر التعلم الاستقرائي. لا يمارس التعلم الاستنتاجي حاليا على نطاق واسع بسبب صعوبة إضفاء الطابع الرسمي على المعرفة.
تم تحقيق أكبر نجاح في التعلم العميق [11]، والذي يستخدم شبكات عصبية ذات بنية خاصة مع عدد كبير من الطبقات. بدأ التطور السريع للتعلم العميق بنشر مقال [14] بقلم Hinton و Salakhutdinov. لا يرجع التطور المكثف للتعلم العميق إلى التقدم في نظرية الشبكات العصبية فحسب، بل يرجع أيضا إلى تراكم كميات كبيرة من بيانات التدريب للشبكات العصبية ونمو قوة الكمبيوتر، لذلك يتطلب التعلم العميق كميات كبيرة من البيانات ويضع متطلبات عالية على قوة أجهزة الكمبيوتر التي يتم إجراء التدريب عليها. خطت الشبكات العصبية العميقة خطوات كبيرة في التعرف على الصور والنصوص والأصوات وتوليفها. من سمات المرحلة الحالية في تطوير الذكاء الاصطناعي تسويقه: عدد كبير من الشركات التي تعمل في مجال الذكاء الاصطناعي، بما في ذلك شركات تكنولوجيا المعلومات الرائدة مثل Google و Microsoft و IBM و Amazon و Huawei و Yandex وغيرها الكثير. ظهرت العديد من المنتجات التجارية القائمة على الذكاء الاصطناعي. لقد دخل الذكاء الاصطناعي حياتنا بشكل لا رجعة فيه.
تملي الحالة الحالية للذكاء الاصطناعي الحاجة إلى دراسته الجماعية في جميع مستويات التعليم العالي.
دعونا نفكر في التدريب في الذكاء الاصطناعي في درجة البكالوريوس في مجالات التدريب التقنية والعلوم الطبيعية. يجب أن يكون التدريب في الذكاء الاصطناعي مختلفا بالنسبة للخريجين الذين يركزون على استخدام الأدوات الجاهزة ومكتبات البرامج لاستخدامها في مختلف المجالات، والمتخصصين الذين يعرفون مبادئ الخوارزميات، القادرون على تنفيذ الخوارزميات بشكل مستقل ونشر نماذج التعلم الآلي.
بادئ ذي بدء، يجب أن يؤخذ في الاعتبار أن الذكاء الاصطناعي الحديث يعتمد بشكل أساسي على أساس رياضي (انظر، على سبيل المثال، [15]). حتى مع التركيز على استخدام البرامج الجاهزة، فإن الاختيار الكفء لهذه البرامج يتطلب بعض الإعداد الرياضي. في الوقت نفسه، لا تشمل مواد الرياضيات أو لا تشمل بشكل كاف الأقسام ذات الصلة بتخصص الرياضيات. أثناء تدريس المادة العديد من المفاهيم الرياضية للذكاء الاصطناعي، هنالك مجموعة معروفة من الأسس الرياضية للتعلم الآلي. “الجبر الخطي الحسابي Computational Linear Algebra“- بالإضافة إلى المعرفة التقليدية للمصفوفات والمتجهات، تحتاج إلى الانتباه إلى معايير المتجهات والمصفوفات، وتحلل المصفوفة، وخاصة تحليل القيمة الفردية، ومشكلة القيمة الذاتية، والطريقة العددية لحل مشاكل الجبر الخطي. يجب تقسيم مقرر “نظرية الاحتمالات والإحصاء الرياضي Probability Theory and Mathematical Statistics“. عند دراسة نظرية الاحتمالات، من الضروري الانتباه إلى نظرية بايز Bayes’ theorem.
