# AI, ML, & Deep Learning
print("Machine Learning Is Fun!")

مقدمة

حتى وقت قريب، تم برمجة كل برنامج كمبيوتر تقريبًا قد تتفاعل معه بشكل يومي كمجموعة صارمة من القواعد التي تحدد بدقة كيف يجب أن يتصرف. لنفترض أننا أردنا كتابة تطبيق لإدارة منصة تجارة إلكترونية. بعد الالتفاف حول السبورة لبضع ساعات للتفكير في المشكلة، قد نستقر على الخطوط العريضة لحل عملي ، على سبيل المثال: (1) يتفاعل المستخدمون مع التطبيق من خلال واجهة تعمل في متصفح الويب أو تطبيق الهاتف المحمول ؛ (2) يتفاعل تطبيقنا مع محرك قاعدة بيانات لتتبع حالة كل مستخدم والاحتفاظ بسجلات المعاملات التاريخية ؛ و (3) في قلب تطبيقنا ، يوضح * منطق العمل * (يمكنك القول ، * العقل *) لتطبيقنا مجموعة من القواعد التي تحدد كل ظرف يمكن تصوره للإجراء المقابل الذي يجب أن يتخذه برنامجنا.

لبناء أدمغة تطبيقنا ، قد نقوم بتعداد جميع الأحداث المشتركة التي يجب أن يتعامل معها برنامجنا. على سبيل المثال ، عندما ينقر أحد العملاء لإضافة عنصر إلى سلة التسوق الخاصة به ، يجب على برنامجنا إضافة إدخال إلى جدول قاعدة بيانات عربة التسوق ، مع ربط معرف المستخدم بمعرف المنتج المطلوب. قد نحاول بعد ذلك مراجعة كل حالة ممكنة ، واختبار مدى ملاءمة قواعدنا وإجراء أي تعديلات ضرورية. ماذا يحدث إذا بدأ المستخدم في الشراء بسلة تسوق فارغة؟ في حين أن عددًا قليلاً فقط من المطورين قد يكتشفون ذلك بشكل صحيح من المرة الأولى (قد يستغرق الأمر بعض الاختبارات التجريبية لحل الخلل) ، في الغالب ، يمكننا كتابة مثل هذه البرامج وإطلاقها بثقة قبل التفاعل مع عميل حقيقي. تعد قدرتنا على تصميم الأنظمة الآلية التي تقود المنتجات والأنظمة العاملة يدويًا إنجازًا معرفيًا رائعًا. وعندما تكون قادرًا على ابتكار حلول تعمل بنسبة 100٪ من الوقت ، فلا داعي للقلق بشأن التعلم الآلي.

لحسن الحظ بالنسبة للمجتمع المتنامي لعلماء التعلم الآلي، فإن العديد من المهام التي نرغب في أتمتها لا تنحني بسهولة إلى براعة الإنسان. تخيل أنك تتجمع حول السبورة البيضاء مع أذكى العقول التي تعرفها، لكنك هذه المرة تتعامل مع إحدى المشكلات التالية:

• اكتب برنامجًا يتنبأ بطقس الغد بناءً على المعلومات الجغرافية وصور الأقمار الصناعية وبيانات الطقس السابق.
• اكتب برنامجًا يأخذ سؤالاً واقعيًا، مُعبراً عنه بنص حر، ويجيب عليه بشكل صحيح.
• اكتب برنامجًا يتعرف على جميع الأشخاص الذين تم تصويرهم في صورة ما ويرسم الخطوط العريضة حول كل منهم.
• اكتب برنامجًا يقدم للمستخدمين منتجات من المحتمل أن يستمتعوا بها ولكن من غير المحتمل أن يواجهوها عند التصفح بشكل طبيعي.

