ما هو الذكاء الاصطناعي؟

Alexandra Klepper
Alexandra Klepper
GitHub Bluesky

تاريخ النشر: 17 فبراير 2024، تاريخ آخر تعديل: 22 أبريل 2025

يشمل الذكاء الاصطناعي (AI) العديد من التكنولوجيات المعقّدة والناشئة التي كانت تتطلّب في السابق تدخّلاً بشريًا، ويمكن الآن تنفيذها بواسطة الكمبيوتر. بشكل عام، يشير الذكاء الاصطناعي إلى برنامج أو نموذج أو جهاز كمبيوتر غير بشري يعرض مجموعة كبيرة من القدرات على حلّ المشاكل والإبداع. يمكن لأجهزة الكمبيوتر تنفيذ وظائف متقدّمة كانت تُستخدم في السابق لفهم المعلومات وتقديم الاقتراحات. باستخدام الذكاء الاصطناعي التوليدي، يمكن لأجهزة الكمبيوتر حتى إنشاء محتوى جديد.

يُستخدم الاختصار AI غالبًا بشكل متبادل للإشارة إلى أنواع مختلفة من التكنولوجيات ضمن مجال الذكاء الاصطناعي، ولكن يمكن أن تختلف إمكانات الذكاء الاصطناعي بشكل كبير.

ستجد هنا عددًا من المصطلحات والمفاهيم المتعلقة بالذكاء الاصطناعي في التطبيق على الويب. لمزيد من المعلومات حول تعلُّم الآلة، راجِع مسرد مصطلحات تعلُّم الآلة.

كيف يعمل الذكاء الاصطناعي (AI)؟

التدريب هو الخطوة الأولى لكل نموذج، حيث يضع مهندسو تعلُّم الآلة خوارزمية لتزويد النموذج بمدخلات محددة وتوضيح المخرجات المثالية. بشكل عام، لا يحتاج مطوّرو الويب إلى تنفيذ هذه الخطوة، ولكن قد يستفيدون من معرفة كيفية تدريب نموذج معيّن. مع أنّه من الممكن تحسين نموذج، من الأفضل استغلال وقتك في اختيار النموذج الأنسب لمهمتك.

الاستدلال هو عملية استخلاص نموذج للاستنتاجات استنادًا إلى بيانات جديدة. كلما زاد تدريب النموذج في مجال معيّن، زادت احتمالية أن يؤدي الاستنتاج إلى إنشاء ناتج مفيد وصحيح. ومع ذلك، لا يوجد ضمان بأنّ الاستنتاج سيكون مثاليًا، مهما كان مقدار التدريب الذي تلقّاه النموذج.

على سبيل المثال، يستخدم تطبيق Green Light نموذج ذكاء اصطناعي تم تدريبه على بيانات من "خرائط Google" لفهم أنماط حركة المرور. ومع تلقّي المزيد من البيانات، يتم إجراء استنتاج لتقديم اقتراحات بشأن تحسين إشارات المرور.

أين يتم تنفيذ الذكاء الاصطناعي؟

يتم إكمال تدريب الذكاء الاصطناعي قبل إصدار النموذج. وقد يتم إجراء المزيد من التدريب الذي قد يؤدي إلى إصدار نسخ جديدة من النماذج تتضمّن المزيد من الإمكانات أو الدقة.

على مطوّري الويب الاهتمام بمكان تنفيذ الاستدلال بالذكاء الاصطناعي. تتأثر تكلفة استخدام الذكاء الاصطناعي بشكل كبير بالاستدلال. ويتأثّر أيضًا نطاق إمكانات النموذج الفردي 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 ويجري الاستدلال على جهاز المستخدم. وتوفّر هذه الحزمة وقت استجابة أقل، وتكاليف أقل من جهة الخادم، وإزالة متطلبات مفتاح واجهة برمجة التطبيقات، وتعزيز خصوصية المستخدمين، وإمكانية الوصول إلى البيانات بلا إنترنت. يمكنك تنفيذ الذكاء الاصطناعي من جهة العميل الذي يعمل على جميع المتصفّحات باستخدام مكتبات JavaScript، بما في ذلك Transformers.js وTensorFlow.js وMediaPipe.

من الممكن أن يتفوّق نموذج صغير ومحسّن من جهة العميل على نموذج أكبر من جهة الخادم، خاصةً عند تحسينه لتحقيق الأداء. قيِّم حالة الاستخدام لتحديد الحلّ المناسب لك.

