الذكاء الاصطناعي (AI) أصبح يظهر بشكل متزايد في حياتنا اليومية، من اقتراحات الأفلام التي تقدمها Netflix إلى السيارات ذاتية القيادة مثل تلك التي تطورها شركة Waymo. هل تساءلت يومًا كيف يعمل الذكاء الاصطناعي؟ وراء كل تطبيق ذكي هناك عملية تمكن الآلات من التعلم من البيانات واتخاذ القرارات.

في هذه المقالة، سنستعرض بطريقة مبسطة مبدأ عمل الذكاء الاصطناعي، مع التركيز بشكل خاص على أنظمة التعلم الآلي (machine learning) التي تشكل قلب معظم تقنيات الذكاء الاصطناعي الحديثة.

الذكاء الاصطناعي "يتعلم" ويتخذ قرارات بناءً على البيانات

في جوهره، يعمل الذكاء الاصطناعي على التعلم من البيانات. بدلاً من أن يكون مبرمجًا بشكل ثابت للرد على كل الحالات، يتم تزويد أنظمة الذكاء الاصطناعي (وخاصة تلك التي تستخدم التعلم الآلي) بـكمية كبيرة من البيانات وتبحث بنفسها عن أنماط أو قوانين خفية داخل تلك البيانات.

بعد ذلك، تستخدم ما تعلمته للتنبؤ أو اتخاذ قرارات عند مواجهة بيانات جديدة. هذه العملية تشبه طريقة تعلم الإنسان: نلاحظ العديد من الأمثلة، نستخلص الخبرات، ثم نطبقها على مواقف جديدة.

على سبيل المثال، إذا أردنا تعليم الذكاء الاصطناعي تمييز صور القطط عن الكلاب، سنقوم بتجميع آلاف الصور للقطط والكلاب، ووضع علامات عليها (مثل: هذه صورة قطة، وهذه صورة كلب). سيقوم خوارزم الذكاء الاصطناعي بتحليل هذا الأرشيف الضخم لاكتشاف السمات التي تميز القط عن الكلب – قد تكون القطط لها شوارب، أو شكل وجه مختلف عن الكلاب، وهكذا. خلال عملية التعلم، يقوم النظام بضبط المعلمات الداخلية تدريجيًا ليصبح أكثر دقة في التعرف.

في النهاية، يشكل الذكاء الاصطناعي نموذجًا (model) قادرًا على التمييز بين القطط والكلاب. عند تقديم صورة جديدة (لم يرها من قبل)، يتنبأ النموذج ما إذا كانت صورة قطة أو كلب بناءً على ما تعلمه. وإذا أخطأ في التنبؤ، يمكن تعديل الذكاء الاصطناعي (اعتمادًا على خوارزم التعلم) لتحسين الدقة في المرات القادمة.

الذكاء الاصطناعي يتعلم ويتخذ قرارات بناءً على البيانات

باختصار، تتضمن عملية تعلم وعمل الذكاء الاصطناعي عادة الخطوات الرئيسية التالية:

  • جمع البيانات (Input)

أولًا، يحتاج الذكاء الاصطناعي إلى بيانات إدخال للتعلم. يمكن أن تكون البيانات بأشكال متعددة: أرقام، نصوص، صور، أصوات،... وغالبًا ما يتم جمعها وتحضيرها بعناية. على سبيل المثال، لتدريب الذكاء الاصطناعي على التعرف على القطط، نحتاج إلى جمع عشرات الآلاف من صور القطط (وأيضًا غير القطط) مع وضع علامات مناسبة. جودة وكمية البيانات في هذه المرحلة مهمة جدًا – كلما زادت وتنوعت البيانات، تحسن تعلم الذكاء الاصطناعي.

  • تدريب النموذج (Learning/Training)

بعد ذلك تأتي مرحلة تعلم الآلة من البيانات. تُدخل بيانات الإدخال إلى خوارزمية التعلم (machine learning algorithm). تبحث هذه الخوارزمية عن أنماط أو علاقات في البيانات وتقوم تدريجيًا بضبط المعلمات الداخلية لتتناسب مع البيانات.

في حالة الشبكات العصبية الاصطناعية (شائعة في التعلم العميق)، تعني عملية التدريب تعديل الأوزان (weights) للوصلات بين الخلايا العصبية عبر عدة تكرارات. يحاول الذكاء الاصطناعي باستمرار التنبؤ بالبيانات التدريبية وتصحيح أخطائه بناءً على الفرق بين التنبؤ والنتيجة الحقيقية (تسمى هذه العملية الانتشار العكسي - backpropagation - في الشبكات العصبية).

الأهم في هذه المرحلة هو أن الذكاء الاصطناعي يتعلم من الخبرة (البيانات النموذجية)، تمامًا كما يتدرب الطالب على حل التمارين: يرتكب أخطاء، يستخلص منها خبرات، ويصحح نفسه.

  • إصدار التنبؤ/النتيجة (Inference)

بعد التدريب، يمتلك الذكاء الاصطناعي نموذجًا متعلمًا. الآن، عند استلام بيانات إدخال جديدة (لم يرها من قبل)، يمكن للذكاء الاصطناعي تطبيق النموذج لإصدار تنبؤ أو قرار.

على سبيل المثال، بعد التعلم، يمكن لنموذج الذكاء الاصطناعي الذي يميز القطط والكلاب أن ينظر إلى صورة جديدة ويتنبأ بأنها "قطة" بنسبة احتمال معينة. بالمثل، يمكن لذكاء اصطناعي مدرب على بيانات المعاملات البنكية التنبؤ بالمعاملات الاحتيالية، أو نموذج مدرب على بيانات طبية أن يقترح تشخيصًا لمريض جديد. تسمى هذه المرحلة الاستدلال (inference) – حيث يطبق الذكاء الاصطناعي المعرفة المكتسبة على الواقع.

  • التغذية الراجعة والتحسين (Feedback & Improvement)

ميزة مهمة للذكاء الاصطناعي (وخاصة أنظمة التعلم الآلي) هي القدرة على التحسين الذاتي مع مرور الوقت. إذا أصدر الذكاء الاصطناعي نتيجة وتلقى تغذية راجعة حول دقتها (مثلًا: الإنسان يخبره إذا كان التنبؤ صحيحًا أو خاطئًا)، يمكنه تعديل النموذج ليصبح أكثر ملاءمة.

بالعودة إلى مثال تصنيف القطط والكلاب: إذا أخطأ النموذج في بعض الحالات (مثل التعرف على كلب كقط)، يمكن للمهندسين إضافة بيانات لحالات صعبة، أو تعديل بنية النموذج/المعلمات الفائقة، ليتمكن الذكاء الاصطناعي من التعلم أكثر. بفضل هذه التحديثات المستمرة، يصبح الذكاء الاصطناعي أكثر دقة وذكاءً مع الوقت.

تشبه هذه الخطوة تصحيح الطالب لتمارينه بناءً على ملاحظات المعلم واكتساب الخبرة. بالنسبة لبعض أنظمة الذكاء الاصطناعي الخاصة (مثل التعلم المعزز في الألعاب)، يحدث التعديل الذاتي باستمرار أثناء التشغيل: يجرب الذكاء الاصطناعي أفعالًا، وإذا كانت النتائج غير جيدة يتجنبها في المستقبل، وإذا كانت جيدة يعززها.

بشكل عام، تعمل أنظمة الذكاء الاصطناعي من خلال دمج ثلاث قدرات رئيسية: التعلم من البيانات، تطبيق المنطق للاستدلال، والتعديل الذاتي من الأخطاء. في مرحلة التعلم، يجمع الذكاء الاصطناعي المعلومات ويستخلصها من البيانات (مكونًا "معرفة").

في مرحلة الاستدلال، يستخدم الذكاء الاصطناعي المعرفة المكتسبة لمعالجة الحالات الجديدة وإصدار النتائج. ومن خلال التصحيح الذاتي، يواصل الذكاء الاصطناعي تحسين أدائه لزيادة الدقة. هذا الجمع بين التعلم، الاستدلال، والتعديل الذاتي هو ما يمنح أنظمة الذكاء الاصطناعي الحديثة قوتها.

مثال مبسط لكيفية عمل الذكاء الاصطناعي

لنأخذ مثالًا عمليًا لتوضيح العملية السابقة: روبوت محادثة ذكي يجيب على الرسائل تلقائيًا. افترض أنك تريد بناء روبوت محادثة لدعم العملاء، قادر على الرد على الأسئلة باللغة الفصحى بطريقة طبيعية.

  • جمع البيانات: تحتاج إلى كمية ضخمة من بيانات المحادثات لتعليم الروبوت فهم اللغة وطريقة الرد. قد تكون هذه البيانات ملايين الأسئلة والأجوبة النموذجية من محادثات دعم العملاء السابقة، أو بيانات من الإنترنت (مثل المنتديات ووسائل التواصل الاجتماعي) تم تجميعها وتنقيحها. كل سؤال يكون مصحوبًا بالإجابة الصحيحة (كالعلامة) ليتعلم الروبوت منها.
  • تدريب الروبوت: تختار نموذجًا للذكاء الاصطناعي للغة (مثل شبكة عصبية Transformer كبيرة) وتجعله "يقرأ" كل بيانات المحادثات التي جمعتها. يتعلم النموذج ربط الأسئلة بالأجوبة المناسبة، ويتعلم استخدام اللغة الطبيعية بسلاسة. مع كل تكرار، يتحسن الروبوت في فهم السياق والرد المناسب. يتعلم أن عندما يسأل العميل "نسيت كلمة المرور، ماذا أفعل؟"، يجب أن يوجهه لاستعادة كلمة المرور بدلًا من الرد بشكل غير ذي صلة. هذه العملية تشبه موظفًا جديدًا يقرأ آلاف سيناريوهات الأسئلة والأجوبة ليتمكن من أداء عمله بكفاءة.
  • الرد على المستخدم: عند نشر الروبوت، يدخل العميل سؤالًا جديدًا (لم يره الروبوت من قبل). يقوم الروبوت بتحليل السؤال، واستخلاص النية (مثل: العميل يسأل عن استعادة كلمة المرور) بناءً على ما تعلمه، ثم ينشئ ردًا مناسبًا بناءً على المعرفة المكتسبة. إذا تم تدريبه جيدًا، سيكون الرد طبيعيًا ودقيقًا، يشبه ما يكتبه الإنسان.
  • التحسين مع الوقت: بعد كل تفاعل، يمكننا إبلاغ الروبوت إذا كان رده صحيحًا أو خاطئًا (بناءً على تقييم العميل أو موظفي الدعم). إذا لم يكن الرد جيدًا، تُضاف بيانات التفاعل إلى مجموعة التدريب لتحسين النسخة القادمة. بفضل هذه الدورة، يتحسن الروبوت باستمرار في المعرفة وطريقة الرد. هذه هي حلقة التغذية الراجعة التي تساعد الذكاء الاصطناعي على التحسين الذاتي.

يوضح المثال أعلاه بوضوح كيف "يتعلم" الذكاء الاصطناعي ويعمل: يتعلم من بيانات الماضي ليطبقها على مواقف المستقبل. سواء كان تصنيف القطط والكلاب أو الرد على أسئلة العملاء، يبقى المبدأ الأساسي نفسه.

مثال مبسط لكيفية عمل الذكاء الاصطناعي

كيف يعمل الذكاء الاصطناعي التوليدي؟

اتجاه بارز مؤخرًا في مجال الذكاء الاصطناعي هو الذكاء الاصطناعي التوليدي (Generative AI) – أنظمة قادرة على إنشاء محتوى جديد مثل النصوص، الصور، والأصوات التي لم تكن موجودة من قبل. فكيف يعمل الذكاء الاصطناعي التوليدي، وما الذي يميزه؟

في الواقع، يعتمد الذكاء الاصطناعي التوليدي أيضًا على أساس التعلم العميق من بيانات ضخمة، لكنه لا يقتصر على التنبؤ أو التصنيف فقط، بل يتم تدريبه على إنشاء مخرجات جديدة بناءً على الأنماط التي تعلمها.

خذ مثالًا على نماذج اللغة الكبيرة مثل ChatGPT: تم تدريب هذا النموذج على تريليونات الكلمات من النصوص (كتب، مقالات، مواقع إلكترونية) ليتعلم العلاقات بين الكلمات والجمل. بنيته هي شبكة عصبية عميقة جدًا (عشرات المليارات من المعلمات) قادرة على التنبؤ بالكلمة التالية في الجملة.

عند الاستخدام، بدلاً من الرد بكلمات محفوظة مسبقًا، يقوم ChatGPT بإنشاء رد جديد عن طريق اختيار كل كلمة تالية بناءً على الاحتمالات التي تعلمها. النتيجة هي نص متدفق يعكس أسلوب اللغة من بيانات التدريب، لكن المحتوى نفسه جديد تمامًا.

بعبارة أخرى، تعمل أنظمة الذكاء الاصطناعي التوليدي مثل ChatGPT أو أنظمة توليد الصور (Midjourney، DALL-E) عن طريق التعلم العميق للـ"لغة" الخاصة بالمجال (لغة الإنسان، الصور، الموسيقى...) ثم إنشاء منتجات جديدة حسب الطلب بناءً على المعرفة المكتسبة. وهي مزودة بـنماذج تعلم عميق ضخمة جدًا – تسمى نماذج الأساس (foundation models) أو نماذج اللغة الكبيرة (LLM) – تم تدريبها على كميات هائلة من البيانات باستخدام خوارزميات متقدمة مثل Transformer في معالجة اللغة.

هذا يسمح لبرامج مثل ChatGPT أو Midjourney بإنشاء محتوى جديد (نصوص، صور، موسيقى...) بناءً على المعرفة التي تعلموها، بدلاً من مجرد الرد باختيار إجابة محفوظة. على سبيل المثال، إذا طلبت "اكتب قصة عن قطة تعرف البرمجة"، سيستخدم ChatGPT معرفته باللغة والقصص التي قرأها ليبدع قصة جديدة تمامًا حسب الموضوع.

الخاصية المميزة للذكاء الاصطناعي التوليدي هي أنه لا يكتفي بالتعرف أو التحليل، بل يبدع إلى حد ما. بالطبع، هذا الإبداع يعتمد على ما تعلمه الذكاء الاصطناعي – فهو يربط ويحول الأنماط التي رآها ليخلق شيئًا جديدًا. لكن النتائج قد تكون متنوعة وغنية، مما يجعل الذكاء الاصطناعي التوليدي أداة قوية في الإبداع، التصميم، الترفيه، والعديد من المجالات الأخرى.

>>> اضغط لتعرف المزيد عن:

تاريخ نشأة وتطور الذكاء الاصطناعي

أنواع الذكاء الاصطناعي الشائعة

كيفية عمل الذكاء الاصطناعي التوليدي


باختصار، يعمل الذكاء الاصطناعي من خلال التعلم من الخبرة (البيانات) كما يتعلم الإنسان من التجربة. من خلال عملية التدريب، تقوم الآلات تدريجيًا بتعميم المعرفة من بيانات العينة وتشكيل نموذج يمكن تطبيقه لاحقًا.

على الرغم من وجود خوارزميات مختلفة – من أشجار القرار البسيطة إلى الشبكات العصبية العميقة التي تحتوي على مليارات المعلمات – الهدف العام للذكاء الاصطناعي هو اكتشاف القوانين الخفية التي تساعد في حل المشكلات. وبفضل الكم الهائل من البيانات والقوة الحاسوبية العالية اليوم، حقق الذكاء الاصطناعي إنجازات مذهلة، من التعرف الدقيق على الصور والأصوات إلى القدرة على الكتابة التلقائية والرسم.

نأمل أن تكون الشرحات السابقة قد منحتك رؤية واضحة وبصرية حول كيف "يفكر" الذكاء الاصطناعي ويعمل خلف الشاشة. لم يعد الذكاء الاصطناعي "صندوقًا أسود" غامضًا – بل هو نتيجة عملية تعلم من البيانات وتجربة وتصحيح مستمرة، تشبه إلى حد كبير طريقة اكتسابنا نحن البشر للمعرفة والمهارات.

تابع INVIAI لتبقى على اطلاع بأحدث المعارف حول الذكاء الاصطناعي!