مهندسو الذكاء الاصطناعي: الخرافات مقابل الحقائق
نشرت: 2018-05-08شهد الذكاء الاصطناعي نموًا سريعًا في المجالات التي وجد صلة بها. من الثلاجات الذكية إلى السيارات ذاتية القيادة - كل شيء هو نتيجة لخوارزميات الذكاء الاصطناعي المتطورة. من المسؤول عنها؟ مهندسو الذكاء الاصطناعي.
يُعتقد أن الذكاء الاصطناعي هو نفسه التعلم الآلي ، ولكن في الواقع ، الأخير هو مجموعة فرعية من الأول. يعد الذكاء الاصطناعي مجالًا واسعًا به تطبيقات متنوعة ، ولكنه أيضًا أحد أكثر المجالات صعوبة للعمل فيه. يهدف الذكاء الاصطناعي إلى نقل الآلات القدرة على تقليد البشر في كل جانب تقريبًا - وهو أمر أكثر صعوبة مما يبدو. الآلات بطبيعتها هي أجهزة غبية وتتطلب الكثير من البيانات وقوة الحوسبة وجهود التعلم. 
غالبًا ما يشترك محترفو الذكاء الاصطناعي الأكثر نجاحًا في الخصائص المشتركة والحب للآلات التي تسمح لهم بالازدهار في حياتهم المهنية. يتطلب العمل باستخدام الذكاء الاصطناعي عملية تفكير تحليلي ومنطقي للغاية ، والقدرة على حل المشكلات الأكثر تحديًا بشكل أكثر فعالية من حيث التكلفة والكفاءة. من المتوقع أن يتمتع مهندسو الذكاء الاصطناعي ببصيرة واضحة حول الابتكارات التكنولوجية التي تترجم إلى أحدث البرامج التي تتيح للشركات أن تظل قادرة على المنافسة.
الذكاء الاصطناعي: الاستيلاء أو الاستيلاء
علاوة على ذلك ، يحتاج متخصصو الذكاء الاصطناعي أيضًا إلى التسلح بالمهارات التقنية المطلوبة لتصميم أنظمة وبرامجهم وتطويرها وصيانتها ومراقبتها وإصلاحها. أخيرًا ، يجب أن يكون محترفو الذكاء الاصطناعي بارعين في ترجمة المعلومات عالية التقنية بطرق مفهومة حتى لمن هم من خلفية غير تقنية. إنهم بحاجة إلى العمل بالتعاون مع بقية المنظمة لتحقيق أكثر النتائج ثاقبة.
حسنًا ، الآن بعد أن وصلنا إلى نفس الصفحة فيما يتعلق بالأدوار الوظيفية لمهندس الذكاء الاصطناعي ، دعونا نلقي نظرة على بعض المهارات الهامة التي يجب أن يمتلكها أي متخصص في الذكاء الاصطناعي.
تشكل أساسيات علوم الكمبيوتر والرياضيات العمود الفقري لمعظم برامج الذكاء الاصطناعي. تتطلب وظائف مستوى الدخول درجة البكالوريوس على الأقل بينما تتطلب الوظائف التي تتطلب الإشراف أو القيادة أو الأدوار الإدارية في كثير من الأحيان درجة الماجستير أو الدكتوراه.
يجب أن يكون أي مهندس طموح في مجال الذكاء الاصطناعي مرتاحًا لما يلي:
- مستويات مختلفة من الرياضيات ، بما في ذلك الاحتمالات والإحصاء والجبر وحساب التفاضل والتكامل.
- الشبكات البايزية أو النمذجة الرسومية ، بما في ذلك الشبكات العصبية.
- الفيزياء والهندسة والروبوتات.
- علوم الحاسوب ولغات البرمجة والترميز.
- نظرية العلوم المعرفية.
ينمو مجال الذكاء الاصطناعي باستمرار وقد أدى إلى ظهور العديد من التقنيات الجديدة التي يعمل عليها مطورو / مهندسو الذكاء الاصطناعي باستمرار. دعونا نرى ما هم:
جدول المحتويات
معالجة اللغة الطبيعية وتحليلات النص
يستخدم البرمجة اللغوية العصبية ويدعم تحليلات النص. يساعد البرمجة اللغوية العصبية في فهم أي جملة تُقال بلغة طبيعية فيما يتعلق بالبنية والمشاعر والنية والمعنى من خلال الأساليب الإحصائية. يجد البرمجة اللغوية العصبية (NLP) استخدامًا مكثفًا في الكشف عن الاحتيال والأمن ، ومجموعة واسعة من المساعدين الآليين (Siri ، على سبيل المثال) ، وتطبيقات لاستخراج البيانات غير المنظمة.
دليل المبتدئين لفهم اللغة الطبيعية
الوكلاء الظاهريون
من روبوتات المحادثة البسيطة إلى الأنظمة المتقدمة التي يمكنها التفاعل بسلاسة مع البشر ، أصبح كل هذا ممكنًا بفضل مهندسي الذكاء الاصطناعي والذكاء الاصطناعي. يتزايد استخدام روبوتات المحادثة هذه والوكلاء الافتراضيين حيث تدرك المؤسسات أهمية روبوتات المحادثة لخدمة العملاء والدعم.
أجهزة مُحسّنة للذكاء الاصطناعي
تحتاج الأجهزة إلى أن تصبح أكثر ملاءمة مع نمو الذكاء الاصطناعي والتقنيات ذات الصلة. وماذا يعني ذلك؟
وحدات معالجة الرسومات (GPU) والأجهزة المصممة والمطورة خصيصًا لتشغيل وظائف الحوسبة الموجهة للذكاء الاصطناعي بكفاءة. لديهم تأثير هائل على تطبيقات التعلم العميق. بعض البائعين الذين يطورون وحدات معالجة الرسومات مثل Cray و Google و IBM و Intel و Nvidia.
القياسات الحيوية
تتعامل القياسات الحيوية مع تحديد وقياس وتحليل الجوانب الفيزيائية لجسم الإنسان. يسمح بتفاعلات طبيعية أكثر بكثير بين البشر والآلات التي تهتم بالتفاعلات المتعلقة بلمس لغة الجسد ورؤيتها والتحدث بها والتعرف عليها.
منصات التعلم العميق
تأخذ منصات التعلم العميق الذكاء الاصطناعي والتعلم الآلي إلى مستوى جديد تمامًا من خلال العمل مع الشبكات العصبية المتقدمة مع طبقات التجريد المختلفة. تحاكي هذه التقنية الدماغ البشري من خلال معالجة البيانات وإنشاء أنماط تساعد في صنع القرار.
5 تطبيقات متطورة للتعلم الآلي
الآن ، دعنا نطلعك على بعض الخرافات والمفاهيم الخاطئة - نحن على يقين من أنك ، أيضًا ، تضع بعضًا منها في الاعتبار. دعونا معا نكسرهم!
الخرافة رقم 1: يفكر الذكاء الاصطناعي تمامًا مثل أي شخص - يمكنه حل جميع المشكلات التي يستطيع البشر حلها.
لا يوجد شيء مثل الذكاء العام في الذكاء الاصطناعي حتى الآن ، وربما لسنا بحاجة إليه أيضًا. إذا كان هناك أي شيء ، فإن الذكاء الاصطناعي اليوم يركز أكثر على تعليم الليمور كيفية الحصول على الطعام وليس ترك الشمبانزي يكتشف ذلك بنفسه. تم تطوير معظم وظائف الذكاء الاصطناعي لغرض معين ، مثل معالجة اللغة الطبيعية (NLP) أو التعرف على الصور أو محركات البحث أو الألعاب أو التنبؤات أو ميزات محددة في السيارات ذاتية القيادة. هذا غالبًا ما يجلب قيمة عمل أعلى من الذكاء العام. يفضل الاختصاصي دائمًا على الاختصاصي.
الخرافة الثانية: الذكاء الاصطناعي هو نفس التعلم الآلي أو التعلم العميق.
غالبًا ما يتم تفسير الذكاء الاصطناعي بشكل خاطئ من أجل ML أو التعلم العميق أو حتى المعالجة المعرفية. ومع ذلك ، فإن الحقيقة هي أن ML هو جزء من الذكاء الاصطناعي حيث تقوم تغذية البيانات بتدريب الجهاز بانتظام. كما ذكرنا سابقًا ، فإن الذكاء الاصطناعي أوسع من ذلك ويشكل مجموعة شاملة من التقنيات التي ذكرناها.
5 تطبيقات لمعالجة اللغة الطبيعية للشركات في 2018
الخرافة الثالثة: مهندسو الذكاء الاصطناعي يطورون النظام مرة واحدة ، ويستمر في التعلم من تلقاء نفسه بعد ذلك.
فقط لو! حتى التعلم الآلي ، وهو مجموعة فرعية من الذكاء الاصطناعي ، لا يزال من الصعب للغاية تنفيذه. بالطبع هناك تحديات أسهل وأصعب ، ولكن بشكل عام ، فإن الحصول على هذه الخوارزميات لتناسب احتياجات عملك هو مهمة في حد ذاته. غالبًا ما تكون الخوارزميات سهلة الفهم ، لكن التحدي يكمن في اختيار الخوارزمية الصحيحة للمشكلة وتقديم البيانات إلى الخوارزمية بالطريقة الصحيحة. وهذا يتطلب معرفة شاملة بالمشكلة بالإضافة إلى فهم شامل لقدرات وقيود الخوارزميات والنماذج. ومما يزيد الأمور تعقيدًا حقيقة أن الآلات تتطلب المقدار الصحيح من التدريب للحصول على الذكاء الاصطناعي.
يحتاج هذا التدريب إلى بيانات دقيقة في أفضل شكل ممكن. علاوة على ذلك ، فإن البيانات المستخدمة في التدريب ديناميكية بشكل غير عادي وتتقادم إذا لم يتم استخدامها في الوقت المناسب. لذلك ، يحتاج مهندسو الذكاء الاصطناعي أيضًا إلى إجراء التكرارات بعد التكرارات على نظامهم للتأكد من أنه يعمل بسلاسة مع مثل هذه البيانات الديناميكية.
الخرافة الرابعة: يمكن لخوارزميات الذكاء الاصطناعي إنشاء أنظمة ذكية بطريقة سحرية. جودة البيانات التي يتم تغذيتها ليست ذات صلة بالذكاء الاصطناعي.
الذكاء الاصطناعي هو أي شيء سوى "التحميل والانطلاق". لن يكون الذكاء الاصطناعي مفيدًا كثيرًا إذا كانت لديك بيانات واسعة للغاية أو غير معالجة. هذه البيانات غير قابلة للهضم لأي نظام وستؤدي غالبًا إلى نتائج خاطئة. بدلاً من استيعاب أي شيء وكل شيء ، يحتاج مهندس الذكاء الاصطناعي إلى تنظيم البيانات بعناية والتأكد من أنها بأعلى جودة ممكنة. الخوارزمية ليست سوى برنامج ، والبرنامج يتطلب بيانات للعمل معها. كلما كانت البيانات أفضل ، كانت النتائج أفضل.
الخرافة الخامسة: الذكاء الاصطناعي هو مجال جديد للغاية.
صاغ جون مكارثي مصطلح "الذكاء الاصطناعي" في عام 1956 ثم واصل تعريف المجال لأكثر من خمسة عقود. لذلك ، على الرغم من أن مفهوم الذكاء الاصطناعي ليس جديدًا ، إلا أنه أكثر انتشارًا في العالم اليوم.
الفرق بين علم البيانات والتعلم الآلي والبيانات الضخمة!
آه! هذا عن الأساطير المحيطة بمهندسي الذكاء الاصطناعي. لا تخبرنا إذا كنت قد سمعت المزيد من هذه الأساطير ، وسنساعدك أيضًا على كسر ذلك! سنعود مع Mythbusters الآخرين.
تعلم دورة ML من أفضل الجامعات في العالم. احصل على درجة الماجستير أو برنامج PGP التنفيذي أو برامج الشهادات المتقدمة لتسريع مسار حياتك المهنية.