الذكاء الاصطناعي من جهة الخادم

تشمل تكنولوجيات الذكاء الاصطناعي من جهة الخادم خدمات الذكاء الاصطناعي المستندة إلى السحابة الإلكترونية. تخيَّل أنّ Gemini 1.5 Pro يعمل على السحابة الإلكترونية. وتميل هذه النماذج إلى أن تكون أكبر حجمًا وأكثر فعالية. وينطبق ذلك بشكل خاص على النماذج اللغوية الكبيرة.

الذكاء الاصطناعي المختلط

يشير مصطلح الذكاء الاصطناعي المختلط إلى أي حل يتضمّن كلاً من مكوّن 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 (ML)

تعلُّم الآلة (ML) هو العملية التي يتعلّم من خلالها الكمبيوتر وينفّذ المهام بدون برمجة صريحة. في حين يسعى الذكاء الاصطناعي إلى إنشاء ذكاء، يتألف تعلُّم الآلة من خوارزميات لتقديم توقّعات بشأن مجموعات البيانات.

على سبيل المثال، لنفترض أنّنا أردنا إنشاء موقع إلكتروني يقيّم الطقس في أي يوم. في السابق، كان يتم ذلك من خلال خبير أو أكثر في الأرصاد الجوية، الذين يمكنهم إنشاء تمثيل للغلاف الجوي وسطح الأرض، وحساب وتوقّع أنماط الطقس، وتحديد التقييم من خلال مقارنة البيانات الحالية بالسياق السابق.

بدلاً من ذلك، يمكننا تزويد نموذج تعلُّم الآلة بكمية هائلة من بيانات الطقس إلى أن يتعلّم النموذج العلاقة الرياضية بين أنماط الطقس والبيانات السابقة والإرشادات المتعلقة بما يجعل الطقس جيدًا أو سيئًا في أي يوم معيّن. في الواقع، أنشأنا هذه الميزة على الويب.

الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة

الذكاء الاصطناعي التوليدي هو أحد أشكال تعلُّم الآلة الذي يساعد المستخدمين في إنشاء محتوى يبدو مألوفًا ويحاكي المحتوى الذي ينشئه البشر. يستخدم الذكاء الاصطناعي التوليدي نماذج لغوية كبيرة لتنظيم البيانات وإنشاء أو تعديل النصوص والصور والفيديوهات والمقاطع الصوتية استنادًا إلى السياق المقدَّم. يتجاوز الذكاء الاصطناعي التوليدي مطابقة الأنماط والتوقعات.

يحتوي النموذج اللغوي الكبير (LLM) على العديد من المَعلمات (غالبًا ما تكون بالمليارات) التي يمكنك استخدامها لتنفيذ مجموعة متنوعة من المهام، مثل إنشاء النصوص أو الصور أو تصنيفها أو تلخيصها.

أصبحت روبوتات الدردشة أدوات شائعة جدًا تتيح للمستخدمين الاستفادة من الذكاء الاصطناعي التوليدي، بما في ذلك:

يمكن لهذه الأدوات إنشاء نصوص مكتوبة وعيّنات من الرموز الفنية والأعمال الفنية. يمكن أن تساعدك هذه الأدوات في التخطيط لعطلة أو تخفيف حدة نبرة رسالة إلكترونية أو جعلها أكثر احترافية أو تصنيف مجموعات مختلفة من المعلومات إلى فئات.

تتوفّر حالات استخدام لا حصر لها للمطوّرين وغير المطوّرين.

التعليم المعمّق

التعلم المتعمّق (DL) هو فئة من خوارزميات تعلُّم الآلة. أحد الأمثلة على ذلك هو شبكات Deep Neural Networks (DNN) التي تحاول محاكاة الطريقة التي يعتقد أنّ الدماغ البشري يعالج بها المعلومات.

يمكن تدريب خوارزمية التعلّم العميق على ربط ميزات معيّنة في الصور بتسمية أو فئة محدّدة. بعد التدريب، يمكن للخوارزمية تقديم توقعات تحدّد الفئة نفسها في الصور الجديدة. على سبيل المثال، يمكن لتطبيق "صور Google" التمييز بين القطط والكلاب في صورة.

معالجة اللغات الطبيعية (NLP)

معالجة اللغات الطبيعية هي فئة من تكنولوجيات تعلُّم الآلة تركّز على مساعدة أجهزة الكمبيوتر في فهم اللغة البشرية، بدءًا من قواعد أي لغة معيّنة وصولاً إلى الخصائص المميزة واللهجة واللغة العامية التي يستخدمها الأفراد.

تحديات الذكاء الاصطناعي

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

جودة البيانات ومدى حداثتها

غالبًا ما تصبح مجموعات البيانات الكبيرة المستخدَمة لتدريب نماذج الذكاء الاصطناعي المختلفة قديمة بعد فترة قصيرة من استخدامها. هذا يعني أنّه عند البحث عن أحدث المعلومات، قد تستفيد من هندسة الطلبات لتحسين أداء نموذج الذكاء الاصطناعي في مهام معيّنة والحصول على نتائج أفضل.

قد تكون مجموعات البيانات غير مكتملة أو صغيرة جدًا بحيث لا يمكنها دعم بعض حالات الاستخدام بفعالية. قد يكون من المفيد تجربة استخدام أدوات متعددة أو تخصيص النموذج ليناسب احتياجاتك.

مخاوف بشأن الأخلاقيات والتحيّز

تكنولوجيا الذكاء الاصطناعي مثيرة للاهتمام ولديها الكثير من الإمكانات. ومع ذلك، فإنّ البشر هم من يصمّمون أجهزة الكمبيوتر والخوارزميات، ويدرّبونها على بيانات قد يجمعها البشر، وبالتالي فإنّها تواجه العديد من التحديات. على سبيل المثال، يمكن أن تتعلّم النماذج الانحيازات البشرية والصور النمطية الضارة وتعزّزها، ما يؤثر بشكل مباشر في النتائج. من المهم أن يكون الحد من التحيز من الأولويات عند بناء تكنولوجيا الذكاء الاصطناعي.

هناك العديد من الاعتبارات الأخلاقية بشأن حقوق الطبع والنشر الخاصة بالمحتوى من إنشاء الذكاء الاصطناعي، مثل تحديد مالك المحتوى الناتج، خاصةً إذا كان متأثرًا بشكل كبير بمواد محمية بحقوق الطبع والنشر أو تم نسخه مباشرةً منها.

قبل إنشاء محتوى وأفكار جديدة، يُرجى الاطّلاع على السياسات الحالية بشأن كيفية استخدام المواد التي تنشئها.

الأمان والخصوصية

أشار العديد من مطوّري الويب إلى أنّ الخصوصية والأمان هما أهم مخاوفهم عند استخدام أدوات الذكاء الاصطناعي. وينطبق ذلك بشكل خاص في سياقات الأعمال التي تتضمّن متطلبات صارمة بشأن البيانات، مثل الحكومات وشركات الرعاية الصحية. إنّ عرض بيانات المستخدمين على المزيد من الجهات الخارجية باستخدام واجهات برمجة التطبيقات المستندة إلى السحابة الإلكترونية هو مصدر قلق. من المهم أن يكون نقل البيانات آمنًا وأن تتم مراقبته باستمرار.

قد يكون الذكاء الاصطناعي من جهة العميل هو الحلّ الأمثل لهذه الحالات. لا يزال أمامنا الكثير من الأبحاث والتطوير.

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 إنتاجيتك وإنشاء مواقع إلكترونية وتطبيقات ويب أفضل.

يمكنك استخدام الذكاء الاصطناعي لإجراء ما يلي:

يمكن أن تكون نماذج الذكاء الاصطناعي المدرَّبة مسبقًا طريقة رائعة لتحسين مواقعنا الإلكترونية وتطبيقات الويب وزيادة الإنتاجية، بدون الحاجة إلى فهم كامل لكيفية إنشاء النماذج الرياضية وجمع مجموعات البيانات المعقّدة التي تشغّل أدوات الذكاء الاصطناعي الأكثر شيوعًا.

قد تجد أنّ معظم النماذج تلبي احتياجاتك على الفور، بدون الحاجة إلى إجراء المزيد من التعديلات. التحسين هو عملية استخدام نموذج تم تدريبه مسبقًا على مجموعة بيانات كبيرة، ثم تدريبه بشكل إضافي لتلبية احتياجاتك المحددة. هناك عدد من الأساليب لضبط النموذج: