مودة ياجندوح | مأمني الإبداعية
في ساعة تعلم خصصتها هذا الأسبوع، تعمقت أكثر في عالم الذكاء الاصطناعي (Artificial Intelligence)، من خلال دورة “الذكاء الاصطناعي للجميع” (AI For Everyone) لمحاضرها Andrew Ng على منصة Coursera.
الذكاء الاصطناعي ليس سحرًا، بل تعلّم من البيانات
كثير من الناس يتخيلون الذكاء الاصطناعي كصندوق أسود غامض. لكن الفكرة الجوهرية بسيطة نسبيًا: بدل أن نكتب للنظام قاعدة لكل حالة ممكنة، نعطيه كمية كبيرة من البيانات ونتركه “يتعلم” الأنماط بنفسه. هذا بالضبط ما يُعرف بـتعلم الآلة (Machine Learning) — فرع الذكاء الاصطناعي الذي يمكّن الأنظمة من تحسين أدائها تلقائيًا من خلال التجربة والبيانات، لا من خلال قواعد مكتوبة يدويًا.
مثال يومي بسيط: أنظمة التوصية في المتاجر الإلكترونية لا “تعرف” مسبقًا ماذا تحب، بل تتعلم من سلوكك الشرائي السابق لتقترح عليك منتجات أكثر ملاءمة.
داخل “الدماغ” الاصطناعي
الأداة الأكثر شيوعًا لتحقيق هذا التعلّم هي الشبكة العصبية (Neural Network) — بنية رياضية مستوحاة من طريقة عمل الدماغ البشري، تتكون من طبقات مترابطة من الوحدات. هذه الطبقات تمرّر البيانات وتحللها تدريجيًا، حتى تصل الشبكة إلى “فهم” الأنماط الكامنة فيها، سواء كانت صورًا أو نصوصًا أو أصواتًا.
عندما يفهم الحاسب لغتنا
من أكثر تطبيقات الذكاء الاصطناعي التي نتعامل معها يوميًا دون أن ننتبه هي معالجة اللغة الطبيعية (Natural Language Processing)، وهي الفرع الذي يمكّن الحاسب من فهم اللغة البشرية المكتوبة أو المنطوقة والتفاعل معها. المساعدات الصوتية، وبرامج الترجمة الآلية، وحتى الفلاتر التي تصنّف الرسائل المزعجة، كلها أمثلة حية على هذا الفرع.
الدرس الأهم: الجودة قبل التعقيد
أكثر شي لفت انتباهي في هذه الساعة التعليمية هو أن نجاح أي نظام ذكاء اصطناعي لا يعتمد فقط على مدى تعقيد الخوارزمية أو “ذكاء” النموذج، بل يعتمد بشكل كبير على جودة البيانات التي يتدرب عليها. نموذج قوي ببيانات رديئة سيعطي نتائج رديئة — وهذا مبدأ يستحق أن يستحضره كل من يعمل في هذا المجال أو يفكر بالدخول إليه.
هذه المفاهيم الثلاثة — تعلم الآلة، الشبكات العصبية، ومعالجة اللغة الطبيعية — هي اللبنات التي تقف خلف كثير من التقنيات التي نستخدمها يوميًا دون أن نفكر فيها.
