وسائل الإعلام في حياتنا اليومية، أصبح من الصعب بشكل متزايد تجنب سماع الكلمات "الذكاء الاصطناعي (AI)'و'التعلم الآلي (ML)سواء في الصناعة أو الأوساط الأكاديمية. لقد دخلت هذه التقنيات حياتنا اليومية وتعمل على تحويل معظم قطاعات الاقتصاد، وبناء مجالات جديدة من المعرفة والممارسة، وتبشر بعصر جديد في تاريخ البشرية. ومع ذلك، حتى مع أن هذه الأشكال من الذكاء سريع التطور أصبحت أكثر وضوحًا داخل الأكاديمية وخارجها، فإن تعريفاتها غير الدقيقة والغموض بشأن طرائقها ونطاق تطبيقاتها يعيق فهمها الكامل. تهدف هذه المقالة إلى توضيح هذه التقنيات الجديدة، وتمييزها عن بعضها البعض، وتحديد مضامينها الشاملة.

1. الذكاء الاصطناعي/التعلم الآلي في عالم إنترنت الأشياء

الذكاء الاصطناعي (AI)، والتعلم الآلي (ML)، و إنترنت الأشياء (تقنيات عمليات) ترتبط بشكل معقد وتمثل معًا ثالوثًا قويًا، إيذانًا بموجة جديدة من الابتكار. يعمل الثلاثي على تمكين جيل جديد من المنتجات والآلات الذكية ذاتية التعديل والتحسين الذاتي، والتي بدورها تعمل على تعطيل وتحويل كل قطاع من التصنيع إلى الرعاية الصحية. العلاقة بين الذكاء الاصطناعي والتعلم الآلي وإنترنت الأشياء هي علاقة طبيعية:

• الذكاء المبني على البيانات:

ومولدات هذه البيانات عبارة عن أجهزة استشعار وأجهزة ذكية مدمجة في الأشياء اليومية، في سياقات متنوعة مثل شبكات المرور أو أدوات المطبخ. إن قوة وبراعة الذكاء الاصطناعي والتعلم الآلي هي التي توفر الذكاء الحسابي لمعالجة البيانات وتحويلها وتحليلها، وتحويلها إلى معلومات قابلة للتنفيذ. يشكل إنترنت الأشياء طبقة التقاط البيانات، بينما يمثل الذكاء الاصطناعي والتعلم الآلي محرك التحليل الذي يشكل الدماغ الحسابي.

في الصناعة، أجهزة إنترنت الأشياء تتبع أجهزة الاستشعار للمعدات والآلات. يمكن لخوارزميات تعلم الآلة تحديد الروابط بين بياناتها الحالية والبيانات التاريخية، ومن ثم التنبؤ بفشل الماكينة أو المعدات واحتياجات الصيانة والمشكلات الأخرى. العملية برمتها مستمرة، ويمكن لخوارزمية ML التنبؤ بظروف الماكينة بناءً على البيانات في الوقت الفعلي من أجهزة إنترنت الأشياء. على سبيل المثال، إذا كانت مستويات الزيت منخفضة أو كان هناك اهتزاز مفرط، فيمكن للأنظمة التنبؤ بعطل محتمل في الماكينة. وبهذه الطريقة، يمكن للصيانة التنبؤية تقليل وقت التوقف عن العمل وخفض تكاليف المواد دون زيادة تكاليف العمالة بشكل كبير.

• تجربة مستخدم محسنة وتخصيص:

يمكن العثور على أمثلة لتطبيقات المستهلك هذه في أجهزة إنترنت الأشياء التي تجمع معلومات حول تفاعلات المستخدمين وتفضيلاتهم. على سبيل المثال، من خلال تحليل كيفية استخدامك للمنزل الذكي، يمكن للذكاء الاصطناعي التحكم في الإضاءة ودرجة الحرارة بناءً على سلوكك، مع خوارزميات التعلم الآلي التي تعمل على تحسين الجهود التنبؤية بمرور الوقت إذا واصلت استخدامه. يمكن لمتتبعي اللياقة البدنية أيضًا استخدام خوارزميات التعلم الآلي لتخصيص التوصيات الصحية.

• اتخاذ القرار المستقل:

باستخدام الذكاء الاصطناعي والتعلم الآلي، يمكن لأجهزة إنترنت الأشياء البدء في اتخاذ قرارات مستقلة بناءً على البيانات في الوقت الفعلي. على سبيل المثال، تستخدم المركبات ذاتية القيادة (نظام بيئي لأجهزة إنترنت الأشياء) التعلم الآلي لفهم بيانات المستشعر وتحديد إجراءات القيادة التي يجب اتخاذها لحظة بلحظة على الطريق. في منازلنا ومكاتبنا، تستخدم شبكات الطاقة الذكاء الاصطناعي لموازنة أحمال الشبكة وتحسين توزيع الطاقة بذكاء استنادًا إلى بيانات إنترنت الأشياء المقدمة في الوقت الفعلي.

• أمان محسّن:

الأمن والهجمات السيبرانية يمكن أن تتسلل إلى شبكات إنترنت الأشياء. يمكن أن يعمل الذكاء الاصطناعي والتعلم الآلي مثل الرادار الأمني ​​ويكتشفان الحالات الشاذة في حالة شبكات إنترنت الأشياء أو في البيانات التي تولدها أجهزة إنترنت الأشياء لمعرفة ما إذا كان هناك هجوم يحدث أو على وشك الحدوث. وبالتالي، يمكن للأمن المدعوم بالذكاء الاصطناعي أن يجعل إنترنت الأشياء أكثر أمانًا - حيث يمكن لهذه الأنظمة دائمًا التعلم من البيانات الواردة من الشبكات وتحديث التدابير التي يجب اعتمادها.

• كفاءة العملية:

في مجال الأعمال والتصنيع، تقوم إنترنت الأشياء بإدخال الكثير من المتغيرات والمعلمات التي يتم تحليلها بواسطة خوارزميات تعلم الآلة لتحسين العمليات عن طريق تقليل كمية النفايات وتحسين الكفاءة. يمكن استخدام الذكاء الاصطناعي في الوقت نفسه لأتمتة عمليات صنع القرار الأكثر تعقيدًا، وبهذه الطريقة لتحسين معلمات التشغيل في الوقت الفعلي.

باختصار، لا غنى عن الذكاء الاصطناعي والتعلم الآلي لإنترنت الأشياء، وسوف يدمج النظام الذكي الثلاثة كنظام بيئي ذكي للتعلم والتكيف واتخاذ القرار: محرك إنترنت الأشياء ومسرع للابتكارات المستقبلية، ويساعده في حد ذاته التنظيم الذكي.

2. فك رموز الذكاء الاصطناعي والتعلم الآلي: نظرة عامة مقارنة

الذكاء الاصطناعي (AI)

الذكاء الاصطناعي هو مجال - أو يمكننا حتى أن نقول نظامًا - من علوم الكمبيوتر يهدف إلى إنشاء أنظمة قادرة على أداء المهام التي يُنظر إليها عمومًا على أنها تتطلب ذكاءً بشريًا. تدور بعض علاماته الأساسية حول استخدام مفاهيم مثل الذكاء والتعلم، والتي من خلالها يتم ربط قدرة الذكاء الاصطناعي على أداء المهام مع القدرة الإدراكية لدى الإنسان. تتضمن أمثلة هذه المهام فهم اللغة الطبيعية - والتي قد تتوافق مع قدرة الإنسان على التحدث؛ ال التعرف على الأنماط - ترتبط ارتباطًا وثيقًا بقدرة الإدراك البشرية؛ والقدرة المماثلة بطبيعتها على حل المشكلات المعقدة التي تنطوي على صعوبات غير متوقعة وغموض وعدم يقين لا يرحم فيما يتعلق بحلولها - مثل الألغاز المستمدة من العالم الحقيقي للإنسان الفضولي فكريًا. من المعتقد على نطاق واسع أنه في حين أن برامج الدردشة الآلية موجهة نحو الأهداف بشكل أضيق، فإن الذكاء الاصطناعي ينطوي على قدرة أجهزة الكمبيوتر على أداء أي من المهام المذكورة أعلاه بطريقة تجعلنا نقول إن الكمبيوتر "ذكي". وهذا ما يسمى أحيانًا "التقليد الفكري" أو "المحاكاة" للذكاء البشري - باختصار، التعلم من التجربة و"التصرف بذكاء".

التعلم الآلي (ML)

يتعلق التعلم الآلي بمجال نشط بشكل خاص من الذكاء الاصطناعي (AI) الذي يحاول تقنين قدرة أجهزة الكمبيوتر على التعلم أو اتخاذ الخيارات أو التنبؤات بناءً على البيانات، متجاوزًا الحاجة إلى المدخلات البشرية أو التوجيه. يتم تدريب الخوارزميات على مجموعات البيانات التي تم جمعها مسبقًا حتى تفهم الأنماط الأساسية لتلك البيانات، وتتخذ خيارات مستنيرة بناءً على ما تعلمته، وتكون قادرة على الاستمرار في تحسين قدرتها التنبؤية بشكل تدريجي بشكل مستقل للمضي قدمًا. هدف تعلم الآلة هو تطوير برامج قادرة على استغلال البيانات لكي تصبح أفضل وأكثر قدرة على التكيف في التعلم بمفردها، دون تدخل، مهمة بمهمة.

الاختلافات الرئيسية:

الذكاء الاصطناعي مخصص لبناء جهاز كمبيوتر ذكي يحل المشكلات بالطريقة المماثلة التي يفعلها الإنسان، بينما يسمح التعلم الآلي للروبوت بالتعلم من البيانات لرسم توقعات دقيقة.

الوظيفة: يستخدم الجهاز كتاب قواعد مكتوبًا مسبقًا (غالبًا ما يقوم النظام بثني قواعد "القرص" بناءً على النتائج) مقابل أن نظام التعلم الآلي يتبع سحابة نمطية من المدخلات المتوقعة التي تؤدي إلى إجابة.

3. ما يقدمونه إلى الطاولة: القدرات والتطبيقات

مساهمات الذكاء الاصطناعي:

الذكاء الاصطناعي جيد جدًا في أتمتة المهام الروتينية - سواء كانت هذه وظائف مباشرة مثل إدخال البيانات، أو العمليات الخفية التي تغذي تلك القرارات، فهو يزيد من الكفاءة والإنتاجية.

• الخدمات المعرفية:

بفضل الخدمات المعرفية (فهم اللغة والكلام والرؤية)، تم تجهيز الكمبيوتر بنطاق أوسع من التفاعل مع البشر.

• اتخاذ القرار:

يمكن لأنظمة الذكاء الاصطناعي التوصل إلى استنتاجات ذات معنى حول الحاضر من خلال مقارنة البيانات السابقة والحالية والمقارنة بينها، وإجراء اتصالات مستنيرة وتوليفات من المدخلات.

مساهمات ML:

• التحليل التنبئي:

تعتبر نماذج تعلم الآلة ممتازة في التنبؤ بالاتجاهات والسلوكيات والتنبؤ بها من البيانات السابقة، وهذا هو المكان الذي يمكن تطبيقها فيه، كما هو الحال في القطاعات المالية والطبية والتسويقية.

• التعرف على الأنماط:

أحد أنجح تطبيقات تعلم الآلة هو تعلم كيفية التعرف على الأنماط المدفونة في البيانات، مثل النشاط الشاذ في الأمن السيبراني أو العلامات المنذرة للمرض في الطب التشخيصي.

• التفرد:

ينتج التعلم الآلي تجارب مستخدم مخصصة اعتمادًا على كيفية تفاعل المستخدم الفردي مع الخدمة في الماضي، ويمكن استخدامه لتحسين خدمات التجارة الإلكترونية والترفيه وغير ذلك الكثير.

4. العلاقة التآزرية: كيف يكمل الذكاء الاصطناعي وتعلم الآلة بعضهما البعض

كما أن هذه العلاقة داعمة بشكل متبادل، حيث يتغذى العلم في أحدهما لتحسين وإعلام العلوم الناشئة الأخرى، وتنمو الأنظمة الناتجة أكثر قدرة وقوة معرفيًا بمرور الوقت. الذكاء الاصطناعي هو المنظم: يحدد مجال الذكاء الاصطناعي الأهداف العامة والهندسة المعمارية لبناء الآلات التي يمكنها، من حيث المبدأ، إظهار جوانب الذكاء البشري. ML هي مجموعة الأدوات: يوفر مجال التعلم الآلي الأساليب والتقنيات التي تسمح لهذه الآلات بتعلم الأشياء من البيانات، والتحسن من خلال الممارسة، واتخاذ القرارات.

• تعزيز قدرات التعلم: لذا فإن ضبط "اهتزازات" الإنسانية في العالم الحقيقي أمر بالغ الأهمية. من المفترض أن تعتمد أنظمة الذكاء الاصطناعي على الذكاء البشري، ويسمح التعلم الآلي للآلات بالتعلم من الخبرة، بنفس الطريقة التي يفعلها البشر. إذا كان التعلم الإحصائي يربط بين الآلات والبشر، فإن التعلم الآلي لديه بعض الأمل - يجب أن تتعلم الأنظمة المبنية على البيانات كيفية "إعادة المعايرة" (كما يفعل البشر) عندما تواجه أمثلة جديدة للسلوك "البشري" (على سبيل المثال، القيادة، والتفاعل مع الآخرين). البشر، وما إلى ذلك).

• صنع القرار القائم على البيانات: كونك "ذكيًا" في الذكاء الاصطناعي يعني "أن تكون صانع قرار جيدًا". إن تعلم الآلة هو (على الأرجح) فرضية لاغية حول أفضل السبل لجعل الذكاء الاصطناعي سريعًا في اتخاذ القرارات من خلال منحه الأدوات اللازمة لتحليل الكثير من البيانات حول ما تفعله كائنات الذكاء الاصطناعي في كل لحظة، ومعرفة الأنماط الموجودة في تلك البيانات، و ثم (يقوم بالتنبؤ) يستخدم التحليل والتعرف على الأنماط لاتخاذ القرار التالي.

• القدرة التنبؤية والتخصيص: من نواحٍ عديدة أخرى، يعد تعلم الآلة أداة فعالة لتمكين المستخدمين من تحقيق ما تم تصميم الذكاء الاصطناعي لتحقيقه: تجربة شخصية والتنبؤ بالنتائج. يعد التعلم الآلي أمرًا رائعًا في تقديم تجربة مخصصة لمستخدم موقع التجارة الإلكترونية أو خدمة بث الفيديو أو منصة خدمة العملاء لأنه يأخذ نقاط بيانات حول ما فعله المستخدم في الماضي ويتنبأ بما سيفعله هذا المستخدم في النهاية .

• تحسين الحكم الذاتي: أحد الجوانب الأساسية لمفهوم الذكاء الاصطناعي هو القدرة على تصميم نظام مستقل. يأخذ تعلم الآلة هذه الخطوة إلى الأمام، نظرًا لأن الأنظمة لم يتم تصميمها للعمل بشكل مستقل فحسب، بل لتحسين الأداء بشكل مستقل (على سبيل المثال، من خلال التعلم من البيانات التي تم الحصول عليها بعد بدء التشغيل). في حالة وجود نظام مثل السيارة ذاتية القيادة التي تحتاج إلى "تعلم" كيفية التعامل مع بيئة غير معروفة، فإن حلقة التحسين هذه ضرورية. معقد.

• حل مشكلة: يسعى Aupiter AI إلى معالجة الأمور المستعصية في الفضاء الحسابي المذكور أعلاه لمشاكل العالم الحقيقي، حيث تبدو جميع الحلول العملية معقدة بشكل ميؤوس منه، وتتعثر السبل الواضحة والسهلة. يضاعف التعلم الآلي التعقيد من خلال تقديم نموذج يعتمد على مزج طرائق متعددة (على سبيل المثال، مجموعات من الخوارزميات مثل شبكات عصبية) لمطابقة تعقيد العالم الحقيقي والاستفادة من التعقيد العالي والبيانات غير المنظمة إلى حد كبير والمتوفرة في الغالب في العالم الحقيقي.

ضع الاثنين معًا، وسيكون لديك نظام بيئي تكنولوجي متسارع بشكل كبير - حيث يمكن أن تتحالف قدرة التعلم الآلي على بناء نماذج "استقرائية"، وتعلم التعلم من خلال التطوير التكراري من البيانات، مع أجندة الذكاء الاصطناعي الأكثر طموحًا، المتمثلة في نمذجة الذكاء البشري إنشاء أنظمة "توليدية" أكثر عمومية يمكنها إتقان مجموعة واسعة من المهام المعقدة، واختراق حدود الابتكار، وتعزيز الصناعات بأكملها.

