الذكاء الاصطناعي والتعلُّم العميق

«قُلِ الرُّوحُ مِنْ أَمْرِ رَبِّي وَمَا أُوتِيتُمْ مِنَ الْعِلْمِ إِلَّا قَلِيلًا» [الإسراء: 85]
في البرمجة التقليدية، ينحو المبرمج إلى كتابة تعليمات صريحة للحاسب، وتكون التعليمات خطوة بخطوة من أجل إنجاز مهمة محددة. أما المنهجية التي تتبع للبرمجة في الذكاء الاصطناعي فهي مبنية على التدريب لا التلقين. وتسمى هذه الطريقة بتعلم الآلة (machine learning). وتعمل من خلال ما يطلق عليه الشبكات العصبية الاصطناعية المحاكية في عملها لخلايا دماغ الإنسان، والتي يتم تدريبها من خلال مجموعة ضخمة من البيانات للتعرف على الأشياء في الصور، أو لفهم الكلمات المنطوقة أو المكتوبة. ولكن لا بد من تدخل الإنسان لمساعدة الشبكات العصبية في تحديد التصنيفات والصفات المهمة لهذه الأشياء.
والحقيقة، أن مفهوم الشبكات العصبية ليس شيئًا جديدًا، فهو يعود إلى الخمسينيات من القرن الماضي. ما استجد في الأمر، هو ما توفر اليوم من قدرة حاسوبية فائقة، بالإضافة إلى قدرة التخزين الهائلة، ما جعل الشبكات العصبية تعمل بشكل جيد، نتيجة الكم الهائل من البيانات التي تضخ في عملية التدريب وسرعة إنجازها.
واليوم نشهد انتقالا من تعلم الآلة إلى التعلم العميق (deep learning). فتعلم الآلة يتعلق بمساعدة البشر لأجهزة الحاسب لتقوم بعملها. أما التعلم العميق فهو يعني أن هذه الأنظمة تتعلم من تلقاء نفسها من خلال البيانات التي تجمعها. فهناك قدرات جديدة تأتي من التجارب الذاتية للذكاء الاصطناعي، من خلال سيل متواصل من الحالات التي تتدرب عليها الشبكات العصبية تلقائيا.
ومثال على ذلك، لو أردنا تدريب الشبكات العصبية للتعرف على شكل القط، فالمنهج هنا لا يتم بوصف فرو القط أو أذنيه أو عينيه أو ذيله، ولكن ببساطه من خلال عرض الآلاف من صور القطط المختلفة على الشبكات العصبية. ولو أخطأ الحاسب فيما بعد، وصنّف قطًّا على أنه أرنب، فالحل يكون في تدريبه على المزيد والمزيد من صور القطط أو إيجاد تغذية مستمرة من صور القطط لتصويب قراره، وليس إعادة كتابة التعليمات البرمجية.
ومثال آخر على التعلم العميق هو تعليم الشبكات العصبية في المركبة ذاتية القيادة على التعرف على لوحة الوقوف في الشارع. فيتم تعليم الآلة على شكل، ولون، وحجم اللوحة، ورمز الوقوف وحروفه (قف، STOP)، من خلال عدد كبير من الصور. ولكن المركبة قد لا تستطيع التعرف على لوحة الوقوف حين يكون الجو مغبرًا، أو مصحوبًا بالضباب، أو عندما يحول جسم ما، بين المركبة ولوحة الوقوف. والحل لهذه المشكلة هو في التدريب. فالشبكة العصبية بحاجة إلى تدريب نفسها من خلال مئات الألوف أو الملايين من صور لوحة الوقوف؛ حتى تتمكن من التعرف على لوحة الوقوف وتمييزها بدقة في مختلف الظروف والأوقات.
وقد طورت شركة (جوجل) عن طريق التعلم العميق نظام ذكاء اصطناعي تغلب هذا العام على أفضل لاعب من البشر في لعبة إستراتيجيات قديمة تسمى «غو.» وهي لعبة تعتبر أكثر تعقيدا من لعبة الشطرنج بكثير، وقد نشأت في آسيا قبل نحو 2500 سنة. وخلافا لبرنامج «ديب بلو» الذي أنتجته شركة «آي بي إم،» واستطاع هزيمة بطل الشطرنج «غاري كاسباروف» في العام 1997م، لم يكن برنامج جوجل المسمى «ألفاغو» (AlphaGo) مبرمجًا بالمعادلات أو قواعد القرار التي ترشده في كيفية اللعب. المدهش في الأمر أن برنامج «ألفاغو» قد تعلم اللعب بدون أي مساعدة إنسانية تذكر. فقد بدأ البرنامج بدراسة قاعدة بيانات مكونة من نحو 100,000 مباراة بين لاعبين من المحترفين، ومن ثم واصل البرنامج اللعب ضد نفسه ملايين المرات. وخلال هذه المرات، أعاد برمجة نفسه وتحسين أدائه.
وقد أدى التقدم الهائل في مجال التعلم العميق خلال الاثني عشر شهرا الماضية إلى أن تصل دقة الشبكات العصبية في عملها إلى نحو 99% في كثير من التطبيقات، بعد إن كانت لسنوات قليلة مضت لا تتجاوز 95%، مما ساهم بنقل هذه التقنية بشكل متسارع إلى مجال الاستخدام في مختلف الأعمال. وكمثال على ذلك، يقول مسؤول المخاطر بشركة «أميريكان أيكسبريس» إن التعلم العميق يساعد على اتخاذ القرار في حماية نحو تريليون دولار من عمليات شراء العملاء كل عام. ويتم ذلك بسرعة فائقة تقدر بأقل من 2 بالألف من الثانية في كل عملية.
معظم تطبيقات الذكاء الاصطناعي اليوم ليست من مخرجات التعلم العميق. فأغلب تطبيقات التعلم العميق التي تم طرحها تجاريا حتى الآن، تقتصر على الشركات التي تتوفر لديها كميات هائلة من البيانات، مثل جوجل، ومايكروسوفت، وفيسبوك، وبايدو.
ولكن بحلول العام 2020م، تتوقع مؤسسة الدراسات والأبحاث العالمية «غارتنر» أن يؤدي التعلم العميق إلى قيام البرامج الذكية المستقلة والتي تعمل خارج سيطرة الإنسان بالمساهمة ب 5% من جميع المعاملات الاقتصادية. وبحلول العام 2018م، سيكون هناك أكثر من 3 ملايين من العاملين في العالم، يشرف عليهم أشخاص آليّون.
لقد حقق التعلم العميق نجاحات مذهلة في الآونة الأخيرة، حيث بلغ أو تجاوز الأداء البشري في التعرف على الصور والكلام، والترجمة الآلية، والألعاب. والمتوقع أن نرى قريبًا تقدما في التعلم الآلي بدون أي إشراف بشري، مع تطور في وضوح الحديث الآلي ودقة أكثر في التعرف على الصور. وسوف تصبح خوارزميات التعلم العميق أكثر كفاءة بحيث يكون من الممكن تشغيلها على الأجهزة المحمولة وبأسعار معقولة.