الذكاء الاصطناعي (AI)

الذكاء الاصطناعي (AI) يبني أنظمة تقوم بمهام تتطلب عادةً ذكاءً بشريًا — مثل التعرف على الصوت والصور، والترجمة، ولعب الألعاب، والقيادة، وتوليد النصوص. يعتمد معظم الذكاء الاصطناعي الحديث على تعلم الآلة — وهي خوارزميات تتعلم الأنماط من البيانات بدلاً من برمجتها خطوة بخطوة. ومن ضمنها، ساد التعلم العميق، الذي يستخدم الشبكات العصبية ذات الطبقات الكثيرة، منذ 2010s.

الروبوت البشري الشكل يدمج العديد من هذه القدرات في جسم واحد: يستخدم الذكاء الاصطناعي لرؤية الوجوه وفهم الكلام وتحريك وجهه وذراعيه بطريقة تشبه الإنسان.

تقع许多 AI problems على رسم بياني — عقد (حالات، أماكن) متصلة بـ حواف (حركات، علاقات).

• إيجاد المسار: الطرق تشكل رسماً بيانياً؛ أقصر طريق هو بحث في الرسم البياني (خوارزمية دايكسترا، خوارزمية A*).
• لعب الألعاب: كل وضعية للوحة هي عقدة، وكل حركة هي حافة؛ مينيماكس مع قص ألفا-بيتا يبحث في شجرة اللعبة.
• بحث فضاء الحالة: مشكلة تخطيطية تتحرك بين حالات عن طريق تطبيق مشغلات للوصول إلى هدف.
• تمثيل المعرفة: الشبكة الدلالية تحتوي على مفاهيم كعقد وعلاقات كحواف ("الكلب IS-A حيوان"); مخطط المعرفة يخزن حقائق حول العالم لمحركات البحث والمساعدين.

الأدوات القياسية للتنقل في الرسوم البيانية تشمل البحث بالعرض والبحث بالعمق.

"وصف الغرض والهيكل للرسم البياني في نظام ذكاء اصطناعي." الغرض: تمثيل المشكلة كمجموعة من الحالات (أو المواقع) والحركات الممكنة بينها، بحيث يمكن لـ الخوارزمية البحث فيها عن حل، مثل أقصر أو أرخص مسار، أو أفضل حركة تالية. الهيكل: مجموعة من العقد (الرؤوس)، كل منها يمثل حالة أو موقعًا أو عنصرًا، متصلة بـ حواف تمثل الروابط بينها؛ قد تحمل كل حافة وزنًا (تكلفة، مسافة أو وقت)، وقد تكون الحواف موجهة (ذات اتجاه واحد) أو غير موجهة. "شرح استخدام الرسوم البيانية لمساعدة الذكاء الاصطناعي": الرسم البياني هو النموذج الذي تعمل عليه خوارزميات بحث الذكاء الاصطناعي: خوارزميتا A* ودijkstra تجدان المسارات المثلى من خلاله (التنقل، التوجيه)، وتُشكل مواقع اللعبة شجرة تُبحث عنها لإيجاد أفضل حركة، والمعرفة المخزنة كرسمة بيانية تسمح للنظام بالاستدلال حول كيفية ارتباط الحقائق مع بعضها.

الرسم البياني المستخدم أدناه: أرقام الحواف هي المسافات الحقيقية؛ الأرقام الحمراء هي تقدير الداليل لكل عقدة لمسافة الهدف المتبقية، وهو ما تستخدمه A فقط*

خوارزمية dijkstra. تجد أقصر مسافة من البداية إلى كل عقدة. احتفظ بجدول لأفضل مسافة تم العثور عليها حتى الآن لكل عقدة (البداية 0، والباقي ما لا نهاية). خذ بشكل متكرر العقدة غير الزارة ذات أصغر مسافة، وعلّمها أنها زارت، ولجرب كل جار تحقق مما إذا كان المرور عبر هذه العقدة يعطي مسافة أقصر؛ إذا كان الأمر كذلك، حدّث المسافة وسجل من أين جاءت. توقف عندما يتم زيارة كل العقدة (أو الوصول إلى المستهدف).

مثال محلول. أوجد أقصر المسافات من H إلى كل عقدة أخرى في الرسم البياني أعلاه.

