كيف يعمل الذكاء الاصطناعي؟

6 min de lectura

الذكاء الاصطناعي (AI) هو تقنية تحاكي الذكاء البشري في أداء المهام، ويمكنها بشكل متكرر تحسين نفسها استنادًا إلى المعلومات التي تجمعها [1]. ببساطة، نجعل الآلات قادرة على التفكير والتعلم وحل المشكلات بطريقة تشبه الذكاء البشري.

المبادئ الأساسية لعمل الذكاء الاصطناعي

يعمل الذكاء الاصطناعي باستخدام البيانات والخوارزميات والنماذج الرياضية لاكتشاف الأنماط وإنتاج التنبؤات أو التصنيفات أو القرارات أو المحتوى الجديد [2]. وبدلاً من برمجة كل موقف محتمل بشكل يدوي، تستطيع أنظمة الذكاء الاصطناعي الحديثة تعلم الأنماط من الأمثلة [2].

تتمثل الفكرة الأساسية في "تدريب" الذكاء الاصطناعي بإعطائه كميات هائلة من المعلومات أو "البيانات"، حيث يقوم بتحليل هذه البيانات الضخمة للعثور على الأنماط والعلاقات المخفية فيها. بناءً على هذه الأنماط، يبني "نموذجًا" داخليًا خاصًا به، ثم يستخدم هذا النموذج لعمل تنبؤات أو اتخاذ قرارات عند تقديم معلومات جديدة لم يرها من قبل [3].

يعمل الذكاء الاصطناعي على تدريب نماذج أساسية كبيرة على كميات هائلة من البيانات الخام وغير المصنّفة (نصوص، صور، مقاطع فيديو)، لتكوين شبكة عصبية تضم مليارات المعلمات تمثل أنماطًا وعلاقات في البيانات [4]. يمكن استخدام نموذج الأساس في تطبيقات متعددة بالإجابة الصحيحة والملائمة عبر ضبط التنسيق المطلوب للمخرجات وفق الموجّهات [4].

الفرق بين التعلم الآلي والتعلم العميق

التعلم الآلي والتعلم العميق مجالان مرتبطان ارتباطًا وثيقًا، ويمكن القول بأن التعلم العميق هو جزء فرعي متقدم من التعلم الآلي.

التعلم الآلي (Machine Learning)

هو مجموعة أوسع من التقنيات التي تسمح للأنظمة بالتعلم من البيانات واتخاذ قرارات دون أن تتم برمجتها صراحةً لكل مهمة. يتم إعطاء النموذج بيانات كثيرة، ويحتاج المهندس البشري غالبًا إلى "إخبار" النموذج ما هي السمات المهمة في هذه البيانات في عملية تسمى "هندسة الميزات". يستخدم النموذج خوارزميات إحصائية للعثور على الأنماط والعلاقات.

يمكن أن يعمل التعلم الآلي بشكل جيد مع مجموعات بيانات أصغر، ويُستخدم في تطبيقات مثل أنظمة التوصية، واكتشاف البريد العشوائي، والتنبؤ بأسعار المنازل.

التعلم العميق (Deep Learning)

هو نوع خاص من التعلم الآلي يستخدم "الشبكات العصبية العميقة"، وهي هياكل مستوحاة من طريقة عمل الدماغ البشري. يتم إعطاء النموذج بيانات خام مباشرةً دون تحديد الميزات، والشبكة العصبية العميقة ذات الطبقات المتعددة تتعلم تلقائيًا ميزات مختلفة ومعقدة من البيانات.

يتطلب التعلم العميق عادةً كميات هائلة من البيانات وقوة حوسبة كبيرة، ويتفوق في المهام المعقدة مثل التعرف على الصور والأصوات، ومعالجة اللغة الطبيعية، والسيارات ذاتية القيادة.

كيف تتعلم الشبكات العصبية من البيانات؟

تتعلم الشبكات العصبية بطريقة تشبه تعلم الإنسان من التجربة والخطأ، لكن على نطاق أوسع وبسرعة فائقة.

مراحل التعلم

1. البداية العشوائية: عند بدء التدريب، تكون "أوزان" الشبكة و"انحيازاتها" عشوائية تمامًا، مما يعني أنها في البداية لا تعرف شيئًا وتعطي تنبؤات خاطئة.

2. التغذية الأمامية (التنبؤ): تمر البيانات عبر طبقات الشبكة العصبية. كل "عصبون" يقوم بمعالجة المدخلات، ويضربها في أوزانه، ويضيف الانحياز، ثم يمرر النتيجة إلى العصبونات التالية. في النهاية، تخرج الشبكة "تنبؤًا".

3. حساب الخطأ: نقارن تنبؤ الشبكة بالإجابة الصحيحة ونحسب مقدار "الخسارة" (Loss). كلما كان التنبؤ بعيدًا عن الحقيقة، زاد الخطأ.

4. الانتشار الخلفي (Backpropagation): نرسل إشارة الخطأ للخلف عبر الشبكة من الطبقة النهائية إلى الطبقات السابقة، لتحديد مدى مساهمة كل وزن في هذا الخطأ.

5. تعديل الأوزان: بناءً على الانتشار الخلفي، تقوم الشبكة بتعديل أوزانها وانحيازاتها باستخدام خوارزميات تحسين مثل "الانحدار التدرجي" (Gradient Descent)، بهدف تقليل الخطأ في المرة القادمة.

6. التكرار: تتكرر هذه العملية آلاف أو ملايين المرات مع بيانات مختلفة، حتى تصبح الأوزان أكثر دقة وتقل أخطاء الشبكة تدريجيًا.

نماذج اللغة الكبيرة وكيف تولد النص

نماذج اللغة الكبيرة (LLMs) هي نوع متقدم من نماذج التعلم العميق، مصممة خصيصًا لفهم وتوليد اللغة البشرية. تتميز بأنها "كبيرة" من حيث كمية البيانات التي تُدرب عليها (قد تصل إلى تريليونات الكلمات)، وعدد المعاملات (Parameters) التي تحتويها (مليارات أو تريليونات).

آلية توليد النص

الطريقة الأساسية لتوليد النص هي التنبؤ بالكلمة التالية (أو "الرمز" - token) مرارًا وتكرارًا:

1. المدخلات: تبدأ بإعطاء النموذج "مطلبًا" أو "سياقًا".

2. الترميز: يحول النموذج الكلمات إلى "رموز" (tokens) يتعامل معها كأرقام.

3. التنبؤ بالرمز التالي: يعالج النموذج هذه الرموز عبر شبكته العصبية، ويحسب احتمالية كل رمز ممكن ليكون التالي الأكثر منطقية.

4. الاختيار: لا يختار النموذج دائمًا الكلمة الأكثر احتمالاً. هناك تقنيات مختلفة:

• الاختيار الجشع: يختار دائمًا الرمز الأعلى احتمالاً
• أخذ العينات: يختار عشوائيًا بناءً على الاحتماليات
• درجة الحرارة (Temperature): تتحكم في مدى العشوائية؛ درجة حرارة منخفضة تجعل النموذج أكثر حذرًا، ومرتفعة أكثر إبداعًا

5. التكرار: بمجرد اختيار الرمز التالي، يضاف إلى السلسلة، وتتكرر العملية للتنبؤ بالرمز الذي يليه.

6. التوقف: تستمر العملية حتى الوصول إلى علامة ترقيم تشير إلى النهاية، أو رمز خاص للتوقف.

يحصل النموذج على تقييمات من البشر حول دقة أو ملاءمة المخرجات، ما يساعد في تحسين أداء النموذج وتوجيهه نحو مخرجات أفضل من خلال ما يُعرف بالتعلم المعزز المحكّم (RLHF) [4].

حدود الذكاء الاصطناعي ومخاطره

الحدود الأساسية

• لا يمتلك وعيًا أو فهمًا حقيقيًا: لا يفهم العالم بنفس طريقة البشر، ولا يمتلك مشاعر أو وعيًا ذاتيًا
• يعتمد كليًا على البيانات: جودته تعكس جودة وكمية بيانات التدريب
• الافتقار إلى الفطرة السليمة: قد يواجه صعوبة في استنتاج أشياء بديهية للإنسان
• صعوبة التعامل مع المواقف الجديدة: يتفوق في المهام المشابهة لبيانات التدريب
• مشكلة "الصندوق الأسود": صعوبة فهم لماذا اتخذ النموذج قرارًا معينًا

مخاطر الهلوسة (Hallucination)

تحدث الهلوسة عندما يولد الذكاء الاصطناعي معلومات تبدو منطقية ولكنها خاطئة تمامًا أو غير مدعومة بالحقائق. تحدث بسبب:

• التدريب الاحتمالي: النموذج يتنبأ بالكلمة التالية بناءً على الإحصائيات، وقد تكون الكلمة الأكثر احتمالًا لغويًا غير صحيحة واقعيًا
• الضغط لتوليد استجابة: النموذج مصمم لإنتاج نص، فقد يفضل "تأليف" إجابة بدلاً من الاعتراف بعدم المعرفة
• البيانات غير المتسقة: تعلم التناقضات من بيانات التدريب

مخاطر التحيز (Bias)

يظهر التحيز عندما تُظهر النماذج أحكامًا مسبقة غير عادلة تجاه مجموعات معينة، وينشأ بشكل رئيسي من:

• التحيز في بيانات التدريب: إذا كانت البيانات تعكس تحيزات المجتمع أو كانت غير ممثلة بشكل كافٍ
• التحيز في تصميم الخوارزمية: من كيفية تحديد المعايير
• التحيز في التفاعل البشري: تعلم التحيزات من تفاعلات المستخدمين

التأثير المستقبلي على الوظائف والتعليم

الوظائف

• أتمتة المهام الروتينية: ستحل أنظمة الذكاء الاصطناعي محل البشر في المهام المتكررة والقائمة على القواعد
• خلق وظائف جديدة: ظهور وظائف مثل مهندسو الذكاء الاصطناعي، متخصصو الأخلاقيات، ومهندسو المطالبات
• تحويل وتعزيز الوظائف: سيصبح الذكاء الاصطناعي أداة مساعدة تعزز الإنتاجية، حيث يعمل البشر "مع" الذكاء الاصطناعي
• الطلب على مهارات جديدة: التفكير النقدي، الإبداع، الذكاء العاطفي، والتعاون

التعليم

• تغيير المناهج: دمج علوم البيانات، تعلم الآلة، وأخلاقيات الذكاء الاصطناعي
• التعلم المخصص: تحليل أداء الطلاب وتقديم مواد مخصصة لاحتياجاتهم الفردية
• التركيز على المهارات البشرية الفريدة: الإبداع، التفكير النقدي، والتعاون
• التعلم مدى الحياة: ضرورة التعلم المستمر وإعادة تأهيل المهارات
• زيادة إمكانية الوصول: أدوات للترجمة وتحويل النص إلى كلام وتكييف المواد

الخلاصة

الذكاء الاصطناعي هو برامج تتعلم من البيانات لتؤدي مهام تحتاج عادةً إلى ذكاء بشري، مثل فهم الكلام والتعرف على الصور والترجمة والتنبؤ [3]. يعمل بثلاث خطوات أساسية: جمع أمثلة كثيرة، ثم تدريب نموذج رياضي يعدّل ملايين الأرقام داخله حتى يقل خطؤه، ثم استخدامه على بيانات جديدة لم يرها من قبل [3].

على الرغم من قدراته الهائلة، يظل الذكاء الاصطناعي أداة قوية لكنها غير مثالية. فهم حدوده، وخاصة مخاطر الهلوسة والتحيز، أمر بالغ الأهمية لاستخدامه بمسؤولية. يعمل الباحثون باستمرار على معالجة هذه المشكلات وتحسين شفافية وعدالة وموثوقية أنظمة الذكاء الاصطناعي.

المستقبل لن يكون للذكاء الاصطناعي بديلاً عن البشر، بل للمتعاونين معه، الذين يمتلكون المهارات البشرية الفريدة من إبداع وتفكير نقدي وذكاء عاطفي، مع القدرة على التعلم المستمر والتكيف مع التغيرات المتسارعة.