لهذه المشاكل، حتى نخبة المبرمجين سيواجهون صعوبة في برمجة الحلول من الصفر. يمكن أن تختلف الأسباب. في بعض الأحيان، يتبع البرنامج الذي نبحث عنه نمطًا يتغير بمرور الوقت، لذلك لا توجد إجابة صحيحة ثابتة! في مثل هذه الحالات، يجب أن يتكيف أي حل ناجح برشاقة مع عالم متغير. في أوقات أخرى، قد تكون العلاقة (على سبيل المثال بين وحدات البيكسل والفئات المجردة) معقدة للغاية، وتتطلب آلاف أو ملايين الحسابات واتباع مبادئ غير معروفة. في حالة التعرف على الصور، تكمن الخطوات الدقيقة المطلوبة لأداء المهمة خارج فهمنا الواعي، على الرغم من أن عمليات الإدراك اللاواعي لدينا تنفذ المهمة دون عناء.

التعلم الآلي هو دراسة الخوارزميات التي يمكن أن تتعلم من التجربة. نظرًا لأن خوارزمية التعلم الآلي تجمع المزيد من الخبرة، عادةً في شكل بيانات رصد أو تفاعلات مع بيئة، فإن أدائها يتحسن. قارن هذا بمنصة التجارة الإلكترونية الحتمية الخاصة بنا، والتي تتبع نفس منطق الأعمال، بغض النظر عن مقدار الخبرة المتراكمة، حتى يتعلم المطورون أنفسهم ويقررون أن الوقت قد حان لتحديث البرنامج.

مثال محفز

قبل البدء في الكتابة ، كان على مؤلفي هذا الكتاب ، مثل الكثير من القوى العاملة ، أن يتناولوا الكافيين. ركبوا السيارة وبدأوا في القيادة. باستخدام iPhone ، دعا Alex “يا Siri” ، لتنبيه نظام التعرف على الصوت في الهاتف. ثم أمر مو بـ “الاتجاه إلى مقهى Blue Bottle”. عرض الهاتف بسرعة نص أمره على الشاشة. أدرك الهاتف أيضًا أننا كنا نسأل عن الاتجاهات وقام بتشغيل تطبيق الخرائط لتلبية طلبنا. بمجرد إطلاقه ، حدد تطبيق الخرائط عددًا من المسارات. بجانب كل مسار ، عرض الهاتف وقت الرحلة المتوقع. بينما قام المؤلفون بتلفيق هذه القصة ، إلا أنها توضح أنه في غضون ثوانٍ قليلة ، كيف يمكن لتفاعلاتنا اليومية مع الهواتف الذكية إشراك العديد من نماذج التعلم الآلي.

تخيل مجرد كتابة برنامج للرد على كلمة تنبيه مثل “Alexa” و “OK Google” و “Hey Siri”. جرب برمجته في غرفة بمفردك باستخدام جهاز كمبيوتر ومحرر كود ، كما هو موضح في الشكل 1.1.1. كيف تكتب مثل هذا البرنامج على أساس المبادئ الأولى التي ذكرناها؟ فكر في الأمر … المشكلة صعبة. كل ثانية ، سيجمع الميكروفون ما يقرب من 44000 عينة صوت. كل عينة هي قياس لسعة الموجة الصوتية. ما القاعدة التي يمكننا استخدامها والتي يمكنها تعيين مقتطف من الصوت الخام لتوقعات موثوقة {نعم ، لا} حول ما إذا كان المقتطف يحتوي على كلمة التنبيه؟ إذا كنت مرتبكًا ، فلا تقلق. نحن لا نعرف كيف نكتب مثل هذا البرنامج من الصفر أيضًا. لهذا السبب نستخدم التعلم الآلي.

ها هي الحيلة. في كثير من الأحيان، حتى عندما لا نعرف كيفية إخبار الكمبيوتر صراحةً بكيفية التعيين من المدخلات إلى المخرجات ، فإننا مع ذلك قادرون على أداء العمل الفذ المعرفي بأنفسنا. بمعنى آخر، حتى إذا كنت لا تعرف كيفية برمجة جهاز كمبيوتر للتعرف على كلمة “Alexa” ، فأنت نفسك قادر على التعرف عليها. مسلحين بهذه الإمكانية، يمكننا جمع مجموعة بيانات ضخمة تحتوي على أمثلة من المقتطفات الصوتية والتسميات المرتبطة للإشارة إلى المقتطفات التي تحتوي على كلمة التنبيه. في النهج السائد للتعلم الآلي ، لا نحاول تصميم نظام بشكل صريح للتعرف على كلمات التنبيه. بدلاً من ذلك ، نحدد برنامجًا مرنًا يتم تحديد سلوكه من خلال عدد من المعاملات. ثم نستخدم مجموعة البيانات لتحديد أفضل قيم المعاملات الممكنة، أي تلك التي تعمل على تحسين أداء برنامجنا فيما يتعلق بمقياس الأداء المختار.

يمكنك التفكير في المعاملات على أنها مقابض يمكننا تدويرها، والتلاعب بسلوك البرنامج. بعد تحديد المعاملات، نسمي البرنامج نموذجًا. المجموعة التي تتكون من جميع البرامج المميزة (تعيينات المدخلات والمخرجات) التي يمكننا إنتاجها فقط عن طريق معالجة المعاملات تسمى مجموعة من النماذج. والبرنامج الفوقي الذي يستخدم مجموعة البيانات الخاصة بنا لاختيار المعاملات يسمى خوارزمية التعلم.

قبل أن نتمكن من المضي قدمًا وإشراك خوارزمية التعلم، يتعين علينا تحديد المشكلة بدقة، وتحديد الطبيعة الدقيقة للمدخلات والمخرجات، واختيار مجموعة مناسبة من النماذج. في هذه الحالة، يتلقى نموذجنا مقتطفًا من الصوت كإدخال، ويقوم النموذج بإنشاء اختيار من بين {نعم، لا} كمخرج. إذا سارت الأمور وفقًا للخطة، فعادة ما تكون تخمينات النموذج صحيحة فيما يتعلق بما إذا كان المقتطف يحتوي على كلمة التنبيه.

إذا اخترنا مجموعة النماذج المناسبة، فيجب أن يكون هناك إعداد واحد للمقابض بحيث يختار النموذج “نعم” في كل مرة يسمع فيها كلمة “Alexa”. نظرًا لأن الاختيار الدقيق لكلمة الاستيقاظ عشوائي، فربما نحتاج إلى عائلة نموذجية غنية بما يكفي، من خلال إعداد آخر للمقابض، يمكنها إطلاق “نعم” فقط عند سماع كلمة " Apricot”. نتوقع أن يكون النموذج نفسه مناسبًا للتعرف على “Alexa” و “Apricot” لأنهما يبدوان، بشكل حدسي، مهام متشابهة. ومع ذلك، قد نحتاج إلى عائلة مختلفة من النماذج تمامًا إذا أردنا التعامل مع مدخلات أو مخرجات مختلفة جذريًا، لنقل إذا أردنا ربط الصور بتعليقاتها، أو من الجمل الإنجليزية إلى الجمل الصينية.

كما قد تكون خمنت ، إذا قمنا بتعيين جميع المقابض بشكل عشوائي ، فمن غير المرجح أن يتعرف نموذجنا على “Alexa” أو “Apricot” أو أي كلمة إنجليزية أخرى. في التعلم الآلي ، التعلم هو العملية التي نكتشف من خلالها الإعداد الصحيح للمقابض التي تفرض السلوك المطلوب من نموذجنا. بمعنى آخر ، نقوم بتدريب نموذجنا بالبيانات. كما هو مبين في الشكل 1.1.2 ، عادة ما تبدو عملية التدريب كما يلي:

1. ابدأ بنموذج تمت تهيئته عشوائيًا ولا يمكنه فعل أي شيء مفيد.
2. احصل على بعض البيانات (على سبيل المثال ، المقتطفات الصوتية والتسمية المقابلة {yes، no}).
3. قم بضبط المقابض لجعل النموذج يعمل بشكل أفضل كما هو موضح في الأمثلة المستخدمة.
4. كرر الخطوتين 2 و 3 حتى يصبح النموذج رائع الأداء.

لتلخيص الفكرة ، بدلاً من برمجة أداة التعرف على كلمات التنبيه ، نقوم ببرمجة برنامج يمكنه تعلم القدرة على التعرف على كلمات التنبيه ، إذا تم تقديمها مع مجموعة بيانات كبيرة معنونة. يمكنك التفكير في هذا الفعل المتمثل في تحديد سلوك البرنامج من خلال تقديمه مع مجموعة بيانات باعتباره فن البرمجة باستخدام البيانات. وهذا يعني أنه يمكننا “برمجة” جهاز الكشف عن القطط من خلال تزويد نظام التعلم الآلي الخاص بنا بالعديد من الأمثلة على القطط والكلاب. بهذه الطريقة سيتعلم الكاشف في النهاية إصدار رقم موجب كبير جدًا إذا كان قطة ، ورقمًا سالبًا كبيرًا جدًا إذا كان كلبًا ، وشيء أقرب إلى الصفر إذا لم يكن متأكدًا. هذا بالكاد لمحات قليلة لما يمكن أن يفعله التعلم الآلي.

المكونات الرئيسية

في مثال كلمة التنبيه، وصفنا مجموعة بيانات تتكون من مقتطفات صوتية وعلامة ثنائية {نعم، لا}، وقدمنا فكرة بسيطة عن كيفية تدريب نموذج على الخريطة من المقتطفات الصوتية إلى التصنيفات. هذا النوع من المشاكل، حيث نحاول التنبؤ بتسميات غير معروفة محددة بناءً على المدخلات المعروفة، بالاعتماد على مجموعة بيانات تتكون من أمثلة معروفة تسمياتها، يسمى التعلم الخاضع للإشراف. هذه مجرد واحدة من بين العديد من مشاكل التعلم الآلي. قبل أن نستكشف الأنواع الأخرى، نود أن نلقي مزيدًا من الضوء على بعض المكونات الأساسية التي ستتبعنا، بغض النظر عن نوع مشكلة التعلم الآلي التي نتعامل معها:

1. البيانات التي يمكننا التعلم منها.
2. نموذج يحدد كيفية تحويل البيانات.
3. وظيفة موضوعية تحدد مدى جودة (أو سوء) أداء النموذج.
4. خوارزمية لضبط معلمات النموذج لتحسين وظيفة الهدف.

البيانات

يمكننا القول ببساطة أنه لا يمكنك القيام بعلم البيانات بدون بيانات. يمكننا استخدام مئات الصفحات للتفكير في ماهية البيانات بالضبط ، ولكن في الوقت الحالي ، سنركز على الخصائص الرئيسية لمجموعات البيانات التي سنهتم بها. بشكل عام ، نحن مهتمون بمجموعة من الأمثلة. من أجل العمل مع البيانات بشكل مفيد ، نحتاج عادةً إلى التوصل إلى تمثيل رقمي مناسب. يتكون كل مثال (أو نقطة بيانات ، مثيل بيانات ، عينة) عادةً من مجموعة من السمات تسمى الميزات (تسمى أحيانًا المتغيرات المشتركة أو المدخلات) ، بناءً على النموذج الذي يجب أن يقوم بالتنبؤات الخاصة به. في مشاكل التعلم الخاضعة للإشراف ، هدفنا هو التنبؤ بقيمة سمة خاصة ، تسمى التسمية (أو الهدف) ، والتي ليست جزءًا من مدخلات النموذج.

إذا كنا نعمل مع بيانات الصور ، فقد يتكون كل مثال من صورة فردية (الميزات) ورقم يشير إلى الفئة التي تنتمي إليها الصورة (التسمية). سيتم تمثيل الصورة عدديًا على شكل ثلاث شبكات من القيم الرقمية التي تمثل سطوع الضوء الأحمر والأخضر والأزرق في كل موقع بكسل. على سبيل المثال ، الصورة الفوتوغرافية الملونة 200 × 200 تتكون من 200 × 200 × 3 = 120000 قيم عددية.

بدلاً من ذلك، قد نعمل مع بيانات السجلات الصحية الإلكترونية ونتعامل مع مهمة التنبؤ باحتمالية بقاء مريض معين على قيد الحياة خلال الثلاثين يومًا القادمة. هنا، قد تتكون ميزاتنا من مجموعة من السمات المتاحة بسهولة والقياسات المسجلة بشكل متكرر، بما في ذلك العمر والعلامات الحيوية والأمراض المصاحبة والأدوية الحالية والإجراءات الحديثة. ستكون التسمية المتاحة للتدريب عبارة عن قيمة ثنائية تشير إلى ما إذا كان كل مريض في البيانات التاريخية قد نجا خلال نافذة الثلاثين يومًا.

