يشمل الذكاء الاصطناعي (AI) العديد من التكنولوجيات المعقدة والناشئة التي كانت تتطلّب في السابق تدخلًا بشريًا ويمكن الآن للكمبيوتر تنفيذها. يمكن للأجهزة الكمبيوتر تنفيذ وظائف متقدّمة، والتي كانت تُستخدَم في السابق لفهم المعلومات واقتراحها. أما الآن، فبإمكان أجهزة الكمبيوتر إنشاء محتوى جديد باستخدام الذكاء الاصطناعي.
غالبًا ما يتم استخدام الاختصار AI بشكل متبادل لتمثيل أنواع مختلفة من التكنولوجيا التي تشكّل مجال الذكاء الاصطناعي.
مفاهيم الذكاء الاصطناعي الشائعة
هناك عدد من المصطلحات والمفاهيم التي تحدّد الذكاء الاصطناعي وتعلُّم الآلة، وقد تجدها مفيدة. في ما يلي بعض الطرق التي يمكنك من خلالها العمل مع الذكاء الاصطناعي (AI) على الويب.
الذكاء الاصطناعي العام
بشكل عام، الذكاء الاصطناعي العام هو برنامج أو نموذج غير بشري يُظهر مجموعة واسعة من مهارات حلّ المشاكل والإبداع. النموذج هو معادلة رياضية كبيرة جدًا، تتضمّن مجموعة من المَعلمات والبنية اللازمة لآلة لعرض نتيجة.
باستخدام الذكاء الاصطناعي العام، يمكنك تنفيذ أنواع متعدّدة من المهام، مثل تحليل البيانات وترجمة النصوص وإنشاء الموسيقى وتحديد الأمراض وغير ذلك الكثير.
الذكاء الاصطناعي المحدود
الذكاء الاصطناعي المحدود هو نظام يمكنه تنفيذ مجموعة فرعية فردية أو محدّدة من المهام. على سبيل المثال، جهاز كمبيوتر يلعب لعبة شطرنج ضد خصم بشري (يجب عدم الخلط بينه وبين Mechanical Turk). يتضمّن الذكاء الاصطناعي المحدود مجموعة محدّدة مسبقًا من المَعلمات والقيود السياقية، والتي قد تبدو وكأنها تفهم، ولكنها في الواقع مجرد إجابات عن معادلة.
يمكنك الاطّلاع على ذلك عمليًا في أنظمة التعرّف على الوجوه ومساعدات الصوت وتوقّعات الطقس. يمكنك استخدام نماذج محدّدة للغاية لتحسين وظائف معيّنة على مواقعك الإلكترونية وتطبيقاتك.
على سبيل المثال، أنشأت موقعًا إلكترونيًا مخصّصًا للأفلام، حيث يمكن للمستخدمين تسجيل الدخول وتقييم أفلامهم المفضّلة واستكشاف أفلام جديدة لمشاهدتها. يمكنك استخدام قاعدة بيانات مملوءة مسبقًا لاقتراح الأفلام استنادًا إلى الصفحة الحالية التي يتصفّحها المستخدم. أو يمكنك استخدام نموذج ذكاء اصطناعي محدود يحلّل سلوك المستخدمين و الإعدادات المفضّلة لديهم لعرض المعلومات الأكثر صلة بهذا القارئ.
الذكاء الاصطناعي التوليدي
النموذج اللغوي الكبير (LLM) هو نموذج ذكاء اصطناعي للشبكات العصبية يتضمّن العديد من المَعلمات التي يمكنك استخدامها لتنفيذ مجموعة كبيرة من المهام، مثل إنشاء النصوص أو الصور أو تصنيفها أو تلخيصها.
يتفاعل الذكاء الاصطناعي التوليدي مع الإدخال وينشئ محتوى يستند إلى سياق و ذاكرة نموذج اللغة الكبير. ويتجاوز ذلك مطابقة الأنماط والتوقّعات. تشمل بعض أبرز أدوات الذكاء الاصطناعي التوليدي ما يلي:
يمكن لهذه الأدوات إنشاء نثر مكتوب ونماذج رموز وصور. يمكن أن تساعدك هذه الميزة في تخطيط إجازة أو تخفيف حدة نغمة رسالة إلكترونية أو إضفاء طابع احترافي عليها أو تصنيف مجموعات مختلفة من المعلومات إلى فئات.
هناك حالات استخدام لا حصر لها، سواء للمطوّرين أو غيرهم.
الذكاء الاصطناعي من جهة العميل والخادم والذكاء الاصطناعي المختلط
في حين أنّ معظم ميزات الذكاء الاصطناعي على الويب تعتمد على الخوادم، فإنّ الذكاء الاصطناعي من جهة العميل يتم تشغيله مباشرةً في متصفّح المستخدم. ويقدّم ذلك مزايا مثل وقت استجابة منخفض، وتكاليف منخفضة من جهة الخادم، وعدم الحاجة إلى مفتاح واجهة برمجة التطبيقات، وزيادة خصوصية المستخدمين، والوصول إلى البيانات بلا إنترنت. يمكنك تنفيذ تقنيات الذكاء الاصطناعي من جهة العميل التي تعمل على جميع المتصفّحات باستخدام مكتبات JavaScript، بما في ذلك Transformers.js و TensorFlow.js و MediaPipe.
تشمل الذكاء الاصطناعي من جهة الخادم خدمات الذكاء الاصطناعي المستندة إلى السحابة الإلكترونية. يمكنك اعتبار Gemini 1.5 Pro يعمل على السحابة الإلكترونية. وتكون هذه النماذج عادةً أكبر وأقوى بكثير. وينطبق ذلك بشكل خاص على النماذج اللغوية الكبيرة.
يشير الذكاء الاصطناعي المختلط إلى أي حلّ يتضمّن مكوّنَي العميل والخادم. على سبيل المثال، يمكنك استخدام نموذج من جهة العميل لتنفيذ مهمة والرجوع إلى نموذج من جهة الخادم عندما يتعذّر إكمال المهمة على الجهاز.
من الممكن أن يحقّق نموذج صغير محسّن من جهة العميل أداءً أفضل مقارنةً بنموذج أكبر من جهة الخادم، خاصةً عند تحسينه لتحسين الأداء. قيِّم حالة الاستخدام لتحديد الحل المناسب لك.
تعلُّم الآلة
تعلُّم الآلة هو شكل من أشكال الذكاء الاصطناعي، حيث يتعلم الكمبيوتر بدون برمجة صريحة. بينما يسعى الذكاء الاصطناعي إلى إنشاء ذكاء، تسمح تكنولوجيا تعلُّم الآلة لأجهزة الكمبيوتر بالتعلم من التجربة. يتألف تعلُّم الآلة من خوارزميات لإجراء توقّعات حول مجموعات البيانات.
تعلُّم الآلة هو عملية تدريب نموذج لإجراء توقّعات مفيدة أو إنشاء محتوى من البيانات.
على سبيل المثال، لنفترض أنّنا نريد إنشاء موقع إلكتروني يقدّم تقييمًا لحالة الطقس في أيّ يوم معيّن. في العادة، قد يُجري ذلك عالم أرصاد جوية واحد أو أكثر، يمكنه إنشاء تمثيل للغلاف الجوي للأرض وسطح الأرض، وحساب أنماط الطقس و توقّعها، وتحديد تقييم من خلال مقارنة data الحالية بالسياق السابق.
بدلاً من ذلك، يمكننا تزويد نموذج تعلُّم الآلة بكمية هائلة من بيانات الطقس إلى أن يتعرّف النموذج على العلاقة الرياضية بين أنماط الطقس، والبيانات السابقة، والإرشادات حول ما يجعل الطقس جيدًا أو سيئًا في أي يوم معيّن. لقد أنشأنا هذه الميزة على الويب.
التعلم العميق
التعلم العميق (DL) هو فئة من خوارزميات تعلُّم الآلة. ومن الأمثلة على ذلك "الشبكات العميقة للّغة" (DNN) التي تحاول وضع نماذج للطريقة التي يُعتقد أنّ الدماغ البشري يعالج بها المعلومات.
تحديات الذكاء الاصطناعي
هناك العديد من التحديات عند إنشاء الذكاء الاصطناعي واستخدامه. في ما يلي سوى بعض النقاط الرئيسية التي يجب مراعاتها.
جودة البيانات وحداثتها
غالبًا ما تكون مجموعات البيانات الكبيرة المستخدَمة لتدريب نماذج الذكاء الاصطناعي المختلفة قديمة بشكلٍ أساسي بعد وقت قصير من استخدامها. وهذا يعني أنّه عند البحث عن أحدث المعلومات، يمكنك الاستفادة من هندسة الطلبات لتحسين أداء نموذج الذكاء الاصطناعي في مهام معيّنة وتقديم نتائج أفضل.
يمكن أن تكون مجموعات البيانات غير مكتملة أو صغيرة جدًا بحيث لا يمكنها دعم بعض حالات الاستخدام بفعالية. قد يكون من المفيد تجربة العمل باستخدام أدوات متعددة أو تخصيص النموذج لتلبية احتياجاتك.
المخاوف المتعلقة بالأخلاق والتحيز
إنّ تكنولوجيا الذكاء الاصطناعي مثيرة للاهتمام وتوفّر الكثير من الإمكانات. ومع ذلك، في نهاية المطاف، يُنشئ البشر أجهزة الكمبيوتر والخوارزميات، ويتم تدريبها على البيانات التي قد يتم جمعها من قِبل البشر، وبالتالي تخضع لعدة تحديات. على سبيل المثال، يمكن للنماذج اكتساب التحيزات البشرية والصور النمطية الضارة وتضخيمها، ما يؤثر بدوره مباشرةً في النتيجة. من المهمّ أن تضع معالجة التحيز في الأولوية عند إنشاء تكنولوجيات الذكاء الاصطناعي.
هناك العديد من الاعتبارات الأخلاقية بشأن حقوق الطبع والنشر للمحتوى من إنشاء الذكاء الاصطناعي. من يملك المحتوى النهائي، خاصةً إذا كان متأثرًا بشكلٍ كبير بمادة محمية بحقوق الطبع والنشر أو تم نسخه مباشرةً منها؟
قبل إنشاء محتوى وأفكار جديدة، اطّلِع على السياسات الحالية المتعلّقة بطريقة استخدام المواد التي تنشئها.
الأمان والخصوصية
أشار العديد من مطوّري الويب إلى أنّ الخصوصية والأمان هما أهم ما يشغل بالهم عند استخدام أدوات الذكاء الاصطناعي. وينطبق ذلك بشكل خاص في سياقات الأنشطة التجارية التي تفرض متطلبات صارمة على البيانات، مثل الحكومات و شركات الرعاية الصحية. إنّ إتاحة بيانات المستخدمين لعدد أكبر من الجهات الخارجية باستخدام واجهات برمجة تطبيقات السحابة الإلكترونية يُعدّ مصدر قلق. من المهم أن يكون أيّ نقل بيانات آمنًا ويُراقب باستمرار.
قد يكون الذكاء الاصطناعي من جهة العميل هو المفتاح لمواجهة حالات الاستخدام هذه. لا يزال هناك الكثير من الأبحاث والتطوير التي يجب إجراؤها.
بدء استخدام الذكاء الاصطناعي على الويب
بعد أن تعرّفت على الأنواع العديدة من الذكاء الاصطناعي، يمكنك البدء في التفكير في كيفية استخدام النماذج الحالية لزيادة الإنتاجية وإنشاء مواقع إلكترونية وتطبيقات ويب أفضل.
يمكنك استخدام الذكاء الاصطناعي لتنفيذ ما يلي:
- أنشئ ميزة إكمال تلقائي أفضل لميزة البحث في موقعك الإلكتروني.
- رصد وجود أجسام شائعة، مثل الأشخاص أو الحيوانات الأليفة، باستخدام كاميرا ذكية
- يمكنك معالجة التعليقات غير المرغوب فيها باستخدام نموذج معالجة لغة طبيعية.
- يمكنك تحسين إنتاجيتك من خلال تفعيل ميزة الإكمال التلقائي للرمز البرمجي.
- يمكنك إنشاء تجربة كتابة WYSIWYG من خلال اقتراحات للكلمة أو الجملة التالية.
- تقديم شرح بسيط ومفهوم لإحدى مجموعات البيانات
- والمزيد...
يمكن أن تكون نماذج الذكاء الاصطناعي المدربة مسبقًا طريقة رائعة لتحسين مواقعنا الإلكترونية وتطبيقات الويب وإنتاجيتنا، بدون الحاجة إلى فهم كامل لكيفية إنشاء نماذج رياضية جمع مجموعات بيانات معقّدة تشغّل أدوات الذكاء الاصطناعي الأكثر رواجًا.
قد تلاحظ أنّ معظم النماذج تلبي احتياجاتك على الفور، بدون الحاجة إلى إجراء المزيد من التعديلات. التحسين هو عملية أخذ نموذج سبق أن تم تدريبه على مجموعة بيانات كبيرة، وإجراء المزيد من التدريب عليه لتلبية احتياجات الاستخدام المحدّدة. هناك عدد من الأساليب لضبط النموذج:
- التعلُّم المعزّز من الردود البشرية (RLHF) هو أسلوب يستخدم ملاحظات المستخدمين لتحسين توافق النموذج مع الإعدادات المفضّلة للمستخدمين ونيتهم.
- التكيّف منخفض الترتيب (LoRA) هي طريقة فعّالة للمعلَمات في النماذج اللغوية الكبيرة، إذ تقلّل من عدد المَعلمات التي يمكن تدريبها، مع الحفاظ على أداء النموذج.