التصنيف: ذكاء اصطناعي

كرة القدم من أهم الصناعات في العالم، هي ليست مجرد لعبة فقط فقد تحولت إلى عالم من الأموال والقرارات الهامة التي تتطلب التقنيات الهامة ومن أهم هذه التقنيات هي علم البيانات. بدأ استخدام علم البيانات في كرة القدم بشكل قد لا يُرى من بعض الأرقام إلى أن أصبح به تتخذ أهم الفرق العالمية القرارات الكبرى داخل الفريق فنيًا وإداريًا. فما هو مستقبل علم البيانات في كرة القدم؟

١. تحويل الكم الهائل من البيانات إلى رسالة بسيطة

عندما يذهب محلل بيانات للعمل مع فريق كرة قدم يُزحم كل من حوله بالبيانات اعتقادًا منه أن ذلك يجعلهم يعتقدون أن هذا المحلل على مستوى متقدم. ولكن البساطة تُفيد أكثر والتركيز على ما يهم الفريق فقط أقوى، ومن الممكن التركيز على أهداف قليلة محددة يجلب نجاح أفضل.

٢. الاهتمام باستقدام اللاعبين المناسبين

للمدرب وجهة نظر صحيحة حينما يقول أن هذا اللاعب جيد أو ذلك اللاعب غير جيد، ولكن في المنطقة الرمادية في الاختلاف وعدم القدرة على التحديد بدقة تكون الإحصاء أكثر قدرة على اتخاذ القرار أفضل من الإنسان. وتحديد ما يستحقه اللاعب سنويًا؛ حيث إن كان هذا اللاعب يجلب لك الفوز في مباراتين فقط يستحق ١٠ مليون يورو، وإن كان لاعب آخر يحقق الفوز في ٤ مباريات يستحق ٢٠ مليون يورو، فتحديد ذلك مهم جدًا للفريق. ولكن إذا أخطأت أكثر من مرة في مثل هذه الأمور سيفتح ذلك لمسار مشكلة مالية كبيرة للمؤسسة. ولقد أصبح خبراء البيانات هم الأفضل عالميًا حاليًا في التوقيع مع اللاعبين طبقًا لتقارير صحفية عديدة من أهمها موقع بي بي سي. [2]

٣. الأولوية في اتخاذ القرارات

تريد أغلب الأندية العالمية الاستثمار في البيانات ولكنها قد لا تعطي الأولوية في اتخاذ القرار لنتائج البيانات. ويوجد العديد من محترفي كرة القدم السابقين ويتخذون القرار بناءً على خبرتهم السابقة في الملاعب. وفي نهاية السنة عندما نريد أن نشاهد تأثير دراسة البيانات قد نجده قليلًا جدًا، ولكن هناك تطورات عديدة في اتخاذ القرارات. وعلى سبيل المثال موقف مدرب فريق تشيلسي  عندما عرض عليه محللو البيانات أن كيبا الحارس الثاني في الفريق هو أفضل من ميندي الحارس الأساسي في ضربات الترجيح وبالفعل فازوا في المباراة بفضل كيبا. 

٤. تحديد الهدف

حيث من الممكن سؤال محلل بيانات عن احتياج الفريق هل يحتاج الفريق إلى أخصائي تغذية أم تخصص آخر سيفيد أكثر. والتوجه إلى أي اتجاه فهل تقضي وقتًا ومجهودًا أكثر هل في الاستثمار في اللاعبين أم مدربين أم إنشاء ملاعب ومراكز تدريب وهكذا. وكل ذلك يستطيع محلل البيانات وضع إجابة مناسبة له. 

٥. استخلاص أدق التفاصيل من تتبع بيانات اللاعبين

حيث مع التطور المستمر لتتبع البيانات يصبح من الأسهل توظيف مواقع اللاعبين في الملعب والشكل الثلاثي للكرة وموقعها مهم في ذلك. وهذا يعتبر بيانات قيمة بشكل لا يصدق. وبالتطور أكثر يتم تطوير تحرك اللاعبين في المساحات والحركة بدون كرة. ولم يصل هذا حتى الآن في أكبر الأندية العالمية مثل ليفربول وأرسنال. 

ولقد أصبح وجود الأجهزة للحصول على البيانات مثل ساعات اليد أمرًا اعتياديًا في تدريبات الفرق. [1]

٦. خلق مساحات في الملعب

ما يفرق كرة القدم عن الرياضات الأخرى أنها لعبة تعتمد على المساحات. وتملك اللاعب المساحه يعني ببساطة أنه إذا كانت الكرة في مكان ما أي لاعب سيصل إليها أولًا وتحديد كل موقع على الملعب. ومن أكثر اللاعبين قدرة خارقة في أنه يعرف متى يتحرك ومتى يظل في مكانه هو الأرجنتيني الشهير ميسي. ومن ذلك يصنع فرص ومساحات لزملائه في الملعب، وذلك يعني أن الحركة تفيد وعدم الحركة يفيد في بعض الحالات. 

٧. الاستفادة في النقل من الألعاب الأخرى إلى كرة القدم

على سبيل المثال كرة السلة حيث من الممكن تطبيق كيف يستطيع لاعب عمل حاجز على لاعبي الخصم لإعطاء الفرصة لزميله لكي ينطلق إلى الداخل. وأيضًا طريقة استخدام الجسم بشكل قانوني وذلك يحدث في كرة القدم ولكن لا يتم تطبيقه بشكل صحيح. 

ومن كرة القدم الأمريكية من الممكن تعلم كيفية الجري في بعض الطرق المحددة في الملعب وفتح المساحات والفرص. 

٨. تعلم الآلة: تقييم كل المهارات اللازمة لكل لاعب

بمعنى أن هناك ٣٠ مهارة يجب أن يتقنها اللاعب في هذا المركز. وليكن اللاعب ميسي جيد في ٢٥ مهارة وغير جيد في ٥ مهارات. فهل نحن بحاجة إلى تقوية مهارة من المهارات الجيدة أم تنميه أحد المهارات غير الجيدة. 

ويقتصر العمل بها الآن على لاعب مهاجم يحصل على ٤ فرص محققة لإحراز أهداف فيسجل هدفين فتصبح نسبة التهديف ٥٠٪. [3]

٩. التنبؤ المستقبلي

وهو التحول من الوصف الاحصائي لما حدث في المباريات السابقة إلى التنبؤ بما قد يحدث في المباريات القادمة، وذلك من أهم التقنيات. 

١٠. زيادة التفاهم والتواصل

تقليل الفراغات أو المسافات بين محللي البيانات والمدرب أو المدير الرياضي أو مسؤول التعاقدات. وتحويل كل الأسئلة التي يبحث عنها الممارسون للعبة إلى لغة يفهمونها وتحقيق تواصل بشكل أفضل. 

مصادر

[1] training ground guru

[2] BBC

[3] SCISPORTS

الإرهاب هو استخدام التمييز المقصود والقوة غير القانونية لخلق الرعب بين عامة الناس لتحقيق أهداف دينية أو سياسية. في سنة ٢٠١٩م، نُفذت ١٤٢١ حادثة إرهابية تسببت في قتل ٦٣٦٢ شخص منتشرة بشكل أكبر في جنوب آسيا والشرق الأوسط. ويوجد على موقع «Global Terrorism Dataset – GTD» معلومات عن الأعمال الإرهابية منذ سنة ١٩٧٠م إلى  ٢٠١٨م  بها أكثر من ١٨١ ألف حدث إرهابي. فكيف يساعدنا تعلم الآلة على مقاومة الإرهاب؟

استخدم فريق من الباحثين تعلم الآلة لتوقع واستكشاف الهجمات الإرهابية وتوضح الاختبارات النهائية أن الأنظمة تتنبأ بدقة بالهجمات في المناطق التي تأثرت سابقًا بالإرهاب. ولكن حدوث « black swan – كارثة إرهابية كبرى» لا يمكن توقعها وتنتشر أسرع ما يمكن.

استخدم الباحثون البيانات المتاحة للهجمات التي حدثت من ٢٠٠٢ إلى ٢٠١٦ م في ١٣ منطقة حول العالم.

تستطيع أحد أنظمة الباحثين التنبؤ بالهجمات في غضون أسبوع قبل الحادثة في المناطق التي توجد بها عدد كبير من المناطق التي تعرضت سابقًا للهجمات الإرهابية حيث العراق وجنوب غرب آسيا خطر حدوث هجمات إرهابية يكون بعد ٢٠٠ أسبوع من الحادث الذي سبقه، أما في المناطق الأقل حدوثًا للهجمات فمن المتوقع ٤٠٠ أسبوع لحدوث هجمات بعد آخر هجمة مثل روسيا وشرق أوروبا.  [1]

تناسب طردي وعكسي للهجمات الإرهابية

وقد طرحت الدراسات أن الهجمات الإرهابية تتكرر في نفس المكان حيث يتناسب طرديًا مع عدد منفذي الهجمات الإرهابية وتوفير التكلفة للقيام بالعملية والقيمة التي يحصلون عليها.

وتوقع أيضًا الفريق وجود تناسب عكسي بين احتمالية حدوث الهجمات الإرهابية والكثافة السكانية. حيث تُنفذ العمليات في المناطق الأقل كثافة سكانية، وأيضًا تتناسب عكسيًا مع تحضر المكان حيث صعوبة الوصول إلى الأماكن الحضرية. 

أهم العوامل المؤثرة التي يدرسها علماء تعلم الآلة في دراسة الهجمات الإرهابية

1. الانتحارية: هل المُقدِم على العمل لغرض انتحاري أم لديه أهدافًا أخرى؟
2. تحقيق الهدف: هل نجح المخطط الذي أراده الإرهابيون أم لا؟
3. نوع السلاح الرئيسي الذي تم استخدامه في العمل:

•  هل أسلحة بيولوجية أم كيميائية؟
•  يضربون بالأسلحة أم بالمتفجرات؟
• يستخدمون رصاص حقيقي أم غير حقيقي أم أسلحة بيضاء؟
• يستخدمون مركبات أم سيارات مفخخة؟

4. المنطقة: أمريكا الشمالية وأمريكا الوسطى وأمريكا الجنوبية وجنوب غرب آسيا وجنوب آسيا ووسط آسيا وأوروبا وشرق أوروبا والشرق الأوسط وشمال أفريقيا والصحراء الأفريقية وأستراليا وأوقيانوسيا. 
5. النوع: حيث ينقسم الى عدة أقسام منها ما هو اغتيال أو هجوم مسلح أو خطف أو سرقة أو هجوم على منشأة أم غير معروف. [6]

أهم التقنيات المستخدمة

الشبكة العصبونية والتعلم العميق حيث وصلت دقة التنبؤ بانتحارية الأعمال الإرهابية حاليًا إلى ٩٨٪. ووصلت دقة التنبؤ بالنجاح في تنفيذ العملية إلى ٨٧٪ باستخدام الشبكة العصبونية و٩٣٪ بالتعلم العميق. وتحديد نوع السلاح بدقة ٧٣٪ بالشبكة العصبونية، بينما وصلت إلى ٩٤٪ بالتعلم العميق.

أما في تحديد المنطقة المستهدفة فوصلت دقة الشبكة العصبونية إلى ٨١٪، بينما دقة التعلم العميق ٩٧٪. وفي تحديد نوع الهجوم وصلت دقة الشبكة العصبونية إلى ٧٩٪ والتعلم العميق إلى ٩١٪.

فيتضح من ذلك أن كفاءة هذه التقنيات قوية وتتفوق تقنية التعلم العميق أكثر من الشبكة العصبونية. 

طريقتان لمنع تفاقم العمليات الإرهابية

1. حماية المنشآت والأفراد وتحقيق الأمان. 
2. منع الإرهابيين من القيام بمخططهم عن طريق القبض عليهم قبل التنفيذ. [5]

أهم التطبيقات في استخدام تعلم الاّلة في مواجهة الإرهاب

1. التنبؤ بوقت ومكان الهجمات الإرهابية من خلال محاولة معرفة وسائل التواصل ومعلومات التحويلات المالية المخالفة للقوانين والسفر غير الطبيعي والبحث على الإنترنت. 
2. التعرف على توجهات الأشخاص للتطرف، حيث أن بعض الشركات تبني أنظمة للتعرف على اتجاه الأشخاص عن طريق الفيديوهات التي يشاهدونها ومحاولة مقابلتها بعرض فيديوهات أخرى تواجه ظاهرة التطرف. 
3. محاولة التعرف على الإرهابيين، حيث تم تحليل بيانات ٥٥ مليون هاتف شخصي لأشخاص في باكستان سنة ٢٠٠٧م. ولُُوحظ أن  ١٥ ألف شخص في تفكيره أن يصبح إرهابيًا، ولكن هذه العملية قد تكون غير دقيقة وغير مؤكدة وقد تتغير المعلومات من وقت لآخر. [5]

أهم التحديات التي تواجه العلماء في استخدام تعلم الآلة في مواجهة الإرهاب

1. مشاكل متعلقة بحقوق الإنسان، حيث لا يوجد قانون دولي يُمّكن من مراقبة جميع الأفراد، ووضعهم على اختبارات الذكاء الاصطناعي. 
2. تجميع البيانات قد يكون عشوائيًا وغير دقيقًا. 
3. انعدام الأمان في استخدام البيانات، حيث من الممكن بيع البيانات لجهة أخرى. 
4. انعدام الشفافية. 
5. عدم وجود معايير أساسية مضبوطة. 
6. الشك وعدم التأكد والتحايل على معرفة أمور شخصية و استغلالها.

مصادر

[1] neural

[2] science advances

[3] hindawi

[4] tech xplore

[5] التحالف الإسلامي العسكري لمحاربة الإرهاب

[6] IJACSA

ما هو التعلم العميق؟

لعلك سمعت من قبل عن مفهوم التعلم العميق مع عدة مفاهيم أخرى مثل تعلم الآلة والشبكات العصبية الاصطناعية وكثيرًا ما ترتبط هذه المفاهيم ببعضها البعض ويتم ذكرها سويًا عند الحديث عن مجال الذكاء الاصطناعي بشكل عام وتطبيقاته الكثيره، ولكن ماذا تعني هذه المفاهيم بالتحديد؟ وما الفرق بينهما؟

في البداية يشير مفهوم تعلم الآلة إلى التخصص المهتم بدراسة الخوارزميات القائمة على جعل الآلة تتعلم وتتطور بمفردها دون الحاجة إلى أوامر برمجية محددة. حيث يتم إدخال «مجموعة بيانات-data set» إلى تلك الخوارزميات فتحللها وتتعلم منها ومن ثم تقوم ببناء توقعات استنادًا على ما تعلمته. يمثل تخصص تعلم الآلة التقاطع بين علم الحاسب والاحصاء. [1]

مثال بسيط على تطبيق خوارزميات تعلم الآلة هو “المقترحات”. عند استماعك إلى الموسيقى على إحدى منصات الاستماع الشهيرة، ففي زيارتك التالية تجد المزيد من الموسيقى المشابهة والترشيحات ذات الصلة بتاريخ استماعك، حيث قامت خوارزميات تعلم الآلة بتحليل بيانات تاريخ استماعك وتفضيلاتك وقامت بإيجاد الأنماط خلالها ثم ببناء توقعات للعديد من الموسيقى الأخرى التي تناسب ذوقك.

يمكنك معرفة المزيد عن تعلم الآلة في مقدمة عن تعلم الآلة.

أما عن مفهوم التعلم العميق فهو تخصص من تعلم الآلة الذي هو بدوره تخصص من الذكاء الاصطناعي.

«التعلم العميق -deep learning»

هو التخصص المهتم بدراسة «الشبكات العصبية الاصطناعية-artificial neural networks» التي تقوم بمحاكاة الشبكات العصبية في مخ الانسان.

«الشبكة العصبية الاصطناعية-artificial neural network»

تعرف «الشبكة العصبية الاصطناعية-artificial neural network» على أنها قطعة من نظام الحوسبة المصممة لمحاكاة عملية التحليل والمعالجة في مخ الانسان. وحدة المعالجة الأساسية في مخ الانسان هي الخلية العصبية، وتقابلها الخلية العصبية الاصطناعية في الآلة. تَجَمُّع الخلايا العصبية الاصطناعية يعرف بالشبكة العصبية الاصطناعية. [2]

ظهر تخصص التعلم العميق كامتداد وتطور لتعلم الآلة حين عجزت خوارزميات تعلم الآلة التقليدية عن أداء بعض المهام المعقدة. على سبيل المثال، تتطلب خوارزميات تعلم الآلة التقليدية مجموعة بيانات مبسطة ومرتبة للتعلم منها. ولكنها غير قابلة على التعلم من مجموعة البيانات الكبيرة والمعقدة مثل الموجات الصوتية المختلفة وأبعاد الصور وعدد ال pixels بداخلها، لذا تستخدم خوارزميات التعلم العميق للتعامل مع بيانات معقدة كهذه كما في تطبيقات «التعرف على الصوت- voice recognition» التي تستخدمها سيري مساعدة جوجل في التعرف على أصوات محدثيها وتطبيقات «التعرف على الصور- image recognition» المستخدمة من قبل فيسبوك للتعرف على وجوه الأشخاص داخل الصور.

تكوين خوارزمية التعلم العميق

تتكون الخوارزمية من هيكل متعدد الطبقات من الشبكات العصبية الاصطناعية. حيث تكون الطبقة على الطرف الأيسر هي طبقة الإدخال، و الطبقة على الطرف الأيمن هي طبقة الإخراج، وفي الوسط العديد من الطبقات المخفية المسؤولة عن المعالجة. بنية خوارزميات التعلم العميق الطبقية تمكنها من معالجة أفضل للبيانات وأداء أفضل.

وبناءً على ذلك، تتطلب خوارزمية التعلم العميق مستوى أقل من التدخل البشري في تحسين نتائج الخوارزمية. حيث تقوم الخوارزمية بالتعلم والتحسين من أخطائها بمفردها. على عكس خوارزمية تعلم الآلة التقليدية التي تتطلب الكثير من التدخل البشري للتعديل والتحسين. [3]

ولكن مع ذلك، ما زالت خوارزميات التعلم العميق قيد التطور. بالرغم من تقدمها والتحسين الملحوظ فيما تقدمه من نتائج وأداء إلى أنها تتطلب الكثير من الوقت وقدره حوسبة عالية لتتعلم من مجموعة البيانات الضخمة وتكوين نموذج قابل للتطبيق.

على الرغم من تقدم خوارزميات وتقنيات عالم الذكاء الاصطناعي والنتائج المبشرة التي تحملها تطبيقاتها إلى أنها لا تزال في مراحلها الأولى وأمامها الكثير من التقدم والفرص.

مصادر:

1 levity
2 Wikipedia
3 simplilearn

إنترنت الأشياء IoT

ربما أصبحت جملة إنترنت الأشياء جملًة اعتيادية، فهو مفهوم ليس قادرًا على تغير حياتنا فقط بل هو قادر على تغير طريقة عملنا أيضًا. هناك الكثير من التساؤلات التي أدت إلى الكثير من التعقيدات.
فما هو انترنت الأشياء؟ وهل له تأثير على الإنسان بشكل خاص، وكيف سيؤثر على عملنا؟ وهل هو حقًا الثورة الصناعية الرابعة؟!

مفهوم إنترنت الأشياء

هو مفهوم توصيل أي جهاز طالما أنه يحتوي على مفتاح تشغيل وإيقاف بالإنترنت والأجهزة الأخرى.
إنترنت الأشياء عبارة عن شبكة عملاقة من الأشياء والأشخاص المتصلين وكلهم يجمعون البيانات ويشاركونها.
يتضمن ذلك عددا غير عاديٍ من الأشياء من جميع الأشكال والأحجام من أفران الميكروويف الذكية التي تطهو طعامك لفترة زمنية مناسبة، إلى السيارات ذاتية القيادة التي تكتشف مستشعراتها المعقدة المسار وتحديد الجهات وغيرها.
هو مصطلح يعني ربط كل جهاز بدءًا من جهازك المحمول وصولًا إلى الغسالات حتى آلات صنع القهوة وأي شيء يخطر على بالك الان.

بعض الأمثلة الواقعية

مثلًا يتم ربط ساعة اليد خاصتك بأجهزة الإنارة. مع الوقت تصبح أجهزة الإنارة قادرة على معرفة مواعيد استيقاظك فيتم تشغيل إنارة المنزل بشكل تلقائي دون الرجوع إليك.
وأحيانًا يكون لديك اجتماع مع شركة معينة.
يتم ربط جدول مواعيدك بالسيارة فستكون قادرة على تحديد المسار والمسافة والمدة اللازمة والزحمة وكل شيء تتخيله.
ولو فرضنا جدلًا أن السيارة حددت المسار واكتشفت أنه هناك زحمة.
تلقائيًا أنت ستتأخر عن الموعد فستقوم السيارة بإرسال رسالة إلى الشركة بأنك ستتأخر مدة معينة دون الرجوع إليك وأنت تقود.
لو أسقطنا هذه الأمثلة على جميع الأجهزة، وكان لها القدرة على تحليل المواقف واتخاذ القرارات المناسبة سنكون قادرين على توفير الكثير من الوقت والجهد بشكل حتمي.
فسنكون قادرين على فهم حياتنا وطريقة عملنا بشكل ديناميكي أكثر من خلال ربط كل الأجهزة بالإنترنت.

طريقة عمل إنترنت الأشياء

يتم توصيل الأجهزة ذات المستشعرات المدمجة بمنصة الإنترنت والتي تدمج البيانات من الأجهزة المختلفة مع بعضها، وتطابق جميع التحليلات لمشاركة معلومات مفيدة تلبي احتياجاتك.
فهي تحدد بدقة المعلومات وما يمكن تجاهله منها بأمان.
يمكن استخدام هذه المعلومات لاكتشاف أنماط حياتك وتقديم التوصيات بما يناسبك واكتشاف المشكلات المحتملة قبل حدوثها.

ثورة إنترنت الأشياء

من ثورة المحركات البخارية إلى ثورة محطات الطاقة واختراع المصباح الكهربائي حتى ثورة التكنولوجيا الرقمية، هل نحن مقبلين إلى ثورة صناعية رابعة تحت مسمى إنترنت الأشياء؟
فعليًا قد بدأت عوالم هذه الثورة بالتشكل.
كل شيءٍ يتحول إلى بيانات وتحليلات تنبؤية وروبوتات ستحسن مستقبل الصناعة.

رقمنة الصناعة

تُمكن إنترنت الأشياء الأجهزة من الاتصال وتبادل البيانات في التصنيع.
تربط إنترنت الأشياء العمليات بالآلات بالأنظمة بالأشخاص.
مما يتيح تكاملًا أفضل لعمليات المصنع وتحقيق مستويات أعلى من الإنتاجية والارتقاء بمستوى التصنيع.
معدات المصانع الذكية قادرة على:
منع تأخير الإنتاج وتحسين أداء خط الانتاج.
تقليل وقت تعطل المعدات وزيادة كفاءة عملية الإسراع في إصلاح المعدات.
كلما كانت قاعدة بياناتك أذكى كلما كانت المعدات قادرة على:
تخسين سلامة العمال.
اكتساب ادارة أفضل للقوى العاملة.
زيادة انتاج العاملين وخبراتهم.
التقليل من استهلاك الطاقة في المنشآت والمباني.

المصادر:

[1]forbes

[2]ibm

[3]ibm

صنع العلماء نموذجًا لخلية عصبونية اصطناعية من فتحات رقيقة من الجرافين توازي مساحة طبقة من جزيئات الماء. ولكن بدلًا من استخدام الإلكترونات أصبحوا يستخدمون الأيونات مثلما يحدث في دماغ الإنسان. 

تعتمد كفاءة دماغ الإنسان بشكل أساسي على الخلية العصبية والقنوات العصبية والأيونات التي تنتقل من خلية لأخرى مرورًا بالقنوات. وسريان الأيونات الناتج من هذه العملية يخلق تيارًا إلكترونيًا يرتفع وينخفض، فتسمح هذه الإشارات بالتواصل بين الخلايا العصبية. 

يستطيع الذكاء الاصطناعي فعل ذلك ولكنه يستخدم طاقة أكثر بكثير، تصل إلى عشرات الآلاف من الطاقة التي يستخدمها الدماغ. ويكمن تحدي العلماء في تمكين الذكاء الاصطناعي من القيام بهذه المهام باستخدام طاقة توازي الطاقة التي يستخدمها دماغ الإنسان. بالإضافة إلى أن دراسة علم النانو في السوائل مهمة في هذا البحث؛ لأنه يدرس كيف تتفرق السوائل في قنوات أقل من ١٠٠ نانومتر. وأوضحت دراسات جديدة كيف أن مجالًا كهربائيًا يشبه طبقة وحيدة من جزيئات الماء ويتحول إلى مجموعات. 

أهم تطبيقات الشبكات العصبونية الاصطناعية

• بدلًا من قراءة وحفظ مجموعات من الكتب أو الذهاب للمدرسة للتعلم. سيكون هناك أجهزة في الدماغ توفر لنا المعلومات حينما نطلبها، وقد يتحقق ذلك بحلول سنة ٢٠٤٠م.

• جهاز يُوضع على سطح الدماغ قادر على التواصل مع الخلايا العصبية ويسجل نشاطهم حتى يخبرهم كيف يتصرفون في المواقف التي تواجه الشخص. 

• واحدة من أهم التطبيقات هي التحفيز العميق للدماغ. حيث تُوضع أقطاب كهربائية في الدماغ لتحفيز مناطق معينة لتقليل اعراض بعض مشاكل الدماغ مثل أمراض الشلل الرعاش والصرع. وقد استخدم أكثر من ١٥٠ ألف شخص حول العالم هذه الخلية العصبية الاصطناعية. 

• هذا الجهاز يستطيع التحكم في الأعصاب في أجزاء أخرى من الجسم؛ حيث يستخدمه الأطباء لمساعدة الأشخاص المصابين بالشلل على الحركة مرة أخرى.

• بالإضافة إلى أن فريق من العلماء من جامعة بنسلفانيا استطاعوا النجاح في تقوية قدرات الذاكرة للأشخاص عن طريق تحفيز مناطق في الدماغ باستخدام الأقطاب الكهربية. 

إيلون ماسك صاحب شركة نيورالينك التي تعتبر أشهر الشركات في هذا المجال

 هدف هذه الشركة هو دمج الكمبيوتر بدماغ الإنسان، حيث الاستفادة من تطور تفكير الإنسان وتأثيره على تطور التفكير في آلة واحدة تدمج بينهما. تستخدم نيورالينك خطوطًا في الدماغ مرتبطة بجهاز يستطيع دمج نشاط الدماغ مع الخلية العصبية الاصطناعية. وصورت الشركة فيديو لقرد عمره ٩ سنوات يستطيع ممارسة لعبة على الكمبيوتر باستخدام هذه التقنية.

يطور الفريق أيضًا شرائح تُوضع في دماغ الإنسان من خلال إبرة دقيقة جدًا، هدفها مساعدة الشخص على رفع وتحميل المعلومات مباشرة من الدماغ كما في فيلم The Matrix. ويعمل العلماء أيضًا على تصنيع شريحة دقيقة جدًا تساعد على الوصول إلى أماكن معينة في الدماغ وتسهيل الجراحة. فهل ستوافق على جعل دماغك عبارة عن آلة في العقود القادمة؟

بالإضافة إلى القدرة على نقل المعلومات من خلية عصبية اصطناعية إلى أخرى. يقوم بهذا العمل فريق باحثين فرنسي مع علماء من جامعة مانشستر في إنجلترا. والخطوة القادمة هي محاولة إثبات أن هذه الأنظمة تستطيع أن تستخلص خوارزميات تعليمية أساسية، والتي بدورها تعتبر أساسًا لبداية عصر دمج الشبكات العصبية في الدماغ مع الشبكات العصبونية الاصطناعية. 

عيوب الشبكات العصبونية الاصطناعية

ولكن ذلك له عيوب؛ حيث من الممكن بيع هذه المعلومات الخطيرة عنك القادمة من الدماغ مباشرة. 

ومن الممكن أن تستخدم بشكل أكبر وأساسي في قواعد التوظيف. 

مصادر

interesting engineering

science direct

أشهر خوارزميات تعلم الآلة

مقدمة

خوارزميات تعلم الآلة هي العنصر الرئيسي لجعل الآلة ذكية. أي أنها مكون أساسي من مكونات عمل الذكاء الاصطناعي. تحتوي على ثلاثة عناصر أساسية:

• «مجموعة البيانات-data set»
• «نموذج-model»
• مخرجات (توقعات)

وظيفة خوارزميات تعلم الآلة الأساسية هي التنبؤ بالمخرجات بشكل صحيح. أي أنها تظل تتعلم وتتطور من مجموعة البيانات إلى أن تكوّن نموذج دقيق بإمكانه توقع المخرجات بأقل نسبة خطأ ممكنة.

تصنف خوارزميات تعلم الآلة بشكل رئيسي حسب طريقة تعلم الآلة إلى ثلاث منهجيات:

( «التعلم الخاضع للإشراف-supervised learning» – «التعلم الغير خاضع للإشراف-unsupervised learning» – «التعلم المعزز-reinforcement learning» )

يمكنك معرفة المزيد عن كيفية عمل خوارزميات تعلم الآلة والفرق بينها وبين الخوارزميات التقليدية في مقدمة عن تعلم الآلة

«التعلم الخاضع للإشراف-supervised learning»

هو النهج القائم على تعلم الآلة من مجموعة البيانات المصنفة. حيث تحتوي تلك البيانات على عدة أزواج من المدخلات والمخرجات فتحللها وتتعلم من خلالها وتستخرج النمط الرابط بينها في شكل «نموذج-model» يمكن تحسينه واستخدامه فيما بعد مع مدخلات جديدة للتنبؤ بالمخرجات الأقرب إلى الصواب. فعلى سبيل المثال عند وجود مدخل X ومخرج Y فالهدف هو التعلم من مجموعة البيانات (X,Y) ثم إيجاد الرابط بينهما في شكل دالة f، حيث f(X) = Y. ومن خلال تحسين تلك الدالة يتم التنبؤ بالمخرجات بشكل دقيق عند إدخال مدخلات جديدة. (1)

تضم منهجية التعلم الخاضع للإشراف العديد من الخوارزميات المختلفة حسب نوع المشكلة التي يتم حلها ومجموعة البيانات المتاحة. من أشهر تلك الخوارزميات هما «الانحدار-Regression» و «التمييز-Classification»، كلًا منهما يقوم على إيجاد الرابط بين مجموعة المدخلات والمخرجات في شكل نموذج واستخدامه فيما بعد في عملية التنبؤ. الفرق بين خوارزميات الانحدار والتمييز هو أن المخرجات في حالة الانحدار عددية أما في حالة التمييز وصفية. أحد خوارزميات الانحدار هو «الانحدار الخطي-linear regression» وأحد خوارزميات التمييز هو «الانحدار اللوجستي-logistic regression».

«الانحدار الخطي-linear regression»

يعرف على أنه طريقة تحليل احصائية لتحديد العلاقات الكمية بين متغيرين أو أكثر من خلال تحليل الانحدار في الاحصاء الرياضي.
بعبارة أخرى، هو نموذج خطي يفترض وجود علاقة خطية بين متغيرات الإدخال x ومتغير الإخراج الوحيد y، أي يمكن حساب y من مجموعة خطية من متغيرات الإدخال x. عندما يكون هناك متغير إدخال واحد x فإنه يشار إلى الطريقة على أنها انحدار خطي بسيط- simple linear regression وعندما يوجد عدة متغيرات إدخال فتسمى الطريقة بالانحدار الخطي المتعدد-multiple linear regression.
(2)

فعلى سبيل المثال: من السيناريوهات المحتملة لاستخدام خوارزمية الانحدار الخطي هو عندما يوجد مجموعة بيانات لمساحات بعض المقرات السكنية ونود التنبؤ بسعر المنزل. فبوجود مجموعة البيانات التي تحتوي على أزواج (مساحة المنزل – سعره) يمكن تحليلها والتعلم منها وتكوين نموذج في شكل معادلة y = mx + c حيث أن x تمثل مساحة المنزل و y سعره. ويمكن تمثيل تلك المعادلة بيانيًا وتحسينها واستخدامها لاحقًا في التنبؤ بسعر المنزل.

الشكل المقابل يمثل رسمًا بيانيًا لمعادلة نموذج الانحدار الخطي
y = mx + c + e

y تمثل قيمة سعر المنزل
x تمثل قيمة مساحة المنزل
e تمثل نسبة خطأ النموذج في التوقع، وكلما قلت نسبة الخطأ ازدادت دقة النموذج في التوقع

حيث تمثل النقط الزرقاء القيم الفعلية للمتغير y بالنسبة للمتغير x (أي القيمة الفعلية لسعر المنزل الذي مساحته x)، ويمثل الخط الأحمر معادلة الانحدار الخطي. كل قيمة تقع على ذلك الخط تمثل قيمة المتغير y المتوقعة بناء على معادلة النموذج (أي سعر المنزل المتوقع بناء على المعادلة). ولذلك فالهدف من تحسين النموذج هو تقليل نسبة الخطأ الناتجة في القيمة المتوقعة، أي تقليل المسافة العمودية بين قيمة y الفعلية وقيمة y على الخط في التمثيل البياني للنموذج.

«الانحدار اللوجستي-logistic regression»

أحد أشهر خوارزميات التعلم الخاضع للإشراف وهي شبيهة جدًا بخوارزمية الانحدار الخطي ولكنها تختلف في نوعية مخرجاتها، ففي حالة الانحدار اللوجستي المخرجات وصفية وليست عددية، أي تنتمي لفئة معينة ولا تمثل عددًا بذاتها. فعلى سبيل المثال عند وجود مجموعة بيانات تحتوي على أزواج (شكل الوجه – جنسه) يمكن تحليلها واستخدامها في بناء نموذج يمكنه توقع جنس الشخص من مواصفات وجهه، في هذه الحالة فإن المخرجات وصفية ثنائية (إما ذكر أو انثى). (3)

«التعلم الغير خاضع للإشراف-unsupervised learning»

هي المنهجية القائمة على تعلم الآلة من مجموعة بيانات غير مصنفة وتحليلها وإيجاد التشابهات في الصفات الداخلية لتلك البيانات ومن ثم تقسيمها إلى عدة مجموعات تشترك عناصرها في الخصائص وهو ما يعرف ب «التجمع-clustering». من أشهر خوارزميات التجمع هي خوارزمية k-means.

خوارزمية K-means

تعد من أبسط خوارزميات التعلم الغير خاضع للإشراف. تقوم بتقسيم الملاحظات n إلى عدد k من المجموعات. حيث تنتمي كل ملاحظة إلى المجموعة التي يقترب متوسطها من تلك الملاحظة. (4)

مصادر

1 geeksforgeeks
2 machine learning mastery
3 java point
4 geeksforgeeks

مقدمة عن تعلم الآلة

ما هو مفهوم «تعلم الآلة-machine learning»؟

تعلم الآلة هو فرع من فروع «الذكاء الاصطناعي-artificial intelligence» المهتم بجعل أجهزة الكمبيوتر تعمل دون أن تتم برمجتها بشكل صريح. أي يهتم بدراسة خوارزميات التعلم القائمة بشكل أساسي على جعل أجهزة الكمبيوتر تتعلم وتتطور بمفردها دون الحاجة إلى أوامر برمجية محددة وصريحة. بعبارة أخرى، هو الفرع المهتم بجعل الآلة تحاكي عملية التعلم في الإنسان.

الفرق بين خوارزميات تعلم الآلة والخوارزميات التقليدية

الخوارزميات التقليدية تقوم على أخذ المدخلات والأوامر البرمجية في شكل كود، وبناءً على المنطق الخاص بالأوامر البرمجية تقوم بإخراج المخرجات.
أما في حالة خوارزميات تعلم الآلة فإنها تأخذ المدخلات والمخرجات معًا فيما يسمى ب «مجموعة البيانات-data set». وبناءً على مجموعة البيانات هذه تستخرج «نموذج-model» يحتوي على المنطق أو النمط بين مجموعة المدخلات والمخرجات، ويُستخدم هذا النموذج لاحقًا مع مدخلات جديدة للحصول على مخرجات(أو توقعات).

ويمكن توضيح الفرق بينهما في الصورة التالية:

تطبيقات تعلم الآلة

تستخدم خوارزميات تعلم الآلة في المشاكل المعقدة التي يصعب وصف المنطق ورائها مثل تطبيقات «التعرف على الصوت-voice recognition». تستخدم أيضًا مع المشاكل التي تتغير بياناتها بشكل مستمر مثل أنظمة توقع الاتجاه من مبيعات السلع.

ونظرًا لكثرة مجالات استخدام خوارزميات تعلم الآلة فإن تطبيقاتها لا حصر لها.

فيما يلي بعض من هذه التطبيقات:

«محركات التوصية-recommendation engines»

عندما تبحث عن فيلمٍ أو منتجٍ ما، فتجد في اليوم التالي إعلانات لمنتجات مشابهة أو أثناء تصفحك لإحدى مواقع التواصل تجد توصيات لأفلام مشابهة للفيلم الذي بحثت عنه من قبل. هذا ما تفعله محركات التوصية. وتستخدم في عملها بشكل أساسي خوارزميات تعلم الآلة.

«السيارات ذاتية القيادة-self-driving cars»

تهدف الشركات إلى تصنيع سيارات بإمكانها القيادة بأمان دون الحاجة إلى سائق. ويعتمد تصنيع هذه السيارات في الأساس على خوارزميات تعلم الآلة.

الترجمة الفورية

تعتمد الترجمة الفورية على خوارزميات تعلم الآلة، حيث أن سرعتها ومرونة ترجمة النصوص من لغة إلى أخرى بسلاسة تتطلب معالجة سريعة ونموذجًا فعّالًا، وهو ما لا يمكن عمله بالخوارزميات التقليدية.

توقع الأمراض مثل الأزمات القلبية المحتملة

تقوم خوارزميات تعلم الآلة بفحص الملفات الطبية والتاريخ المرضي للمرضى ومن خلال تحليل تلك البيانات تقدّم توقعات عن أزمات القلب المحتملة للمريض. وقد تساعد تلك النتائج في إنقاذ بعض الحالات التي قد يستعصي على الطبيب وحده ملاحظتها وتشخيصها.

تصنيفات تعلم الآلة

تنقسم مناهج تعلم الآلة إلى ثلاث فئات عامة:

«التعلم الخاضع للإشراف – supervised learning»

يعتمد هذا المنهج على تعلم الآلة من بيانات (مدخلات ومخرجات) تدريبية مُصنفة. ومن خلال تحليل هذه البيانات يتم الوصول إلى نموذج يمكن استخدامه لاحقًا مع مدخلات جديدة في تحديد أصناف المخرجات بشكل صحيح.

العنصر المُميز لمنهجية التعلم الخاضع للإشراف هو عنصر التصنيف للبيانات المدخلة، فيسهل على الآلة التعلم والتمييز بين التصنيفات المختلفة. لذلك يتم تسميته بالتعلم الخاضع للإشراف، أي الخاضع للبيانات المُصنفة.

«التعلم غير الخاضع للإشراف – unsupervised learning»

تستخدم هذه المنهجية عندما يصعب تصنيف البيانات المدخلة بشكل مُسبق. فتتعلم الآلة من مجموعة البيانات الغير مصنفة وتقوم هي بتصنيفها بناءً على اكتشاف التشابهات والاختلافات الداخلية للبيانات. لذلك يتم تسميته بالتعلم الغير خاضع للإشراف، أي الغير خاضع للبيانات المُصنفة.

«التعلم المعزز-reinforcement learning»

يختص بكيفية جعل المُبرمَج (الآلة) يتخذ القرار (الاختيار) في بيئة من أجل تعظيم المكافأة الكلية. يختلف التعلم المعزز عن التعلم الخاضع للإشراف بأنه لا يحتاج إلى أي أزواج من المدخلات والمخرجات، ولكن عوضًا عن ذلك، يتم التركيز على الأداء المباشر الذي يُحسن من المكافأة التراكمية.

تاريخ تعلم الآلة

استخدم آرثر صموئيل مصطلح «تعلم الآلة-machine learning» لأول مرة في عام 1959، وهو أمريكي عمل في شركة IBM ورائد في مجال ألعاب الكمبيوتر والذكاء الاصطناعي. في فترة الستينات كان الكتاب التمثيلي لأبحاث تعلم الآلة هو كتاب نيلسون عن آلات التعلم الذي كان يتعامل مع تصنيف الأنماط. واستمر الاهتمام بالتعرف على الأنماط في السبعينات.

في عام 1981، تم تقديم تقرير حول استخدام استراتيجيات تدريس جعلت الشبكة العصبية الاصطناعية تستطيع أن تتعرف على 40 حرفًا (26 حرفًا و10 أرقام و 4 رموز خاصة).

وفيما بعد، قدم توم ميتشل Tom M. Mitchell تعريفًا رسميًا واسع النطاق للخوارزميات التي تمت دراستها في مجال تعلم الآلة. يأتي هذا بعد اقتراح آلان تورينج Alan Turing في ورقته البحثية “الحوسبة الآلية والذكاء” ، حيث استبدل السؤال “هل يمكن للآلات أن تفكر؟” بالسؤال “هل يمكن للآلات أن تفعل ما يمكننا نحن (ككيانات تفكير) القيام به؟”.

واستمر التطور في مجال تعلم الآلة إلى أن وصل إلى شكله الحالي في عصرنا الحاضر. والذي يمكن وصفه باختصار شديد في أنه العلم القائم على جعل الآلة تتعلم.

مصادر

wikipedia
IBM
simplilearn

تُسخّر الحوسبة الكمية أو الكمومية ظواهر ميكانيكا الكم كي تحقق قفزة فريدة في الحوسبة لحل مشاكل معقدة، عجزت عن حلها الحواسيب العملاقة الحالية. وهذا المقال هو بداية لسلسلة (مقدمة في الحوسبة الكمية)، وفي السطور التالية ستتعرف على ماهية الحوسبة الكمية وتاريخها وأهميتها.

علم المعلومات الكمي

ظهرت ميكانيكا الكم في عشرينيات القرن الماضي لوصف السلوكيات المحيرة للمادة والضوء، وأحدثت ثورة في شتى العلوم. نتج عنها اختراعات مثل الترانزستورات والليزر ونظام تحديد المواقع. من ثم توصل العلماء إلى أن المعلومات نفسها يمكن اكتسابها وتشفيرها. كذلك يمكن معالجتها في أنظمة الكم؛ فنتج عن ذلك “علم المعلومات الكمي”. حيث يعتمد علماؤه على الرياضيين والفيزيائيين وعلماء الحاسوب، إضافةً إلى علماء المواد والكيميائيين والمهندسين.

فيُعدّ علم المعلومات الكمي (QIS) من المجالات المثيرة، إذ يعتمد على نظرية المعلومات وعلوم الحاسوب وميكانيكا الكم والهدف منه هو معالجة المعلومات بطرق جديدة وفريدة.

ما هي تطبيقات علم المعلومات الكمي؟

قامت فرق متعددة التخصصات بتطبيق علم المعلومات الكمي على تقنيات الكم الجديدة في الاتصالات والشبكات وأمن البيانات والملاحة والتشخيص الطبي… كما أحرزوا تقدمًا في تطوير أنظمة الحوسبة التي قد تسمح بمعالجة تحديات كانت حلمًا في مجالات مثل التشفير واللوجستيات والعلوم الطبيعية.

بالطبع سيؤثر علم المعلومات الكمية على طريقة عيشنا وعملنا وحدوث تطورات في العديد من الجوانب مثل التجارة والتعليم والتوظيف! فكما ذكرنا أن علم المعلومات الكمي ساهم في تطوير أنظمة الحوسبة، فذلك التطور الهائل الذي حدث مناقض تمامًا للحوسبة الكلاسيكية والتي كانت خاضعة لحل مشكلات معينة. إذ تم تصميم الحواسيب الكلاسيكية لتقليد العمليات التي نقوم بها نحن البشر. فمنذ الستينيات تقدمنا في أربعة مجالات:

• صنع أجهزة أسرع.
• ‏تحسين الأجهزة استنادًا إلى عمليات البرامج المتكررة.
• ‏إعادة تصميم البرامج استنادًا إلى نقاط القوة والضعف.
• ‏زيادة سعة مساحة التخزين وسرعة عملية التخزين.

‏خلال تلك التطورات، تحسنت أيضًا مناهج البرمجة. لكن كل المهام لا تزال مشابهة إلى حد كبير للمهام البشرية. تكمن الاختلافات بين الحوسبة الكلاسيكية والكمية من تلك اللبنات الأساسية. فبدلًا من بناء شيء يحاكي الآلة الحاسبة، اكتشف العلماء الظواهر الكمية وسألوا أنفسهم، كيف يمكننا استخدم تلك الظواهر لإجراء العمليات بشكل أسرع أو أفضل من هذه الآلة الحاسبة التي صنعناها؟ نتج عن السؤال ظهور الحوسبة الكمية.

تاريخ الحوسبة الكمية

اقتُرحت الحواسيب الكمية في الثمانينيات من قِبل ريتشارد فاينمان ويوري مانين. لاحظ الفيزيائي الأمريكي الحائز على جائزة نوبل «ريتشارد فاينمان-Richard Feynman» أنه عندما تبدأ المكونات الإلكترونية في الوصول إلى المقاييس المجهرية، تحدث التأثيرات التي تنبأت بها ميكانيكا الكم والتي كما وضح أنه يمكن استغلالها في تصميم حواسيب أكثر قوة. يأمل باحثو الكم في تسخير ظاهرة تُعرف باسم التراكب. والتراكب هو المصطلح المستخدم لوصف حالة كمية. توضح وجود الجسيمات في حالات متعددة في نفس الوقت وهو ما يسمح للحواسيب الكمية بالتعامل مع العديد من المتغيرات المختلفة في نفس الوقت.

‏ ‏دور ميكانيكا الكم

تم تطوير ميكانيكا الكم بين عامي 1900 و1925، وهي تظل حجر الزاوية الذي ترتكز عليه في النهاية الكيمياء، وفيزياء المادة، والتقنيات مختلفة مثل رقائق الحاسوب وحتى إضاءات الليد LED. على الرغم من هذه النجاحات حتى بعض أبسط الأنظمة بدت وكأنها تتجاوز قدرة الإنسان على النمذجة بميكانيكا الكم. فمحاكاة أنظمة بضع عشرات من الجسيمات المتفاعلة تتطلب قوة حوسبة أكبر مما يمكن أن يوفره أي حاسوب تقليدي، وسيستغرق آلاف السنين لتنفيذ المحاكاة.

فرق جوهري

عليك معرفة أن الحوسبة الكلاسيكية موجودة في كل مكان حولنا من الهواتف المحمولة إلى الحواسيب الفائقة. ما تعتمد عليه هذه الأجهزة هو أنواع مختلفة من البرامج مثل أنظمة التشغيل والتطبيقات ومتصفحات الويب. لكن، إذا كان لدينا كل هذه القوة الحاسوبية، لماذا قد نحتاج إلى حاسوب كمي؟

ببساطة، على الرغم من قوة الحواسيب الكلاسيكية وقدرتها على حل المشكلات في الجبر وحساب التفاضل والتكامل وغيرها أسرع من الإنسان، لكن لا يزال هناك العديد من المشاكل المعقدة التي لا حل لها. ما زلنا نحتاج إلى الكثير من الوقت والموارد لحلها.

فمثلًا تواجه الحواسيب الكلاسيكيّة صعوبة في تمثيل المعلومات المرتبطة بالروابط الكيميائية. يرجع ذلك إلى أن جميع المكونات في الجزيء مترابطة مع بعضها البعض. لذلك، إذا قمت بالعبث في ذرة في جزئ، فإن باقي مكونات الجزئ ستتأثر. على سبيل المثال الكافيين، وهو مجرد جزيء مكوّن من 24 ذرة. سنحتاج إلى 10 ^ 48 بت لتمثيل الكافيين وهو ما يفوق قدرات أفضل حاسوب كلاسيكي.

نهايةً، سيحل الحاسوب الكمي الناتج عن الحوسبة الكمية مشاكل التطبيقات الكيميائية مثل اكتشاف مواد البطاريات، وإنتاج الأسمدة، واكتشاف الأدوية، ومتانة المواد. إضافة إلى مشاكل في تحليل بيانات السوق المالية، وتطبيقات الصناعة، وتحسين النقل أيضًا. ستساعد الحوسبة في توفير أنظمة تشفير أكثر قوة. فتتمثل أهمية الحوسبة الكمية في تخزين المعلومات في الحالات الكمية للمادة واستخدام عمليات البوابة الكمية لحساب تلك المعلومات من خلال تسخير وتعلم “برمجة” التداخل الكمي. وانتظرنا في المقالات المُبسطة القادمة؛ لمعرفة المزيد عن الحوسبة الكمية.

المصادر

• edx
• sciencemag
• britannica
• microsoft

هناك صراع بين الانسان والآلة منذ بداية الثورة الصناعية في جوانب عديدة، أهمها الجانب العقلي. أحد معايير هذا الجانب لدى البشر هو الشطرنج، ومنذ بداية اللعبة والبشر في تقدم هائل تنافسيًا وفكريًا. ولكن مهما تقدمنا فكريًا -كبشر- فلن نتمكن من الشطرنج واحتمالاته، فالشطرنج به عدد هائل من الاحتمالات والنقلات التي تفوق البشر فكريًا، فهناك 10¹²³ احتمال في دور الشطرنج المكون من 80 نقلة [1]. فهل ستتمكن الآلة من حصر كل هذه الاحتمالات؟ وما قصة الشطرنج بين الإنسان والآلة؟

تاريخ الآلة مع الشطرنج

البداية الأولى

بدأ الأمر في القرن التاسع عشر، تحديدًا 1890، عندما قام العالم الاسباني، ليوناردو توريس كيوفادو، باختراع جهاز بسيط مكون من سلك ومفتاح ودائرة كهربية. كان هذا الجهاز قادرًا على إعطاء “كش مات” في مرحلة نهاية الدور المكونة من ملك ضد ملك وقلعة. لم يلعب الجهاز أفضل النقلات، بل إنه كان يحتاج إلا أن يلعب حوالي 50 نقلة ليصل إلى مستوى اللاعب المتوسط.

على الرغم من إمكانيات الجهاز المتواضعة، إلا أنه استطاع أن يكشف الحركات غير القانونية في اللعبة، مثل تحريك القلعة على الوتر، وكان يعطي “كش مات” في نهايات بسيطة معينة. ليوناردو اكتشف أن الجهاز ليس له هدف عملي، ولا يستطيع تكوين خطة بسيطة، ولكنه آمن بقدرات الآلة على التحسن.

استمر الأمر كما هو عليه حتى الحرب العالمية الثانية، وفي عام 1947، قام آلان تورينج بتطوير جهاز إلكتروني بسيط في جامعة مانشستر. كان للجهاز القدرة على التنبؤ بالنقلة القادمة وتحليلها. وفي عام 1951، أي بعد تورينج بأربع سنوات، قام زميل له يدعى “دي. جي بينز” بكتابة برنامج له القدرة على حل موقف شطرنجي يتطلب “كش مات” في نقلتين، ولكنه لا يلعب الشطرنج. [2]

القفزة الأولى للآلة

في عام 1948، قام عالم أمريكي يدعى “كلود شانون” بنشر ورقة علمية استرعت الكثير من الانتباه. كان شانون، مثل تورينج وليوناردو توريس، يعرف قدرات الآلة وما يمكنها فعله. وكان يعلم انه لكي تتمكن الآلة من صنع الفارق في الشطرنج، فعليها أن تقوم ببعض الحسابات التعجيزية للبشر. لاعب الشطرنج المحترف له القدرة على حساب 50 نقلة على الأكثر قبل اختياره لنقلة معينة، أما الآلة فيجب أن تقطع شوطًا أكبر من هذا بكثير. ففي موقف شطرنجي طبيعي، قد يتاح للاعب أن يختار نقلة من 30 نقلة قانونية، وبما أن لكل نقلة رد معين، فيجب أن تدرس الآلة كل هذه الردود لتصل للمستوى المطلوب، هذا يعني 900 نقلة، وإذا أرادت الآلة إيجاد رد مناسب للرد الذي سيلعبه الخصم، فيجب أن تدرس 30 نقلة أخرى (بافتراض أن ذلك عدد النقلات الذي سيتاح)، هذا يعني 30*30*30 = 27000 نقلة!

كان تقييم كلود للآلة يختلف عن تقييم تورينج. تورينج رأى أن الأمر يعتمد على كثرة القطع بعد وضع شطرنجي معين، أما كلود فرأى أن الأمر لا يعتمد على القطع، بل على معايير أخرى، مثل سيطرة البيادق على الرقعة، ووضع القطع السليم وتناسقها مع بعضها البعض. [2]

الانسان ضد الحاسوب

أما عن أول مواجهة بين الانسان والحاسوب، فكانت في ستينيات القرن الماضي، عندما اخترع طالب في جامعة MIT، الحاسوب “ماك هات6” وشارك به في بطولة تابعة للاتحاد الأمريكي للشطرنج في فبراير، عام 1967. خسر الحاسوب في أربع مباريات، ولكنه تعادل في واحدة. الأمر المخيف هو تطور ذلك الحاسوب بسرعة ملحوظة، حيث كان تقييم الحاسوب في شهر فبراير حوالي (1200) ولكن بعدها بشهرين أصبح تقيمه (1600) تقريبًا، وهذا تقييم لاعب متوسط في الاتحاد السوفيتي. [2]

القفزة الثانية للآلة (الحاسوب)

عام 1970، طور فريق من الباحثين (تشيس 3)، والذي فاز بالبطولة التي نُظمت في نيويورك بين الآلة. كانت حواسيب الستينات لها القدرة على تقييم المواقف التي تعتمد على حركتين قادمتين، أما في السبعينات فكان الأمر مختلفًا، حيث تنبأ الباحثون أنه بدراسة نصف نقلة فقط، سيزيد تقييم الآلة إلى 250 نقطة. تطور الأمر عندما ظهر الحاسوب Deep thought، والذي لعب بتقييم 2700، وهو تقييم الأساتذة الكبار في الشطرنج. النقلة النوعية كانت بظهور Deep Blue، وهو حاسوب طورته شركة IBM، ظهر عام 1996، وكان النسخة المطورة من Deep thought، ليس هذا فحسب، Deep Blue، استطاع أن يحسب ويحلل 6 نقلات مسبقًا! جاري كاسباروف، وهو أفضل لاعب في التاريخ من وجهة نظر الكثيرين، قال إنه يستطيع أن يحسب فقط من ثلاث إلى 5 نقلات ويحللها مسبقًا. [2]

الشطرنج بين الإنسان والآلة: كاسباروف ضد ديب بلو

10 فبراير 1996، هو تاريخ هزيمة بطل العالم “جاري كاسباروف” وأقوى لاعب في التاريخ -وقتها- أمام حاسوب IBM “ديب بلو”.  [3]

لعب كاسباروف مباراتان أمام ديب بلو، كل مباراة مكونة من 6 أدوار. المباراة الأولى كانت عام 1996، وفي الواقع، فاز كاسباروف على الآلة في هذه المباراة. [4]

الأغلبية العظمى من جمهور الشطرنج لا يعرفون هذه المعلومة، ولكن الحقيقة أن كاسباروف بالفعل هزم ديب بلو في المباراة الأولى عام 1996، بنتيجة 3-1 لكاسباروف. [4]

أما في المباراة الثانية فاز ديب بلو وهذه المباراة هي التي نالت نصيب الأسد، وهذا دليل على شيئين، الأول هو قوة كاسباروف كلاعب شطرنج، فلو كان عاديًا لما فاز في المباراة الأولى ولم يكن ليحظ بكل هذا الاهتمام. الشيء الثاني وهو الأهم: الآلة قادمة! [4]

ليس بالضرورة أن الآلة تفوقت على البشر، وبالحديث عن الشطرنج بين الإنسان والآلة، نجد أنه حتى في ظل الذكاء الاصطناعي الموجود حاليًا، والحواسيب الشطرنجية الخارقة مثل ألفا زيرو (ذكاء اصطناعي)، وستوك فيش، وكومودو، وغيرهم. بالطبع تتفوق الآلة في بعض الجوانب مثل انعدام المشاعر، ولكن هل هذه ميزة أم عيب؟ الأمر نسبي. على الجانب الآخر، نحن البشر نملك زمام الأمور، على الأقل حاليًا، وكما قال كاسباروف “لماذا يجب أن نقارن بين الآلة والانسان؟ بالعكس، يجب أن نعمل معًا” [5].

المصادر

1. Scientific American
2. Britannica
3. The Washington Post
4. Kasparov
5. Garry Kasparov Ted Talk

تخيل أن تذهب إلى المستشفى ولا تقابل فيها إنسانًا. عندما تذهب إلى الاستقبال تجد روبوت يأخذ معلوماتك، وبجانبه روبوت آخر يقيم حالتك ويوجهك إلى الطبيب المختص – الذي قد يكون أيضًا روبوت – يشخص حالتك، وتساعدك ممرضة روبوت. وتستطيع أن تحصل على علاجك من صيدلية يديرها روبوت صيدلي. من الممكن أن يكون هذا مشهد تخيلي ولكن قد تحدث منه بعض العناصر مكتملة في مكان واحد، وقد تكون منفردة. في النهاية من الممكن أن نصل إلى مستشفى لا يعمل به بشر.

الأسباب التي تجعلنا نستعين بالروبوتات الطبية

1. لا تغيب عن العمل. 
2. أيديها لا تهتز بشكل مفاجئ. 
3. تستطيع عمل حركات دقيقة. 
4. تتواجد مع المرضى دائمًا دون تعب.

الممرضة الروبوت

في هونج كونج، الفريق الذي صمم الروبوت صوفيا صمم أيضًا روبوت مخصص في المجال الطبي «الممرضة جريس» بهدف التعامل مع المرضى – وخاصة كبار السن – والمعزولين بسبب كورونا. ترتدي جريس الزي الرسمي الأزرق الخاص بالممرضات، ملامحها أسيوية، وشعرها بني، ولديها كاميرا حرارية على الصدر لقياس الحرارة. وتستخدم جريس الذكاء الاصطناعي لتشخيص المرض، وتستطيع التحدث باللغة الإنجليزية والماندرين الصينية واللغة الكاتونية، وتساعد مقدمي الرعاية الصحية. وهدفها هو تخفيف الأعباء على مقدمي الرعاية الصحية في الخط الأمامي أثناء الوباء. والشكل البشرى للروبوت لزيادة الثقة وتسهيل التفاعل الطبيعي؛ حيث أن لديها ٤٨ عظمة في الوجه. 

تكلفة تصميم مثل هذا الروبوت كبيرة وتتخطى تكلفة تصنيع سيارة فاخرة ولكن ستكون التكلفة أقل في حالة تصميم الشركات مئات وآلاف الروبوتات. ولقد صُمم هذا الروبوت نتيجة للأحداث الحالية من الوباء ليساعد المرضى على الحصول على رعاية جيدة دون التعرض للخطر. [1]

روبوت طبيب

• الروبوت الجراحي:

يموت أكثر من ٢٥٠ ألف شخص سنويًا في الولايات المتحدة بسبب الأخطاء الطبية، وبعض هذه الأخطاء كان من الممكن تفاديها. هذا الروبوت متعدد الأيدي، يستخدم لتقليل الأخطاء الجراحية، وعمل اختراق أقل داخل الجسم، وتحكم أفضل، ووقت شفاء أسرع. [2]

• روبوت العلاج بالإشعاع:

نظام جراحي متكامل لتوصيل العلاج بالإشعاع وبدقة عالية. اُخترع سنة ١٩٩٠م، ويُستخدم لعلاج السرطان في الولايات المتحدة ويوصل الإشعاع للأعضاء المُصابة خصيصًا مما يقلل من تعرض باقي أعضاء الجسم السليمة للإشعاع. اُستخدم الروبوت على بعض أنواع السرطانات مثل البروستاتا والدماغ والكبد.

• روبوت تواصل للفحص:

يستخدم الأطباء الروبوت لمساعدتهم على فحص وعلاج المرضى الموجودين في القرى والأماكن البعيدة. وهو عبارة عن روبوت مزود باتصال فيديو وأدوات فحص وإعطاء إشارات واستجابات لمساعدة الطبيب على التشخيص. [4]

• ذكاء اصطناعي تشخيصي:

وهي أهم وظيفة طبية يقوم بها الروبوت، عن طريق استخدام تعلم الآلة يدرب العلماء الروبوت للقيام بالمهمة أفضل من البشر عن طريق تزويده بآلاف الأمثلة. ومن المؤكد أن هذا صعب الوصول إليه بشكل كامل الآن، ولكن حدثت تطورات عديدة على سبيل المثال، توقع حالة المريض المستقبلية عن طريق فحص التاريخ المرضي. ومن الممكن استخدام هذا الروبوت حاليًا في تقييم الحالات عند الدخول إلى المستشفى. [3]

• روبوت لتدريب المختصين:

من الممكن ألا يكون هذا الروبوت إضافة قوية حيث يوجد جثث للتدريب ومتوفرة بكثرة. ولكنه أفضل حيث استجابته أفضل وسريان دموي أفضل لتمكين تدريب الطلاب والمتخصصين.

الصيدلي الروبوت

صيدلية قائمة بشكل كامل على روبوتات لصرف الأدوية الموصوفة، ومن المتوقع أن تُعمم في أشهر مستشفيات الولايات المتحدة خلال ٥ سنوات. وبالفعل توجد عدد من الخدمات الصيدلانية المميكنة والتي تساعد الصيدلي في عمله في دول متعددة في العالم منها السعودية. 

روبوت الاستشفاء 

وهو عبارة عن جهاز لاستبدال حيوان الببغاء، ويستخدم لتحسين جودة الحياة في فترة الاستشفاء من الجراحة أو العلاج من الاكتئاب والأمراض العقلية. اُستخدم خاصة مع مرضى كبار السن المصابين بالزهايمر والقلق والتوتر والاكتئابِ. [2]

الأطراف الصناعية

تغيرت المعادلة الآن من هل نستطيع أن نصنع طرف صناعي يشبه الطبيعي إلى هل نستطيع أن نفعل شيئًا أفضل من الطبيعي؟

في جامعة «MIT» اخترع الباحثون أطراف قادرة على تتبع وضع الإنسان في ٣ اتجاهات، وتعديل وضع المفاصل لأكثر من ٧٥٠ مرة. وبالإضافة إلى ذلك استطاعوا تطوير جلد إلكتروني وأنظمة عصبية للتحكم في الطرف الصناعي تماثل التحكم في الطرف الطبيعي.

الروبوت المُساعِد على الحركة

يساعد الأشخاص غير القادرين على الحركة الذين قد أُصيبوا بالشلل وعدم القدرة على المشي مرة أخرى بما يعتبر معجزة في عالم الطب. وأيضًا يستخدم كإعادة تأهيل بعد إصابة في المخ والحبل الشوكي. وطور العلماء هذا الروبوت إلى أن أصبح  مرتبطًا بإشارات المخ.

روبوت التعقيم

أعلن مركز الوقاية والسيطرة على الأمراض عن ٧٧٢ ألف حالة عدوى من المستشفيات في سنة ٢٠١١م. تحدث العدوى لأن الغرف لن تصبح معقمة  بنسبة ١٠٠٪ حتى بعد مجهود خرافي. وأكثر المرضى المعرضين لهذه المشاكل هم الذين لديهم مشاكل مناعية. لذلك اخترعه العلماء لتطهير كل المستشفى في دقائق باستخدام الأشعة فوق البنفسجية التي تقتل عدد كبير من البكتيريا – وخاصة المقاومة للميثيسيلين «MRSA» – للمساعدة في إنقاذ الحياة. 

روبوت التوصيل داخل المستشفى

روبوت متخصص في نقل المواد والوجبات والمقتنيات داخل المستشفى لأغراض عديدة، ويتحرك بما يساوي ٥٣ ميل لكل يوم. واستخدمه المركز الطبي في جامعة كاليفورنيا حيث لديهم ٢٥ روبوت من هذا النوع. ولهذا الروبوت القدرة على الطلب من المارة داخل المستشفى فتح المجال لهم للحركة. [4]

ما زالت التطورات عديدة ومتنوعة خاصة في استخدام الذكاء الاصطناعي في المجالات الطبية. ولكن عن تعميم هذه التطورات في أماكن متعددة فيحتاج إلى وقت طويل ومجهود أكبر للتجربة والإثبات.

مصادر

[1] Reuters

[2] Case School Of Engineering

[3] Interesting Engineering

[4] ASME

في خمسينيات القرن الماضي، حاول “آلان تورينج”، عالم الرياضيات البريطاني، في مقالته “الحوسبة الآلية والذكاء الاصطناعي”، بالإجابة على تساؤل حول ذكاء الآلة وهل يمكن لها أن تفكر، وذلك من خلال صياغة تجربة فكرية عُرفت آنذاك باسم اختبار تورينج، واعتبرت فيما بعد أساس فلسفة الذكاء الاصطناعي.[1]

في الواقع، تحققت العديد من تنبؤات تورينج، وأصبحت الآلات والتقنيات تنافس الإنسان في جميع المجالات تقريبًا. ويعد الذكاء الاصطناعي واحدًا منها، إذ أنه أحد أقوى الأدوات التي تحكم عالم اليوم. وهي تقنية تتميز بمحاكاة الذكاء البشري لاستخدامه في الآلات وبرمجتها على ردود أفعال البشر.[2]

الذكاء الاصطناعي في الصحافة الآلية

تستخدم الصحافة الآلية التي تُعرف باسم “صحافة الروبوت”، خوارزميات توليد اللغة التي يتم تشغيلها بواسطة الذكاء الاصطناعي من أجل تحويل البيانات تلقائيًا إلى قصص إخبارية متنوعة وصور ومقاطع فيديو ثم توزيعها عبر منصات الصحافة الآلية.

فعلى سبيل المثال، قامت شبكة نشر Patch بدمج الذكاء الاصطناعي في نظام إدارة المحتوى الخاص بها لإنشاء وتوزيع مقالاتها المتكررة مثل تقارير الطقس والتقارير المالية.[3]

تجربة الذكاء الاصطناعي في المؤسسات الصحفية

في عام 2013 م، بدأت وكالة الأسوشيتد برس Associated Press باستخدام الذكاء الاصطناعي لأول مرة لإنشاء محتوى إخباري وإنتاج تقارير رياضية. وفي عام 2015 م، نفذت صحيفة نيويورك تايمز مشروعها التجريبي للذكاء الاصطناعي المعروف باسم المحرر، والذي كان الهدف منه هو تبسيط العملية الصحفية. كما عملت الواشنطن بوست على كتابة الأخبار الآلية لأول مرة في عام 2016م من خلال تغطية دورة الالعاب الأولمبية في ريو.[4]

تطبيقات الذكاء الاصطناعي في الإعلام

الذكاء الاصطناعي في السيطرة على التحيز

يعتبر التحيز المتزايد وصمة العار المؤلمة التي تواجهها وسائل الإعلام في عالم اليوم، فغالبًا ما تتحيز في نقلها للمعلومات إلي فكرة معينة، مما يؤدي في النهاية إلي نقل محتوى مضلل بدلاً من الأخبار الواقعية والمتوازنة.

في حالات مختلفة، يساعد الذكاء الاصطناعي في تقليل الذاتية التي تفرضها وسائل الإعلام على الاخبار والمعلومات حيث يتم تدريب خوارزميات التعلم الآلي على مراعاة المتغيرات التي تعمل على تحسين دقتها التنبؤية، بناءً على البيانات المستخدمة.

فعلى سبيل المثال تستخدم شركة Knowhere الإخبارية مزيجًا من تقنيات التعلم الآلي بالإضافة إلى الصحفيين البشريين لإنشاء قصصها الإخبارية.[5]

محاربة الأخبار الكاذبة

طور باحثون في جامعة واترلو، أداة جديدة تستخدم خوارزميات الذكاء الاصطناعي للكشف عن الأخبار الكاذبة والمزيفة، وتم تفعيل هذه الأداة بعد الانتشار الواسع للقصص الإخبارية الكاذبة والملفقة لخداع القراء وتضليلهم لتحقيق مكاسب سياسية أو اقتصادية.[6]

الذكاء الاصطناعي وإنشاء الوسائط المتعددة

 حيث توضع الصور في المنشورات من خلال خوارزميات الآلة، فعلى سبيل المثال أطلقت شركة Getty Images، نظام “اللوحات”، وهي أداة ذكاء اصطناعي جديدة للنشر الإعلامي والتي توصي بأفضل محتوى مرئي لمصاحبة مقال إخباري. وتعمل اللوحات على تزويد محرري الوسائط بمساعد بحث قابل للتخصيص لتلخيص المقالات وتقديم مجموعة مختارة من الصور لعناصر متنوعة من القصة.[7]

هل يمكن للذكاء الاصطناعي أن يحل محل الصحفيين؟

الذكاء الاصطناعي ليس موجودًا ليحل محل الصحفيين أو يلغي الوظائف. ويعتقد الخبراء أن الآلات ستتولى المهام الحالية للصحفيين بنسبة ما بين 8إلى 12 في المائة، والتي ستعيد توجيه المحررين والصحفيين إلى تناول الموضوعات بشكل أوسع وأعمق، يعتمد على التفسير والتحليل كالمقابلات الخاصة والمقالات التحليلية والتحقيقات الاستقصائية.

وفي الوقت الحالي، تقوم روبوتات الذكاء الاصطناعي بأداء مهام أساسية مثل كتابة فقرات عن النتائج الرياضية ونتائج الانتخابات ونتائج الألعاب الأولمبية، ويمكن للذكاء الاصطناعي أيضًا توفير الكثير من الوقت للصحفيين عن طريق نسخ المقابلات الصوتية والمرئية.[8]

المراجع

(1) journals.openedition.org
(2),(3)(5)(7)analyticssteps
(4)emerj
(6)sciencedaily
(8)the conversation

تخيل أن فريقك المفضل في كرة القدم مهزوم في مباراة هامة، والمتبقي من الوقت ١٥ دقيقة فقط على نهاية المباراة. يحاول المدرب معرفة رأي الذكاء الاصطناعي المُتمثل في جهاز كمبيوتر بجانبه أو روبوت. فتجده يطرح له بعض التوقعات والأفكار لتغيير الخطة. على سبيل المثال، في حالة استبدال لاعب مهاجم بلاعب خط وسط قد يحرز الفريق هدف بنسبة ٧٠٪، وفي حالة تغيير الخطة من اللعب بـ ٣ مدافعين إلى اللعب ب ٤ مدافعين من الممكن إحراز هدف بنسبة ٩٠٪. هذا جزء مما قد يحدث في عالم كرة القدم باستخدام الذكاء الاصطناعي.

بداية استخدام الأرقام في كرة القدم

في مارس سنة ١٩٥٠م، عاد محلل الأداء الإنجليزي «Charles Reep» من الحرب العالمية الثانية. بدأ تشارليز استخدام الأرقام في عالم كرة القدم. كان تشارليز مشجعًا متعصبًا لفريق أرسنال، وعندما عاد من الحرب وبعد مشاهدته ٣ مباريات وفي مباراة بين فريقي «Swindown town و Bristol city» وجد أن الخطط القديمة التي كان يراها في الملعب قد اختفت!

لاحظ تشارليز عدد هجمات لا حصر له بدون فعالية على المرمى. حينها بدأ تسجيل أحداث المباراة بقلم وورقة كأول محاولة لاستخدام البيانات في كرة القدم.

تاريخ خطة الكرة الطويلة

لاحظ تشارليز أن أغلب الأهداف التي تُحرز تأتي بعد ٤ تمريرات أو أقل؛ ساعدت هذه التحليلات في ظهور خطة الكرة الطويلة التي اُعتبرت علامة مميزة في كرة القدم الإنجليزية لعقود.

الوضع الحالي لاستخدام البيانات في كرة القدم

بعد ٧ عقود، أصبح علم البيانات أساسيًا في عالم كرة القدم، وأصبح الجمهور نفسه قادرًا على توقع عدد الأهداف والنتائج. وظفت الفرق القوية ذات الدخل المادي العالي طلاب ماجستير الإحصاء من الجامعات للعمل معهم. لدى نادي ليفربول الإنجليزي – بطل الدوري عام 2020 – شراكة مع شركة «Deep mind – ديب مايند» لاستخدام الذكاء الاصطناعي في عالم كرة القدم.

وفر فريق ليفربول كل البيانات لكل المباريات التي لعبها في الدوري من ٢٠١٧ إلى ٢٠١٩م للشركة لتحليلها.[1]

كيف نحصل على هذه البيانات الضخمة في كرة القدم؟

تضخمت كمية البيانات المتاحة في السنوات الأخيرة في كرة القدم بفضل استخدام أجهزة الاستشعار، وأنظمة تتبع وتحديد المواقع، بالإضافة إلى استخدام خوارزميات الكمبيوتر الحديثة لتتبع حركة اللاعبين والكرة. 

تطبيقات الذكاء الاصطناعي في كرة القدم

١. توقع رد فعل لاعب معين لموقف ما: على سبيل المثال لعب أحد لاعبي فريق ليفربول الكرة الطويلة على الجانب الأيمن لفريق مانشستر سيتي، وهناك لاعبان قريبان من الكرة، فيتنبأ الذكاء الاصطناعي أنه من الممكن أن يجري اللاعب الأول بشكل معين، بينما اللاعب الآخر من الممكن أن يترك الكرة للاعب الفريق. بالإضافة إلى توقع تأثير خطة معينة أو إمكانية لعب الخصم بطريقة معينة في حالة إصابة أحد أهم لاعبي الفريق.

٢. درس علماء البيانات أيضًا أكثر من ١٢٠٠٠ ضربة جزاء في أوروبا في المواسم القليلة الماضية. وقسموا اللاعبين المسددين لضربات الجزاء طبقًا لشكل اللعبة واستخدموا المعلومات لتوقع اتجاه تسديد اللاعب. على سبيل المثال، المهاجمون أكثر احتمالية للتسديد أسفل اليسار أكثر من لاعبي خط الوسط الذين يميلون للتوازن والتنويع في الطريقة والاتجاهات. استخدام القوة في أغلب الضربات لم يكن مفاجأة بالطبع.

٣. اُستخدمت بعض النماذج لتقدير حدث معين مثل التمريرات أو الركل أو التزحلق على الكرة ومساهمتهم في عدد الأهداف المتوقعة. ومن الممكن استخدام تحليل البيانات بعد المباريات للتوضيح للاعبين لماذا كان عليهم في بعض المواقف التمرير وفي مواقف أخرى ضرب الكرة. في مواقف أخرى كان من الأفضل إرجاع الكرة للخلف أو تمريرها للأمام.

٤. تتبع إصابات اللاعبين: هناك نماذج أخرى تعمل على تتبع أداء اللاعبين في القوة واللياقة البدنية أفضل من المدربين البدنيين، ووضع توصيات لراحة بعض اللاعبين قبل التعرض لإصابة ما بسبب الإرهاق.

٥. التوصية بالراتب المناسب للاعبين: يعمل النظام على تحديد أجور اللاعبين بناءً على البيانات واستفادة النادي والجماهير منهم. يُقسّم اللاعبون إلى من يحصل على راتب أعلى من المعدل الذي يستحقه ومن يحصل على راتب أقل و يستحق راتب أعلى. على سبيل المثال، باستخدام هذا النظام قُدّر أن لاعب برشلونة الشهير ميسي يحصل على راتب أعلى من الطبيعي المُتوقع له.

٦. صناعة نجوم كرة قدم للمستقبل: الرؤية الكروية للأندية تبدأ بكشافين للاعبين صغار يتم ملاحظاتهم وتعليمهم وتقييم مهاراتهم ومحاولة تدريبهم على المهارات الأهم في كرة القدم لتطويرها. [3]

لا تسير كل القوانين كما هو متوقع لها

في بعض الأوقات خُولفت القوانين حيث تدرب الذكاء الاصطناعي على فيديوهات كروية معاكسة للقوانين أو بها إهمال للقوانين مثل جوزية مورينيو المدرب البرتغالي الذي يعتبر أن أفضل النتائج تأتي بترك الاحتفاظ بالكرة للخصم وتوقع الخطأ. لذلك يجب أن يكون هناك خبير دائم لتقييم نتائج واختيارات الذكاء الاصطناعي في كرة القدم.

تطبيقات لتعلم الآلة في كرة القدم

١. موقع «kickoff.ai»: يتوقع نتائج المباريات اعتمادًا على النتائج والبيانات السابقة المُخزَنة؛ حيث يعمل النظام على تجميع حجم كبير من البيانات في أوقات مختلفة لجميع الفرق الرياضية. [2]

٢. نظام أكثر تطورًا مُقدم من جامعة «Loughborough»:
– لتقييم أداء اللاعبين عن طريق استخدام كاميرات تقنيات حديثة وتعلم عميق ومعلومات قد تصل إلى ١٠٠٠ فيديو لكل لاعب وفرق متعددة وتحركات اللاعبين.
– زيادة التناسق والتعاون بين اللاعبين حيث يتم تحليل أداء كل لاعبين قريبين من بعضهما.
– كاميرات لتغطية مساحات أكبر في المرة الواحدة لتحليل الملعب كله بالنسبة إلى اللاعب. 

٣. شركة «Scisports»: توفر حلول تتبع أداء اللاعبين وتوصية الأندية بشراء لاعبين معينين لتحسين جودة الفريق، وباستطاعة الشركة متابعة أكثر من نصف مليون لاعب. [4]

لن يصبح الذكاء الاصطناعي بديلًا للمدربين ولكن سيساعدهم، وتأثيره لن يزيد في ٦ شهور مثلًا. ولكن سيصبح أساسيًا في مساعدة المدربين في تحليل قبل وبعد المباراة وبين أشواط اللقاء لإعطاء نصائح للشوط الثاني في المباراة في خلال ٥ – ١٠ سنوات.

المصادر

[1] WIRED
[2] KICKOFF
[3] THINKML
[4] ANALYTIC STEPS
[5] DATA SCIENCE LAB

الذكاء الاصطناعي هو مجال واسع المدى مختص بعلوم الكمبيوتر مع بناء آلات ذكية قادرة على أداء مهام تحتاج إلى ذكاء الإنسان.

مكونات الذكاء الاصطناعي

تعلم الآلة: وهو فرع من فروع الذكاء الاصطناعي يعمل على بناء تطبيقات تتعلم من البيانات. وتتطور مع الوقت بدون برمجتها على هذا العمل. 

التعلم العميق: وهو فرع آخر يقلد عمل مخ الانسان في التعامل مع البيانات، والوصول إلى حلول وأشكال جديدة من البيانات الأصلية لاتخاذ القرارات. 

يتداخل أيضًا علم البيانات والبيانات الضخمة في الذكاء الاصطناعي؛ حيث أننا نعيش في عصر البيانات. فكلما ازدادت البيانات تحسن أداء الآلة. والبيانات المستخدمة في الذكاء الاصطناعي قد تكون حروف أو أرقام أو صور تتعرف من خلالها الآلة على شكل معين على سبيل المثال، مثال القطة المشهور الذي اُعتبر أول مثال تتعرف الآلة عليها دون إخبارها عن طريق التعلم العميق، بالإضافة إلى الصوت والنصوص. وتتلخص مشاكل البيانات أنها قد تكون في حاجة إلى تصحيح الخطأ أو إيجاد البيانات المفقودة. 

أمثلة عن الذكاء الاصطناعي وتعلم الآلة

• عندما يصل إليك بريد إلكتروني ويتم تحديد هل هذا البريد مرغوب أم غير مرغوب فيه. 
• تحويل الصوت إلى كلام مكتوب. 
• تحويل كلمات لغة إلى لغة أخرى. 
• إمكانية تحديد موقع السيارات في السيارة ذاتية القيادة عن طريق تخزين الصور ومعلومات السرعة والطرق. 

تاريخ الذكاء الاصطناعي

• ظهرت قصص الروبوتات الذكية والمخلوقات المُصنعة في الأساطير والحكايات الخاصة بالحضارة اليونانية القديمة. 
• سنة ١٩٤٣م، نشر العالمان «Warren McCullough» و«Walter Pitts» أول ورقة بحثية وضعوا فيها أول نموذج رياضي لبناء الشبكات العصبونية. 
• نشر العالم «كلود شانون-Claude Shannon» ورقة بحثية عن برمجة الكمبيوتر للعب الشطرنج سنة ١٩٥٠م. وفي نفس السنة نشر «إسحاق عظيموف-Isaac Asimov» ٣ قوانين عن الروبوتات.
• يعتبر عام ١٩٥٦م ميلاد الذكاء الاصطناعي كما نعرفه اليوم، حيث اُستخدم إسم الذكاء الاصطناعي صريحًا في مشروع بحثي بواسطة «John McCarthy». وفي العام نفسه طور لغة الذكاء الاصطناعي عن طريق بحث أوضح فيه نظام ذكاء اصطناعي كامل ذو قدرة على التعلم بكفاءة من تجارب الإنسان. 
• أسس العالم «Arthur Samuel» مصطلح تعلم الآلة في شركة IBM سنة ١٩٥٩م. 
• أسست وزارة الصناعة والتجارة الدولية باليابان مشروع الجيل الخامس من الكمبيوتر، وهو كمبيوتر متطور فائق الأداء بالإضافة إلى منصة لتطوير الذكاء الاصطناعي سنة ١٩٨٢م.
•  في سنة ١٩٨٥م، أصبحت الشركات تنفق أكثر من مليار دولار على هذه الأنظمة الجديدة، وتطورت لغة «Lisp» الجديدة بشكل ثوري لتعلم الآلة.
• طورت الولايات المتحدة إدارة تنظيم وتخطيط لوجستية تدعى «DART» أثناء حرب الخليج سنة ١٩٩١م.
• في ٢٠٠٥م، تطورت السيارات ذاتية القيادة على سبيل المثال، سيارة «STANELY» التي فازت في أهم سباقات السيارات في الولايات المتحدة، ويدعى «DARPA GRAND». 
•  قدمت  شركة جوجل طفرة في مجال التعرف على الكلام، وقدمت الخاصية في تطبيق أبل سنة ٢٠٠٨م.
• استخدم العالم «Andrew ng» التعلم العميق في التعرف على شكل القطة دون إخبار البرنامج بذلك عن طريق ١٠ مليون فيديو على اليوتيوب.
• صنعت شركة جوجل أول سيارة ذاتية القيادة تجتاز امتحان القيادة في الولايات المتحدة سنة ٢٠١٤م.

أنواع الذكاء الاصطناعي

أولًا: الذكاء الاصطناعي المحدود أو الضعيف وهو عبارة عن تقليد لذكاء الإنسان، وعادة ما يقوم بمهمة فردية بطريقة جيدة. وبالرغم من ظهوره بشكل جيد إلا أن لديه تحديات كبيرة للوصول إلى ذكاء الإنسان. ولكنه أدى وظائف مهمة؛ حيث قالت إدارة الرئيس أوباما في تقرير عام ٢٠١٦م للتجهيز لمستقبل الذكاء الاصطناعي أن الذكاء الاصطناعي ساهم في تأثيرات اجتماعية ملحوظة. 

ومنها على سبيل المثال، بحث جوجل، وأنظمة التعرف على الصور، والمساعد الشخصي البسيط مثل «siri»، والسيارات ذاتية القيادة.

ثانيًا: الذكاء الاصطناعي العام أو القوي وهذا ما نراه في الافلام مثل استخدام الروبوت ونجده يشبه أكثر ما يمكن الإنسان.

ومنها على سبيل المثال:

• المساعد الشخصي الأكثر تطورًا مثل «Alexa – أليكسا». 
• خرائط الأمراض وأدوات التنبؤ بها. 
• تصنيع الروبوت وبرمجته. 
• توصيات علاجات شخصية خاصة بكل مريض على حسب حالته الصحية الخاصة. 
• بوت محادثة خاص بالتسويق وخدمة العملاء. 
• فلترة البريد الإلكتروني من يكون مرغوب ومن يكون غير مرغوب فيه. 
• فحص مواقع التواصل الاجتماعي للمحتوى الخطير والأخبار المزيفة. 
• الاقتراحات والتوصيات الخاصة بالأغاني ومشاهدة الأفلام مثل: سبوتيفاي ونيتفليكس. 

ما الذي لا يستطيع الذكاء الاصطناعي فعله؟

• الرد على رسالة تحتاج إلى التعاطف في البريد الإلكتروني، عندما يخبرك أحد العملاء أن البضاعة المرسلة إليه قد تدمرت، ما يفعله الذكاء الاصطناعي هو الرد بعدد محدد من الجمل قد لا يتناسب مع الموقف فيجب أن يُحول العميل إلى مركز خدمة العملاء للتعامل مع المشكلة. 
• لا يستطيع الذكاء الاصطناعي أن يقف في محطة لإيقاف السيارات أو يشير بيده لإيقاف سيارة. ولا يستطيع أن يقود دراجة ويضع يديه جانبيه للحركة يمينًا أو يسارًا. 
• يستطيع الذكاء الاصطناعي تشخيص الالتهاب الرئوي من ١٠٠٠ صورة سابقة للمرضى، ولكنه لا يستطيع تشخيص المرض من خلال ١٠ صور توضيحية في كتاب طبي.

أهم تطبيقات الذكاء الاصطناعي

• «siri»: المساعد الشخصي الخاص بشركة أبل، بالاعتماد على الذكاء الاصطناعي يحاول فهم أسئلة وطلبات الأشخاص. 
• «Alexa»: وهو أساس المنازل الذكية، طورته شركة أمازون للمساعدة في مهام عديدة مثل جمع المعلومات من الويب والتسوق وتنظيم المواعيد وعمل منبة وغيرها الاستخدامات الأخرى. 
• سيارات «Tesla – تسلا» ذاتية القيادة. 
• «cogito» وتعد واحدة من أشهر الأدوات المُستَخدمة في التكيف السلوكي لخدمة العملاء. 
• «Boxever» وهي شركة تعتمد على تعلم الآلة لتطوير خبرة التعامل مع العميل في صناعة السفر والرحلات، ومساعدة الشركة على إيجاد عملاء دائمين. 
• تتوقع شركة أمازون ما يحتاجه العملاء قبل ما يطلبونه من خلال تتبع البحث على الويب.
• اقتراح العديد من الأفلام التي تتناسب معك بناءً على المشاهدات السابقة كما في شركة نتفليكس. 
• شركة «Nest» التي استحوذت عليها جوجل عام ٢٠١٤م  بقيمة ٣,٢ مليار دولار. تتعرف على احتياجاتك للحرارة أو البرودة بما يتناسب معك من خلال نظام أليكسا في منزلك.

مما لا شك فيه أن الذكاء الاصطناعي له في وقتنا هذا تأثيرات عظيمة على مجالات متعددة، ومن المتوقع أن يزداد تواجده في هذه المجالات ويدخل في مجالات جديدة. ولكن هذا المجال ليس بالسحر فله قدرات محددة معروفة للعلماء وفي نفس الوقت لا يستطيع التواجد في مجالات أخرى قد يكون بعيدًا عنها أو قد لم يُجرب فيما سبق.

المصادر:
forbes
britannica
investopedia
builtin

كأنك في مطعمٍ ما وترغب في طلب وجبة فراخ، فيحضر لك النادل وجبة تتكون من مكرونة وسلطة! لن يحدث هذا الموقف في مطعم جازان الذي يحتوي على روبوت. هذا الروبوت عبارة عن ذكاء اصطناعي متطور، حيث يعمل ٦ روبوتات في مطعم بوسط المدينة لتوصيل طلبات الوجبات الأسيوية للزبائن. أٌسس هذا النظام لتقليل التواصل البشري بعد أزمة كورونا، لكنه ترك أثرًا جميلًا مع الزبائن. حيث قليلًا ما نجد روبوتات تخدم الزبائن في مطعم بالسعودية وبالمنطقة العربية عمومًا.

روبوتات تخدم الزبائن في مطعم بمدينة جازان

أسست هذا النظام المهندسة السعودية (ريهام عمر) بوضع مستقبلات حساسة تسمح للروبوت بالحركة وتغيير الاتجاهات إن لزم الأمر وتوصيل الطعام للزبائن. أخبرت المهندسة ريهام عمر موقع «Arab News – أخبار العرب» أن بفضل هذه التقنيات أصبح الروبوت قادرًا على أن يوقف الحركة أو يغير اتجاهاته في الطريق.

كل روبوت لديه خريطة داخلية للمكان وموقع كل منضدة مسجلة في ذاكرته، وعندما يصل الموقع المطلوب يأخذ الزبون الطعام ويأمر الروبوت بالعودة مرة أخرى. وأضافت المهندسة أيضًا أنه تناقل خبرات من دول أخرى وبدعم من الحكومة السعودية لصناعة الغذاء، وتقول أن الزبائن يحبون الروبوت ومعجبون بالفكرة. [1]

الروبوت في المطاعم متوفر منذ مدة:

لمنع التواصل أيضًا في ظل أزمة كورونا، يوجد مطعم في كوريا يخدم الزبائن من خلال روبوت يعمل بالذكاء الاصطناعي؛ حيث يطلب الزبون من خلال جهاز موجود على منضدته ثم يضع الموظفون الطلب للروبوت، ثم يوصل الطلب ويأخذ الزبون طلبه. [2]

يستطيع أن يتحمل الروبوت ٣٠ كيلو جرام، ويستطيع التوصيل إلى ٤ مواقع مختلفة في المرة الواحدة ثم العودة. إن لم يكن هناك طلب آخر، يذهب إلى مكان الانتظار. يتحرك هذا الروبوت بمقدار ٥ أقدام في الثانية.

في بعض المطاعم أيضًا يتعرف الروبوت على الزبون من خلال رقم خاص به داخل المطعم فيعيد طلبات الزبون السابقة ويعرضها عليه ويعرض منتجات قد تشبهها. [3]

من المتوقع ان يصل سوق الروبوتات العالمي إلى ١٤٧,٢٦  مليار دولار بنمو ١٧,٢٤٪  في الفترة من ٢٠١٧ – ٢٠٢٥م. [4]

أول خطوة

بدأت أول خطوة لاستخدام الروبوتات في المطاعم بال «Cobots – الروبوتات التعاونية» وهي روبوتات اجتماعية لمساعدة البشر في المهام. ظهرت منذ عام ١٩٧٠م وتقوم بمهام بسيطة على سبيل المثال: الدفع والحجز واختيار الطعام المفضل.

فوائد الروبوت في المطاعم

• إدارة أعمال الطبخ بشكل أسهل وأكثر دقة مثل تحضير بعض الأطباق، والخطأ قد يكون غير وارد من الأساس. 
• تقليل التكاليف عن طريق القيام بالمهام المتكررة. 
• من الممكن أن يقوم بوظائف متعددة. 
• خبرات تفاعلية مع الزبائن لعرض عناصر سابقة وقد يصل إلى تسلية الأطفال أيضًا. [5]

مميزات عمل الروبوت في المطاعم

“يجب أن نكون جميعًا سعداء بقدرة الروبوت على القيام بوظائف متعددة بنجاح، وهي وظائف تحتاج إلى تكرار، مما سيسمح للبشر بالتركيز على المهام التي تحتاج الى إبداع أكثر.”

• تقليل الأمراض المنتقلة عن طريق الأطعمة. 
• قدم دخول الروبوت في هذه الصناعة حدًا أدنى لرواتب الموظفين داخل المطبخ. حيث يصل الراتب إلى ١٧ دولار بعدما كان تقريبًا ١٠ دولار في الساعة، بعدما نقص الاحتياج لعدد أكبر من الموظفين. 
• تجهيز الموظفين لوظائف أقوى في المستقبل مثل البيانات وإدارة الأشخاص. 

لكن هناك أسباب تخبرنا أن الروبوت لن يأخذ مكان الإنسان بشكل كامل على الأقل في المستقبل القريب في مثل هذه الأعمال:

• لا يحب الناس الروبوتات كما تعتقد. 
• تأخذ الأشياء الجديدة وقتًا طويلًا لتصبح طبيعية. 
• الموظفون هم من يحببون الزبائن في المكان بالمعاملة الطيبة. وقد تُستخدم الروبوتات في أماكن أفضل مثل طرق عرض أفضل الأطباق.
• يكشف لنا التطور التكنولوجي كل يوم عن اآفاق جديدة يحل فيها الروبوت محل الإنسان وكأننا أصبحنا في عالم عبارة عن منافسة بين الروبوت والإنسان، وعلى الإنسان أن يطور من نفسه دائمًا لكي يجد له مكانًا في هذا المستقبل.

المصادر:

[1] ARAB NEWS
[2] REUTERS
[3] FOX5 NEWYORK
[4] ON THE LINE
[5] FORBES