من تعلم الآلة إلى معالجة اللغة الطبيعية.. إليك أبرز مجالات الذكاء الاصطناعي
يُعد الذكاء الاصطناعي AI فرعًا رئيسيًا من مجال علم الحاسوب، حيث يركز على تطوير أنظمة ذكية تجعل الآلة تفكر مثل البشر، بدرجات مختلفة. ويُقسَّم الذكاء الاصطناعي بدوره إلى أكثر من مجال فرعي، ويمكننا تصنيفها إلى 6 مجالات رئيسية: تعلم الآلة (Machine Learning)، والتعلم العميق (Deep Learning)، ومعالجة اللغة الطبيعية (NPL)، والشبكات العصبية (Neural Networks)، ورؤية الحاسوب (Computer Vision)، وأخيرًا وليس آخرًا الحوسبة الإدراكية (Cognitive Computing).
في هذا المقال، سنركز على 3 من فروع الذكاء الاصطناعي التي نذكرها كثيرًا لأهميتها؛ تحديدًا: تعلم الآلة، والتعلم العميق، ومعالجة اللغة الطبيعية.
ما هي أشهر مجالات الذكاء الاصطناعي؟
1. تعلم الآلة Machine Learning
يُركز مجال تعلم الآلة على بناء أنظمة الحوسبة التي تستطيع التعلم من البيانات وتحسين أدائها بمرور الوقت دون الحاجة إلى إدخالات برمجية مستمرة. يتم ذلك من خلال تدريب الخوارزميات على استخلاص العلاقات والأنماط المشتركة بين البيانات، مما يؤدي في النهاية إلى اتخاذ قرارات وتوقعات دقيقة.
ظهر مصطلح تعلم الآلة لأول مرة بواسطة عالم الحوسبة الأمريكي، آرثر صامويل، الذي عمل في شركة IBM.
أمثلة عملية على استخدامات تعلم الآلة
ناهيك عن نماذج الذكاء الاصطناعي المعروفة مثل ChatGPT وCopilot وغيرهما، والتي يتم الاعتماد فيها على مجال تعلم الآلة بشكلٍ أساسي، يدخل تعلم الآلة أيضًا في الكثير من الصناعات على نطاق واسع، ففي مجال التجارة الإلكترونية مثلًا، تُستخدَم الخوارزميات فيما يُعرَف بـ "محركات التوصية- Recommendation engines"، والتي تُستَخدم بدورها في خدمات مثل فيسبوك ويوتيوب وإنستاجرام لإظهار المحتوى الذي تعلم المنصة أنك تُفضله، ولكن كيف تعرف المنصة أنك تفضل هذا النوع من المحتوى تحديدًا؟
عن طريق تحليل نشاطك المتمثل في التفاعل مع المحتوى (بالمشاهدة أو الإعجاب أو المشاركة أو التعليق) والأشياء التي تبحث عنها، فضلًا عن الوقت الذي تقضيه أمام منشورٍ ما، بعد ذلك يتم استخلاص ما يمكن تسميته بأنماط التفضيل وتوصية أو اقتراح محتوى يتوافق مع اهتماماتك.. ينطبق هذا على المنصات المذكورة ومنصات التجارة الإلكترونية مثل أمازون وبقية المنصات التي تقدم أي نوع من الخدمات المشابهة مثل نتفليكس.
كذلك يُستخدم مجال تعلم الآلة في السيارات ذاتية القيادة- بالتآزر مع مجال رؤية الحاسوب Computer Vision- حرصًا على الأمان والفعالية، ولمن يتساءل عن دور مجال رؤية الحاسوب هنا، فيكون متمثلًا في كاميرات ومستشعرات السيارة بشكلٍ عام لتكون للآلة كالعين للإنسان.
ويدخل تعلم الآلة أيضًا في قطاعات أخرى غاية في الأهمية مثل القطاع الصحي وذلك لتشخيص بعض الأمراض (عن طريق تحليل الصور المتمثلة في الأشعة مثلًا وتحليل الحمض النووي، إلخ) واقتراح الخطط العلاجية بكفاءة وفعالية حسب التشخيص؛ أقلُه سيساعد الأطباء في التأكد من التشخيص.
وأخيرًا وليس آخر، يُستخدم تعلم الآلة في كشف العمليات الاحتيالية، واكتشاف البرمجيات والتهديدات الضارة، والصيانة التنبؤية predictive maintenance في التصنيع، وفي عمليات الأتمتة، وغيرهم.
تحديات تواجه تعلم الآلة
على الرغم من أهمية هذا المجال، إلا أنه محفوف بالتحديات المعقدة التي تتطلب خبرة كبيرة وموارد وفيرة. فاختيار الخوارزميات المناسبة لمهمةٍ ما يتطلب فهمًا عميقًا للرياضيات والإحصاء. كما أن كمية البيانات المُتَطَلَّبة تكون ضخمة للغاية، وتكلفة تشغيلها تكون أضخم. يمكننا أن نُلخص التحديات التي تواجه هذا المجال في النقاط الآتية:
- نقص البيانات: فإذا كنا نتحدث عن نظامٍ لاكتشاف الإيميلات المُزعجة Spam مثلًا، فقد تحتاج إلى حوالي مليون مثال (في هذه الحالة إيميل) لتدريب خوارزمية واحدة فقط! من أي نأتي بكل هذا؟ وضع في الاعتبار أيضًا أن جودة البيانات تشكل فارقًا حاسمًا؛ كلما كانت أفضل، كانت جودة النظام أكثر فاعلية.
- المشكلات الأخلاقية عمومًا، والانحياز خصوصًا: إذا حَلَلنا مشكلة البيانات ووفرناها، ستظهر لنا عقبة جديدة وهي المشكلات الأخلاقية والانحياز، وهذا تجلى مؤخرًا مع بوتات الدردشات، وبالأخص Google Gemini الذي أظهر النازيين بمظهرٍ آسيوي وباباوات الكنيسة الكاثوليكية ببشرة سمراء! وهذه تحيزات واضحة وأخطاء تاريخية فادحة.
- أمان البيانات: تتطلب خوارزميات تعلم الآلة كمية ضخمة من البيانات كما عرفنا؛ معنى أن تكون كمية هائلة من البيانات موجودة في مكانٍ واحد أنها عُرضة للمخاطر الأمنية.
- نقص الخبرة: نظرًا لأن مجال تعلم الآلة يعد مجالًا حديثًا نسبيًا، ويتطور بسرعة كبيرة، فإنه يواجه نقصًا واضحًا في المتخصصين ذوي الخبرة والكفاءة.
- صعوبة التعامل مع الفيديو: على الرغم من التطور الذي وصل إليه هذا المجال، فإن أغلب البيانات المُستخدمة في تدريب أنظمة تعلم الآلة تكون بيانات ثابتة؛ صور ونصوص، أما الفيديوهات، والتي تحتوي على فائدةٍ كبيرة جدًا، فلا زلنا نعاني من تضمينها في عمليات تدريب الأنظمة.
أنواع تعلم الآلة
عادةً ما يتم تصنيف تعلم الآلة Machine Learning إلى 4 أنواع رئيسية حسب النهج الذي تستخدمه الخوارزميات لتصبح أكثر دقة، هذه الأنواع هي:
- التعلم الخاضع للإشراف Supervised Learning: وفيه يتم تدريب الخوارزميات على المدخلات Features والمخرجات Target (مُدخلات غير مُعلَّمة) معًا، على سبيل مثال النظام القادر على اكتشاف الإيميلات المزعجة Spam؛ يتم تعريف الخوارزميات بالدلالات التي إذا رأتها تُصنِف الإيميل على أنه إيميل مزعج، والمُخرجات في هذه الحالة تكون النتيجة إما بالإيجاب أو السلب؛ "Spam" أم لا، أي أن كل مُدخل يقابله مُخرَج وبمجرد فهم الآلة لهذه العلاقة، ستستطيع التنبؤ بمخرجات جديدة لمدخلات ليست موجودةً أساسًا.
- التعلم غير الخاضع للإشراف Unsupervised Learning: هنا يتم تغذية الآلة بالمدخلات المُعلَّمة labeled فقط وهي من خلال العلاقة والأنماط الخفية الموجودة في البيانات ستستطيع أن تُحقق غرضًا ما، على سبيل المثال، ستستطيع أن تُصنف زبائن المحلات حسب مُشترياتهم، وهكذا.
- التعلم شبه الخاضع للإشراف Semi-Supervised Learning: يجمع هذا النوع بين النوعين السابقين إذ يتم تزويد الآلة بمُدخلات مُعلَّمة labeled ومدخلات مجهولة، مثال: تغذية الخوارزميات بصور تحتوي على حيوانات وإخبارها بالقطط والكلاب فقط دونًا عن بقية الحيوانات ومن ثم تركها تتعلم بمفردها لتستطيع تمييز الصور الجديدة بمفردها.
- التعلم المعزز Reinforcement Learning: يُحاكي هذا النوع أسلوب التعلم بالمحاولة والخطأ Trail and Error، إذ تُدرَّب النماذج على كيفية طريقة اتخاذ القرارات لتحقيق أفضل النتائج باستخدام نموذج "الثواب والعقاب".
2. التعلم العميق Deep Learning
المجال الفرعي الثاني من مجالات الذكاء الاصطناعي، وتعلم الآلة أيضًا، هو التعلم العميق Deep Learning، والذي يحاكي الطريقة التي يكتسب بها البشر أنواعًا مُعينة من المعرفة. يُستخدم التعلم العميق لتأدية المهام التي تتطلب تصنيفًا أو تحتاج إلى التعرف على أنماط محددة في الصور والنصوص وكل أنواع الوسائط تقريبًا، كما يُستخدم أيضًا لأتمتة المهام التي عادةً ما تحتاج إلى "ذكاء بشري" - محدود نوعًا ما - مثل وصف الصور أو تفريغ المقاطع الصوتية.
ويُعد تعلم الآلة عنصرًا مهمًا للغاية في مجالٍ مثل علم البيانات data science، إذ يُساعد في عملية جمع وتحليل وتفسير البيانات بسرعة وسهولة. ويعمل التعلم العميق بطريقة مشابهة للطريقة التي يعمل بها الدماغ البشري، فمثلما يمتلك العضو الأكثر تعقيدًا لدى البشر ملايين الخلايا العصبية المترابطة، تمتلك آليات التعلم العميق شبكات عصبية Neural networks مبنية بنفس الطريقة تقريبًا.
كيف يعمل التعلم العميق؟
ولكي نفهم الطريقة التي يعمل بها التعلم العميق، نحتاج إلى تأمل المثال الآتي: يسأل طفلٌ والده "ما هذا يا أبي؟" - مُشيرًا إلى حصان- فيخبره والده: "هذا حصان يا بني"، فيرى الطفل حمارًا ويسأل والده: "أهذا حصان يا أبي؟"، فيرد الوالد: "لا يا بُني هذا حمار"، وهكذا مع الكثير من الحيوانات الأخرى، ومع الوقت يتمكن الطفل من تمييز الأحصنة جيدًا كما يتمكن من معرفة ماهية الحيوانات وبقية الأشياء الأخرى.. الشيء نفسه يحصل مع التعلم العميق:
تمتلك نماذج التعلم العميق طبقات أو شبكات متصلة تربط بينها عصبونات أو عُقد nodes بحيث تبني كل طبقة على سابقتها، والأهم من ذلك أن الأمر لا يحدث بشكلٍ خطي بحيث يتمكن النظام من التعامل مع الأنماط المعقدة بسهولة.
على عكس تعلم الآلة بمفهومها التقليدي، والتي يتعين على المُبرمج فيها أن يزود الآلة بتعليمات محددة ودقيقة للغاية فيما يُعرَف بعملية "استخلاص المميزات- feature extraction"، يستطيع التعلم العميق أن يعتمد على نفسه دون مراقبة؛ شيء شبيه بالنوع الثاني من أنواع تعلم الآلة " التعلم غير الخاضع للإشراف- Unsupervised Learning"، المُهم أن يتم تزويده بكمٍ ضخم من البيانات وهو سيربط بينها.