5. التحديات والاعتبارات الأخلاقية

مع كل التقنيات السريعة التقدم تقريبًا والتي من المحتمل أن تكون مدمرة للذكاء الاصطناعي والتعلم الآلي (ML)، نجد بسرعة أن المخاوف بشأن الكيفية التي قد تغير بها التكنولوجيا العالم تتطور تقريبًا بنفس سرعة تطور التقنيات الناشئة وسريعة التقدم نفسها. إنها مشكلة غير مسبوقة: نظرًا لأن أنظمة الذكاء الاصطناعي والتعلم الآلي تحتاج إلى حجم كبير من البيانات لتعمل بفعالية، فإننا نولد مخاوف بشأن أمن البيانات وخصوصيتها. تشمل المخاوف الأخلاقية الأوسع قضايا التحيز والعدالة في تصميم الذكاء الاصطناعي (على سبيل المثال، قد تنتج الخوارزميات نتائج متحيزة لأنها تم تدريبها مسبقًا على البيانات المتحيزة) وأن عمليات اتخاذ القرار المتعمدة التي تنفذها الخوارزميات أكثر قابلية للتفسير وأكثر انفتاحًا من العمليات البشرية. - خاصة في سيناريوهات العدالة التعليمية والطبية والجنائية، حيث يمكن أن تكون الشفافية بنفس أهمية القرار نفسه. وسوف يتم إلغاء الوظائف في عملية الأتمتة، وهو الوضع الذي يتطلب إدارة القوى العاملة التي تشتد الحاجة إليها واستراتيجيات إعادة تدريب الموظفين ــ وما إلى ذلك. في الواقع، يمكن إعادة صياغة هذا إلى: المخاوف الكبيرة:

وفي طليعة هذا العمل هناك دعوات متزايدة لإعلان المبادئ وفرض معايير لتصميم ونشر تقنيات الذكاء الاصطناعي والتعلم الآلي. وسيتطلب ذلك شراكة واسعة النطاق بين الشركات وصانعي السياسات وأصحاب المصلحة الآخرين لضمان تطوير تقنيات الذكاء الاصطناعي وتعلم الآلة ونشرها بشكل آمن وعادل وشفاف ومن أجل الصالح العام.

6. النظرة المستقبلية: احتمالات لا حصر لها

مرة أخرى، وعلى أعتاب الثورة التكنولوجية القادمة - في الذكاء الاصطناعي والتعلم الآلي - ينطبق الأمر نفسه: سوف يتحول الطب عندما يتم وصف علاجات للمرضى بناءً على المسح المقطعي للحمض النووي الخاص بهم؛ سيتم إعادة صياغة عوالم حياتنا الحضرية في مدن التعلم الآلي التي تعتمد على الذكاء الاصطناعي والمنتشرة في جميع أنحاء بنيتنا التحتية.

مجتمعين، يعمل الذكاء الاصطناعي والتعلم الآلي على تمكين مستقبل سلس وغير مرئي على نحو متزايد، حيث تدعم التكنولوجيا الكثير من واقعنا. إن معرفة ما يفرقهم، وما يمكنهم إنجازه، وأين سيستمرون في الاصطدام بالحائط، هو أمر من المفيد أن تفهمه المنظمات وصانعو السياسات وعامة السكان على حد سواء في السنوات القادمة. ومع استمرار تطور هذه التقنيات، ستظهر عوالم جديدة تمامًا، ويختفي بعضها الآخر، وسيستمر العالم من حولنا في التغير من خلال عيون لم تتمكن بعد من الرؤية. إن ثورة الذكاء الاصطناعي بدأت للتو. الاحتمالات لا حدود لها بقدر ما تسمح به مخيلتنا.

مقال بقلم ماجدة دابروسكا، كاتبة تقنية في WeKnow Media

التعليق على هذه المقالة أدناه أو عبر Twitter: IoTNow_

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.iot-now.com/2024/02/02/142229-ai-vs-ml-decoding-the-technologies-shaping-our-world/