ما هو الذكاء الاصطناعي؟

Alexandra Klepper

تاريخ النشر: 17 شباط (فبراير) 2024، تاريخ التعديل الأخير: 22 نيسان (أبريل) 2025

يشمل الذكاء الاصطناعي (AI) العديد من التكنولوجيات المعقدة والناشئة التي كانت تتطلّب في السابق تدخلًا بشريًا ويمكن الآن أن ينفّذها جهاز كمبيوتر. بشكل عام، الذكاء الاصطناعي هو برنامج أو نموذج أو جهاز كمبيوتر غير بشري يُظهر مجموعة كبيرة من مهارات حلّ المشاكل والإبداع. يمكن للأجهزة تنفيذ وظائف متقدّمة، والتي كانت تُستخدَم في السابق للقيام بعمليات قراءة فهم المعلومات واقتراحها. باستخدام الذكاء الاصطناعي التوليدي، يمكن للأجهزة إنشاء محتوى جديد.

غالبًا ما يتم استخدام الاختصار AI بالتبادل لتمثيل أنواع مختلفة من التكنولوجيات في مجال الذكاء الاصطناعي، ولكن يمكن أن تختلف إمكانات الذكاء الاصطناعي بشكل كبير.

يمكنك العثور هنا على عدد من المصطلحات والمفاهيم المتعلّقة بالذكاء الاصطناعي على الويب. لمزيد من المعلومات عن تعلُّم الآلة، راجِع مسرد تعلُّم الآلة.

كيف يعمل الذكاء الاصطناعي (AI)؟

التدريب هو الخطوة الأولى لكل نموذج، حيث ينشئ مهندسو تعلُّم الآلة خوارزمية لتقديم مدخلات محدّدة للنموذج وتحديد المخرجات المثلى. بشكل عام، لا يحتاج مطوّرو الويب إلى تنفيذ هذه الخطوة، ولكن قد تستفيد من فهم كيفية تدريب نموذج معيّن. على الرغم من أنّه من الممكن تحسين النموذج، من الأفضل قضاء وقتك في اختيار أفضل نموذج لمهمتك.

الاستنتاج هو عملية استخلاص النتائج من خلال النموذج استنادًا إلى البيانات الجديدة. وكلما زادت عمليات تدريب النموذج في مجال معيّن، زادت احتمالية أن ينتج الاستنتاج نتيجة مفيدة وصحيحة. ومع ذلك، لا يمكن ضمان اكتمال عملية المحاولة، بغض النظر عن مقدار التدريب الذي تلقّاه النموذج.

على سبيل المثال، يستخدم تطبيق Green Light نموذجًا للذكاء الاصطناعي تم تدريبه على بيانات من "خرائط Google" لفهم أنماط حركة المرور. معتلقّي المزيد من البيانات، يتم إجراء الاستنتاج لتقديم اقتراحات ل تحسين إشارات المرور.

أين يتم تنفيذ الذكاء الاصطناعي؟

تكتمل عملية تدريب الذكاء الاصطناعي قبل طرح النموذج. قد يكون هناك تدريب إضافي مما قد يؤدي إلى إصدارات جديدة من النماذج ذات إمكانات أو دقة أكبر.

يجب أن يهتم مطوّرو الويب بمكان تنفيذ الاستنتاج بالذكاء الاصطناعي. تعتمد تكلفة استخدام الذكاء الاصطناعي إلى حد كبير على الاستنتاج. ويتأثّر أيضًا نطاق قدرات نموذج واحد بشكل كبير.

الذكاء الاصطناعي من جهة العميل

في حين أنّ معظم ميزات الذكاء الاصطناعي على الويب تعتمد على الخوادم، فإنّ الذكاء الاصطناعي من جهة العميل يعمل في متصفّح المستخدم وينفّذ الاستنتاج على جهاز المستخدم. ويؤدي ذلك إلى تقليل وقت الاستجابة وخفض التكاليف من جهة الخادم وإزالة متطلبات مفتاح واجهة برمجة التطبيقات، بالإضافة إلى زيادة خصوصية المستخدمين وإمكانية الوصول إلى البيانات بلا إنترنت. يمكنك تنفيذ تقنيات الذكاء الاصطناعي من جهة العميل التي تعمل على جميع المتصفّحات باستخدام مكتبات JavaScript، بما في ذلك Transformers.js و TensorFlow.js و MediaPipe.

من الممكن أن يحقّق نموذج صغير محسّن من جهة العميل أداءً أفضل مقارنةً بنموذج أكبر من جهة الخادم، خاصةً عند تحسينه لتحسين الأداء. قيِّم حالة الاستخدام لتحديد الحل الأنسب لك.

الذكاء الاصطناعي من جهة الخادم

تشمل الذكاء الاصطناعي من جهة الخادم خدمات الذكاء الاصطناعي المستندة إلى السحابة الإلكترونية. يمكنك اعتبار Gemini 1.5 Pro يعمل على السحابة الإلكترونية. وتكون هذه النماذج عادةً أكبر وأقوى بكثير. وينطبق ذلك بشكل خاص على النماذج اللغوية الكبيرة.

الذكاء الاصطناعي المختلط

يشير الذكاء الاصطناعي المختلط إلى أي حلّ يتضمّن مكوّنَي العميل والخادم. على سبيل المثال، يمكنك استخدام نموذج من جهة العميل لتنفيذ مهمة والرجوع إلى نموذج من جهة الخادم عندما يتعذّر إكمال المهمة على الجهاز.

تعلُّم الآلة

تعلُّم الآلة هو العملية التي يتم من خلالها تعلُّم الكمبيوتر و تنفيذ المهام بدون برمجة صريحة. في حين يسعى الذكاء الاصطناعي إلى إنشاء ذكاء، يتألف تعلُّم الآلة من خوارزميات لإجراء توقّعات حول مجموعات البيانات.

على سبيل المثال، لنفترض أنّنا نريد إنشاء موقع إلكتروني يقدّم تقييمًا لحالة الطقس في أيّ يوم معيّن. في العادة، قد يُجري ذلك عالم أرصاد جوية واحد أو أكثر، يمكنه إنشاء تمثيل للغلاف الجوي للأرض وسطح الأرض، وحساب أنماط الطقس و توقّعها، وتحديد تقييم من خلال مقارنة data الحالية بالسياق السابق.

بدلاً من ذلك، يمكننا تزويد نموذج تعلُّم الآلة بكمية هائلة من بيانات الطقس إلى أن يتعرّف النموذج على العلاقة الرياضية بين أنماط الطقس، والبيانات السابقة، والإرشادات حول ما يجعل الطقس جيدًا أو سيئًا في أي يوم معيّن. لقد أنشأنا هذا القسم على الويب.

الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة

الذكاء الاصطناعي التوليدي هو أحد أشكال تعلُّم الآلة الذي يساعد المستخدمين في إنشاء محتوى يبدو مألوفًا ويشبه إبداع الإنسان. يستخدم الذكاء الاصطناعي التوليدي نماذج لغوية كبيرة لتنظيم البيانات وإنشاء أو تعديل النصوص والصور والفيديوهات والمحتوى الصوتي استنادًا إلى السياق المقدَّم. يتجاوز الذكاء الاصطناعي التوليدي مطابقة الأنماط والتوقّعات.

يحتوي النموذج اللغوي الكبير (LLM) على العديد من المَعلمات (التي تبلغ في الغالب مليارات) التي يمكنك استخدامها لتنفيذ مجموعة كبيرة من المهام، مثل إنشاء النصوص أو الصور أو تصنيفها أو تلخيصها.

أصبحت برامج الدردشة الآلية أدوات رائجة للغاية للمستخدمين لاستخدام الذكاء الاصطناعي التوليدي، بما في ذلك:

  • Gemini من Google
  • ChatGPT من OpenAI
  • Claude من Anthropic
  • Copilot من Microsoft
  • والعديد من الوظائف الأخرى

يمكن لهذه الأدوات إنشاء نثر مكتوب وعينات رموز فنية. يمكن أن تساعدك هذه الميزة في التخطيط لعطلة أو تخفيف حدة نغمة رسالة إلكترونية أو إضفاء طابع احترافي عليها أو تصنيف مجموعات مختلفة من المعلومات إلى فئات.

هناك حالات استخدام لا حصر لها للمطوّرين وغير المطوّرين.

التعلّم العميق

التعلم العميق (DL) هو فئة من خوارزميات تعلُّم الآلة. ومن الأمثلة على ذلك "الشبكات العصبية العميقة" (DNN) التي تحاول وضع نماذج للطريقة التي يُعتقد أنّ الدماغ البشري يعالج بها المعلومات.

يمكن تدريب خوارزمية التعلّم العميق لربط ميزات معيّنة في الصور بتصنيف أو فئة معيّنة. بعد تدريب الخوارزمية، يمكنها إجراء توقّعات لتحديد الفئة نفسها في صور جديدة. على سبيل المثال، يمكن أن تميِّز "صور Google" الفرق بين القطط والكلاب في الصورة.

معالجة اللغات الطبيعية

معالجة اللغات الطبيعية هي فئة من فئات تعلُّم الآلة تركّز على مساعدة أجهزة الكمبيوتر في فهم اللغة البشرية، بدءًا من قواعد أي لغة معيّنة وانتهاءً باللهجات العامية والمصطلحات الخاصة التي يستخدمها الأفراد.

تحديات الذكاء الاصطناعي

هناك العديد من التحديات عند إنشاء الذكاء الاصطناعي واستخدامه. في ما يلي سوى بعض النقاط الرئيسية التي يجب مراعاتها.

جودة البيانات وحداثتها

غالبًا ما تكون مجموعات البيانات الكبيرة المستخدَمة لتدريب نماذج الذكاء الاصطناعي المختلفة قديمة بشكلٍ أساسي بعد وقت قصير من استخدامها. وهذا يعني أنّه عند البحث عن أحدث المعلومات، يمكنك الاستفادة من هندسة الطلبات لتحسين أداء نموذج الذكاء الاصطناعي في مهام معيّنة وتقديم نتائج أفضل.

يمكن أن تكون مجموعات البيانات غير مكتملة أو صغيرة جدًا بحيث لا يمكنها دعم بعض حالات الاستخدام بفعالية. قد يكون من المفيد تجربة العمل باستخدام أدوات متعددة أو تخصيص النموذج لتلبية احتياجاتك.

المخاوف المتعلقة بالأخلاق والتحيز

إنّ تكنولوجيا الذكاء الاصطناعي مثيرة للاهتمام وتوفّر الكثير من الإمكانات. ومع ذلك، في نهاية المطاف، يُنشئ البشر أجهزة الكمبيوتر والخوارزميات، ويتم تدريبها على بيانات قد يتم جمعها من قِبل البشر، وبالتالي تخضع لعدة تحديات. على سبيل المثال، يمكن للنماذج اكتساب التحيزات البشرية والصور النمطية الضارة وتضخيمها، ما يؤثر بدوره مباشرةً في النتيجة. من المهمّ أن تضع معالجة الانحياز في الأولوية عند إنشاء تكنولوجيات الذكاء الاصطناعي.

هناك العديد من الاعتبارات الأخلاقية بشأن حقوق الطبع والنشر للمحتوى من إنشاء الذكاء الاصطناعي. من يملك المحتوى النهائي، خاصةً إذا كان متأثرًا بشكلٍ كبير بمادة محمية بحقوق الطبع والنشر أو تم نسخه مباشرةً منها؟

قبل إنشاء محتوى وأفكار جديدة، ننصحك بالاطّلاع على السياسات الحالية المتعلّقة بطريقة استخدام المواد التي تنشئها.

الأمان والخصوصية

أشار العديد من مطوّري الويب إلى أنّ الخصوصية والأمان هما أهم ما يشغل بالهم عند استخدام أدوات الذكاء الاصطناعي. وينطبق ذلك بشكل خاص في سياقات الأنشطة التجارية التي تفرض متطلبات صارمة على البيانات، مثل الحكومات و شركات الرعاية الصحية. إنّ إتاحة بيانات المستخدمين لعدد أكبر من الجهات الخارجية باستخدام واجهات برمجة تطبيقات السحابة الإلكترونية يُعدّ مصدر قلق. من المهم أن يكون أيّ نقل بيانات آمنًا ويُراقب باستمرار.

قد تكون تكنولوجيات الذكاء الاصطناعي من جهة العميل هي المفتاح لمواجهة حالات الاستخدام هذه. لا يزال هناك الكثير من الأبحاث والتطوير التي يجب إجراؤها.

بدء استخدام الذكاء الاصطناعي على الويب

بعد أن تعرّفت على الأنواع العديدة من الذكاء الاصطناعي، يمكنك البدء في التفكير في كيفية استخدام النماذج الحالية لزيادة الإنتاجية وإنشاء مواقع إلكترونية وتطبيقات ويب أفضل.

يمكنك استخدام الذكاء الاصطناعي لإجراء ما يلي:

يمكن أن تكون نماذج الذكاء الاصطناعي المدربة مسبقًا طريقة رائعة لتحسين مواقعنا الإلكترونية وتطبيقات الويب وإنتاجيتنا، بدون الحاجة إلى فهم كامل لكيفية إنشاء نماذج رياضية جمع مجموعات بيانات معقّدة تشغّل أدوات الذكاء الاصطناعي الأكثر رواجًا.

قد تلاحظ أنّ معظم النماذج تلبي احتياجاتك على الفور، بدون الحاجة إلى إجراء المزيد من التعديلات. التحسين هو عملية أخذ نموذج سبق أن تم تدريبه على مجموعة بيانات كبيرة، وإجراء المزيد من التدريب عليه لتلبية احتياجات الاستخدام المحدّدة. هناك عدد من الأساليب لضبط النموذج: