ما الفرق بين الذكاء الاصطناعي وتعلّم الآلة؟
الذكاء الاصطناعي (AI) مصطلح شامل للإستراتيجيات والتقنيات المختلفة التي يمكنك استخدامها لجعل الآلات أكثر شبهًا بالبشر. ويتضمن الذكاء الاصطناعي أي شيء بدءًا من أدوات المساعدة الذكية، مثل Alexa، إلى المكانس الكهربائية الآلية والسيارات ذاتية القيادة. تعلّم الآلة (ML) واحد من بين العديد من فروع الذكاء الاصطناعي الأخرى. تعلّم الآلة هو علم تطوير الخوارزميات والنماذج الإحصائية التي تستخدمها أنظمة الكمبيوتر لأداء مهام معقدة بدون تعليمات صريحة. تعتمد الأنظمة على الأنماط والاستدلال بدلاً من ذلك. وتستخدم أنظمة الكمبيوتر خوارزميات تعلّم الآلة لمعالجة كميات كبيرة من البيانات القديمة وتحديد أنماط البيانات. في حين أن تعلّم الآلة عبارة عن ذكاء اصطناعي، ليست كل أنشطة الذكاء الاصطناعي عبارة عن تعلّم آلة.
ما أوجه التشابه بين الذكاء الاصطناعي وتعلّم الآلة؟
تعلّم الآلة (ML) هو فرع ضيق التركيز من الذكاء الاصطناعي (AI). لكن كلا هذين المجالين يتجاوزان الأتمتة والبرمجة الأساسيتين لتوليد مخرجات قائمة على تحليل البيانات المعقدة.
حل المشكلات مثل البشر
حلول الذكاء الاصطناعي وتعلّم الآلة (AI/ML) مناسبة للمهام المعقدة التي تتضمن عمومًا نتائج دقيقة قائمة على معرفة مكتسبة.
على سبيل المثال، تستخدم سيارة الذكاء الاصطناعي ذاتية القيادة رؤية حاسوبية للتعرف على الأشياء الموجودة في مجال رؤيتها ومعرفة لوائح المرور للتنقل بمركبة ما.
تطبِّق خوارزمية تعلّم الآلة لتسعير العقارات، على سبيل المثال، المعرفة بأسعار المبيعات السابقة وظروف السوق وتخطيطات الطوابق والموقع للتنبؤ بسعر منزل ما.
مجالات علوم الكمبيوتر
يُعد الذكاء الاصطناعي وتعلّم الآلة مجالين من علوم الكمبيوتر اللذين يركزان على إنشاء برامج تحلل البيانات وتفسرها وتفهمها بطرق معقدة. ويحاول العلماء في هذين المجالين برمجة نظام حاسوبي لأداء مهام معقدة تتضمن التعلّم الذاتي. إن كان البرنامج جيد التصميم، فسينجز المهام إما بسرعة الشخص أو أسرع منه.
تطبيقات على مستوى الصناعات
هناك تطبيقات للذكاء الاصطناعي في جميع الصناعات. يمكنك استخدام الذكاء الاصطناعي لتحسين سلاسل التوريد والتنبؤ بالنتائج الرياضية وتحسين النتائج الزراعية وتخصيص توصيات العناية بالبشرة.
تطبيقات تعلّم الآلة كثيرة أيضًا، ومن الممكن أن تشمل جدولة الصيانة التنبئية للآلات، والتسعير الديناميكي للسفر، واكتشاف الاحتيال في مجال التأمين، والتنبؤ بالطلب على مبيعات التجزئة.
الاختلافات الرئيسة: الذكاء الاصطناعي مقابل تعلّم الآلة
تعلّم الآلة (ML) عبارة عن فرع محدد من الذكاء الاصطناعي (AI). تعلّم الآلة له نطاق وتركيز محدودان مقارنةً بالذكاء الاصطناعي. يتضمن الذكاء الاصطناعي العديد من الإستراتيجيات والتقنيات التي تقع خارج نطاق تعلّم الآلة.
فيما يلي بعض الاختلافات الرئيسة بين الاثنين.
الأهداف
الهدف من أي نظام ذكاء اصطناعي هو جعل الآلة تكمل مهمة بشرية معقدة بكفاءة. قد تتضمن هذه المهام التعلم وحل المشكلات والتعرف على الأنماط.
