نعتذر عن عدم العثور على مطابقة لبحثكم.

نقترح أن تجرِّب ما يلي للمساعدة في العثور على ما تبحث عنه:

  • تحقق من تهجئة كلماتك الرئيسية التي تبحث عنها.
  • استخدم المرادفات للكلمة الرئيسية التي كتبتها، على سبيل المثال، جرِّب “تطبيق” بدلاً من “برنامج.”
  • ابدأ بحثًا جديدًا.
Country الاتصال بنا تسجيل الدخول إلى Oracle Cloud

مستوى Oracle Cloud المجاني (Free Tier)

استمتع بإنشاء التطبيقات واختبارها ونشرها على Oracle Cloud مجانًا.

الذكاء الاصطناعي مقابل التعلم الآلي

الذكاء الاصطناعي (AI) والتعلم الآلي (ML) هما نوعان من حلول البرامج الذكية التي تؤثر على كيفية تصميم التكنولوجيا السابقة والحالية والمستقبلية لتحاكي صفات أكثر إنسانية.

في الأساس، الذكاء الاصطناعي هو حل تقني أو نظام أو جهاز يهدف إلى محاكاة الذكاء البشري لأداء المهام مع تحسين نفسه بشكل متكرر بناءً على المعلومات التي يجمعها.

التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي التي تركز على بناء نظام برمجي يمكنه تعلم أو تحسين الأداء استنادًا إلى البيانات التي يستهلكها. وهذا يعني أن كل حل للتعلم الآلي هو حل للذكاء الاصطناعي، ولكن ليس كل حلول الذكاء الاصطناعي هي حلول للتعلم الآلي.

الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق

الذكاء الاصطناعي. التعلم الآلي. التعلم العميق. على الرغم من أن هذه المصطلحات أصبحت شائعة بشكل متزايد، إلا أن العديد من الناس لا يزالون يشعرون وكأنهم موضوع فيلم خيال علمي. دعنا نبسط الأمور ونجرّب تعريف الخط الواحد لكل مصطلح:

  • الذكاء الاصطناعي (AI): إجراءات الكمبيوتر التي تحاكي اتخاذ القرارات البشرية استنادًا إلى التجارب والبيانات التي تم التعرف عليها.
  • التعلم الآلي (ML): العمليات التي تسمح لأجهزة الكمبيوتر باستخلاص الاستنتاجات من البيانات. التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تُمكِّن أجهزة الكمبيوتر من التعلم خارج نطاق برمجتها.
  • التعلم العميق: العمليات التي تدعم أجهزة الكمبيوتر لحل المشكلات المعقدة للغاية. التعلم العميق هو مجموعة فرعية من التعلم الآلي التي تجعل العمليات الحسابية في الشبكات العصبية متعددة الطبقات ممكنة.

تاريخ الذكاء الاصطناعي

تعود فكرة الذكاء الاصطناعي إلى خمسينيات القرن العشرين مع ظهور التقنيات والقدرات الحاسوبية في الآلات. كان الهدف بسيطًا: تجاوز استخدام الكمبيوتر كوسيلة للحساب ودفع عملية صنع القرار بالفعل.

وهذا يعني أن أجهزة الكمبيوتر تحتاج إلى تجاوز عملية حساب القرارات استنادًا إلى البيانات الحالية؛ وهي بحاجة إلى المضي قدمًا مع نظرة أكبر على الخيارات المختلفة للحصول على استنتاج خصم محسوب بدرجة أكبر. غير أن كيفية تحقيق ذلك عمليا تتطلب عقودا من البحث والابتكار. أحد الأشكال البسيطة للذكاء الاصطناعي هو إنشاء أنظمة قائمة على القواعد أو خبراء. ومع ذلك، كان ظهور زيادة طاقة الكمبيوتر في الثمانينيات يعني أن التعلم الآلي سيغير إمكانيات الذكاء الاصطناعي.

تطور التعلم الآلي

عملت القرارات المستندة إلى القواعد من أجل حالات أبسط ذات متغيرات واضحة. حتى الشطرنج المحاكي بالكمبيوتر مبني على سلسلة من القرارات القائمة على القواعد والتي تتضمن متغيرات مثل القطع الموجودة على متن الطائرة وما هي المواقع التي توجد بها والتي يكون دورها. والمشكلة هي أن هذه الحالات كلها تتطلب مستوى معين من السيطرة. عند نقطة معينة، القدرة على اتخاذ قرارات تستند ببساطة إلى المتغيرات وإذا/ثم لم تنجح القواعد.

ثم كانت الخدعة تحاكي كيف تعلم البشر.

تم تقديم التعلم الآلي في الثمانينيات مع فكرة أن الخوارزمية يمكنها معالجة كميات كبيرة من البيانات، ثم البدء في تحديد الاستنتاجات بناءً على النتائج التي كانت تحصل عليها. على سبيل المثال، إذا تم تغذية خوارزمية التعلم الآلي بكميات كبيرة من معاملات بطاقة الائتمان مع قواعد إذا / ثم لتمييز الاحتيال، فإنه يمكن بعد ذلك البدء في تحديد العوامل الثانوية التي أنشأت نمط، مثل عندما يقوم الحساب بشراء شيء ما في ساعات غير عادية أو في المتاجر في موقع جغرافي مختلف.

تتطلب هذه العملية مجموعات بيانات كبيرة لبدء تحديد الأنماط. ولكن في حين أن مجموعات البيانات التي تتضمن أحرف أبجدية رقمية واضحة، وتنسيقات البيانات، والصياغة يمكن أن تساعد الخوارزمية المعنية، فإن المهام الأخرى الأقل وضوحًا مثل تحديد الوجوه على صورة مشاكل تم إنشاؤها.

في عام 2000، اتخذت التكنولوجيا خطوة أخرى إلى الأمام وكان الحل لذلك هو خلق منهجية التعلم التي تحاكي الدماغ البشري.

التعلم العميق مقابل التعلم الآلي

يعمل التعلم العميق عن طريق تقسيم المعلومات إلى علاقات مترابطة-إجراء الاستقطاعات بشكل أساسي استنادًا إلى سلسلة من الملاحظات. من خلال إدارة البيانات والأنماط التي يتم استنتاجها من خلال التعلم الآلي، يقوم التعلم العميق بإنشاء عدد من المراجع التي سيتم استخدامها لاتخاذ القرارات. كما هو الحال مع التعلم الآلي القياسي، كلما زادت مجموعة البيانات للتعلم، زادت تحسين نتائج التعلم العميق.

طريقة بسيطة لشرح التعلم العميق هي أنه يسمح بأخذ أدلة السياق غير المتوقعة في عملية صنع القرار. ضع في اعتبارك كيف يتعلم طفل صغير القراءة. إذا رأوا جملة تقول "السيارات تسير بسرعة"، فقد يتعرفون على كلمات "السيارات" و"الذهاب" ولكن ليس "سريعة". ومع ذلك، مع بعض التفكير، يمكنهم استنتاج الجملة بأكملها بسبب أدلة السياق. "سريع" هو كلمة من المرجح أن يسمعها فيما يتعلق بالسيارات من قبل، التوضيح قد تظهر الخطوط للإشارة إلى السرعة، وأنها قد تعرف كيف تعمل الحروف F و A معا. هذه هي كل عنصر فردي، مثل "هل أنا أدرك تلك الرسالة وأعرف كيف تبدو؟" ولكن عندما يتم تجميع دماغ الطفل، يمكن أن يتخذ قرارًا حول كيفية عمله وقراءة الجملة. وهذا بدوره سيعزز كيفية قول كلمة "سريعة" في المرة القادمة التي يرون فيها.

هذه هي الطريقة التي يعمل بها التعلم العميق، من خلال تقسيم عناصر مختلفة لاتخاذ قرارات تعلم آلي بشأنها، ثم النظر في كيفية اتصالها بنتائج نهائية.

برامج الذكاء الاصطناعي

يمكن أن تستخدم برامج الذكاء الاصطناعي عملية اتخاذ القرار والأتمتة المدعومة بالتعلم الآلي والتعلم العميق لزيادة كفاءة المؤسسة. بدءًا من النمذجة التنبؤية وحتى إنشاء التقارير وحتى أتمتة العمليات، يمكن للذكاء الاصطناعي تحويل طريقة عمل المؤسسة، مما يؤدي إلى تحسينات في الكفاءة والدقة. توفر Oracle Cloud Infrastructure (OCI) الأساس لإدارة البيانات المستندة إلى السحابة والمدعومة بالذكاء الاصطناعي والتعلم الآلي.