القائمة الرئيسية

الصفحات

ما هو الذكاء الاصطناعي؟


على الرغم من وجود الكثير من الضجيج المحيط بالذكاء الاصطناعي (AI) ، بمجرد أن نتخلص من زغب التسويق ، فإن ما يتم الكشف عنه هو تقنية سريعة التطور تعمل بالفعل على تغيير حياتنا. ولكن لكي نقدر إمكاناته بالكامل ، نحتاج إلى فهم ما هو وما هو ليس كذلك!

يعد تعريف "الذكاء" أمرًا صعبًا ، لكن السمات الرئيسية تشمل المنطق ، والتفكير ، ووضع المفاهيم ، والوعي الذاتي ، والتعلم ، والمعرفة العاطفية ، والتخطيط ، والإبداع ، والتفكير المجرد ، وحل المشكلات. من هنا ننتقل إلى أفكار الذات والإحساس والوجود. وبالتالي فإن الذكاء الاصطناعي هو آلة تمتلك واحدة أو أكثر من هذه الخصائص.

ومع ذلك ، بغض النظر عن كيفية تعريفك له ، فإن أحد جوانب التعلم المركزية للذكاء الاصطناعي. لكي تُظهر الآلة أي نوع من الذكاء ، يجب أن تكون قادرة على التعلم.

عندما تتحدث معظم شركات التكنولوجيا عن الذكاء الاصطناعي ، فإنها في الواقع تتحدث عن التعلم الآلي (ML) - قدرة الآلات على التعلم من التجارب السابقة لتغيير نتائج القرارات المستقبلية. تُعرِّف جامعة ستانفورد التعلم الآلي بأنه "علم جعل أجهزة الكمبيوتر تعمل دون أن تتم برمجتها بشكل واضح."

علم تصبح فيه أجهزة الكمبيوتر تشتغل دون أن تتم برمجتها بشكل صريح

في هذا السياق ، تعد التجارب السابقة مجموعات بيانات لأمثلة حالية يمكن استخدامها كمنصات تدريب. تتنوع مجموعات البيانات هذه ويمكن أن تكون كبيرة حسب مجال التطبيق. على سبيل المثال ، يمكن تغذية خوارزمية التعلم الآلي بمجموعة كبيرة من الصور عن الكلاب ، بهدف تعليم الآلة التعرف على سلالات الكلاب المختلفة.

وبالمثل ، تشير القرارات المستقبلية إلى الإجابة التي قدمها الجهاز عند تقديمه ببيانات لم يسبق له مواجهتها ، ولكنها من نفس نوع مجموعة التدريب. باستخدام مثال سلالة الكلاب لدينا ، يتم تقديم الجهاز مع صورة غير مرئية من قبل للذليل والخوارزمية تحدد الكلب بشكل صحيح على أنه الذليل.

التدريب مقابل الاستدلال

يتألف التعلم الآلي من مرحلتين متميزتين: التدريب والاستدلال. يستغرق التدريب عمومًا وقتًا طويلاً ويمكن أن يكون ثقيلًا في الموارد. يعد إجراء الاستدلال على البيانات الجديدة أمرًا سهلاً نسبيًا وهو التقنية الأساسية وراء مهام رؤية الكمبيوتر والتعرف على الصوت ومعالجة اللغة.

الشبكات العصبية العميقة (DNNs) ، والمعروفة أيضًا باسم التعلم العميق ، هي أكثر التقنيات شيوعًا المستخدمة في التعلم الآلي اليوم.

الشبكات العصبية


تقليديا ، يتم إنشاء برامج الكمبيوتر باستخدام العبارات المنطقية التي تختبر الشروط (if, and, or ، إلخ). لكن DNN مختلف. تم إنشاؤه من خلال تدريب شبكة من الخلايا العصبية مع البيانات وحدها.