على الجانب الآخر، الهدف من تعلّم الآلة هو جعل الآلة تحلل كميات كبيرة من البيانات. ستستخدم الآلة النماذج الإحصائية لتحديد الأنماط في البيانات والخروج بنتيجة. والنتيجة لها احتمال مرتبط بالصواب أو درجة الثقة.
الطرق
يشمل مجال الذكاء الاصطناعي مجموعة متنوعة من الأساليب المستخدمة لحل مشكلات متنوعة. تتضمن هذه الأساليب الخوارزميات الجينية والشبكات العصبونية والتعليم العميق وخوارزميات البحث والأنظمة القائمة على القواعد وتعلّم الآلة نفسه.
داخل تعلّم الآلة، تنقسم الأساليب إلى فئتين كبيرتين: التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف. تتعلم خوارزميات تعلّم الآلة الخاضع للإشراف حل المشكلات باستخدام قيم البيانات المصنفةالإدخال والإخراج. التعلم غير الخاضع للإشراف يكون أكثر استكشافًا، ويحاول اكتشاف الأنماط المخفية في البيانات غير المصنفة.
عمليات التنفيذ
عادةً ما تتضمن عملية إنشاء حل تعلّم الآلة مهمتين:
- تحديد مجموعة بيانات تدريبية وإعدادها
- اختيار إستراتيجية أو نموذج تعلّم الآلة موجود مسبقًا، مثل التراجع الخطي أو شجرة القرارات
يختار علماء البيانات ميزات البيانات المهمة ويدخلونها في نموذج التدريب. وينقحون مجموعة البيانات باستمرار بالبيانات المحدَّثة والتحقق من الأخطاء. تحسِّن جودة البيانات وتنوعها دقة نموذج تعلّم الآلة.
عادةً ما يكون إنشاء منتج الذكاء الاصطناعي عملية أكثر تعقيدًا، لذلك يختار العديد من الأشخاص حلول الذكاء الاصطناعي المنشأة مسبقًا لتحقيق أهدافهم. جرى تطوير حلول الذكاء الاصطناعي هذه بشكل عام بعد سنوات من البحث، ويوفرها المطورون للتكامل مع المنتجات والخدمات من خلال واجهات برمجة التطبيقات (API).
المتطلبات
تتطلب حلول تعلّم الآلة مجموعة بيانات لعدة مئات من نقاط البيانات لغرض التدريب، بالإضافة إلى قوة حاسوبية كافية للتشغيل. اعتمادًا على تطبيقك وحالة استخدامك، قد يكون مثيل خادم واحد أو مجموعة خوادم صغيرة كافية.
قد تحتوي الأنظمة الذكية الأخرى على متطلبات بنية تحتية مختلفة تعتمد على المهمة التي تريد إنجازها ومنهجية التحليل الحاسوبي التي تستخدمها. تتطلب حالات استخدام الحوسبة العالية عدة آلاف من الآلات التي تعمل معًا لتحقيق أهداف معقدة.
ومع ذلك، من المهم ملاحظة أن وظائف الذكاء الاصطناعي وتعلّم الآلة التي جرى إنشاؤها مسبقًا متوفرة. ويمكنك دمجها في تطبيقك من خلال واجهات برمجة التطبيقات (API) بدون الحاجة إلى موارد إضافية.
ما الذي تحتاج إليه مؤسسة ما للبدء في استخدام الذكاء الاصطناعي وتعلّم الآلة؟
إذا كنت ترغب في استخدام الذكاء الاصطناعي (AI) أو تعلُّم الآلة (ML)، فابدأ بتحديد المشكلات التي تريد حلها أو البحث عن الأسئلة التي تريد استكشافها. بمجرد تحديد نطاق المشكلة، يمكنك تحديد تقنية الذكاء الاصطناعي أو تعلُّم الآلة المناسبة لحلها. من المهم مراعاة نوع بيانات التدريب المتاحة وحجمها ومعالجة البيانات مسبقًا قبل البدء.
باستخدام الخدمات السحابية حسب الطلب، يمكنك إنشاء الذكاء الاصطناعي وتشغيله وإدارته. ويمكن إنشاء وظائف التعلُّم وتشغيلها وإدارتها من سحابة Amazon Web Services (AWS).
كيف يمكن للمؤسسات استخدام الذكاء الاصطناعي (AI) وتعلّم الآلة (ML)؟
تنطبق بعض حلول تعلّم الآلة (ML) على معظم المؤسسات:
- تقسيم العملاء هو عندما تقسم العملاء حسب سلوكهم أو تفضيلاتهم وخصائصهم لتحقيق المزيد من المبيعات والأنشطة التسويقية. اقرأ عن كيفية استخدام Lion Parcel لـ AWS من أجل تقسيم العملاء.
- الكشف عن الاحتيال هو عندما تفرز المعاملات غير العادية المكتشفة وتسويها. اقرأ عن كيفية استخدام Luno لـ AWS للكشف عن الاحتيال.
- تحليل المشاعر هو عندما تُدمج ملاحظات العملاء من أجل توجيه إستراتيجية المنتجات وتسويقها. اقرأ عن كيفية استخدام Zignal Labs لـ AWS في تحليل المشاعر.
يرد فيما يلي حلول الذكاء الاصطناعي (AI) التي تنطبق على معظم المؤسسات:
- تُعد روبوتات الدردشة مناسبة لاستفسارات خدمة العملاء وفرزها. اقرأ عن استخدام MetroPlusHealth لـ AWS في روبوتات الدردشة.
- تُعد ميزة التعرُّف على الكلام أمرًا رائعًا لتحويل الاجتماعات إلى محاضر مكتوبة. اقرأ عن كيفية استخدام Epiq لـ AWS للتعرُّف على الكلام.
- تبلي رؤية الكمبيوتر بلاءً حسنًا في أنظمة التعرُّف على القياسات الحيوية. اقرأ عن كيفية استخدام PayEye لـ AWS في رؤية الكمبيوتر.
ملخص الاختلافات: الذكاء الاصطناعي مقابل تعلُّم الآلة
| الذكاء الاصطناعي |
تعلّم الآلة |
|
| ما التعريف؟ |
الذكاء الاصطناعي (AI) هو مصطلح عام للتطبيقات القائمة على الآلة التي تحاكي الذكاء البشري. لا تُعد كل حلول الذكاء الاصطناعي جزءًا من تعلّم آلة. |
يُعد تعلّم الآلة إحدى منهجيات الذكاء الاصطناعي. وتندرج جميع حلول تعلّم الآلة ضمن حلول الذكاء الاصطناعي. |
| الاستخدام الأنسب |
يُعد الذكاء الاصطناعي أنسب لإكمال مهمة بشرية معقدة بكفاءة. |
يُعد تعلُّم الآلة أنسب لتحديد الأنماط في مجموعات كبيرة من البيانات لحل مشكلات معينة. |
| الطرق |
يمكن أن يستخدم الذكاء الاصطناعي مجموعة كبيرة من الطرق، مثل الشبكات العصبونية القائمة على القواعد والرؤية الحاسوبية وما إلى ذلك. |
بالنسبة لتعلُّم الآلة، يحدد الأشخاص يدويًا الميزات ويستخرجونها من البيانات الأولية ويعينون الأوزان لتدريب النموذج. |
| التنفيذ |
يعتمد تنفيذ الذكاء الاصطناعي على المهمة. غالبًا ما يجرى إنشاء الذكاء الاصطناعي مسبقًا والوصول إليه عبر واجهات برمجة التطبيقات (API). |
تدرب نماذج تعلُّم الآلة الجديدة أو الحالية من أجل حالة استخدام معينة خاصة بك. وتتوفر واجهات برمجة تطبيقات لتعلّم الآلة المنشأ مسبقًا. |
كيف يمكن لـ AWS دعم متطلبات الذكاء الاصطناعي وتعلّم الآلة الخاصة بك؟
تقدم AWS مجموعة كبيرة من الخدمات لمساعدتك في إنشاء حلول الذكاء الاصطناعي وتعلّم الآلة (AI/ML) وتشغيلها ودمجها على أي حجم أو مستوى تعقيد أو حالة استخدام.
تُعد Amazon SageMaker منصة كاملة لإنشاء حلول تعلّم الآلة من الألف إلى الياء. توفر SageMaker مجموعة كاملة من نماذج تعلُّم الآلة المنشأة مسبقًا وإمكانيات تخزين وحوسبة وبيئة مُدارة بالكامل.
بالنسبة للذكاء الاصطناعي، يمكنك استخدام خدمات AWS لإنشاء حلول الذكاء الاصطناعي من البداية أو تحقيق التكامل بين خدمات الذكاء الاصطناعي (AI) المنشأة مسبقًا وحلك.