في مثل هذه الحالات ، عندما يتميز كل مثال بنفس عدد السمات العددية ، نقول إن المدخلات عبارة عن متجهات ذات طول ثابت ونطلق على الطول (الثابت) للمتجهات أبعاد البيانات. كما قد تتخيل ، يمكن أن تكون المدخلات ذات الطول الثابت مريحة ، مما يمنحنا تعقيدًا أقل. ومع ذلك ، لا يمكن بسهولة تمثيل جميع البيانات كمتجهات ثابتة الطول. بينما قد نتوقع أن تأتي الصور المجهرية من المعدات القياسية ، لا يمكننا أن نتوقع أن تظهر الصور المستخرجة من الإنترنت جميعها بنفس الدقة أو الشكل. بالنسبة للصور ، قد نفكر في اقتصاصها جميعًا إلى الحجم القياسي ، لكن هذه الإستراتيجية لا تصلنا إلا إلى نتيجة محدودة. نحن نخاطر بفقدان المعلومات في الأجزاء المقتطعة. علاوة على ذلك ، تقاوم البيانات النصية التمثيلات ذات الطول الثابت بشكل أكثر عنادًا. ضع في اعتبارك تعليقات العملاء على مواقع التجارة الإلكترونية مثل Amazon و IMDb و TripAdvisor. بعضها عبارة عن مراجعات قصيرة: “إنه سيء جدًا!” ، بينما تتكون المراجعات الأخرى من صفحات كاملة. تتمثل إحدى الميزات الرئيسية للتعلم العميق على الطرق التقليدية في الطريقة التي يمكن بها للنماذج الحديثة التعامل مع البيانات متفاوتة الطول.

بشكل عام ، كلما زادت البيانات المتوفرة لدينا ، أصبحت مهمتنا أسهل. عندما يكون لدينا المزيد من البيانات ، يمكننا تدريب نماذج أكثر قوة والاعتماد بشكل أقل على الافتراضات المسبقة. يعد تغيير النظام من البيانات الصغيرة (نسبيًا) إلى البيانات الكبيرة مساهماً رئيسياً في نجاح التعلم العميق الحديث. لتوضيح النقطة المقصودة ، لا تعمل العديد من النماذج الأكثر إثارة في التعلم العميق بدون مجموعات البيانات الكبيرة. تعمل بعض النماذج القليلة الأخرى في نظام البيانات الصغيرة ، ولكنها ليست أفضل من الأساليب التقليدية.

أخيرًا ، لا يكفي وجود الكثير من البيانات ومعالجتها بذكاء. نحن بحاجة إلى البيانات الصحيحة. إذا كانت البيانات مليئة بالأخطاء ، أو إذا كانت الميزات المختارة لا تنبئ بالقيمة المستهدفة ، فإن التعلم سيفشل. علاوة على ذلك ، فإن ضعف الأداء التنبئي ليس هو النتيجة المحتملة الوحيدة. في التطبيقات الحساسة للتعلم الآلي ، مثل الفحص ونماذج المخاطر المستخدمة للإقراض ، يجب أن نكون متيقظين بشكل خاص لعواقب البيانات المهملة. يحدث أحد أوضاع الفشل الشائعة في مجموعات البيانات حيث لا يتم تمثيل بعض مجموعات الأشخاص في بيانات التدريب. تخيل تطبيق نظام التعرف على سرطان الجلد الذي لم يتم تدريبه على حالات البشرة السوداء من قبل. يمكن أن يحدث الفشل أيضًا عندما لا تكون البيانات مجرد تمثيل ناقص لبعض المجموعات ولكنها تعكس التحيزات المجتمعية. على سبيل المثال ، إذا تم استخدام قرارات التوظيف السابقة لتدريب نموذج تنبؤي سيتم استخدامه لفحص السير الذاتية ، فيمكن لنماذج التعلم الآلي عن غير قصد التقاط المظالم التاريخية وتشغيلها تلقائيًا. لاحظ أن كل هذا يمكن أن يحدث دون أن يتآمر عالم البيانات عن قصد ، أو حتى أن يكون مدركًا.

