content_cookies111:string(1897) "{"id":39610,"content_cookies":null,"user_header":{"SERVER_SOFTWARE":"Apache\/2.4.52 (Debian)","REQUEST_URI":"\/%d8%aa%d9%82%d9%84%d9%8a%d9%84-%d8%aa%d8%b9%d9%82%d9%8a%d8%af-%d9%86%d9%85%d8%a7%d8%b0%d8%ac-%d8%a7%d9%84%d8%b0%d9%83%d8%a7%d8%a1-%d8%a7%d9%84%d8%a7%d8%b5%d8%b7%d9%86%d8%a7%d8%b9%d9%8a\/","REDIRECT_STATUS":"200","HTTP_X_FORWARDED_PROTO":"https","HTTP_CONNECTION":"upgrade","HTTP_HOST":"technologyreview.ae","HTTP_CF_CONNECTING_IP":"44.192.254.173","HTTP_CF_IPCOUNTRY":"US","HTTP_ACCEPT_ENCODING":"gzip","HTTP_CF_RAY":"80d467203b3a8f0a-IAD","HTTP_CF_VISITOR":"{\\\"scheme\\\":\\\"https\\\"}","HTTP_USER_AGENT":"CCBot\/2.0 (https:\/\/commoncrawl.org\/faq\/)","HTTP_ACCEPT":"text\/html,application\/xhtml+xml,application\/xml;q=0.9,*\/*;q=0.8","HTTP_ACCEPT_LANGUAGE":"en-US,en;q=0.5","HTTP_CDN_LOOP":"cloudflare","PATH":"\/usr\/local\/sbin:\/usr\/local\/bin:\/usr\/sbin:\/usr\/bin:\/sbin:\/bin","SERVER_SIGNATURE":"Apache\/2.4.52 (Debian) Server at technologyreview.ae Port 80<\/address>\n","SERVER_NAME":"technologyreview.ae","SERVER_ADDR":"172.18.0.9","SERVER_PORT":"80","REMOTE_ADDR":"44.192.254.173","DOCUMENT_ROOT":"\/var\/www\/html","REQUEST_SCHEME":"http","CONTEXT_PREFIX":"","CONTEXT_DOCUMENT_ROOT":"\/var\/www\/html","SERVER_ADMIN":"webmaster@localhost","SCRIPT_FILENAME":"\/var\/www\/html\/index.php","REMOTE_PORT":"58970","REDIRECT_URL":"\/\u062a\u0642\u0644\u064a\u0644-\u062a\u0639\u0642\u064a\u062f-\u0646\u0645\u0627\u0630\u062c-\u0627\u0644\u0630\u0643\u0627\u0621-\u0627\u0644\u0627\u0635\u0637\u0646\u0627\u0639\u064a\/","GATEWAY_INTERFACE":"CGI\/1.1","SERVER_PROTOCOL":"HTTP\/1.1","REQUEST_METHOD":"GET","QUERY_STRING":"","SCRIPT_NAME":"\/index.php","PHP_SELF":"\/index.php","REQUEST_TIME_FLOAT":1695824589.065845,"REQUEST_TIME":1695824589,"argv":[],"argc":0,"HTTPS":"on"},"user_ip":"44.192.254.173","user_agent":"CCBot\/2.0 (https:\/\/commoncrawl.org\/faq\/)"}"
هذه الميزة مخصصة للمشتركين يمكنهم مشاركة المواضيع بحد اقصى 10 مواد من كافة مواقع مجرة
تعتمد الكثير من خوارزميات الذكاء الاصطناعي التي حققت نجاحات باهرة في الآونة الأخيرة على توفّر كم كبير من البيانات، والتي يتم عرضها على تلك الخوارزميات فتتعلم منها، لتستطيع بناء ما يعرف بالنموذج (Model)، وهذا النموذج أو "المودل" يمكن تشبيهه بالعقل البشري، وهو يمثل الكم المعرفي الذي تستدعيه الخوارزمية في كل مرة تقوم بعملية اتخاذ القرار.
النموذج الذي تبنيه الخوارزمية عبارة عن معادلات رياضية، واشتراطات حسابية، تستخدمها الخوارزمية لبناء الاحتمالات اللازمة لاتخاذ القرار. واتخاذ القرار هنا يعني التنبؤ بالمستقبل، أو اكتشاف نمط معين في البيانات، وبالتالي فإن الخوارزمية في كل مرة يتم تشغيلها، فإنها تستدعي النموذج الخاص بها، وتقوم بتمرير البيانات اللازمة له، وهو يقوم بعملياته المنطقية والرياضية، ومن ثم يعطي مخرجاته على شكل احتمالات، وتستقبل الخوارزمية في نهاية المطاف تلك الاحتمالات، لتظهرها بطريقة مناسبة للمستخدم كجزء من منظومة تقنية أو منصة رقمية.
تعقيد عملية بناء النماذج التي تستخدمها الخوارزميات
إن بناء النموذج واستخدامه في خوارزميات الذكاء الاصطناعي، يعد عملية غاية في التعقيد، والتي بدورها تحتاج إلى الكثير من الموارد، كالحواسيب عالية الكفاءة، ومعالجات الرسوميات (GPU)، والذواكر (RAM). فالخوارزميات التي تتصدر القوائم في دقتها، كخوارزميات التعلم العميق (Deep Learning)، تحتاج في الواقع إلى منظومة حاسوبية تعمل جميع مكوناتها في آن واحد جنباً إلى جنب وبشكل متزامن، لبناء النماذج والمخرجات اللازمة لصناعة ذلك النموذج. ليس ذلك فحسب، بل إن النموذج الذي ينتج من خوارزميات التعلم العميق تحديداً، يحتوي ذاته على العديد من الطبقات التي تُستخدم أثناء عمل الخوارزمية، وتلك الطبقات بدورها تقوم بمعالجة مكثّفة للبيانات في كل طبقة على حدة، ما يعني أنه على الرغم من أن عملية بناء النموذج تستهلك الكثير من الموارد، فإن تشغيل مختلف طبقات النموذج يتطلب أيضاً العديد من الموارد.
سجل في نشرة الخوارزمية
ابق مواكباً لأحدث أخبار وتطبيقات الذكاء الاصطناعي في قطاعك، وتأثيراته المستقبلية على مجال عملك.
تم الإشتراك بنجاح !هناك خطأ ما, حاول مجدداً
يعد تعقيد النموذج وحجمه الكبير، خصوصاً في خوارزميات التعلم العميق، العائق الأكبر أمام استخدام تلك الخوارزميات في الأجهزة محدودة الكفاءة كالأجهزة المحمولة والمعدات الطرفية، وقطع الحاسوب المدمجة في المركبات والسفن وغيرها، وذلك لأن تلك الحواسيب الصغيرة تفتقر إلى الموارد اللازمة التي تحتاجها خوارزمية التعلم العميق لتمرير البيانات بين مختلف طبقات النموذج، فكلما زاد عدد طبقات اتخاذ القرار في النموذج، زادت الموارد التي يحتاجها الجهاز لتشغيله.
محاولات العلماء لتقليل الضغط على الأجهزة قليلة الموارد
سيتيح استخدام الذكاء الاصطناعي في العديد من المواقف التي لم يسبق أن عملت بها تطبيقات الذكاء الاصطناعي تقليل الضغط على الأجهزة قليلة الموارد. فعلى سبيل المثال، سيتمكن الغواص من الاستفادة من تطبيقات التعرف الآلي على المخلوقات في قاع المحيط، ما سيجنبه ملامسة تلك الأسماك السامة، أو ذات الشحنات الكهربائية، كما سيستطيع متسلق الجبال استخدام برامج المحاكاة، ليكمل مسيرته نحو القمة سالكاً أكثر الطرق أماناً، بل سيستطيع الرياضيون استخدام الأجهزة المحمولة التي تقرأ المؤشرات الحيوية وفي نفس اللحظة تقوم بتحليل البيانات، ليحصل الرياضي على اقتراحات تسهم في تقدمه في المنافسة، ولذا فهناك دعوات كثيرة لتخفيف حجم النموذج واستخراج الخلاصة منه، أو "تقطيره" بحسب تعبير عالم البيانات فيكتور سانه (Victor Sanh) من شركة هاغن فيس (Hugging Face) في بحث نشره مع فريقه في عام 2019 ، وذلك كي لا تشكل خوارزميات الذكاء الاصطناعي عبئاً على الأجهزة قليلة الموارد.
محاولة تقليص النموذج بكافة عناصره
إن التحديات التي تواجهها الأجهزة محدودة الموارد، كالهاتف المحمول، لاستدعاء وتشغيل نموذج التعلم العميق، تعد أحد المباحث التي تطرق لها العديد من العلماء حول العالم لمواجهتها، ومنهم الباحث شياونان لي (Xiaonan Li) والذي تعاون مع فريق بحثي من جامعة فودان (Fudan University) الصينية في عام 2021 ، حيث قام الفريق البحثي بتجربة التشغيل الجزئي لنموذج التعلم العميق كبير الحجم، واقترح الفريق البحثي أن تقوم خوارزمية التعلم العميق أثناء إرسال البيانات داخل النموذج وأثناء مرور البيانات بطبقاته بالتحقق من إمكانية اتخاذ القرار في كل طبقة من طبقات النموذج دون الحاجة لمرور البيانات ببقية الطبقات، بمعنى أن الأسلوب الذي اتبعه الباحثون يعمد لتقليل عدد الطبقات التي تمر بها البيانات داخل النموذج، في محاول لتقليص الموارد اللازمة لتشغيل النموذج بكامل عناصره.
طريقة تقليل عدد الطبقات التي تمر بها البيانات، أو ما يعرف بالخروج المبكر من النموذج، هي طريقة في حقيقة الأمر حاول تطبيقها العديد من الباحثين قبل فريق جامعة فودان، فقد كانت أولى المحاولات في جامعة ووترلو (University of Waterloo) الكندية، من قبل الباحث جي شين (Ji Xin) مع فريق من ذات الجامعة في عام 2020، وقد نُشرت محاولة الباحث جي لتصميم خوارزمية يمكنها الخروج المبكر من النموذج بمجرد حصول الخوارزمية على دقة مقبولة في أحد المؤتمرات الدولية المتخصصة.
ومن المفارقات العجيبة، أن مجموعة بحثية أخرى نشرت في ذات السنة، بل في المؤتمر نفسه، ورقة علمية تتحدث عن طريقة مشابهة للخروج المبكر من النموذج، بمجرد ثقة الخوارزمية بالنتائج. فالمجموعة الأخرى هذه تكونت من الدكتور روي شوارتز (Roy Schwartz)، وبها عدد من العلماء من جامعة كارنيجي ميلون (Carnegie Mellon University)، وجامعة واشنطن (University of Washington)، ومعهد آلين للذكاء الاصطناعي (Allen Institute for Artificial Intelligence).
وعلى الرغم من تتابع الأبحاث في هذا الجانب، فإن النتائج تدل أن على متخذ القرار -وليس الخوارزمية- الموازنة بين الدقة والكفاءة، في حال أريد استخدام الذكاء الاصطناعي في الأجهزة محدودة الموارد، بمعنى أن الخوارزمية التي تستهلك الكثير من الموارد لتصل دقتها إلى 99%، قد يكون من الممكن أن تعمل على الهاتف المحمول، إذا قبل المستخدم بدقة أقل، كـ90% مثلاً، غير أن ذلك في نهاية المطاف قرار يحتاج أحدهم إلى الموافقة عليه، وذلك بحساب الفوائد المرجوة من أنظمة الذكاء الاصطناعي، في حال فاقت الفوائد نسبة الخطأ المحتملة.
الدكتور أنس بن ضيف الله الغامدي، أكاديمي عضو هيئة تدريس، يسعى من خلال البحث العلمي إلى جعل الكمبيوتر يفهم لغة الإنسان، إذ يستخدم خوارزميات الذكاء الاصطناعي لسد الفجوة بين الآلة والبشر.
يهتم بشكل كبير في الذكاء الاصطناعي، والعمل على موضوعات تطبيقية، … المزيد لحل مسائل لها علاقة مباشرة بالواقع، حيث يعتمد على الطرق العلمية في تطوير الفرضيات، وتعلم الآلة في بناء المعلومات، ليس ذلك فحسب، بل يعمد إلى استخراج المعرفة التي يمكن أن تساهم في عملية دعم اتخاذ القرار.
حصل من المملكة المتحدة على درجة الدكتوراه في علوم الحاسب، والتي كانت في ذات تخصص مرحلة الماجستير والبكالوريوس، وقد فاز بجائزة صاحب السمو الملكي الأمير خالد الفيصل في الحاسب الآلي أثناء دراسته للبكالوريوس، كما وقد حقق جائزة التميز العلمي من الملحقية الثقافية بلندن خلال مرحلة الدكتوراه.
قاد الدكتور أنس بن ضيف الله الغامدي فرق عمل في عدد من المشاريع واللجان، كما ونشر أبحاثاً في مجلات عالمية مصنفة، وقد كان متحدثاً في عدد من اللقاءات.
وبالإضافة إلى عمله في المجال الأكاديمي، يقدم الاستشارات لقطاع الأعمال والقطاع الحكومي، كما ويساهم في عدد من الأعمال لتوعية المجتمع، ككتابته الدورية عن الذكاء الاصطناعي في الصحف المحلية والعالمية.
أصبح الذكاء الاصطناعي أكثر براعة في اجتياز الاختبارات المصممة لقياس القدرات الإبداعية عند البشر، ففي دراسة نُشِرت في مجلة ساينتيفيك ريبورتس (Scientific Reports) مؤخراً، حققت بوتات الدردشة التي تعمل بالذكاء الاصطناعي متوسط درجات أعلى من البشر في مهمة الاستخدامات البديلة (Alternate Uses Task)، وهي اختبار شائع الاستخدام لقياس هذه القدرات.
نستخدم ملفات تعريف الارتباط لتحسين تجربتك، استمرار استخدامك للموقع يعني موافقتك على ذلك. سياسة الخصوصيةأوافقX
Privacy & Cookies Policy
Privacy Overview
This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience.
Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.
