أصبح الذكاء الاصطناعي في الآونة الأخيرة جزءًا لا يتجرأ من مجالات الحياة المختلفة. حيث يتطور الذكاء الاصطناعي يوماً بعد يوم ليدخل في كافة المجالات مثل الروبوتات، الرعاية الصحية، التسويق، وفي مجال التعليم الإلكتروني والمنصات التعليمية.
ما هي خوارزميات الذكاء الاصطناعي؟
هي إرشادات محددة يستطيع الجهاز تنفيذها وتكتب بلغات برمجة محددة. يتم إدخال بيانات ومعلومات بكميات هائلة في مجموعات فريدة إلى جهاز الحاسوب؛ ليقوم بعمل عمليات معينة للحصول على مخرجات محددة تمثل المهام المطلوبة.
نتيجة لك، تحاول الآلة الصماء أن تُحاكي العقل البشري في استيعاب أي مدخلات جديدة في الاستنتاج،والتعلم بالإضافة إلى التعامل مع ردود الأفعال المختلفة.
أنواع خوارزميات الذكاء الاصطناعي
أولاً: خوارزميات الانحدار في الذكاء الاصطناعي
يمكن لهذا النوع من الخوارزميات التنبؤ بالنتائج وفق مدخلات معينة في النظام. من أشهر الأمثلة عليها: التنبؤ بهطول الأمطار والتنبؤ بأسعار الأسهم العالمية.
ويتم تصنيفها إلى عدة أنواع منها:
1-الانحدار الخطي:
يتسم الانحدار الخطي بالفعالية والبساطة؛ حيث تقوم الخوارزمية باستخدام العلاقة بين المتغيرات المستقلة والتابعة وتمثيلها بمعادلة خطية. يتم التنبؤ بمخرجات بيانات جديدة من خلال الرسم البياني لهذه المعادلة الخطية. فمثلاً: تستخدم يوديسا الذكاء الاصطناعي في قياس تأثير الدورة التدريبية على أداء المتعلمين بالمنصة والتنبؤ بتقييم المستوى العام لكل طالب.
2-انحدار اللاسو:
تعمل هذه الخوارزمية على تقليل كمية البيانات لحصر النتيجة والحصول على تقييمات أكثر دقة. تستخدم خوارزمية انحدار اللاسو لتوقع أوقات هطول الأمطار ودرجات الحرارة الموسمية.
ثانياً: خوارزميات التجميع في الذكاء الاصطناعي
تجمع هذه الخوارزمية البيانات في مجموعات متشابهة النقاط والمميزات. تختلف كل مجموعة عن غيرها بالخصائص والميزات بشكل كلي. تستخدم خوارزميات التجميع في التنبؤ ببيانات قيّمة من خلال تجميع نقاط البيانات في مجموعات. مثال على ذلك، التعرف على أي نشاط احتيال بالبطاقات الائتمانية بكل سهولة من خلال مجموعات مشابهة مدخلة في الآلة. وتُصنّف هذه الخوارزمية بأنها خوارزمية ذاتية التعلم، أي أنها لا تحتاج إلى إشراف بشري.
الأقسام الرئيسية لخوارزمية التجميع في الذكاء الاصطناعي:
خوارزمية تعظيم القيمة المتوقعة:
يستخدم نظام جاوس المختلط في هذه الخوارزمية لتحليل البيانات الإحصائية. حيث تستخدم أسلوب الاحتمالات؛ أي أن النقطة الواحدة يمكن أن تنتمي لأكثر من مجموعة بالوقت نفسه. فتختار قيم عشوائية لنقاط البيانات وجمعها في مجموعة معينة والحصول على قيم جديدة. ومن ثم إعادة تخمين للقيم الجديدة؛ ويتم تكرار العملية للوصول لنقاط ثابتة تعطي نتائج قيّمة. تساعد هذه الخوارزمية الجهاز الآلي في فهم لغة الإنسان الكتابية والكلامية لإرسال رد الفعل المناسب كما في الروبوتات.
خوارزمية التجميع الهرمي:
يكون التجميع الهرمي من الأعلى إلى الأسفل أو من الأسفل إلى الأعلى حسب ترتيب التحلل الهرمي سواء كان تكتل أو انقسام. ويتم التعامل مع كل نقطة كمجموعة واحدة مستقلة؛ حيث يتم جمع كل نقطتين بينهما تشابه لتكوين مجموعة جديدة. ومن ثم يتم دمج المجموعات الجديدة وتتكرر هذه العملية حتى الوصول لمجموعة واحدة تدمج كل المجموعات الجديدة. يطلق عليها هنا التكتل الهرمي الذي يتم من الأسفل إلى الأعلى ويمثل برسمة الشجرة. فجذر الشجرة هو مجموعة متنوعة تجمع كل النقاط المتنوعة؛ والمجموعة الفردية من نقاط البيانات تمثل أوراق الشجرة. وتعتبر غير حسابية فهي لا تتأثر بمقياس المسافة المستخدم، أي أن النتيجة لا تتأثر بتغير المسافة بين النقاط.
ثالثاً: خوارزميات التصنيف في الذكاء الاصطناعي
تخضع هذه الخوارزميات للإشراف البشري وتستخدم في تحليل البيانات لتصنيف البيانات المدخلة إلى فئات معينة بشكل دقيق.
تستخدم خوارزمية الذكاء الاصطناعي في تصنيف الرسائل البريدية المهمة من الرسائل الغير مرغوب فيها. تستخدم يوديسا هذه الخوارزمية في تصنيف المتعلمين إلى متعلم جديد، ومتعلم قديم مشارك في الدورات التدريبية بالمنصة لمعرفة ما هي التحديثات التي يتم إرسالها له.
تقوم الخوارزمية بتحليل البيانات وبناء نموذج قواعد التصنيف في المرحلة الأولى. بعد ذلك يتم تصنيف البيانات المدخلة حسب القاعدة التي تحققها المدخلات.
يمكن تصنيف هذه الخوارزمية حسب التصنيف إلى عدة أقسام:
خوارزمية شجرة القرار:
تمثل نموذج استكشاف على شكل شجرة. كل فرع من الشجرة يمثل سؤال تصنيف معين وكل ورقة تمثل قاعدة بيانات معينة كجزء من التصنيف المبني.
على سبيل المثال، تستخدم يوديسا هذه الخوارزمية في التصنيف بين المدرب وبين المتعلم عند التسجيل في المنصة.
تظهر النتائج هنا بشكل فعال ومبسط؛ على الرغم من تعقيد الخوارزميات المستخدمة في شجرة القرار.
يستخدم هذا النوع من الخوارزميات الاستكشاف؛ لتحديد السؤال أو يُحدد بشكل عشوائي وبعدها يتم اختيار السؤال الذي ساعد على تنظيم البيانات. يستمر بعد ذلك بناء فروع الشجرة من عملية تكرار الأسئلة حتى تتوقف الشجرة عن النمو بالوصول إلى فرع مكون من سجل واحد. بحيث يحتوي على سؤال بمعلومة واحدة أو معلومات متجانسة لا يمكن التفريق بينها بطريقة تعمل على تقسيمها أو تصنيفها بشكل جوهري.
مثال توضيحي:
أراد التاجر تصنيف الزبائن المقدمين على شراء جهاز الموبايل في أحد محلات الأجهزة الخلوية، فإن خوارزمية شجرة القرار تظهر بالشكل التالي:
كما يوضح الشكل، يتم تصنيف الزبائن إلى 3 أصناف من خلال السؤال الأول عن عمر الزبون، بعد ذلك يتم التصنيف مرة أخرى من خلال المزيد من الأسئلة في فروع الشجرة.
وتكرر العملية إلى أن يتم الوصول للتصنيف النهائي؛ بأن الزبون سيقدم على شراء الموبايل أم لا. ولأنها نوع من خوارزميات التصنيف، فإن البيانات تقسم بكل فرع دون إنقاص أي منها.
لذلك، نلاحظ أن عدد السجلات الكلي في الفرع الأم يساوي مجموع السجلات في الفرعين المنبثقين منه.
يعمل هذا النوع من الخوارزميات على تقسيم قواعد البيانات حسب هدف معين يسبق تحديده كما في المثال السابق وهو قرار الشراء لجهاز الموبايل.
خوارزمية الاحتمالات:
تستند الفكرة الأساسية على الاحتمالات؛ حيث يتم التصنيف اعتماداً على بناء الاحتمالات. تُصنّف الخوارزمية المُدخَل الجديد من خلال التنبؤ بانتمائه لأحد سجلات قواعد البيانات المدرجة لفئة معينة. تساعد هذه الخوارزمية في تحليل البيانات الضخمة المسجلة في قواعد البيانات.
خوارزمية الشبكات العصبية في الذكاء الاصطناعي:
تُعد خوارزميات الشبكات العصبية من أقوى أدوات الذكاء الاصطناعي وعلوم الحاسب الآلي بحث تتميز بالسرعة والدقة العالية في تجميع البيانات.
تحاكي تركيبة خوارزمية الشبكات العصبية سلوك العقل البشري في التعلم والتعرف على عدة نماذج؛ وبالتالي حل المشاكل الشائعة في مجالات الذكاء الاصطناعي.
تشارك هذه الخوارزمية خوارزمية شجرة القرار في حل العديد من المشاكل المتنوعة. وتساهم هذه الخوارزميات في الوصول إلى نتائج دقيقة مقارنة بالخوارزميات الأخرى.
خوارزمية الشبكة العصبية تتعلم ذاتياً!
حيث أنها تعمل من خلال تدريب الشبكات العصبية عن طريق إدخال قيم المتغيرات للمعلومة؛ فتتعلم مع مرور الوقت. بإمكان هذه الشبكات العصبية التعرف على الصور والكلام في غضون دقائق مقابل ساعات يستغرقها العقل البشري لجمع المعلومات المطلوبة بدقة عالية كما تفعل الشبكات العصبية. خوارزمية جوجل تًعتبر من أكبر الشبكات العصبية المشهورة وشائعة الاستخدام.
دور خوارزميات الذكاء الاصطناعي في التعليم الالكتروني
- تساعد خوارزميات الذكاء الاصطناعي في مواجهة تحديات التعليم الإلكتروني والعمل على رفع مستواه من خلال:
- توفير الدعم الفني في حال مواجهة مشكلة، من خلال اظهار رسالة تلقائية تخبر المستخدم بالحلول المقترحة. أو توجهه إلى مكان الدعم الفني والمساندة في المنصة التعليمية.
- يدخل الذكاء الاصطناعي في عمليات التقييم؛ في منصة يوديسا تساعد المعلم في تقييم طلابه من خلال تصحيح الاختبارات تلقائياً وإعلامه بالنتائج.
- تعمل خوارزميات الذكاء الاصطناعي على التطور بشكل دوري لمواكبة أي تطورات أو تحديثات تحتاجها المنصة التعليمية،فمثلاً إضافة أيقونات جديدة إلى اللوحة التفاعلية لمحادثات الأون لاين في يوديسا.
- توفير خيارات متنوعة للمدرب والمتعلم. يمكن للمعلم أن يختار وسيلة التقييم المناسبة ويحدد المتعلم الدورة التدريبية المناسبة له للتعلم.
- إتاحة التعليم المناسب لكل فرد؛ على سبيل المثال: تعرض يوديسا دورات تدريبية معينة بناءاً على مدخلات معينة مثل العمر والجنس ومكان المستخدم.
- السرعة والدقة في الاستجابة في المنصات التعليمية؛ فمثلاً، توجه يوديسا رسائل أتوماتيكية للإعلام بأي تحديثات على الدورة التدريبية بمجرد التسجيل بدورة معينة بالمنصة. فمثلاً: عند إضافة المدرب لمصادر جديدة للمحتوى.
- متابعة أداء المتعلمين في المنصات التعليمية المختلفة.
منح الذكاء الاصطناعي وجهًا جديدًا للتكنولوجيا لحل المشكلات المعقدة في جميع المجالات.لذلك، تشير التوقعات إلى أنه سيزيد استخدام الذكاء الاصطناعي في السنوات القادمة، ويدخل مجالات أوسع حتى يغزو جميع المجالات من حولنا لتقديم قيمة لها وتوفير تجارب أسهل وأمتع للمستخدمين.
