ما المقصود بالاستدلال بالذكاء الاصطناعي؟

يُعدّ الاستدلال بالذكاء الاصطناعي أمرًا بالغ الأهمية لتقدُّم تقنيات الذكاء الاصطناعي ودعم تطبيقاتها الأكثر ابتكارًا، مثل الذكاء الاصطناعي التوليدي، وهي القدرة التي تشغل تطبيق ChatGPT الشهير. تعتمد نماذج الذكاء الاصطناعي على الاستدلال بالذكاء الاصطناعي لتقليد طريقة تفكير الناس واستنتاجاتهم واستجابتهم للمطالبات.

يبدأ الاستدلال بالذكاء الاصطناعي بتدريب نموذج الذكاء الاصطناعي على مجموعة كبيرة من البيانات باستخدام خوارزميات صنع القرار. تتكون نماذج الذكاء الاصطناعي من خوارزميات اتخاذ القرار التي يتم تدريبها على الشبكات العصبية-وهي نماذج لغوية كبيرة (LLMs) يتم إنشاؤها مثل الدماغ البشري. على سبيل المثال، قد يتم تدريب نماذج الذكاء الاصطناعي المصمم للتعرف على الوجه على ملايين الصور للوجه البشري. في نهاية المطاف، أنها تتعلم التعرف بدقة على ميزات مثل لون العينين وشكل الأنف ولون الشعر، ويمكنها بعد ذلك استخدامها للتعرف على الفرد في الصورة.

على الرغم من الارتباط الوثيق بينهما، فإن الاستدلال بالذكاء الاصطناعي والتعلم الآلي هما خطوتان مختلفتان في دورة حياة نموذج الذكاء الاصطناعي.

• التعلم الآلي هو عملية استخدام بيانات التدريب والخوارزميات، من خلال عملية التعلم الخاضع للإشراف، لتمكين الذكاء الاصطناعي من تقليد الطريقة التي يتعلم بها البشر، وتحسين دقته تدريجيًا.
  
  
• الاستدلال بالذكاء الاصطناعي هو عملية تطبيق ما تعلَّمه نموذج الذكاء الاصطناعي من خلال التعلم الآلي لاتخاذ قرار أو إجراء توقع أو استنتاج من البيانات.

إذا لم يتم تدريب نماذج الذكاء الاصطناعي على مجموعة بيانات قوية مناسبة لتطبيقها، فإنها ببساطة لن تكون فعَّالة. وبالنظر إلى الطبيعة الحساسة للتقنية وكيفية التدقيق المتواصل عليها في الإعلام¹، تحتاج الشركات إلى توخي الحذر. ولكن مع التطبيقات التي تمتد عبر الصناعات وتوفر إمكانات التحول الرقمي والابتكار القابل للتوسع، فإن فوائدها عديدة:

• دقة النتائج وصحتها: أصبحت نماذج الذكاء الاصطناعي أكثر دقة وصحة مع تقدم التكنولوجيا. على سبيل المثال، يمكن لأحدث النماذج اللغوية الكبيرة اختيار الكلمات والجمل والقواعد بطرق تحاكي نبرة مؤلف معين. وفي مجال الفن والفيديو، يمكنهم فعل الشيء نفسه، من خلال اختيار الألوان والأساليب للتعبير عن مزاج معين، أو نغمة أو أسلوب فني دقيق.

• تحسين مراقبة الجودة: أحد أكثر المجالات الواعدة في الذكاء الاصطناعي هو مراقبة الأنظمة وعمليات التفتيش. يتم استخدام نماذج الذكاء الاصطناعي المدربة على مجموعات بيانات تتنوع بين جودة المياه وأنماط الطقس لمراقبة حالة المعدات الصناعية في الميدان.

• التعلم الآلي: يتم نشر الروبوتات وأنظمة التشغيل الآلي المزودة بقدرات الاستدلال بالذكاء الاصطناعي لأداء مهام متنوعة بهدف زيادة قيمة الأعمال. وربما يكون التطبيق الأكثر شيوعًا للتعلم الآلي هو السيارات ذاتية القيادة. حيث يتم استخدام الاستدلال بالذكاء الاصطناعي على نطاق واسع من قِبَل شركات السيارات ذاتية القيادة مثل Tesla وWaymo وCruz لتعليم الشبكات العصبية التعرُّف على قواعد المرور والامتثال لها.

• التعلم دون توجيه: يتدرب الاستدلال بالذكاء الاصطناعي على البيانات دون أن تتم برمجته، ما يقلل من المدخلات البشرية والموارد المطلوبة لتشغيله بفاعلية. على سبيل المثال، يمكن استخدام نموذج ذكاء اصطناعي مدرَّب على صور من البيئات الزراعية لمساعدة المزارعين على تحديد الأعشاب الضارة والمحاصيل غير الصحية والتقليل منها.

• التوجيه المستنير واتخاذ القرار: أحد أكثر تطبيقات الاستدلال بالذكاء الاصطناعي ابتكارًا هو قدرة الذكاء الاصطناعي على فهم التفاصيل الدقيقة والتعقيد وتقديم النصائح بناءً على مجموعات البيانات التي تعلَّم عليها. على سبيل المثال، يمكن لنماذج الذكاء الاصطناعي المدرَّبة على المبادئ المالية تقديم المشورة الاستثمارية السليمة وتحديد النشاط الاحتيالي المحتمل. وبالمثل، يمكن للذكاء الاصطناعي أن يزيل احتمال الخطأ البشري من الإجراءات المحفوفة بالمخاطر مثل تشخيص المرض أو قيادة الطائرة.

• قدرات حوسبة الحافة: يوفر الاستدلال بالذكاء الاصطناعي وحوسبة الحافة جميع مزايا الذكاء الاصطناعي في الوقت الفعلي، دون الحاجة إلى نقل البيانات إلى مركز البيانات لمعالجتها. يتمتع الاستدلال بالذكاء الاصطناعي عند الحافة بإمكانات لها تداعيات واسعة النطاق، بدءًا من إدارة ومراقبة مستويات المخزون في المستودعات ووصولًا إلى ردود الفعل السريعة التي تُقاس بالميللي ثانية اللازمة لتشغيل سيارة ذاتية القيادة بأمان.

على الرغم من أن فوائد الاستدلال بالذكاء الاصطناعي كثيرة، إلا أنها لا تخلو من التحديات أيضًا باعتبارها تقنية حديثة وسريعة النمو. وفيما يلي بعض المشكلات التي تواجه الصناعة والتي يجب على الشركات التي تفكر في الاستثمار في الذكاء الاصطناعي مراعاتها:

• الامتثال: تتسم مهمة تنظيم تطبيقات الذكاء الاصطناعي والاستدلال بالذكاء الاصطناعي بأنها شاقة ومتغيرة باستمرار. ومن الأمثلة على ذلك مجال سيادة البيانات، وهو المفهوم الذي ينص على أن البيانات تخضع لقوانين البلد أو المنطقة التي تم إنشاؤها فيها. حيث إن المؤسسات العالمية التي تقوم بجمع البيانات وتخزينها ومعالجتها لأغراض الذكاء الاصطناعي في أكثر من منطقة واحدة تجد صعوبة في الامتثال للقوانين عبر أقاليم متعددة مع الاستمرار في الابتكار بطرق تفيد أعمالها.

• الجودة: في تدريب نماذج الذكاء الاصطناعي، تُعَد جودة البيانات التي يتم تدريب النماذج عليها أمرًا بالغ الأهمية لنجاحها. تمامًا مثل البشر الذين يتعلمون من معلم ضعيف الإمكانات، فإن نموذج الذكاء الاصطناعي المدرَّب على مجموعة بيانات سيئة سيكون أداؤه سيئًا. يجب تسمية مجموعات البيانات بوضوح وأن تكون ذات صلة وثيقة بالمهارة التي يحاول نموذج الذكاء الاصطناعي تعلمها. يتمثل التحدي الرئيسي للذكاء الاصطناعي (وخاصة دقة الاستدلال بالذكاء الاصطناعي) في اختيار النموذج المناسب للتدريب عليه.

• التعقيد: تمامًا كما هو الحال مع جودة البيانات، يمكن أن يتسبب تعقيد البيانات في مشكلات مع نماذج الذكاء الاصطناعي أيضًا. وباستخدام تشبيه الطالب البشري مرّة أخرى، كلما كان الشيء الذي يتم تدريب الذكاء الاصطناعي عليه أبسط، كان من الأسهل تعلمه. حيث إن نماذج الذكاء الاصطناعي التي تتعامل مع مشكلات بسيطة، مثل روبوت المحادثة لخدمة العملاء أو وكيل السفر الافتراضي، يسهل تدريبها نسبيًا مقارنةً بالنماذج المصممة للتعامل مع مشكلات أكثر تعقيدًا، مثل التصوير الطبي أو تقديم النصائح المالية.

• رفع مستوى المهارات: بقدر ما قد يكون من الرائع للغاية تخيل الإمكانيات الهائلة لمجال جديد وسريع النمو مثل الذكاء الاصطناعي، إلا أن الخبرة المطلوبة لإنشاء تطبيقات ذكاء اصطناعي فعَّالة واستدلالات دقيقة تتطلب وقتًا وموارد. وإلى أن يتم تدريب عدد كافٍ من المواهب لمواكبة سرعة الابتكار، سيظل الطلب على الخبراء في هذا المجال مرتفعًا، وستكون تكاليف توظيفهم مرتفعة أيضًا.

• الاعتماد على تايوان: يتم تصنيع 60% من أشباه الموصلات في العالم و90% من الشرائح المتقدمة (بما في ذلك مسرِّعات الذكاء الاصطناعي اللازمة للاستدلال بالذكاء الاصطناعي) في جزيرة تايوان.² بالإضافة إلى ذلك، تعتمد شركة Nvidia، وهي أكبر شركة في العالم في مجال أجهزة وبرمجيات الذكاء الاصطناعي، بشكل شبه حصري على شركة واحدة -وهي شركة Taiwan Semiconductor Manufacturing Corporation (TSMC)- للحصول على مسرعات الذكاء الاصطناعي الخاصة بها. يمكن أن تؤدي الكوارث الطبيعية أو الحوادث المفاجئة إلى تعطيل إنتاج وتوزيع الرقائق الضرورية لتفعيل الاستدلال بالذكاء الاصطناعي في مجالاته المتعددة.

يُعَد الاستدلال بالذكاء الاصطناعي عملية معقدة تتطلب تدريب نموذج الذكاء الاصطناعي على مجموعات بيانات مناسبة ليتمكن من استنتاج ردود دقيقة. وهذه عملية تتطلب قدرًا كبيرًا من الحوسبة، ما يستلزم استخدام أجهزة وبرامج متخصصة. قبل النظر في عملية تدريب نماذج الذكاء الاصطناعي للاستدلال بالذكاء الاصطناعي، دعونا نستعرض بعض الأجهزة المتخصصة التي تمكِّن ذلك:

تُعَد وحدة المعالجة المركزية (CPU) المكون الوظيفي الأساسي للكمبيوتر. في تدريب الذكاء الاصطناعي والاستدلال، تقوم وحدة المعالجة المركزية بتشغيل نظام التشغيل وتساعد على إدارة موارد الحوسبة المطلوبة لأغراض التدريب.

تُستخدم وحدات معالجة الرسومات (GPUs)، أو الدوائر الإلكترونية المصممة للرسومات الحاسوبية عالية الأداء ومعالجة الصور، في أجهزة مختلفة، بما في ذلك بطاقات الفيديو واللوحات الأم والهواتف المحمولة. ومع ذلك، نظرًا لقدراتها على المعالجة المتوازية، يتم استخدامها أيضًا بشكل متزايد في تدريب نماذج الذكاء الاصطناعي. ومن إحدى الطرق ربط العديد من وحدات معالجة الرسومات بنظام ذكاء اصطناعي واحد لزيادة قدرة المعالجة لهذا النظام.

مصفوفات البوابة القابلة للبرمجة الميدانية (FPGAs) هي مسرِّعات ذكاء اصطناعي قابلة للتخصيص بدرجة كبيرة وتعتمد على المعرفة المتخصصة لإعادة برمجتها لغرض معين. وعلى عكس مسرِّعات الذكاء الاصطناعي الأخرى، فإن مصفوفات البوابات القابلة للبرمجة الميدانية لها تصميم فريد يناسب وظيفة محددة، وغالبًا ما يتعلق بمعالجة البيانات في الوقت الفعلي، وهذا مهم للغاية للاستدلال بالذكاء الاصطناعي. يمكن إعادة برمجة مصفوفات البوابات القابلة للبرمجة الميدانية على مستوى الأجهزة، ما يُتيح مستوى تخصيص أعلى.

الدوائر المتكاملة الخاصة بالتطبيقات (ASICs) هي مسرِّعات للذكاء الاصطناعي مصممة لغرض أو عمل معين، مثل التعلم العميق في حالة مسرِّع الدوائر المتكاملة WSE-3 الذي تنتجه شركة Cerebras. تساعد ASICs علماء البيانات على تسريع قدرات الاستدلال بالذكاء الاصطناعي وخفض التكلفة. وعلى عكس مصفوفات البوابات القابلة للبرمجة الميدانية (FPGAs)، لا يمكن إعادة برمجة الدوائر المتكاملة الخاصة بالتطبيقات (ASICs)، ولكن نظرًا لأنها مصممة لغرض واحد، فهي عادةً ما تتفوق في الأداء على المسرِّعات الأخرى ذات الأغراض العامة. أحد الأمثلة على ذلك هي وحدة معالجة تينسور (TPU) من Google، التي تم تطويرها من أجل التعلم الآلي للشبكة العصبية باستخدام برنامج Google Tensorflow الخاص.

يجب على الشركات التي تريد الاستثمار في تطبيقات الذكاء الاصطناعي كجزء من رحلتها للتحول الرقمي تثقيف نفسها بشأن مزايا الاستدلال بالذكاء الاصطناعي وتحدياته. بالنسبة إلى أولئك الذين قاموا بالتحقيق الشامل في تطبيقاته المختلفة وهم مستعدون لاستخدامه، إليك خمس خطوات لإنشاء استدلال فعَّال بالذكاء الاصطناعي:

اعتمادًا على نوع تطبيق الذكاء الاصطناعي الذي تحتاجه المؤسسات، هناك أنواع مختلفة من الاستدلال بالذكاء الاصطناعي التي يمكنها اختيارها. إذا كانت الشركة تسعى لبناء نموذج ذكاء اصطناعي ليتم استخدامه مع تطبيقات إنترنت الأشياء (IoT)، فمن المحتمل أن يكون الاستدلال المباشر (بما في ذلك قدراته على القياس) هو الخيار الأنسب. ومع ذلك، إذا تم تصميم نموذج الذكاء الاصطناعي للتفاعل مع البشر، فإن الاستدلال عبر الإنترنت (مع قدرات النماذج اللغوية الكبيرة) سيكون أكثر ملاءمة. فيما يلي الأنواع الثلاثة للاستدلال بالذكاء الاصطناعي والخصائص التي تجعلها فريدة من نوعها.

الاستدلال الديناميكي، المعروف أيضًا باسم الاستدلال عبر الإنترنت، هو أسرع نوع من أنواع الاستدلال بالذكاء الاصطناعي ويُستخدم في أكثر تطبيقات الذكاء الاصطناعي ذات النماذج اللغوية الكبيرة شهرةً، مثل ChatGPT من OpenAI. يقوم الاستدلال الديناميكي بإنتاج المخرجات والتنبؤات فور طلبها، ويتطلب بعد ذلك زمن انتقال قصيرًا وسرعة في الوصول إلى البيانات لضمان فاعلية عمله. من الخصائص الأخرى للاستدلال الديناميكي أن المخرجات يمكن أن تأتي بسرعة كبيرة لدرجة أنه لا يوجد وقت لمراجعتها قبل أن تصل إلى المستخدم النهائي. ويؤدي هذا إلى قيام بعض المؤسسات بإضافة طبقة من المراقبة بين المخرجات والمستخدم النهائي لضمان مراقبة الجودة.

الاستدلال الدفعي هو عملية إنتاج توقعات الذكاء الاصطناعي باستخدام مجموعة كبيرة من البيانات دفعة واحدة. باستخدام نهج الاستدلال الدفعي، يتم بعد ذلك تطبيق البيانات التي تم جمعها مسبقًا على خوارزميات التعلم الآلي. على الرغم من أنه ليس مثاليًا للمواقف التي تتطلب مخرجات في بضع ثوان أو أقل، إلا أن الاستدلال الدفعي مناسب تمامًا لتوقعات الذكاء الاصطناعي التي يتم تحديثها بانتظام على مدار اليوم أو على مدار الأسبوع، مثل لوحات معلومات المبيعات أو التسويق أو تقييمات المخاطر.

يَستخدِم الاستدلال المباشر سلسلة من البيانات، عادةً ما يتم توفيرها من خلال قياسات منتظمة من أجهزة الاستشعار، ويقوم بتغذيتها إلى خوارزمية تستخدم هذه البيانات لإجراء حسابات وتوقعات بشكل مستمر. تعتمد تطبيقات إنترنت الأشياء، مثل الذكاء الاصطناعي المستخدم لمراقبة محطة توليد الكهرباء أو حركة المرور في المدينة عبر أجهزة استشعار متصلة بالإنترنت، على الاستدلال المباشر لاتخاذ قراراتها.