فيديو

جدول المحتويات:

Anonim

يعتبر الكثير من الناس مصطلحات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) والتعلم العميق (DL) مرادفات. هذا بعيد كل البعد عن الحقيقة ، واليوم نزيل الغموض عن هذه المفاهيم الخاطئة.

AI و ML و DL هي التطبيقات العملية لنماذج تحليل البيانات المختلفة والخوارزميات لحالات الاستخدام المختلفة في الصناعات المختلفة. على الرغم من أن هذه الأدوات لا يمكنها بعد اتخاذ خيارات أخلاقية أو أن تعمل كآلات حساسة ، إلا أنها تمتلك القدرة على زيادة قيمة أي عمل تجاري. يتم ذلك عن طريق إيجاد أنماط غير مرئية سابقًا والتنبؤ بالنتائج المحتملة لبعض الإجراءات. نأمل أن توفر هذه المقالة فهماً أفضل لقدرات AI و ML و DL ، وستصبح نقطة انطلاقك في رحلة نحو تحليلات البيانات التي تدعمها AI.

تم تنفيذ الخطوة الأولى على هذا النحو من خلال أنظمة متخصصة ، والتي كانت أول محاولة لتدوين عمليات تحليل البيانات. شرح الخبراء قواعد بعض خبرات المجال ، وتم تدوينها لاحقًا في محركات القواعد واستخدمت للإجابة على الأسئلة. ومع ذلك ، كان هذا الهيكل قادرًا على العمل فقط وفقًا لهذه القواعد المحددة مسبقًا ولم يتمكن من التحسن بمرور الوقت. يعد تحديث قواعد المحركات محدّثة مع إضافة حقائق جديدة مسعىًا مرهقًا ويستهلك الكثير من الجهد. ومع ذلك ، لا تزال النظم الخبيرة منتشرة على نطاق واسع في مجال الرعاية الصحية والمالية.

تم إجراء الخطوة التالية نحو التعلم الآلي عند تقديم بنية وحدة المعالجة المركزية الحديثة للكمبيوتر ، متبوعة بوحدات معالجة الرسومات (GPUs). الفائدة الأساسية لوحدات معالجة الرسومات هي أنها تمكن من معالجة البيانات الموازية نظرًا لإيواء الآلاف من النوى الأصغر ، بدلاً من المعالجة التسلسلية في العديد من النوى الأكبر من وحدات المعالجة المركزية. وقد أدى التطور الإضافي لهذه التكنولوجيا والانتقال إلى السحابة لجميع المشاريع التي تتطلب بيانات مكثفة إلى طفرة كبيرة في تطوير الذكاء الاصطناعى.

بالإضافة إلى ذلك ، فإن استخدام أدوات البيانات الكبيرة مثل Hadoop ، و Spark ، و Flink ، و Map Reduce ، و Cassandra يضمن للشركات الاستفادة من قدراتها على البيانات الكبيرة إلى أقصى الحدود. سابقا ، تم تخزين البيانات في مكان ما ، وكان لا بد من تحميلها في أي مكان آخر للمعالجة.هذا تسبب في سرعة نقل البيانات لتكون عنق الزجاجة وكان مكلفا للغاية. يعني نهج العصر الحديث تخزين البيانات في السحابة وتوجيه المعالجة إلى البيانات ، وليس العكس. هذا أكثر فعالية من حيث التكلفة ، ناهيك عن كونه أسرع بكثير.

ما هو الذكاء الاصطناعى: شيء رائع لا يعمل بعد

لقد نشرنا بالفعل مقالًا يوضح أن الذكاء الاصطناعي لا يأتي في شكل روبوتات حساسة. في الحقيقة ، لقد كان الذكاء الاصطناعى مصطلحًا شاملاً وكلمة طنانة منذ تقديم اختبار تورينج. كان العلماء يسعون جاهدين لخلق الفكر في الآلة ، ولكن هذا لا ينبغي أن يكون نسخة من الفكر الإنساني.

الذكاء الاصطناعى عبارة عن مجموعة من الخوارزميات التي تتعلم وتتطور مع مرور الوقت ، وتصبح أفضل وأفضل في التعامل مع مهمتها ، ولكنها غير قادرة على الخيارات الأخلاقية (لا تعرف ما هو جيد أو سيء) أو تفهم قيمة الفن ، أو تلقي قيمة متعة جمالية من الموسيقى.

في الواقع ، أصبح الذكاء الاصطناعى الآن أكثر من الاسم الرمزي لحدود جديدة في عقول الرجال. كل جانب جديد من جوانب النظرية الرياضية يكسب تنفيذها العملي ويتوقف عن أن يكون الذكاء الاصطناعى. وقد وصف هذه الظاهرة تيد دونينج ، دكتوراه ، كبير مهندسي التطبيقات في MapR (بائع شركة Hadoop) ، الذي قال "عندما لا يعمل شيء - نسميها AI. عندما يبدأ العمل بشكل صحيح - نسميها شيئًا آخر.”

ما هو تعلم الآلة: يتم تطبيق الذكاء الاصطناعي على تحليلات البيانات الكبيرة

تعلم الآلة عبارة عن مجموعة فرعية من تقنية الذكاء الاصطناعي التي ازدهرت حوالي الثمانينات. تطبيقه الرئيسي هو الجودة والدقة المتزايدة لتحليل البيانات الكبيرة. تجد خوارزميات ML أنماطًا في البيانات التاريخية ، وتتبع نماذج ML المدربة هذه الأنماط للتنبؤ بالرؤى القيمة في البيانات الجديدة.

هناك مجالان رئيسيان لنطاق التعلم في ML: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.

  • التعلم تحت الإشراف يستخدم تسميات البيانات (يتم توفير كل من الدخل وبيانات الإخراج إلى الخوارزمية) التي أنشأها البشر لهيكلة البيانات. تتضمن نماذج ML في هذه الفئة غابات القرارات العشوائية وخوارزميات Bayes الساذجة و SVM والتدريب على الانحدار الخطي أو اللوجستي.
  • تعليم غير مشرف عليه يستخدم البيانات غير المسماة ويجب أن تقوم نماذج ML إما بتدريب نفسها وفقًا لسرعتها الخاصة أو مما يزيد المكافآت وفقًا للتعليقات.

يتم التعلم الآلي في الغالب من أجل تصنيف البيانات ويستخدم على نطاق واسع في الصناعات المالية والمصرفية لمكافحة الاحتيال وإدارة المخاطر. لقد وصفنا حالات استخدام التعلم الآلي في الصناعة المصرفية أو كيفية استخدام الشركات المختلفة للتعلم الآلي لتحسين الخدمات المالية.

التعلم العميق: طبقات متعددة من الشبكات العصبية

تستخدم خوارزميات التعلم العميق طبقات متعددة من العقد ذات أوزان مختلفة ، تسمى الشبكات العصبية العميقة أو DNNs. هناك عقدات المدخلات والمخرجات ، وما لا يقل عن 10 طبقات بينهما. من خلال ضبط الوزن المنطقي لكل عقدة DNN ، يمكن لعلماء البيانات التأثير على النتيجة ، وبالتالي تدريب النموذج للوصول إلى النتائج المطلوبة على نطاق واسع. نظرًا لتطور المعالجة المتوازية على نطاق واسع للبيانات واستخدام وحدات معالجة الرسومات الفعالة ، يمكن لعلماء البيانات في الوقت الحالي استخدام DNNs مع الآلاف من الطبقات.

كل تعديل للوزن المنطقي ينتج عنه فهم أفضل لميزات الكائن المطلوبة بشكل أفضل. تتمثل ميزة هذه العملية في أنه لا يمكن تعريف الميزات في البداية ، وسوف يتعلم النموذج تحديد أفضل النتائج بمفرده مع مرور الوقت.

DNNs هي الأكثر انتشارًا ولكنها ليست الأنواع الوحيدة من خوارزميات ML المستخدمة في التعلم العميق.

لقد أوضحنا كيف يعمل Deep Learning حقًا ، بالإضافة إلى تغطية العديد من تطورات التعلم العميق التي تم إجراؤها في عام 2017 في مجالات مثل تطبيقات النصوص والكلام ، وتصور الماكينة والتعرف الضوئي على الحروف ، والتعلم المعزز وتطبيقات الحركة الآلية. تعمل هذه التطبيقات على تعطيل وتحسين الرعاية الصحية والصناعات المالية وتجارة التجزئة ، وكذلك العديد من مجالات الحياة الأخرى.

آفاق تطور تكنولوجيا الذكاء الاصطناعي

وهكذا ، كانت هناك تحسينات كبيرة في فعالية تطبيقات الذكاء الاصطناعي على مدار العقد الماضي. على الرغم من أن Deep Blue قد تغلبت على Garry Kasparov منذ أكثر من 20 عامًا ، إلا أن النصر الصوتي التالي من هذا النوع لم يحدث إلا مؤخرًا ، عندما فازت شركة AlphaGo من شركة Google DeepMind بمقابلة بطل Go النشط Lee Sedol في عام 2016. هذا لا يعني أن تطوير الذكاء الاصطناعي قد توقف - تمامًا على العكس من ذلك ، ازدهرت بشكل كبير.

من إثارة الخيال العلمي في أوائل خمسينيات القرن الماضي وأحلام الروبوتات الحساسة ، أدركنا أن الذكاء الاصطناعي يستخدم على أفضل وجه لأتمتة المهام الشاقة والمستهلكة للوقت على نطاق واسع ، وليس لتقليد وظائف الدماغ البشري. لا تزال هناك بعض أوجه التشابه بين الذكاء الطبيعي والاصطناعي ، كما هو الحال في Loihi ، شريحة التعلم الذاتي من Intel. ومع ذلك ، فإن التطورات التكنولوجية الحديثة تدعم الاتجاه القوي لاستخدام خوارزميات ML لتحليل البيانات على نطاق واسع.

الأفكار النهائية على الذكاء الاصطناعي والتعلم الآلي والتعلم العميق

هل التعلم العميق هو اتجاه تطور الذكاء الاصطناعى؟ لا نعتقد ذلك ، نظرًا لوجود تطبيقات مثيرة جديدة تظهر باستمرار على أحدث التقنيات ، فضلاً عن الإمكانيات الجديدة لتطبيق ML و DL في الصناعات التي لم تكن رقمية مسبقًا. مع اكتمال المزيد والمزيد من الشركات انتقالها السحابي ، توفر المزيد والمزيد من فرص الاستفادة من خوارزميات الذكاء الاصطناعي في تحليلات البيانات الكبيرة نفسها.

خلال قمة AWS 2018 في لندن ، كشف Amazon CTO Dr. Werner Vogels أن AWS تركز جهودها في تقديم الميزات والخدمات التي تعمل بالطاقة AI لمنتجها لزيادة تمكين تسليم القيمة لعملائها. نتج عن هذا العديد من إصدارات AI / ML / DL وإعلاناتها وميزاتها التي تم تقديمها خلال أسبوع AWS re: Invent 2018.

تقوم Microsoft بالشيء نفسه ، حيث تضم قسمًا للبحث والتطوير قوامه 8000 شخص مخصصًا بالكامل لتطوير خدمات الذكاء الاصطناعى وخدمات ML لـ Azure. الذكاء الاصطناعي هو بالتأكيد أكثر سخونة من أي وقت مضى في هذه الأيام وسوف تصبح أكثر ربحية ومفيدة في المستقبل.

هل طبقت نماذج ML لأنظمة تحليل البيانات الخاصة بك بالفعل؟ هل ترغب في القيام بذلك؟ إذا كان الأمر كذلك - IT Svit يمكن أن تساعد!


موصى به اختيار المحرر