أقصر المسافات: A 4، B 3، D 8، C 9، G 10، والمسار نحو G هو H–A–D–G (اقرأ علامات "جاء من" عكسياً). في الخطوة 3، تقدم A مسافة قدرها $4 + 4 = 8$ إلى D، وهي أفضل من 9 التي تم العثور عليها عبر B، لذا يتم تحديث D؛ في الخطوة 5، كان بإمكان C الوصول إلى G بمسافة $9 + 3 = 12$، وهي أسوأ من 10، لذا لا يوجد تغيير. عرض هذه المقارنات هو ما يُقصد بـ "الحل" الذي تطلبه السؤال.

خوارزمية A*. تستكشف dijkstra في كل الاتجاهات. تضيف A* داليل $h$، وهو تقدير للمسافة المتبقية، وتقوم دائماً بتوسيع العقدة ذات أصغر $f = g + h$، حيث $g$ هي المسافة المقطوعة حتى الآن. مع داليل معقول (لا يبالغ أبداً في التقدير)، تجدها نفس أقصر مسار بينما تفحص عدداً أقل بكثير من العقد، ولهذا السبب تستخدمها أنظمة الملاحة والألعاب. يعطي الامتحان $h$ لكل عقدة وجدول لملئه.

مثال محلول. أوجد مساراً من H إلى G باستخدام A*، مع إظهار خطوات الحل.

المسار H–A–D–G، طوله 10، وهو نفسه خاص بـ dijkstra، لكن C لم تتم توسيعها أبداً. في كل مرة تصل فيها عقدة عن طريق مسار ثانٍ، احتفظ بأصغر $g$؛ تنتهي البحث عندما يكون الهدف هو العقدة ذات أصغر $f$. حدد قيم $g$ و$h$ و$f$ في كل صف: هذه هي الدرجات.

تستوحى ANN من خلايا الدماغ العصبية. الخلية العصبية الاصطناعية:

• تأخذ عدة قيم مدخلة، تضرب كل منها في وزن، وتجمعها مع حد انحراف.
• تطبق دالة تنشيط (دالة غير خطية مثل ReLU) على المجموع.
• تخرج النتيجة، والتي تغذي الخلايا العصبية التالية.

تقع الخلايا العصبية في طبقات: طبقة إدخال، وطبقة واحدة أو أكثر من الطبقات المخفية (حيث يتم تعلم الأنماط الداخلية المفيدة)، وطبقة الخرج. مع وجود العديد من الطبقات المخفية، تكون شبكة عصبية عميقة، وتدريبها هو التعلم العميق.

تسمح ANNs للنماذج بتعلم أنماط معقدة مباشرة من البيانات الخام (بيكسلات، صوت، نص) دون تصميم ميزات يدوياً — مما يقود إلى اختراقات في التعرف على الصور، والتعرف على الكلام، والترجمة الآلية، ولعب الألعاب. تعمل بشكل جيد مع كميات كبيرة من البيانات، والمدخلات المضوضبة أو المعقدة جداً، والأنماط الصعبة التقاطها بقواعد صريحة.

"اشرح المقصود بالشبكة العصبية الاصطناعية." نموذج لشبكة الأعصاب في الدماغ، يتكون من طبقات من العقد المتصلة: طبقة إدخال، وطبقة مخفية واحدة أو أكثر، وطبقة خرج. لكل اتصال وزن؛ يجمع كل عقدة مدخلاتها الموزونة ويمررها عبر دالة تنشيط إلى الطبقة التالية. "اشرح كيف تمكن الشبكات العصبية الاصطناعية تعلم الآلة" (ثلاثة علامات): يتم تدريب الشبكة على عدد كبير من الأمثلة؛ لكل مثال يتم مقارنة الخرج مع النتيجة المتوقعة ويتم استخدام الخطأ لـ تعديل الأوزان (انتشار الخطأ العكسي) بحيث ينخفض الخطأ؛ بعد عدد كافٍ من الأمثلة، تحتوي الأوزان على الأنماط الموجودة في البيانات، ويمكن للشبكة حينها تصنيف أو التنبؤ ببيانات جديدة لم ترها من قبل. "اذكر سبب وجود طبقات مخفية متعددة": كل طبقة إضافية تجمع الميزات التي وجدتها الطبقة السابقة في ميزات أكثر تعقيداً وابتعاداً، مما يسمح للشبكة بتعلم علاقات أكثر تعقيداً (حواف، ثم أشكال، ثم كائنات)؛ وهذا ما يجعل الشبكة عميقة.

التعلم الآلي

المصطلح العام — أي خوارزمية تتعلم من البيانات. ثلاثة نماذج:

• التعلم الإشرافي — تحتوي البيانات على تسميات (صور مُوسومة "قطة"/"كلب"); يتعلم الخوارزمدخل → تسمية. يُستخدم لـالتصنيف (فئة معينة) والانحدار.
• التعلم غير الإشرافي — لا توجد تسميات؛ يكتشف الخوارزمنسجاً، مثلاً عنقوداً من العملاء المتشابهين.
• التعلم المعزز (أسفل).

استخدم ML عندما تكون القواعد الصريحة غير عملية (مفلتر البريد العشوائي، التوصيات، كشف الاحتيال).

"وصف التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف" (النصوص المظللة). التعلم الخاضع للإشراف: يتم تدريب الخوارزمية على بيانات تدريب مُصنَّفة، حيث يُقترن كل مثال بـ المخرج الصحيح (الهدف)؛ يتعلم العلاقة بين المدخلات والمخرجات ويستخدمها لتصنيف أو التنبؤ بالمدخلات الجديدة؛ تكون الإجابات معروفة أثناء التدريب، لذا يمكن قياس الخطأ. التعلم غير الخاضع للإشراف: البيانات غير مُصنَّفة، ولا توجد إجابات صحيحة محددة؛ يبحث الخوارزمية عن أنماط، بنية أو تجمعات في البيانات بنفسه (تجميع العناصر المتشابهة، إيجاد الروابط)؛ يكون المخرج مجموعة من الفئات أو العلاقات التي لم تُحدد مسبقاً. كيف differs: بيانات مصنَّفة مقابل بيانات غير مصنَّفة؛ مخرجات معروفة مقابل بنية مكتشفة؛ يُستخدم التعلم الخاضع للإشراف لـ التنبؤ (التصنيف، الانحدار)، والتعلم غير الخاضع للإشراف لـ استكشاف (التجميع، كشف الشذوذ). كلاهما فئات من تعلم الآلة؛ الثالث هو تعلم التعزيز.

التعلم العميق

جزء فرعي من تعلم الآلة يستخدم الشبكات العصبية العميقة. تتعلم الطبقات السفلية أنماطاً بسيطة (حواف، صوتيات)، بينما تجمع الطبقات الأعلى بينها لتكوين مفاهيم مجردة. يتطلب كميات كبيرة من البيانات و حسابات هائلة (وحدة معالجة رسومية)؛ بالنسبة للمجموعات الصغيرة من البيانات، غالباً ما تكون أساليب تعلم الآلة أبسط أداءً أفضل.

"اشرح ماذا يُقصد بالتعلم العميق" (ثلاث درجات). تعلم الآلة الذي يستخدم شبكات عصبية اصطناعية ذات عدد كبير من الطبقات المخفية (شبكات عميقة)؛ يتم تدريب الشبكة على كميات ضخمة جداً من البيانات، وتقوم كل طبقة بـ استخراج السمات من مخرجات الطبقة التي تحتها، بحيث تتعلم الشبكة السمات التي تحتاجها بنفسها بدلاً من تحديدها بواسطة المبرمج. أسباب استخدامها: يمكنها حل مشاكل معقدة للغاية بالنسبة للقواعد المكتوبة يدوياً أو النماذج الضحلة (التعرف على الوجوه، فهم الكلام، ترجمة النصوص)؛ فهي تحسن كلما توفرت المزيد من البيانات؛ وتزيل الحاجة إلى هندسة الميزات البشرية؛ ويمكنها التعامل مع البيانات غير المهيكلة مثل الصور والصوت والنصوص. كيف تصبح أكثر فعالية: زيادة (وتحسين تصنيف) بيانات التدريب؛ زيادة عدد الطبقات أو العقد، ضمن حدود فرط التخصيص؛ زيادة قوة المعالجة (وحدة معالجة رسومية) ووقت التدريب؛ ضبط معدل التعلم ومعلمات أخرى. أمثلة: التعرف على الكلام في المساعد الصوتية، التعرف على الصور في الفحوصات الطبية والسيارات ذاتية القيادة، الترجمة الآلية، أنظمة التوصية.

التعلم المعزز

في التعلم المعزز، يقوم عامل (agent) بالتحرك في بيئة؛ كل إجراء يغير الحالة ويعيد مكافأة. يتعلم العامل سياسة (استراتيجية) لتعظيم المكافأة الكلية مع مرور الوقت، عن طريق التجربة والخطأ دون تسميات أولية. يُستخدم لمشاكل اتخاذ القرارات المتسلسلة — الألعاب، التحكم في الروبوتات، القيادة الذاتية.

"اشرح ما يُقصد بالتعلم المعزز" (ثلاث درجات). يتعلم العامل من خلال التفاعل مع بيئته: يقوم بإجراء فعل، تنتقل البيئة إلى حالة جديدة وتُرجع مكافأة (أو عقوبة)، ويعدل العامل سلوكه لـتعظيم المكافأة الكلية على مر الوقت. لا توجد بيانات مُصنَّفة: يتعلم العامل عن طريق الخطأ والمحاولة، واكتشاف الأفعال الجيدة من المكافآت التي يحصل عليها، ويشكّل تدريجياً سياسة تحدد ما يجب فعله في كل حالة. تُستخدم عندما لا يكون الجواب الصحيح معلوماً مسبقاً ولكن يمكن تقييم نتيجة الفعل: الألعاب (الشطرنج، الغو)، التحكم في الروبوتات، توقيت إشارات المرور، تخصيص الموارد. يتعلم حاسوب يلعب لعبة رقمية ضد مستخدم بهذه الطريقة، أو يبحث في شجرة اللعبة باستخدام خوارزمية Minimax لاختيار الحركة ذات أسوأ نتيجة ممكنة الأفضل.

سيارة ذاتية القيادة هي مثال حقيقي. تقوم مستشعرات Lidar والكاميرات (الوحدة الدوارة على السقف) ببناء صورة مباشرة للطريق، وتقرر سياسة متعلمة كيفية التوجيه والتسارع والفرامل بأمان.

يقوم التدريب بضبط الأوزان لتتناسب المخرجات مع الأهداف. الطريقة القياسية هي الانسداد الخلفي (انتشار الأخطاء للخلف) مع ** descent التدرجي**. لكل مثال تدريب:

1. مرور أمامي — تغذية المدخلات حتى المخرجات.
2. حساب الخطأ باستخدام دالة الخسارة (رقم واحد يوضح مدى خطأ المخرجات).
3. مرور خلفي — انتشار الخطأ خلفاً، وإيجاد تدرج كل وزن (مدى مساهمته في الخطأ) باستخدام قاعدة السلسلة.
4. تحديث الأوزان بخطوة صغيرة (يحددها معدل التعلم) تقلل الخطأ.

كرر عبر أمثلة عديدة وتمريراً عديداً (فترات) حتى يتوقف الخطأ عن التناقص. يأتي اسم "الخلف" من الخطوة 3: يتدفق الخطأ من المخرجات خلفاً نحو المدخلات، لذا يتم إيجاد تدرج كل وزن في جولة واحدة. بعد التدريب، يحتاج مدخل جديد إلى مرور أمامي واحد فقط للحصول على تنبؤ.

"صف طريقة انتشار الأخطاء للخلف" (أربع درجات). (1) تُغذى إدخالاً أمامياً عبر الشبكة ويتم مقارنة مخرجها بالمخرج المستهدف (المتوقع)؛ (2) الفرق هو الخطأ؛ (3) يُمرر الخطأ خلفاً عبر الشبكة، طبقة تلو الأخرى من المخرجات إلى المدخلات، ويتم حساب نصيب كل وزن من الخطأ؛ (4) تُعدّل الأوزان متناسبة مع مساهمتها، في الاتجاه الذي يقلل الخطأ؛ (5) يتم تكرار العملية مع أمثلة عديدة حتى يصبح الخطأ صغيراً كما هو مطلوب. الهدف من الطريقة هو أن الشبكة ذات الطبقات المخفية ليس لها طريقة مباشرة لمعرفة أي وزن داخلي تسبب في خطأ المخرجات؛ يقوم الانتشار الخلفي بتوزيع اللوم.

بعض المهام تتنبأ بـرقم (سعر منزل، درجة حرارة الغد) — الانحدار، مقابل التصنيف (فئة).

الانحدار الخطي يلائم خطاً مستقيماً (أو فائض المستوى):

اختر المعاملات لـتقليل مجموع مربعات الأخطاء مقابل بيانات التدريب. استخدمه عندما يبدو العلاقة خطية تقريباً وتريد نموذجاً قابلاً للتفسير. للبيانات المنحنية، استخدم طرق الانحدار متعددة الحدود، أشجار القرار، أو الشبكات العصبية — نفس الفكرة: عرّف نموذجاً، وعرّف دالة خسارة، وعدّل المعلمات لتقليله. كلا من الانحدار والتصنيف إشرافي؛ يعتمد الاختيار على ما إذا كان الجواب رقماً أم فئة.

"صف طرق الانحدار في تعلم الآلة" (درجتان). الأساليب الإحصائية التي تجد العلاقة بين المتغيرات المدخلة ومخرجات متصلة، عن طريق ملاءمة دالة (خط أو منحنى) لبيانات التدريب بأقل خطأ إجمالي؛ ثم تُستخدم الدالة الملائمة لـالتنبؤ بالمخرجات للمدخلات الجديدة. يلائم الانحدار الخطي خطاً مستقيماً؛ الطرق الأخرى تليمن منحنيات. يتنبأ الانحدار بـقيمة (سعر، درجة حرارة، وقت)؛ التصنيف يتنبأ بـفئة، وهو التمييز الذي يسأل عنه الامتحان.

تستخدم العديد من سيناريوهات الامتحانات نمطاً مماهلاً — نموذج تعلم عميق مدرب على بيانات مُصنَّفة، وغالباً ما يتم دمج عدة نماذج في سلك عمل:

• تحديد هوية العملاء في متجر آلي: يتم تدريب النظام على صور وجه مُصنَّفة؛ تلتقط الكاميرا وجهاً؛ يستخرج التعرف على الصور تمثيلاً؛ يتم مقارنته بالعملاء المسجلين؛ التحديد الأقرب يحدد الشخص.
• قراءة النصوص من الصور: يكشف التعرف على الصور عن مناطق النص؛ تستخرج التعرف الضوئي على الحروف الأحرف؛ تقوم الترجمة الآلية بتحويلها؛ يقرأها تحويل النص إلى كلام بصوت عالٍ.
• فحص عناصر الدفع: ذكاء اصطناعي للكشف عن الأشياء، مدرب على صور منتجات مُصنَّفة، يتعرف على العناصر التي تُضاف إلى السلة ويخصم المبلغ من الحساب.

بحلول وقت تفاعل المستخدم مع النظام، يكون النموذج سريعاً — فهو يقوم فقط بالتدفق الأمامي للاستنتاج؛ والذكاء يكمن في الأنماط التي تم تعلمها أثناء التدريب.

إجابات نموذجية لأسئلة السيناريو. كاميرا في موقف سيارات تقرأ أرقام اللوحات: تلتقط الكاميرا صورة؛ يقوم ذكاء اصطناعي مدرب على عدد كبير من الصور المُصنَّفة للوحة الترخيص بتحديد موقع اللوحة في الصورة؛ يقوم التعرف على الأحرف (مصنف تعلم عميق، مدرب مرة أخرى على أحرف مُصنَّفة) بتحويل اللوحة إلى نص؛ يُخزن النص مع الوقت ويُقارن عند مغادرة السيارة. نظام مراقبة CCTV يكتشف ويتتبع شخصاً: برنامج التعرف على الصور المدرب على صور مُصنَّفة للأشخاص يتعرف على الشخص في كل إطار؛ يقارن النظام الإطارات المتتالية لتتبع حركته؛ يمكن لحركة غير عادية أن تُفعّل تنبيهاً. تحويل الكلام أوامر: يحول التعرف على الكلام، المدرب على العديد من الأصوات المسجلة، الصوت إلى نص؛ يقارن النظام النص بمجموعة من الأوامر المعروفة؛ يتحسن عندما يتم تصحيحه. كاميرا تركز على الوجوه: نموذج كشف الوجوه المدرب على وجوه مُصنَّفة يجد منطقة الوجه، ويتم ضبط العدسة لجلب تلك المنطقة إلى التركيز. تسجيل دخول بنكي بالتعرف على الوجه: يلتقط التطبيق الوجه، يستخرج شبكة عميقة ملامحه، وتُقارن مع الملامح المخزنة لذلك العميل. في كل حالة، النمط هو: مدرب على أمثلة مُصنَّفة، يستخرج الملامح، يطابق أو يصنف إدخالاً جديداً.

مثال محلول. لكل مهمة، قل ما إذا كانت تحتاج إلى انحدار أو تصنيف، وماذا سيبدو عليه طبقة الإخراج في الشبكة العصبية الاصطناعية: (أ) التنبؤ بدرجة الحرارة غداً؛ (ب) تحديد ما إذا كانت رسالة بريد إلكتروني مزعجة. اسأل عن نوع الشيء الذي يتم التنبؤ به. (أ) درجة الحرارة هي رقم على مقياس متصل، لذا فإن هذا انحدار، وطبقة الإخراج هي عصبون واحد يحمل هذه القيمة. (ب) البريد المزعج أو ليس مزعجاً هو فئة، لذا فإن هذا تصنيف، والإخراج يعطي احتمالية لكل فئة. كلاهما تعلم مشرف: كل منهما يحتاج إلى أمثلة مُصنَّفة للتدريب عليها، ويعدّل التدريب الأوزان عبر انتشار الخطأ للخلف لتقليل الخطأ. السؤال المحوري ببساطة هو رقم مقابل فئة - وليس مدى صعوبة المهمة.

تُصنّف أسئلة التعريف بناءً على صياغة ثابتة. احفظ هذه التعريفات بدقة، وقدم إجابة واحدة فقط.

• أسماء عناصر الرسم البياني: العقد، الحواف والأوزان، وما تمثلها؛ ثم الخوارزمية. ديسترا: جدول المسافات، زيارة الأصغر، تحديث الجيران. A*: $g$، $h$ و$f = g + h$ في كل صف، توسيع الأصغر $f$.
• إجابات ANN تذكر الطبقات والروابط الموزونة والتدريب؛ يضيف التعلم العميق العديد من الطبقات المخفية، بيانات ضخمة واستخراج سمات تلقائي، مع سبب ومثال.
• الفئات الثلاث في سطر واحد لكل منها: بيانات مصنَّفة ومخرجات معروفة؛ بيانات غير مصنَّفة وبنية مكتشفة؛ وكيل، بيئة، أفعال ومكافآت.
• الانتشار العكسي: المقارنة مع الهدف، حساب الخطأ عكسياً عبر الطبقات، تعديل الأوزان لتقليله، تكرار العملية. الانحدار يتنبأ بقيمة؛ التصنيف يتنبأ بفئة.
• أسئلة السيناريو تتطلب تسلسل العمليات: تم التدريب على أمثلة ملقّبة، استخلاص الميزات، التعرف على المدخلات الجديدة أو تصنيفها؛ تسمية نوع الذكاء الاصطناعي (التعرف على الصور، التعرف على الكلام، التعلم العميق).

أخطاء شائعة

• وصف الرسم البياني بأنه "رسم بياني"؛ في مجال الذكاء الاصطناعي يُقصَد به العقد والروابط.
• تطبيق خوارزمية ديسترا باختيار أقرب جار للعقدة الحالية بدلاً من أصغر مسافة غير مزرعة بشكل عام؛ أو نسيان تحديث عقدة عندما يظهر مسار أقصر.
• إضافة $h$ إلى $g$ للخطوة التالية في A*؛ $g$ هي المسافة الحقيقية فقط، بينما $h$ يتم إعادة حسابه من الجدول.
• القول إن التعلم العميق هو "التعلم الكثير"؛ بل المقصود هو وجود عدد كبير من الطبقات المخفية.
• الخلط بين التعلم غير المشرف والتعلم المعزز؛ الأول يبحث عن البنية في البيانات، والثالث يتعلم من المكافآت.
• وصف انتشار العكسي دون المقارنة مع المخرجات المتوقعة أو دون ذكر تعديل الأوزان.
• تسمية التنبؤ بالسعر "تصنيف"؛ القيمة المستمرة هي انحدار.