تطبيقات على التعلم العميق
- في مجال تجربة العملاء CX: وتحديدًا في "بوتات" الدردشة، ومع تطورها المستمر، من المتوقع أن يدخل هذا المجال في الكثير من الأمور الأخرى لنيل رضاء المستخدم أو العميل بشكلٍ عام عن الخدمة.
- إنشاء النصوص: فالآلات لا زالت تتحسس طريقها نحو إنشاء النصوص، حتى مع وجود نماذج مثل ChatGPT وGoogle Gemini، لا زال أمامها مشوار طويل حتى تتقن مداخل ومخارج اللغات، والتعلم العميق سيساعدها على ذلك.
- في الفضاء والمجال العسكري: حيث تُستخدَم "تعلم الآلة" لرصد مختلف الأشياء بدءًا من الأقمار الصناعية وحتى المناطق غير الآمنة.
- في الصناعة: بالطبع، فلقد أشرنا في مُستهل حديثنا عن تعلم الآلة أنها تستطيع القيام بالكثير من الوظائف بدلًا من البشر، لا سيما التي تحتاج إلى أتمتة Automation.
- تحسين مجال رؤية الحاسوب: رؤية الحاسوب هو قدرة الكمبيوتر على رؤية الأشياء كما لو كان يمتلك عينين، وهو مجال تتضح فوائده في السيارات ذاتية القيادة مثلًا، والتي تستطيع التعرف على الأشياء والطرق من حولها كما لو كانت ترى؛ يُحسن تعلم الآلة من قدرات الحاسوب على الرؤية ليتعرف على الأشياء بدقة أكبر.
3. معالجة اللغة الطبيعية NLP
آخر ما سنتحدث عنه من مجالات الذكاء الاصطناعي الفرعية هو معالجة اللغة الطبيعية Natural Language Processing، وهو فرع يُمكن الحاسوب من استيعاب وإنشاء اللغات، بل والتلاعب بكلماتها كما لو كان بشرًا. ولقد تعامل معظمنا، إن لم يكن كلنا، مع أنظمة تعتمد على معالجة اللغة الطبيعية بشكلٍ أساسي دون أن ندري.
على سبيل المثال، تدخل معالجة اللغة الطبيعية في أنظمة المساعدة الذكية مثل Siri، وCortana، وAlexa وغيرهم من الأنظمة التي لم تكن لتفهمنا لولا هذا الفرع من الذكاء الاصطناعي. وتنطبق معالجة اللغة الطبيعية على النصوص والأصوات، وعلى كل اللغات البشرية، ومن الأمثلة الأخرى على التطبيقات التي تستخدم هذا المجال: محركات البحث، وأنظمة "فلترة" الإيميلات المزعجة، وبرامج الترجمة التلقائية، وأنظمة تلخيص المستندات وتحليل النصوص، وبالطبع برامج المُعالجة اللغوية.
أتعرف التصحيح التلقائي الموجود بلوحات مفاتيح هواتفنا ويقترح علينا استكمال الجمل والعبارات المختلفة بكلمات مناسبة؟ تعمل هذه الخاصية بالاعتماد على معالجة اللغة الطبيعية.
أحيانًا يُشار إلى معالجة اللغة الطبيعية NLP بفهم اللغة الطبيعية Natural language understanding (NLU) أو إنشاء اللغة الطبيعية Natural Language Generation (NLG)، وذلك للدلالة على القدرات الأخرى التي تستطيع الآلة القيام بها بفضل هذه الخاصية.
وتعود جذور معالجة اللغة الطبيعية إلى خمسينيات القرن الماضي عندما طور عالم الحاسوب الشهير آلان تيورينج اختبارًا لتحديد ما إذا كانت أنظمة الحواسيب ذكية، ومنذ وقتها وحتى فترة التسعينيات، أخذت التقنية تتطور واستطاعت أن تترجم أكثر من 60 عبارة من الروسية للإنجليزية، ما كان إنجازًا عظيمًا وقتها، ومع دخول بداية الألفية الجديدة، حظيّ مفهوم الـ "NLP" بشهرة واسعة وأخذ يتطور إلى أن وصل لمستواه الحالي.
