ما المقصود بالاستدلال بالذكاء الاصطناعي ؟

إن الاستدلال إلى شخص عادي، هو استنتاج يستند إلى الأدلة والمنطق. في الذكاء الاصطناعي، الاستدلال هو قدرة الذكاء الاصطناعي، بعد الكثير من التدريب على مجموعات البيانات المنسقة على التفكير واستخلاص الاستنتاجات من البيانات التي لم تظهر من قبل.

يعد فهم الاستدلال بالذكاء الاصطناعي خطوة هامة في فهم طريقة عمل الذكاء الاصطناعي. نغطي الخطوات المعنية والتحديات وحالات الاستخدام والتوقعات المستقبلية لطريقة وصول أنظمة الذكاء الاصطناعي إلى استنتاجاتها.

ما المقصود بالاستدلال بالذكاء الاصطناعي ؟

يكون الاستدلال بالذكاء الاصطناعي عندما يبدأ نموذج الذكاء الاصطناعي الذي تم تدريبه على رؤية الأنماط في مجموعات البيانات المنسقة في التعرف على تلك الأنماط في البيانات التي لم تظهر من قبل. نتيجة إلى ذلك، يمكن لنموذج الذكاء الاصطناعي التفكير والتنبؤ بطريقة تحاكي القدرات البشرية.

يتكون نموذج الذكاء الاصطناعي من خوارزميات صنع القرار التي يتم تدريبها على شبكة عصبية—أي نموذج اللغة المنظمة مثل الدماغ البشري—لأداء مهمة محددة. في مثال بسيط، قد يعرض علماء البيانات نموذج الذكاء الاصطناعي مجموعة بيانات تحتوي على صور لآلاف أو ملايين السيارات التي تمت الإشارة إلى طرازاتها وأنواعها. بعد فترة من الوقت، تبدأ الخوارزمية في تحديد السيارات بدقة في مجموعة بيانات التدريب. يكون الاستدلال الذكاء بالاصطناعي عندما يظهر النموذج مجموعة بيانات عشوائية ويحدد أو يستعرض طراز سيارة ونوعها بدقة مقبولة. يمكن استخدام نموذج الذكاء الاصطناعي المُدرب بهذه الطريقة في معبر حدودي أو بوابة تحصيل رسوم لمطابقة لوحات الترخيص بطرازت السيارات في تقييم سريع للغاية. يمكن لعمليات مماثلة أن تستمد الاستدلال بالذكاء الاصطناعي من خلال التفكير والتنبؤات الأدق للعمل في قطاعات الرعاية الصحية والخدمات المصرفية والبيع بالتجزئة والعديد من القطاعات الأخرى.

النقاط الرئيسة

• يمثل الاستدلال بالذكاء الاصطناعي قدرة نموذج الذكاء الاصطناعي على استنتاج الاستنتاجات أو استقراءها من البيانات الجديدة عليه.
• تعتمد نماذج الذكاء الاصطناعي على الاستدلال لقدرته الخارقة على محاكاة المنطق البشري واللغة.
• يعد الاستدلال بالذكاء الاصطناعي الهدف النهائي لعملية تستخدم مزيجًا من التقنيات والأساليب لتدريب نموذج الذكاء الاصطناعي باستخدام مجموعات البيانات المنسقة.
• يتطلب النجاح بنية بيانات قوية وبيانات نظيفة والعديد من دورات وحدة معالجة الرسومات لتدريب الذكاء الاصطناعي وتشغيله في بيئات الإنتاج.

شرح الاستدلال بالذكاء الاصطناعي

يمثل الاستدلال بالذكاء الاصطناعي مرحلة في دورة حياة نموذج الذكاء الاصطناعي التي تتبع مرحلة تدريب الذكاء الاصطناعي. فكر في تدريب نموذج الذكاء الاصطناعي مثل خوارزميات التعلم الآلي (ML) التي تقوم بواجباتها المنزلية والاستدلال الذكاء بالاصطناعي على أنه إجراء اختبار.

يتضمن تدريب الذكاء الاصطناعي تقديم مجموعات بيانات كبيرة منسقة إلى النموذج حتى يتمكن من التعرف على الموضوع المطروح. تتمثل مهمة بيانات التدريب في تعليم النموذج للقيام بمهمة معينة، لذلك تختلف مجموعات البيانات. قد تتضمن صورًا للقطط أو جسور أو مكالمات خدمة عملاء مسجَّلة أو تصوير طبي. يمكن لنموذج الذكاء الاصطناعي تحليل البيانات المباشرة والتعرف على الأنماط وإجراء تنبؤات دقيقة حول ما يأتي بعد ذلك في مجموعة البيانات.

باستخدام نماذج اللغة الكبيرة (LLM)، على سبيل المثال، يمكن للنموذج استنتاج الكلمة التالية وإنتاج جمل وفقرات بدقة وسلاسة مدهشة.

لماذا يُعد الاستدلال بالذكاء الاصطناعي هامًا؟

يعد الاستدلال بالذكاء الاصطناعي هامًا لأن هذا التعرُّف هو طريقة تحليل نموذج الذكاء الاصطناعي المُدرَّب رؤى وإنشاءها حول البيانات الجديدة للعلامة التجارية. بدون القدرة على إجراء التنبؤات أو حل مشكلة المهام على الفور، سيواجه الذكاء الاصطناعي صعوبة في التوسع إلى أدوار جديدة، بما في ذلك في التدريس والهندسة والاكتشافات الطبية واستكشاف الفضاء، والخوض في قائمة موسعة بحالات الاستخدام في كل صناعة.

في الواقع، يمثل الاستدلال الأساس لأي برنامج ذكاء اصطناعي. إن قدرة النموذج في التعرُّف على الأنماط في مجموعة بيانات واستنتاج استنتاجات وتنبؤات دقيقة هي في صميم قيمة الذكاء الاصطناعي. أي أن نموذج الذكاء الاصطناعي الذي يمكنه قراءة الأشعة السينية بدقة في ثوانٍ أو كشف الاحتيال وسط آلاف أو ملايين معاملات بطاقات الائتمان يستحق الاستثمار فيه.

أنواع الاستدلال

هل تحتاج إلى نظام ذكاء اصطناعي يمكنه اتخاذ قرارات دقيقة للغاية في وقت شبه فوري، مثل إذا كانت المعاملة الكبيرة قد تكون احتيالاً؟ أم أنه من الهام أن تكون قادرة على استخدام البيانات التي ينظر إليها بالفعل للتنبؤ بالمستقبل، كما هو الحال مع جهاز استشعار تم ضبطه للاتصال بالصيانة قبل تعطل شيء ما؟ يساعدك فهم أساليب استدلال الذكاء الاصطناعي على الاستقرار على أفضل نموذج لمشروعك.

• الاستدلال على دفعات
  يحدث الاستدلال على دفعات عند إنشاء تنبؤات الذكاء الاصطناعي في وضع عدم الاتصال باستخدام مجموعات من البيانات. في هذا النهج، يتم جمع البيانات بمرور الوقت وتشغيلها من خلال خوارزميات التعلم الآلي على فترات منتظمة. يعد الاستدلال على دفعات خيارًا جيدًا عندما لا تكون مخرجات الذكاء الاصطناعي مطلوبة على الفور. يعمل بشكل جيد لتقديم تنبؤات الذكاء الاصطناعي إلى لوحة معلومات تحليلات الأعمال التي يتم تحديثها كل ساعة أو يوميًا.
• الاستدلال عبر الإنترنت
  يمثل الاستدلال عبر الإنترنت، والذي يُطلق عليه أحيانًا "الاستدلال الديناميكي" طريقة لتوفير تنبؤات الذكاء الاصطناعي في اللحظة التي يتم طلبها فيها. يمكن أن يكون الاستدلال عبر الإنترنت أكثر تحديًا من الاستدلال على دفعات بسبب متطلبات زمن الوصول المنخفضة.
  
  يتطلب إنشاء نظام للاستدلال عبر الإنترنت اتخاذ قرارات مسبقة مختلفة. على سبيل المثال، قد يلزم تخزين البيانات شائعة الاستخدام في ذاكرة مؤقتة للوصول السريع، أو قد يلزم العثور على نموذج ذكاء اصطناعي أبسط يتطلب عددًا أقل من العمليات للوصول إلى التنبؤات. نظرًا إلى عدم وجود وقت لمراجعة مخرجات الذكاء الاصطناعي قبل أن يراها المستخدمون النهائيون، فقد تحتاج الاستدلالات عبر الإنترنت أيضًا إلى طبقة أخرى من المراقبة الفورية لضمان أن تقع التنبؤات ضمن المعايير المقبولة. تُعد نماذج اللغات الكبيرة الشائعة (LLM)، مثل OpenAI ChatGPT وBard من Google أمثلة على الاستدلال عبر الإنترنت.
• استدلال تدفقي
  يتم غالبًا استخدام الاستدلال التدفقي في أنظمة إنترنت الأشياء. لم يتم إعداده للتفاعل مع الأشخاص بالطريقة التي يتبعها نموذج LLM. بدلاً من ذلك، يتدفق مسار البيانات، مثل القياسات المنتظمة من أجهزة استشعار الآلات إلى خوارزمية تعلم آلي تقوم بالتنبؤات باستمرار. يمكن أن تشير الأنماط الموجودة في قراءات المستشعر إلى أن الجهاز الذي تتم مراقبته يعمل على النحو الأمثل، أو أن النمط قد يشير إلى وجود مشكلة مستقبلاً، مما يؤدي إلى إصدار تنبيه أو طلب صيانة أو إصلاح.

ما الفَرق بين التدريب على التعلم العميق والاستدلال؟

يعد التدريب على التعلم العميق والاستدلال بالذكاء الاصطناعي جزأين من نفس العملية للحصول على مخرجات مُفيدة من نموذج الذكاء الاصطناعي. يأتي التدريب على التعلم العميق أولاً. إنها الطريقة التي يتم بها تدريب نموذج الذكاء الاصطناعي على معالجة البيانات بطريقة مستوحاة من الدماغ البشري. عندما يتم تدريب النموذج، يكتسب القدرة في التعرُّف على مستويات أعمق من المعلومات من البيانات. على سبيل المثال، يمكن أن ينتقل من التعرَُّف على الأشكال في صورة إلى التعرَُّف على الموضوعات أو الأنشطة المحتملة في الصورة. يحدث الاستدلال بالذكاء الاصطناعي بعد التدريب، عندما يُطلَب من نموذج الذكاء الاصطناعي التعرف على هذه العناصر في البيانات الجديدة.

كيف يعمل الاستدلال بالذكاء الاصطناعي؟

لكي يوفر الاستدلال بالذكاء الاصطناعي قيمة في حالة استخدام محددة، يجب اتباع العديد من العمليات ويجب اتخاذ العديد من القرارات حول بنية التكنولوجيا وتعقيد النموذج والبيانات.

• إعداد البيانات
  تجميع المواد التدريبية من البيانات داخل مؤسستك أو من خلال تحديد مجموعات البيانات الخارجية، ربما بما في ذلك مجموعة بيانات مفتوحة المصدر. في كثير من الأحيان، يتم دمج مجموعات البيانات الداخلية والخارجية. بمجرد تحديد مجموعات البيانات، يجب تنقيح البيانات لإزالة التكرارات والبيانات غير الضرورية ومشكلات التنسيق.
• تحديد النموذج
  تحديد نموذج مفتوح المصدر أو مؤسسة عامة أو مُتخصص تم تصميمه لتوفير نوع مخرجات الذكاء الاصطناعي التي تحتاجها. ضع في اعتبارك أن النماذج تأتي بمستويات متفاوتة من التعقيد. يمكن للخوارزميات الأكثر تعقيدًا أن تأخذ مجموعة أوسع من المدخلات وتجري استدلالات أدق، لكنها تحتاج إلى عدد أكبر من العمليات للوصول إلى المخرجات المطلوبة. اعثر على نموذج يناسب احتياجاتك من جانب تعقيده وتعطشه لموارد الحوسبة.
• تحسين النماذج
  تحسين النموذج من خلال التكرار في نظام تدريب الذكاء الاصطناعي لديك. يمثل الهدف من كل جولة من التدريب في الاقتراب من دقة الإخراج المطلوبة مع تقليل مقدار الذاكرة وقوة الحوسبة اللازمة للوصول إلى تلك النقطة. يتعلق تحسين النماذج بتعزيز فائدة الاستدلال بالذكاء الاصطناعي مع تقليل التكاليف وخفض زمن الوصول.
• استدلال النماذج
  يحدث هذا عندما ينتقل نموذج الذكاء الاصطناعي الخاص بك من مرحلة التدريب إلى مرحلة التشغيل، إذ يتم استنتاجه من البيانات الجديدة. مع اقتراب نموذجك من الإنتاج، راجع الاستدلالات والتنبؤات في مخرجاته. يكون هذا عندما يمكنك التحقق من الدقة والتحيز وأي مشكلات في خصوصية البيانات.
• ما بعد المعالجة
  في الذكاء الاصطناعي، يمثل ما بعد المعالجة مجموعة من الأساليب لفحص مخرجات النموذج. قد تتضمن مرحلة ما بعد المعالجة إجراءات لتصفية البيانات وجمعها ودمجها للمساعدة في تنقيح المخرجات غير المناسبة أو غير المُفيدة.
• النشر
  يكون النشر عندما يتم إضفاء الطابع الرسمي على أنظمة البيانات والبنية التي تدعم نموذج الذكاء الاصطناعي وتوسُّعها وتأمينها للاستخدام في عملية أعمال منتظمة. هذا أيضًا هو وقت التثقيف وإدارة التغيير، إذ يتم تثقيف الناس في المنظمة الأوسع لقبول مخرجات الذكاء الاصطناعي واستخدامها في عملهم.

متطلبات الأجهزة للاستدلال بالذكاء الاصطناعي

يُعد الاستدلال بالذكاء الاصطناعي نتيجة عملية كثيفة الحوسبة لتشغيل نموذج الذكاء الاصطناعي من خلال أنظمة التدريب المتعاقبة باستخدام مجموعات البيانات الكبيرة. يتطلب تكامل العديد من مصادر البيانات وبنية تسمح لنموذج الذكاء الاصطناعي بالعمل بكفاءة. فيما يلي التقنيات الرئيسة التي تمكن العملية.

• وحدة المعالجة المركزية (CPU)
  تمثل CPU العقل المركزي للكمبيوتر. إنها شريحة ذات دوائر مُعقدة توجد على اللوحة الأم للكمبيوتر وتشغِّل نظام التشغيل والتطبيقات. تساعد CPU على إدارة موارد الحوسبة اللازمة للتدريب على الذكاء الاصطناعي والاستدلال، مثل تخزين البيانات وبطاقات الرسومات.
• وحدة معالجة الرسومات (GPU)
  تمثل وحدات GPU مكون جهاز رئيس للاستدلال بالذكاء الاصطناعي. مثل CPU، تعد وحدة معالجة الرسومات (GPU) شريحة ذات دوائر مُعقدة. على عكس CPU، فإنها مُصممة خصيصًا لإجراء العمليات الحسابية بسرعة كبيرة لدعم الرسومات ومعالجة الصور. إن هذه القوة الحسابية هي ما تجعل تدريب الذكاء الاصطناعي المتعطش للحوسبة والاستدلال مُمكنين.
• مصفوفة البوابات المنطقية القابلة للبرمجة (FPGA)
  تعد FPGA دائرة متكاملة يمكن برمجتها بواسطة المستخدم النهائي للعمل بطريقة محددة. في الاستدلال بالذكاء الاصطناعي، يمكن تهيئة مصفوفة البوابات المنطقية القابلة للبرمجة (FPGA) لتوفير المزيج الصحيح من سرعة الأجهزة أو التوازي، مما يؤدي إلى تقسيم عمل معالجة البيانات للتشغيل على أجهزة مُختلفة بالتوازي. يتيح هذا لنموذج الذكاء الاصطناعي إمكانية التنبؤ بنوع معين من البيانات، سواء ذلك كان نصًا أو رسومات أو فيديو.
• الدائرة المتكاملة الخاصة بالتطبيق (ASIC)
  تعد ASIC أداة أخرى تستخدمها فِرق تكنولوجيا المعلومات وعلماء البيانات لاشتقاق الاستدلال بالذكاء الاصطناعي بالسرعة والتكلفة والدقة التي يحتاجون إليها. تُعد ASIC شريحة كمبيوتر تجمع بين عدة دوائر على شريحة واحدة. يمكن بعد ذلك تحسين الشريحة لحمل عمل معين، سواء كان ذلك من التعرف الصوتي أو معالجة الصور أو الكشف عن أوجه الخلل أو أي عملية أخرى تعتمد على الذكاء الاصطناعي.

التحديات التي تواجه نشر الاستدلال بالذكاء الاصطناعي

إن تصميم أو اختيار نموذج الذكاء الاصطناعي ثم تدريبه مجرد البداية. يأتي نشر نموذج الذكاء الاصطناعي لتنفيذ الاستدلال في العالم الحقيقي مع مجموعة من التحديات الخاصة به. يمكن أن تشمل هذه تزويد النموذج ببيانات ذات جودة وشرح مخرجاته لاحقًا. إليك قائمة بالتحديات التي يجب وضعها في الاعتبار.

• جودة البيانات
  يعد إعلان "مُدخلات خاطئة، مُخرجات خاطئة" صحيحًا في الاستدلال بالذكاء الاصطناعي كما هو الحال في أي مكان آخر. يجب فحص البيانات التي تتدرب نماذج الذكاء الاصطناعي عليها لتحقيق قابلية التطبيق والتنسيق وتصحيح البيانات المكررة أو الخارجية التي تبطئ عملية التدريب.
• تعقيد النموذج
  تأتي نماذج الذكاء الاصطناعي في مستويات مُختلفة من التعقيد، مما يسمح لها بالاستنتاج أو التنبؤ في مجموعة من المواقف، بدءًا من البساطة، مثل تحديد طراز السيارة ونوعها، إلى المعقد والحرج، كما هو الحال في أنظمة الذكاء الاصطناعي التي تتحقق من قراءة أخصائي الأشعة لمسح CT أو التصوير بالرنين المغناطيسي. يتمثل أحد التحديات الرئيسة لتدريب الذكاء الاصطناعي بشكل عام والاستدلال بشكل خاص في بناء النموذج المناسب أو اختياره لاحتياجاتك.
• متطلبات الأجهزة
  يعد التدريب على الاستدلال بالذكاء الاصطناعي مهمة كثيفة البيانات. يتطلب خوادم لتخزين البيانات وتحليل البيانات، ومعالجات الرسومات، والشبكات السريعة، وربما مصفوفات البوابات المنطقية القابلة للبرمجة (FPGA) أو الدوائر المتكاملة الخاصة بالتطبيقات (ASIC)، والتي يمكن تخصيصها لحالة استخدام الاستدلال بالذكاء الاصطناعي.
• قابلية التفسير
  عندما يكون الاستدلال بالذكاء الاصطناعي قابلاً للتفسير أو التوضيح، فيعني هذا أن المدربين البشريين يفهمون طريقة وصول الذكاء الاصطناعي إلى استنتاجاته. يمكنهم اتباع المنطق الذي استخدمه الذكاء الاصطناعي للوصول إلى إجابته أو توقعه. تعد القابلية للتفسير متطلبًا متزايدًا في إدارة الذكاء الاصطناعي وهي هامة لاكتشاف التحيز في مخرجات الذكاء الاصطناعي، لكن مع زيادة تعقيد أنظمة الذكاء الاصطناعي، قد تصبح الخوارزميات وعمليات البيانات الرئيسة مُعقدة للغاية بحيث لا يمكن للبشر فهمها بالكامل.
• التنظيم والامتثال
  يعد تنظيم الذكاء الاصطناعي هدفًا متحركًا. من المهم تضمين أمان البيانات وإمكانية الشرح وبنية إعداد تقارير قوية للاستدلالات بالذكاء الاصطناعي. يساعدك هذا في تلبية متطلبات الامتثال بسهولة أكبر من خلال اللوائح المتعلقة بالخصوصية وأمان البيانات وتحيز الذكاء الاصطناعي مع تطورها.
• نقص الموظفين المهرة
  تستغرق الخبرة اللازمة لتصميم الأنظمة وتدريبها وتحسينها لاستدلال الذكاء الاصطناعي وقتًا وتعليمًا وخبرة لتطويرها. نتيجة إلى ذلك، يصعب العثور على الأشخاص الذين لديهم هذه الخبرة وتوظيفهم يكون مُكلفًا.

تطبيقات الاستدلال بالذكاء الاصطناعي

مع قدرتها على استنتاج ملخصات أو تنبؤات من البيانات المتاحة، تتولى نماذج الذكاء الاصطناعي المزيد من المهام طوال الوقت. تستخدم نماذج اللغات الكبيرة الشائعة، مثل ChatGPT الاستدلال لاختيار الكلمات والجمل بدقة لغوية مدهشة. إن الاستدلال هو أيضًا ما يسمح للذكاء الاصطناعي باستنتاج أي فن جرافيك أو فيديو يجب أن ينشئه استنادًا إلى الموجهات اللفظية.

أصبح الاستدلال بالذكاء الاصطناعي جزءًا هامًا من تدريب الأنظمة الصناعية أيضًا. على سبيل المثال، يمكن استخدام الذكاء الاصطناعي للفحص المرئي سريع الخطى في خط تصنيع، مما يحرر المفتشين البشريين للتركيز على العيوب أو أوجه الخلل التي يحددها الذكاء الاصطناعي مع خفض التكاليف وتحسين مراقبة الجودة. في الأنظمة الصناعية وإذ تعمل الروبوتات بجانب البشر في خطوط الإنتاج، يتيح الاستدلال بالذكاء الاصطناعي الإدراك والتنبؤ والتخطيط اللازم لاستشعار الأشياء واتخاذ قرارات حركة دقيقة.

من الاستخدامات الشائعة الأخرى للاستدلال بالذكاء الاصطناعي التعلم الروبوتي، الذي يشيعه العديد من المحاولات حتى إتقان السيارات دون سائق. كما يتضح من سنوات التدريب لدى شركات مثل Waymo وTesla وCruz، يستغرق التعلم الروبوتي الكثير من التجربة والخطأ، إذ تتعلم الشبكات العصبية التعرُّف على الاستثناءات والتفاعل معها بشكل صحيح حتى القواعد المكتوبة فيما بعد.

كما يساعد الاستدلال بالذكاء الاصطناعي الباحثين والأطباء. يتم تدريب نماذج الذكاء الاصطناعي في العثور على علاجات من خلال تدقيق كتل البيانات الكيميائية أو الوبائية، وتساعد في تشخيص الأمراض من خلال قراءة أدلة دقيقة في التصوير الطبي.

مستقبل الاستدلال بالذكاء الاصطناعي

تصبح الخطوة التالية للاستدلال بالذكاء الاصطناعي الخروج من بيئات السحابة أو مركز البيانات الكبيرة وتكون مُمكنة على أجهزة الكمبيوتر والأجهزة المحلية. في حين أن التدريب الأولي لأنظمة الذكاء الاصطناعي باستخدام بنيات التعلم العميق يستمر في العمل في مراكز البيانات الكبيرة، فإن جيلاً جديدًا من التقنيات والأجهزة يُدخل استنتاج الذكاء الاصطناعي "المرحلة النهائية" إلى أجهزة أصغر، وأقرب إلى مكان إنشاء البيانات.

يؤدي هذا إلى تمكين المزيد من التخصيص والتحكم. تصل الأجهزة والروبوتات إلى اكتشاف أفضل للكائنات، والتعرُّف على الوجه والسلوك، واتخاذ القرارات التنبؤية. إذا كان هذا يبدو مثل الأسس للروبوتات ذات الأغراض العامة، فلست وحدك في هذا. في السنوات القادمة، يتطلع المبتكرون إلى نشر تقنية "الاستدلال محليًا دون خوادم" هذه في مجموعة واسعة من الأجهزة في الأسواق والصناعات الجديدة.

تسريع الاستدلال بالذكاء الاصطناعي على الفور باستخدام Oracle

توفر Oracle الخبرة وقوة الحوسبة لتدريب نماذج الذكاء الاصطناعي ونشرها على نطاق واسع. على وجه التحديد، تمثل البنية التحتية من Oracle Cloud (OCI) منصة يمكن لرجال الأعمال وفِرق تكنولوجيا المعلومات وعلماء البيانات التعاون فيها ووضع الاستدلال بالذكاء الاصطناعي للعمل في أي صناعة.

تتيح منصة الذكاء الاصطناعي المُدارة بالكامل من Oracle للفِرق إنشاء نماذج التعلم الآلي وتدريبها ونشرها ومراقبتها باستخدام Python وأدواتها مفتوحة المصدر المفضلة. باستخدام بيئة مُستندة إلى الجيل التالي من JupyterLab، يمكن للشركات تجربة النماذج وتطويرها وتوسيع نطاق التدريب باستخدام وحدات معالجة الرسومات NVIDIA والتدريب الموزع. تسهِّل Oracle أيضًا الوصول إلى نماذج الذكاء الاصطناعي التوليدي استنادًا إلى أنظمة LLM الحديثة من Cohere.

باستخدام OCI، يمكنك إنتاج النماذج وإبقائها سليمة باستخدام إمكانات عمليات تعلم الآلة، مثل المسارات المؤتمتة وعمليات نشر النماذج ومراقبة النماذج. بالإضافة إلى تدريب النماذج ونشرها، توفر OCI مجموعة من تطبيقات SaaS مع نماذج التعلم الآلي المُضمنة وخدمات الذكاء الاصطناعي المتاحة.

عندما تتفاعل مع الذكاء الاصطناعي، فإنك ترى الاستدلال بالذكاء الاصطناعي عمليًا. يكون ذلك صحيحًا سواء تستخدم اكتشاف أوجه الخلل أو التعرُّف على الصور أو النص الذي تم إنشاؤه بواسطة الذكاء الاصطناعي أو أي مخرجات ذكاء اصطناعي أخرى تقريبًا. تمثل النتائج ثمرة عملية طويلة ومُعقدة تقنيًا ومتعطشة للموارد لإنشاء النماذج والتدريب عليها وتحسينها ونشرها مما يمهد الطريق لتفاعلك مع الذكاء الاصطناعي.

الأسئلة الشائعة حول الاستدلال بالذكاء الاصطناعي

ما المثال على الاستدلال في الذكاء الاصطناعي؟

من الأمثلة الجيدة على الاستدلال في الذكاء الاصطناعي عندما يكتشف نموذج الذكاء الاصطناعي وجه خلل في المعاملات المالية ويمكنه أن يفهم من السياق نوع الاحتيال الذي قد يمثله ذلك. من تلك النقطة، يمكن لنموذج الذكاء الاصطناعي إنشاء تنبيه للشركة صاحبة البطاقة وصاحب الحساب.

ما المقصود بالتدريب والاستدلال في الذكاء الاصطناعي؟

يتم التدريب عند عرض مجموعات من البيانات المُنسقة على نموذج الذكاء الاصطناعي حتى يبدأ في رؤية الأنماط وفهمها. يكون الاستدلال عندما يعرض نموذج الذكاء الاصطناعي هذا بيانات خارج مجموعات البيانات المُنسقة، ويحدد موقع تلك الأنماط نفسها، ويقوم بالتنبؤات بناءً عليها.

ماذا يعني الاستدلال في التعلم الآلي؟

يعني الاستدلال أن خوارزمية التعلم الآلي أو مجموعة من الخوارزميات تعلمت التعرُّف على الأنماط في مجموعات البيانات المُنسقة ويمكنها لاحقًا رؤية تلك الأنماط في البيانات الجديدة.

ماذا يعني الاستدلال في التعلم العميق؟

يمثل التعلم العميق تدريب خوارزميات التعلم الآلي باستخدام شبكة عصبية تحاكي الدماغ البشري. يسمح هذا بالتعرُّف على المفاهيم الدقيقة والتجريدات التي تم عرضها واستنتاجها، على سبيل المثال، في توليد اللغة الطبيعية.

هل يمكن استخدام الاستدلال بالذكاء الاصطناعي على أجهزة متطورة؟

كان التدريب على الاستدلال بالذكاء الاصطناعي تقليديًا عملية كثيفة البيانات ومتعطشة للحوسبة. مع فهم الاستدلال بالذكاء الاصطناعي بشكل أفضل، يتم إنجازه من خلال أجهزة أقل قوة توجد محليًا دون خوادم، بعيدًا عن مراكز البيانات الكبيرة. يمكن لهذه الأجهزة الطرفية للاستدلال بالذكاء الاصطناعي أن تُدخل التعرُّف على الصور والصوت والإمكانات الأخرى إلى العمليات الميدانية.

كيف يختلف الاستدلال بالذكاء الاصطناعي عن النماذج الإحصائية التقليدية؟

تم تصميم النماذج الإحصائية التقليدية ببساطة لاستنتاج العلاقة بين المتغيرات في مجموعة البيانات. تم تصميم الاستدلال بالذكاء الاصطناعي لأخذ الاستدلال خطوة أبعد وجعل التنبؤ الأدق على أساس تلك البيانات.

كيف تؤثر المعلمات الفائقة على أداء الاستدلال بالذكاء الاصطناعي؟

عند إنشاء نموذج الذكاء الاصطناعي، يعين علماء البيانات أحيانًا المعلمات يدويًا. على عكس المعلمات القياسية في نموذج الذكاء الاصطناعي، لا يتم تحديد هذه المعلمات الفائقة من خلال ما يستمده النموذج من مجموعة البيانات. يمكن اعتبار المعلمات الفائقة بمثابة إرشادات يمكن تعديلها حسب الحاجة للمساعدة في استدلالات بالذكاء الاصطناعي والأداء التنبؤي.

كيف يمكن للمؤسسات المساعدة في ضمان دقة نماذج الاستدلال بالذكاء الاصطناعي وموثوقيتها؟

تكمن أحد الأسس في معرفة من هو الإخراج الخاص بك بشكل صريح مقدمًا وما هي المشكلة التي يحاول حلها. جعل النتائج المرجوة محددة وقابلة إلى القياس. بهذه الطريقة، يمكنك إنشاء مقاييس أداء وقياس أداء النظام باستمرار مقابلها.