النماذج

يتضمن معظم التعلم الآلي تحويل البيانات إلى حد ما. قد نرغب في بناء نظام يستوعب الصور ويتنبأ بالابتسامة. بدلاً من ذلك ، قد نرغب في استيعاب مجموعة من قراءات أجهزة الاستشعار والتنبؤ بمدى طبيعية القراءات مقابل الشذوذ. في مصطلح النموذج ، نشير إلى الآلية الحسابية المستخدمة لاستيعاب البيانات من نوع واحد ، وإخراج تنبؤات من نوع مختلف محتمل. على وجه الخصوص ، نحن مهتمون بالنماذج الإحصائية التي يمكن تقديرها من البيانات. في حين أن النماذج البسيطة قادرة تمامًا على معالجة المشكلات البسيطة المناسبة ، فإن المشكلات التي نركز عليها في هذا المجال تمتد إلى ما وراء حدود الطرق الكلاسيكية.

الوظائف الموضوعية

في وقت سابق ، قدمنا التعلم الآلي باعتباره التعلم من التجربة. من خلال التعلم هنا ، فإننا نعني التحسين في بعض المهام بمرور الوقت. ولكن من سيقول ما الذي يشكل تحسنا؟ قد تتخيل أنه يمكننا اقتراح تحديث نموذجنا ، وقد يختلف بعض الأشخاص حول ما إذا كان التحديث المقترح يمثل تحسينًا أم انحدارًا.

من أجل تطوير نظام رياضي لآلات التعلم ، نحتاج إلى مقاييس رسمية لمدى جودة (أو سوء) نماذجنا. في التعلم الآلي ، نسميها وظائف موضوعية. حسب الاصطلاح ، يتم تعريف الوظائف الموضوعية بحيث تكون القيمة الأقل دائمًا هي القيمة الأفضل. يمكنك أن تأخذ أي دالة تكون فيها القيمة الأعلى ذات قيمة أفضل ، وتحويلها إلى وظيفة جديدة متطابقة نوعياً ولكن يكون الأقل أفضل عن طريق قلب العلامة. لأن الأقل هو الأفضل ، تسمى هذه الوظائف أحيانًا وظائف الخسارة.

عند محاولة التنبؤ بالقيم العددية ، فإن دالة الخسارة الأكثر شيوعًا هي الخطأ التربيعي ، أي مربع الفرق بين التنبؤ والحقيقة المستهدفة. بالنسبة لنماذج التصنيف ، يتمثل الهدف الأكثر شيوعًا في تقليل معدل الخطأ ، أي جزء من الأمثلة التي تختلف فيها توقعاتنا مع الحقيقة.

خوارزميات التحسين

بمجرد حصولنا على بعض مصادر البيانات وتمثيلها، والنموذج ، ووظيفة موضوعية محددة جيدًا ، نحتاج إلى خوارزمية قادرة على البحث عن أفضل المعاملات الممكنة لتقليل وظيفة الخسارة. تعتمد خوارزميات التحسين الشائعة للتعلم العميق على نهج يسمى الانحدار المتدرج.

Success Stories

للذكاء الاصطناعي تاريخ طويل في تقديم النتائج التي يصعب تحقيقها بدونه. على سبيل المثال ، تم استخدام أنظمة فرز البريد باستخدام التعرف الضوئي على الأحرف منذ التسعينيات. أصبح هذا مصدر مجموعة بيانات MNIST الشهيرة للأرقام المكتوبة بخط اليد. الأمر نفسه ينطبق على قراءة الشيكات للودائع المصرفية والتحقق من الجدارة الائتمانية لمقدمي الطلبات. يتم فحص المعاملات المالية تلقائيًا بحثًا عن الاحتيال. وهذا يشكل العمود الفقري للعديد من أنظمة الدفع للتجارة الإلكترونية ، مثل PayPal و Stripe و AliPay و WeChat و Apple و Visa و MasterCard. علاوة على ذلك ، كانت برامج الكمبيوتر للشطرنج تنافسية منذ عقود. يغذي التعلم الآلي أنظمة البحث والتوصية والتخصيص والتصنيف على الإنترنت. بمعنى آخر ، فإن استخدام التعلم الآلي منتشر في كل مكان ، وإن كان غالبًا ما يكون مخفيًا عن أعين الجمهور.

في الآونة الأخيرة فقط ، أصبح الذكاء الاصطناعي في دائرة الضوء ، ويرجع ذلك في الغالب إلى حلول المشكلات التي كانت تعتبر مستعصية في السابق والتي تتعلق مباشرة بالمستهلكين. يُعزى العديد من هذه التطورات إلى التطورات في التعلم العميق.

• يستطيع المساعد الذكي ، مثل Siri من Apple و Alexa من Amazon ومساعد Google ، الإجابة على الأسئلة المنطوقة بدرجة معقولة من الدقة. يتضمن ذلك مهامًا بسيطة ، مثل تشغيل مفاتيح الإضاءة ، ومهام أكثر تعقيدًا ، مثل ترتيب مواعيد الحلاق وتقديم الدعم عبر الهاتف باستخدام المحادثة. ربما يكون هذا هو الدليل الأكثر وضوحًا على أن الذكاء الاصطناعي يؤثر على حياتنا.
• أحد المكونات الرئيسية في المساعد الرقمي هو القدرة على التعرف على الكلام بدقة. تدريجيًا ، زادت دقة هذه الأنظمة إلى حد تحقيق التكافؤ البشري لبعض التطبيقات (Xiong et al. ، 2018).
• لقد قطع التعرف على الأشياء أيضًا شوطًا طويلاً. كان تحديد الكائن في صورة مهمة صعبة إلى حد ما في عام 2010. حقق باحثو معيار ImageNet من NEC Labs وجامعة إلينوي في Urbana-Champaign معدل خطأ بنسبة 28٪ (من بين الخمسة الأوائل) (Lin et al.، 2010). بحلول عام 2017 ، انخفض معدل الخطأ هذا إلى 2.25٪ (Hu et al.، 2018). وبالمثل ، تم تحقيق نتائج مذهلة في التعرف على الطيور وتشخيص سرطان الجلد.
• تُستخدم البراعة في الألعاب لتوفير وسيلة قياس للذكاء البشري. بدءًا من TD-Gammon وهو برنامج للعب لعبة الطاولة باستخدام التعلم المعزز ، أدى التقدم الحسابي والحاسبي إلى خوارزميات تستخدم لمجموعة واسعة من التطبيقات. على عكس لعبة الطاولة ، فإن لعبة الشطرنج بها مساحة أكثر تعقيدًا ومجموعة من الإجراءات. تغلب DeepBlue على Garry Kasparov باستخدام التوازي الهائل والأجهزة ذات الأغراض الخاصة والبحث الفعال من خلال شجرة قرار اللعبة (Campbell et al. ، 2002). لا تزال Go أكثر صعوبة ، بسبب مساحتها الضخمة المعقدة. وصل AlphaGo إلى التكافؤ البشري في عام 2015 ، باستخدام التعلم العميق جنبًا إلى جنب مع أخذ عينات شجرة قرار مونت كارلو (Silver et al. ، 2016). كان التحدي في لعبة البوكر هو أن القرار ينص على أن المساحة كبيرة ويتم ملاحظتها جزئيًا فقط (لا نعرف بطاقات الخصم). تجاوز Libratus الأداء البشري في لعبة البوكر باستخدام استراتيجيات منظمة بكفاءة (Brown and Sandholm، 2017).
• مؤشر آخر على التقدم في الذكاء الاصطناعي هو ظهور السيارات والشاحنات ذاتية القيادة. في حين أن الاستقلالية الكاملة ليست في متناول اليد تمامًا ، فقد تم إحراز تقدم ممتاز في هذا الاتجاه ، حيث تقدم شركات مثل Tesla و NVIDIA و Waymo منتجات تتيح الاستقلال الذاتي الجزئي على الأقل. ما يجعل الاستقلالية الكاملة صعبة للغاية هو أن القيادة المثالية تتطلب القدرة على الإدراك والتفكير وتطبيق القواعد على النظام. في الوقت الحاضر ، يتم استخدام التعلم العميق بشكل أساسي في جانب رؤية الكمبيوتر لهذه المشاكل. يتم ضبط الباقي بشكل كبير من قبل المهندسين.

هذا بالكاد يخدش السطح فيما يتعلق بالتطبيقات المؤثرة للتعلم الآلي. على سبيل المثال ، ترجع بعض التطورات الحديثة الأكثر إثارة للإعجاب في مجال الروبوتات واللوجستيات وعلم الأحياء الحسابي وفيزياء الجسيمات وعلم الفلك إلى استخدام التعلم الآلي. وهكذا أصبح التعلم الآلي أداة منتشرة في كل مكان للمهندسين والعلماء.

في كثير من الأحيان ، أثيرت أسئلة حول نهاية العالم القادمة التي يقودها الذكاء الاصطناعي ومعقولية التفرد في مقالات غير تقنية عن الذكاء الاصطناعي. الخوف هو أن أنظمة التعلم الآلي ستصبح بطريقة ما واعية وتتخذ القرارات ، بشكل مستقل عن مبرمجيها الذين يؤثرون بشكل مباشر على حياة البشر. إلى حد ما ، يؤثر الذكاء الاصطناعي بالفعل على سبل عيش البشر بطرق مباشرة: يتم تقييم الجدارة الائتمانية تلقائيًا ، وتوجه أنظمة الطيار الآلي في الغالب المركبات ، والقرارات المتعلقة بمنح الكفالة تستخدم البيانات الإحصائية كمدخلات. حتى في أبسط الأمور ، يمكننا أن نطلب من Alexa تشغيل آلة القهوة.

لحسن الحظ ، نحن بعيدون عن نظام ذكاء اصطناعي واعي يمكنه التلاعب عمدا بمنشئيه البشريين. أولاً ، يتم تصميم أنظمة الذكاء الاصطناعي وتدريبها ونشرها بطريقة محددة وموجهة نحو الهدف. في حين أن سلوكهم قد يعطي الوهم بالحصول على ذكاء عام ، إلا أنهم في النهاية عبارة عن مزيج من القواعد والاستدلال والنماذج الإحصائية التي يقوم عليها التصميم. ثانيًا ، في الوقت الحالي ، لا توجد أدوات للذكاء العام الاصطناعي قادرة على تحسين نفسها ، والتفكير حول نفسها ، والقادرة على تعديل بنيتها الخاصة وتوسيعها وتحسينها أثناء محاولة حل المهام العامة.

هناك قلق أكثر إلحاحًا وهو كيفية استخدام الذكاء الاصطناعي في حياتنا اليومية. من المحتمل أن تتم أتمتة العديد من المهام الصغيرة التي ينجزها سائقي الشاحنات ومساعدو المتاجر. من المرجح أن تقلل روبوتات الزراعة من تكلفة الزراعة العضوية ولكنها ستعمل أيضًا على أتمتة عمليات الحصاد. قد يكون لهذه المرحلة من الثورة الصناعية عواقب وخيمة على قطاعات واسعة من المجتمع ، لأن سائقي الشاحنات ومساعدي المتاجر هم من أكثر الوظائف شيوعًا في العديد من البلدان. علاوة على ذلك ، يمكن أن تؤدي النماذج الإحصائية ، عند تطبيقها دون عناية ، إلى التحيز العنصري أو العمري وتثير مخاوف معقولة بشأن الإنصاف الإجرائي إذا كانت مؤتمتة لقيادة القرارات التبعية. من المهم التأكد من استخدام هذه الخوارزميات بعناية. مع ما نعرفه اليوم ، فإن هذا يثير قلقًا أكثر إلحاحًا من قدرة الذكاء الخارق الخبيث على تدمير البشرية.