من التعلّم العميق إلى الذكاء الاصطناعيّ

اكتسب التعلّم العميق، الّذي يتميّز بالشبكات العصبيّة الاصطناعيّة ذات الطبقات المتعدّدة، مكانة بارزة في منتصف العقد الأوّل من القرن الحادي والعشرين مع زيادة القوّة الحسابيّة وتوافر البيانات، وكانت إحدى اللحظات المحوريّة في تطوّرها هي في دقّة التعرّف البصريّ

في السنوات الأخيرة، شهد مجال الذكاء الاصطناعيّ (AI) نموًّا وابتكارًا غير مسبوق، ويعزى إلى حدّ كبير إلى التطوّر السريع لتكنولوجيا التعلّم العميق، حيث أصبح التعلّم العميق، وهو مجموعة فرعيّة من التعلّم الآليّ، حجر الزاوية في تطوير الذكاء الاصطناعيّ، ممّا يمكن الآلات من أداء المهامّ المعقّدة بمستوى من الكفاءة كان يعتبر غير قابل للتحقيق في السابق.

وكان الذكاء الاصطناعيّ (AI) أحد أهمّ التطوّرات التكنولوجيّة في القرن الحادي والعشرين، حيث أدّى ظهوره إلى إنشاء آلات ذكيّة يمكنها أداء المهامّ الّتي كانت تتطلّب ذكاء بشريًّا في السابق، مثل صنع القرار والتعلّم وحلّ المشكلات، وفي الوقت الذي حقّق فيه الذكاء الاصطناعيّ فوائد كبيرة في مختلف الصناعات، مثل الرعاية الصحّيّة والتمويل والتصنيع، إلّا أنّ هناك مخاوف بشأن آثاره الضارّة المحتملة.

ويقول باحثون، إنّ أحد أهمّ الآثار الضارّة للذكاء الاصطناعيّ، تأثيره على التوظيف، إذ يتمتّع الذكاء الاصطناعيّ بالقدرة على أتمتّة العديد من الوظائف الّتي يؤدّيها البشر حاليًّا، ممّا يؤدّي إلى فقدان الوظائف وترسيخ البطالة، وذلك بالنظر إلى المخاوف التي تتزايد من تطبيق “تشات جي بي تي” أو تطبيق “بارد” من غوغل.

واكتسب التعلّم العميق، الّذي يتميّز بالشبكات العصبيّة الاصطناعيّة ذات الطبقات المتعدّدة، مكانة بارزة في منتصف العقد الأوّل من القرن الحادي والعشرين مع زيادة القوّة الحسابيّة وتوافر البيانات، وكانت إحدى اللحظات المحوريّة في تطوّرها هي تحدّي التعرّف البصريّ على نطاق واسع على “إمج نت” حيث أظهرت الشبكات العصبيّة التلافيفيّة العميقة (CNNs) دقّة ملحوظة في مهامّ تصنيف الصور. وكانت الشبكات العصبي!ة التلاقفي!ة العميقة الّتي طوّرها، شكّلت في عام 2012، نقطة تحوّل حيث تفوق بشكل كبير على الأساليب التقليديّة، حيث انخفض معدّل الخطأ في تصنيف الصور في “إمج نت” من أكثر من 25٪ في 2011 إلى أقلّ من 16٪ في 2012 بسبب إدخال نماذج التعلّم العميق مثل “أليكس نت”.

وتمّ تسريع تطوّر التعلّم العميق من خلال تطوير أطر مفتوحة المصدر، وتبسيط تنفيذ وتدريب الشبكات العصبيّة المعقّدة، فكان برنامج “تينزور فلو” عام 2015 و”باي تروك” عام 2016، هما مثالان بارزان لإضفاء الطابع الديمقراطيّ على أبحاث التعلّم العميق وتطبيقه، حيث قدّمت هذه الأطر أدوات للباحثين والمطوّرين لتجربة العديد من البنى وتحسين النماذج لمهامّ محدّدة، واعتبارًا من عام 2021، تعدّ “تينزور فلو” و “باي تروك” من بين أكثر أطر التعلّم العميق استخدامًا، حيث تمثّل مجتمعة أكثر من 90 ٪ من حصّة السوق.

وبحسب خبراء، يعدّ Neural Architecture Search تقدّمًا مهمًّا في التعلّم العميق، ممّا يسمح بالتصميم التلقائيّ لهياكل الشبكات العصبيّة، حيث يستخدم التعلّم المعزّز أو الخوارزميّات الجينيّة أو طرق التحسين الأخرى لاكتشاف البنى الّتي تحقّق أداء استثنائيًّا في مهامّ محدّدة، وأدّى هذا النهج الآليّ إلى إنشاء شبكات عالية الكفاءة والمتخصّصة، ممّا قلّل من الحاجة إلى هندسة العمارة اليدويّة، وفي عام 2017، قدّمت Google NASNet، وهي بنيّة تمّ اكتشافها باستخدام بحث العمارة العصبيّة، والّتي حقّقت أداء متطوّرًا على معيار ImageNet، متجاوزًا الشبكات الّتي صمّمها الإنسان.

وأحدث التعلّم العميق ثورة في معالجة اللغة الطبيعيّة، ممّا مكّن الآلات من فهم اللغة البشريّة وتوليدها والتفاعل معها، حيث لعبت الشبكات العصبيّة المتكرّرة (RNN) والمحوّلات، وهي نوع من الهندسة القائمة على الانتباه، أدوارًا محوريّة في تطوّرات البرمجة اللغويّة العصبيّة، كما أدّى إدخال نماذج مثل GPT (المحوّلات التوليديّة المدرّبة مسبقًا) و BERT (تمثيلات التشفير ثنائيّة الاتّجاه من المحوّلات) إلى دفع فهم اللغة وتوليدها إلى مستويات غير مسبوقة، ويتكوّن GPT-3 من OpenAI، الّذي تمّ تقديمه في عام 2020، من 175 مليار معلومة ممّا يدلّ على قفزة هائلة في تعقيد النموذج مقارنة مع سابقاتها.

وأحدث التعلّم العميق ثورة في رؤية الكمبيوتر، وتمكين التطبيقات مثل اكتشاف الأشياء، والتعرّف على الوجه، والقيادة الذاتيّة، حيث كان تطوير الشبكات العصبيّة التلافيفيّة (CNN) مفيدًا في تحقيق دقّة ملحوظة في مهامّ تحليل الصور، بالإضافة إلى ذلك، لعب التعلّم العميق دورًا مهمًّا في تطوير الأنظمة المستقلّة، ممّا يسمح للمركبات والروبوتات بالتنقّل والتفاعل مع بيئتها.

وأدّى استخدام التعلّم العميق في رؤية الكمبيوتر إلى تحسينات كبيرة، حيث تجاوزت دقّة اكتشاف الأشياء 70٪ في سيناريوهات العالم الحقيقيّ، وهي زيادة كبيرة عن الأساليب التقليديّة، كما أدّى دمج التعلّم العميق في الرعاية الصحّيّة إلى اختراقات في تحليل التصوير الطبّيّ وتشخيص الأمراض والتنبّؤ بالعلاج، كما أظهرت الشبكات العصبيّة التلافيفيّة أداء استثنائيًّا في الكشف عن الحالات الشاذّة في الصور الطبّيّة مثل الأشعّة السينيّة والتصوير بالرنين المغناطيسيّ والتصوير المقطعيّ المحوسب، وهذه التكنولوجيا لديها القدرة على تعزيز الكشف المبكّر، وتحسين الدقّة، وتبسيط عمليّات اتّخاذ القرار الطبّيّ.

كما حقّقت نماذج التعلّم العميق معدّلات دقّة تشخيصيّة تزيد عن 90٪ في الكشف عن أمراض مثل اعتلال الشبكيّة السكّريّ وسرطان الرئة من الصور الطبّيّة.