منذ أوائل عام 2016، تم وصف التقدّم في الذّكاء الاصطناعي (AI) وتحليله في منشورات متنوّعة مثل The Economist وRolling Stone وTime وFortune تحت عناوين جذّابة مثل “ثورة الذّكاء الاصطناعي” و«الذّكاء الاصطناعي: ممشى الآلات”.إلى جانب سيناريوهات الخيال العلمي، حيث تنقلب الآلات الذكية ضدّ مبدعيها، يخطو الذكاء الاصطناعي خطوات كبيرة، ويجعل من الممكن تصميم وبناء أنظمة مثيرة للإعجاب بشكل متزايد. يعتقد بعض الناس، بمن فيهم مؤسّس Tesla وSpaceX، أنّ السيارات بدون سائق ستكون جاهزة في غضون عامين.

قبل كلّ شيء، الذّكاء الاصطناعي هو تخصص علمي يجمع بين علوم الكمبيوتر والرياضيات والهندسة والإحصاء. إنّه مجال بحث كرّس المجتمع الأكاديمي نفسه له لأكثر من 50 عامًا. شهد هذا العلم الحديث نموًّا هائلاً في أدائه ويرجع الفضل في ذلك إلى حدّ كبير إلى البيانات الضخمة والقوّة الحاسوبية لأجهزة الكمبيوتر الحديثة.

تـقـنـيات الـتعـلّـم

على مدى السنوات العشر الماضية، تقدّم الذّكاء الاصطناعي على قدم وساق بفضل التعلّم الآلي وبشكل أكثر تحديدًا إلى تقنيات التعلّم العميق.. خوارزميات التعلّم الآلي “تتعلّم” من خلال استخراج المعرفة التشغيلية من البيانات (لذلك فهي تعلّم استقرائي)، على سبيل المثال، يمكن لهذه الخوارزميات استخراج تفضيلات عملاء الشركة من معاملاتهم السابقة. ثم تُستخدم هذه الخوارزميات لتعميم النتائج على مواقف مماثلة جديدة (أيّ في المثال السابق، للتنبؤ بالتفضيلات المستقبلية لنفس العملاء). مقارنة بالإحصاءات الكلاسيكية التي تهتم – في المقام الأول – بفهم البيانات وعلاقاتها السببية على وجه الخصوص، ويركّز التعلّم الآلي على جودة التنبؤات، ربما على حساب قابلية تفسير المعلمات المقدّرة.
التعلّم العميق مستوحى من بنية الدماغ البشري، ومثله، يستخدم الشبكات العصبية. يتم تنظيم الخلايا العصبية في عدّة طبقات تستخدم جميع المعلومات من الطبقة السابقة، ومن هنا جاءت فكرة العمق. ومن الواضح أنّ هذه الشبكات ليست سوى نموذج مبسّط للغاية لدماغنا، ولكن لديها خصوصية القدرة على استخدام طبقاتها لتمثيل المعرفة المكتسبة بدرجات مختلفة من التجريد. على سبيل المثال، من بيانات المعاملات، يمكن للشبكة العصبية أن تمثل، بطبقاتها الأولى، خصائص العناصر التي يرغب العملاء في شرائها.. يتم الجمع بين هذه الخصائص من خلال الطبقات التالية لتمثيل مجموعات من العناصر التي يتم شراؤها في كثير من الأحيان معًا.. تجمع الطبقات النهائية بين هذه المجموعات لتمثيل ملف تعريف المشتري لكلّ عميل.
أتاح التقدّم في التعلّم العميق تحسين أداء خوارزميات التعلّم في مهام الإدراك التي تعتبر صعبة بشكل خاص على أجهزة الكمبيوتر. ونعني بـ«الإدراك” ما يتعلق بالحواس البشرية الخمس.. مجال الرؤية الحاسوبية، هو فهم العالم من حولنا من خلال الصور ومقاطع الفيديو، بقدر ما يسمح به الجهاز البصري البشري. تتفوّق خوارزميات التعلّم العميق الآن على البشر في بعض مهام التعرف على الأشياء. يعدّ التعرّف على الكلام، وتمثل أرضًا خصبة: تستخدم أفضل أدوات التعرّف الحديثة (مثل الهواتف الذكية) التعلّم العميق.

مساهـمـة الـبـيـانـات الضخمـة
(Big Data)

بحكم التعريف، تعتمد خوارزميات التعلّم الآلي إلى حدّ كبير على جودة وكمية البيانات المتاحة لكلّ مهمة يتم تنفيذها (مثلا.. عدد المعاملات لكلّ عميل ودقّتها، أو حجم قاعدة بيانات الصور). كلّما زادت المعرفة المطلوبة لإكمال المهمة، زادت كمية البيانات المطلوبة. من ناحية أخرى، وكلّما زادت وفرة البيانات، زادت إمكانية استخراج المعرفة المعقّدة التي تؤدّي إلى خوارزميات أكثر دقّة وكفاءة.
من بين جميع تقنيات التعلّم الآلي، يعدُّ التعلّم العميق أفضل طريقة لاستخراج المعرفة المعقدة من البيانات الضخمة. لذلك، فإنّ البيانات الضخمة بالإضافة إلى نموّ القدرات الحسابية ضرورية لتحقيق اختراقات حديثة في الذكاء الاصطناعي.

تأثـير الذّكـاء الاصطـنـاعـي في الأعمـال

تستفيد العديد من الشركات الكبيرة في قطاع التكنولوجيا بالفعل من التطوّرات الأخيرة في الذكاء الاصطناعي. ويعدّ الرئيس التنفيذي لشركة Google، سوندار بيتشاي، باستخدام التعلّم الآلي بشكل منهجي عبر خط منتجاته، من خلال عمليات الاستحواذ على الشركات الناشئة والتوظيف المستهدف.
تعمل هذه الشركات الكبيرة، بما في ذلك Google وFacebook وAmazon وMicrosoft وNuance، على توسيع إمكاناتها للبحث عن خوارزميات وأنظمة الذّكاء الاصطناعي وتصميمها. وبالتالي، فإنّ أيّ شخص يتفاعل مع تقنيات هذه الشركات يستفيد بالفعل من بعض التطوّرات التي تعزى إلى الذّكاء الاصطناعي، بالإضافة إلى ذلك، يمكن أن يكون نقل الابتكار في الإنتاج الصناعي سريعًا: فقد استغرق الأمر عامين فقط حتى يتم تزويد أحدث الهواتف بخوارزميات التعرّف على الكلام.
خوارزميات الذّكاء الاصطناعي ليست فقط للشركات الكبيرة. إذ يقدّم عدد كبير من الشركات الصغيرة منتجًا رائدًا يعتمد على الذّكاء الاصطناعي. لم تكن هذه هي الحال قبل بضع سنوات، عندما كان الذّكاء الاصطناعي – في كثير من الأحيان – أداة ثانوية تستخدم لتحسين منتج موجود.
بشكل عام، يعد جمع البيانات وتخزينها مهامًا في متناول الشركات من جميع الأحجام التي تعمل في مجموعة متنوّعة من المجالات. يوفر عددا من التطوّرات الحديثة في الذّكاء الاصطناعي إمكانية تطبيق الخوارزميات الحالية على هذه البيانات الضخمة لاستخراج المعلومات ذات الصلة. من الممكن أيضًا أن تحسّن الأساليب الحديثة أداء الخوارزميات التنبّؤية للجيل السابق.

أتمتـة عمـلـيـة صنع القـرار

تسمح لنا تقنيات الذّكاء الاصطناعي بأتمتة استخراج المعرفة لأغراض تنبّؤية. ثانياً، يمكن استخدام هذه التنبّؤات لاتخاذ قرارات أفضل. على سبيل المثال، بناءً على تفضيلات العملاء المتوقّعة، يمكننا تحديد حجم الطلبات لكلّ صنف متاح والعرض المخصّص لكلّ عميل. هناك أيضًا خوارزميات تعمل على أتمتة التنبّؤات والقرارات. السيارات بدون سائق هي مثال جيد على هذا النوع من النظام. يتم دراسة هذا النوع من الأتمتة بشكل متزايد في الأوساط الأكاديمية.
باختصار، إذا كان الماضي هو الضامن للمستقبل، فيجب أن تظهر تطبيقات صناعية متعدّدة قريبًا.