كتاب تمهيدي للاستثمار في الذكاء الاصطناعي: تمهيد الطريق (الجزء الأول)

ملخص تنفيذي

على مدى السنوات القليلة الماضية ، شهد العالم انفجارًا في الاهتمام بالذكاء الاصطناعي (AI). مفهوم كان يقتصر في الأساس على نوع الخيال العلمي ، أصبح الذكاء الاصطناعي جزءًا من حياتنا اليومية. نقرأ عنها طوال الوقت في الأخبار ، ونشاهد مقاطع فيديو لروبوتات تبدو مخيفة ترقص على أنغام Uptown Funk ، ونسمع عن كيفية تسلل تطبيقات الذكاء الاصطناعي إلى أكثر المجالات غير المتوقعة في حياتنا اليومية. ولكن هل هو الضجيج؟

يمكن ان تكون. وفقًا لـ Gartner's Hype Cycle for Emerging Technologies ، اتجاهات الذكاء الاصطناعي التي تم دمقرطة بما في ذلك AI PaaS (النظام الأساسي كخدمة) ، الذكاء العام الاصطناعي ، القيادة الذاتية ، التعلم العميق ، كلها في نقاط مختلفة على المنحنى ، مع وجود Deep Neural Nets في ذروة توقعات متضخمة. ومع ذلك ، فإننا نستفيد بالفعل من الذكاء الاصطناعي كل يوم. من Siri إلى Cortana إلى Alexa ، يمكننا الآن التحدث مع المساعدين الأذكياء. من محرك البحث المدعوم بالذكاء الاصطناعي من Google إلى عوامل تصفية Instagram ، نتمتع الآن براحة الاستجابات السريعة والأكثر صلة باحتياجاتنا. في الصين ، حيث يزدهر الابتكار في مجال الذكاء الاصطناعي ، تعمل شركات مثل تقنية التعرف على الوجه في Face ++ على دعم مصادقة الهوية الفورية للبنوك ، بينما تقدم تطبيقات مثل TikTok مقاطع فيديو قصيرة لملايين المراهقين (في الواقع تثير جدلاً كبيرًا في القيام بذلك).

أنا شخصياً أعتقد أنه على الرغم من وجود بعض التوقعات والأعمال المبالغ فيها ، فإن الذكاء الاصطناعي هو المستقبل . لقد قمت بتأسيس شركتي الناشئة في مرحلة مبكرة من الذكاء الاصطناعي لاغتنام هذه الفرصة التي تحدث مرة واحدة في العمر للمشاركة في ثورة التكنولوجيا. بصفتي مستثمرًا سابقًا في رأس المال الاستثماري ، فأنا أيضًا أبحث باستمرار عن فرص الاستثمار في الذكاء الاصطناعي. لذلك ، أعتقد أنه على الرغم من الضوضاء التي لا يمكن إنكارها المحيطة بالفضاء ، فإن الزيادة الهائلة في الاستثمار في الذكاء الاصطناعي لها ما يبررها أيضًا.

ولكن مع وضع هذا في الاعتبار ، فإنه يفاجئني أنه ، لا سيما بين مجتمع الاستثمار ، لا تزال هناك فجوة كبيرة في الفهم. يحرص المستثمرون على استثمار الأموال ، لكنهم غالبًا ما يفتقرون إلى المعرفة الأساسية المهمة التي ، في رأيي ، مطلوبة ليكونوا مستثمرًا فعالاً في هذا المجال. الغرض من هذه المقالة هو مشاركة وتقديم بعض السياق والمعلومات المفيدة للمهتمين بالاستثمار في هذا المجال المثير. بالنظر إلى اتساع الموضوع المطروح ، قسمت أفكاري إلى جزأين ، الأول يهدف إلى مناقشة بعض العناصر الأساسية التي يحتاج المرء إلى معرفتها لبدء رحلة الذكاء الاصطناعي - 101 نوعًا ما. سيكون الجزء الثاني من هذه السلسلة أكثر عملية وسيتعمق في موضوع كيفية تقييم استثمارات الذكاء الاصطناعي والطرق المختلفة للاستثمار.

ملحوظة: لا يُقصد بهذا المنشور أن يكون تقنيًا. إنه يستهدف المستثمرين والمجتمع المالي الأوسع ، وبالتالي القراء غير التقنيين.

ما هو الذكاء الاصطناعي؟

يوجد في الواقع العديد من التعريفات للذكاء الاصطناعي ، لذلك عندما يُطلب مني تعريفها ، غالبًا ما أستخدم ويكيبيديا القديمة ، والتي أعتقد أنها تقدم تعريفًا مرضيًا للجماهير غير الفنية:

الذكاء الاصطناعي (AI) ، الذي يُطلق عليه أحيانًا ذكاء الآلة ، هو ذكاء تظهره الآلات ، على عكس الذكاء الطبيعي الذي يظهره البشر والحيوانات الأخرى.

بمعنى آخر ، أي ذكاء غير طبيعي هو ذكاء "اصطناعي" ، بغض النظر عن كيفية تحقيقه. تشمل الأساليب المستخدمة لتحقيق الذكاء الاصطناعي قواعد الشرط ، والمنطق ، وأشجار القرار ، والانحدار ، والتعلم الآلي بما في ذلك التعلم العميق. أحد أدواتي المفضلة والممتعة لشرح كيفية عمل الذكاء الاصطناعي هو مقطع الفيديو هذا حول كيفية تعلم الكمبيوتر لعب Super Mario.

عند الحديث عن الذكاء الاصطناعي ، سوف تسمع دائمًا هذه المصطلحات الرئيسية الثلاثة: الذكاء الاصطناعي ، والتعلم الآلي ، والتعلم العميق. يتم استخدامهما أحيانًا بالتبادل ، لكنهما مختلفان. ببساطة ، التعلم الآلي هو مجموعة فرعية من التقنيات المستخدمة في الذكاء الاصطناعي. التعلم العميق هو مجموعة فرعية من التقنيات المستخدمة في التعلم الآلي .

تقوم مدونة Nvidia بعمل جيد في تلخيص العلاقة بين المصطلحات الثلاثة. كما يوفر نظرة عامة مفيدة على الموجات الثلاث لتطوير الذكاء الاصطناعي. كانت الموجة الأولى من الذكاء الاصطناعي في الخمسينيات والستينيات من القرن الماضي وشهدت بعض المعالم الرئيسية الأولى مثل عندما فاز IBM 701 بلعبة الداما على المدقق روبرت نيلي. في الثمانينيات والتسعينيات ، تغلب ديب بلو على السيد البشري كاسباروف في لعبة الشطرنج. في مارس 2016 ، تغلب AlphaGo على لاعب Go رقم 1 Lee Sedol. في كل مرة يتغلب فيها الذكاء الاصطناعي على أساتذة البشر في الألعاب ، كان يطلق شرارة مرحلة جديدة من الضجيج للذكاء الاصطناعي. بعد ذلك ، نظرًا لعدم قدرة التكنولوجيا على تقديم تطبيقات تلبي توقعات الجمهور ، سيتحول ضجيج الذكاء الاصطناعي إلى شتاء الذكاء الاصطناعي ، مع تضاؤل ​​الاستثمارات والمنح البحثية.

كما ذكرنا سابقًا ، يعد التعلم الآلي مجموعة فرعية من الذكاء الاصطناعي. وفقًا لـ Nvidia ، فإن التعلم الآلي في أبسط صوره هو "ممارسة استخدام الخوارزميات لتحليل البيانات ، والتعلم منها ، ثم اتخاذ قرار أو توقع بشأن شيء ما في العالم. لذا فبدلاً من إجراءات برمجيات الترميز اليدوي مع مجموعة محددة من التعليمات لإنجاز مهمة معينة ، يتم "تدريب" الآلة باستخدام كميات كبيرة من البيانات والخوارزميات التي تمنحها القدرة على تعلم كيفية أداء المهمة ". مثال شائع جدًا للتعلم الآلي هو مرشح البريد العشوائي. يمكن لمرشح البريد العشوائي من Google التعرف على البريد العشوائي عن طريق تحديد الكلمات المشغلة مثل "أمير" و "نيجيريا" و "ساعة فاخرة". ويمكنه أيضًا الاستمرار في "التعلم" من التصنيف اليدوي للمستخدمين للبريد العشوائي. على سبيل المثال ، فات مرشح البريد العشوائي في Google رسالة بريد إلكتروني بها رسالة "أرسل 1000 دولار للحصول على عقار السرطان الحصري هذا إلى الحساب المصرفي التالي". بمجرد أن يصنفها المستخدم على أنها رسالة غير مرغوب فيها ، يحلل Gmail جميع الكلمات الرئيسية في هذا البريد الإلكتروني المحدد ، و "يتعلم" معالجة رسائل البريد الإلكتروني التي تحتوي على الكلمات المركبة من "1000 دولار" و "المخدرات" و "الحساب المصرفي" كرسائل غير مرغوب فيها من الآن فصاعدًا. هناك العديد من النماذج الرياضية التي يستخدمها المحترفون للقيام بالتعلم الآلي ، مثل الانحدار ، واللوجستيات ، وشبكات بايز ، والتكتل.

ما الذي يميز هذه الموجة من الذكاء الاصطناعي؟

هذه الموجة من الذكاء الاصطناعي مدفوعة بشعبية التعلم العميق . كمجموعة فرعية من التعلم الآلي ، لم يتم اختراع التعلم العميق مؤخرًا. في الواقع ، وفقًا لـ Wikipedia ، "تم نشر أول خوارزمية تعليمية عاملة عاملة للإدراك الخاضع للإشراف والعميق والتغذية إلى الأمام ومتعدد الطبقات بواسطة Alexey Ivakhnenko و Lapa في عام 1965". ومع ذلك ، نظرًا لأن قوة الحوسبة والبيانات لم تكن متقدمة بما يكفي لدعم التطبيق التجاري الشامل لتقنيات التعلم العميق ، فإنها لم تكتسب شعبية حتى عام 2006 عندما نشر جيفري هينتون وآخرون ورقتهم الأساسية ، "خوارزمية التعلم السريع للإيمان العميق نتس ". على الرغم من شتاء الذكاء الاصطناعي في التسعينيات والنصف الأول من عام 2000 ، يواصل عدد قليل من العلماء ، بما في ذلك المعلمون الأكاديميون الثلاثة للتعلم العميق ، جيفري هينتون ، ويان ليكون ، ويوشوا بنجيو ، العمل على التعلم العميق في المجال الأكاديمي. إن الاختراق السريع لقوة الحوسبة ، على سبيل المثال ، الحوسبة السحابية ووحدات معالجة الرسومات ، إلى جانب توفر البيانات الضخمة من خلال الاقتصاد الرقمي ، جعلت من الممكن تنفيذ خوارزميات التعلم العميق في العقد الماضي. على سبيل المثال ، بدأت أبحاث السيارات ذاتية القيادة من Google في عام 2009.

من الناحية الفنية ، يمكن تعريف التعلم العميق على أنه "فئة من خوارزميات التعلم الآلي التي:

• استخدام سلسلة من طبقات متعددة من وحدات المعالجة غير الخطية لاستخراج المعالم وتحويلها. تستخدم كل طبقة متتالية الإخراج من الطبقة السابقة كمدخل.
• التعلم في سلوكيات خاضعة للإشراف (مثل التصنيف) و / أو غير خاضعة للرقابة (مثل تحليل الأنماط).
• تعلم مستويات متعددة من التمثيلات التي تتوافق مع مستويات مختلفة من التجريد ؛ المستويات تشكل تسلسلاً هرميًا للمفاهيم ".

المفتاح هو "طبقات متعددة" ، مقارنة بالتعلم الآلي التقليدي. على سبيل المثال ، كيف تميز قطة عن كلب؟ إذا كنت ستستخدم التعلم الآلي ، فيمكنك استخراج بعض الميزات المشتركة لكل من الكلاب والقطط ، مثل أذنين ، ووجه فروي ، والمسافة بين العينين والأنف والفم ، وما إلى ذلك ، وقد تحصل على نتيجة تقول الصورة 50٪ كلب ، 50٪ قطة - ليست مفيدة جدًا. ومع ذلك ، باستخدام التعلم العميق ، لا تعرف حتى السمات المميزة للقطط مقابل الكلب ، ولكن الآلة ، من خلال طبقات متعددة لإنشاء ميزات جديدة ومئات (أو الآلاف) من النماذج الإحصائية ، ستوفر المزيد إخراج دقيق - على سبيل المثال 90٪ كلب ، 10٪ قط. يوضح المخططان أدناه كيف "تتعلم" الشبكة العصبية ، والفرق بين التعلم الآلي الكلاسيكي والشبكات العصبية.

قد يُترك القراء في حيرة من أمرهم بعد قراءة ما ورد أعلاه ، وهذا صحيح. لكن بالعودة إلى هدفنا الأصلي: من وجهة نظر المستثمر ، ما الذي يميز التعلم العميق؟ يمكن للمرء أن يجيب على هذا السؤال بالعديد من التفسيرات الفنية المعقدة الأخرى ، ولكن في الحقيقة ببساطة ، فإن الرسم البياني أدناه على اليسار يقوم بعمل رائع في توضيح الأمر حقًا: يتيح التعلم العميق أداءً أقوى بكثير من خوارزميات التعلم الأخرى. خذ مثال التعرف على الكلام كما هو مفصل في مدونة Microsoft (الرسم البياني أدناه على اليمين): كان معدل خطأ التعرف على الكلام الأصلي لعام 1988 60-70٪ ، بينما كان نظام Microsoft الجديد الذي يستخدم التعلم العميق 6.3٪ فقط في 2014.

المكونات الرئيسية لتطبيقات الذكاء الاصطناعي الناجحة

أعتقد أن هناك 4 مكونات رئيسية لنجاح منتج التعلم الآلي (بما في ذلك التعلم العميق): المشكلات المرغوبة المحددة جيدًا والبيانات والخوارزمية (الخوارزميات) وقوة الحوسبة .

أولاً وقبل كل شيء ، يحتاج تطبيق الذكاء الاصطناعي إلى حل مشكلة محددة جيدًا (محددة) ومرغوبة (تستهدف نقاط ألم العميل الملحة والواضحة) . فكر في الألعاب المختلفة التي تم تعليم الكمبيوتر لعبها عبر 3 موجات مختلفة من الذكاء الاصطناعي: المدقق ، الشطرنج ، انطلق. لقد كانت مشاكل محددة جيدًا وبالتالي يسهل على الكمبيوتر حلها. التعرف على الوجوه ، الترجمة الآلية ، السيارات بدون سائق ، تحسين محرك البحث ، كلها مشاكل مرغوبة محددة جيدًا. ومع ذلك ، فإن عدم وجود مشاكل مرغوبة محددة جيدًا هو سبب صعوبة إنتاج ، على سبيل المثال ، روبوت عام لتنظيف المنزل. تتطلب المهام المنزلية البسيطة ، مثل تجميع الأكواب ووضع الملابس في السلة ، حل العديد من المشكلات. على سبيل المثال ، يتطلب الأمر من الماكينة تحديد الأشياء التي يجب التقاطها (أكواب ، ملابس متسخة وليس غسيلًا نظيفًا ، وما إلى ذلك) ، وإلى أين تذهب ، وكيفية الذهاب إلى هناك (تجنب العقبات في المنزل والسفر إلى المكان المطلوب الموقع) ، والتعامل مع كل شيء بالطاقة المطلوبة حتى لا يكسر الكوب أو الغسيل ، إلخ.

ثانيًا ، يتطلب تطوير خوارزمية التعلم الآلي الوصول إلى بيانات نظيفة ومُصنَّفة جيدًا . هذا لأن هذه الخوارزميات مبنية عن طريق تغذية نماذج إحصائية مختلفة بكمية كبيرة من البيانات التي تم تصنيفها جيدًا ، لإنشاء العلاقات التنبؤية الضرورية. قد يكون تمرين جمع البيانات هذا صعبًا أو سهلاً ، اعتمادًا على التطبيق التجاري الذي تقوم بتطويره. على سبيل المثال ، لجمع البيانات الضرورية المطلوبة لتطوير خوارزمية رؤية الكمبيوتر لحقول العنب والنبيذ ، احتاج بدء التشغيل الخاص بي إلى صور ميدانية من مواقع مختلفة ذات أصناف مختلفة وأكثر صعوبة - مواسم مختلفة. مع كون كل موسم عامًا واحدًا ، سوف يستغرق الأمر سنوات للحصول على منتجات مرضية. في المقابل ، إذا كنت ترغب في تطوير خوارزمية جيدة للتعرف على الوجه في الصين ، لجمع 10 ملايين صورة على سبيل المثال ، فأنت تحتاج فقط إلى إعداد كاميرا في شارع مزدحم في بكين لمدة أسبوع وإكمال المهمة. مثال آخر هو Toutiao ، مجمع الأخبار المخصص رقم 1 الذي يعمل بالذكاء الاصطناعي في الصين ، والذي يتعرف على تفضيلات الأخبار الشخصية ويعرض لك فقط الأخبار الأكثر صلة بك. جمع البيانات ، في هذه الحالة ، مرة أخرى أسهل بكثير ، على سبيل المثال عدد المقالات التي تقرأها في كل فئة أخبار ، ومقدار الوقت الذي تقضيه في كل مقالة ، وما إلى ذلك.

ثالثًا ، تحتاج أعمال الذكاء الاصطناعي إلى تطوير خوارزميات قوية وقابلة للتطوير . لتحقيق ذلك ، هناك ثلاثة أشياء لا غنى عنها: كمية كبيرة من البيانات المصنفة جيدًا (كما تمت مناقشته أعلاه) ، والموهبة المناسبة ، والثقة في أن التعلم العميق هو التكنولوجيا الصحيحة لحل المشكلة. تحتاج أعمال الذكاء الاصطناعي إلى امتلاك المواهب المناسبة لتطوير الخوارزميات اللازمة ، لكنها عالية التخصص ومكلفة ونادرة. على سبيل المثال ، عندما كنت أبحث عن توظيف لبدء التشغيل الخاص بي ، اكتشفت أنني ، على الأقل ، كنت بحاجة إلى علماء بيانات (عادةً حاصلين على درجة الدكتوراه) لتطوير نماذج أولية للخوارزمية ، ومهندسين لتصميم الأطر ، والمبرمجين (TensorFlow ، Python ، C ++ ، إلخ) للترميز في برامج قابلة للتطوير ، ويقوم الأشخاص بتجميعها معًا (مدير المنتج ، UX ، واجهة المستخدم ، إلخ).

اعتبار آخر هو قوة الحوسبة . لماذا ا؟ لأن الشبكات العصبية للتعلم العميق تتطلب الكثير من الحسابات أكثر من أساليب الذكاء الاصطناعي الأخرى. على سبيل المثال ، بالنسبة لنفس مهمة تحديد كلب في صورة ما ، قد يحتاج تدريب النموذج باستخدام خوارزمية التعلم غير العميق ، على سبيل المثال ، إلى 10 نماذج إحصائية بمجموعة بيانات 1 جيجابايت. قد يحتاج نموذج الشبكات العصبية العميقة ، على سبيل المثال ، إلى 1000 نموذج إحصائي يعمل من خلال مجموعة بيانات تبلغ 100 جيجابايت. النتائج أفضل باستخدام الشبكات ، لكن القوة الحسابية المطلوبة أكبر بكثير. نتيجة لذلك ، لا تتطلب هذه النماذج جهاز كمبيوتر واحدًا فقط (مثل ما نفعله على جهاز الكمبيوتر الشخصي لدينا) ، ولكن تتطلب الحوسبة الموزعة مع كل وحدة معالجة رسومات (GPU) ، على سبيل المثال ، 5٪ من الحساب ، بحيث يمكن لـ 20 وحدة معالجة رسومات معًا التعامل مع الحجم الحسابي المطلوب. وهذا بدوره يعني الاضطرار إلى بناء خوادم مجموعة GPU الخاصة بك أو استئجار قوة الحوسبة من منصات مثل AWS. تعد قوة الحوسبة من الحوسبة السحابية أو الخوادم الخاصة بك مكلفة ، على الرغم من الإنصاف أن تكلفة وحدة الحوسبة يجب أن تنخفض باستمرار (وفقًا لقانون مور).

خاتمة

يعتقد الكثيرون أن الوقت الحالي هو أفضل وقت لرؤية اختراقات الذكاء الاصطناعي والشركات الناشئة ، لأن التحول الرقمي للعديد من الصناعات والإنترنت للمستهلكين يوفر قدرًا كبيرًا من البيانات الرقمية التي تم جمعها بشكل هادف ومنظمة بشكل نظيف. إن تطوير GPU من Nvidia و FPGA من Intel يجعل إجراء الحسابات اللازمة أرخص بكثير وأسرع. وبالتالي ، فإن موجة الابتكار الحالية للذكاء الاصطناعي مدفوعة بأوجه التقدم المهمة في التعلم العميق .

ولكن لكي يكون تطبيق الذكاء الاصطناعي ناجحًا ، يحتاج المرء إلى مشكلة مرغوبة محددة جيدًا ، وبيانات ، وخوارزمية ، وقدرة حاسوبية كبيرة. بالنسبة للمديرين التنفيذيين الذين يقرؤون هذه المقالة ويفكرون في استخدام الذكاء الاصطناعي لتمكين أعمالهم ، فإن المكونات الرئيسية الأربعة المذكورة أعلاه تنطبق أيضًا.

كيف يمكنك معرفة المزيد عن الذكاء الاصطناعي؟ هناك الكثير من الكتب والندوات ودورات كورسيرا والأوراق البحثية والمنظمات مثل التعلم العميق للتعرف على الذكاء الاصطناعي. نظرًا لأن التركيز في هذه المقالة موجه للمستثمرين الذين يرغبون في معرفة أساسيات الذكاء الاصطناعي ، لم أتطرق إلى العديد من موضوعات الذكاء الاصطناعي الساخنة مثل إمكانات الذكاء الاصطناعي كتهديد ، والتوقعات المستقبلية للصناعة ، واستثمارات الذكاء الاصطناعي ، والمحترفين وسلبيات الخوارزميات المختلفة (مثل CNN) ، والنماذج الأولية مقابل القياس ، ولغات البرمجة الرئيسية ، وما إلى ذلك. في الجزء الثاني من هذه السلسلة ، سوف أتعمق في كيفية تقييم شركات الذكاء الاصطناعي من منظور المستثمر.