تطبيقات معالجة اللغة الطبيعية
- أتمتة المهام الروتينية: تُستَخدم أنظمة معالجة اللغة الطبيعية، وبكثافة، في روبوتات الدردشة، ونحن هنا لا نتحدث عن ChatGPT وGoogle Gemini وCopilot فحسب، وإنما كل أنواع روبوتات الدردشة تقريبًا بما في ذلك المُستخدمة في الرد على العملاء واستفساراتهم بالخدمات والمواقع.
- تحسين محركات البحث: بفضل معالجة اللغة الطبيعية، تستطيع محركات البحث أن تفهم مرادك بشكلٍ أفضل فتعرض لك أكثر النتائج المطابقة بدلًا من عرض النتائج حسب الكلمات المفتاحية Keywords، ويمكن أن تُجرب ذلك بنفسك إذا استخدمت ميزةً مثل "البحث العميق- Deep search" الموجودة بمحرك Bing التابع لميكروسوفت.
- تلخيص المستندات والملفات النصية الضخمة بشكلٍ أفضل: وهذا سيفيد الباحثين والطلبة وكل من يتعامل مع قدر ضخم من البيانات، فبفضل معالجة اللغة الطبيعية ستُغنيك الآلة -ربما- عن قراءة كم مهول من النصوص وإضاعة الوقت.
- إدارة وسائل التواصل ومساعدة الشركات: يمكن للشركات الإعلانية تحديدًا، والتي يهمها بيانات المستخدمين أكثر من أي شيء آخر، أن تعتمد على معالجة اللغة الطبيعية لتحليل سلوكيات مختلف الأشخاص على وسائل التواصل.
تحديات معالجة اللغة الطبيعية NLP
ولكن مثلها مثل بقية فروع الذكاء الاصطناعي الأخرى، تحول الكثير من التحديات، والتي يتلخص معظمها في حقيقة تطور اللغة الطبيعية باستمرار وتعقدها، دون تطور هذا المجال:
- الدقة: تتطلب أجهزة الحاسوب التقليدية من البشر أن يتحدثوا إليها بلغةٍ دقيقة، وواضحة، وبعيدة تمامًا عن التعقيد حتى تستطيع أن تتفاعل معهم، وبالأخص إذا كانت اللغة غير إنجليزية. أضف إلى ذلك أن الآلة لا تستطيع التقاط السخرية مثلًا بسهولة، لا سيما إن كانت بدائية أو ذات إمكانيات متواضعة، ما يجعلها مملة في كثيرة من الأحيان وإن كان هذا الأمر يتغير تدريجيًا.
- تطور اللغة وألفاظها: دائمًا ما تظهر مصطلحات جديدة بين الناس -لأسباب ليس هذا موضعها- يكون من المستحيل على الآلة أن تفهمها أو حتى تتوقع معناها، ما يجعل الحديث معها بالطابع الرسمي هو الحل الوحيد لاستخدامها في أحيان كثيرة، وهذا ما لن يُعجب العامة ومن لا يجيدون التحدث باللغات الرسمية، كالفصحى مثلًا، بأريحية.
- التحيز: التحدي الذي يواجه كل أنظمة الذكاء الاصطناعي تقريبًا، ومعالجة اللغة الطبيعية ليست استثناءً، فقياسًا على نوع البيانات التي تُستخدم لتدريب النظام، يتم الانحياز إلى فئة معينة من الأشخاص والأشياء.
كان ذلك أبرز المجالات الفرعية للذكاء الاصطناعي وأهم ما تحتاج إلى معرفته عن كل مجال. لا ننسى أن هناك المزيد من المجالات الفرعية مثل التي ذكرناهم في المقدمة، ولكن ما تحدثنا عنه كان الأساس التي تقوم عليه معظم التطبيقات والنماذج المختلفة التي نستخدمها في حياتنا اليومية.
