البحرين الان | استدلال الذكاء الاصطناعي | الخليج الان البحرينية

مثال على استدلال الذكاء الاصطناعي: هو سيارة ذاتية القيادة قادرة على التعرف على علامة التوقف، حتى على طريق لم تقم بالقيادة عليه من قبل. عملية تحديد علامة التوقف هذه في سياق جديد هي الاستدلال.

مثال آخر: قد يكون نموذج التعلم الآلي المدرب على الأداء السابق للاّعبين الرياضيين المحترفين قادراً على عمل تنبؤات حول الأداء المستقبلي للاعب رياضي معيّن قبل توقيعه على عقد. مثل هذا التنبؤ هو استدلال.

استدلال الذكاء الاصطناعي مقابل التدريب: للوصول إلى نقطة القدرة على تحديد علامات التوقف في مواقع جديدة (أو التنبؤ بأداء رياضي محترف)، تمر نماذج التعلم الآلي بعملية تدريب. بالنسبة للمركبة ذاتية القيادة، درب مطوروها النموذج على آلاف أو ملايين الصور لعلامات التوقف. قد تكون السيارة التي تشغل النموذج قد تمّت قيادتها على الطرق (مع سائق بشري كنسخة احتياطية)، مما يمكنها من التعلم من التجربة والخطأ. في النهاية، بعد تدريب كافٍ، تمكّن النموذج من تحديد علامات التوقف من تلقاء نفسه.

ما هي بعض حالات الاستخدام لاستدلال الذكاء الاصطناعي؟

يعتمد أي تطبيق حقيقي لنظم الذكاء الاصطناعي تقريباً على استدلال الذكاء الاصطناعي. تتضمّن بعض الأمثلة الأكثر استخداماً ما يلي:

- نماذج اللغة الكبيرة (LLMs): يمكن للنموذج المدرب على عينة نص تحليل وتفسير النصوص التي لم يسبق لها مثيل من قبل.

- التحليلات التنبؤية: بمجرد تدريب النموذج على البيانات السابقة ووصوله إلى مرحلة الاستدلال، يمكنه عمل تنبؤات بناء على البيانات الواردة.

- أمان البريد الإلكتروني: يمكن تدريب نموذج التعلم الآلي على التعرّف على رسائل البريد الإلكتروني العشوائية أو هجمات اختراق البريد الإلكتروني للأعمال، ثم إجراء استنتاجات حول رسائل البريد الإلكتروني الواردة، مما يسمح لعوامل تصفية أمان البريد الإلكتروني بحظر الرسائل الضارة.

- السيارات ذاتية القيادة: كما هو موضح في المثال أعلاه، فإن الاستدلال مهم للغاية للمركبات ذاتية القيادة.

البحث: يعتمد البحث العلمي والطبي على تفسير البيانات، ويمكن استخدام استدلال الذكاء الاصطناعي لاستخلاص استنتاجات من تلك البيانات.

- التمويل: يمكن للنموذج المدرب على أداء السوق السابق أن يؤدي إلى استنتاجات (غير مضمونة) حول أداء السوق المستقبلي.

كيف يعمل تدريب الذكاء الاصطناعي؟

في جوهره، يتضمّن تدريب الذكاء الاصطناعي تغذية نماذج الذكاء الاصطناعي بمجموعات بيانات كبيرة. يمكن أن تكون مجموعات البيانات هذه منظمة أو غير منظمة أو مصنفة أو غير مصنفة. قد تحتاج بعض أنواع النماذج إلى أمثلة محددة للمدخلات ومخرجاتها المرغوبة. قد تحتاج النماذج الأخرى - مثل نماذج التعلم العميق - إلى بيانات أولية فقط. في النهاية، تتعلم النماذج التعرف على الأنماط أو الارتباطات، ويمكنها بعد ذلك إجراء استنتاجات بناء على مدخلات جديدة.

مع تقدّم التدريب، قد يحتاج المطورون إلى ضبط النماذج. لديهم بعض الاستدلالات مباشرة بعد عملية التدريب الأولية، ثم تصحيح المخرجات. تخيّل أن نموذج الذكاء الاصطناعي قد تمّ تكليفه بتحديد صور من مجموعة بيانات من صور الحيوانات الأليفة. إذا حدّد النموذج بدلاً من ذلك صور القطط، فإنه يحتاج إلى بعض الضبط.