يجب تدريس الإحصاء الرياضي كتخصص تطبيقي مع الاستخدام الإلزامي لأجهزة الكمبيوتر. بحاجة إلى دورة تدريبية حول طرق التحسين العددي. في هذه الحالة، يجب إيلاء الاهتمام الرئيسي لطرق تحسين التدرج من الدرجة الأولى والثانية. ينصح بدراسة محتوى الذكاء الاصطناعي في التدريب المتقدم في عدة دورات (كورسات)، تسمى بشروط: “التعلم الآلي Machine Learning“، “أساسيات الشبكات العصبية Fundamentals of Neural Networks“، “التعلم العميق Deep Learning” (يمكن الجمع بين الكورسين الأخيرين)، “الذكاء الاصطناعي Artificial Intelligence” (في هذا الكورس، يجب أن يعطي صورة عامة للذكاء الاصطناعي، بما في ذلك الاستدلال وأنظمة الخبراء). اعتمادا على تفاصيل مجال الدراسة، يمكن تخصيص دورات حول معالجة أنواع مختلفة من المعلومات (الصور، الفيديو، النصوص، الصوت)، المركبات غير المأهولة، أنظمة التوصية، التنقيب عن البيانات، إلخ. قد تشمل الدراسة الأكثر تعمقا للذكاء الاصطناعي دورات حول التعلم المعزز والاستدلال البايزي Bayesian inference وشبكات بايز Bayesian networks. يتطلب التدريب على البرمجة في مجال الذكاء الاصطناعي دراسة لغة Python، والتي أصبحت المعيار الفعلي في هذا المجال. هناك مشكلة منفصلة في تدريب متخصصي الذكاء الاصطناعي في تعلم كيفية نشر نموذج ذكاء اصطناعي في بيئة معينة، على سبيل المثال، على منصة متنقلة Mobile platform. سيتطلب ذلك القدرة على تصميم واجهة مستخدم، وإنشاء برامج قابلة للتنفيذ (ربما حتى إعادة كتابة النماذج بلغة أخرى، مثل ++C)، وتوصيل النماذج بنظام كبير. بالإضافة إلى ذلك، في نظام حقيقي، يجب إعادة تدريب النموذج على تغيير البيانات الحقيقية. وبالتالي فإن تدريب الطلاب في مجال الذكاء الاصطناعي مهمة معقدة تؤثر على العديد من التخصصات الأكاديمية، ولا يمكن أن تقتصر على تخصص واحد.
 
قائمة المراجع
  1. ليج س.، هوتر م. مجموعة من تعريفات الذكاء (2007). الموقع: https :// archive.org / pdf / 0706.3639. PDF (تاريخ الوصول: 06.09.2021).
  2. GOST R 59277–2020 أنظمة الذكاء الاصطناعي. تصنيف أنظمة الذكاء الاصطناعي. موسكو: Standartinform ،2021. 16 ص.
  3. نورفيج ب.، راسل س. الذكاء الاصطناعي: نهج حديث. لندن: بيرسون، 2021. 1166 ص.
  4. Taulli T. أساسيات الذكاء الاصطناعي: مقدمة غير تقنية. سانت بطرسبرغ: BKhVPeterburg ، 2021. 288 ص.
  5. بوركوف أ. التعلم الآلي دون مزيد من اللغط. سانت بطرسبرغ: بيتر ، 2020. 192 ص.
  6. Flach P. التعلم الآلي. علم وفن بناء الخوارزميات التي تستخرج المعرفة من البيانات. م.: مطبعة DMK ، 2015. 400 ص.
  7. Rashka S. ، Mirjalili V. Python والتعلم الآلي: التعلم الآلي والعميق باستخدام Python و scikit – learn و TensorFlow 2. سانت بطرسبرغ: ديالكتيكا ، 2020. 848 ص.
  8. Geron O. التعلم الآلي التطبيقي باستخدام Scikit Learn و Keras و TensorFlow: مفاهيم وأدوات وتقنيات لبناء أنظمة ذكية. سانت بطرسبرغ: الديالكتيك ، 2020. 1040 ص.
  9. ليكون يا. كيف تتعلم الآلة: ثورة في الشبكات العصبية والتعلم العميق. م: Alpina PRO ، 2021. 335 ص.
  10. Aggarwal C. الشبكات العصبية والتعلم العميق: كتاب مدرسي. حسنا. سانت بطرسبرغ: الديالكتيك ، 2020. 752 ص.
  11. Goodfellow Ya. ، Bengio I. ، Courville I. A. التعلم العميق. م: مطبعة DMK ، 2018. 652 ص.
  12. نيكولينكو س. ، كادورين أ. ، أرخانجيلسكايا إي التعلم العميق. الغوص في عالم الشبكات العصبية. SPb.: بيتر ، 2018. 480 ص.
  13. سكينا إس إس علوم البيانات. SPb.: الديالكتيك ، 2020. 544 ص.
  14. هينتون جنرال إلكتريك ، Salakhutdinov RR تقليل أبعاد البيانات باستخدام الشبكات العصبية // العلوم. 2006 المجلد 313 ، رقم 5786. ص. 504-507.
  15. Deisenroth MP ، فيصل AA ، Ong CS الرياضيات للتعلم الآلي. كامبريدج: مطبعة جامعة كامبريدج ، 2020. 398 ص.

شارك هذا الموضوع: