ما هو التعلم العميق في الذكاء الاصطناعي؟
التعلم العميق هو أسلوب للذكاء الاصطناعي (AI) يعلم أجهزة الكمبيوتر معالجة البيانات بطريقة مستوحاة من الدماغ البشري. يمكن لنماذج التعلم العميق التعرف على الصور المعقدة والنصوص والأصوات وأنماط البيانات الأخرى لإنتاج رؤى وتوقعات دقيقة. يمكنك استخدام أساليب التعلم العميق في أتمتة المهام التي تتطلب عادةً ذكاءً بشريًا، مثل وصف الصور أو تفريغ ملف صوتي إلى نص.
ما هو التعلم التوليدي العميق؟
التعلم التوليدي العميق هو التعلم العميق الذي يركز على إنشاء مخرجات جديدة من المدخلات المكتسبة. تقليديًا، يركز التعلم العميق على تحديد العلاقات بين البيانات. تم تدريب نماذج التعلم العميق بكميات كبيرة من البيانات للتعرف على الأنماط في مجموعة البيانات.
يضيف التعلم التوليدي العميق جيلًا للتعرف على الأنماط. تبحث هذه النماذج عن أنماط البيانات ثم تنشئ أنماطها الفريدة. على سبيل المثال، يمكنهم تحليل النص في العديد من الكتب ثم استخدام المعلومات لإنشاء جمل وفقرات جديدة غير موجودة في الكتب الأصلية.
التعلم التوليدي العميق هو أساس النماذج الحديثةللذكاء الاصطناعي المولّد وونماذج التأسيس. تستخدم هذه النماذج تقنيات التعلم العميق على نطاق واسع، ويتم تدريبها على البيانات الضخمة، لأداء مهام معقدة مثل الإجابة على الأسئلة وإنشاء صور من النص وكتابة المحتوى.
ما سبب أهمية التعلم العميق؟
تعمل تقنية التعلم العميق على تشغيل العديد من تطبيقات الذكاء الاصطناعي المستخدمة في المنتجات اليومية، مثل ما يلي:
- أدوات إنشاء الأكواد وروبوتات المحادثة
- المساعدات الرقمية
- أجهزة التحكم عن بعد التي تعمل بالصوت الخاصة بأجهزة التلفزيون
- اكتشاف الاحتيال
- التعرف التلقائي على الوجه
تُعد أيضًا من المكونات للتقنيات الناشئة مثل السيارات ذاتية القيادة والواقع الافتراضي والمزيد. تستخدم الشركات نماذج التعلم العميق في تحليل البيانات وإجراء تنبؤات في تطبيقات مختلفة.
ما هي حالات استخدام التعلم العميق؟
يحتوي التعلم العميق على العديد من حالات الاستخدام في مجالات السيارات والفضاء والتصنيع والإلكترونيات والبحوث الطبية وغيرها من المجالات.
- تستخدم السيارات ذاتية القيادة نماذج التعلم العميق لاكتشاف الأشياء.
- أنظمة الدفاع تستخدم التعلم العميق للإشارة إلى مناطق الاهتمام في صور الأقمار الصناعية.
- تحليل الصور الطبية يستخدم التعلم العميق للكشف عن الخلايا السرطانية في التشخيص الطبي.
- المصانع تستخدم تطبيقات التعلم العميق لاكتشاف متى يكون الأشخاص أو الأشياء على مسافة غير آمنة من الماكينات والآلات.
يمكن تصنيف حالات الاستخدام المختلفة للتعلم العميق في خمس فئات واسعة: رؤية الكمبيوتر، والتعرف على الكلام، ومعالجة اللغة الطبيعية (NLP)، ومحركات التوصية، والذكاء الاصطناعي المولّد.
رؤية الكمبيوتر
رؤية الكمبيوتر تستخرج تلقائيًا المعلومات والرؤى من الصور ومقاطع الفيديو. تُستخدم تقنيات التعلم العميق في فهم الصور بنفس الطريقة التي يستخدمها البشر. لرؤية الحاسوب تطبيقات عديدة، مثل الآتي:
- الإشراف على المحتوى لإزالة المحتوى غير الآمن أو غير الملائم تلقائيًا من أرشيفات الصور ومقاطع الفيديو
- التعرف على الوجوه لمعرفتها والتعرف على السمات، مثل العينين المفتوحتين والنظارات وشعر الوجه
- تصنيف الصور لتحديد شعارات العلامات التجارية والملابس ومعدات الأمان وغيرها من تفاصيل الصورة
التعرف على الكلام
يمكن لنماذج التعلم العميق تحليل كلام البشر على الرغم من تنوع أنماط الكلام والنبرة والنغمة واللغة واللهجة. يستخدم المساعدون الافتراضيون مثل Amazon Alexa وتحويل النص إلى كلام وبرنامج تحويل الكلام إلى نص التعرف على الكلام للقيام بالمهام التالية:
- مساعدة ممثلي مراكز الاتصال وتصنيف المكالمات تلقائيًا.
- تحويل المحادثات الطبية إلى وثائق في الوقت الفعلي.
- تفريغ مقاطع الفيديو وتسجيلات الاجتماعات بدقة للحصول على محتوى أكبر.
- تحويل البرامج النصية إلى مطالبات للمساعدة الصوتية الذكية.
معالجة اللغة الطبيعية
تستخدم أجهزة الكمبيوتر خوارزميات التعلم العميق لجمع الأفكار ومعنى من البيانات النصية والمستندات. هذه القدرة على معالجة النص الطبيعي الذي أنشأه الإنسان لها عدة حالات استخدام، من بينها حالات استخدام:
- الوكلاء الافتراضيون المؤتمتة وروبوتات المحادثة وروبوتات الدردشة
- التلخيص التلقائي للمستندات أو المقالات الإخبارية
- تحليل ذكاء الأعمال للمستندات الطويلة، مثل رسائل البريد الإلكتروني والنماذج
- فهرسة العبارات الأساسية التي تدل على المشاعر، مثل التعليقات الإيجابية والسلبية على وسائل التواصل الاجتماعي
محركات التوصية
يمكن للتطبيقات استخدام أساليب التعلم العميق في تتبع نشاط المستخدم وتطوير توصيات مخصصة. يمكنهم تحليل سلوك المستخدمين ومساعدتهم على اكتشاف منتجات أو خدمات جديدة. على سبيل المثال،
- نوصي بمقاطع الفيديو والمحتوى المخصص.
- نوصي بالمنتجات والخدمات المخصصة.
- تصفية نتائج البحث لتسليط الضوء على المحتوى ذي الصلة بناءً على موقع المستخدم وسلوكه
الذكاء الاصطناعي المولّد
يمكن لتطبيقات الذكاء الاصطناعي المولّد إنشاء محتوى جديد والتواصل مع المستخدمين النهائيين بشكل أكثر تعقيدًا. يمكنهم المساعدة في أتمتة عمليات سير العمل المعقدة، وطرح الأفكار، وعمليات البحث الذكية عن المعرفة. على سبيل المثال، باستخدام أدوات الذكاء الاصطناعي المولّد مثل Amazon Q Business، وAmazon Q Developer، يمكن للمستخدمين
- طرح أسئلة باللغة الطبيعية والحصول على إجابات ملخصة من مصادر المعرفة الداخلية المتعددة.
- الحصول على اقتراحات الأكواد والمسح التلقائي للرموز والترقيات.
- إنشاء مستندات ورسائل بريد إلكتروني جديدة ومحتويات تسويقية أخرى بشكل أسرع.
كيف يعمل التعلم العميق؟
نماذج التعلم العميق هي شبكات عصبية مصممة بعد الدماغ البشري. يحتوي الدماغ البشري على ملايين الخلايا العصبية البيولوجية المترابطة التي تعمل معًا للتعلم ومعالجة المعلومات. وبالمثل، فإن الخلايا العصبية الاصطناعية هي وحدات برمجية تسمى العقد التي تستخدم الحسابات الرياضية لمعالجة البيانات. تتكون الشبكات العصبية للتعلم العميق، أو الشبكات العصبية الاصطناعية، من العديد من طبقات الخلايا العصبية الاصطناعية التي تعمل معًا لحل المشكلات المعقدة.
مكونات الشبكة العصبونية العميقة هي ما يلي.
طبقة الإدخال
تحتوي الشبكة العصبونية الاصطناعية على كثير من العُقَد التي تدخل البيانات فيها. تشكل هذه العقد طبقة إدخال النظام.
الطبقة الخفية
تقوم طبقة الإدخال بمعالجة البيانات وتمريرها إلى طبقات أخرى في الشبكة العصبونية. تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتكييف سلوكها عند تلقي معلومات جديدة. تحتوي شبكات التعلم العميق على مئات من الطبقات المخفية التي يمكنها استخدامها في تحليل مشكلة من عدة زوايا مختلفة.
على سبيل المثال، إذا تم إعطاؤك صورة لحيوان غير معروف وكان عليك تصنيفه، فستقارن هذا الحيوان بالحيوانات التي تعرفها بالفعل. على سبيل المثال، ستنظر إلى شكل عينيها وأذنيها وحجمها وعدد أرجلها ونمط الفراء. قد تحاول تحديد الأنماط، مثل ما يلي:
- الحيوان لديه حوافر، ولذلك يمكن أن يكون بقرةً أو غزالًا.
- الحيوان لديه عيون قطة، لذلك يمكن أن يكون قطة برية.
تعمل الطبقات المخفية في الشبكات العصبونية العميقة بنفس الطريقة. إذا حاولت خوارزمية التعلم العميق تصنيف صورة حيوان، فإن كل طبقة من طبقاتها المخفية تعالج ميزة حيوانية مختلفة وتحاول تصنيفها بدقة.
طبقة الإخراج
تتكون طبقة الإخراج من العُقَد التي تُخرج البيانات. تحتوي نماذج التعلم العميق التي تُخرج الإجابة "نعم" أو الإجابة "لا" على عُقدتين فقط في طبقة الإخراج. ومن ناحية أخرى، فإن أولئك الذين ينتجون نطاقًا أوسع من الإجابات لديهم المزيد من العُقَد. يحتوي الذكاء الاصطناعي المولّد (Generative AI) على طبقة إخراج متطورة لتوليد بيانات جديدة تطابق الأنماط في مجموعة بيانات التدريب الخاصة به.
ما مكونات شبكة التعلم العميق؟
مكونات الشبكة العصبونية العميقة هي ما يلي.
طبقة الإدخال
تحتوي الشبكة العصبونية الاصطناعية على كثير من العُقَد التي تدخل البيانات فيها. هذه العُقَد تمثل طبقة الإدخال للنظام.
الطبقة الخفية
تقوم طبقة الإدخال بمعالجة البيانات وتمريرها إلى طبقات أخرى في الشبكة العصبونية. تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتكييف سلوكها عند تلقي معلومات جديدة. تحتوي شبكات التعلم العميق على مئات من الطبقات المخفية التي يمكنها استخدامها في تحليل مشكلة من عدة زوايا مختلفة.
على سبيل المثال، إذا تم إعطاؤك صورة لحيوان غير معروف وكان عليك تصنيفه، فستقارن هذا الحيوان بالحيوانات التي تعرفها بالفعل. على سبيل المثال، سوف تنظر إلى شكل عينيه وأذنيه، وحجمه، وعدد الأرجل، ونوع الفراء. قد تحاول تحديد الأنماط، مثل ما يلي:
- الحيوان لديه حوافر، ولذلك يمكن أن يكون بقرةً أو غزالًا.
- الحيوان عيونه تشبه عيون القط، ولذلك يمكن أن يكون نوعًا من القطط البرية.
تعمل الطبقات المخفية في الشبكات العصبونية العميقة بنفس الطريقة. إذا كانت خوارزمية التعلم العميق تحاول تصنيف صورة لحيوان، فإن كل طبقة من طبقاتها المخفية تعالج سمةً مختلفةً للحيوان وتحاول تصنيفه بدقة.
طبقة الإخراج
تتكون طبقة الإخراج من العُقَد التي تُخرج البيانات. تحتوي نماذج التعلم العميق التي تُخرج الإجابة "نعم" أو الإجابة "لا" على عُقدتين فقط في طبقة الإخراج. ومن ناحية أخرى، فإن أولئك الذين ينتجون نطاقًا أوسع من الإجابات لديهم المزيد من العُقَد.
ما الفرق بين تعلّم الآلة والتعلم العميق والذكاء الاصطناعي المولّد؟
تشير مصطلحات تعلم الآلة والتعلم العميق والذكاء الاصطناعي المولّد إلى تقدم في تكنولوجيا الشبكات العصبية.
تعلّم الآلة
التعلم العميق هو مجموعة فرعية منالتعلم الآلي. ظهرت خوارزميات التعلم العميق لجعل تقنيات تعلم الآلة التقليدية أكثر كفاءة. تتطلب أساليب تعلّم الآلة التقليدية جهدًا بشريًا كبيرًا لتدريب البرمجيات. على سبيل المثال، في التعرف على صور الحيوانات، تحتاج إلى القيام بما يلي:
- تسمية مئات الآلاف من صور الحيوانات يدويًا.
- جعل خوارزميات تعلّم الآلة تعالج تلك الصور.
- اختبار هذه الخوارزميات على مجموعة من الصور غير المعروفة.
- تحديد سبب عدم دقة بعض النتائج.
- تحسين مجموعة البيانات عن طريق تسمية الصور الجديدة لتحسين دقة النتائج.
تسمى هذه العملية بالتعلم الخاضع للإشراف. في التعلم الخاضع للإشراف، لا تتحسن دقة النتائج إلا إذا كان لديك مجموعة بيانات واسعة ومتنوعة بما فيه الكفاية. على سبيل المثال، قد تحدد الخوارزمية القطط السوداء بدقة ولكنها قد تخفق في تحديد القطط البيضاء لأن مجموعة بيانات التدريب تحتوي على صور أكثر للقطط السوداء. في هذه الحالة، ستحتاج إلى المزيد من البيانات المصنفة لصور القطط البيضاء لتدريب نماذج تعلم الآلة مرة أخرى.
فوائد التعلم العميق على تعلم الآلة
تتمتع شبكة التعلم العميق بالمزايا التالية مقارنةً بتعلّم الآلة التقليدي.
المعالجة الفعالة للبيانات غير المهيكلة
تجد أساليب تعلّم الآلة صعوبةً في معالجة البيانات غير المهيكلة، مثل المستندات النصية، وذلك لأن مجموعة البيانات الخاصة بالتدريب يمكن أن تحتوي على فروق واختلافات لا حصر لها. ومن ناحية أخرى، تستطيع نماذج التعلم العميق فهم البيانات غير المهيكلة وتقديم ملاحظات عامة بدون استخراج السمات يدويًا. على سبيل المثال، يمكن للشبكة العصبونية أن تدرك أن الجملتين التاليتين المختلفتين في الإدخال لهما نفس المعنى:
- هل يمكنك إخباري بكيفية الدفع؟
- كيف يمكنني تحويل المال؟
اكتشاف العلاقات والأنماط الخفية
يستطيع تطبيق التعلم العميق أن يحلل كميات كبيرة من البيانات بشكل أكثر عمقًا وأن يكشف عن رؤىً جديدة ربما لم يتم تدريبه عليها. على سبيل المثال، ضع في اعتبارك نموذج التعلم العميق المدرب لتحليل مشتريات المستهلكين. يحتوي النموذج على بيانات فقط للعناصر التي اشتريتها بالفعل. ومع ذلك، يمكن للشبكة العصبونية الاصطناعية اقتراح عناصر جديدة لم تقم بشرائها من خلال مقارنة أنماط الشراء مع تلك الخاصة بعملاء مماثلين.
التعلم بدون إشراف
يمكن لنماذج التعلم العميق أن تتعلم وتتحسن بمرور الوقت استنادًا إلى سلوك المستخدم. لا تتطلب تباينات كبيرة في مجموعات البيانات المسماة. على سبيل المثال، مراعاة الشبكات العصبونية التي تقترح كلمات أو تصححها تلقائيًا عن طريق تحليل سلوكك في الكتابة. لنفترض أن الشبكة العصبونية مدربة على اللغة الإنجليزية ويمكنها أن تجري التدقيق الإملائي للكلمات الإنجليزية. ومع ذلك، إذا كنت كثيرًا ما تكتب كلمات غير إنجليزية مثل danke، فيمكن للشبكات العصبونية أن تتعلم هذه الكلمات وتصححها تلقائيًا.
معالجة البيانات المتطايرة
تحتوي مجموعات البيانات المتطايرة على تباينات واختلافات كبيرة. ومن الأمثلة على ذلك هو مبالغ سداد القرض في أحد البنوك. يمكن للشبكة العصبية للتعلم العميق تصنيف هذه البيانات وفرزها من خلال تحليل المعاملات المالية ووضع علامة على بعضها للكشف عن الاحتيال.
تعرف على المزيد حول التعلم العميق مقابل تعلم الآلة
الذكاء الاصطناعي المولّد
أخذ الذكاء الاصطناعي المولّد الشبكات العصبية لتعلم الآلة والتعلم العميق إلى المستوى التالي. بينما يركز تعلم الآلة والتعلم العميق على التنبؤ والتعرف على الأنماط، ينتج الذكاء الاصطناعي المولّد مخرجات فريدة بناءً على الأنماط التي يكتشفها. تم بناء تقنية الذكاء الاصطناعي المولّد (Generative AI) على على بنية المحول التي تجمع بين العديد من الشبكات العصبية المختلفة لدمج أنماط البيانات بطرق فريدة. تقوم شبكات التعلم العميق أولاً بتحويل النصوص والصور والبيانات الأخرى إلى تجريدات رياضية ثم إعادة تحويلها إلى أنماط جديدة ذات معنى.
ما مفهوم التعلم العميق في سياق الشبكات العصبونية؟
التعلم العميق هو مجموعة فرعية من تعلّم الآلة. ظهرت خوارزميات التعلم العميق في محاولة لجعل تقنيات تعلّم الآلة التقليدية أكثر كفاءةً. تتطلب أساليب تعلّم الآلة التقليدية جهدًا بشريًا كبيرًا لتدريب البرمجيات. على سبيل المثال، في التعرف على صور الحيوانات، تحتاج إلى القيام بما يلي:
- تسمية مئات الآلاف من صور الحيوانات يدويًا.
- جعل خوارزميات تعلّم الآلة تعالج تلك الصور.
- اختبار هذه الخوارزميات على مجموعة من الصور غير المعروفة.
- تحديد سبب عدم دقة بعض النتائج.
- تحسين مجموعة البيانات عن طريق تسمية الصور الجديدة لتحسين دقة النتائج.
تسمى هذه العملية بالتعلم الخاضع للإشراف. في التعلم الخاضع للإشراف، لا تتحسن دقة النتائج إلا إذا كان لديك مجموعة بيانات واسعة ومتنوعة بما فيه الكفاية. على سبيل المثال، قد تحدد الخوارزمية القطط السوداء بدقة ولكنها قد تخفق في تحديد القطط البيضاء لأن مجموعة بيانات التدريب تحتوي على صور أكثر للقطط السوداء. في هذه الحالة، تحتاج إلى تسمية المزيد من صور القطط البيضاء وتدريب نماذج تعلم الآلة مرةً أخرى.
ما مزايا التعلم العميق مقارنةً بتعلّم الآلة؟
تتمتع شبكة التعلم العميق بالمزايا التالية مقارنةً بتعلّم الآلة التقليدي.
المعالجة الفعالة للبيانات غير المهيكلة
تجد أساليب تعلّم الآلة صعوبةً في معالجة البيانات غير المهيكلة، مثل المستندات النصية، وذلك لأن مجموعة البيانات الخاصة بالتدريب يمكن أن تحتوي على فروق واختلافات لا حصر لها. ومن ناحية أخرى، تستطيع نماذج التعلم العميق فهم البيانات غير المهيكلة وتقديم ملاحظات عامة بدون استخراج السمات يدويًا. على سبيل المثال، يمكن للشبكة العصبونية أن تدرك أن الجملتين التاليتين المختلفتين في الإدخال لهما نفس المعنى:
- هل يمكنك إخباري بكيفية الدفع؟
- كيف يمكنني تحويل المال؟
اكتشاف العلاقات والأنماط الخفية
يستطيع تطبيق التعلم العميق أن يحلل كميات كبيرة من البيانات بشكل أكثر عمقًا وأن يكشف عن رؤىً جديدة ربما لم يتم تدريبه عليها. على سبيل المثال، فلنفترض أن هناك نموذج تعلم عميق يتم تدريبه على تحليل مشتريات المستهلكين. يحتوي النموذج على بيانات فقط للعناصر التي اشتريتها بالفعل. ومع ذلك، يمكن للشبكة العصبونية الاصطناعية اقتراح عناصر جديدة لم تقم بشرائها من خلال مقارنة أنماط الشراء الخاصة بك مع تلك الخاصة بعملاء آخرين مماثلين.
التعلم بدون إشراف
يمكن لنماذج التعلم العميق أن تتعلم وتتحسن بمرور الوقت استنادًا إلى سلوك المستخدم. لا تتطلب تباينات كبيرة في مجموعات البيانات المسماة. على سبيل المثال، مراعاة الشبكات العصبونية التي تقترح كلمات أو تصححها تلقائيًا عن طريق تحليل سلوكك في الكتابة. لنفترض أن الشبكة العصبونية مدربة على اللغة الإنجليزية ويمكنها أن تجري التدقيق الإملائي للكلمات الإنجليزية. ومع ذلك، إذا كنت كثيرًا ما تكتب كلمات غير إنجليزية مثل danke، فيمكن للشبكات العصبونية أن تتعلم هذه الكلمات وتصححها تلقائيًا.
معالجة البيانات المتطايرة
تحتوي مجموعات البيانات المتطايرة على تباينات واختلافات كبيرة. ومن الأمثلة على ذلك هو مبالغ سداد القرض في أحد البنوك. يمكن للشبكة العصبونية للتعلم العميق تصنيف هذه البيانات وفرزها أيضًا، وذلك عن طريق تحليل المعاملات المالية ووضع علامة على بعضها للكشف عن الاحتيال.
ما تحديات التعلم العميق؟
فيما يلي التحديات في تنفيذ التعلم العميق والذكاء الاصطناعي المولّد.
كميات كبيرة من البيانات عالية الجودة
عندما تقوم بتدريبهم على كميات كبيرة من البيانات عالية الجودة، فإن خوارزميات التعلم العميق تعطي نتائج أفضل. يمكن أن تؤثر القيم المتطرفة أو الأخطاء الموجودة بمجموعة بيانات الإدخال تأثيرًا كبيرًا على عملية التعلم العميق. على سبيل المثال، في مثال صورة الحيوانات لدينا، قد يصنف نموذج التعلم العميق الطائرة على أنها سلحفاة إذا قدمت مجموعة البيانات صورًا غير حيوانية عن طريق الخطأ.
لتجنب مثل هذه الأخطاء، يجب تنظيف ومعالجة كميات كبيرة من البيانات قبل تدريب نماذج التعلم العميق. المعالجة المسبقة لبيانات الإدخال تتطلب كميات كبيرة من سعة تخزين البيانات.
قوة معالجة كبيرة
خوارزميات التعلم العميق هي خوارزميات كثيفة الحوسبة وتتطلب بنيةً أساسيةً ذات قدرة حوسبة كافية لتعمل بشكل صحيح. وإلا، فستستغرق وقتًا طويلاً لمعالجة النتائج.
ما هي فوائد الذكاء الاصطناعي المولّد والتعلم العميق في السحابة؟
يساعدك تشغيل الذكاء الاصطناعي المولّد والتعلم العميق على البنية التحتية السحابية على تصميم التطبيقات وتطويرها وتدريبها بشكل أسرع.
السرعة
يمكنك تدريب نماذج الذكاء الاصطناعي المولّد والتعلم العميق بشكل أسرع باستخدام مجموعات من وحدات معالجة الرسومات ووحدات المعالجة المركزية لإجراء العمليات الرياضية المعقدة التي تتطلبها شبكاتك العصبونية. يمكنك بعد ذلك نشر هذه النماذج لمعالجة كميات كبيرة من البيانات وتحقيق نتائج ذات صلة متزايدة.
قابلية التوسع
بفضل مجموعة واسعة من الموارد عند الطلب المتاحة من خلال السحابة، يمكنك الوصول إلى موارد أجهزة غير محدودة تقريبًا للتعامل مع نماذج التعلم العميق المدعومة بالذكاء الاصطناعي من أي حجم. يمكن للشبكات العصبونية الاستفادة من عدة معالجات في توزيع أعباء العمل بسلاسة وكفاءة عبر أنواع وكميات مختلفة من المعالجات.
الأدوات
يمكنك الوصول إلى أدوات الذكاء الاصطناعي والتعلم العميق مثل أجهزة الكمبيوتر المحمولة ومصححات الأخطاء وملفات التعريف والمسارات وAIOps والمزيد. يمكنك العمل مع نماذج الذكاء الاصطناعي المولّد الحالية من داخل السحابة كخدمة دون الحاجة إلى بنية تحتية لاستضافة النموذج. يمكن للفرق أن تبدأ بتطبيقات الذكاء الاصطناعي المولّد والتعلم العميق حتى مع المعرفة والتدريب المحدودين.
كيف يمكن لـ AWS المساعدة في متطلبات الذكاء الاصطناعي المولّد والتعلّم العميق؟
تعمل AWS AI وخدمات التعلم العميق على تسخير قوة الحوسبة السحابية حتى تتمكن من بناء الموجة التالية من ابتكارات الذكاء الاصطناعي وتوسيع نطاقها. إعادة ابتكار تجارب العملاء من خلال الخدمات الأكثر شمولاً المصممة لهذا الغرض والبنية التحتية للذكاء الاصطناعي وتكنولوجيا التعلم العميق وحلول الذكاء الاصطناعي المولّد. على سبيل المثال،
- Amazon SageMaker توفر بنية أساسية وأدوات وسير عمل مُدارة بالكامل لتعلم الآلة وتطوير التعلم العميق.
- يوفر Amazon Bedrock واجهة برمجة تطبيقات (API) واحدة للوصول إلى العديد من النماذج الأساسية عالية الأداء من شركات الذكاء الاصطناعي الرائدة واستخدامها.
يمكنك أيضًا استخدام البنية التحتية لـ AWS AI infrastructure للوصول إلى الحوسبة والتخزين والشبكات الشاملة والآمنة وذات الأداء العالي من حيث السعر لإنشاء أي تطبيق للذكاء الاصطناعي. ابدأ بالتعلم العميق بالذكاء الاصطناعي على AWS من خلال إنشاء حساب AWS مجاني اليوم!