تصميم DNN معقد ، ولكن ببساطة ، هناك مجموعة من الأوزان (الأرقام) بين الخلايا العصبية في الشبكة. قبل بدء عملية التدريب ، يتم تعيين الأوزان بشكل عام على أرقام صغيرة عشوائية. أثناء التدريب ، سيتم عرض DNN العديد من الأمثلة على المدخلات والمخرجات ، وسيساعد كل مثال في تحسين الأوزان إلى قيم أكثر دقة. تمثل الأوزان النهائية ما تم تعلمه بالفعل بواسطة DNN.

نتيجة لذلك ، يمكنك بعد ذلك استخدام الشبكة للتنبؤ ببيانات الإخراج عند إدخال بيانات بدرجة معينة من الثقة.

بمجرد تدريب الشبكة ، فإنها في الأساس عبارة عن مجموعة من العقد والوصلات والأوزان. في هذه المرحلة ، أصبح الآن نموذجًا ثابتًا ، يمكن استخدامه في أي مكان مطلوب.

لإجراء الاستدلال على النموذج الثابت الآن ، تحتاج إلى الكثير من عمليات ضرب المصفوفات وعمليات الضرب النقطي. نظرًا لأن هذه عمليات حسابية أساسية ، يمكن تشغيلها على وحدة المعالجة المركزية (CPU) أو GPU أو DSP ، على الرغم من أن كفاءة الطاقة قد تختلف.

السحابة


اليوم ، تحدث غالبية تدريب واستدلال DNN في السحابة. على سبيل المثال ، عند استخدام التعرف على الصوت على هاتفك الذكي ، يتم تسجيل صوتك بواسطة الجهاز وإرساله إلى السحابة للمعالجة على خادم التعلم الآلي. بمجرد حدوث معالجة الاستدلال ، يتم إرسال النتيجة مرة أخرى إلى الهاتف الذكي.

تتمثل ميزة استخدام السحابة في أنه يمكن لمزود الخدمة تحديث الشبكة العصبية بسهولة أكبر بنماذج أفضل ؛ ونماذج عميقة ومعقدة يمكن تشغيلها على أجهزة مخصصة ذات طاقة أقل وقيود حرارية.

ومع ذلك ، هناك العديد من العيوب لهذا النهج بما في ذلك التأخير الزمني ، ومخاطر الخصوصية ، والموثوقية ، وتوفير خوادم كافية لتلبية الطلب.

الاستدلال على الجهاز


هناك حجج لتشغيل الاستدلال محليًا ، على سبيل المثال على الهاتف الذكي ، بدلاً من السحابة. بادئ ذي بدء ، يحفظ النطاق الترددي للشبكة. نظرًا لأن هذه التقنيات أصبحت أكثر انتشارًا في كل مكان ، سيكون هناك ارتفاع حاد في البيانات المرسلة ذهابًا وإيابًا إلى السحابة لمهام الذكاء الاصطناعي.

ثانيًا ، يوفر الطاقة - سواء على الهاتف أو في غرفة الخادم - نظرًا لأن الهاتف لم يعد يستخدم أجهزة الراديو المحمولة (Wi-Fi أو 4G / 5G) لإرسال البيانات أو استقبالها ولم يتم استخدام الخادم للقيام بذلك تجهيز.

 يقدم الاستدلال الذي يتم محليًا نتائج أسرع

هناك أيضا مسألة الكمون. إذا تم الاستدلال محليًا ، فسيتم تسليم النتائج بشكل أسرع. بالإضافة إلى ذلك ، هناك عدد لا يحصى من مزايا الخصوصية والأمان لعدم الاضطرار إلى إرسال البيانات الشخصية إلى السحابة.

في حين أن نموذج السحابة قد سمح لـ ML بالدخول في الاتجاه السائد ، فإن القوة الحقيقية لـ ML ستأتي من المعلومات الموزعة المكتسبة عندما يمكن للأجهزة المحلية العمل مع الخوادم السحابية.

الحوسبة غير المتجانسة

نظرًا لأنه يمكن تشغيل استدلال DNN على أنواع مختلفة من المعالجات (CPU ، GPU ، DSP ، إلخ) ، فهو مثالي للحوسبة غير المتجانسة الحقيقية. العنصر الأساسي للحوسبة غير المتجانسة هو فكرة أنه يمكن تنفيذ المهام على أنواع مختلفة من الأجهزة ، مما يؤدي إلى اختلاف الأداء وكفاءة الطاقة.

على سبيل المثال ، تقدم Qualcomm محركًا ذكيًا اصطناعيًا (محرك AI) لمعالجاتها من الدرجة الأولى. يمكن للأجهزة ، جنبًا إلى جنب مع Qualcomm Neural Processing SDK وأدوات البرامج الأخرى ، تشغيل أنواع مختلفة من DNN ، بطريقة غير متجانسة. عند تقديمه مع شبكة عصبية مبنية باستخدام أعداد صحيحة 8 بت (المعروفة باسم شبكات INT8) ، يمكن لمحرك AI تشغيلها إما على وحدة المعالجة المركزية أو لتحسين كفاءة الطاقة على DSP. ومع ذلك ، إذا كان النموذج يستخدم أرقام فاصلة عائمة 16 بت و 32 بت (FP16 و FP32) ، فإن وحدة معالجة الرسومات ستكون مناسبة بشكل أفضل.

إمكانيات تجارب الهواتف الذكية المعززة بالذكاء الاصطناعي لا حدود لها

يعد جانب البرنامج في AI Engine محايدًا من حيث أن أدوات Qualcomm تدعم جميع الأطر الشائعة مثل Tensorflow و Caffe2 وتنسيقات التبادل مثل ONNX ، بالإضافة إلى واجهة برمجة تطبيقات الشبكة العصبية المدمجة في Android Oreo. علاوة على ذلك ، توجد مكتبة متخصصة لتشغيل DNNs على Hexagon DSP. تستفيد هذه المكتبة من Hexagon Vector eXtensions (HVX) الموجودة في معالجات Snapdragon من الدرجة الممتازة.

إن إمكانيات تجارب الهاتف الذكي والمنزل الذكي المعززة بالذكاء الاصطناعي لا حدود لها تقريبًا. تحسين الذكاء البصري ، وتحسين الذكاء الصوتي ، وربما الأهم من ذلك ، تحسين الخصوصية لأن كل هذه البيانات المرئية والصوتية تظل محلية.

لكن مساعدة الذكاء الاصطناعي ليست فقط للهواتف الذكية وأجهزة إنترنت الأشياء. بعض من أكثر التطورات إثارة للاهتمام في صناعة السيارات. يُحدث الذكاء الاصطناعي ثورة في مستقبل السيارة. الهدف طويل المدى هو تقديم مستويات عالية من الاستقلالية ، ولكن هذا ليس الهدف الوحيد. تعد مساعدة السائق ومراقبة وعي السائق من الخطوات الأساسية نحو الاستقلالية الكاملة التي ستزيد بشكل كبير من السلامة على طرقنا. بالإضافة إلى ذلك ، مع ظهور واجهات مستخدم طبيعية أفضل ، سيتم إعادة تعريف تجربة القيادة الشاملة.

يتم إحتوائه

بغض النظر عن كيفية تسويقه ، فإن الذكاء الاصطناعي يعيد تعريف تجارب الحوسبة المتنقلة ، ومنازلنا ، ومدننا ، وسياراتنا ، وصناعة الرعاية الصحية - تقريبًا كل ما يمكنك التفكير فيه. تتيح قدرة الأجهزة على الإدراك (بصريًا ومسموعًا) واستنتاج السياق وتوقع احتياجاتنا لمنشئي المنتجات تقديم إمكانات جديدة ومتقدمة.

يعيد التعلم الآلي تعريف تجارب الحوسبة المتنقلة لدينا

مع تشغيل المزيد من هذه القدرات محليًا ، وليس في السحابة ، سيوفر الجيل التالي من المنتجات المعززة بالذكاء الاصطناعي أوقات استجابة أفضل وموثوقية أكبر ، مع حماية خصوصيتنا.

تعليقات