تعلم الآلة الأرشيف

7 تقنيات تغزو المدن الذكية فما هي؟

هذه المقالة هي الجزء 2 من 18 في سلسلة كيف ستغير المدن الذكية من شكل عالمنا؟

تستخدم المدن الذكية التقنيات المتطورة والابتكارات الحديثة، وتدمج البنية التحتية المادية مع تكنولوجيا المعلومات والاتصالات ICT وموارد المعرفة. يهدف ذلك إلى تعزيز التقدّم الاقتصادي، وتحسين نوعية حياة الأفراد، وضمان الاستدامة. فتعتمد المدن الذكية على مجموعة من الأدوات والتقنيات لكي تحقق أهدافها الأساسية، وتتصدى لمختلف التحديات التي تواجهها في نفس الوقت كالنمو السكاني والتلوث والازدحام. فما أمثلة تقنيات المدن الذكية؟

تقنيات المدن الذكية

تعد تقنيات المدن الذكية مصطلحًا واسعًا يشمل مجموعةً متنوعةً من التقنيات والاستراتيجيات القائمة على البيانات. تهدف المدن الذكية إلى تحسين نوعية حياة المواطنين، وجعل العمليات الحضرية أكثر كفاءة.[1] تسعى تقنيات المدن الذكية إلى تحقيق التكامل بين البنى التحتية المتقدّمة والتقنيات الحديثة لزيادة “ذكاء” المدن. قد يكون مصطلح “ذكاء” المدن غريب بعض الشيء لكنه المقصود ومرتبط بالذكاء الاصطناعي وهذا ما سنراه.

تضم هذه التقنيات العديد من الأنظمة والابتكارات مثل البرمجيات التطبيقية، ونظام تحديد المواقع GPS، وسلسلة الكتل Blockchain. عمومًا ينبغي على المدن الذكية ربط هذه النظم والأدوات ببعضها، وجمع عملها ونتائجها، لتوفير خدمات فعّالة للمواطنين. وهذا هو المقصود بـ “ذكاء المدن”.[2]

1. تكنولوجيا المعلومات والاتصالات ICT

تشمل تكنولوجيا المعلومات والاتصالات ICT أي جهاز اتصال أو تطبيق يعمل على جمع المعلومات ومعالجتها وتخزينها واسترجاعها ونشرها. بما في ذلك الراديو، والتلفاز، والهاتف المحمول، والبرمجيات، وأنظمة الاتصالات القائمة على الأقمار الصناعية، وغيرها الكثير. تساهم تكنولوجيا المعلومات والاتصالات في تطوير العديد من المجالات كالتعليم، والرعاية الصحية، والأعمال التجارية، وتعتبر أساس النمو والتنمية. [3]

تطبق المدن الذكية ICT في مجال الحوكمة الإلكترونية. حيث يمكن للمواطنين استعمال الانترنت للوصول إلى خدمات حكومية أو خدمات القطّاع الخاص. مما يقلل الحاجة للذهاب إلى المكاتب والفروع، فيخفف الازدحام في الدوائر الحكومية، ويسهل تنفيذ الأعمال على المواطنين. على سبيل المثال؛ استعمال ICT لتجديد رخصة القيادة وتسجيل الأعمال التجارية.[4]

2. المستشعرات

المستشعرات هي أجهزة تكشف وتستجيب وتقيس المؤثرات الفيزيائية مثل الضوء، والصوت، ودرجة الحرارة، والضغط، والحركة. وتحوِّل البيانات إلى إشارات يمكن قراءتها من قبل مراقب أو أداة، وتعتمد المدن الذكية عليها عادةً لجمع البيانات. تعمل المستشعرات في مراقبة حركة المرور، ومستوى الضوضاء، والحالة الفيزيائية للطرق والجسور والمباني، وذلك من أجل الكشف عن الأعطال في الوقت المناسب ومعالجتها.

تضم أجهزة الاستشعار العديد من الأنواع ومنها المستشعرات الحرارية التي تقيس درجات الحرارة، وتستعمل عادةً في أجهزة إنذار الحرائق. وكذلك المستشعرات اللاسلكية التي تستطيع التواصل لاسلكيًا مع أجهزة أخرى مثل الهواتف الذكية وأجهزة الحاسوب ويشاع استخدامها في انترنت الأشياء.[5][6] تكشف أجهزة استشعار إشغال المباني عن وجود أو عدم وجود أشخاص في غرفة أو مبنى ما، وتستعمل غالبًا في أنظمة التشغيل الآلي التي تتحكم في الإضاءة وأنظمة التدفئة والتكييف والتهوية. وتكشف المستشعرات الموجودة في الكاميرات أيضًا عن الحركة في المباني وتستعمل لأغراض أمنية.[7]

3. البيانات الضخمة Big data

تشير البيانات الضخمة إلى مجموعات البيانات الكبيرة أو المعقدة التي لا نستطيع التعامل معها بواسطة البرمجيات التقليدية. وتتسم البيانات الضخمة ب3 قيم:

الحجم، تولد التجارة الإلكترونية ووسائل التواصل الاجتماعي كميات كبيرة من البيانات.
التنوع، تتخذ البيانات العديد من الأشكال المختلفة مثل البيانات المنظمة في قواعد البيانات التقليدية، والبيانات غير المنظمة من المستشعرات ووسائل التواصل الاجتماعي كالصور والمستندات ومقاطع الفيديو.
السرعة، تتولد بيانات جديدة بوتيرة سريعة. [8]

تعتمد المدن على البيانات الضخمة وتربطها مع تقنيات المدن الذكية الأخرى التي تجمع وتعالج وتحلل هذه البيانات. وذلك من أجل اتخاذ القرارات ووضع الخطط المستقبلية بشكل أفضل. [9]

4. تحليل البيانات Data analytics

يقصد بتحليل البيانات عملية فحص مجموعات ضخمة ومعقدة من البيانات. بهدف الكشف عن الأنماط الخفية، والعلاقات المتبادلة، وتوجه السوق، وتفضيلات العملاء، وغيرها من المعلومات التجارية المفيدة. [10] يرتكز تحليل البيانات على اتباع الأساليب الإحصائية والحسابية لدراسة البيانات واستخلاص النتائج المستخدمة لاتخاذ القرارات الحاسمة.[11]

يقسم تحليل البيانات إلى عدّة فئات رئيسية. ومنها:

التحليلات الوصفية، تركز على تلخيص وتصور ما حدث في الماضي. وتستخدم لتحديد الاتجاهات والأنماط والعلاقات.
التحليلات التشخيصية، تهدف إلى تحديد أسباب حدوث الأنماط المعينة، وتساعد في معرفة الأسباب الجذرية للمشاكل، أو لفهم العوامل المساهمة في النجاح.
التحليلات التنبؤية، تعتمد التحليلات التنبؤية على النماذج الإحصائية للتنبؤ بما سيحدث في المستقبل. تتنبأ هذه التحليلات بالطلبات، وتحدد المخاطر، أو تتخذ قرارات بشأن الاستثمارات المستقبلية.
التحليلات الإرشادية، تحدد هذه التحليلات أفضل مسار للعمل لتحقيق النتائج المرجوة. [12]

يعتبر تحليل البيانات من أبرز تقنيات المدن الذكية، فمن خلال فهم الماضي والحاضر بوسعنا إنشاء مستقبل أفضل. ويتداخل كذلك في عدّة سياقات مثل الذكاء الاصطناعي. ,تُعرَّف الشبكات العصبية الاصطناعية ANNs على أنها نوع من خوارزميات تعلم الآلة المعتمدة على تحليل البيانات. إذ استُمد تصميم الشبكات العصبية من بنية الدماغ البشري. ويمكن تدريبها للتعرف على الأنماط في مجموعات البيانات، ويستفاد منها في تطبيقات كثيرة مثل التنبؤ بشدة الحوادث.[11]

5. الذكاء الاصطناعي AI

يختلف تعريف الذكاء الاصطناعي تبعًا لمجال الدراسة. لكن عمومًا هو فرع من أفرع الحاسوب يهتم ببناء آلات ذكية قادرة على أداء المهام التي تتطلب عادةً الذكاء البشري مثل اتخاذ القرار، وترجمة اللغات، والتعرف على الكلام. [13] تعرِّف المدن الذكية الذكاء الاصطناعي على أنه الذكاء الذي يظهره كيان اصطناعي بحيث يكون قادرًا على إدراك محيطه ويتخذ إجراءات تقلل من التدخل البشري، وتحقق أهدافه بنجاح في نفس الوقت.

يعمل الذكاء الاصطناعي مع تقنيات المدن الذكية الأخرى في المنزل الذكي لكي يطوّر حياة السكان. على سبيل المثال؛ يقوم بأتمتة المهام كالتحكم بالإضاءة، ودرجات الحرارة. إضافةً إلى ذلك، يدمج الذكاء الاصطناعي نظام التعرف على الوجه في نموذج المنزل الذكي. يساعد ذلك في تحديد إذا ما كان الشخص الموجود في المنزل مقيمًا أو شخصًا غير معروف. من ثم يرسل نظام الإخطار الآلي -الذي يستخدم نظام تلغرام بوت- إشعار إلى صاحب المنزل في حالة دخول شخص مجهول إلى المنزل. كما يوفر التطبيق خيارات إضافية للمستخدم من أجل اتخاذ مزيد من الإجراءات الوقائية كإبلاغ الشرطة مثلًا أو إغلاق الأبواب. [14]

6. تعلم الآلة Machine Learning

يعد تعلم الآلة مجالًا سريع النمو، يتقاطع مع علوم الحاسوب والإحصاء، وهو فرع من فروع الذكاء الاصطناعي يركز على تمكين أجهزة الحاسوب من تحسين أدائها تلقائيًا من خلال الخبرة. يحدث ذلك عادةً عن طريق دراسة وبناء خوارزميات التعلم المعتمدة على تحليل البيانات، وبناء نماذج لتمثيل العلاقات بين البيانات المدخلة والمخرجات المطلوبة.[15]

يستعمل تعلم الآلة بطرق مختلفة لتعزيز تطبيقات المدن الذكية، على سبيل المثال؛ يساعد في تحقيق الأمن السيبراني. حيث يتزايد خطر التهديدات الإلكترونية مع نمو شبكات المدن الذكية، ويكشف تعلم الآلة عن تهديدات الأمن السيبراني ويمكن أن يحدد الشذوذ ويمنع الهجمات الإلكترونية بفاعلية في الوقت المناسب. مما يحافظ على أجهزة انترنت الأشياء والبنية التحتية آمنة. [16]

7. انترنت الأشياء IoT

يعد انترنت الأشياء IoT من أهم تقنيات المدن الذكية، والركيزة الأساسية لمجالاتها ال8 الذكية، وهي: الحوكمة، والرعاية الصحية، والبيئة، والاقتصاد، والصناعة، والتنقل، المعيشة والبنية التحتية، والطاقة. ,يشير IoT إلى شبكة عملاقة تربط الأشياء والأشخاص بالانترنت وببعضها البعض وتسمح بجمع وتبادل ومعالجة البيانات. يهدف عمومًا إلى تحديد المواقع، والتتبع، والمراقبة، والتعرف الذكي، والإدارة، إضافةً إلى ربط الأجهزة الذكية ببعضها مثل المستشعرات.[17]

تطور تقنيات المدن الذكية

تحقق المدن الاستفادة القصوى من التقنيات الذكية عندما يتكامل عملها. ويتنامى اليوم تطوير تقنيات المدن الذكية بسرعة مذهلة، فالأدوات المذكورة سابقًا ليست إلا جزءًا من الكثير من التقنيات. وستؤثر بشكل جذري على أسلوب حياتنا ومدننا في المستقبل. وتعد هذه التقنيات والأدوات حصيلة تقدّم البشرية. فمن مدينة أوروك السومرية أول مدينة في العالم المبنية باللبن إلى المدن الذكية اليوم، ومن التطبيق الذي تقرأ منه هذه المقالة إلى الروبوت الذي يجري العمليات الجراحية، يمكنك تخيل حجم هذا التطور.

المصادر

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]

شكل المحاكاة بين الخلية العصبية البيولوجية والاصطناعية

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.

نموذج للشبكة العصبية المكونة للتعلم العميق

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

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

الآلات يمكن أن تتعلم الأن بسرعة الضوء

تعمل «الشبكات العصبونية – neural network» ضمن ما يعرف ب «تعلم الآلة – machine learning»، الذي أصبح نهجاً شائعاً في مجال تطوير الذكاء الصناعي بين العلماء، والباحثون الهادفين لنسخ وظائف الدماغ البشري إلى الآلة، للتعلم من تلقاء نفسها من دون تدخل الأنسان، ولتسخيرها في خدمة العديد من التطبيقات. ولقد حقق باحثون نقلة نوعية في تطوير الذكاء الصناعي، من خلال استخدام الضوء بدلًا من الكهرباء لتنفيذ العمليات الحاسوبية.

البحث الذي نُشر في مجلة Applied Physics Reviews، يكشف أن TPU – وهي وحدة معالجة الشبكة العصبية تستخدم في الذكاء الأصطناعي – التي تعتمد على الفوتون كانت قادرة على أداء أوامر ما بين 2-3 مرة أكثر من TPU الكهربائي، حيث يمكن أن يخزن ويعالج البيانات على التوازي.

الطريقة الجديدة تحسن بشكل هائل كلاً من السرعة والكفاءة لتعلم الآلة التي تستخدم الشبكات العصبونية، وسوف تساعد في حل بعض من التحديات التي أعاقت المعالجات الحالية من تنفيذ عمليات أكثر تعقيداً. المعالجات الحالية التي تُستخدم في تعلم الآلة محدودة في تنفيذ العمليات الصعبة، بسبب الطاقة المطلوبة في معالجة البيانات. فكلما زاد ذكاء الشبكة العصبونية، زاد معه تعقيد البيانات، والطاقة المطلوبة لها. وايضاً محدودة بسرعة انتقال الإلكترونات ضمن الشبكة الواصلة بين المعالج والذاكرة، حيث تمثل الإلكترونات البيانات المرسلة داخل الشبكة.

اكتشف الباحثون من جامعة جورج واشنطن، في الولايات المتحدة، أن استخدام الفوتونات داخل وحدات معالجة الشبكة العصبية، يمكن أن يتغلب على هذه القيود ويخلق ذكاء اصطناعي أكثر قوة وكفاءة في استخدام الطاقة. وبمجرد أن تُدرب الشبكات العصبية على البيانات، فسوف يكونون قادرين على التمييز والتعرف على أجسام وأنماط محددة، مثل البحث عن نمط معين داخل مجموعة من البيانات. تتضمن التطبيقات التجارية المحتملة للمعالج المبتكر، شبكات 5G-6G التي تتطلب قدر عالي من الطاقة ومعالجة البيانات، بالإضافة إلى مراكز البيانات المكلفة بأداء كميات هائلة من تحليل ومعالجة البيانات.

سوف تشكل التقنية الجديدة تطور كبير في أدارة البيانات، من خلال تقليل الطاقة الازمة، وتسريع عمليات نقل البيانات باستخدام الفوتونات، التي تسير بسرعة الضوء ومعالجتها وتخزينها.

الآلات يمكن أن تتعلم الأن بسرعة الضوء

مصادر (الآلات يمكن أن تتعلم الأن بسرعة الضوء):

Independent

Unilad

المزيد:

الهندسة الاجتماعية، فن اختراق البشر

هل يستبدل الذكاء الاصطناعي دور المصمم؟

وفقًا لـ “صحيفة الإيكونومست” سيتم استبدال 47٪ من العمل الذي ينجزه البشر بالروبوتات بحلول عام 2037، حتى تلك المرتبطة بالتعليم الجامعي التقليدي. على مدى 50 عامًا، كان البشر قلقون من قيام الآلات بوظائفهم، وفي بعض الحالات، تحول هذا الخوف الى حقيقة. ولكن في مجالات التصميم يجني المصممون المبدعون فوائد الذكاء الاصطناعي والتعلم الآلي (Machine Learning) في التصميم والعمارة. فيوفر المصممون المزيد من الوقت للإبداع، بينما تتعامل أجهزة الكمبيوتر مع المهام التكرارية المعقدة التي تعتمد على البيانات. لكن التقدم الحقيقي في المجال يعني تحدي التعاريف التقليدية للتصميم والمصممين واعادة تعريف دور المصمم، من العمارة إلى الهندسة إلى التصنيع.

في حين أن بعض المصممين سيواجهون صعوبة في التخلص من النماذج التقليدية، سيشجع آخرون الحرية الإبداعية الجديدة التي يوفرها التعلم الآلي في العمارة. ورؤية هذه التطورات كأدوات بدلاً من عقبات يمكن أن يؤدي إلى التحرر من قيود النماذج القديمة التقليدية لدور المصمم.

تشجيع الذكاء الاصطناعي لأتمتة التصميم

يطلق مصطلح (أتمتة – Automation) على إسناد المهام التي كان يقوم بها الانسان أو المهام المستحيل القيام بها الى الآلة، لتصبح مهام آلية تلقائية. ويأخذ المجتمع الحديث الأتمتة كأمرًا مفروغًا منه. وبينما قد لا يُطلق عليهم مصطلح “روبوتات”، لكن الهواتف والطابعات وأجهزة الميكروويف والسيارات والمساعد الصوتي “اليكسا”، كلها مهام آلية لكن يتم إجراؤها يدويًا. وبالرغم أن التقنيات الآلية ليست جديدة؛ لكنها تتطور مؤخرًا، بنفس الطريقة التي يتطور بها العقل البشري وبالطريقة التي يعالج بها المعلومات.

العمليات الآلية هي بالفعل جزء لا يتجزأ من التصميم؛ لكننا سميناهم بشكل مختلف. يقول Jim Stoddart من استوديو The Living للعمارة:

“إذا كنت أقوم بتصميم شيء في برنامج (Revit)، وينتج البرنامج تلقائيًا مستندات منسقة لبناء هذا الشيء، فإنها أتمتة. إنه يفعل كل الأشياء التي اعتدت فعلها يدويًا.”

توفر الحوسبة المتطورة مزيدًا من الفرص لموازنة ذكاء الإنسان والآلة، مما يتيح لكل منهما القيام بما هو أفضل له. يقول Mike Mendelson، محاضر معتمد ومصمم مناهج في Nvidia Deep Learning Institute:

“إن أجهزة الكمبيوتر ليست جيدة في الحلول الإبداعية مفتوحة النهاية؛ فهذا لا يزال محجوزًا للبشر. لكن من خلال الأتمتة، يمكننا توفير وقت القيام بالمهام المتكررة، ويمكننا إعادة استثمار هذا الوقت في التصميم.”

الثقة في التصميم المعتمد على البيانات

في الوقت الحاضر،يمكن للمصممين إنشاء واختبار نماذج لا حصر لها قبل اعتماد أي تصميم فعلي في الإنشاء، مما يوفر الوقت والمال والموارد. في حين أن بعض سمات التصميم التي تساهم في خلق فراغًا “مثاليًا” -مثل الإضاءة النهارية، والمشتتات البصرية، وما إلى ذلك- يمكن قياسها كمياً، فإن تفضيلات الإنسان تميل إلى أن تكون معقدة للغاية بحيث لا يمكن قياسها يدويًا.

يقول Zane Hunzeker، مدير التصميم الإفتراضي والإنشاء في شركة Swinerton Builders:

“إن الشركة تستخدم بالفعل برنامجًا لتحسين التصميم استنادًا إلى تعليقات المستخدمين. أحد برامجنا في الواقع الافتراضي (VR) سيتتبع المكان الذي تنظر إليه، وإذا توقفت ونظرت إلى شيء لأكثر من نصف ثانية، فسيضع علامة صغيرة في تلك المنطقة، ثم تكرر هذا لـ 25 شخصًا في هذا المكتب، وبالتالي، تعرف أين يريد الناس أن ينظروا، وبعد ذلك يمكنك إدخال ذلك في التعلم الآلي. حتى تتمكن من توجيه أثاثك بطريقة محددة، على سبيل المثال.”

وعلى هذا النحو، يمكن تحسين التصميم بسهولة قبل تناول آخر رشفة من قهوة الصباح. كما يمكن أن يمتد تقييم (التصميم المعتمد على البيانات – Data-Driven Design) إلى مفاهيم عالية المستوى. كما يوضح Stoddart:

“يمكننا وضع شخص ما في الواقع الافتراضي، حيث يكون داخل الفراغ ونسأله، ‘هل هذا مثير أم لا؟ هل يشعرك بالترحيب؟ هل هو جميل؟’ بعد ذلك يمكننا تغذية تلك البيانات في نظام للتعلم الآلي بإعتباره (مشكلة تعلم خاضعة للإشراف من المصمم)، وفي الواقع، هذا البرنامج يساعدنا على التنبؤ، من بين الآلاف من التصميمات التي ننتجها، أي منها يقدم حلول مثيرة وذات صفات مكانية ومادية عالية المستوى والتي تستحق المزيد من الاستكشاف. “

إذًا كيف يمكن للبشر أن يتعلموا الثقة بالذكاء الاصطناعي في العمارة؟

يقول Stoddart إن الأمر كله يتعلق بالتحقق من صحة المخرجات (Validation):

“في الوقت الحالي يمكننا التحقق من صحة المخرجات، ويمكننا أن نثق بها، يمكننا في الواقع السماح له بالبدء في استكشاف الأفكار بمعنى أوسع. ليس فقط لتأكيد الأشياء التي نعرفها بالفعل، ولكن من الأفضل أن توضح لنا طرقًا بديلة لفعل الأشياء التي ربما لم نفكر فيها من قبل. “

ولكن هل يستبدل الذكاء الاصطناعي دور المصمم؟

قدرت “صحيفة التلغراف” احتمالية أن يستبدل الذكاء الاصطناعي لعدد 700 وظيفة، من دراسة أجرتها جامعة أكسفورد نشرت في عام 2013. والأخبار السارة أنه يتمتع المعماريون بواحد من أقل معدلات الاستبدال بالذكاء الإصطناعي (يبلغ 1.8٪)، وذلك مع مصممي الأزياء (2.1٪)، ومهندسي الفضاء (1.7٪)، وأخصائي علم الأحياء المجهرية (1.2٪)، وفناني الماكياج المسرحي (1٪)، علماء الأنثروبولوجيا (0.8 ٪) ومصممي الرقصات (0.4 ٪).

الأتمتة والذكاء الاصطناعي، في الوقت الحالي، لن يستبدل دور المصمم، ولكن هذا لا يعني أن المجال لن يخضع لتحولات عميقة في ممارسته: الكمبيوتر والبرامج تقضي على الأنشطة المتكررة الشاقة، وتزيد إنتاج المواد إلى الحد الأمثل، وتسمح بتصغير حجم المكاتب المعمارية. فمع مرور الوقت، هناك حاجة إلى عدد أقل من المعماريين لتطوير مشاريع أكثر تعقيدا.

في النهاية، لا يزال الإبداع عالم العقل البشري وحده. وبفضل الذكاء الاصطناعى، أصبح لدى البشر القدرة على خلق وتصميم العالم الذي يريدون العيش فيه وترك العمل الشاق للآلات.

المصادر:

Britannica

How Machine Learning in Architecture Is Liberating the Role of the Designer

?Will Automation Affect Architects

The Economist

The Telegraph

Unsplash

إقرأ أيضًا: كيف ستطور تكنولوجيا نمذجة معلومات البناء (BIM) من تصميم وإنشاء المباني؟