ما الفرق بين الذكاء الاصطناعي وتعلّم الآلة؟

تعلّم الآلة (ML) عبارة عن فرع محدد من الذكاء الاصطناعي (AI). تعلّم الآلة له نطاق وتركيز محدودان مقارنةً بالذكاء الاصطناعي. يتضمن الذكاء الاصطناعي العديد من الإستراتيجيات والتقنيات التي تقع خارج نطاق تعلّم الآلة.

فيما يلي بعض الاختلافات الرئيسة بين الاثنين.

الأهداف

الهدف من أي نظام ذكاء اصطناعي هو جعل الآلة تكمل مهمة بشرية معقدة بكفاءة. قد تتضمن هذه المهام التعلم وحل المشكلات والتعرف على الأنماط.

على الجانب الآخر، الهدف من تعلّم الآلة هو جعل الآلة تحلل كميات كبيرة من البيانات. ستستخدم الآلة النماذج الإحصائية لتحديد الأنماط في البيانات والخروج بنتيجة. والنتيجة لها احتمال مرتبط بالصواب أو درجة الثقة.

الطرق

يشمل مجال الذكاء الاصطناعي مجموعة متنوعة من الأساليب المستخدمة لحل مشكلات متنوعة. تتضمن هذه الأساليب الخوارزميات الجينية والشبكات العصبونية والتعليم العميق وخوارزميات البحث والأنظمة القائمة على القواعد وتعلّم الآلة نفسه.

داخل تعلّم الآلة، تنقسم الأساليب إلى فئتين كبيرتين: التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف. تتعلم خوارزميات تعلّم الآلة الخاضع للإشراف حل المشكلات باستخدام قيم البيانات المصنفةالإدخال والإخراج. التعلم غير الخاضع للإشراف يكون أكثر استكشافًا، ويحاول اكتشاف الأنماط المخفية في البيانات غير المصنفة. 

عمليات التنفيذ

عادةً ما تتضمن عملية إنشاء حل تعلّم الآلة مهمتين:

1. تحديد مجموعة بيانات تدريبية وإعدادها
2. اختيار إستراتيجية أو نموذج تعلّم الآلة موجود مسبقًا، مثل التراجع الخطي أو شجرة القرارات

يختار علماء البيانات ميزات البيانات المهمة ويدخلونها في نموذج التدريب. وينقحون مجموعة البيانات باستمرار بالبيانات المحدَّثة والتحقق من الأخطاء. تحسِّن جودة البيانات وتنوعها دقة نموذج تعلّم الآلة. 

عادةً ما يكون إنشاء منتج الذكاء الاصطناعي عملية أكثر تعقيدًا، لذلك يختار العديد من الأشخاص حلول الذكاء الاصطناعي المنشأة مسبقًا لتحقيق أهدافهم. جرى تطوير حلول الذكاء الاصطناعي هذه بشكل عام بعد سنوات من البحث، ويوفرها المطورون للتكامل مع المنتجات والخدمات من خلال واجهات برمجة التطبيقات (API).

المتطلبات

تتطلب حلول تعلّم الآلة مجموعة بيانات لعدة مئات من نقاط البيانات لغرض التدريب، بالإضافة إلى قوة حاسوبية كافية للتشغيل. اعتمادًا على تطبيقك وحالة استخدامك، قد يكون مثيل خادم واحد أو مجموعة خوادم صغيرة كافية.

قد تحتوي الأنظمة الذكية الأخرى على متطلبات بنية تحتية مختلفة تعتمد على المهمة التي تريد إنجازها ومنهجية التحليل الحاسوبي التي تستخدمها. تتطلب حالات استخدام الحوسبة العالية عدة آلاف من الآلات التي تعمل معًا لتحقيق أهداف معقدة.

ومع ذلك، من المهم ملاحظة أن وظائف الذكاء الاصطناعي وتعلّم الآلة التي جرى إنشاؤها مسبقًا متوفرة. ويمكنك دمجها في تطبيقك من خلال واجهات برمجة التطبيقات (API) بدون الحاجة إلى موارد إضافية.

تنطبق بعض حلول تعلّم الآلة (ML) على معظم المؤسسات:

• تقسيم العملاء هو عندما تقسم العملاء حسب سلوكهم أو تفضيلاتهم وخصائصهم لتحقيق المزيد من المبيعات والأنشطة التسويقية. اقرأ عن كيفية استخدام Lion Parcel لـ AWS من أجل تقسيم العملاء.
• الكشف عن الاحتيال هو عندما تفرز المعاملات غير العادية المكتشفة وتسويها. اقرأ عن كيفية استخدام Luno لـ AWS للكشف عن الاحتيال.
• تحليل المشاعر هو عندما تُدمج ملاحظات العملاء من أجل توجيه إستراتيجية المنتجات وتسويقها. اقرأ عن كيفية استخدام Zignal Labs لـ AWS في تحليل المشاعر.

يرد فيما يلي حلول الذكاء الاصطناعي (AI) التي تنطبق على معظم المؤسسات:

• تُعد روبوتات الدردشة مناسبة لاستفسارات خدمة العملاء وفرزها. اقرأ عن استخدام MetroPlusHealth لـ AWS في روبوتات الدردشة.
• تُعد ميزة التعرُّف على الكلام أمرًا رائعًا لتحويل الاجتماعات إلى محاضر مكتوبة. اقرأ عن كيفية استخدام Epiq لـ AWS للتعرُّف على الكلام.
• تبلي رؤية الكمبيوتر بلاءً حسنًا في أنظمة التعرُّف على القياسات الحيوية. اقرأ عن كيفية استخدام PayEye لـ AWS في رؤية الكمبيوتر.

تقدم AWS مجموعة كبيرة من الخدمات لمساعدتك في إنشاء حلول الذكاء الاصطناعي وتعلّم الآلة (AI/ML) وتشغيلها ودمجها على أي حجم أو مستوى تعقيد أو حالة استخدام.

تُعد Amazon SageMaker منصة كاملة لإنشاء حلول تعلّم الآلة من الألف إلى الياء. توفر SageMaker مجموعة كاملة من نماذج تعلُّم الآلة المنشأة مسبقًا وإمكانيات تخزين وحوسبة وبيئة مُدارة بالكامل.

بالنسبة للذكاء الاصطناعي، يمكنك استخدام خدمات AWS لإنشاء حلول الذكاء الاصطناعي من البداية أو تحقيق التكامل بين خدمات الذكاء الاصطناعي (AI) المنشأة مسبقًا وحلك.