ما هي نقطة التوقف ، وكيفية استخدامها ، وهل هي ضرورية في التداول

تصنيف وسطاء الفوركس 2020:
  • FinMaxFx
    FinMaxFx

    أفضل وسيط فوركس لعام 2020!
    الخيار الأمثل للمبتدئين!
    تدريب مجاني!
    حساب تجريبي مجاني!
    مكافأة على التسجيل!

Трейлинг стоп – как его использовать и зачем нужен

В трейдинге есть отдельный набор инструментов, помогающих защищать позиции, когда сделки уже открыты. Наиболее известным является стандартный ордер стоп лосс. Помимо этого, есть еще всякие советники трейлинг стоп. Но сегодня я хочу показать вам еще один интересный способ ограничивать риски в сделке. Я расскажу о трейлинг стопе.

Что такое трейлинг стоп

Этот инструмент является разновидностью стандартного стоп приказа. Но от последнего его отличает то, что он может смещаться в сторону прибыли автоматически. Как только вы выставляете trailing stop, вам также необходимо поставить определенную дистанцию, на которой он будет следовать за ценой.

Кстати, если дословно перевести trailing stop на русский язык, получится «следящий стоп». Этим инструментом пользуются далеко не все трейдеры, ограничиваясь стандартным stop loss. Возможно, после прочтения этой статьи ваше мнение поменяется, и вы возьмете его в свой арсенал.

Итак, я уже рассказала вкратце о том, что такое трейлинг стоп. Но как все это работает на практике? Приведу пример. Для начала, разберем торговлю со стандартным стоп лоссом. Предположим, я открыла сделку по EUR/USD на покупку на уровне 1,1200. Мой стоп лосс находится на уровне 1,1190. Размер риска в этом случае составляет 10 пунктов.

Допустим, через час цена выросла до 1,1210. Естественно, закрывать на таком уровне не имеет смысла. При моем размере стопа желательно подержать до 1,1220 как минимум, чтобы соотношение риска к профиту стало 1 к 2.

Я вижу, что есть потенциал к росту. Но в то же время, сделка уже прибыльная и было бы неплохо как-то застраховать себя на случай непредвиденных обстоятельств. Многие трейдеры, как и я, в этой ситуации решают переместить стоп на уровень открытия.

В моем примере это отметка 1,1200. Зачем это делается? Если вдруг случится резкое падение, я выйду в безубытке (конечно, за минусом спреда, но я его в этом примере не рассматриваю).

Таким образом, я сдвинула стоп лосс вверх на 10 пунктов в сторону движения цены. А теперь представьте, что все это можно делать автоматически. Выставляя трейлинг стоп, вы устанавливаете дистанцию, на которой он будет идти за ценой. Но можно использовать также и советник с трейлинг стопом.

Как это работает на практике?

Теперь рассмотрим техническую сторону. Итак, вы выставили трейлинг и поставили дистанцию, например, 10 пунктов. Сделка открыта на покупку. Если цена выросла на 1 пункт, ваш трейлинг также меняется в сторону роста на 1 пункт. Цена выросла на 10 пунктов, вырос и уровень trailing stop.

А что случится, если цена снижается? В этом случае trailing stop работает как обычный стоп приказ. Ничего не меняется. Он остается на том же уровне, на котором и был до снижения. В итоге, при росте, трейлинг стоп тоже растет (если выставлялся в сделке на покупку), а при снижении остается на месте.

Если же вы открываете сделку на продажу, здесь все наоборот. При снижении цены, трейлинг стоп будет снижаться на столько же пунктов. Если цена начинает двигаться вверх, трейлинг стоп остановится. При достижении ценой этого уровня, сделка автоматически закроется.

Насколько трейлинг стоп эффективен

У этого инструмента есть как свои явные преимущества, так и недостатки. Все зависит от конкретной ситуации на рынке и вашего подхода к работе. Некоторые трейдеры считают его полезным, другие говорят о том, что этот инструмент может выбить позицию раньше времени.

Правы и те и другие. Как я уже говорила выше, все зависит от вашего подхода. Если вы переносите обычный стоп лосс вслед за ценой, значит трейлинг стоп будет кстати. Это довольно консервативный подход, но он имеет право на жизнь.

Если же вы предпочитаете оставлять стоп лосс на своем прежнем месте, тогда и трейлинг стоп будет вам не нужен. Есть категория трейдеров, которая готова до конца сделки рисковать суммой, заложенной в стоп лоссе. Эта категория никогда не переносит стоп лосс за ценой так как в процессе работы предпочитает выжимать максимум из сделки.

Отчасти я согласна с такими трейдерами. Колебания могут быть существенными, и сделка не успеет расторговаться и будет закрыта по стопу.

Основные преимущества и недостатки трейлинг стопов

А теперь рассмотрим плюсы использования этого инструмента. Их достаточно много:

  • Ограничение убытков (это преимущество относится ко всем стоп ордерам, не только к trailing stop).
  • Своего рода гарантия от потерь при резком ценовом развороте. И это действительно так. Если трейлинг стоп доходит до уровня безубытка, дальше, даже при неблагоприятном исходе вы ничего не потеряете.
  • Частичная автоматизация торговли. Если вы выставили такой стоп приказ, вам не нужно постоянно следить за рынком и двигать свой стоп лосс вручную.
  • Значительно расширяются торговые возможности. Частичная автоматизация открывает для вас больше пространства для маневра. Вы сможете работать с несколькими позициями.

Как видите, преимуществ немало. Но есть и свои недостатки. К ним относятся:

  • Исполнение этого ордера происходит на стороне клиента. Это значит, что при выключенном терминале такой ордер не сработает. Это плохо и даже очень плохо. Если вдруг случится перебой в связи, ваш трейлинг стоп работать не будет. Поэтому на случай слабого интернета, я бы порекомендовала подстраховку из стандартного стопа.
  • К установке трейлинг стопа следует подходить очень аккуратно. Если обычный стоп лосс выставляется всегда, trailing желательно ставить только тогда, когда планируется сильный и безоткатный тренд. В противном случае рынок быстро выбросит вас и придется перезаходить уже по менее удобной цене.
  • Трейлинг стоп можно выставить только после срабатывания ордера. Его нельзя настроить до открытия позиции, как это делают с обычным стоп лоссом.

Стоит ли пользоваться трейлинг стопом?

Это вопрос индивидуальный. Причем даже если вы уже используете такой вид ордера, он для вас тоже индивидуален исходя из ситуации. В недостатках я указала на то, что желательно ставить его только тогда, когда вы предполагаете, что не будет резких и сильных откатов цены. Сильное коррекционное движение просто выбьет вашу позицию.

Лично я часто прибегаю к работе с этим инструментом, так как предпочитаю сделки, закрытые в безубытке сделкам, закрытым по обычному стоп приказу (то есть с убытками). Не могу сказать, что было много случаев, когда трейлинг стоп меня сильно подводил и закрывал позиции с большим потенциалом.

С другой стороны, если вы не хотите работать консервативно и рассматриваете большие перспективы в сделке и даже используете советника трейлинг стопа, можно добавлять к позиции trailing stop только тогда, когда отсутствует перспектива сильных коррекционных движений.

При новостном трейдинге я бы не стала выставлять trailing только по той причине, что возможны сильные колебания в обе стороны. Здесь и обычный стоп выбивается достаточно легко. А трейлинг тем более. С другой стороны, если после выхода новости будет сильный тренд, можно быстро добавить трейлинг на определенной дистанции и зафиксировать хотя бы часть движения цены в случае резкого ее разворота в будущем.

موقع عن حديقة ، سكن صيفي ونباتات منزلية.

زراعة وزراعة الخضروات والفواكه ، ورعاية الحديقة ، وبناء وترميم الفيلات – كل ذلك بأيديهم.

ما هي “الحديقة البطيئة” – كيفية إنشائها وكيفية العناية بها

“حديقة كسولة”: التعلم في الطبيعة

العبارة ذاتها “حديقة كسول“يبدو مغريا ، ولكن غير معقول.

من الصعب علينا أن نعتقد أنه يمكنك الحصول على حصاد لائق دون تحويل رعاية الأسرة إلى تجنيد يومي. لقد قمنا بدمج أعمال العديد من سكان الصيف “البطيئين” ، بحيث يمكنك تجربة هذه الطريقة على موقعك. قل على الفور: قبل أن تبدأ في الكسل ، عليك أن تعمل بجد.

تعتمد الحديقة ، التي نسميها كسول ، على الطبيعة ، وتقليد الوجود الطبيعي للنباتات. الرسالة الرئيسية هي أنه لا توجد أسرة في البيئة الطبيعية ولا أحد يصنع الأسمدة. في نفس الوقت ينمو وينتج العشب والتوت والأشجار. الهدف من ذلك هو الحفاظ على بيئة طبيعية في موقعك تنمو فيها الثقافات.

كل ما هو ضروري لهذه المادة هنا >>>

إذا جمعنا بين ملاحظات البستانيين “البطيئين” ، فسنحصل على صيغة نجاح متماسكة – تقليد الطبيعة في كل شيء. الأمر يستحق البدء بالتربة. يوصى باستخدامه للزراعة أو الغطاء ، على سبيل المثال ، المهاد. في الوقت نفسه ، يجب أن تكون محمية على مدار السنة ، بحيث يبدو من الأرض في فصل الربيع ، لا يبدو أنه استنفدت ، ولكن الأرض الغنية ، جاهزة للموسم.

يمكن أيضًا استنتاج أن أحد الأخطاء الرئيسية للزراعة التقليدية هو حفر التربة. لذلك نحن نستنزفها ونقتلها. لمنع هذا ، يوصى بالتخلي عن الحفر بالمعنى المعتاد للكلمة.

يجب أن يتكون تحضير التربة من تخفيف الطبقة العليا (ليس أعمق من 5 سم). كما عرضت الخيار تخفيف الشوك. من المهم أن نفهم الفرق: تخفيف ، وليس حفر! هذا يعني أنك تحتاج إلى إدخال مذعور في الأرض ، ودفع قبالة منك ، ثم على نفسك وسحب مزلقة من دون كتلة من الأرض.

بالطبع ، من الصعب تخيل أنه يمكن زرع شيء ما في الأرض المعدة بهذه الطريقة.

التربة ثقيلة جدًا – لن يؤدي هذا التخفيف إلى أي نتيجة ، وسيؤدي حفر الطبقة السطحية إلى حقيقة أن الجذور سيكون من الصعب للغاية اختراق طبقة الأرض المسطحة. لذلك ، إذا سعينا جاهدين لتحقيق الطبيعة ، فنحن أولاً نحتاج إلى تزويد التربة بالإخصاب الطبيعي. وينصح البستانيين “كسول” لاستخدامها لهذا السماد ، وكذلك الأعشاب الضارة. إنها نشارة طبيعية ، والتي ، من بين أشياء أخرى ، تشبع التربة بمكونات مفيدة. مثل هذا المأوى مفيد أيضًا لأنه يقلل من عدد الري ، وأحيانًا يجعلها غير ضرورية. من سنة إلى أخرى ، يتحسن التركيب الكيميائي للتربة وخصائصها الفيزيائية. من الناحية المثالية ، يجب أن تكون الأرض ناعمة ونابضة كما في الغابة. هنا أولئك الذين يريدون أن يصبحوا حدائق “كسولة” سيتعين عليهم العمل بجد.

بالإضافة إلى التسميد والمهاد ، من الأنشطة المهمة في تنظيم الزراعة “الكسولة” زراعة مشتركة وفقًا للتكنولوجيا الزراعية للمحاصيل ، وزراعة السماد الأخضر ، ومعالجة النباتات من الأمراض والآفات ، والحفاظ على المستوى المطلوب من رطوبة التربة.

بالطبع ، من غير المحتمل أن يقرر أي شخص مراجعة أسس الحدائق الخاصة به بين عشية وضحاها. وهل هو ضروري؟ لكن التجربة على زوج من الأسرة لا تزال تستحق العناء. فمن الممكن أن الزراعة “كسول” – فقط لأجلك.

إذا كنت مهتمًا بهذه التقنية ، فقم بدراسة الكتب الموجودة في الحديقة “البطيئة”. هناك العديد من الأساليب التي تختلف في بعض التفاصيل الدقيقة.

إن زراعة الخضروات “كسولة” لا تعني على الإطلاق إزالة كاملة من عملية زراعة المحصول. إنه بالأحرى نهج مختلف عن المعتاد. من المهم أن نفهم أن هذه الطريقة ، التي تبررها مختلف الدراسات ، تتطلب التداول وتسلسل الإجراءات. من المفترض أن الطبيعة نفسها ستضطلع بالجزء الرئيسي من العمل ، لكن يجب ألا يتوقع المرء نتيجة دون تدخل بشري. المهمة الرئيسية هي تقليل تكاليف العمالة إلى أدنى حد ممكن دون المساس بالإنتاجية.

© المؤلف: ناتاليا ستيبانوفا

السقي التلقائي

يستغرق سقي الحديقة الكثير من الوقت والطاقة ، إلى جانب إرفاقه بحزم بالموقع ، مما يجعل من المستحيل التوقف عن العمل أو في إجازة. بالنسبة لأولئك الذين يرغبون في الحصول على حرية الحركة وفي الوقت نفسه عدم تدمير الحصاد ، هناك أنظمة ري أوتوماتيكية.

أخذ احتياجات حساب المصنع

قبل أتمتة نظام الري ، يجب التخطيط. هذه خطوة مهمة للغاية تساعد على منع الأخطاء وتقليل استهلاك المياه.

بادئ ذي بدء ، من الضروري تحديد أي النباتات والأسرة لإدراجها في النظام ، وكذلك طريقة الري التي يحتاجون إليها وفقا للتكنولوجيا الزراعية.

بالإضافة إلى ذلك ، تحتاج إلى أن تأخذ في الاعتبار ميزات موقع النباتات على الموقع. أولئك الذين ينموون من الجانب الشمالي للمباني هم دائما تقريبا في الظل. وفقا لذلك ، فإنها لا تحتاج إلى سقي مكثف. أشجار الزينة الناضجة في معظمها تحتاج إلى ترطيب إضافي فقط خلال وقت الجفاف ، حتى تتمكن من التوفير في تنظيم سقيها. هو أكثر عقلانية للقيام بذلك يدويا.

احسب عدد الخطوط

استنادًا إلى المعلومات التي تم تلقيها ، من الضروري تحديد عدد الفروع الموجودة في نظام ري تلقائي معين. على سبيل المثال ، سيذهب المرء للري بالتنقيط في الحديقة ، والثاني – لري أشجار الفاكهة والشجيرات ، والثالث – بالرش – سيوفر المياه للحشيش ، والرابع – للنباتات في الظل. أيضا ، يمكن تحديد الحاجة إلى التقسيم إلى مناطق بواسطة قدرات نظام إمدادات المياه الرئيسي. لنفترض أن إنتاجية (استهلاك) نظامنا لإمداد المياه بالداشا هي 1,5 m ‘/ h. حساب إجمالي استهلاك فوهات الرش (البيانات الواردة في المواصفات). على سبيل المثال ، سيكون هذا المؤشر مساويًا لـ 9 m ‘/ h. نقسمها على مؤشر أداء القناة: 9: 1,5 = 6. ستوفر ست مناطق محملة بالتساوي ظروفًا مثالية لتشغيل نظام الري الآلي.

إذا تم استخدام خزان تخزين كمصدر للمياه ، فيجب تثبيت مضخة. المضخات الأكثر تشغيلًا لديها أداء 3 m ‘/ h. ثم ، مع نفس استهلاك المناطق ، قد لا يكون هناك ستة ، ولكن ثلاثة فقط.

نجعل القياسات

بعد ذلك ، يجب عليك وضع خطة مفصلة للموقع ، مع مراعاة الحجم الفعلي. لذلك من المريح استخدام خطوط الأساس المزعومة. إذا كان موقعك بالشكل الصحيح ، يمكن أن يظهر وجهان (الطول والعرض) بهذه الجودة. نقيسهم وننقلهم إلى الخطة. ثم وضعنا المباني المرسومة ، والأسرة ، والمسارات ، والأشجار ، والشجيرات – بكلمة واحدة ، جميع عناصر الموقع. على الخطة ، ينبغي أن تكون موجودة على نفس المسافات من خطوط الأساس كما في الواقع. هذا مهم للغاية ، لأن أداء النظام بأكمله يعتمد على دقة الحسابات.

نحن نضع خطة نظام

عندما تكون الخطة التفصيلية جاهزة ، تحتاج إلى تطبيق نظام ري تلقائي. وهنا الدقة هي أيضا مهمة. تحتاج أولاً إلى دراسة المقترحات واختيار الخيارات الأكثر ملاءمة لأنفسهم. بناءً على خصائص الجهاز ، سنقوم بتوزيع عناصر الري على الموقع. حدد موقع أشرطة التنقيط وطريق الإمداد بالمياه إلى نقطة مدخل المياه. الآن النقطة الأكثر أهمية – ترتيب الرشاشات.

بادئ ذي بدء ، تحتاج إلى معرفة مسافة الرش وزاوية الدوران (إذا تم توفير ذلك من خلال النموذج). نرسم الرش الشرطي ونضع علامة على منطقة التغطية على الخطة. مسلحين بالإنترنت أو كتالوج لشركات التصنيع ، نختار المعدات. وبالتالي ، هناك صورة كاملة ، وفي الوقت نفسه وقائمة المعدات والمكونات اللازمة.

بالتأكيد في منطقة الري لبعض الري بالرش ، تقع الشجيرات أو غيرها من العوائق التي تخلق الظل المزعوم. في هذه الحالة ، من الضروري إزالة الفجوة بمساعدة المنشآت الأخرى.

من المهم أيضًا أن تقوم الرشاشات بترطيب التربة بالتساوي. لكن كثافة هطول الأمطار أكبر ، أبعد ما يكون عن التركيب نفسه. لذلك ، في النظام الصحيح لفوهات الري التلقائي يجب أن يتم تثبيتها على مسافة نصف قطر واحد ، وليس اثنين. بهذه الطريقة فقط يتم توزيع زي موحد.

تحكم – أساس autowatering

بشكل عام ، يتكون نظام الري الأوتوماتيكي من:

  • وحدة التحكم (الموقت) ؛
  • أجهزة استشعار الطقس (إذا سمحت به خصائص الموقت) ؛
  • صمامات.
  • القدرة التراكمية للمياه (في بعض الحالات) ؛
  • نظام المضخة (إذا تم استخدام القدرة التراكمية) ؛
  • الرشاشات وأشرطة التنقيط.
  • الأنابيب والتجهيزات.

أهم عنصر في نظام الري الآلي هو توقيت. هو الذي يبدأ ويوقف العمليات.

  • الميكانيكية.
  • الإلكترونية مع التحكم الميكانيكي.
  • الإلكترونية مع البرمجة الرقمية.

الموقتات الميكانيكية لها إمكانيات محدودة للغاية – لا تعمل إلا على إيقاف الري بعد وقت محدد. يمكن تشغيلها يدويًا بشكل حصري. هذا الخيار هو أكثر من أجل النسيان.

سوف تعمل الموديلات الإلكترونية ذات التحكم الميكانيكي نفسه على تشغيل وإيقاف نظام الري في وقت معين ، ولكن بغض النظر عن الظروف الخارجية. لا يمكن توصيل أجهزة استشعار إضافية لهم.

تسمح أجهزة ضبط الوقت الإلكترونية القابلة للبرمجة بالسقي عالي الجودة. يمكنهم توصيل أجهزة استشعار الظروف الجوية ورطوبة التربة ، فهي لا تتطلب وجود الإنسان. لذلك ، يمكن توصيل مستشعر المطر بهذا الجهاز ، والذي لن يسمح بوحدة التحكم في الماء عندما تكون مبللة بالخارج بالفعل. ولكن من الصعب مراعاة تشغيل هذا المستشعر بشكل صحيح ، لأنه لا يأخذ في الاعتبار العامل الرئيسي الذي يؤثر على الحاجة إلى الري – درجة رطوبة التربة. لذلك ، فمن المنطقي تجهيز النظام واستشعار رطوبة التربة. قد يكون جهاز استشعار الصقيع مفيدًا: إذا انخفضت درجة الحرارة إلى + 3 ° C ، فإن النظام التلقائي يعطل نظام الري التلقائي. هذا ضروري ليس كثيرًا للنباتات بل لأمن النظام نفسه.

يجوز استخدام نوع واحد فقط من الرشاشات في منطقة واحدة ، على سبيل المثال دوار. وإلا ، فإن استهلاك المياه سيكون غير متساوي وقد لا يعمل النظام بشكل صحيح.

يتطلب تنظيم نظام الري الآلي دراسة مضنية لجميع التفاصيل. هناك الكثير من المعدات. بدون صيانة ، مثل الحفظ لفصل الشتاء ، لا يمكن القيام به. ولكن في حالة اكتمال نظام الري الأوتوماتيكي وتركيبه بشكل صحيح ، فسوف يكون لديك متسع من الوقت.

إذا قررت الاتصال بشركة تقوم بأعمال تسليم المفتاح ، فاستعد لدفع عشرات الآلاف. متعة ليست رخيصة.

© المؤلف: ناتاليا ستيبانوفا

انخفاض المياه

الميزة الرئيسية للري بالتنقيط هي الترطيب الانتقائي. بسبب محدودية المناطق المبللة ، يتم تقليل عدد الأعشاب الضارة ، مما يبسط بشكل كبير رعاية النباتات. “كسول” البستانيين بالتأكيد نقدر!

عندما تتدفق مياه الري بالتنقيط إلى نظام جذر النبات على سطح التربة أو مباشرة في التربة. هذه الطريقة لديها الكثير من الإيجابيات. أولا ، توفير الوقت والجهد. رعاية أسهل للنباتات: فقط هالة مسكن للجذور مبللة ، وبعدها تظل التربة جافة ، مما يقلل من نمو الأعشاب الضارة. يستهلك الماء لسقي كامل بالتنقيط أقل بكثير. يمكن أن ترتفع المدخرات إلى 80٪ مقارنة بطرق الري الأخرى. إذا كانت هناك حاجة ، يمكنك سقي النباتات حتى تحت أشعة الشمس الحارقة ، دون خوف من حرق أوراق الشجر. لا يوجد خطر من عدم وضوح الجذور. مع الري بالتنقيط ، لوحظ زيادة في الغلة.

عيوب النظام: شبكة من الأنابيب على الموقع ، والحاجة إلى تصريفها ، وتفكيك الأشرطة بالتنقيط قبل الصقيع.

من أجل بناء نظام إسقاط المياه ، تحتاج إلى أشرطة شرائط وأنابيب ومقابس للأنابيب وشرائط التنقيط ووصلات لشرائط التنقيط. دبابات. الرافعات ، مرشح ، علبة التروس. قد تحتاج أيضًا إلى زوايا لوضع الأنابيب من الخزان.

لهذه الطريقة من الري ، هناك نوعان من إمدادات المياه المناسبة – القسري والجاذبية. في الحالة الأولى ، يتم ضخ المياه في نظام الري باستخدام مضخة أو ضغط خط الماء.

في طريقة الجاذبية ، يتدفق الماء من خزان التخزين بواسطة الجاذبية.

مع الري الجيد ، يجب أن يكون متوسط ​​استهلاك المياه 20 l / m 2 . بناءً على ذلك ، يمكن حساب الحجم المطلوب لخزان التخزين. هكذا. للري 50 م 2 بحاجة إلى سعة 1000 لتر. لري المساحات الكبيرة ، من الأفضل استخدام عدة خزانات أو إضافة مضخة إلى النظام لضمان ضغط موحد في جميع أنحاء منطقة الري. يجب رفع الخزان إلى ارتفاع لا يقل عن 2 م ، وبمثل هذا الارتفاع ، سيكون الضغط في خط التنقيط مثالًا – ولكن 0,2 atm هي الرقم الأمثل لنظام الري بالتنقيط. يمكنك زيادة الضغط عن طريق رفع الخزان ، وخفضه عن طريق خفضه.

مواسير التوزيع الأفضل استخدامًا للبلاستيك: فهي أكثر ملاءمة للتثبيت (متصلة بسهولة مع التركيبات) ولا تصدأ. قطر -32-40 مم.

الشريط بالتنقيط هو خرطوم مع ثقوب. الأشرطة هي:

تيه. تتشكل قناة المتاهة على سطحها ، مما يؤخر تدفق المياه. هذا هو الخيار الأرخص. لكن المتاهة غالباً ما تكون مسدودة ، إلى جانب وجود صعوبات في وضع الشريط بشكل صحيح.

بواسطة فترة زمنية محددة. وقد شق منافذ المياه. داخل هذه الخراطيم هي أدلة. بفضل الحفاظ على نفس الضغط طوال مدة العمل. تتطلب هذه الأشرطة ترشيحًا عالي الجودة للمياه ، حيث أنها عرضة للانسداد.

باعث. هذا هو شريط بالتنقيط مسطح ، والتي بنيت داخل في قطارات مسطحة منفصلة. كما أنها توفر تدفق موحد للمياه إلى النباتات. الخراطيم من هذا النوع تقاوم الانسداد ، ولكن إذا لم يتم تخزينها بشكل صحيح ، فقد يتسبب القطارة في إتلاف الشريط.

مع قطرات الخارجية.

يتم استخدام مثل هذا النظام عندما تكون الزراعة غير منتظمة وتتطلب ترطيبًا فرديًا ، مثل فراش الزهرة أو الشجيرات. تكلف القطارات أكثر من الري الشريطي ، بالإضافة إلى ذلك ، سوف تحتاج إلى ضبط ذاتي حسب توزيع النباتات.

يتقاطرون ( “يبكي”). خرطوم مرن ، على كامل سطحه توجد مسام دقيقة – تتسرب منه المياه. يتيح لك تنظيم الري بالتنقيط بدون أنظمة معقدة للجهاز. يكفي وضع الخرطوم في المكان المناسب وتوصيله بإمدادات المياه.

يتكون تركيب النظام من تجميع متسلسل للأجزاء وفقًا للرسم التخطيطي المعد. من الخزان أو العقدة المطلقة شبكة مطلقة من أنابيب الجذع عمودي على الأسرة. في بداية الشبكة ، يتم تثبيت صمام إمدادات المياه وصندوق التروس (إذا لزم الأمر) ومرشح. في أنابيب الجذع القيام إدراج مع محولات للأشرطة بالتنقيط. المسافة بين الإطارات تعتمد على موقع الأسرة. يتم وضع الأشرطة بالتنقيط على طول صفوف النباتات مع قطارات لأعلى لمنع انسداد.

كحماية إضافية ضد التلوث ، يمكنك وضع مواد تكسية أرضية أو غير منسوجة. النهايات الحرة للأنابيب والأشرطة تغرق. النظام جاهز للعمل. الوقت الأمثل للري بالتنقيط هو 1.5-2 ساعة.

سقي التربة داخل

نادراً ما تستخدم هذه الأنظمة ، ولكن هناك حالات يستحيل فيها عملياً الاستغناء عنها. نحن نتحدث عن البستنة الأفقية أو المنحوتات الخضراء ، حيث تتطلب كمية صغيرة من التربة والطقس السريع للرطوبة سقيًا متكررًا للغاية. تنطبق هذه الطريقة أيضًا على التحوطات والنباتات المعمرة. التي لا تتطلب تخفيف دائرة عجلة. يتم تسليم المياه في هذه الحالة مباشرة تحت جذر النبات داخل التربة.

يشبه نظام الري تحت السطحي نظام الري بالتنقيط السطحي ، باستثناء أنه بدلاً من الأشرطة بالتنقيط ، تستخدم الأنابيب ذات الثقوب: يتم دفنها في 30-40 cm تحت الأسرة. من أجل تجنب اختتامها بقطعة قماش جوز الهند أو قطارات الحصاد المسدودة ، فإن الصندوق غير منسوج.

من الضروري وضع مواسير ذات ميل طفيف أو توفير منافذ تصريف حتى يمكن تجفيف النظام قبل التجميد.

هل هناك أي أسرة من دون غطاء؟

حديقة الربيع تبدو دائمًا مثالية. perekopanny طازجة ، فإنه لا يزال نظيفًا من الأعشاب الضارة ، التي تفسد وجودها ومظهرها بسرعة ، وتحقق العائد. يبقى فقط أن الاعشاب. بدون تعب وفواصل. ولكن هناك طرق بديلة للحفاظ على الحديقة نظيفة.

الخيار الأول – تنظيم الأسرة العالية والمعلقة. خلاصة القول هي أن الأسرة المرتفعة تكون أقل عرضة لظهور الأعشاب الضارة ، وتظل الأسر المعلقة نظيفة دائمًا. هذا ، بالطبع ، فقط بشرط استخدام التربة لهم دون شوائب الأعشاب والجذور. لسوء الحظ ، هذه الطريقة لديها العديد من العيوب. على سبيل المثال ، تحتاج هذه الأسرة بشكل خاص إلى سقي مستمر وتغذية مستمرة. بالإضافة إلى ذلك ، لا يمكن وضع جميع الثقافات على ارتفاع.

الخيار الثاني هو المهاد الأرض. هذا التدبير فعال للغاية ، ولكن على الرغم من جاذبيته ، حتى في برميل العسل هذا ، كان هناك ملعقة من القطران: يمكن أن تظهر آفات مختلفة تحت المهاد.

في كثير من الأحيان هذا هو المكان المفضل من الرخويات.

ولكن الأهم من ذلك ، ليس كل العشب يهلك تحت المهاد. يحدث ذلك تحت فيلم أو حتى

عمالقة الأعشاب الحقيقية تنمو مع ruberoid.

ومع ذلك ، في معظم الحالات ، لا غنى عن إزالة الأعشاب الضارة. لقضاء بعض الوقت والجهد في هذا الحدث ، تحتاج إلى اتباع بعض القواعد. من الأفضل عدم تأجيل إزالة الأعشاب الضارة إلى وقت لاحق وإزالة العشب بينما لا يزال صغيرًا ، ولم يصل نظام الجذر إلى الحد الأقصى للحجم. هذا ليس مهمًا كثيرًا من أجل راحة العمل ، بل لمنع انتشار المزيد من الأعشاب الضارة ، نظرًا لأن الجذر المشكل غالباً ما يكون غير قادر تمامًا على الانسحاب ، وفي مكان النبات البعيد ، سيظهر جذر واحد جديد قريبًا. للسبب نفسه ، عند الحفر ، يوصى بعدم استخدام مجرفة ، ولكن الشوك. فهي لا تقطع الجذر ، وتخفف من الأرض لتسهيل استرجاعها. من المفيد تجديد ترسانة أدوات الحدائق بمزيلات الجذر المختلفة. معهم ، والعمل يسير بشكل أسرع ، وأداء أعلى. يمكن أيضا قطع الأعشاب الضارة مع مجرفة.

تحتاج إلى إزالة الأعشاب الضارة قبل أن تزرع ، وإلا

سوف تتحول الأعشاب الضارة إلى بذر الأعشاب الجديدة. بالمناسبة ، تحتفظ هذه البذور بخصائصها لمدة تصل إلى ثلاث سنوات ، لذلك سيؤثر العمل الرديء النوعية على أكثر من عام.

تصنيف وسطاء الفوركس 2020:
  • FinMaxFx
    FinMaxFx

    أفضل وسيط فوركس لعام 2020!
    الخيار الأمثل للمبتدئين!
    تدريب مجاني!
    حساب تجريبي مجاني!
    مكافأة على التسجيل!

بالنسبة لأولئك الذين يائسون في نهاية المطاف ، هناك طرق كيميائية لمكافحة الأعشاب الضارة. عادة ما يتم اللجوء إليهم في مناطق واسعة عندما تستغرق عملية إزالة الأعشاب الميكانيكية الكثير من الوقت. لهذه الأغراض ، واستخدام مبيدات الأعشاب. وهي مقسمة إلى عدة مجموعات وفقا لخصائص مختلفة.

في الاستخدام المنزلي ، يجب تمييز مبيدات الأعشاب وفقًا لطيف عملها. يمكن أن تكون انتقائية أو مستمرة.

مبيدات الأعشاب الانتقائية تعمل فقط على الحشائش ، المبيدات الحشرية القادرة على تدمير كل شيء في طريقها. التراكيب هي أيضا قبل ظهوره وبعده. وميزة أخرى مهمة تحدد طريقة ومكان استخدام الدواء – طبيعة التأثير. بعض المواد الكيميائية ، التي تسقط على النباتات ، تخترق بنيتها وتدمير ليس فقط الجزء الأرضي ، ولكن أيضًا نظام الجذر. وتسمى هذه التراكيب النظامية. البعض الآخر ، الاتصال ، يؤثر فقط على المنطقة المعالجة من النبات.

الطريقة الكيميائية لديها الكثير من المزايا. بسرعة ، على نحو سلس ، يمكن استخدامها في مناطق واسعة. على الرغم من الاسم المخيف ، تتم إزالة مبيدات الأعشاب بعد أسبوعين من الأرض. ولكن في الوقت نفسه ، هذه مواد سامة ، والتي يجب معالجتها فقط في ملابس واقية. لسوء الحظ ، لا يمكن لهذه الأدوية أن تؤثر على البذور ، وبالتالي ، إذا كان قد حدث بالفعل بذر للتربة ، فسوف يتعين تكرار الإجراء قريبًا.

تربه التربة

في الحدائق البطيئة ، يولي الكثير من الاهتمام للتربة المغطاة بالتربة. لكن عليك أن تفهم نوع المأوى الذي يجب استخدامه في كل حالة.

المزرعة العضوية

في كثير من الأحيان تستخدم القش والقش والمهاد. بفضل تركيبتها ، تساعد هذه المواد التربة على الاحتفاظ بالرطوبة والحرارة. تتحلل بشكل جيد من قبل البكتيريا ، وتحسين بنية التربة.

لذلك ، غالبا ما تستخدم لزراعة الفراولة والبطاطا ومحاصيل اليقطين. يجب استخدام القش بحذر ، لأنه قد يحتوي على بذور قادرة على الإنبات.

المواد العضوية الخشبية – رقائق واللحاء المفروم ، نشارة الخشب – تستخدم أيضا المهاد. من الأفضل استخدامها في ممرات الحديقة الصغيرة ، في الممرات بين الأسرة. حول جذوع بمعنى آخر ، في تلك المناطق حيث الهدف الرئيسي هو عدم إطعام النباتات ، ولكن لقمع نمو الأعشاب الضارة. يوصى عادةً بإضافة المواد العضوية الخشبية إلى التربة العارية في أوائل الربيع لتجنب المزيد من إنبات الحشائش.

باستخدام تقطيع الحديقة ، يمكنك صنع رقائق الخشب بنفسك. في الموسمين الصيفيين لا يزيد عن ثلث رواسب المهاد في التربة ، لذلك يعتبر اللحاء المسحوق أحد أكثر الأنواع المعمرة.

في مثل هذا المهاد ليس الكثير من النيتروجين ، إلى جانب ذلك ، فإن جميع المواد الخشبية ، وخاصة الصنوبرية ، تنبعث منها مواد تحلل التربة. لذلك ، قبل استخدامها في المهاد ، من الضروري تحديد درجة الحموضة في التربة ، وإذا لزم الأمر ، تحييد الحموضة. لهذا الغرض ، يتم استخدام الجير المطحون ، دقيق الدولوميت ، الرماد ، الطباشير ، إلخ.

كما يمكن استخدام المهاد قذائف البيض في شكل سحق.

القشرة غنية بالكالسيوم ، ولها أيضًا تفاعل قلوي ضعيف ، لذلك من الأفضل استخدامه على التربة الحمضية – بالقرب من مستنقعات الخث. كما أنه سيحمي نباتات الفاكهة والزينة من الرخويات والقواقع.

من الأفضل جمع الصدفة لاستخدامها كمهاد من البيض النيئ ، حيث لا توجد عناصر ضئيلة في المغلي. أظهرت الدراسات أن قشرة البيض البني تحتوي على عناصر أكثر صغرية وكلي من البيض. وكما تعلم ، فإن زيادة حموضة التربة تقلل من خصوبة التربة وتؤثر سلبًا على النمو والثمار الكاملة للعديد من محاصيل الحدائق.

ويمكن أيضا أن تستخدم العشب القص المهاد. عادة ما يتم وضع العشب الأرضي في السماد العضوي ، ولكنه يمكن أن يذيب التربة أيضًا.

غني بالنيتروجين ويتحلل بسرعة نسبية.

الأوراق المتساقطة من الأشجار المستخدمة كمهاد تكون مغذية

عنصر للكائنات الحية التربة. من الممكن استخدام أوراق الشجر فقط من الأشجار الصحية. الدبال ورقة لديه رد فعل حمض ضعيف ومكيف ممتاز للتربة. إذا زرعت تحت الثوم الشتوي والبصل. البنجر أو الجزر ، يوصى بتغطيتها بطبقة من الأوراق المتساقطة. في فصل الربيع ، بعد ذوبان الثلوج ، تسقط العناصر الغذائية في التربة إلى جانب المياه الذائبة.

غير متواجد حاليا MULCH

تجدر الإشارة إلى أنه على عكس المهاد العضوي ، لا يؤثر بشكل كبير على التوازن الحمضي القاعدي للتربة.

النظر في الأنواع الأكثر شعبية من المهاد غير العضوية. الأقمشة غير المنسوجة – Agrotex ، lutrasil ، agryl – مواد غير عضوية لغطس التربة. تحت المواد غير المنسوجة ، تتنفس التربة والحرارة والرطوبة بشكل جيد ، ونمو الأعشاب الضارة مقيدة ، مما يزيد من غلة النباتات.

عندما يجب أن تسقى بداية الحرارة نادرا ، ولكن غزير. ولكن لتخفيف التربة والأعشاب الضارة لم تعد ضرورية ، لأن المواد غير المنسوجة يمكن أن تكون تحت النباتات والشجيرات طوال موسم النمو. يمكن وضعها بين صفوف الكوسة والفلفل والذرة والخيار ، وكذلك عند زراعة الفراولة.

يقدر عمر خدمة المواد غير المنسوجة ذات الكثافة العالية مع الاستخدام الدقيق بخمسة أعوام أو أكثر.

© المؤلف: ماريا كونيفا

أرض مشتركة

زراعة مشتركة – جزء من البستنة “كسول”. هذا هو الحال بالضبط عندما تقوم النباتات نفسها ببعض الأعمال التي تقع عادة على أكتاف البستاني. إنه يتعلق بحماية وإثراء التربة بالمواد المغذية.

الثقافات غير المتوافقة

يجدر بنا أن نبدأ بحقيقة أنه لا يمكن أن تتعايش جميع الثقافات بطريقة الجوار. أولاً ، يجب أن لا تزرعوا معًا ثقافات مختلفة من نفس العائلة. كونها على مقربة من بعضها البعض ، فإنها تصبح فريسة سهلة للآفات التي عادة ما تشترك فيها.

ثانيا ، متطلبات الري.

من المريح أيضًا أن تتعايش في المحاصيل المقاومة للرطوبة والجفاف: إما أن يجف الأول أو الثاني سيتعفن.

يجب أن يكون للنباتات المجاورة متطلبات مماثلة لرطوبة الهواء. على سبيل المثال ، تتطلب الطماطم تهوية ، والخيار يفضل الحرارة والرطوبة. سوف يؤثر هذا الحي سلبًا على إحدى هذه الثقافات.

عدم توافق الثقافات الطويلة والمنخفضة واضح. أي أنه يمكن زراعتها في مكان قريب ، ولكن بشرط ألا تحجب النباتات الطويلة جيرانها. لكن بالطبع ، هذا لا ينطبق على النباتات المحبة للظل.

من الأفضل زراعة المحاصيل ذات نظام الجذر المتفرع على مسافة من بعضها البعض ، بحيث لا يكون لدى الجذور نقص في المساحة. خلال الضفيرة يمكن ملاحظة نقص التغذية ، حيث سيتم اختيار العناصر الغذائية في هذه الحالة من قبل النباتات من نفس العمق.

التنافس على الغذاء هو سبب آخر لعدم تعايش جميع النباتات جنبًا إلى جنب. عند اختيار الجيران ، من المفيد مراعاة احتياجات المحاصيل في العناصر النزرة المختلفة. حسنًا ، إذا كانت مختلفة وستحصل جميع النباتات على العناصر الغذائية اللازمة للنمو والتنمية.

يُعد الإفراط في التلقيح المحتمل أيضًا أحد العوامل التي تحد من قدرة النبات على أن يكون في المنطقة المجاورة. المثال الأكثر لفتا هو الفلفل البلغاري ، pereopylёnny مع حار. نتيجة لذلك ، تتمتع بعض الفواكه بطعم حار ، في حين أن البعض الآخر من نفس الأدغال ما زال حلوًا.

حي مفيد

قد يكون لثقافة واحدة صفات مفيدة لبعضها البعض. نحن فقط قائمة بعض المتغيرات مجموعات.

البقوليات تشبع التربة مع النيتروجين ، لذلك ينصح للزراعة المشتركة مع المحاصيل التي تحتاج إليها. ميزة أخرى مفيدة هي تخويف خنفساء كولورادو للبطاطا. لكن من المهم معرفة أن البقوليات تستهلك الكثير من العناصر الغذائية ، لذلك لا ينبغي أن يكون الكثير منها نباتًا مصاحبًا. يمكن التخفيف من الزراعة باستخدام أزهار النعناع البري والكزبرة أو الكنادر والزهور الصفراء والزنبق. هذه النباتات أيضا حماية ضد الآفات شره.

الشبت سوف يساعد في حماية المحصول من المن واليرقات. يمكن زراعته في الملفوف الممر. الحي ذو الشبت له تأثير إيجابي على طعم زراعة المحاصيل القريبة. يمكنك الحصول على حصاد جيد عن طريق زراعة الخيار بالقرب من الشبت.

سوف يحمي البقدونس أيضًا من المن ، ولكن على النقيض من ذلك ، ستصبح البقدونس الموطن المفضل للآفات الصغيرة. تستخدم هذه الطريقة أيضًا لحماية النباتات المزروعة ، وإغراء الآفات في المزارع الأقل قيمة.

مثال جيد على المساعدة المتبادلة – مزيج من البصل والجزر. انهم يفعلون جيدا مع العدو الرئيسي لجارهم: الجزر يخيف البصل الذباب والبصل والجزر.

زوج آخر هو الملفوف الأبيض والكرفس. الأول يحفز النمو ، والثاني يبتعد عن هذه الآفات مثل فراشة بيضاء.

بالنسبة للفجل ، والفجل ، والملفوف ، ستكون المنطقة المجاورة مع الملفوف الورقي أو الملفوف مفيدة.

الأعشاب حار مع قناعها رائحة النباتات جيدا من الآفات الحشرية. تعزيز الدفاع سوف يساعد الكراث ، الذي يحمي الهبوط من المجارف اليرقات.

AIBLARABI

من هو مهندس “تعلم الآلة”؟

المقدمة:

في العام الماضي كانت وظيفة “مهندس تعلم الآلة” أسرع الوظائف نمواً وطلباً في سوق العمل ومن المتوقع أن يزيد الطلب على هذه الوظائف في المستقبل

ووفقاً لـ”Indeed” الموقع الإلكتروني الخاص بالوظائف فلقد ازداد الطلب على مهندسي “تعلم الآلة” بنسبة 344% بين عامي 2020 و2020 إذ هيمنوا على الوظائف الشاغرة حول الذكاء الاصطناعي حيث أن 94% من الوظائف التي تحوي على مصطلحات “الذكاء الاصطناعي” أو “تعلم الآلة” تستهدف “مهندسي تعلم الآلة”

ما الدور الذي يقوم به “مهندس تعلم الآلة”؟

حجم الطلب على مهندسي تعلم الآلة ليس مفاجئاً وذلك نظراً للدور الكبير الذي يقومون به

من تنفيذ وإدارة نماذج “تعلم الآلة” التي تتعلم من الأنماط وكميات كبيرة من البيانات واستخدامها في التطبيقات العملية للحصول على النتائج المرجوة التي تزيد من الإنتاج بأحسن المعايير وتقلل من التكلفة والوقت

ثلاث محاور رئيسة يجب على مهندس تعلم الآلة التمكن منهم:

1. “علم البيانات” Data science: حيث يتم إنشاء النماذج النظرية التي تستخدم في تعليم الآلة

2. DevOps: هي مجموعة من الممارسات التي تجمع بين تطوير البرمجيات وعمليات تكنولوجيا المعلومات والتي تتركز على البينة التحتية وتنفيذ التطبيقات الذكية

3. هندسة البرمجيات: وهو علم إنشاء الرموز التي تلزم لتطوير برامج وتطبيقات “تعلم الآلة”

المهارات المطلوبة لدى “مهندس تعلم الآلة”:

يجب أن يتمتع مهندس تعلم الآلة بمهارات عديدة تمكنه من أداء دوره المطلوب بكفاءة عالية

من لغات برمجة متعددة، وفهم عميق للرياضيات، وأيضاً القدرة على فهم العلوم النظرية في علوم الحاسوب والإحصاء ومعرفة كيفية تطبيقها في الحياة العملية بالإضافة إلى القدرة العالية على التعامل مع مختلف الأنماط في البيانات

بصفته مهنة مزدهرة ، يتطور دور مهندس تعلم الآلة باستمرار، وتختلف الأدوات والقدرات التي يمتلكها هؤلاء المهندسون في عام 2020 بشكل جذري عن تلك التي كانت متوفرة لديهم في عام 2020 ، ومن المقرر أن يستمر هذا في التطور مع نضج التخصص

ومع ذلك ، فإن هندسة ML تتعلق بالعقلية أكثر من مجموعة المهارات أو مجموعة الأدوات (بالطبع فهي ضرورية). إنها عقلية للتعامل مع البيانات والإصحائيات حيث أن الأمر لا يتعلق بصيانة الأنظمة الكبيرة تقليديًا ، ولكن البنية التحتية للبيانات والبنية التحتية النموذجية معًا. وبالتالي ، فإن هذا الدور هو مزيج من مهندس البيانات ، عالم البيانات ومهندس برمجيات

المصادر:

كيف تصبح خبيراً في مجال “تعلم الآلة”؟

المقدمة:

تعلم الآلة هو القدرة على استخدام الذكاء الاصطناعي للتعلم من البيانات الموجودة لاتخاذ قرارات أو للحصول على بيانات جديدة بأقل قدر من التدخل البشري

هناك الكثير من حالات الاستخدام للتعلم الآلي التي نراها اليوم في حياتنا اليومية، بدءًا من برنامج الدردشة الآلي في المصرف الذي يرشدك إلى أفضل خيارات الاستثمار، إلى أداة المبيعات الذكية التي تستهتدف العملاء الأكثر قابلية للشراء من خلال فحص البيانات الخاصة بهم

– ماذا يفعل مهندس “تعلم الآلة”؟

يشبه مهندس تعلم الآلة إلى حد كبير المبرمج ولكن الاختلاف الوحيد فيما بينها هو أن مهندس تعلم الآلة يقوم بإنشاء برامج تمكن الأجهزة من التعلم بشكل ذاتي وتحقيق النتائج المطلوبة بأقل تدخل بشري

يتعلق الأمر ببناء خوارزمية تستعرض مجموعات كبيرة من البيانات وتحدد الاتجاهات والأنماط الموجودة فيها، مثال.. يمكن لـ Amazon توجيه الإشعارات إلى المشترين بناءً على سجل الشراء والتصفح للمستخدم، بالإضافة إلى بناء البيانات وخطوط الأنابيب النموذجية ؛ وإدارة البنية التحتية وأنابيب البيانات اللازمة “building data and model pipelines” لإدخال التعليمات البرمجية، وأيضاً تشمل اختصاصاتهم استخدام نماذج البيانات واستراتيجيات التقييم للعثور على الأنماط والتنبؤ بالاحتمالات، وخوارزميات على أساس إجراءات النمذجة الإحصائية ؛ وبناء حلول تعلم الآلة القابلة للتطوير في الإنتاج والحفاظ عليها

– فرص العمل لمهندس “تعلم الآلة”:

تتوسع تطبيقات تعلم الآلة بشكل كبير ، سواء كان ذلك في برامج مثل Siri أو قطاع السيارات لاختبار المركبات بدون سائق ، أصبح تعلم الآلة هو المستقبل في العديد من الصناعات، حيث يتم الآن استخدام تطبيقاته بكثرة فيما يتعلق بتحليل مجموعات كبيرة من البيانات والحصول على نتائج بدقة عالية

من أكثر المجالات استخداماً لتقنيات تعلم الآلة “شبكات التواصل الاجتماعي” لخلق تجربة أكثر تخصيصاً وممتعة لمستخدمي وسائل التواصل الاجتماعي، مثال آخر حيث يتم الاستفادة من تكنولوجيا التعلم الآلي في مجال الرعاية الصحية للمساعدة في تحسين رعاية المرضى والمساعدة في تجنب الهفوات التي تحدث بسبب خطأ بشري، يسمح للأطباء باستخدام الاختبارات والمعدات التشخيصية بكفاءة أكبر للكشف عن أمراض مثل السرطان في المراحل المبكرة والتي غالبًا ما تتم ملاحظتها في المراحل الأولى

من المتوقع أن تنمو تقنيات تعلم الآلة من 1.03 مليار دولار أمريكي في عام 2020 إلى 8.81 مليار دولار أمريكي بحلول عام 2022 حيث تقوم الصناعات المعروفة على نطاق واسع بدمج تطبيقات تعلم الآلة مع خطوط إنتاجها

وفقًا لـ Gartner سيوفر مجال الذكاء الاصطناعي ومجال تعلم الآلة أكثر من 2.3 مليون وظيفة في عام 2020 والتي تشمل البحث وتطوير الخوارزميات، وسيتعين على مهندسي التعلم الآلي استخراج الأنماط من البيانات الضخمة أيضًا

إتقان مهارات “تعلم الآلة” يؤهلك بأن تصبح:

– مهندس “تعلم الآلة” Machine Learning Engineer

– مختص بعلوم البيانات Data Sciences Lead

– مختص بالبرمجة اللغوية العصبية NLP Data Scientist

ما هي أبرز الاختصاصات التي يجب التركيز عليها لأصبح خبيراً في “تعلم الآلة”؟

1. البرمجة: تعلم لغة ذات صلة مثل Python وتطوير مهارات برمجة إضافية في R و Java و SQL Scala

2. البيانات والإحصاءات: تطوير فهم لتحليل البيانات ونمذجة البيانات والإحصاءات والاحتمالية ، إلى جانب بعض المهارات الأساسية لتصور البيانات

أصبح هنالك طلب كبير على مجال الذكاء الاصطناعي في عالم الأعمال وارتفعت نسبة الطلب على الوظائف المتعلقة بالذكاء الاصطناعي وتعلم الآلة إلى نسبة كبيرة مثل موقع indeed.com حيث زادت إعلانات الوظائف في هذين المجالين بأكثر من 100%، وتم تصنيف مهارات “تعلم الآلة” ضمن أعلى 3 المهارات المطلوبة ، مما يخلق ملايين فرص العمل في المستقبل

المصادر:

أفضل دورات مجانية حول
الذكاء الاصطناعي وتعلم الآلة لعام 2020

:المقدمة

الطلب على أصحاب الخبرات والمهارات في “الذكاء الاصطناعي” و”تعلم الآلة” يفوق العرض بشكل كبير، وهذا يعني أن التعلم واكتساب المؤهلات في هذه المجالات يعد وسيلة رائعة لتعزيز آفاق حياتك المهنية، واليوم لست بحاجة إلى صرف الأموال الطائلة والذهاب لحضور دورات تدريبية في المراكز بما أنه أصبح هناك محتوى تعليمي مجاني على الإنترنت
هناك العديد من الدورات التدريبية والبرامج التعليمية المتاحة عبر الإنترنت بحيث من الممكن الحصول على أساس شامل في هذه الموضوعات مجاناً، والدراسة بالطريقة التي تناسبك بحسب وقت فراغك، المسألة فقط تحتاج إلى تنظيم الوقت
يتم تقديم هذه الدورات من قبل الجامعات الرائدة في العالم ، في حين يتم تجميع البعض الآخر من قبل المتخصصين ذوي الخبرة الحريصين على مشاركة معارفهم

– أبرز الدورات التعليمية المجانية حول الذكاء الاصطناعي وتعلم الآلة في 2020

1 عناصر الذكاء الاصطناعي – جامعة هلسنكي:

دورة تعليمية تستهدف مختلف الأعمار تشرح أساسيات الذكاء الاصطناعي وتأثيره على الحياة البشرية وما هي استخداماته، دون الانخراط في الرياضيات والإحصاءات الأساسية حيث توضح هذه الدورة أن المعرفة المتعمقة بهذه المجالات ليست ضرورية لبدء الاستفادة من الفرص التي يوفرها الذكاء الاصطناعي والتعلم الآلي، وتشمل أيضاً على التمارين العملية
في السباق كانت متاحة فقط في فلندا كجزء من خطة الحكومة الفلندية لزيادة التوعية المجتمعية لتقنيات الذكاء الاصطناعي وتعلم الآلة وبعد ذلك أصدر قرار باتاحته للجميع

تبدأ هذه الدورة بأساسيات الإحصاءات والمنطق قبل التقدم لمناقشة المزيد من الاستخدامات التطبيقية للذكاء الاصطناعي ، بما في ذلك الروبوتات ورؤية الكمبيوتر ومعالجة اللغة الطبيعية، يتم تدريسها من قبل اثنين من الباحثين ذوي الخبرة في الذكاء الاصطناعي ، بيتر نورفيج وسيباستيان ثرون وهي مصممة لاستكمال حوالي أربعة أشهر

غالباً ما يتم الاستشهاد به من قبل خبراء الذكاء الاصطناعي باعتباره المورد الوحيد الأكثر أهمية عبر الإنترنت لأي شخص يرغب في تعلم الذكاء الاصطناعي
يدير هذه الدورة أندرو نغ ، الذي أسس برنامج التعلم العميق في Google Brain ويقدم هذا المساق أساسيات الرياضيات والإحصاء وعلوم الكمبيوتر التي تدخل في تطوير وتنفيذ تطبيقات تعلم الآلة

هذه الدورة مخصصة للأشخاص الذين لا يملكون خليفة تفينة كبيرة ويرغبون في الاستفادة من تطبيقات الذكاء الاصطناعي وتعلم الآلي واستخدامها في مؤسساتهم وأعمالهم وتضم تعلم كيفية وضع تظام عمل لتشغيل مشاريع الذكاء الاصطناعي وكيفية تطوير استراتيجيات حول تنفيذ تطبيقات الذكاء الاصطناعي في الأعمال

تعد هذه الدورة في أفضل الدورات المجانية في علوم البيانات الذي يعد أساساً في جميع تطبيقات ومجالات الذكاء الاصطناعي، حيث تقدم هذه الدورة نظرة عامة لمفاهيم علوم البيانات الأساسية ومن ثم الانتقال لتوضيح كيفية تطبيقها في تعلم الآلة

دورة عن تعلم الآلة من جوجل وبحسب المختصين تقدم جوجل هذه الدورة إلى جميع العاملين في مجال الذكاء الاصطناعي في الشركة قبل انضمامهم إليها، تغطي هذه الدورة أساسيات تعلم الآلة وتقدم الأسس النظرية والتطبيقات العملية لـ TensorFlow “مكتبة التعلم العميق مفتوحة المصدر من جوجل” التي تستخدمها الشركة في العديد من خدماتها ومشاريعها المتعلقة بالذكاء الاصطناعي

يغطي هذا المقرر بدءًا من المبادئ النظرية مثل “ما هو التعلم؟” و “هل تستطيع الآلات التعلم؟” إلى التطبيقات العملية المتقدمة بما في ذلك إنشاء خوارزميات ML المستخدمة لتشغيل الشبكات العصبية ويهدف إلى مساعدة العاملين في مجال “عالم بيانات أو محلل بيانات”
الدورة مجاناً ولكن يمكنك دفع 50 دولارًا للحصول على شهادة رسمية في النهاية

يعد التعلم العميق أحد المجالات الأكثر تقدماً للذكاء الاصطناعي ، وهو أحد المجالات التي تتجاوز حدود إنشاء آلات التقليدية لتصل إلى آلالات تستطيع التفكير والتعلم مثل البشر
هذه دورة أخرى تركز على إطار عمل TensorFlow مفتوح المصدر الذي أنشأته Google في الأصل لاستخدامه في التعلم العميق

استخدام تقنيات الذكاء الاصطناعي في مكافحة
فيروس كورونا

المقدمة:

مع وصول COVID-19 إلى أكثر من 60 دولة وإصابة أكثر من 277 ألف شخص حول العالم ووفاة حوالي 11 ألفاً، يبذل العالم مجتمعاً قصارى جهده للإنهاء أكبر كارثة وبائية عرفها البشر في العصر الحديث، في حين أن المنظمات مثل منظمة الصحة العالمية والأمم المتحدة تقدم الكثير من الأموال البحوث والدراسات والتجارب لإيجاد الدواء، فإن الكثيرين يتطلعون إلى الذكاء الاصطناعي كحل للخروج من الأزمة، ولقد دأبت المجتمعات العلمية في جميع أنحاء العالم تستخدم أحدث تقنيات القرن الواحد والعشرين لحل أكبر مشكلة في القرن الواحد والعشرين

لنتعرف على الكيفية التي استخدمت فيها تقنيات الذكاء الاصطناعي لمقاومة تفشي فيروس كورونا:

1. شركة DeepMind تستخدم نظام AlphaFold للتنبؤات:

أعلنت شركة “DeepMind” أنها تطرح العديد من الأشكال التنبوئية لهيكلة البروتنيات للمساعدة في عملية البحث للوصول إلى علاج لفيروس كورونا المستجد، ولقد استخدموا أحدث إصدار من نظام AlphaFold للحصول على نماذج للبروتينات
وتعتبر النماذج ثلاثية الأبعاد للبروتينات التي يولدها AlphaFold أكثر دقة من أي نماذج سابقة مما يشير إلى تقدم كبير في أحد التحديات الأساسية في علم الأحياء، مما يسمح في فهم أشمل لطبيعة الأمراض بشكل عام من خلال فحص الجزيئات التي يتكون منها جسم الإنسان ، بما في ذلك الجزيئات غير الطبيعية، والذي بدوره سيؤدي إلى معرفة مشكلة الأمراض بشكل أكبر والعمل على تطوير علاجات جديدة

2. بحسب شكرة علي بابا.. يكشف الذكاء الاصطناعي فيروس كورونا بدقة 96%:

أعلنت شركة Alibaba مؤخرًا أن نظام الذكاء الاصطناعي الجديد الخاص بها يمكنه الكشف عن فيروس كورونا المستجد في عمليات التصوير المقطعي للمرضى بدقة 96٪، وكما أعلن مؤسسها جاك ما أن مؤسسته ستتبرع بمبلغ 2.15 مليون دولار لتطوير اللقاح
ووفقًا لـ Alibaba ، فإن الخوارزمية الجديدة تقلل عملية تحليل الأشعة المقطعية إلى رقم قياسي يبلغ 20 ثانية، ويعد هذا التحسن كبيراً بالنظر إلى أن الطرق التقليدية ستستغرق حوالي 15 دقيقة لتحليل الأشعة المقطعية

3. تقنيات “تعلم الآلة” لمراقبة ورصد مواقع التواصل الاجتماعي:

يعد John Brownstein ، من كلية الطب بجامعة هارفارد ، جزءًا من فريق دولي يستخدم تقنيات “تعلم الآلة” لرصد ومراقبة وسائل التواصل الاجتماعي وأشكال أخرى من البيانات من قنوات الصحة العامة الرسمية ومقدمي الرعاية الصحية ، من أجل إعداد تحليلات وإحصائيات صحية بشكل آني ولحظي لتفشي فيروس كورونا
حيث تركز الأنشطة البحثية على التنبؤ بأنماط الوباء، وأيضاً ترصد فعالية استراتيجيات مكافحة الأمراض بما في ذلك التطعيم والحجر الصحي وقيود السفر التي تطبقها الدول

4. نظام المراقبة BlueDot:

ساهمت BlueDot وهي شركة مراقبة صحية مقرها تورونتو ، تم إطلاقها في عام 2020 ، بجمع بيانات المرض من مصادر عديدة، واستخدام معلومات رحلة الطيران لعمل تنبؤات حول الأماكن التي قد تظهر فيها الأمراض المعدية

5. حلول شركة Insilico باستخدام الذكاء الاصطناعي:

شركة insilico للأدوية تستخدم تقنيات الذكاء الاصطناعي لاكتشاف عقاقير طبية جديدة حيث تستخدم شبكات GANs في تنقية تصميمات الجزئيات وذلك عن طريق تصنيفها بين جزئيات مفيدة وجزيئات ضارة بحسب خصائص كل منها

Generative adversarial networks “GANs”: شكل من أشكال “تعلم الآلة” حيث تعد بنى خوارزمية تستخدم شبكتين عصبيتين من خلال منافسة فيما بينهما من أجل توليد أمثلة جديدة ومركبة من البيانات التي يمكن تمريرها لبيانات حقيقية، يتم استخدامها على نطاق واسع في توليد الصور وتوليد الفيديو وتوليد الصوت
تعد GANs طريقة ذكية لتدريب نموذج مولّد من خلال تأطير المشكلة مثل مشكلة تعلم خاضعة للإشراف supervised learning problem مع نموذجين فرعيين: نموذج المولد الذي نتدربه لتوليد أمثلة جديدة ، ونموذج التمييز الذي يحاول تصنيف الأمثلة على أنها إما حقيقية (من المجال) أو وهمية (ولدت)

توليف واختبار الجزئيات عملية بطيئة من هنا تأتي تقنيات الذكاء الاصطناعي إلى الصورة من خلال توفير وقت التوليف وخلق المزيد من الخيارات لتصميم الهياكل الجزيئية المتنوعة ومع ذلك ، قد يستغرق التوليف والتحقق بعض الوقت وقد يتطلبان موارد كبيرة. لذلك ، اختارت Insilico Medicine ما يصل إلى 100 جزيء ليتم توليفها واختبارها ، مع إيداع باقي الهياكل المولدة على موقع الويب للاستفادة منها في البحوث والاختبارات الطبية

6. نظام inferVISION لفحص المرضى في الصين:

يستخدم الأطباء في الصين أداة قوية جديدة لمساعدتهم على تشخيص المصابين بفيروس كورونا المستجد بسرعة، حيث يمكن لهذا البرنامج القائم على الذكاء الاصطناعي ، الذي يُدعى inferVISION ، أن يكشف حالات الإصابات المحتملة في وقت قياسي، ويعتمد البرنامج بشكل كبير على NVIDIA’s Clara SDKs ، وهو إطار تطبيق الرعاية الصحية AI من NVIDIA للتصوير الطبي الذي يعمل بالذكاء الاصطناعي

7. نظام SenseTime للتعرف على الوجه:

التعرف على الوجه أكثر أمانًا من بصمات الأصابع لأنه يزيل فرص انتشار المرض من خلال الاتصال من سطح إلى آخر، لذا يقوم SenseTime بتطبيق الذكاء الاصطناعي لمسح وجوه الأشخاص بالأقنعة حيث يتيح إمكانية التعرف على الأشخاص دون ملامسة ومعرفة المصابين من خلال استخدام برامج الكشف عن درجة الحرارة التي تم نشرها في محطات تحت الأرض والمدارس وأماكن المجتمع الأخرى في بكين وشنغهاي وشنتشن

8. روبوت UVD:

يستخدم روبوت UVD في مستشفيات الدنمارك وذلك في تنظيف وتعقيم غرف المرضى دون تدخل بشري، حيث يستخدم الروبوت الأشعة فوق البنفسجية في عملية تطهير الغرف من جميع الفيروسات

المصادر:

______________________________________________________________________________________________________________

ما هي شبكات NNR و MTSL
في التعلم العميق؟

العديد من التطورات التي تطرأ على تقنيات الذكاء الاصطناعي ولغات المعالجة الطبيعية في مجال Chatbots تحدث نتيجة تطورالشبكات العصبية المتكررة Recurrent Neural Network والشبكات العصبية ذات الذاكرة الطويلة أو القصيرة Long Short term Memory Networks

RNNs و LSTMs هي شبكات عصبية ذات بنى خاصة قادرة على معالجة البيانات المتسلسلة المتعلقة بالترتيب الزمني “المتغيرة مع الزمن” LSTMs هي إصدارات محسّنة من RNNs ، قادرة على تفسير تسلسل أطول من البيانات

الشبكات العصبية Neural Networks

تعمل الشبكة العصبية على فحص البيانات وتعلم الأنماط ذات الصلة ، بحيث يمكن تطبيق هذه الأنماط على البيانات الأخرى ويمكن تصنيف البيانات الجديدة. تنقسم الشبكات العصبية إلى ثلاثة أقسام:

– طبقة إدخال input layer
– طبقة مخفية (أو طبقات متعددة مخفية) hidden layer or multiple hidden layers
– طبقة مخرجات output layer

طبقة الإدخال مرحلة إدخال البيانات إلى الشبكة العصبية

الطبقات المخفية هي التي تتعلم الأنماط من البيانات وترتبط الطبقات المخفية في مجموعة البيانات بطبقات المدخلات والمخرجات من خلال “الأوزان” و “التحيزات” “weights” and “biases” والتي تعد عبارة عن افتراضات حول كيفية ارتباط نقاط البيانات ببعضها البعض وتتعرض لتغيرات عديدة خلال عملية التدريب

أثناء تدريب الشبكة ، تتم مقارنة تخمينات النموذج حول بيانات التدريب (قيم المخرجات) مقابل القيم المدخلة

أثناء التدريب ، ينبغي أن تكون الشبكة أكثر دقة في التنبؤ بالعلاقات بين نقاط البيانات ، بحيث يمكنها تصنيف نقاط البيانات الجديدة بدقة

الشبكات العصبية العميقة Deep Neural Network:

هي شبكات تحتوي على طبقات أكثر في الطبقات الوسطى / المخفية.
كلما زادت الطبقات المخفية والخلايا العصبية / العقد التي يمتلكها النموذج ، كان من الأفضل للنموذج التعرف على الأنماط الموجودة في البيانات

تسمى الشبكات العصبية العادية والموجزة “الشبكات العصبية الكثيفة” “dense neural networks” ، يتم الجمع بين هذه الشبكات العصبية الكثيفة مع بنى الشبكات المختلفة التي تتخصص في تفسير أنواع مختلفة من البيانات

الشبكات العصبية المتكررة Recurrent Neural Networks

مبدأ عمل الشبكات العصبية المتكررة يشابه مبدأ الشبكات العصبية ذات التغذية التلقائية feed-forward neural networks، حيث تتعامل مع البيانات المتسلسلة عن طريق إعطاء ذاكرة داخلية إلى أي نموذج تتعامل معه

كما هي طريقة عمل الدماغ البشري حيث يبني فهمه للأمور بناء على معلومات مكتسبة من تجارب سابقة فمثلاً فهمنا للجمل المحكية مبني على فهمنا السباق لمعاني الكلمات التي تشكل الجمل حيث يعتمد الدماغ البشري على الذاكرة ويتحفظ بمعاني الكلام ليستخدمها في فهم الجمل التي يتلقاها ومن هنا جاءت أهمية استخدام RNN في التطبيقات العملية
ومن أبرز المجالات التي تستخدم RNN:

Speech recognition
Machine translation
Music composition Handwriting
recognition Grammar learning

جزء Recurrent من اسم RNN يأتي من إدخال وإخراج البيانات المتكرر إلى الشبكة وذلك لأن بعد الانتهاء من إنتاج مخرجات الشبكة تعاد مرة أخرى على أنها مدخلات فعند اتخاذ قرار لا يتم تحليل المدخلات والمخرجات الحالية فقط ، ولكن يتم أخذ المدخلات السابقة في الاعتبار أيضًا

وبطريقة أخرى.. لنفرض أن المدخلات الأولية للشبكة هي X والإخراج هو H ، يتم إدخال كل من H وX1 الإدخال التالي في تسلسل البيانات في الشبكة للجولة التالية من التعلم نتيجة هذه البنية أن RNNs قادرة على معالجة البيانات المتسلسلة. ومع ذلك ، RNNs تعاني من عدة مشاكل

طول التسلسلات التي يمكن لشبكة RNN تفسيرها محدود إلى حد ما ، خاصة بالمقارنة مع LSTMs

شبكات الذاكرة طويلة المدى Long Short-Term Memory Networks

هي بنية الشبكة العصبية المتكررة (RNN) المستخدمة في مجال التعلم العميق. LSTM يمكنها معالجة نقاط بيانات الواحدة (مثل الصور) ، وأيضاً معالجة تسلسل كامل للبيانات (مثل الكلام أو الفيديو)

يمكن اعتبار شبكات الذاكرة الطويلة المدى امتداداً لشبكات RNN بتطبيق مفهوم الحفاظ على سياق المدخلات وتم تطوير LSTMs بطرق عديدة تسمح لهم بتفسير البيانات السابقة بطرق أفضل، وتتكون نماذج LSTM من ثلاثة مكونات مختلفة ، أو البوابات:

بوابة إدخال ، بوابة إخراج ، بوابة التجاهل أو النسيان

تأخذ LSTMs المدخلات من الطابع الزمني السابق في الاعتبار عند تعديل ذاكرة النموذج وأوزان الإدخال

تقوم بوابة الإدخال باتخاذ القرارات بشأن القيم التي يجب السماح العبور خلال النموذج

sigmoid function: تستخدم في بوابات الإدخال لتحديد القيم التي يجب نقلها إلى الشبكة قيمة الـ0 تعبر عن عدم السماح، قيمة الـ1 تحافظ على المدخلات

TanH function: تستخدم في بوابات الإدخال وتساعد على تحديد أهمية القيم المدخلة وتتراوح قيمها بين -1 و 1

بعد حساب المدخلات الحالية وحالة الذاكرة ، تحدد بوابة الإخراج القيم التي يجب أن تنتقل إلى الخطوة التالية، في بوابة الإخراج يتم تحليل القيم وتحديد الأهمية حيث تتراوح من -1 إلى 1 وهذا ينظم البيانات قبل انتقالها إلى حساب الخطوة الزمنية التالية

بوابات النسيان أو التجاهل Forget Gate: مهمة بوابة النسيان هي إسقاط المعلومات التي يرى النموذج أنها غير ضرورية لاتخاذ قرار بشأن طبيعة قيم المدخلات حيث تستخدم هذه البوابات sigmoid function في تحديد أهمية القيم المدخلة حيث:

قيمة الـ0: القيم غير مهمة لا تحتفظ بها

قيمة الـ1: القيم مهمة يتم الاحتفاظ بها

وبمجرد أن تعبر البيانات عبر طبقات LSTM ، فإنها تنتقل إلى الطبقات ذات الكثافة العالية ” densely connected layers”

المصادر وأمثلة:

الإمارات تختتم أقوى
مسابقات الذكاء الاصطناعي والروبوت 2020

تحت رعاية الشيخ منصور بن زايد آل نهيان، نائب رئيس مجلس الوزراء وزير شؤون الرئاسة بدولة الإمارات اختتمت فعاليات الدورة السادسة من البطولة الوطنية لسلسلة مسابقات الذكاء الاصطناعي والروبوت 2020 والتي استمرت على مدار 3 أيام

تنظم البطولة وزارة التربية والتعليم في الإمارات، ويتنافس فيها 1789 طالباً وطالبةً من مختلف الحلقات التعليمية بالمدارس الحكومية والخاصة بالدولة للفوز في 28 مسابقة وطنية وعالمية

تفاصيل المسابقة
وتتكون سلسلة مسابقات الذكاء الاصطناعي والروبوت من 28 فئة ضمن البطولات الوطنية والعالمية التالية: بطولة (VEX) للروبوت، وبطولة ROV للغواصات، وبطولة FIRST للروبوت، وبطولة FIRST للروبوت، وبطولة Robocup Jr للروبوت، وبطولة HGP للسيارات، وبطولة FWT للطائرات، وبطولة الابتكار الإبداعي، وبطولة المبرمج الصغير

من مشاركات الطلبة:
وتشهد البطولة استعراض عشرات الابتكارات التي توظف الذكاء الاصطناعي في القيام بمهام وخدمات لوجستية، إذ يشارك الطلاب من أصحاب الهمم التابعين لمدينة الشارقة للخدمات الإنسانية بثلاثة ابتكارات تتضمن روبوتا للتخلص من النفايات، وقاربا يعمل بالطاقة النظيفة، بالإضافة إلى مشروع المزرعة الذكية. ويتكون مشروع القارب من قارب مطاطي، وغرفة قيادة، وشرائح توجيه، وخلايا شمسية، وبطارية لحفظ الطاقة، بالإضافة إلى محرك يعمل على الطاقة الشمسية، وذلك بهدف إعداد قارب صديق للبيئة، فيما يتكون روبوت التخلص من النفايات، من روبوت مصنوع من الليجو، ومزود بكاميرا، ونماذج للنفايات الصلبة، ويستطيع أصحاب الهمم استخدامه في التنظيف عبر التحكم فيه من خلال جهاز لوحي «آيباد»، وتشمل الابتكارات المعروضة ابتكار لطلبة مدرسة ابوكرية بمدينة العين، والمتمثل في غواصة ذكية لمراقبة الشعاب المرجانية، وتنظيف قاع البحر وتتكون من أربع مراوح، ويضاف إليها كاميرات لرصد المخلفات في البحر، ومزودة بأجهزة تمكّنها من العمل ساعات طويلة دون أن تتوقف، حتى تنجز الأعمال الموكلة إليها ويتم التحكم فيها عن بُعد

ختام المسابقة:
أعلنت اللجنة المنظمة خلال الحفل الختامي للبطولة فوز 75 طالباً وطالبة ضمن 28 مسابقة شملتها البطولة ليتأهلوا للمشاركة في 10 مسابقات عالمية

تأهيل الأجيال:
تُعد سلسلة مسابقات الذكاء الاصطناعي والروبوت إحدى مبادرات وزارة التربية والتعليم، التي أطلقتها في العام 2020 في إطار سعيها إلى ترسيخ مكانة المعرفة التقنية والتطبيقات التكنولوجية الحديثة كمحركات رئيسية للعملية التعليمية في دولة الإمارات، وهو ما من شأنه مواكبة التطورات العالمية في قطاع التعليم، وتنشئة أجيال مؤهلة للتفاعل والاستفادة من ثمار العلوم الحديثة. وتسعى الوزارة من خلال هذه المبادرة لتحقيق مئوية الإمارات 2071، لكي تصبح دولة الإمارات العربية المتحدة الرائدة في جذب أفضل العقول من حول العالم لدعم المواهب الإماراتية نحو الابتكار وريادة الأعمال في مجال التكنولوجيا

كيف استخدمت الصين الذكاء الاصطناعي
للحد من انتشار فيروس كورونا؟

المقدمة:

شهد العالم في الآونة الأخيرة انتشارأ كبيرا لفيروس كورونا قادما من الصين ومن مقاطعة ووهان تحديداً التي اعتبرت مركز انتشار الفيروس الذي غزا دولا عديدة دون الوصول إلى علاج حتمي له وقد واجهت الصين هذا الانتشرا بإجراءات وصفت بالقياسية والفعالة فمن إنشاء مستشفا خلال وقت قياسي 10 أيام إلى استخدام أخر التقنيات المتاحة للحد من انتشاره وانتقال العدوى حيث تحاول الحكومة جاهدة وباستخدام جميع الوسائل المتاحة من الحد من انتشار المرض

في هذا المقال نسلط الضوء على تقنيات الذكاء الاصطناعي التي استخدمت للحد من انتشاء “كورونا”

– تقنيات البيانات الصخمة:
طوّرت شركات تكنولوجيا صينية عدّة تطبيقات تساعد الناس على التأكد من مسألة إن كانوا استقلوا ذات الطائرة أو القطار الذي كان على متنه مرضى إصاباتهم مؤكدة، بالاستناد إلى قوائم نشرت على وسائل الإعلام الرسمية وأفادت لجنة الصحة الوطنية الصينية الحكومات المحلية في بيان نشرته على الإنترنت “استخدموا تكنولوجيا البيانات الضخمة لتتبّع ومراقبة الحالات ذات الأهمية وتوقّع تطور الوباء بشكل فاعل وآني”

– الطائرات دون طيار:
قد يلاحظ السكان في شوارع ووهان “مصدر فيروس كورونا” الطائرات دون طيار تحلق في سماء المنطقة. حيث تستخدم الحكومة الصينية طائرات دون طيار لتراقب عن كثب سكان المدينة للتأكد من أنهم يتخذون الاحتياطات المناسبة للوقاية من الفيروس وأيضاً لقياس درجات حرارة السكان ، دون تعريض الطاقم الطبي للخطر ، فضلاً عن توجيه الإرشادات إلى المارة للعودة إلى منازلهم عند الضرورة
– يستخدم عامل من المجتمع الصيني طائرة بدون طيار لقياس درجة حرارة السكان وتجنب الزيارات وجهاً لوجه أثناء تفشي فيروس كورونا يحتاج الناس إلى الوقوف في شرفتهم للتحقق من درجة حرارتها.
https://twitter.com/globaltimesnews/status/1224203360254951424

– تروج وسائل إعلام حكومية في الصين بشكل كبير لمقاطع فيديو تُظهر أشخاصا يستخدمون طائرات بدون طيار لتحذير المواطنين وتنبيههم إلى ضرورة ارتداء الكمامات أو العودة إلى ديارهم. وتقوم السلطات برش المطهرات على القرى والمدن المنكوبة بفيروس كورونا.
https://twitter.com/DavidPraiseKalu/status/1225087119992987649

– روبوتات
وسط انتشار فيروس كورونا من يناير في مقاطعة آنهوي بشرق الصين ، أرسلت شبكة كهرباء تشوتشو روبوتات ذكية بدلاً من الموظفين للقيام بدوريات على طول 60 محطة فرعية في جميع أنحاء المدينة.
https://twitter.com/PDChina/status/1225282974469500928

– يستخدم هذا الروبوت لتقديم الطعام إلى الأشخاص المعزولين في مدينة هانغتشو بالصين حيث يتم استخدام التكنولوجيا في مكافحة انتشار فيروس كورونا
https://twitter.com/ErikSolheim/status/1224288952628252674?s=20

المصادر:

ما هي اتجاهات الذكاء الاصطناعي والتعلم الآلي لعام 2020؟

المقدمة:
ترى معظم شركات التقنية بمختلف أحجامها ونشاطاتها أن الذكاء الاصطناعي بميزاته المختلفة هو ميزة تنافسية رئيسة في الأعوام المقبلة مما يشهده هذا القطاع من تطور كبير وسريع وطلب متزايد في أسواق الأعمال ولكن صناعة الذكاء الاصطناعى تتطور بسرعة كبيرة بحيث يصعب في كثير من الأحيان متابعة أحدث الابتكارات والإنجازات البحثية ، وحتى من الصعب تطبيق النتائج العلمية لتحقيق متطلبات الأعمال

في هذا المقال نتحدث عن أبرز التطورات في مجالات الذكاء الاصطناعي وأحدث الاتجاهات في مختلف مجالات البحث ، بما في ذلك معالجة اللغة الطبيعية ، والتحدث الذكي ، ورؤية الكمبيوتر ، والتعلم المعزز

– معالجة اللغة الطبيعية
في عام 2020 ، دفعت نماذج اللغة المدربة مسبقاً إلى اكتشفات كبيرة ومهمة في مجال معالجة اللغة الطبيعية. وهيمنت هذه أيضا على التقدم في البرمجة اللغوية العصبية في العام الماضي حيث نجحت نماذج اللغة المدربة مسبقًا في جعل التطبيقات العملية لـ NLP أرخص بكثير وأسرع وأسهل لأنها تسمح بتدريب نموذج البرمجة اللغوية العصبية بشكل مسبق على مجموعة بيانات واحدة كبيرة ثم صقلها سريعًا للتكيف إلى مهام البرمجة اللغوية العصبية الأخرى
قامت فرق من أفضل المؤسسات البحثية وشركات التكنولوجيا باستكشاف طرق لجعل نماذج اللغة الحديثة أكثر تطوراً. كان الدافع وراء العديد من التحسينات هو تعزيز قدرات الحوسبة ، لكن العديد من مجموعات البحث وجدت أيضًا طرقًا جديدة ومهمة في تخفيف معالجة النماذج مع الحفاظ على الأدائها العالي

أبرز اتجاهات البحث الحالية في معالجة اللغة الطبيعية هي كما يلي:

1. نموذج البرمجة اللغوية العصبية الجديد هو “التدريب المسبق + الضبط”:
The new NLP paradigm is “pre-training + fine-tuning”

سيطر “Transfer Learning” أو “تعلم النقل” على أبحاث البرمجة اللغوية العصبية على مدار العامين الماضيين. ULMFiT ، و CoVe ، و ELMo ، و OpenAI GPT ، و BERT ، و OpenAI GPT-2 ، و XLNet ، و RoBERTa ، و ALBERT – هذه قائمة غير شاملة للنماذج اللغوية الهامة المدربة مسبقًا التي تم تقديمها مؤخرًا وعلى الرغم من أن “تعلم النقل” قد دفع NLP بالتأكيد إلى المستوى التالي ، إلا أنه غالبًا ما يتم انتقاده لأنه يتطلب تكاليف حسابية ضخمة ومجموعات بيانات كبيرة

2. علم اللغة والمعرفة يعززان أداء نماذج البرمجة اللغوية العصبية:

يعتقد الخبراء أن اللغويات يمكن أن تعزز التعلم العميق من خلال تحسين قابلية تفسير النهج القائم على البيانات. يمكن الاستفادة من السياق والمعرفة الإنسانية زيادة تحسين أداء أنظمة البرمجة اللغوية العصبية

3. تُظهر الترجمة الآلية العصبية تقدمًا ملحوظًا:

الترجمة الآلية المتزامنة تعمل بالفعل على المستوى حيث يمكن تطبيقها في العالم الحقيقي حيث تسعى الأبحاث الحديثة إلى تحسين جودة الترجمة من خلال تحسين بنيات الشبكات العصبية ، والاستفادة من السياق المرئي ، وتقديم مناهج جديدة للترجمة الآلية غير الخاضعة للإشراف وشبه الإشراف

– المحادثة الذكية ” Conversational AI”:

أصبحت تقنيات المحادثة الذكية تشكل جزءاً لا يتجزأ في تطبيقات الأسواق التجارية المعاصرة حيث تتبنى العديد من الشركات المزايا التي تجلبها chatbots إلى خدمة العملاء والمبيعات والتسويق وعلى الرغم من أن برامج الدردشة أصبحت من الأصول “الضرورية” للشركات الرائدة ، إلا أن أدائها لا يزال بعيدًا عن البشر

اكتشف الباحثون من المؤسسات البحثية الرائدة وقادة التقنية طرقًا لتعزيز أداء أنظمة الحوار:

1. تحسن أنظمة المحادثة بالاعتماد على تتبع سياق الكلام من الأحاديث الطويلة

كان الهدف من العديد من الأبحاث التي تم تقديمها خلال العام الماضي هو تحسين قدرة النظام على فهم العلاقات المعقدة التي تم تقديمها أثناء المحادثة من خلال تحسين تاريخ المحادثة وسياقها

2. تعالج العديد من فرق البحث تنوع الاستجابات المولدة بواسطة الآلة:

حاليًا ، تُدرِّج برامج الدردشة في العالم الواقعي ردودًا مملة ومتكررة. في العام الماضي ، تم تقديم العديد من الأوراق البحثية الجيدة التي تهدف إلى توليد استجابات متنوعة وذات صلة

3. التعرف على المشاعر ميزة هامة بالنسبة إلى chatbots

يبحث الباحثون في أفضل الطرق لدمج التعاطف في أنظمة الحوار ولا تزال الإنجازات التي تحققت في هذا المجال من البحوث متواضعة ، لكن التقدم الكبير في التعرف على المشاعر يمكن أن يعزز بشكل كبير من أداء وشعبية الروبوتات الاجتماعية ويزيد أيضًا من استخدام chatbots في العلاج النفسي

– الرؤية الحاسوبية

الموضوعات البحثية الشائعة في الرؤية الحاسوبية هي:

1. نظام الرؤيا ثلاثي الأبعاد من أبرز المجالات البحثية في الرؤية الحاسوبية:

شهدنا هذا العام العديد من الأبحاث البحثية المثيرة للاهتمام التي تهدف إلى إعادة بناء عالمنا الثلاثي الأبعاد من خلال توقعاته ثنائية الأبعاد حيث قدم فريق أبحاث Google طريقة جديدة لإنشاء خرائط متعمقة للمشاهد الطبيعية بأكملها. واقترح فريق Facebook AI حلاً مثيراً للكشف عن الكائنات ثلاثية الأبعاد في السحب.

2. أنظمة التعلم الآلي غير الخاضعة للإشراف والرؤية الحاسوبية:

على سبيل المثال ، قدم فريق بحث من جامعة ستانفورد نهج التجميع المحلي الواعد لاكتشاف الكائنات والتعرف عليها من خلال التعلم غير الخاضع للإشراف، وفي ورقة بحثية أخرى ، تم ترشيحها لجائزة أفضل ورقة ICCV 2020 ، تم استخدام التعلم غير الخاضع للإشراف لحساب المراسلات عبر الأشكال ثلاثية الأبعاد.

3. دمج أبحاث الرؤية الحاسوبية مع البرمجة اللغوية العصبية:

تتيح أحدث التطورات البحثية إمكانية إجراء تغيير قوي للتعليق بين صورتين في اللغة الطبيعية ، والتنقل بلغة الرؤية في بيئات ثلاثية الأبعاد ، وتعلم تمثيل لغة الرؤية الهرمي لتحسين استرجاع الصور

– التعلم المعزز ” Reinforcement Learning”

لا تزال تطبيقا التعليم المعزز أقل استخداماً لتطبيقات الأعمال من التعلم الخاضع للإشراف ، وحتى التعلم غير الخاضع للإشراف. يتم تطبيقه بنجاح فقط في المناطق التي يمكن فيها إنشاء كميات هائلة من البيانات المحاكاة ، مثل الروبوتات والألعاب ومع ذلك ، يعرف العديد من الخبراء RL كطريق واعد نحو الذكاء العام الاصطناعي AGI والذكاء الحقيقي وبالتالي ، تبحث فرق البحث من أفضل المؤسسات وقادة التكنولوجيا عن طرق لجعل خوارزميات RL أكثر كفاءة واستقرارًا للعينات

المواضيع البحثية تتجه في التعلم المعزز تشمل:

1. التقدم الكبير لتقنيات “Multi-agent reinforcement learning “MARL:

لقد أظهر فريق OpenAI مؤخرًا كيف تمكن العملاء في بيئة محاكاة للاختباء والسعي من بناء استراتيجيات لم يعرف الباحثون أن بيئتهم تدعمها من قبل

2. تقنيات Off-policy evaluation and off-policy learning مهمان جداً في تطبيقات التعلم المعزز المستقبلية:

تتضمن الاختراقات الحديثة في هذا المجال البحثي حلولًا جديدة لتعلم سياسة الدُفعات في ظل قيود متعددة ، والجمع بين النماذج البارامترية وغير البارامترية ، وتقديم فئة جديدة من الخوارزميات خارج السياسة لإجبار العميل على التصرف على مقربة من السياسة المرادة

الخلاصة:

هذه نظرة عامة سريعة وعالية المستوى لاتجاهات بحث AI والتعلم الآلي الجديدة عبر الموضوعات الفرعية الأكثر شيوعًا في البرمجة اللغوية العصبية NLP و AI للمحادثة ورؤية الكمبيوتر والتعلم التعزيز ، والتي يكون للعديد منها آثار على الأعمال

المصادر:

______________________________________________________________________________________________________________

أبرز الابتكارات في

CES 2020

المقدمة:
كشف “معرض المنتجات الاستهلاكية” CES الذي يعد أضخم حدث تقني في العالم والذي يُعرض فيه كل ماهو جديد في عالم التقنية عن المنتجات التي تستخدم تقنيات الذكاء الاصطناعي والتعلم الآلة

حيث يعد المعرض مهرجان تقني جديد مع بداية عقد جديد، تتسابق فيه الشركات التكنولوجية لطرح أحدث منتجاتها وتصوراتها لما يمكن أن يكون عليه مستقبل التقنية في السنوات القليلة المقبلة. وفي نسخة العام الحالي تسيطر على معرض CES 2020 التصورات والنماذج الأولية التي ستحتاج إلى الكثير من الجهد لتطبيقها على أرض الواقع، وهناك تلك التصورات التي لن تُنفَّذ بالأساس ولكنها مجرد مدخل لكي يتبناها الغير ويعمل على تطويرها وجعلها قابلة للتنفيذ.

1. مدينة “تويوتا” المستقبلية حيث لا يوجد سائقون بشر

أكثر الأشياء طموحًا الذي تم الكشف عنه في معرض CES 2020 هو شركة Woven City التابعة لشركة Toyota وهي مجتمع نموذجي للمستقبل سيتم بناؤه بالقرب من جبل فوجي في اليابان على قطعة أرض تبلغ مساحتها 175 فدانًا وستقوم تويوتا بإنشاء مختبر تجريبي لتقنيات المستقبل بما في ذلك المركبات ذاتية القيادة التي تعمل على خلايا الوقود الهيدروجينية ، والروبوتات ، والمنازل الذكية وأشكال جديدة من التنقل الشخصي
لن تكون هناك مركبات مسيّرة بالبشر في مدينة Woven City ، لأن جوهر مفهوم Toyota هو أن مدن اليوم مبنية على سيارات وتريد أن تتخيل مدينة تم تصميمها من أجل أشكال نقل أكثر استدامة
قالت الشركة أن حوالي 2000 شخص سوف يعيشون داخل هذه المدينة الذكية وهم في أغلبهم متطوعون يمثلون جزءًا من شركة Toyota نفسها أو مهتمين بشكل خاص بالتكنولوجيا الجديدة

2. الإنسان الاصطناعي من سامسونج
طرحت شركة سامسونج لأول مرة مفهوم «Artificial Human»هو برمجية تقوم بتشكيل هيئة إنسان يبدو حقيقًا
لهذا الإنسان الاصطناعي القدرة على التحدث والتحاور معك والقيام بمختلف الانفعالات والحركات التي يقوم بها أي إنسان عادي، فهو مبرمج على ملايين الحركات للوجه والجسد في مختلف الأوضاع والحالات، مما يجعله قادرًا على تقليد الانفعالات الإنسانية بشكل أكثر دقة والتعبير عنها بملامح وجهه الاصطناعي
ما هو مشروع نيون Neon من سامسونج ؟

نيون ليس مجرد مساعدا صوتيا على غرار الكسا من أمازون ومساعد جوجل وسيري من آبل، كما أنه ليس مشغلا للموسيقى أو واجهة للرد على الاستفسارات من خلال الإتصال بالإنترنت، لكنها تقول أنه ببساطة صديق يمكنه التواصل بمجموعة متنوعة من اللغات تشمل الإسبانية والهندية واليابانية والإنجليزية، وتدعي سامسونج أنه قادر على التواصل مثل الأصدقاء واكتساب مهارات جديدة والتطور مع الوقت.
تعتمد شخصيات نيون على تقنية CORE R3

وتعتمد شخصيات نيون على ما أطلقت عليه سامسونج تقنية CORE R3، والتي تقول أنها مستوحاة من التعقيدات في الطبيعة ومدربة للظهور مثل البشر ومحاكاة تصرفاتهم وتفاعلاتهم، وأضافت سامسونج أن التقنية الجديدة تقدم واقعا نابضا بالحياة يفوق إدراك البشر على التمييز، وذلك من خلال ثلاثة مباديء تشمل سرعة الاستجابة ( ميكرو ثانية أو جزء من مليون جزء من الثانية الواحدة)، بالإضافة إلى الواقعية (الظهور بشكل شبيه بالبشر)، إلى جانب الاستجابة مثل البشر للابتسامات والأحاديث والتعبيرات الأخرى، كما أكدت سامسونج على توافق التقنية الجديدة مع أحدث بروتوكولات الأمان للحفاظ على خصوصية المستخدمين.
يمكنه للإنسان الاصطناعي أن يكون موظف الاستقبال، السكرتير، الطبيب، وهذا حسب قول تصريح ممثل الشركة في أحد اللقاءات، وعندما سألته المحاورة عن مدى خطر هذه التقنية للاستغناء عن البشر في تلك الوظائف، أجاب بأن هذا ليس القصد، ولكنه يمكن أن يحل محل الموظف أو الطبيب وقتما لا يكون متاحًا أو متوافرًا

3. لوح خشبي ذكي

رسالة الشركة من خلال لوح الخشب MUI Smart Display هي الاندماج أكثر مع الطبيعة والكف عن إحاطة أنفسنا بالشاشات والأجهزة المختلفة، لذلك دمجت شاشة ذكية في لوح خشبي لتكون جزءًا من محيطك وليست زائدة عليه.
يعتمد اللوح الخشبي على مساعد جوجل الشخصي لتنفيذ المهام التي تريدها، فيمكنك إرسال واستقبال الرسائل النصية، والتحكم في الأجهزة الذكية الموجودة لديك في الغرفة، فتشغل الموسيقى وتتحكم في درجة حرارة الغرفة ودرجة إضاءة مصباحها، وغيرها من مميزات الشاشات الذكية المعتادة.

4. “أل جي” منتجات الذكاء الاصطناعي في 2020CES

كشف د. آي بي بارك، المدير التنفيذي للتكنولوجيا في إل جي عن الاستراتيجية المستقبلية لتطوير الذكاء الاصطناعي والتي تأتي تحت عنوان “مستويات تجربة الذكاء الاصطناعي: مستقبل الذكاء الاصطناعي والتجربة البشرية”، وذلك خلال معرض الإلكترونيات الاستهلاكية CES 2020 حيث يتماشى مفهوم هذه الاستراتيجية مع هدف العلامة التجارية LG ThinQ ورؤيتها الطموحة لتحويل التجربة اليومية عبر ربط جميع جوانب حياة العملاء بنقاط اتصال ذكية
ومن شأن هذه الخطة بعيدة المدى، إنشاء خارطة طريق واضحة للذكاء الاصطناعي، لتكون الوجهة النهائية لنظام متكامل يحتوي على المنتجات والخدمات التي ستُشعر المستخدمين وكأنهم في منزلهم في أي مكان، متحدثًاً في مركز “ماندالاي باي” للمؤتمرات في لاس فيجاس، أوضح الدكتور بارك: “من المهم مشاركة خطة عمل منظمة لتطوير الذكاء الاصطناعي ضمن هذا القطاع، كي نتمكّن من التأثير بشكل ملموس في حياة عملائنا

5. حاسوب لينوفو الجديد بتقنية 5G

لابتوب لينوفو يوجا 5G أول لابتوب يتم دعمه برقاقة كوالكوم 8cx 5G المخصصة لأجهزة الكمبيوتر ويكون سباق للتوفر في السوق حيث سيصل ربيع العام الجاري بسعر يبدأ من 1500 دولار، مع العديد من الميزات بشاشة 14 بوصة بقوة إضاءة 400 نت ووزن 1.3 كجم وبطارية تدوم حتى 24 ساعة وفقاً لتصريح الشركة

6. أجهزة الكمبيوتر قابلة للطي مثل الهواتف

كانت الهواتف القابلة للطي واحدة من أهم الموضوعات في عالم التكنولوجيا في عام 2020 ، وفي عام 2020 احتلت أجهزة الكمبيوتر المحمولة القابلة للطي أبرز الاكتشافات في مجال الحواسيب المحمولة ومن أحد أهم الاكتشافات في هذا المجال من شركة intl

استعرضت شركة إنتل خلال مؤتمرها الصحفي في معرض الإلكترونيات الاستهلاكية CES 2020 مفهوم الحاسب الشخصي القابل للطي، وذلك بهدف توفير الإلهام لفئة جديدة تمامًا من الأجهزة، حيث يطلق على النموذج الأولي الاسم الرمزي Horseshoe Bend، والذي يمكن استخدامه في عدد من الأوضاع لمختلف التجارب، بما في ذلك وضع الحاسب المحمول ووضع الكتاب. ويتشابه التصميم في الحجم مع حاسب محمول بقياس 12 إنشًا، لكن مع شاشة لمس قابلة للطي، والتي يمكن فتحها لتصبح شاشة بحجم 17.3 إنشًا بمعدل عرض 3:2 مع مسند على غرار أجهزة Surface من مايكروسوفت حتى يتمكن المستخدم من الاستفادة من الحجم الكامل للشاشة عند إقرانها بلوحة مفاتيح لاسلكية. ويتضمن الجهاز من فئة إثنان في واحد، وهو أحدث أجهزة مشروع أثينا Project Athena، شاشة عرض OLED قابلة للطي، ويعتمد على معالجات إنتل المحمولة القادمة Tiger Lake، وجرى تطويره باستخدام لوحة مفاتيح قابلة للفصل تتناسب بسهولة مع الجهاز عند طيها لسهولة النقل.

المصادر:
http://alwatannewspaper.ae/?p=564970

ما هو الذكاء الاصطناعي للأشياء؟

المقدمة:
تعتبر إنترنت الأشياء “IOT” والذكاء الاصطناعي “AI” من التقنيات الفعالة، وعند الجمع بين AI و IoT ، سنحصل على AIoT الذكاء الاصطناعي للأشياء
يمكن اعتبار أن أجهزة إنترنت الأشياء مثل الجهاز العصبي الرقمي بينما الذكاء الاصطناعي عبارة عن عقل النظام

ما هي تقنية “الذكاء الاصطناعي للأشياء “AIOT”:
لفهم هذه التقنية لا بد من فهم تقنية “إنترنت الأشياء”
عندما تكون “أشياء” مثل الأجهزة القابلة للارتداء ، والثلاجات ، والمساعدين الرقميين ، وأجهزة الاستشعار وغيرها من المعدات متصلة بالإنترنت ، ويمكن التعرف عليها من قبل الأجهزة الأخرى وجمع البيانات ومعالجتها ، يكون لديك إنترنت الأشياء أي عندما تتعامل الأجهزة فيما بينها دون تدخل بشري
الذكاء الاصطناعي: عندما يتمكن النظام من إكمال مجموعة من المهام أو التعلم من البيانات بطريقة ذاتية
لذلك عند إضافة الذكاء الاصطناعي إلى إنترنت الأشياء ، فهذا يعني أن هذه الأجهزة يمكنها تحليل البيانات واتخاذ القرارات والتصرف بناءً على هذه البيانات دون مشاركة البشر
تتيح تقنية AIoT تحليل البيانات التي يتم استخدامها بعد ذلك لتحسين نظام ما وتوليد رؤى أداء وأداء أعمال أعلى وإنشاء بيانات تساعد على اتخاذ قرارات أفضل ويمكن للنظام أن يتعلم منها

أمثلة عملية على AIoT:

– متاجر التجزئة الذكية:
في بيئة التجزئة الذكية ، يمكن لنظام الراقبة CCTV المزود بقدرات رؤية الكمبيوتر استخدام التعرف على الوجه لتحديد شخصية العملاء عندما يعبرون الباب
يقوم النظام بجمع المعلومات حول العملاء ، بما في ذلك نوع الجنس وتفضيلات المنتج وتدفق حركة المرور وغير ذلك ، ويقوم بتحليل البيانات للتنبؤ بدقة بسلوك المستهلك ثم يستخدم تلك المعلومات لاتخاذ القرارات المتعلقة بعمليات المتجر من التسويق إلى وضع المنتج والقرارات الأخرى
يمكن للكاميرات الذكية التعرف على المتسوقين والسماح لهم بتخطي الخروج مثل ما يحدث في متجر Amazon Go.

– مراقبة حركة المرور بالطائرات دون طيار:
في المدينة الذكية ، هناك العديد من الاستخدامات لتقنيات لـ AIoT ، بما في ذلك مراقبة حركة المرور بواسطة الطائرات دون طيار
مراقبة حركة المرور في الوقت الحقيقي ، تمكن من إجراء تعديلات على تدفق حركة المرور مما يؤدي إلى تقليل الازدحام
عندما يتم نشر طائرات بدون طيار لمراقبة مساحة كبيرة ، فيمكنهم نقل بيانات حركة المرور ، وبعد ذلك يمكن لتقنيات الذكاء الاصطناعي تحليل البيانات واتخاذ القرارات حول أفضل السبل لتخفيف الازدحام المروري مع إجراء تعديلات على حدود السرعة وتوقيت إشارات المرور دون تدخل بشري
يعمل نظام ET City Brain ، وهو منتج لـ Alibaba Cloud ، على تحسين خدمات المدينة باستخدام AIoT. حيث يمكن لهذا النظام اكتشاف الحوادث ومواقف السيارات غير القانونية ، ويمكنه تغيير إشارات المرور لمساعدة سيارات الإسعاف في الوصول إلى المرضى الذين يحتاجون إلى المساعدة بشكل أسرع
تم تنفيذه بنجاح في مقاطعة Hangzhou في الصين مما أدى إلى انخفاض ازدحام السيارات بنسبة 15%

– مباني المكاتب الذكية:
مجال آخر حيث تتقاطع تقنيات الذكاء الاصطناعي والإنترنت الأشياء وهو المباني المكتبية الذكية
تختار بعض الشركات تثبيت شبكة من المستشعرات البيئية الذكية في مبنى مكاتبها. يمكن لهذه المستشعرات اكتشاف الأفراد الموجودين وضبط درجات الحرارة والإضاءة وفقًا لذلك لتحسين كفاءة استخدام الطاقة
وأيضاً يمكن للمبنى الذكي التحكم في دخول الموظفين من خلال تقنية التعرف على الوجه حيث تمكن الكاميرات المتصلة والذكاء الاصطناعي أن تقارن الصور الملتقطة في الوقت الفعلي مقابل قاعدة بيانات لتحديد من الذي ينبغي منح حق الوصول إلى المبنى ومن هو متغيب عن العمل

– إدارة أسطول النقل والمركبات ذاتية الحكم:
تستخدم تقنيات AIoT في إدارة الأسطول اليوم للمساعدة في مراقبة مركبات الأسطول ، وخفض تكاليف الوقود ، وتعقب صيانة المركبات ، وتحديد سلوك السائق غير الآمن. من خلال أجهزة إنترنت الأشياء مثل GPS وأجهزة الاستشعار الأخرى ونظام الذكاء الاصطناعي ، تكون الشركات قادرة على إدارة أسطولها بشكل أفضل بفضل AIOT طريقة أخرى تستخدم AIoT اليوم مع المركبات المستقلة مثل أنظمة الطيار الآلي في Tesla التي تستخدم الرادارات ، السونار ، GPS ، والكاميرات لجمع البيانات حول ظروف القيادة ثم نظام AI لاتخاذ قرارات حول البيانات التي تجمعها أجهزة الإنترنت

– روبوتات توصيل الأشياء:
على غرار كيفية استخدام AIoT مع المركبات المستقلة ، تعد روبوتات التوصيل مثالًا آخر على AIoT في العمل. تحتوي الروبوتات على أجهزة استشعار تجمع المعلومات
حول البيئة التي يجتازها الروبوت ، ثم يتخذ قرارات فورية للحظة حول كيفية الاستجابة من خلال منصة AI الداخلية الخاصة به

المصادر:

https://www.forbes.com/sites/bernardmarr/2020/12/20/what-is-the-artificial-intelligence-of-things-when-ai-meets-iot/#1d54c3f0b1fd

جوجل تضيف خدمة الترجمة الفورية لمساعدها الصوتي

المقدمة:
تم تطوير أنظمة ترجمة التحدث إلى كلام على مدار العقود القليلة الماضية بهدف مساعدة الأشخاص الذين يتحدثون لغات مختلفة على التواصل مع بعضهم البعض. تقسم هذه الأنظمة إلى ثلاثة مكونات منفصلة: التعرف التلقائي على الكلام، تحويل الكلام المصدر إلى نص ، والترجمة الآلية للنص إلى اللغة الهدف لتحويل النص إلى كلام للغة الهدف

مساعد جوجل يقدم الترجمة الفورية “الصوتية” إلى 44 لغة:
أعلنت شركة جوجل عن إطلاق ميزة جديدة ضمن مساعدها الرقمي Google Assistant تهدف إلى مساعدة المستخدمين على الترجمة بين اللغات عن طريق توجيه الأوامر الصوتية

وقالت عملاقة التقنية الأمريكية في منشور على مدونتها: يلجأ المسافرون بالفعل إلى Assistant للحصول على المساعدة في البحث والتحقق من الرحلات الجوية والعثور على توصيات المطاعم المحلية والمزيد وأضافت: لمنحك المزيد من المساعدة أثناء رحلتك، بدأت ميزة الترجمة الفورية الخاصة بـ Assistant، وهي “وضع المترجم الفوري Interpreter Mode”، في الظهور على هواتف أندرويد، وآي أو إس المزودة بـ Assistant في جميع أنحاء العالم”

وأوضحت الشركة أنه لبدء الترجمة عن طريق وضع المترجم الفوري الجديد، يكفي أن يقول المستخدم “هاي جوجل، كن مترجم اللغة الألمانية خاصتي” Hey Google, be my German translator، أو “هاي جوجل، ساعدني في تكلم الإسبانية” Hey Google, help me speak Spanish، ليرى ويسمع بعدئذ المحادثة مترجمة على الهاتف

وبعد كل ترجمة، قد يعرض Google Assistant “ردودًا ذكيةً” Smart Replies تشمل اقتراحات تهدف إلى تسهيل الاستجابة بسرعة دون الحاجة للكلام، الأمر الذي من شأنه تسريع المحادثات.
وأوضحت جوجل أن (وضع المترجم) يستطيع الترجمة بين 44 لغة، بما في ذلك العربية، ولأنه مدمج في تطبيق المساعد الرقمي Assistant، فهو موجود أصلًا على هواتف أندرويد التي تستخدم Assistant، وللوصول إليه على هواتف آي أو إس، يكفي أن ينزل المستخدم تطبيق المساعد الرقمي على آيفون. مع الإشارة إلى أن الخدمة الجديدة تتيح الترجمة سواء عن طريق الكلام أو الكتابة

تعمل الشركة على ميزة جديدة مذهلة تدعى ” Transalatotron ” باستخدام تقنيات “تعلم الآلة” وتقنيات أخرى من الذكاء الاصطناعي لجعل النظام قادراً على سماع الكلام وتفسيره والرد بنفس نغمة صوت طالب المساعدة

المصادر:
h ttps://ai.googleblog.com/2020/05/introducing-translatotron-end-to-end.html

______________________________________________________________________________________________________________

“بيرت”.. أحدث خوارزميات البحث من “جوجل”
لفهم اللغة الطبيعية بشكل أفضل

المقدمة:
تقوم جوجل بإجراء أكبر تغيير على نظام البحث الخاص بها منذ أن قدمت الشركة خوارزمية RankBrain قبل ما يقرب من خمس سنوات، وبحسب “جوجل” فإن BERT سوف يؤثر على 1 من 10 في جميع طلبات البحث
بدأت الشركة بالفعل من استخدام BERT داخل نظام البحث الخاص بها وسيطبق على اللغة الإنجليزية في المرحلة الأولى على أن يعمم إلى باق اللغات في المستقبل القريب

ما هو “بيرت”؟
تقنية تعتمد على الشبكة العصبية من جوجل للتدريب المسبق على معالجة اللغات الطبيعية “NLP” BERT اختصار لـ Bidirectional Encoder Representations from Transformers “عروض تشفير ثنائية الاتجاه من المحولات”
أطلقته جوجل كمصدر مفتوح من العام الماضي وتم مشاركته بمزيد من التفاصيل على مدونة “جوجل للذكاء الاصطناعي” Google AI باختصار ، يمكن لـ BERT مساعدة أجهزة الكمبيوتر على فهم اللغة بشكل أقرب إلى البشر مما كانت عليه في الوقت السابق

ما هي الشبكة العصبية؟
تم تصميم الشبكات العصبية للخوارزميات للتعرف على الأنماط ، وإن تصنيف محتوى الصور ، والتعرف على خط ، وحتى التنبؤ بالاتجاهات في الأسواق المالية ، تطبيقات شائعة في العالم الحقيقي للشبكات العصبية – ناهيك عن تطبيقات البحث مثل نماذج النقرات

ما هي معالجة اللغة الطبيعية؟
“معالجة اللغة الطبيعية” فرع من الذكاء الاصطناعي يتعامل مع اللغويات ، بهدف تمكين أجهزة الكمبيوتر من فهم الطريقة التي يتواصل بها البشر بشكل طبيعي

كيف يعمل بيرت؟
تكمن أهمية خوارزمية “بيرت” في قدرتها على تدريب نماذج اللغة على أساس مجموعة كاملة من الكلمات في جملة أو استعلام (تدريب ثنائي الاتجاه) بدلاً من الطريقة التقليدية للتدريب على تسلسل الكلمات المرتب يسمح BERT لنموذج اللغة بتعلم سياق الكلمات بناءً على الكلمات المحيطة بدلاً من الكلمة التي تسبقها مباشرة أو تتبعها على الفور

متى يتم استخدام بيرت؟
قالت جوجل إن BERT يساعد في فهم الفروق الدقيقة وسياق الكلمات في عمليات البحث بشكل أفضل ، وتطابق هذه الاستعلامات بشكل أفضل مع النتائج ذات الصلة
في أحد الأمثلة ، قالت Google ، أنه في حالة البحث عن الجملة التالية “2020 مسافر برازيلي إلى الولايات المتحدة الأمريكية يحتاج إلى تأشيرة دخول” ، تعتبر كلمة “إلى” وعلاقتها بالكلمات الأخرى في الاستعلام مهمة لفهم المعنى
في السابق لم يكن محرك البحث من جوجل يفهم أهمية هذا الاتصال وسيعيد النتائج المتعلقة بمواطنين أمريكيين يسافرون إلى البرازيل
وأوضحت جوجل أنه باستخدام خوارزمية “بيرت” سيتمكن محرك البحث من فهم هذا الاتصال وأهمية وروده في سياق معين للجملة وسيقوم بتقديم نتائج أكثر دقة

خوارزمية RankBrain لم تمت:
RankBrain هو أول أسلوب ذكاء اصطناعي من جوجل لفهم الاستفسارات والاستعلامات في عام 2020 ويبحث في كلٍّ من الاستعلامات ومحتوى صفحات الويب في فهرس جوجل لفهم معاني الكلمات بشكل أفضل BERT لا يحل محل RankBrain ، بل هو وسيلة إضافية لفهم المحتوى وسيظل يستخم لبعض الاستعلامات، ولكن عندما يعتقد محرك البحث من جوجل أن الاستعلام يمكن فهمه بشكل أفضل بمساعدة BERT ، فإنه سيستخدم ذلك في الواقع ، يمكن أن يستخدم استعلام واحد أساليب متعددة ، بما في ذلك BERT لضمان فهم أفضل وتوفير نتائج أدق
تابعت “جوجل”: هناك الكثير من الطرق التي يمكنها من خلالها فهم معنى اللغة في استفسارك وكيفية ارتباطها بالمحتوى على الويب، على سبيل المثال ، إذا أخطأت في كتابة شيء ما ، فيمكن أن تساعدك أنظمة التدقيق الإملائي من Google في العثور على الكلمة الصحيحة لتحصل على ما تحتاجه و / أو إذا كنت تستخدم كلمة مرادفة للكلمة الفعلية الموجودة في المستندات ذات الصلة ، فيمكن لمحرك البحث مطابقة هذه الكلمات

الخلاصة:
“بيرت” هي خوارزمية أخرى تستخدمها جوجل لفهم اللغة. بناءً على ما تبحث عنه ، يمكن استخدام أي واحدة أو مجموعة من هذه الخوارزميات لفهم استفسارك وتقديم نتيجة ذات صلة وأظهرت نتائج تحليل لأداء خوارزمية “بيرت” تحسن بنسبة 10% في النتائج المقدمة

المصادر:
https://searchengineland.com/welcome-bert-google-artificial-intelligence-for-understanding-search-queries-323976

https://searchengineland.com/faq-all-about-the-bert-algorithm-in-google-search-324193
__________________________________________________________________________________________________________________________________________________

مستقبل تقنيات الذكاء الاصطناعي عام 2020

المقدمة:
أصدرت IDC و Forrester مؤخراً توقعاتهم لمستقبل تقنيات وتطبيقات الذكاء الاصطناعي لعام 2020 وبحسب Forrester فإن التغيرات في الأسواق وتسارعها ربما تجعل الشركات حذرة تجاه تقنيات الذكاء الاصطناعي بينما الشركات الشجاعة ستواصل الاستثمار في المجال وتوسيع خطواتها الخجولة التي قامت بها في 2020

أظهرت تقارير ودراسات Forrester التالي:
– يقول 53٪ من صانعي القرار في مجال البيانات والتحليلات أنهم في طور تطبيق أو تطوير أو توسعت تطبيقاتهم باستخدام تقنيات الذكاء الاصطناعي
– 29٪ من المطورين العالميين (مستوى المديرين أو أعلى) قد عملوا على برنامج “تعلم الآلة” وتقنيات أخرى في الذكاء الاصطناعي العام الماضي
– يقول 54٪ من صانعي القرار في شركات الحوسبة المتطورة “edge computing” بأنه سيكون هناك مرونة أكبر في التعامل مع طلبات الذكاء الاصطناعي المستقبلية من خلال التطور السريع التي تحظى به خدمات edge computing لذلك يتوقع الاختصاصيون ازدهاراً في هذا المجال العام المقبل
– 16% من صانعي القرار في المجال التكنولوجي قاموا بزيادة الإنفاق على تقنيات البيانات والتحليلات بما في ذلك الذكاء الاصطناعي بنسبة 10% أو أكثر هذا العام

في عام 2020 ، تتوقع Forrester:

– 25% من “Fortune 500” سوف تعمل على دعم تقنيات “التحليلات النصية والتعلم الآلي” ليتم استخدامها في تحسين عملية الأتمتة الآلية RPA “Robotic Process Automation” للوصول إلى خوارزميات متطورة في الآتمتة الذكية
“Fortune 500”: “قائمة تصدرعن مجلة Fortune تضم 500 من أكبر شركات الولايات المتحدة حسب إجمالي الإيرادات للسنوات المالية الخاصة بكل منها”
– تتابع Forrester: التقنيات الناشئة ستواجه مخاطر كبيرة في العام القادم واحتمالية تسببها بضرر نفسي على المستخمين أو المتلقين كبيرة، مما قد يسبب انتشار سمعة سئية لعلوم الذكاء الاصطناعي عامة
من أبرز هذه التقنيات هي: انتشار DeepFake, الاستخدام الخاطئ لتقنية “التعرف على الوجه facial recognition، والتخصيص المفرط over-personalization

– وإبرازًا للإيجابيات ، فإن Forrester على ثقة من أن “هذه التقنيات المنفصلة لن تبطئ خطط تبني الذكاء الاصطناعي في العام المقبل، حيث ستتابع عمليات تصميم واختبار ونشر أنظمة الذكاء الاصطناعي المسؤولة التي تأخذ بعين الاعتبار مسائل “التحيز والإنصاف والشفافية والمساءلة” للوصول إلى قرار وحكم سليمين

– توضح Forrester في مسألة الأمور القيادية في الشركات: الشركات التي يرأسها أو لديها منصب “رئيس تنفيذي للبيانات” CDO”” تستخدم تقنيات وتطبيقات الذكاء الاصطناعي وتعلم الآلة في مبادراتها وخدماتها أكثر من مرة ونصف من الشركات التي لا تملك “رئيس تنفيذي للبيانات” CDO””

– في عام 2020 ، سيقوم كبار المسؤولين التنفيذيين مثل رؤساء التنفيذيين للبيانات وموظفي التحليل (CDAOs) والمديرين التنفيذيين المهتمين في تطبيق الذكاء الاصطناعى بتوفير ما يلزم إلى فرق علوم البيانات فيما يتعلق بجميع متطلبات “علوم البيانات”
المشكلة الحقيقية ، كما يقول فورستر ، هي “الحصول على البيانات من مجموعة معقدة من التطبيقات ”

– في عام 2020 ، كما تقول Forrester ستعمل “النخبة التكنولوجية” على زيادة مهارات التصميم في الذكاء الاصطناعي، سيكون الجمع بين مهارات التصميم المتمركزة على الإنسان وقدرات تطوير الذكاء الاصطناعي هو المفتاح

– تتوقع Forrester أن أربعة من كل خمسة الذكاء الاصطناعي التفاعلي conversational ai ستظل تفشل في اجتياز اختبار Turing.
“conversational ai”: تقنية تسمح للأشخاص بالحصول على المعلومات وإجراء المعاملات وذلك عن طريق التحدث إلى جهاز كمبيوتر
” Turing Test”: هو طريقة للبحث في الذكاء الاصطناعي (AI) لتحديد ما إذا كان الكمبيوتر قادراً على التفكير كإنسان أم لا
– وتتابع Forrester: مع نهاية عام 2020 محاولة واحدة من أصل خمسة ستنجح في “الذكاء الاصطناعي التفاعلي” أثناء تجربتها في مجال خدمة العملاء

– 2600 شركة تعمل في مجال الذكاء الاصطناعي موجودة في سوق العمل لذلك فإن التمويل أصبح كافياً لتقوم هذه الشركات ببدء العمل على طرح المنتجات في الأسواق ، ولا تتوقع Forrester على أن يكون هناك تمويلات جديدة في الأعوام القادمة لأن “السوق أصبح مشبع”

IDC تتوقع في الأعوام القادمة:

– 75٪ من الشركات ستقوم بتضمين الأتمتة الذكية في تطوير التكنولوجيا والعمليات الخاصة بها وذلك باستخدام البرامج المستندة إلى الذكاء الاصطناعي لاكتشاف طرق تشغيلية جديدة والابتكار في مجال تطوير خطوط الإنتاج

– وتتابع IDC: بحلول عام 2024 ، سيكون الذكاء الاصطناعى جزءًا لا يتجزأ من كل مرحلة من مراحل العمل ، مما ينتج عنه صرف 25 ٪ من إجمالي الإنفاق على حلول الذكاء الاصطناعي مثل “النتائج كخدمة” outcomes as a service

– سيصبح الذكاء الاصطناعى واجهة المستخدم الجديدة من خلال إعادة تعريف تجارب المستخدم حيث سيتم تعزيز أكثر من 50٪ من لمسات المستخدم برؤية الكمبيوتر والكلام واللغة الطبيعية و AR / VR

– سيتطلب الاستخدام الفعال للأتمتة الذكية جهداً كبيراً في تصنيف البيانات وتكاملها وإدارتها والتي تحتاج إلى دعم تكنولوجيا المعلومات

– بحلول عام 2024 ، ستستثمر 75٪ من المؤسسات في إعادة تدريب الموظفين وتطويرهم على تقنيات الذكاء الاصطناعي لتلبية الاحتياجات الجديدة للمهارات وطرق العمل الناتجة عن اعتماد الذكاء الاصطناعي

– مع الانتقال من “مراكز جمع البيانات” “Data Centers” إلى “Edge Computing” سيواجه مسؤولو نظم المعلومات تحدياً كبيراً في إدارة ومعالجة الأجهزة المتطورة ” بحسب IDC”
“Edge Computing”: هو نموذج الحوسبة الموزع الذي يجعل الحساب وتخزين البيانات أقرب إلى الموقع الذي تحتاج إليه ، لتحسين أوقات الاستجابة وحفظ النطاق الترددي

– تتابع IDC: بحلول عام 2023 ، سيتم استخدام ما يقرب من 20٪ من الخوادم التي تعالج أحمال عمل AI باستخدام المعالجات المحسّنة والمعالجات المشتركة التي سوف تطبق على EDGE

– ستكون تقنيات الذكاء الاصطناعي هنا وهناك وفي كل مكان، وتقدر IDC أنه بحلول عام 2025 ، ستضم 90٪ على الأقل من إصدارات تطبيقات المؤسسات الجديدة تقنيات وخوارزميات الذكاء الاصطناعي

المصادر:

هل يمكن للذكاء الاصطناعي تعلم
“كيفية التعلم”؟

المقدمة:
بين عامي 2020 و 2020 سجلت الشركات التي أدخلت تقنيات الذكاء الاصطناعي في نشاطاتها نمواً بين 4% و 14% وذلك وفقاً لاستطلاع أجرته “جارتنر” CIO Agenda Survey
“يضم استطلاع “جارتنر” أكثر من 3000 مدير تنفيذي بالقطاع التقني CIO”
وصلت تقنيات الذكاء الاصطناعي إلى الشركات بطرق مختلفة ومتنوعة بشكل كبير مقارنة بالسنوات القليلة الماضية عندما لم يكن هناك بديل لبناء الحلول الخاصة بك مع التعلم الآلي، بالإضافة إلى تقنيات Auto ML والتطبيقات الذكية التي أخذت بالانتشار بشكل كبير، ومن الطرق الشائعة أيضاً الخدمات السحابية
– ونظرًا لأن الشركات تدمج الذكاء الاصطناعي في أنظمتها ، يبحث أخصائيي التكنولوجيا في مجال جديد من ابتكار الذكاء الاصطناعي وهو “ميتا التعلم” أو Meta – Learning

– Meta Learning هو عبارة عن تعلم كيفية التعلم، حيث أن نحن البشر لدينا القدرة الفريدة على التعلم من أي موقف أو من المحيط، ولدينا القدرة على معرفة كيف يمكننا أن نتعلم وبالمقابل للحصول على هذه المرونة في التعلم في مجال الذكاء الاصطناعي نحتاج إلى “الذكاء الاصطناعي العام” General AI

– بمعنى آخر ، يجب أن يكون هناك طريقة فعالة للتعرف على عملية التعلم

الذكاء الاصطناعي يتعلم بطريقة مختلفة عن البشر:
قلة الموارد والمعطيات هي جوهر الاختلافات في عمليات التعلم بين البشر والذكاء الاصطناعي، حيث أن البشر لديهم مشكلة فريدة في القدرات المحدودة، وأيضاً لديهم قدرة دماغية محدودة ووقت محدود، هذا هو السبب في أن الدماغ البشري محدود في قدرته على التكيف حيث يحقق أقصى استفادة من كل المعلومات التي بتلقاها من ثم يطور القدرة على تطوير نماذج غنية من العالم، لذلك يعد البشر General-Purpose Learners
إذا كانت عملية التعلم لدينا فعالة ، فيمكننا أن نتعلم بسرعة في أي موضوع ولكن الحقيقة أننا لسنا جمعياً “متعلمين سريعين”
في المقابل ، يمتلك الذكاء الاصطناعي الكثير من الموارد، مثل القوة الحاسوبية، ومع ذلك يستخدم الذكاء الاصطناعي بيانات للتعلم أكثر من كمية البيانات التي يستخدمها الدماغ البشري للتعلم وتتطلب معالجة هذه الكميات الهائلة من البيانات قوة حسابية هائلة
في الوقت نفسه ، مع تزايد تعقيد مهام الذكاء الاصطناعي هناك أيضاً زيادة هائلة في القوة الحسابية تعتمد AI على خوارزميات فعالة لإجراء اتصالات بين أجزاء مختلفة من البيانات، لذلك إذا لم تكن الخوارزميات فعالة بما يكفي لمجموعات البيانات المحددة ، فستحدث زيادة هائلة في القدرة الحاسوبية، وهو ما لا نريده في مجال الذكاء الاصطناعي لذلك صممت تقنيات الذكاء الاصطناعي لتكون محددة في التعلم “specific-purpose learners”
من خلال التعلم من البيانات ذات الصلة المتشابهة ، يمكن لتقنيات الذكاء الاصطناعي معالجة البيانات بكفاءة والاستنتاج منها دون تكلفة كبيرة

أهمية تعلم التعلم في الذكاء الاصطناعي

ظهرت مشكلة “تعلم التعلم” أثناء محاولة الاخصائيون في المجالات التقنية حل الزيادة الهائلة في القدرة الحاسوبية حيث بدء الذكاء الاصطناعي في الاستنتاج من البيانات ذات التعقيد المتزايد
ولمنع الزيادة الهائلة في القدرة الحسابية ، كان على الذكاء الاصطناعي اكتشاف أكثر طرق التعلم كفاءة والاستفادة منها وتطبيقها باستمرار
بمجرد أن تتمكن الخوارزميات من تحديد مسارات التعلم لأنواع مختلفة من المشاكل ، يمكن لتطبيقات الذكاء الاصطناعي التنظيم الذاتي وتوجيه نفسها إلى الحلول بشكل حيوي عن طريق اختيار مسار التعلم ومتابعته وضبطه للتغييرات
هذا يؤدي إلى المشكلة التالية للذكاء الاصطناعي: “تعدد المهام” أو Multi-Tasking
جاء مصطلح “تعدد المهام” عندما بدء طرح مهام للذكاء الاصطناعي مرتبطة ولكن غير متسلسلة
ولكي يتمكن الذكاء الاصطناعي من “تعدد المهام” ، يجب أن يكون لديه القدرة على تقييم مجموعات مستقلة من البيانات بالتوازي
ونظرًا لأن تطبيقات الذكاء الاصطناعي تنفذ خطوات معينة في مهمة واحدة ، يجب تحديث المعرفة حتى يمكن تطبيق هذه المعرفة واستخدامها في مواقف أخرى
يعد تطبيق MultiModel من Google مثالًا على نظام الذكاء الاصطناعي الذي تعلم أداء ثمانية مهام مختلفة في وقت واحد حيث يحاكي هذا النظام الطريقة التي يستشعر بها الدماغ المعلومات يمكنه اكتشاف الكائنات الموجودة في الصور ، وتوفير التسميات التوضيحية ، والتعرف على الكلام ، والترجمة بين أربعة أزواج من اللغات وغيرها من المهام
يحقق هذا النظام أداءً جيداً أثناء التدريب المشترك على مهام متعددة وتتعلم الشبكة العصبية أيضاً من مجالات مختلفة من البيانات

– لكي تصبح تطبيقات الذكاء الاصطناعي أكثر قدرة على التكيف ستحتاج إلى تعلم كيفية تطبيق “تعدد المهام” وتعد “الروبوتات” نوع من أنواع الذكاء الاصطناعي التي تطبق “تعدد المهام”

هل يمكن للذكاء الاصطناعي التعلم بطريقة البشر؟

كما رأينا في برنامج MultiModel من Google ، يمكن للذكاء الاصطناعي بالتأكيد أن بتعلم بطريقة البشر. ومع ذلك ، فإن الوصول إلى هذا سيستغرق بعض الوقت

يوجد هناك جزءان لتحقيق هذا الأمر:
Meta-Reasoning and Meta-Learning

Meta-Reasoning يركز على الاستخدام الفعال للموارد المعرفية

Meta-Learning يركز على قدرة الإنسان الفريدة على استخدام الموارد المعرفية المحدودة وبيانات محدودة للتعلم بفعالية

– في Meta-reasoning: أحد العناصر الرئيسية هو التفكير الاستراتيجي، إذا كان بإمكان الذكاء الاصطناعي استخلاص استنتاجات من أنواع مختلفة من البيانات ، فهل يمكنه أيضًا استخدام استراتيجيات إدراكية فعالة في مواقف مختلفة؟.. في الحقيقة هناك دراسات تجرى حالياً لمعرفة الفجوات بين الإدراك البشري والطريقة التي يتعلم بها الذكاء الاصطناعي مثل الوعي بالحالات الداخلية ، ودقة الذاكرة أو الثقة
يقوم Meta-reasoning في صنع القرار الاستراتيجي، ويتكون صنع القرار الاستراتيجي من جزأين: الاختيار من الاستراتيجيات المتاحة واكتشاف الاستراتيجيات المتعلقة بالمواقف السابقة

– في Meta-learning: هدفه سد الفجوة في استخدام كميات هائلة من البيانات لتدريب النماذج مقابل استخدام بيانات محدودة لتدريب النماذج، ويجب أن تكون النماذج قابلة للتكيف حتى تتمكن من اتخاذ القرارات بدقة بناءً على مجموعات صغيرة من المعلومات عبر مهام متعددة

– Meta-reasoning و Meta-learning يشكلان جزءاً واحداً من عملية جعل الذكاء الاصطناعي يتعلم كما البشر، فلذلك إن تجميعها جنبًا إلى جنب مع معلومات من المحرك والمعالجة الحسية سيتيح للمتعلم الآلي أن يكون مشابهاً للبشر

الخلاصة:
لا تزال تطبيقات الذكاء الاصطناعي تتعلم كيف تصبح أشبه بالبشر الأمر الذي يتطلب إجراء أبحاث مستفيضة حول كيفية تعلم البشر وكذلك إجراء بحث حول كيفية محاكاة الذكاء الاصطناعي للطريقة التي يتعلم بها البشر إن التكيف مع المواقف الجديدة مثل القدرة على “تعدد المهام” ، والقدرة على اتخاذ “قرارات استراتيجية” بموارد محدودة ، ليست سوى عدد قليل من العقبات التي سيتغلب عليها باحثو الذكاء الاصطناعى خلال سعيهم للوصول إلى هفدهم في جعل تطبيقات الذكاء الاصطناعي تعمل بشكل يشابه للإنسان

______________________________________________________________________________________________________________________________________________

في “التعلم الآلي”
مقدمة عن “تعلم النقل”

Transfer Learning


مقدمة:
“تعلم النقل” تقنية تستخدم في “التعلم الآلي” عبارة عن إعادة استخدام نموذج تم تطويره لمهمة معينة كنقطة بداية لنموذج في مهمة ثانية “أي اختصار الوقت اللازم في تطوير النموذج جديد”
تعد طريقة شائعة في التعلم العميق حيث يتم استخدام النماذج المدربة مسبقًا كنقطة انطلاق في مهام رؤية الكمبيوتر ومعالجة اللغة الطبيعية وذلك نظراً للموارد الهائلة والوقت الكثير اللازم لتطوير نماذج الشبكات العصبية الاصطناعية المطلوبة لمثل هذه المهمام

ما هو تعلم النقل؟
“تعلم النقل” هو تقنية متبعة في “تعلم الآلة” حيث يتم إعادة استخدام نموذج تم تدريبه سابقاً لأداء مهمة واحدة في مهمة ثانية ذات صلة
“نقل التعلم هو تحسين “آلية التعلم” في مهمة جديدة من خلال نقل المعرفة من مهمة ذات صلة تم تعلمها بالفعل” وتستخدم تقنية “تعلم النقل” أيضاً في “التعلم متعدد” ومع ذلك ، فإن “تعلم النقل” شائع في التعلم العميق نظرًا للموارد الهائلة المطلوبة لتدريب نماذج التعلم العميق أو مجموعات البيانات الكبيرة والصعبة التي يتم تدريب نماذج التعلم العميق عليها.
نقل التعلم يعمل فقط في التعلم العميق إذا كانت ميزات النموذج المستفادة من المهمة الأولى عامة

كيفية استخدام تقنية ” تعلم النقل”:
يمكن استخدام تقنية “تعلم النقل” في مشاكل النمذجة التنبؤية “predictive modeling problems”
من خلال أحد الطريقتين التاليتين:
تطوير نهج النموذج Develop Model Approach
نهج نموذجي مدرّب مسبقًا Pre-trained Model Approach

تطوير نهج النموذج Develop Model Approach

– تحديد مصدر المهمة Select Source Task:
يجب تحديد مشكلة النمذجة التنبؤية ذات الصلة من خلال البيانات حيث توجد علاقة في بيانات الإدخال و / أو بيانات المخرجات و / أو المفاهيم التي تم تعلمها أثناء التعيين من بيانات الإدخال إلى بيانات المخرجات
– تطوير نموذج المصدر Develop Source Model:
بعد ذلك يجب تطوير نموذج متكامل للمهمة الأولى
– إعادة استخدام النموذج Reuse Model:
بعد الانتهاء من التطوير تبدأ عملية استخدام النموذج كنقطة بداية في المهمة التالية

نهج نموذجي مدرّب مسبقًا Pre-trained Model Approach
هذا النوع الثاني من “تعلم النقل” الأكثر استخداماً في مجال التعلم العميق
– اختيار مصدر نموذج Select Source Model:
يتم اختيار نموذج مصدر تم تدريبه مسبقًا من النماذج المتاحة. تُصدر العديد من المؤسسات البحثية نماذج على مجموعات البيانات الكبيرة والصعبة التي قد يتم استخدامها والاختيار منها
– إعادة استخدام النموذج Reuse Model:
استخدام النموذج المدرب مسبقًا كنقطة انطلاق لنموذج في المهمة الثانية ذات الصلة، قد يتضمن ذلك استخدام كل أو أجزاء من النموذج ، اعتمادًا على تقنية النمذجة المستخدمة

أمثلة على “تعلم النقل” مع التعلم العميق:

1. “تعلم النقل” مع بيانات الصورة:
من الشائع استخادم تقنية تعلم النقل في النماذج التنبوئية التي تستخدم بيانات الصورة كمدخلات توجد خوارزميات فعالة لتعلم تمثيلات الكلمات الموزعة ومن الشائع للمنظمات البحثية إصدار نماذج تم تدريبها مسبقًا تم تدريبها على مجموعة كبيرة جدًا من المستندات النصية مثالان على نماذج من هذا النوع تشمل:
Google’s word2vec Model
Stanford’s GloVe Model
يمكن تنزيل نماذج تمثيل الكلمات الموزعة ودمجها في نماذج لغة التعلم العميق إما في تفسير الكلمات كمدخلات أو في توليد كلمات كمخرجات من النموذج

متى يجب استخدام “تعلم النقل”؟
“تعلم النقل” هو التحسين ، وهو اختصار لتوفير الوقت أو الحصول على أداء أفضل ثلاث فوائد لاستخدام “تعلم النقل”:
1. Higher start:
المهارة الأولية (قبل تحسين النموذج) في مصدر النموذج
2. Higher slope:
معدل تحسين المهارة أثناء تدريب النموذج الأول
3. Higher asymptote:

المهارة المتقاربة للنموذج المدرّب أفضل مما ستكون عليه

دروس للتدريب:

المصادر:

8 منصات تستخدم “التعلم العميق”
لبناء تطبيقات للهواتف الذكية

المقدمة:
تطورت تقنيات التعلم العميق كثيراً في السنوت الأخيرة بالمقارنة مع منصات الحوسبة التقليدية ، فقد أصبحت أكثر استخداماً وتقدماً من أي وقت مضى
وتعد المنازل الذكية ، والمساعدين الشخصيين وغيرها العديد بعضاً من الإنجازات في العصر الحالي التي تستخدم حلول التعلم العميق
ومع زيادة استخدام الأجهزة المحمولة والتطبيقات الذكية تأتي الطلب المتزايد على تطبيقات الهاتف المحمول التي تستخدم تقنيات التعلم الآلي، مستوحاة من النجاح الهائل التي حققته تقنيات التعلم العميق في العديد من مهام التعلم الآلي يصبح الاتجاه الطبيعي لدفع التعلم العميق نحو التطبيقات الهواتف الذكية

تطبيقات الهواتف الذكية والتعلم الآلي:
أصبح التعلم الآلي (ML) شائع الاستخدام في تطبيقات الأجهزة المحمولة مثل تطبيقات التعرف على الأشياء وترجمة اللغات والمراقبة الصحية واكتشاف البرامج الضارة ونظراً للتفاعل المتكرر بين الأجهزة المحمولة والمستخدمين في الحياة اليومية ، تجمع الأجهزة المحمولة كمية كبيرة من البيانات المتعلقة بسلوك المستخدمين وعاداتهم ، مما يجعلهم موارد واعدة لتطبيقات التعلم الآلي
التعلم الآلي سوف يصبح عنصراً أساسياً من الأجهزة المحمولة في المستقبل
ويعد التعلم العميق مستقبل تقنيات التعلم الآلي إذ أحدث ثورة في كيفية معالجة العالم للبيانات ونماذجها وتفسيرها ومستوحى من الأداء المتميز للتعلم العميق ، يحاول الاختصاصيون بطبيعة الحال دفع التعلم العميق على الأجهزة المحمولة لتوفير خدمات ذكية عالية الجودة
من المعتقد أن التعلم العميق سوف يلعب دورًا مهمًا للغاية في تطور التطبيقات المحمولة

التعلم العميق في التطبيقات الذكية:
يمكن تقسيم التطبيقات القائمة على التعلم العميق إلى مهمتين أساسيتين: التدريب والاستدلال
في التدريب: يتم استخدام مجموعة كبيرة من بيانات التدريب لضبط المعايير القابلة للتدريب في الشبكة العصبية العميقة (DNN) تلقائياً بواسطة الخوارزميات واستخدام نموذج DNN المدرّب في تطبيق معين يساعد على مهمة الاستدلال مثل التعرف على صورة
مقارنة بمرحلة التدريب ، تتطلب مرحلة الاستدلال موارد أقل بكثير ، مما يجعل من الممكن تشغيل الاستدلال على الأجهزة المحمولة نفسها على الرغم من هذا الاحتمال لا يزال تشغيل الاستدلال مهمة تستهلك الطاقة للأجهزة المحمولة. لذلك ، هناك خياران لتشغيل نموذج DNN مدرب: الاستدلال على الخادم السحابي والاستدلال على الجهاز المحمول نفسه

8 منصات تستخدم “التعلم العميق” لبناء تطبيقات للهواتف الذكية:

1. Caffe2
أداة التعلم العميق مفتوح المصدر لـ Facebook ، يوفر Caffe2 طريقة سهلة لتجربة نماذج وخوارزميات التعلم العميق
تأتي هذه أداة مع واجهات برمجة التطبيقات Python و C ++ الأصلية التي تعمل وتتوافق مع Android Studio أو Microsoft Visual Studio أو XCode لتطوير الأجهزة المحمولة
2. Core ML
مقدمة من شركة التكنولوجيا الأمريكية ، Apple Inc
CoreML هو أداة للتعلم الآلي يستخدم لدمج نماذج التعلم الآلي في التطبيقات تعمل على تحسين الأداء على الجهاز من خلال الاستفادة من وحدة المعالجة المركزية (CPU) و GPU و Neural Engine مع تقليل أثر الذاكرة واستهلاك الطاقة إلى الحد الأدنى
يدعم العديد من أساليب التعلم العميق مثل الرؤية لتحليل الصور واللغة الطبيعية لمعالجة النص والكلام لتحويل الصوت إلى نص والتحليل الصوتي لتحديد الأصوات
3. DeepLearningKit
أداة مفتوحة المصدر للتعلم العميق لنظام iOS من Apple تدعم استخدام نماذج التعلم العميق المدربة مسبقًا (الشبكات العصبية التلافيفية)
تم تطويرها بلغة البرمجة Metal من أجل الاستفادة من GPU بكفاءة وتستخدم في تطبيقات الأجهزة المحمولة التي تعمل بنظام iOS على iPhone / iPad تدعم هواتف iOS التي تستخدم نماذج التعلم العميق المدربة باستخدام أطر عمل مشهورة مثل Caffe و Torch و TensorFlow و Theano و Pylearn و Deeplearning4J و Mocha
4. Mobile AI Compute Engine
(MACE) هو إطار استدلال عميق للتعلم الذي تم تحسينه لمنصات الحوسبة غير المتجانسة ويستخدم في الأجهزة المحمولة مثل أجهزة Android و iOS و Linux و Windows
يشبه أداة Caffe2 على Facebook ويدعم TensorFlow و Caffe و ONNx بالإضافة إلى تقنيات لحماية النموذج مثل تحويل النماذج إلى رمز C ++
تم تصميم MACE بشكل أساسي لتحسين عمل رقائق الأجهزة المحمولة لدعم مهام الذكاء الاصطناعي والتعلم الآلي الموجودة في الأجهزة المحمولة وكذلك دعم تسريع الحوسبة غير المتجانسة
5. Paddle Lite
يعد Paddle-Mobile أداة للتعلم العميق مفتوح المصدر مصممًا لتحقيق الاستدلال على الأجهزة المحمولة والأجهزة المدمجة وأجهزة إنترنت الأشياء. يُعرف الإصدار المحدّث من Paddle Mobile باسم Paddle Lite الذي يزيد من أداء وحدة المعالجة المركزية
كما تدعم مجموعة متنوعة من الأجهزة مثل ARM CPU و Mali GPU و Adreno GPU و Huawei NPU و FPGA
يمكن أيضًا تحويل النماذج التي تم تدريبها على Caffe و TensorFlow لاستخدامها في Paddle-Lite بمساعدة X2Paddle
6. PyTorch Mobile
في الآونة الأخيرة ، أصدر Facebook إصدارًا تجريبيًا من PyTorch Mobile والذي سيتم استخدامه لنشر نماذج التعلم الآلي على الأجهزة المحمولة. PyTorch هي واحدة أدوات الأكثر شعبية التي طورها Facebook
تدعم مسار عمل متكامل من Python وصولاً إلى مرحلة التشغيل على IOS و Android
لا يزال الإصدار التجريبي في وضع التطوير وسيتم تعديله على مدار الأشهر القادمة من خلال توفير واجهات برمجة التطبيقات التي تغطي مهام المعالجة المسبقة والتكامل اللازمة لدمج ML في تطبيقات الأجهزة المحمولة وتحسين مستوى البناء والتجميع الانتقائي
7. Snapdragon Neural Processing Engine
تم تطوير مجموعة أدوات برمجية “Snapdragon Neural Processing Engine “SNPE من قِبل كوالكوم تستخدم لتنفيذ شبكات عصبية عميقة المستخدمة في صناعة تطبيقات التعلم الآلي في الهواتف المحمولة
يساعد في تنفيذ الشبكات العصبية العميقة بشكل أسرع وفي تحويل نماذج Caffe و Caffe2 و ONNX و TensorFlow إلى ملف SNPE Deep Learning Container للأجهزة المحمولة
8. TensorFlow Lite
توفر مجموعة من الأدوات لمساعدة المطورين على تشغيل طرازات TensorFlow على الأجهزة المحمولة والأجهزة المدمجة وأجهزة إنترنت الأشياء
يتيح TensorFlow Lite الاستدلال على التعلم على الجهاز باستخدام زمن استجابة منخفض وحجم ثنائي صغير ويتكون من عنصرين رئيسيين هما مترجم TensorFlow Lite ومحول TensorFlow Lite

__________________________________________________________________________________________________________________

الإمارات تؤسس أول جامعة في العالم للدراسات العليا في
الذكاء الاصطناعي

أعلنت دولة الإمارات العربية المتحدة تأسيس جامعة محمد بن زايد للذكاء الاصطناعي في إمارة أبوظبي، لتكون أول جامعة للدراسات العليا المتخصصة بأبحاث الذكاء الاصطناعي على مستوى العالم تهدف الجامعة إلى تمكين الطلبة والشركات والحكومات من تطوير تطبيقات الذكاء الاصطناعي وتسخيرها في خدمة البشرية. وستبدأ الجامعة باستقبال طلبات التسجيل لبرامج الماجستير والدكتوراه في العام الدراسي 2020/2021. وأقيم المؤتمر الصحفي لإطلاق الجامعة في مدينة مصدر التي تستضيف مقرها. وقال الدكتور سلطان الجابر، وزير دولة رئيس مجلس إدارة شركة أبوظبي لطاقة المستقبل، والمشرف على تأسيس الجامعة إن فكرة الجامعة تركز على «الاستثمار في رأس المال البشري من خلال المعرفة والتدريب لتحقيق التقدم وريادة العالم، إذ يشكل الذكاء الاصطناعي اليوم أبرز الأولويات في كل القطاعات والصناعات، ومن المهم أن نواكب التطور الكبير في العالم.» وأضاف إن «الجامعة الجديدة ستشكل إضافة قوية للدراسات العليا الأكاديمية؛ الماجستير والدكتوراه في الذكاء الاصطناعي، وستركز على دراسات الحاسوب والتعليم العميق للآلات ومعالجة اللغة الطبيعية.» وأشار الجابر إلى أن الجامعة الجديدة ستُزوَّد بجميع البرامج والمرافق التي تحتاجها، مع مجلس استشاري يضم أهم الخبرات العالمية في الذكاء الاصطناعي، للعمل إلى جانب مجلس أمنائها. وستقدم الجامعة برامج ماجستير العلوم، والدكتوراه في المجالات الرئيسية للذكاء الاصطناعي التي تشمل: تعلم الآلة، والرؤية الحاسوبية، ومعالجة اللغات الطبيعية، وستتعاون جامعة محمد بن زايد للذكاء الاصطناعي مع المعهد التأسيسي للذكاء الاصطناعي في أبوظبي للإشراف على طلاب الدكتوراه وتطوير المنهج التعليمي. وستقدم الجامعة للطلاب المقبولين منحة دراسية كاملة، بالإضافة إلى مزايا أخرى مثل المكافأة الشهرية والتأمين الصحي والإقامة والسكن.. وستعمل الجامعة مع كبرى الشركات المحلية والعالمية لتأمين التدريب للطلاب ومساعدتهم في الحصول على فرص عمل. ودعي خبراء من مختلف أنحاء العالم للانضمام إلى مجلس أمناء الجامعة، هم البروفيسور السير مايكل برادي، الذي سيتولى مهمة الرئيس المؤقت لجامعة محمد بن زايد للذكاء الاصطناعي وهو يشغل حاليًا منصب أستاذ تصوير الأورام في جامعة أوكسفورد في المملكة المتحدة، والبروفيسور أنيل جاين، الأستاذ في جامعة ولاية ميشيغان في الولايات المتحدة الأمريكية، والبروفيسور أندرو تشي تشي ياو، عميد معهد علوم المعلومات متعددة التخصصات في جامعة تسينغهوا في بكين في الصين، والدكتور كاي-فولي، مسؤول تنفيذي في مجال التقنية ومستثمر في الصين، والبروفيسورة دانييلا روس، مديرة مختبر علوم الحاسوب والذكاء الاصطناعي في معهد ماساتشوستس للتقنية في الولايات المتحدة الأمريكية؛ وبينج شياو، الرئيس التنفيذي لمجموعة جروب 42 ويحظى مجلس الأمناء بدعم مجلس استشاري يرأسه عمر بن سلطان العلماء، وزير دولة الإمارات للذكاء الاصطناعي، ويضم عددًا من الوزراء المعنيين من دولة الإمارات هم الدكتور أحمد بالهول الفلاسي، وزير دولة لشؤون التعليم العالي والمهارات المتقدمة؛ وسارة الأميري، وزيرة دولة مسؤولة عن ملف العلوم المتقدمة؛ بالإضافة إلى جاسم الزعابي، رئيس دائرة المالية في أبوظبي؛ والدكتور ون لي مين، كبير علماء ذكاء الآلة في شركة علي بابا. وستفتتح الجامعة إمكانية التقدم للطلاب الخريجين ابتداءً من أكتوبر 2020 عبر موقع الجامعة الإلكتروني، ومن المقرر فتح باب التسجيل في أغسطس 2020، وسينطلق في سبتمبر 2020 العام الدراسي الأول لطلاب الدراسات العليا في حرم جامعة محمد بن زايد للذكاء الاصطناعي في مدينة مصدر.

المصادر:

ما هو TensorFlow؟
6 دورات مجانية لتعليم TensorFlow

ما هو TensorFlow؟

تعتبر مكتبة TensorFlow التابعة لـ Google من أشهر مكتبات التعلٌم العميق في الوقت الحالي. تستخدم جوجل التعلم الآلي – تعلم الآلة في جميع منتجاتها لتحسين أداء محرك البحث أو الترجمة أو التسميات التوضيحية للصور
تساعد TensorFlow على إنشاء الخوارزميات وبناء الشبكات العصبية وغيرها من تقنيات التعلم الآلي و يمكن استخدام TensorFlow لبناء أي بنية تعليمية عميقة ، مثل CNN أو RNN أو ANN
بالتنسيق مع لغات البرمجة مثل Python وأنواع مختلفة من المكتبات مثل Numpy ، يساعد TensorFlow المهندسين في تصميم أنظمة تعلم الآلة بفعالية

تعد TensorFlow عبارة عن مكتبة للغة Python
من أهم الشركات التي تستخدم TensorFlow في منتجاتها:
AirBnB, eBay, Intel, Uber Snapchat, Twitter , IBM

تعمل TensorFlow في عدد من البيئات المختلفة، واستخدام أدوات TensorFlow يمكّن المبتدئين من فهم كيفية مساهمة المكتبات والموارد في مشاريع التعلم الآلي

1. Introduction to Tensorflow for AI Machine Learning and Deep Learning
تساعد هذه الدورة الطلاب على فهم كيفية إنشاء خوارزميات قابلة للتطوير ، وكيف يعمل التعلم العميق، الشبكات العصبية هي أحد محاور الرئيسة في هذه الدورة التي يعمل المتخصص “أندرو نغ” على إظهار مبادئ Tensorflow الطلاب في العمل
هذه دورة متوسطة المستوى تعطى عبر الإنترنت بنسبة 100٪ وتستغرق حوالي ثماني ساعات لإكمالها ، مع إطار زمني مقترح مدته أربعة أسابيع
سيتعلم الطلاب تدريب شبكة عصبية لرؤية الكمبيوتر ، وتعلم أفضل ممارسات Tensorflow ، وتعلم فهم الشبكات العصبية التلافيفية CNN، وبناء شبكة عصبية مع Tensorflow

2. Tensorflow in Practice Learning
4 وحدات هندسية تساعد الطلاب على استكشاف تطبيقات الذكاء الاصطناعي وكيفية صنعها، ويُعد بناء الشبكات العصبية وتدريبها جزءًا من هذا المنهج ، وسوف يتعلم الطلاب استخدام الشبكة العصبية التلافيفية CNN في معالجة الصور ، من أجل تسهيل إمكانيات التعرف والتصنيف المتطورة
وتمكن هذه الدورة الطلاب من تعلم كيفية معالجة الآلات للنصوص وكيفية معالجة الشبكات العصبية لبيانات الإدخال، ستوضح الدورة كيفية عمل هذه الأنواع من التقنيات في العالم الحقيقي. تستغرق هذه الدورة التدريبية عبر الإنترنت حوالي شهر لإكمالها وهي دورة متوسطة المستوى

3. Convolutional Neural Networks and Tensorflow
تركز هذه الدورة على وجه التحديد على الشبكة العصبية التلافيفية CNN، والتي تعد من مفاهيم التعلم الآلي
تقوم شبكة CNN بمعالجة الصور من خلال استخدام طبقات متعددة داخل الشبكة العصبية. تُستخدم تقنيات مثل التنقيط والحشو ” striding and padding ” لدراسة الصور ومسحها ويتم نقل المعلومات عبر النظام لتدريب الكمبيوتر للوصول إلى تحديد الكائنات أو جوانب من الصورة
سيتعلم الطلاب في هذه الدورة على كيفية فهم الحاسوب للمعلومات وما هي العمليات التي تؤدي مهام معالجة الصور وتحديد الهوية
يعد نقل التعلم أيضًا جزءًا من هذا المنهج ، وسوف يتعلم الطلاب المزيد حول استخراج الميزات واختيار العنصر كمكون للأبعاد الناجحة
هذه الدورة التدريبية للمستوى المتوسط متوفرة عبر الإنترنت وتستغرق حوالي سبع ساعات لإكمالها مع إطار زمني مقترح مدته أربعة أسابيع

4. Image Understanding with Tensorflow on GCP
هذه الدورة صممت لتعليم كيفية الاستفادة من google cloud في التعلم الآلي ستوضح هذه الدورة للطلاب استراتيجيات مختلفة لتجميع مصنفات الصور وستساعدهم على فهم بناء الشبكة العصبية التلافيفية
يعد استخراج الميزات واختيارها جزءًا من هذه الدورة ، وسيحصل الطلاب على تدريب حول كيفية منع التجاوزات والمشاكل
لدراسة هذه الدورة يجب على الطالب أن يكون على معرفة بـ: مبادئ SQL، Python هذه الدورة التدريبية 100٪ عبر الإنترنت بمستوى متقدم وتستغرق 11 ساعة لإكمالها من 5 إلى 7 ساعات في الأسبوع
5. Serverless Machine Learning with Tensorflow on Google Cloud Platform
تستخدم هذه الدورة التدريبية فكرة العمل مع Tensorflow على Google Cloud Platform ، ولكنها تضيف فكرة الحوسبة بدون خادم لتصور التعلم الآلي في نوع مختلف من البيئة.
في الحوسبة بدون خادم تم تصميم الوظائف للتسليم حسب الحاجة ستتحدث هذه الدورة التدريبية عن حالات الاستخدام لهذا النوع من الإعداد ، وستسمح للطلاب بالمشاركة في بناء نموذج Tensorflow ML
تهتم هذه الدورة على التعريف بكيفية تطوير نماذج ML بقدرة افتراضية فعالة دون استخدام الحاسوب وذلك عن طريق استخدام الحوسبة السحابية من جوجل Google Cloud Platform
هذه الدورة التدريبية للمستوى المتوسط متوفرة عبر الإنترنت وتستغرق 12 ساعة لإكمالها ، مع إطار زمني مقترح مدته أسبوع واحد

6. Natural Language Processing with Tensorflow
واحدة من أكثر التطبيقات شعبية من Tensorflow وغيرها من أدوات التعلم الآلي هي معالجة اللغة الطبيعيةNLP
ستعرف هذه الدورة الطلاب على بعض مكونات NLP المتعلقة بوضع علامات على وحدات الكلام وغيرها من التقنيات التي تساعد الشبكات العصبية على بناء هيكل نماذج تنبؤية
تقنيات معالجة اللغة الطبيعية NLP تستخدم التعلم الآلي بشكل كبير وفي هذه الدورة سيتعلم الطلاب كيفية عمل هذه التقنيات في الحياة العملية وما هي تطبيقاتها
هذه الدورة عبارة عن دورة متوسطة المستوى على الإنترنت بنسبة 100٪ تستغرق تسع ساعات لإكمالها مع إطار زمني مقترح مدته أربعة أسابيع

المصادر:

https://www.techopedia.com/what-is-tensorflows-role-in-machine-learning/7/34006

كيف تحصل على وظيفة في مجال “التعلم الآلي”؟
حزمة تعليمية لفترة محدودة

مقدمة:
لم تعد بحاجة إلى استثمار قدر كبير من الوقت والمال في درجة علمية تقليدية في علوم الكمبيوتر من أجل الحصول على وظيفة في الذكاء الاصطناعي، في وقت أصبح العالم بحاجة كبيرة إلى تطبيقات البيانات الضخمة والتعلم الآلي وذلك لأن جميع ابتكارات المستقبل تعتمد على خوارزميات ونظريات هذين المجالين حيث أنك ستجد تطبيقاتهما في كل جديد في عالم التنقية الحديثة وعلوم المستقبل لذلك لا ينبغي أن يكون مفاجئًا أن أفضل وأهم الوظائف المربحة في المستقبل ستكون إلى أولئك الذين يعرفون كيفية العمل مع مجموعة واسعة من لغات البرمجة و التعلم الآلي

سواء كنت ترغب بالانضمام إلى جوجل والحصول على أجر كبير في عملاق التقنية أو كنت من محبي علوم المستقبل ومهتم بالاطلاع على آخر الابتكارات والتطبيقات في علوم التكنولوجيا فلابد من تعلم مبادئ التعلم الآلي وتحليل البيانات
موقع “Engadget” يقدم للمهتمين بمجال التعلم الآلي والذكاء الاصطناعي 8 دورات كاملة وأكثر من 500 درس تغطي بشكل كبير معظم ما يتعلق بهذين المجالين

أربعة من المهارات الأساسية التي تتطلبها المهنة:
1. لغات البرمجة:
إذا كنت ترغب في فهم والتعلم الذكاء الاصطناعي والتعلم الآلي ، فيجب أن تمتلك اللغات المناسبة والأدوات التي تمكنك من التعامل مع هذه العلوم ومنها:
– Python، R، Keras، Tensorflow وغيرها من الأدوات التي تساعدك على فهم أساسيات التعلم الآلي وكيفية التعامل مع مجموعات البيانات المعقدة
– وتتعلم أيضًا كيفية إجراء التحليل الإحصائي في الشبكات العصبية وبيئات الذكاء الاصطناعي ، من خلال التدريب الذي يركز على هياكل البيانات في منصات مثل Pandas.

2. نمذجة البيانات:
بعد تعلم أساسيات Python و R ولغات التعلم الآلي الأساسية الأخرى ، ستنتقل إلى الدورات التدريبية التي تركز على طرق تحليل أكثر تقدماً وهياكل الترميز ونمذجة البيانات ، إلى جانب سلسلة من تقنيات تصور البيانات التي تسهل اكتسابها تصور الاتجاهات المستقبلية في مجال التعلم الآلي
ويوجد أيضاً دورات تدريبية ترشدك إلى أكثر تقنيات علم بيانات استخاماً وطلباً في سوق العمل حيث ستأخذ بعين الاعتبار أحدث تطبيقات التعلم الآلي وتطبيقات الذكاء الاصطناعي مع لغة البرمجة R.

3. الاحتمالات والإحصاءات:
يعتبر “التعلم الآلي” علم يشمل كل ما يتعلق بالإحصاءات والاحتمالات حيث ستعلمك هذه الحزمة كل ما تحتاج معرفته حول مجموعة واسعة من بيئات البحث القائمة على البيانات وكيفية التعامل مع الاحتمالات الكثيرة واختزالها
وستوفر هذه الحزمة أيضاً التدريب في مجال التعلم العميق المتزايد الأهمية من خلال الاعتماد على أمثلة من خوارزميات البحث وممارسات الأتمتة واسعة النطاق

4. الخوارزميات:
أخيراً وليس آخراً ، ترشدك هذه الحزمة من خلال منهجية واضحة ومبسطة وسلسة إلى الخوارزميات وعناصرها بالتفصيل من خلال التدريب الذي يعلمك أساليب وأدوات عديدة ومختلفة
ستتعلم كيفية إنشاء خوارزميات قوية يمكن أن تسمح لك باكتساب رؤى قيمة من مجموعات ضخمة من البيانات ، إلى جانب الخوارزميات التي يمكن أن تساعدك في تقليل وقت عملك بشكل كبير من خلال الأتمتة.

ستوفر لك حزمة التدريب التي يقدمها موقع “Engadget”على شهادات التعلم الآلي وعلوم البيانات بسرع وذلك بالتركيز على أكثر لغات ومنصات البرمجة أهمية وقيمة ، وهي متوفرة حاليًا مقابل 35 دولارًا فقط – أكثر من 95 بالمائة من سعرها المعتاد لفترة محدودة.

10 تعاريف أساسية في الذكاء الاصطناعي

مقدمة:
مع استمرار تطور تقنيات الذكاء الاصطناعي في عالم الأعمال تأتي الحاجة إلى معرفة التعاريف الأساسية في هذا المجال وفهمها، فيما يلي أبرز تعاريف الذكاء الاصطناعي من قبل أختصاصيين وشركات هندسية
– الذكاء الاصطناعي:
الذكاء الاصطناعي هو مظلة واسعة تشمل تخصصات أو تقنيات متعددة ، بما في ذلك بعض المصطلحات المذكورة أدناه
“بيل بروك” نائب الرئيس التنفيذي لشركة “Very” الهندسية: الذكاء الاصطناعى ببساطة هو قدرة الآلات على القيام بمهام تحتاج إلى الذكاء البشري
“هارفرد بيزنيس”: الذكاء الاصطناعي هو علم وهندسة صنع الآلات الذكية. يتضمن ذلك الذكاء المبرمج والقائم على القواعد ، فضلاً عن التقنيات الأكثر تقدماً مثل التعلم الآلي والتعلم العميق والشبكات العصبية
– التعلم الآلي:
أحد الأمثلة الأكثر شيوعًا على الذكاء الاصطناعي في الممارسة العملية اليوم يأتي من التعلم الآلي
تقرير “HBR Analytic”: التعلم الآلي هو الطريقة لتحقيق الذكاء الاصطناعي دون برمجة معقدة، ومع التعلم الآلي ، يتم تغذية البيانات – غالبًا بكميات كبيرة جدًا – في خوارزمية حتى تتمكن الخوارزمية من تدريب نفسها والتعلم. ”
– التعلم الآلي بإشراف:
عندما يشير الشخص إلى التعلم الآلي فإنه في غالب الأمر يقصد “التعلم بإشراف” “بيل بروك” يتعلم الجهاز عن طريق إعطائه معلومات عن الفئات المطلوبة وترك الخوارزميات تقرر كيفية تصنيفها
يعني مصطلح “الإشراف” بشكل أساسي أن هذا النوع من التعلم الآلي يتطلب الكثير من المدخلات البشرية والمراقبة ، خاصةً فيما يتعلق بمجموعات البيانات التي تعمل على خوارزمياتها
– التعلم الآلي “دون إشراف”:
نوع من التعلم الآلي حيث أن الآلة لا تتطلب بيانات تدريب للتعلم
“بيل بروك”: يتم استخدام التعلم الآلي “دون إشراف” لتطبيقات مثل التعرف على الصور ، والكشف عن السرطان ، والتأليف الموسيقي ، والملاحة الآلية ، والقيادة الذاتية ، والعديد من الابتكارات الأخرى
– التعلم العميق:
التعلم العميق يعد وسيلة لاستخدام مجموعة من الخوارزميات الأكثر تعقيدًا لتمكين الجهاز من محاكاة الدماغ البشري قدر الإمكان.
تقرير “HBR Analytic”: شكل من أشكال التعلم الآلي يحوي على العديد من الطبقات تسمى الشبكة العصبية الاصطناعية العميقة
الشبكات العصبية الاصطناعية العميقة: هي مجموعة من الخوارزميات ، تم تصميمها بشكل يشابه الشبكة العصبية عند الإنسان مهمتها التعرف على الأنماط وتستخدم في مهام عديدة مثل التعرف على الصور ، والتعرف على الصوت ، وأنظمة التوصية وغيرها
– أتمتة العمليات الآلية:
هو استخدام برامج الحاسوبية لأتمتة العمليات المتكررة والقواعد
“آرون بولتمان” مدير المنتجات في شركة “Nintex”: هو شكل من أشكال أتمتة العمليات التي تتيح لأي شخص تحديد مجموعة من الإرشادات لروبوت أو “بوت” لأداء المهمات وإنجازها بنجاح، وقادرة على محاكاة معظم التفاعلات بين الإنسان والكمبيوتر لتنفيذ الكثير من المهام دون أخطاء بشكل سريع
– الذكاء الاصطناعي القابل للتفسير:
يشير إلى الأساليب والتقنيات في تطبيق تكنولوجيا الذكاء الاصطناعي بحيث يمكن فهم نتائج الحل بواسطة البشر
هذا يختلف عن نموذج “الصندوق الأسود” للذكاء الاصطناعي ، حيث لا يمكن للناس تتبع أو فهم كيف وصل الذكاء الاصطناعي إلى نتيجة معينة.
ستيفن بلوم ، المدير الفني ومؤسس PubNub: يمكن تشبيه الذكاء الاصطناعي القابل للتفسير بـ “البحث عن حل” في مشكلة حسابية حيث أن جميع عمليات صنع القرار والتعلم الآلي في الذكاء الاصطناعي لا تتم في صندوق أسود – إنها خدمة شفافة مبنية على القدرة على فهم هذا العمليات من قبل البشر
– معالجة اللغة الطبيعية (NLP):
تعد معالجة اللغة الطبيعية (NLP) فرعاً من الذكاء الاصطناعي يساعد أجهزة الكمبيوتر على فهم وتفسير ومعالجة اللغة البشرية.
تدخل البرمجة اللغوية العصبية في العديد من التخصصات ، بما في ذلك علوم الحاسوب واللغويات الحاسوبية ، في سعيها لسد الفجوة في التواصل بين البشر والحاسوب
– رؤية الكمبيوتر:
إذا كانت البرمجة اللغوية العصبية (NLP) تدور حول كيفية سماع الآلات للبشر (والاستجابة لها) ، يمكن التفكير في رؤية الكمبيوتر على أنها قدرة الآلات على الرؤية – ليس فقط البشر ، ولكن أيضاً أي صورة أو فيديو
هي عبارة عن أتمتة المهام التي يمكن للنظام البصري البشري القيام بها.
– artificial intelligence for IT operations الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات:
تجمع AIOps بين البيانات الضخمة والتعلم الآلي لأتمتة عمليات تكنولوجيا المعلومات ، بما في ذلك ارتباط الأحداث ، والكشف عن الحالات المختلفة الغريبة ، وتحديد الأسباب “تستخدم منصات AIOps البيانات الضخمة ، والتعلم الآلي الحديث ، وغيرها من تقنيات التحليل المتقدمة لتحسين وظائف عمليات تكنولوجيا المعلومات (المراقبة والأتمتة ومكتب الخدمة) بشكل مباشر وغير مباشر مع رؤية استباقية وديناميكية.
عناصر الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات:
التعلم الآلي – وضع أساس لأداء المهمات – اكتشاف الأخطاء – تحليل الأسباب الجذرية للمشاكل – الرؤى التنبوئية

https://www.appdynamics.com/what-is-ai-ops/ https://www.freecodecamp.org/news/an-introduction-to-explainable-ai-and-why-we-need-it-a326417dd000/ https://en.wikipedia.org/wiki/Explainable_artificial_intelligence https://enterprisersproject.com/article/2020/9/10-ai-terms-to-know

________________________________________________________________________________________________________________________________________________

أفضل “7محادثات تيد”
عن الذكاء الاصطناعي والتعلم الآلي

مقدمة:
عندما يتعلق الأمر بالمحاضرات التعليمية لا يوجد شيء أكثر متعة وفائدة من محاضرات TED إنها توفر نظرة ثاقبة للمواضيع بطريقة مسلية وغالبًا ما تكون مليئة بالقصص والحقائق المذهلة والتجارب المباشرة لمن يدلي بالمحادثات.
ومع تطور علوم الذكاء الاصطناعي والتعلم الآلي أصبح يشكلان علوم المستقبل والعديد من المواضيع والنقاشات تثار حولهما
وهل هناك أفضل من محاضرات TED للحصول على معلومات في الذكاء الاصطناعي والتعلم الآلي من خلال الاستمتاع ببعض الخطب الرائعة من أبرز الأسماء المعنية بهذا المجال

7 من أفضل محادثات الذكاء الاصطناعي والتعلم الآلي التي يجب أن تشاهدها
– What AI is — and isn’t
يقدم نظرة فاحصة على ما يريد الناس معرفته حول الذكاء الاصطناعى ومخاوفهم ومعالجة تلك المخاوف.
تقديم رجل الأعمال “سيباستيان ثرون” ومحاور مؤتمر TED “كريس أندرسون” يناقش علوم “التعلم الآلي” ولماذا تحظى بهذا الاهتمام الكبير وكيف تعمل وما هو مستقبل الذكاء الاصطناعي
– ?Can we protect AI from our biases
تقدمه مخرجة الأفلام الوثائقية “روبن هاوزر” تتحدث عن تجربتها في العمل مع الذكاء الاصطناعي والتحييزات التي يمكن أن يطورها البشر لتعليم الآلات وكيفية تجنب هذه التحييزات عند إنشاء الخوارزميات
– How AI can enhance our memory, work and social lives
إذا تساءلت يومًا عن من تكون العقول وراء المجيب الآلي في الآيفون “سيري” فهذا هو يشبه “توم جرامبر” مطور “سيري” في آيفون يشبه الذكاء الاصطناعي بالصوت المفيد داخل جهاز الآيفون ..يقدم وجهة نظر إيجابية حول مستقبل الذكاء الاصطناعي
– How AI can save our humanity
يقدم هذه المحاضرة “كاي فو لي” أحد أبرز رجال الأعمال والمستثميرين في قطاع التكنولوجيا في الصين، يتحدث عن موضوع الذكاء الاصطناعي وكيف يساهم في تحسين الإنسانية، وخلق فرص عمل جديدة
– How algorithms shape our world
يقدم هذه المحاضرة ” كيفن سلافن” ويبحث في كيف بدأت الخوارزميات في تشكيل أسلوب حياتنا وأيضاً عن احتمالية خروج الأشياء عن سيطرتنا مع تطور تقنيات الذكاء الاصطناعي
– ?Can we build AI without losing control over it
في الحديث عم الجانب المخيف في الذكاء الاصطناعي سيقدم لنا عالم الأعصاب “سام هاريس” مخاطر الذكاء الاصطناعي وسبب وجوب تخوفنا من بناء نظام ذكي باستخدام تقنيات الذكاء الاصطناعي
– The jobs we’ll lose to machines — and the ones we won’t
أنتوني جولد بلوم هو الشريك المؤسس والرئيس التنفيذي لشركة Kaggle يتحدث عن مستقبل الوظائف مع تطور تقنيات الذكاء الاصطناعي وتتمثل نقطته الرئيسية في إخبار الناس بأنه يتعين عليهم مواكبة التكنولوجيا والابتكارات القادمة في الذكاء الاصطناعي لإتاحة المزيد من الفرص للعمل بدلاً من مناهضتها.

المصادر:

https://www.forbes.com/sites/nicolemartin1/2020/08/26/7-must-see-ted-talks-on-ai-and-machine-learning/#4a3cf3f316d9
____________________________________________________________________________________________________________

أفضل 8 مواقع تقدم دورات مجانية
لـ”البيانات الضخمة” و”علم البيانات”

مقدمة: التطور التقني المتسارع في سوق العمل يتطلب زيادة في الطلب على علماء البيانات وبحسب شركة IBM زادت نسبة علماء البيانات في سوق العمل العالمية بنسبة 28٪ في العامين الماضيين
بدأت الشركات في جميع الصناعات الاستفادة من الزيادة الهائلة في البيانات وأصبحت تقنيات البيانات الضخمة مطلوبة بشكل كبير لتحليلها والاعتماد عليها في دراسة سوق العمل
وهذا يجعلها فرصة كبيرة لأي شخص يبحث عن وظيفة جيدة الأجر في مجال مثير للاهتمام ومتطور، وهناك عدد كبير من الدورات التعليمية والدروس المجانية عبر الإنترنت والتي يمكن للشخص استخدامها كنقطة انطلاق في مهنة مجزية ومربحة

من الذي يمكنه الاستفادة من دورة مجانية لعلم البيانات عبر الإنترنت؟
ظهر في الأونة الأخيرة الطلب المتزايد لعلماء ومحللي البيانات الضخمة وأصبح من الواضح أن مدراء الشركات في مختلف القطاعات يسعون وراء الموظفين الذين لديهم القدرة على استخدام البيانات والتحليلات لحل مشاكل العمل أيا كانت خلفياتهم أو وظائفهم في الشركة ويفسر ذلك بازدياد الأدوات المصممة لتحليل البيانات ودراستها ولأتمتة العديد من المهام الروتنية
هذا يعني أن الموظيفين سيستطيعون في المستقبل تنفيذ العمليات المعقدة التي تعتمد على البيانات مثل التنبؤ بالنتائج ووضع خوارزميات تنبوئية “النمذجة التنبوئية” دون الحاجة للبداية من الصفر في هذا الأمر بمساعدة مثل تلك الأدوات
غالباً ما يكون شخص الذي لديه فهم للمبادئ في وضع أفضل لاستخدام هذه الأدوات بطريقة منتجة أكثر من أي شخص آخر، لذلك إذا كنت تتطلع إلى تحسين سيرتك الذاتية من خلال مهارات التحليل فيمكنك البداية في دراسة بعض هذه الدورات المجانية
الجدير بالذكر أنه على الرغم من إمكانية تعليم نفسك بهذه الدورات مجاناً فإن بعضها يفرض رسوماً على الشهادة عند الانتهاء

1. Coursera – Data Science Specialization
يقدم Coursera واحدة من أطول الدورات علم البيانات على الإنترنت بالتعاون مع جامعة جون هوبكنز، تعد شبه مجانية مع القليل من الرسوم، ويعطى مجاناً للطلاب الذين ليس لديهم القدرة المالية
يتألف التخصص من 10 دورات ، ويغطي البرمجة الإحصائية في البحث والتطوير وتحليل المجموعات ومعالجة اللغة الطبيعية والتطبيقات العملية للتعلم الآلي
لإكمال البرنامج يقوم الطلاب بإنشاء منتج بيانات يمكن استخدامه لحل مشكلة حقيقية

2. Coursera – Data-Driven Decision Making
أيضاً من Coursera بالتعاون مع PwC يركزعلى تطبيقات العملية أكثر من النظرية ويغطي مجموعة من الأدوات والتقنيات التي يتم اعتمادها من قبل الشركات اليوم لمعالجة تحديات البيانات ، والأدوار المختلفة التي يمكن لمتخصصي البيانات شغلها في المؤسسات الحديثة
يتم تدريب الطلاب أيضاً على اختيار أفضل الأدوات والأطر لحل مشاكل البيانات وتختتم الدورة التدريبية التي تستمر إلى أربعة أسابيع بمهمة “تطبيق حل في محاكاة بيئة عمل حقيقية”

http://bit.ly/2Adooa8

3. Udacity – Intro to Machine Learning
يعد التعلم الآلي أحد أبرز مجالات علم البيانات في وقتنا الحالي، وتهدف هذه الدورة إلى تقديم نظرة عامة كاملة عن التعلم الآلي من النظرية إلى التطبيق العملي
بالإضافة إلى مقدمة لاختيار مصادر البيانات واختيار الخوارزميات التي تناسب مشكلة معينة

4. IBM – Data Science Fundamentals
توفر IBM عدداً من الدورات التدريبية المجانية عبر الإنترنت من خلال موقعها المتخصص بالتدريب والتعليم، يغطي هذا البرنامج علوم البيانات 101 ، المنهجية ، التطبيقات العملية ، البرمجة في البحث والتطوير وأدوات المصدر المفتوح
وسطياً تستغرق حوالي 20 ساعة لاستكمال دراستها ومن لديهم خبرة سابقة في علوم الكمبيوتر قد يتقدمون بسرعة أكبر، في حين أن المبتدئين قد يستغرقون وقتاً أطول بقليل

5. California Institute of Technology – Learning from Data
تركز هذه الدورة على التعلم الآلي ويقدم على شكل سلسلة من محاضرات الفيديو إلى جانب الواجبات المنزلية والامتحان النهائي
وبالإضافة إلى تقديم نظرة عامة حول كيفية “تعلم” الآلات، فإنها تتعمق في الرياضيات “ُتوقع من الطلاب أن يكون لديهم معرفة عملية بالمصفوفات وحساب التفاضل والتكامل ، وبالتالي فإن هذه الدورة ليس من أجل المبتدئين الجدد في الرياضيات”

6. Dataquest – Become a Data Scientist
Dataquest هي مزود تدريب مستقل عبر الإنترنت غير تابع لأي جامعة يوفر الوصول المجاني إلى الكثير من مواد الدورة التدريبية الخاصة به على الرغم من أنه يمكنك أيضاً الدفع مقابل الخدمات المتميزة التي تتضمن مشاريع خاصة
إنه يوفر ثلاثة مسارات للتعلم – محلل البيانات ، وعالم البيانات ، ومهندس البيانات ، ومع اتفاقيات من Uber و Amazon و Spotify
يعد طريقة جيدة للتعرف على ما إذا كنت ستستمتع بدراسة علم البيانات أم لا، دون إنفاق الأموال

7. KDNuggets – Data Mining Course
KDNuggets هو موقع معروف للأعمال التجارية وعلوم البيانات ويقدم منهجاً مجانياً في مجال “استخراج البيانات”، ويقدم أيضاً تطبيقات في التعلم الآلي، ومفاهيم إحصائية مثل الانحدار، والتجميع والتصنيف بالإضافة إلى مقدمة للتطبيقات العملية للتكنولوجيا

8. The Open Source Data Science Masters
بدلاً من أن يتم تقديمها من قِبل منظمة أو مؤسسة ، تتألف هذه الدورة من مجموعة من المواد والموارد مفتوحة المصدر وهي متاحة مجاناً عبر الإنترنت
تشمل الدورات موضوعات عديدة مثل: معالجة اللغة الطبيعية لواجهة برمجة تطبيقات Twitter باستخدام Python و Hadoop MapReduce و SQL وقواعد بيانات noSQL وتصور البيانات
كما أنه يشتمل على أسس في الجبر والإحصاء اللازمة لفهم أساسيات علم البيانات لا يقدم هذا الموقع شهادة بعد الانتهاء من الدورة، ولكن يعد بوابة عظيمة لبداية دراسة مجال علوم البيانات والتعرف عليه

المصادر:

6 أدوات تجعل “تعلم الآلي” أسهل

مقدمة:
على مر السنين تطورت أدوات التعلم الآلي إلى حد أصبح بإمكان أي شخص تقريباً لديه القدر القليل من المعرفة التقنية أن يقوم بشتغيل بعض الآلات والحصول على نتائج ذات قيمة كبيرة حيث تكمن قوة هذه الأدوات في قدرتها على التعامل مع البيانات الكثيرة وترتيبها وتصنيفها واستخدامها في خوارزميات ونظريات وتطبيقات

ما هو “Auto ML”:
تم تصميم الخوارزميات القياسية لتحريك البيانات والعثور على الأنماط والقواعد الخاصة بها وغالباً ما يقضي علماء البيانات ما بين 80 إلى 99 في المائة من وقتهم في تقليص عدد الاحتمالات لتسيهل مرحلة البحث والتصنيف ومن هنا جاء مصطلح “Auto ML” حيث يقوم AutoML بأتمتة هذه المرحلة عن طريق تجربة مجموعة من الخيارات واختبارها وبدلاً من تشغيل خوارزمية التعلم الآلي مرة واحدة ، يتم تشغيلها N مرة ، وإجراء بعض التعديلات ، وتشغيلها N مرة أخرى إلى حين الحصول على النتائج المطلوبة
وتعد أدوات AutoML مناسبة للحوسبة السحابية لأنه في السحابة يمكنها تشغيل عدد كبير من الآلات بشكل متوازٍ
بشكل عام ، تعد خوارزميات AutoML خيارات جيدة للأشخاص تمكنهم من استكشاف التعلم الآلي من تلقاء أنفسهم
تعمل الأتمتة على تبسيط المهمة من خلال القيام ببعض الأعمال الأساسية قبل اختبار النتائج

أدوات تسهل عملية “التعلم الآلي”:
جميع هذه الأدوات تساعد الأشخاص الذين يعملون بالأرقام والبيانات والجداول على تعامل مع تطبيقات “التعلم الآلي” وتعلمه دون الحاجة لأن يكونوا ذو خبرة كبيرة بعلوم البرمجة والبيانات

1. Splunk
بدأ الإصدار الأصلي من Splunk كأداة للبحث (أو “spelunking”) في ملفات السجل الضخمة التي أنشأتها تطبيقات الويب الحديثة، وتطورت فيما بعد لتستطيع القيام بتحليل جميع أشكال البيانات، وتعطي الأداة النتائج بطريقة صورية داخل لوحة أجهزة القياس وتتضمن أحدث إصدارات Splunk تطبيقات تربط مصادر البيانات مع أدوات التعلم الآلي مثل TensorFlow وبعض أدوات Python مفتوحة المصدر
تقدم حلولاً عديدة وسريعة للنتائج للكشف عن الاختلافات في البيانات وتصنيفها هي الحل الأمثل للبحث عن “الإبر في مجموعات البيانات الكبيرة جدا”

2. DataRobot
يوجد داخل DataRobot مجموعة من أفضل مكتبات خوارزميات الآلات مفتوحة المصدر مكتوبة في R أو Python، وهي عبارة عن واجهة ويب تعرض أدوات شبيهة بالمخطط الانسيابي لإعداد الـ”Pipelines”
يتصل DataRobot بجميع مصادر البيانات الرئيسية ، بما في ذلك قواعد البيانات المحلية وملفات البيانات السحابية والملفات التي تم تنزيلها أو جداول البيانات
يمكن لخط الأنابيب “Pipelines” الذي تقوم بإنشائه تنظيف البيانات ، وملء القيم المفقودة ، ثم إنشاء نماذج من شأنها أن تحدد القيم الخارجية وتتوقع القيم المستقبلية

3. H2O:
يربط بين مصادر البيانات (قواعد البيانات ، Hadoop ، Spark ، وما إلى ذلك) ويغذيها في مجموعة متنوعة من الخوارزميات مع مجموعة واسعة من المعطيات
يمكنك التحكم في مقدار الوقت وحساب الموارد المخصصة للمشكلة ويقوم باختبار مجموعات متعددة من المعطيات، ويمكن استكشاف النتائج ومراجعتها من خلال اللوحة الرئيسية، تعد خوارزميات تعلم الآلة الأساسية في H2O مفتوحة المصدر

4. RapidMiner:
أساس نظام RapidMiner هو استوديو لإنشاء تحليلات البيانات من الرموز البصرية يعتمد على عملية “السحب والإسقاط” لانتاج خط أنابيب من شأنه تنظيف بياناتك ثم تشغيلها عبر مجموعة واسعة من الخوارزميات الإحصائية
إذا كنت ترغب في استخدام التعلم الآلي بدلاً من علم البيانات الأكثر تقليدية ، فسيختار النموذج التلقائي من بين عدد من خوارزميات التصنيف والبحث مع الأخذ بعين الاعتبار المعطيات حتى يتم العثور على أفضل خوارزمية ملاءمة
هدف الأداة هو إنتاج المئات من النماذج ثم تحديد أفضلها
5. BigML:
توفر لوحة بيانات BigML جميع الأدوات الأساسية لعلوم البيانات لتحديد الارتباطات التي يمكن أن تشكل الأساس للقيام بتجارب معقدة، على سبيل المثال يوفر آلية متطورة لاختبار وتحسين الشبكات العصبية للحصول على تفاصيل أكثر
يمكن مقارنة جودة النموذج مع الخوارزميات الأخرى باستخدام إطار مقارنة قياسي يساعدك على الاختيار بين علم البيانات الكلاسيكي والتعلم الآلي الأكثر تطوراً
يمكنك الحصول على خدمات BigML من خلال الموقع الإلكتروني حيث أنها تملك فقط واجهة إلكترونية ويتم تشغيل تحليلها إما في سحابة BigML أو من الخادم الخاصة بك

6. R Studio:
“R” ليست لغة سهلة لغير المبرمجين لاستخدامها لكنها تظل واحدة من أهم الأدوات للتحليل الإحصائي المتطور

كيف سيؤثر الذكاء الاصطناعي على المهندسين؟
وكيفية الاستعداد للوظائف في المستقبل
نصائح مهمة

مقدمة:
تطور الذكاء الاصطناعي المتسارع بشكل كبير يجعلنا نتسأل ونسأل كيف سيؤئر هذ التطور على مستقبل الوظائف الهندسية وماذا يجب علينا أن نفعل وما هي الأمور الواجب دراستها وتوقف عندها لكسب الوقت وملاحقة التسارع الرهيب لتكنولوجيا الذكاء الاصطناعي وتطبيقاتها الذكية

في مقابلة حصرية مع موقع “InterestingEngineering” يجيب “ديفيد وود” مدير London Futurists، وبيتر جاكسون مهندس البرمجيات في London Futurists عن كيف سيؤثر الذكاء الاصطناعي على مستقبل وظائف المهندسين وكيفية الاستعداد لها
London Futurists: يعد من أبرز النشاطات والفعاليات التعليمية في المجال الهندسي والشبكات مركزه العاصمة البريطانية لندن ويعنى بمتابعة وتقديم دراسات مستقبلية في مجموعة من التخصصات التقنية مثل التفرد التكنولوجي وكذلك التقنيات الناشئة وتأثيرها الاجتماعي

– مهندس يقوم بالتحقق من الأذرع الآلية والتحكم فيها في مصنع ذكي للسيارات الصناعية باستخدام برنامج نظام مراقبة يستخدم في عالم الخيال العلمي.. هذا هو واقع عمليات التصنيع الرقمية في مصانع الثورة الصناعية الرابعة “Industry 4.0”
– Industry 4.0 أو الثورة الصناعية الرابعة: هو مفهوم نشأ في ألمانيا ويهتم بدمج تكنولوجيا إنترنت الأشياء (IoT) وتكنولوجيا من آلة إلى آلة (M2M) مع الشبكات والتحليلات في عمليات الصناعة
– هناك عنصر آخر في Industry 4.0 وهو الذكاء الاصطناعي ويعد أحد أسرع التقنيات الناشئة نمواً حيث من المتوقع أن تصل استخداماته في سوق العمل إلى 70 مليار دولار بحلول عام 2020، وحالياً يقوم الذكاء الاصطناعي بتحويل الوظائف في جميع الصناعات
– مع تطور تقنيات الذكاء الاصطناعي يتوقع المختصون وخبراء الصناعة إنشاء شركات وقطاعات جديدة بالإضافة إلى وظائف جديدة غير موجودة بعد
– تتضمن الوظائف الأولى التي تتأثر بالأتمتة العمل الكتابي والمبيعات وخدمة العملاء ووظائف الدعم حيث أصبحت أتمتة العمليات الآلية والإبلاغ التلقائي والمساعدين الافتراضيين أكثر تداولاً في الوقت الحالي وتنمو بشكل متزايد
– يمكننا أيضاً أن نتوقع انخفاضاً في المناصب الإدارية نتيجة لغياب العمال ذوي المهارات المنخفضة والمتوسطة
– ويشهد مجال معالجة اللغة الطبيعية “NLP” في الذكاء الاصطناعي تطوراً كبيراً جداً، وهذا يعني أن العمال ذوي المهارات العالية الذين يقومون بمهام روتينية قد يتعرضون لخطر البطالة أيضاً، ومع ذلك لا يتوقع المختصون أن تؤدي هذه الثورة الصناعية الرابعة إلى زيادة إجمالية في البطالة العالمية حيث أنه وفي الوقت المناسب سوف يلعب التطور والتكيف دورهما
– ومن المؤكد أنه لا يوجد وقت لإضاعته في محاربة التغيير بل يجب احتضانه والتكيف معه وتقبله بمرونة هذه هي مفاتيح النجاح في الثورة الصناعية الرابعة “لا يمكن أن يوجد التغيير دون تطور”

كيف سيؤثر الذكاء الاصطناعي على وظائف المهندسين؟

طرحنا السؤال على “بيتر جاكسون” و”ديفيد وود”

– بيتر جاكسون: كمهندس أود أن أقول أنه حياتي المهنية كانت عملية تكيف مستمرة مع التغيرات في التكنولوجيا، لذا فإن حياة المهندس ليست ثابتة أبداً
يجب على الشخص أن يتعلم دائماً مهارات جديدة من أجل مواكبة التغييرات المتسارعة في المجال التكنولوجي
إذا كان الشخص مهندس برامج أو يختص في نوع آخر من الهندسة العديد من التغييرات التكنولوجية ستؤثر على مسار حياتهم المهنية. “وظيفة المهندس هي أن نجعل أنفسنا زائدين عن الحاجة”
– ديفيد وود: هناك اختلاف كبير بين المهندسين في العقدين القادمين مقارنة بالماضي وهو السرعة التي سيتعين على المهندسين تعلم مهارات جديدة بها
في الماضي كان يتعين على الأشخاص الذين يطمحون أن يحققوا نتائج جيدة في حياتهم المهنية أن يكونوا قادرين على التكيف مع التغييرات في الأدوات والتقنيات، لكن سيتعين عليهم القيام بذلك في المستقبل بسرعة أكبر من الماضي

ما المهارات الجديدة التي سيحتاج المهندسون إلى تعلمها؟
– بيتر جاكسون:
“تعلم كيفية التعلم” بدلاً من إضاعة الوقت في طريقة معينة بالعمل أو باستخدام مجموعة معينة من الأدوات يجب أن تكون دائماً منفتحاً على تطوير التقنيات باستخدام أحدث الأدوات المتوفرة
– ديفيد وود: المهارات الثلاث التي سيحتاج إليها الجميع في المستقبل القريب هي كيفية التعايش مع الروبوتات وكيفية العمل إلى جانب الروبوتات ثم كيفية تصميم العمل بحيث يكون التفاعل بين البشر والروبوتات أفضل
ومن أهم المهارات في المستقبل هي مهارة معرفة المجتمعات المناسبة والشركاء المناسبين والأشخاص المناسبين في المجتمعات الذين يمكنهم مساعدة الناس على البقاء على اطلاع دائم بالمعرفة
أعتقد أن مهارة الذكاء العاطفي ستصبح مهمة

كيف ترى التعاون بين البشر والآلات في المستقبل عندما يتعين على البشر أن يتعايشوا ويتعاونوا مع الذكاء الاصطناعي العام (AGI)؟

– بيتر جاكسون: مع تقدم التقنية الآلية، ستصبح الآلة أكثر شبهاً بالبشر من حيث الطريقة التي تتفاعل بها مع الأشخاص الذين يستخدمونها
ومثلما يطور الشخص تعاطفاً معيناً للناس الذين يعملون معهم، سيولد الأمر نفسه بين المهندسين والآلات التي يعملون على تطوريها

عن أخلاقيات الذكاء الاصطناعي:
– ديفيد وود:
بالنسبة لي الأخلاق تعني شيئاً يمكننا القيام به ولكننا نقرر عدم القيام بذلك، وهذا يعني أيضاً الاهتمام بعناية بقضايا السلامة والإنصاف، ولكن أكثر من ذلك فهذا يعني أيضاً ضمان حصولنا على أقصى الفوائد الممكنة عندما تقيس الفوائد على نطاق واسع ويجب أن يكون هناك إخلاص في العمل ليس فقط تحقيق الربح المالي، بصراحة مع وتيرة التغيير القادمة ومع وجود مجموعة كبيرة من الاحتمالات المعرفية الغنية سيتعين علينا التفكير بجدية أكبر في الأخلاقيات

– بيتر جاكسون: ليس عليك فقط أن تختار بعناية ما لا تفعله في بعض الأحيان بل عليك التأكد من أنك تفعل الشيء الصحيح في أي سياق منطقي لأن هناك بعض الطرق التي يمكن للتكنولوجيات من خلالها تطوير ما قد يكون إجرامياً لذلك يجب الاستفادة مما هو متاح لتحسين المجتمعات الإنسانية

– ديفيد وود: على المدى القصير قد يقول البعض إنهم لا يريدون تبني تقنية معينة لأنها ستترك للناس القليل من العمل للقيام به، ومن ناحية أخرى ، فإن هذه التكنولوجيا قد تقدم السلع والخدمات بسعر أرخص وبجودة أعلى وبصراحة أعتقد أن هذا الاحتمال الأكبر
لا أتطلع إلى عالم يعمل فيه الجميع بدون توقف لمدة 40 ساعة في الأسبوع أو أكثر.
إنني أتطلع إلى عالم يعمل فيه الأشخاص بقدر ووقت أقل وتنتج الأتمتة والآلات لنا الكثير من السلع والخدمات بشكل موثوق ومضمون أكثر
إذا كان هذا يعني ساعات أقل في العمل فأنا شخصياً أعتقد أنه ليس بالأمر السيء ويجب أن نرحب به فعلاً ومع دخول الآلات وتطبيقات الذكاء الاصطناعي أكثر إلى الحياة العملية ولتحقيق التوزيع العادل بين الدخل وساعات العمل يتطلب هذا السياسة وكذلك الهندسة مما قد يخلق اختصاصاً هندسياً جديداً في المستقبل “هندسة السياسة”

كيف يستخدم “يوتيوب” تقنيات الذكاء الاصطناعي والتعلم الآلي؟

المقدمة:
يوجد أكثر من 1.9 مليار مستخدم يدخلون يوتيوب كل شهر يشاهدون ما يزيد عن مليار ساعة من الفيديو يومياً، وفي كل دقيقة يتم تحميل حوالي 300 ساعة من الفيديو على المنصة، مع هذا العدد من المستخدمين والنشاط والمحتوى من المنطقي أن يستفيد يوتيوب من قوة تقنيات الذكاء الاصطناعي للمساعدة في العمليات.

كيف يستفيد “يوتيوب” من تقنيات الذكاء الاصطناعي؟

– إزالة المحتوى غير المرغوب فيه تلقائياً:
في الربع الأول من هذا العام تمت إزالة 8.3 مليون مقطع فيديو من يوتيوب وتم التعرف على 76٪ منها تلقائياً ووضع علامة عليها بواسطة تقنيات الذكاء الاصطناعي، تم تحديد أكثر من 70٪ منها قبل كتابة أي وجهات نظر من قبل المستخدمين، وعلى الرغم من أن الخوارزميات ليست مضمونة إلا أنها تمشط المحتوى بسرعة أكبر بكثير مما لو كان البشر يحاولون مراقبة المنصة بشكل منفرد.
في بعض الحالات أسقطت الخوارزمية مقاطع فيديو إخبارية عن طريق الخطأ باعتبارها “تحوي محنوى متطرف” وهذا هو أحد الأسباب التي تجعل جوجل متخصصين بدوام كامل يعملون مع تقنيات الذكاء الاصطناعي لمعالجة المحتوى المخالف
في الواقع وفقاً لـ”سيسيل فروت كوتاز” مسؤول منطقة أوروبا والشرق الأوسط وإفريقيا في يوتيوب فإن “الأولوية الأولى” للمنصة هي حماية مستخدميها من المحتوى الضار وفي السعي لتحقيق ذلك استثمرت الشركة ليس فقط المتخصصين في البشر ولكن في تكنولوجيا التعلم الآلي لدعم هذا المجهود
ساهمت تقنيات الذكاء الاصطناعي بشكل كبير في قدرة يوتيوب على تحديد المحتوى غير المرغوب فيه بسرعة، وقبل استخدام الذكاء الاصطناعي تم وضع علامة على 8٪ فقط من مقاطع الفيديو التي تحتوي على “التطرف العنيف” (المحظورعلى المنصة) وتم إزالتها قبل حدوث 10 مشاهدات ؛ ولكن بعد استخدام التعلم الآلي كان لدى أكثر من نصف مقاطع الفيديو التي تمت إزالتها أقل من عشرة مشاهدات
تستخدم الشركة هذه التقنيات للمحافظة على المعلنين لديها وذلك لأن ما تحويه هذه المقاطع من إساءة وتطرف يدفع الشركات إلى سحب إعلاناتها التي قد تظهر على مثل هذا المحتوى واستجابةً لذلك تستخدم المنصة تقنيات متطورة من التعلم الآلي وتتشارك مع شركات خارجية للمساعدة في توفير الشفافية للمعلنين
وتمتلك الشركة أيضاً “مصنف فيديو trashy” الذي يستخدم لمسح صفحة يوتيوب الرئيسية وفقرات “المشاهدة التالية” حيث ينظر إلى ردود الفعل من المشاهدين الذين قد يبلغون عن عنوان مضلل أو محتوى غير لائق أو غير مرغوب فيه

– تأثيرات جديدة على مقاطع الفيديو:
قام باحثو الذكاء الاصطناعي من جوجل بتدريب شبكة عصبية اصطناعية ليتمكنوا من تبادل الخلفيات على مقاطع الفيديو دون الحاجة إلى معدات متخصصة، وعلى الرغم من أنه كان من الممكن القيام بذلك عن طريق “الشاشات الخضراء التي تم استبدالها بالتأثيرات الرقمية” إلا أنها كانت عملية معقدة وتستغرق وقتًا طويلاً.
قام الباحثون بتدريب خوارزمية باستخدام صور تم تصنيفها بعناية وسمحت للخوارزمية بتعلم الأنماط والنتيجة هي نظام سريع يمكنه مواكبة الفيديو وإجراء التعديلات المطلوبة

– ميزة “مشاهدة التالي”:
إذا كنت استخدمت ميزة “Up Next” على يوتيوب فقد استفدت من تقنيات الذكاء الاصطناعي للمنصة، وذلك نظراً لمجموعة البيانات الضخمة على يوتيوب التي تتغير باستمرار حيث يقوم مستخدموها بتحميل ساعات من الفيديو كل دقيقة ، فإن خوارزميات الذكاء الاصطناعي مطلوبة لتشغيل محرك التوصيات الخاص بها يجب أن يكون مختلفاً عن محركات التوصية بـ Netflix أو Spotify
ويجب أن تكون هذه المحركات قادرة على التعامل مع التوصيات في الوقت الحقيقي “Real Time” بينما يتم إضافة البيانات الجديدة باستمرار من قبل المستخدمين
الحل الذي توصلوا إليه هو نظام من جزأين; الأول هو الجيل المرشح حيث تقوم الخوارزمية بتقييم تاريخ YouTube للمستخدم، الجزء الثاني هو نظام التصنيف الذي يضع النتيجة لكل فيديو.
وأوضح غيوم شاسلوت الموظف السابق في جوجل ومؤسس مبادرة “مزيد من الشفافية” المعروفة باسم AlgoTransparency””: أن المقياس الذي تستخدمه خوارزمية يويتوب لتحديد توصية ناجحة هو وقت المشاهدة”
وتابع غيوم: إن هذا مفيد للنظام الأساسي والمعلنين ولكنه ليس جيداً للمستخدمين، إذ قد يؤدي هذا إلى تضخيم مقاطع الفيديو التي تحتوي على محتوى غريب وكلما زاد عدد الأشخاص الذين يقضون وقتاً في مشاهدته زاد عدد مرات التوصية به

– التدريب على التنبؤ العميق:
مع الكثير من البيانات توفر مقاطع فيديو يويتوب أرضية تدريب خصبة لخوارزميات الذكاء الاصطناعي حيث استخدم باحثو الذكاء الاصطناعي في جوجل أكثر من 2000 مقطع فيديو لـ”تحدي عارضة أزياء” لإنشاء نموذج ذكاء اصطناعي قادر على تمييز عمق المجال في مقاطع الفيديو وهذه المهارة المتمثلة في التنبؤ بالعمق يمكن أن تساعد في تطور تجارب الواقع المعزز. مع استمرار أزمة إطلاق النار الجماعي التي أصابت أميركا طلب الرئيس ترامب من شركات التواصل الاجتماعي “تطوير أدوات يمكنها اكتشاف مطلقي النار قبل أن يهاجموا
بمساعدة الذكاء الاصطناعي يعمل يوتيوب وتويتر وفيسبوك على حذف المحتوى الإرهابي، ولكن الجديد في طلب الرئيس هو أنهم يعملون مع وزارة العدل والوكالات القانونية
هناك العديد من الأسئلة حول كيفية نجاح هذه الشراكة من حيث تمكن قنوات التواصل الاجتماعي من اكتشاف الإرهابيين الفعليين قبل أن يتصرفوا وإمكانية التأثير على الحريات المدنية للأشخاص الأبرياء
فإذا كان بإمكان يوتيوب وشركات التواصل الاجتماعي الأخرى استخدام الذكاء الاصطناعي لإيقاف الإرهابيين مع عدم انتهاك حقوق الآخرين فلا يزال لدينا إمكانية رؤيتهم.

المصدر:

https://www.forbes.com/sites/bernardmarr/2020/08/23/the-amazing-ways-youtube-uses-artificial-intelligence-and-machine-learning/#95f9a9558522

أنواع الذكاء الاصطناعي

المقدمة:
الذكاء الاصطناعي هو على الأرجح أكثر الانتاجات البشرية تعقيداً وإبهاراً ويحوي على الكثير من المعلومات الغير مكتشفة حتى الآن، مما يعني أن كل تطبيق AI مدهش نراه اليوم يمثل جزء بسيط من مجال كبير جداً ما زال قيد الاكتشاف والتطور، وعلى الرغم من أن هذه الحقيقة قد تم ذكرها وتكرارها عدة مرات ، إلا أنه لا يزال من الصعب الحصول على منظور شامل حول التأثير المحتمل لتطبيقات الذكاء الاصطناعي في المستقبل، والسبب في ذلك هو التأثير الثوري الذي تحدثه تطبيقات الذكاء الاصطناعي على المجتمع حتى في هذه المرحلة المبكرة نسبياً من تطورها
إن فهم أنواع الذكاء الاصطناعي الممكن والأنواع الموجودة الآن سوف يعطي صورة أوضح عن إمكانيات هذا المجال والطريق الطويل أمامه

فهم أنواع تصنيف الذكاء الاصطناعي:

نظراً لأن أبحاث الذكاء الاصطناعي تهدف إلى جعل الآلات تحاكي الوظائف التي يؤديها الإنسان فإن الدرجة التي يمكن بها لنظام الذكاء الاصطناعي أن يكرر القدرات البشرية تستخدم كمعيار لتحديد أنواع الذكاء الاصطناعي. وبالتالي بناءً على كيفية مقارنة الجهاز بالبشر من حيث التنوع والأداء يمكن تصنيف الذكاء الاصطناعي تحت واحد من الأنواع المتعددة للذكاء الاصطناعي
وباستخدام هذه المعايير سيتم اعتبار الذكاء الاصطناعي الذي يمكن أن يؤدي وظائف تشبه الوظائف التي يؤديها الإنسان بمستويات مكافئة من الكفاءة كنوع أكثر تطوراً بينما يعتبر الذكاء الاصطناعي الذي له وظائف وأداء محدودين نوعاً أبسط وأقل تطوراً, وبناءً على هذا المعيار هناك طريقتان لتصنيف الذكاء الاصطناعى بشكل عام
يعتمد النوع الأول على تصنيف الآلات التي تدعم الذكاء الاصطناعى والأجهزة التي تعتمد على الذكاء الاصطناعي بناءً على تشابهها مع العقل البشري ، وقدرتها على “التفكير” وربما “الشعور” بالبشر. وفقاً لنظام التصنيف هذا هناك أربعة أنواع من الأنظمة التي تعتمد على الذكاء الاصطناعي: الآلات التفاعلية ، آلات الذاكرة المحدودة ، نظرية العقل ، الذكاء الاصطناعي الذي يدرك نفسه بنفسه.

1. الآلات التفاعلية:
تعد أقدم أشكال أنظمة الذكاء الاصطناعي التي لديها قدرة محدودة للغاية إذ تحاكي قدرة العقل البشري على الاستجابة لأنواع مختلفة من المحفزات، لا تملك هذه الأجهزة وظيفة تستند إلى الذاكرة. وهذا يعني أن هذه الآلات لا يمكنها استخدام الخبرات المكتسبة مسبقاً لتحسين أفعالها الحالية، أي أنها لا تمتلك القدرة على “التعلم”
لا يمكن استخدام هذه الأجهزة إلا للاستجابة تلقائية لمجموعة محدودة من المدخلات|
ومن الأمثلة الشائعة على جهاز AI التفاعلي “جهاز Deep Blue التابع لشركة IBM” الذي فاز على محترف الشطرنج Grandmaster Garry Kasparov في عام 1997.

2. ذاكرة محدودة:
آلات الذاكرة المحدودة هي آلات ، بالإضافة إلى امتلاكها لخاصية رد الفعل البحثي يمكنها أيضاً التعلم من البيانات القديمة لاتخاذ القرارات، جميع التطبيقات الموجودة التي نعرفها تقريباً تندرج تحت هذه الفئة من الذكاء الاصطناعي.
يتم تدريب جميع أنظمة الذكاء الاصطناعي الحالية ، مثل تلك التي تستخدم التعلم العميق ، بواسطة كميات كبيرة من بيانات التدريب التي تخزنها في ذاكرتها لتشكيل نموذج مرجعي لحل المشكلات المستقبلية
على سبيل المثال يتم التعرف على الصور باستخدام آلاف الصور وعلاماتها لتدريب الآلة على تسمية الكائنات التي تقوم بمسحها
عندما يتم مسح صورة من قبل “تطبيق ذكاء اصطناعي” فإنه يستخدم صور التدريب كمراجع لفهم محتويات الصورة المعروضة عليها ، واستناداً إلى “تجربة التعلم” الخاصة به ، فإنه يقوم بتصنيف الصور الجديدة بدقة متزايدة.
جميع تطبيقات الذكاء الاصطناعي الحالية تقريباً ، بدءًا من chatbots إلى السيارات ذاتية القيادة ، كلها تدار بواسطة تطبيقات الذكاء الاصطناعي ذات الذاكرة المحدودة

3. نظرية العقل:
بينما يعد النوعان السابقان من الذكاء الاصطناعى مستخدمان بوفرة، يعد النوعان التاليان من الذكاء الاصطناعى في الوقت الحالي إما كمفهوم أو “نظرية قيد التقدم” نظرية العقل في الـAI هي المستوى التالي من أنظمة الذكاء الاصطناعي التي يشارك الباحثون حالياً في أبحاثها وابتكاراتها
نظرية مستوى العقل سوف تكون الذكاء الاصطناعي قادرة على فهم الكيانات التي يتفاعل معها بشكل أفضل من خلال تمييز احتياجاتهم وعواطفهم ومعتقداتهم وعملياتهم الفكرية
في حين أن الذكاء العاطفي المصطنع هو بالفعل صناعة ناشئة ومجال اهتمام لكبار الباحثين في الذكاء الاصطناعى ، فإن تحقيق مستوى نظرية العقل لدى الذكاء الاصطناعي سيتطلب تطويراً في فروع أخرى من الذكاء الاصطناعي
هذا لأنه لفهم احتياجات الإنسان حقاً سيتعين على أجهزة الذكاء الاصطناعي أن تتصور البشر كأفراد يمكن أن تتشكل عقولهم بعوامل متعددة

4. علم الذاتي:
هذه هي المرحلة الأخيرة من تطوير الذكاء الاصطناعي الذي يوجد حالياً بشكل افتراضي فقط الذكاء الاصطناعي الذي يدرك نفسه بنفسه وهو عبارة عن منظمة ذكية تطورت لتكون مشابهة للعقل البشري لدرجة أنها طورت الوعي الذاتي
إن إنشاء هذا النوع من الذكاء الاصطناعى سيظل دائماً الهدف النهائي لجميع أبحاث الذكاء الاصطناعى لن يكون هذا النوع من الذكاء الاصطناعى قادراً فقط على فهم وإثارة العواطف في تلك التي يتفاعل معها ، ولكن أيضاً لديه عواطف واحتياجات ومعتقدات ورغبات محتملة خاصة به، أنه نوع الذكاء الاصطناعي الذي يحذر منه علماء التكنولوجيا.
على الرغم من أن تطوير الوعي الذاتي يمكن أن يعزز تقدم الحضارة البشرية، إلا أنه يمكن أن يؤدي أيضاً إلى كارثة
وذلك لأنه بمجرد إدراك الذات ستكون الذكاء الاصطناعي قادرة على امتلاك أفكار مثل الحفاظ على الذات والتي قد تحدد بشكل مباشر أو غير مباشر النهاية للإنسانية لأن مثل هذا الكيان يمكن أن يتفوق بسهولة على عقل أي كائن بشري ويخطط للتغلب على الإنسانية
تصنيفات أخرى للذكاء الاصطناعي: الذكاء الضيق الاصطناعي (ANI) ، الذكاء العام الاصطناعي (AGI) ، الذكاء الاصطناعي الفائق (ASI).

5. الذكاء الاصطناعي الضيق (ANI):
يمثل هذا النوع من الذكاء الاصطناعي جميع تطبيقات الذكاء الاصطناعي الحالي ، بما في ذلك الذكاء الاصطناعي الأكثر تعقيدًا وقدرة والذي تم إنشاؤه حتى الآن
يشير الذكاء الاصطناعي الضيق إلى أنظمة الذكاء الاصطناعي التي لا يمكنها سوى أداء مهمة محددة بشكل مستقل باستخدام قدرات شبيهة بالإنسان
لا يمكن لهذه الآلات أن تفعل أكثر من ما تمت برمجته للقيام به ، وبالتالي لديها مجموعة محدودة أو ضيقة من الكفاءات.
حتى أكثر الذكاء الاصطناعى تعقيداً الذي يستخدم التعلم الآلي والتعلم العميق لتعليم نفسه يقع تحت تصنيف ANI.

6. الذكاء الاصطناعي العام (AGI):
الذكاء العام الاصطناعي هو قدرة “وكيل” أو تطبيق الذكاء الاصطناعي على التعلم والإدراك والفهم والعمل تماماً مثل الإنسان.
هذه الأنظمة قادرة على بناء كفاءات متعددة بشكل مستقل وتشكيل روابط وتعميمات عبر المجالات ، مما يقلل بشكل كبير من الوقت اللازم للتدريب.
هذا سيجعل أنظمة الذكاء الاصطناعي قادرة مثل البشر عن طريق تكرار قدراتنا متعددة الوظائف

7. الذكاء الاصطناعي الفائق (ASI):
من المحتمل أن يمثل تطوير “الذكاء الاصطناعي الفائق” ذروة أبحاث الذكاء الاصطناعى ، حيث أن AGI سوف يصبح إلى حد بعيد أكثر أشكال الذكاء قدرة على الأرض.
بالإضافة إلى تكرار الذكاء المتعدد الأوجه للبشر ستكون تطبيقات الـ “ASI” أفضل بكثير من تطبيقات الذكاء الاصطناعي الحالية بسبب الذاكرة الكبيرة جداً، والقدرة على معالجة البيانات وتحليلها بشكل أسرع، وميزات صنع القرار المتطورة
سيؤدي تطوير AGI و ASI إلى سيناريو يشار إليه على الأكثر باسم التفرد.
تبدو إمكانية وجود مثل هذه الآلات القوية تحت تصرفنا جذابة ، إلا أنها قد تهدد وجودنا أو على الأقل أسلوب حياتنا.

الخلاصة:
في هذه المرحلة ، من الصعب تصور حالة عالمنا عندما تظهر أنواع أكثر تقدماً من الذكاء الاصطناعي. ومع ذلك ، فمن الواضح أن هناك طريقاً طويلاً للوصول إلى هناك حيث أن الشكل الحالي من تطوير الذكاء الاصطناعى مقارنة بالمكان المتوقع يظل فيه في مرحلته البدائية.
بالنسبة للذين لديهم نظرة سلبية لمستقبل الذكاء الاصطناعى هذا يعني أنه من السابق لأوانه القلق بشأن هذا التطور ولا يزال هناك وقت لضمان سلامة الذكاء الاصطناعي

المصدر:
https://www.forbes.com/sites/cognitiveworld/2020/06/19/7-types-of-artificial-intelligence/#161d8abf233e
__________________________________________________________________________________________________________________________________________________

البيانات الضخمة والتنقيب في البيانات

ماذا يعني مصطلح “البيانات الضخمة”؟
يشير مصطلح “البيانات الضخمة” إلى الكميات الكبيرة من البيانات التي تتجمع من مصادر بيانات متعددة ولديها تنسيقات ومعطيات مختلفة تستخدم في عمليات التحليل للحصول على نتائج تفيد في الأعمال واتخاذ القرارات الاستراتيجية التي تحسن من بيئة العمل وتساهم في تطويرها

تحليلات “البيانات الضخمة”:
عملية تحليل مجموعات كبيرة من البيانات بهدف كشف المعلومات المفيدة تتضمن أمثلة عن اتجاهات السوق وتفضيلات العملاء والأنماط المخفية والعلاقات غير المعروفة وعادة ما تؤدي نتائج التحليلات إلى فرص جديدة للإيرادات وتحسين الكفاءة التشغيلية وتسويق أكثر كفاءة وفوائد تجارية أخرى

تعتمد الشركات غالباً على تحليلات البيانات الكبيرة لمساعدتها في اتخاذ القرارات التجارية الاستراتيجية، وتتيح تحليلات البيانات الكبيرة لعلماء البيانات والمصممين وغيرهم من المتخصصين في مجال التحليلات تحليل كميات كبيرة من بيانات المعاملات والعمليات التجارية للاستفادة منها في تحسين القدرة التشغيلية مثال عن تحليل البيانات:
– محتوى وسائل التواصل الاجتماعي وتقارير نشاط الشبكات الاجتماعية
– بيانات من أجهزة استشعار متصلة بإنترنت الأشياء
– رسائل العملاء الإلكترونية وردود الاستبيان
– سجلات خادم الويب والبيانات الويب

التنقيب في البيانات:
هي عملية اكتشاف الأنماط في مجموعات البيانات الكبيرة أو الصغيرة وتتضمن خوارزميات تستخدم في تعلم الآلي والإحصاءات وأنظمة قواعد البيانات لتحديد الأنماط المستقبلية.
تعد خطوة أساسية في عملية اكتشاف المعرفة حيث يتم تطبيق الأساليب الذكية على كمية هائلة من المعلومات لاستخراج أنماط البيانات الجديدة.
عملية “التنقيب في البيانات” تتكون من 5 مستويات رئيسة:
– استخراج وتحويل وتحميل البيانات
– تخزين وإدارة
– توفير الوصول إلى البيانات “الاتصال”
– تحليل (عملية)
– تقديم البيانات للمستخدم

الفرق الرئيسي بين “البيانات الضخمة” و”التنقيب في البيانات”:
“البيانات الضخمة” و”التنقيب في البيانات” مفهومان مختلفان.. فالبيانات الضخمة مصطلح يشير إلى كمية كبيرة من البيانات، بينما يشير “التنقيب في البيانات” إلى البحث العميق في البيانات لاستخراج المعرفة / النمط / المعلومات الرئيسة من كمية صغيرة أو كبيرة من البيانات
المفهوم الرئيسي في “التنقيب في البيانات” هو التعمق في تحليل أنماط وعلاقات البيانات فيما بينها التي يمكن استخدامها بشكل أكبر في الذكاء الاصطناعي والتحليل التنبئي، وغيرها
لكن المفهوم الرئيسي في “البيانات الضخمة” هو مصدر البيانات وتنوعها وحجمها وكيفية تخزين ومعالجة هذا الكم من البيانات حيث يلعب تحليل البيانات الكبيرة دوراً في الوصول إلى حل تجاري أو لإنشاء تعريف تجاري لتحسين النمو وتطوير الأعمال.

الخلاصة:
يمكننا القول أن “التنقيب في البيانات” لا يعتمد على البيانات الضخمة لأنه يمكن أن يتم على كمية صغيرة أو كبيرة من البيانات ولكن البيانات الضخمة تعتمد بالتأكيد على “التنقيب في البيانات” لأنه إذا لم نتمكن من العثور على قيمة / أهمية كمية كبيرة من البيانات لن يكون هناك فائدة من جمعها أو الحصول عليها.

المصادر:

التنقيب في البيانات والتعلم الآلي

المقدمة:
انتقلت تطبيقات الذكاء الاصطناعي من عالم الخيال العلمي إلى الحياة العملية التي لا تساعد الشركات على الحصول على نتائج أفضل فحسب بل أيضاً الأشخاص العاديين على إدارة المهام في حياتهم اليومية.
تسعى الشركات باستمرار إلى إيجاد أحدث التطبيقات في عالم الذكاء الاصطناعي بالاعتماد على تقنيتين أساسيتين: التنقيب في البيانات والتعلم الآلي
تساعد كلا التقنيتين الخبراء في العثور على إجابات للمشاكل العديدة التي تظهر بشكل مستمر مع التطور التقني الحاصل حيث إنها توفر طريقة لاكتساب فهم أعمق غير ممكن من خلال مجرد النظر إلى جميع المعلومات المتباينة ومجموعات البيانات المهجورة الموجودة هناك

التنقيب في البيانات Data Mining:

التنقيب في البيانات ليس اكتشافاً جديداً يأتي مع العصر الرقمي إذ كان هذا المفهوم موجود منذ أكثر من قرن من الزمان لكنه أصبح يحظى باهتمام أكثر في الثلاثينيات.
فكر في “التنقيب في البيانات” كالبحث عن معلومات حول أشخاص أو مفاهيم أو سلوك أو عن أجهزة يبحث “التنقيب في البيانات” من خلال كميات هائلة من البيانات من مصادر مختلفة
تستخدم مستودعات البيانات بشكل شائع للاحتفاظ بالمعلومات في مكان واحد يسهل على الشركات إجراء عمليات البحث للعثور على ما يبحثون عنه
أدوات “التنقيب في البيانات” تبحث عن معنى في كل هذه المعلومات بطريقة أكثر عمقاً مما يمكن للعقل البشري أن يكتشفه تحدد أنماطاً في بيانات تبدو غير ذات صلة وتجمعها للتنبؤ بالنتائج المستقبلية

التعلم الآلي Machine Learning:

التعلم الآلي هو فرع من الذكاء الاصطناعي المكرس لتوجيه الآلات لفهم سلوك الإنسان.
يأمل العلماء والمهندسون أن يساعد تعلم الآلي في نهاية المطاف الآلات في اتخاذ خيارات مستقلة “بشكل ذاتي دون تدخل بشري” من خلال تفسير المدخلات المعطاة لهم من العالم المحيط

الاختلافات الرئيسة بين التنقيب في البيانات والتعلم الآلي:

– التنقيب في البيانات يجمع البيانات بناءً على المعلومات التي يستخرجها من مصادر البيانات المختلفة؛ لا تقود أي عمليات من تلقاء نفسها يستخدم من قبل الأشخاص أو أدوات البيانات في العثور على تطبيقات مفيدة للمعلومات المكتشفة

– التعلم الآلي يستخدم مجموعات من المعلومات المستخرجة من بيانات البحث حيث تأخذ الخوارزميات هذه المعلومات وتستخدمها لإنشاء تعليمات تحدد الإجراءات التي تتخذها تطبيقات الذكاء الاصطناعي للإجابة على التساؤلات المطروحة

ممكن تشبيه “التنقيب في البيانات” كمصدر للغذاء، والتعلم الآلي عبارة عن كائن حي يستهلك هذا المصدر الغذائي في تنفيذ الوظائف التي يُطلب منه القيام بها.

الفرق الرئيسي والأهم بين التنقيب في البيانات والتعلم الآلي هو أنه بدون إشراك البيانات البشرية لا يمكن أن ينجح “التنقيب في البيانات” ولكن في التعلم الآلي لا يشترك الجهد الإنساني إلا في الوقت الذي يتم فيه تحديد الخوارزمية بعد ذلك ستهتم الآلة بكل شيء بوسائلها الخاصة وتباشر تنفيذ المطلوب والوصول إلى النتائج المرجوة عن طريق التدريب والتكرار

تعد النتائج الواردة عن التعلم الآلي أكثر دقة مقارنةً بنتائج “التنقيب عن البيانات” لأن التعلم الآلي عملية آلية

استخدامات “التنقيب في البيانات” و”التعلم الآلي”:

– يستخدم “التنقيب في البيانات” الكثير من البيانات لاستخراج معلومات مفيدة، حيث تساعد تلك البيانات المعينة على التنبؤ ببعض النتائج المستقبلية على سبيل المثال شركات المبيعات تستخدم بيانات العام الماضي للتنبؤ بطريقة البيع للعام الحالي، لكن تعلم الآلة لا يعتمد كثيراً على البيانات بقدر اعتماده على الخوارزميات على سبيل المثال شركات OLA ، UBER تستخدم تقنيات تعلم الآلي لحساب الوقت المقدر للوصول إلى الزبون

– يمكن استخدام تقنية “التنقيب في البيانات” لأغراض متعددة ، بما في ذلك البحوث المالية. قد يستخدم المستثمرون هذه التقنية للنظر في البيانات المالية للشركات الناشئة لتساعدهم في تحديد ما إذا كانوا يريدون تقديم التمويل لها

– يمكن استخدام “التنقيب في البيانات” لدراسة بيانات مواقع التواصل الاجتماعي ومواقع الويب والأصول الرقمية الخاصة بشركة معينة لتجميع المعلومات حول الطريقة المثالية لبدء حملة دعائية

– يمثل التعلم الآلي مبادئ “التنقيب في البيانات” ولكن يمكنه أيضاً إنشاء روابط تلقائية بين البيانات والتعلم منها لتطبيقها على خوارزميات جديدة إنها التكنولوجيا وراء السيارات ذاتية القيادة التي يمكنها التكيف بسرعة مع الظروف الجديدة أثناء القيادة

الخلاصة – “التنقيب في البيانات” مقابل “التعلم الآلي”:

في معظم الحالات ، يتم استخدام “التنقيب في البيانات” للتنبؤ بالنتيجة من البيانات القديمة أو لإيجاد حل جديد من البيانات الموجودة معظم الشركات هذه التقنية لتطوير نتائج الأعمال
تقنيات التعلم الآلي تنمو بطريقة أسرع بكثير حيث إنها تتغلب على المشكلات المتعلقة بتقنيات استخراج البيانات وذلك نظرًا لأن عملية التعلم الآلي تكون أكثر دقة وأقل عرضة للخطأ مقارنةً بـ”التنقيب في البيانات” فهي أكثر قدرة على اتخاذ قرارها الخاص وحل المشكلة
ولكن لتطوير العمل لا نزال بحاجة إلى عملية “التنقيب في البيانات” لأنها ستحدد مشكلة شركة معينة ولحل هذه المشكلة يمكننا استخدام تقنيات التعلم الآلي

المصادر:

https://www.ngdata.com/data-mining-vs-machine-learning/ https://www.import.io/post/data-mining-machine-learning-difference/ https://www.educba.com/data-mining-vs-machine-learning/
__________________________________________________________________________________________________________________________________________________

أدوات تستخدم في مجال “تعلم الآلة” لتطوير البرمجيات

المقدمة:
تدور معظم مناقشات المطورين الذين يستخدمون التعلم الآلي حول إنشاء تطبيقات وأدوات تعمل على الذكاء الاصطناعي ولكن هناك طريقة أخرى للتعلم الآلي تؤثر على تطوير البرمجيات: عن طريق أدوات التطوير الجديدة التي تستخدم تقنيات التعلم الآلي لجعل البرمجة أسهل وأكثر إنتاجية.
أدوات التطوير التي تعتمد على الذكاء الاصطناعي والتي توفر الإكمال التلقائي للكود واكتشاف ثغرة أمنية في الكود وحتى إنشاء الكود المتطور

أدوات لتطوير البرمجيات باستخدام تقنيات “التعلم الآلي”:

فيما يلي خمسة مشاريع – ثلاثة تجارية واثنان تجريبية – تضع تعلم الآلة في خدمة المطورين للاستفادة منها في عملية تطوير تطبيقات الذكاء الاصطناعي:

1. Kite:

عبارة عن أداة لإكمال التعليمات البرمجية وهي متوفرة لمعظم برامج تحرير الشفرات الرئيسة والتي تستخدم أساليب التعلم الآلي لملء الشفرة أثناء كتابتها
يتم إنشاء نموذج التعلم الآلي الذي تستخدمه Kite من خلال الحصول على كود متاح للجمهور على GitHub واستخلاص شجرة بناء جملة مجردة منه واستخدام ذلك كأساس للنموذج المطلوب ووفقاً لـ Kite يسمح هذا بالاستنتاج التلقائي للكود المطلوب والإكمال التلقائي من سياق الذيي تم وضعه والغاية من الرمز بدلاً من النص فقط
في الوقت الحالي تتوفر Kite فقط لمطوري Python لكن تطوير دعم قيد العمل وتتوفر Kite لمستخدمي Windows و MacOS، يدعم نظام Linux أيضاً

2. Codota:

أداة تشبه إلى حد كبير “kite” تستخدم نموذجاً للتعلم الآلي تم تدريبه على كود Java و Kotlin لاقتراح عمليات الإكمال التلقائي لهذه اللغات أثناء الكتابة مثل Kite
تستخدم Codota شجرة بناء الجملة في الكود وليس فقط نصها كبيانات لبناء نماذجها.
وعلى عكس النسخة المطورة من “Kite” تستخدم Codota خدمة قائمة على الحوسبة السحابية لتوليد التنبؤات وتقديمها ووفقاً لوثائق الخدمة وحفاظاً على خصوصية وبيانات المستخدم لا ترسل Codota رمز المستخدم إلى خادم Codota ، ولكن فقط “الحد الأدنى من المعلومات السياقية من الملف الذي تم تحريره حالياً والذي يسمح لنا بإجراء تنبؤات استناداً إلى النطاق المحلي الحالي.”
تتوفر Codota لنظامي التشغيل Windows و MacOS و Linux ، لكن دعم المحرر يقتصر على IntelliJ و Android Studio و Eclipse نظراً لتركيزه على لغات Java و Kotlin. وتعمل الشركة على دعم اللغات الأخرى مع وجود JavaScript على رأس قائمة الدعم المستقبلية يستخدم الإصدار المجاني من Codota التنبؤات التي تم إنشاؤها من التعليمات البرمجية المتوفرة مجاناً

3. DeepCode:

يقوم DeepCode بإجراء مراجعات تلقائية للكود للكشف عن الثغرات الأمنية المحتملة.
مثل Kite و Codota ، يحلل DeepCode الكود المتاح في المستودعات العامة للبحث عن الأنماط الشائعة. لكن DeepCode يستخدم تلك الأنماط لتحديد الثغرات الأمنية
يركز DeepCode على “تحليل البيانات الخطيرة” التي تحدد كيفية معالجة إدخال المستخدم قبل أن يصل إلى أي نقطة أمنية مهمة. على سبيل المثال تعتبر البيانات التي تنتقل مباشرةً من إدخال المستخدم إلى استعلام SQL دون التحقق من سلامة مرور البيانات ، “خطيرة” وستتوجب المراجعة والتحقق من سلامتها تتضمن الأخطاء التي تقوم DeepCode بالإشارة إليها وتعد مشكلات أمنية شائعة موجودة في تطبيقات الويب: البرمجة النصية للمواقع ، هجمات حقن SQL ، تنفيذ التعليمات البرمجية عن بُعد ، هجمات اجتياز المسار.
تحليلات DeepCode لمستودعات GitHub و Bitbucket متاحة مجاناً لمشاريع مفتوحة المصدر أو مشاريع خاصة مع ما يصل إلى 30 مطورًا.
ويتوفر في DeepCode أيضاً إمكانية لمسح استضافة التعليمات البرمجية المحلية (على سبيل المثال GitHub Enterprise) ، مع توفر الأسعار عند الطلب فقط

4. Microsoft PROSE:

PROSE هو اختصار لـ “Program Synthesis باستخدام أمثلة”.
مشروع Microsoft هذا هو SDK لإنشاء رمز من عينة المدخلات والمخرجات. وبالتالي PROSE عبارة عن مجموعة أدوات يمكن استخدامها لإنشاء أدوات الترميز التنبؤية ، بدلاً من أداة الترميز التنبؤية نفسها.
تتضمن تطبيقات PROSE المحتملة تحويل النص حسب المثال (أحد تطبيقات هذا هو وظيفة “ملء فلاش”Flash Fill الخاصة بـ Microsoft في Excel) ، واستخراج البيانات من الملفات النصية (على سبيل المثال ، تحليلات السجل) ، ومعالجة الملفات التنبؤية (على سبيل المثال ، تقسيم النص إلى أعمدة حسب المثال )

5. Pix2code:
فرضية Pix2code تشبه الخيال العلمي.
فقط قم بتزويده بلقطة شاشة لواجهة مستخدم رسومية ، وسيقوم Pix2code بإنشاء رمز Codeيعرض هذه الواجهة المدخلة
يستخدم Pix2code نموذجاً للتعلم العميق تم تدريبه على مجموعة بيانات مقدمة مع البرنامج لإنتاج واجهة المستخدم الرسومية بتنسيقات Android XML و iOS Storyboard و HTML / CSS Pix2code هو مشروع بحث تجريبي (“يستخدم للأغراض التعليمية فقط”)

المصادر:

الرجل الآلي والذكاء الاصطناعي

مقدمة عن علم الرجل الآلي “Robotics”:
هو فرع من علوم الهندسة يدخل في تخصصات هندسية عديدة: الهندسة الميكانيكية والهندسة الإلكترونية وهندسة الكمبيوتر وعلوم الحاسوب وغيرها حيث يتم الاستفادة من جميع هذه الاختصاصات في صناعة وتكوين رجل آلي ويضم تصميم الروبوتات وتشغيلها واستخدامها بالإضافة إلى أنظمة الكمبيوتر من أجل التحكم فيها وتغذيتها بالبيانات ومعالجة المعلومات
– الهندسة الميكانيكية: تتعامل مع آليات وبنية الروبوتات
– الهندسة الكهربائية: تتعامل مع التحكم والذكاء (الاستشعار) للروبوتات
– هندسة الكمبيوتر وعلوم الحاسوب: تتعامل مع تطور الحركة ومراقبة الروبوت

تصنيف الروبوتات:
تصنف الروبوتات اعتماداً على الدارات التي يحويها الروبوت والتطبيقات التي يمكن أن يؤديها إلى ثلاثة أنواع:
– روبوتات المستوى البسيط: آلات أوتوماتيكية لا تحتوي على دارات معقدة تم تطويرها فقط لتوسيع الإمكانات البشرية على سبيل المثال: غسالة
روبوتات المستوى المتوسط: روبوتات مبرمجة ولكن لا يمكن إعادة برمجتها. تحتوي هذه الروبوتات على دائرة قائمة على المستشعر ويمكنها أداء مهام متعددة على سبيل المثال: غسالة أوتوماتيكية بالكامل
– روبوتات معقدة المستوى: هذه الروبوتات مبرمجة ويمكن إعادة برمجتها كذلك. أنها تحتوي على نموذج الدارات المعقدة. على سبيل المثال: الكمبيوتر المحمول أو الكمبيوتر أو الروبوتات الخدمية

أنواع الروبوتات بحسب الاستخدام:
– الفضاء الخارجي: تُستخدم الأذرع الآلية “الروبوتية” التي تخضع لسيطرة إنسان لتفريغ حمولة الالتحام بين مكوكات الفضاء الخارجي لإطلاق أقمار صناعية أو لإنشاء محطة فضائية
– الاستكشاف: يمكن أن تدخل الروبوتات في البيئات الضارة بالبشر. مثال مراقبة الغلاف الجوي داخل بركان أو التحقيق في الحياة البحرية العميقة حيث استخدمت ناسا مسباراً آلياً للدراسة البيئية منذ أوائل الستينيات
– الروبوتات العسكرية: يتم تشغيل الطائرات بدون طيار الروبوت لمراقبة عن كثب في القوة المسلحة الحديثة في الوقت الحاضر. في المستقبل ، يمكن استخدام الطائرات الآلية والسيارات لنقل النفط والرصاص والقنابل وغيرها أو إزالة حقول الألغام.
– الروبوتات التفاعلية التي تظهر السلوكيات والقدرة التعليمية أحد هذه الروبوتات مملوكة لشركة SONY التي تتنقل بحرية وتستجيب لجميع الأوامر الخاصة بك وتحمل أمتعتك وتستجيب حتى لتعليماتك الشفوية
ويضاف إلى هذه القائمة العديد من الأنواع الأخرى مثل الروبتات المستخدمة في المشافي والأذرع الآلية المستخدمة في صناعة السيارات والعديد أيضاً

الذكاء الاصطناعي في علم الرجل الآلي:
عندما نفكر في الذكاء الاصطناعي (AI) فإن الصورة الرئيسة التي تنبثق أمامنا هي صورة رجل آلي يتجول ويقوم بردود فعل ميكانيكية حيث أن هناك العديد من أشكال الذكاء الاصطناعي ولكن الروبوتات البشرية هي واحدة من أكثر الأشكال شعبية وذلك لظهورها في العديد من أفلام السينما
الآن ، يتم إنشاء الروبوتات لعدة أغراض لا تقتصر على البحث حيث يتم تطوير رجال آليين للقيام بمهام بشرية تحتل أدواراً مختلفة في قطاعات عديدة
إن عملية اختراع ربوبوت متطور وذكي معقدة للغاية ، ويتم العمل والبحث في هذه العملية كثيراً وفي معظم الأوقات يواجه المخترعون والمهندسون بعض التحديات
تستطيع الروبوتات التي تعتمد على الذكاء الاصطناعي اتخاذ قرارات مستقلة بشأن ما يتم إنجازه من العمل ، وكيف يتم إنجازه ، ومن الذي يقوم به أو أن هناك عمل يجب القيام به
ومع الوقت تعمل معظم الشركات للاستفادة من خصائص الذكاء الاصطناعي في تطوير صناعة الوبوتات من حيث دقة العمل والتوقع والمراقبة التعلم وغيرها من الخصائص التي تشهد تطوراً كبيراً

كيف تستخدم شركات التقنية الذكاء الاصطناعي لصنع روبوتات أكثر ذكاءً؟
1. شركة ENGINEERED ARTS
تقوم شركة Engineered Arts بإنشاء روبوتات تشبه البشر حيثا تستخدم مجموعة برمجيات تجعل روبوتات قابلة للتكيف مع وظائف العمل وذات شكل جذاب، تستخدم الشركة أشكالًا متعددة من الذكاء الاصطناعي داخل أجهزتها بما في ذلك التعرف التلقائي على الكلام ورؤية الحاسوبية لمهام مثل التعرف على الوجوه والكائنات
عقدت شركة Engineered Arts شراكة مع باحثين وخبراء في جامعات Leeds و Oxford لإنشاء Ai-Da ، وهو فنان آلي يستخدم رؤية الحاسوبية وخوارزميات الذكاء الاصطناعي لإنتاج الرسومات واللوحات
2. شركة HANSON ROBOTICS
شركة ذكاء اصطناعي وروبوتات تصنع روبوتات شبيهة بالإنسان ليس لها مظاهر بشرية فحسب، بل أيضاً خصائص مثل الاتصال بالعين والتعرف على الوجه والكلام والقدرة على إجراء محادثات طبيعية وباستخدام بشرة خاصة مصنوعة بتقنية النانو تسمى Frubber، يمكن للروبوتات إنتاج تعبيرات عالية الجودة توفر تجربة روبوتية أقل ميكانيكية قريبة إلى البشر
ومن أبرز إنتاجات الشركة الروبوت “صوفيا” الذي حظي باهتمام عالمي كبير وشارك في العديد من الندوات والمحاضرات حول العالم
3. شركة Boston Dynamics
شركة تصنع روبوتات ديناميكية وذكية وقابلة للتكيف فمن خلال تسعة طرز مختلفة تقوم الشركة بتطوير أدوات تحكم قائمة على أجهزة الاستشعار لإعداد الروبوتات تناسب مجموعة متنوعة من البيئات والتضاريس.
إذا كنت من محبي سلسلة BlackMirror”” الخاصة بـ Netflix ، فقد رأيت مفاهيم Boston Dynamics قيد التنفيذ. استلهمت الحلقة التي حملت عنوان “Metalhead” من الموسم الرابع الروبوت القاتل ذو الأربعة أرجل من طراز SpotMini في Boston Dynamics.
4. شركة CLOUDMINDS
نظراً لأن دماغ الإنسان الآلي يحتاج إلى أبعاد جسدية هائلة – أكبر بكثير من تلك الموجودة في عقل بشري فعلي – فإن CloudMinds تمكن المستخدمين من تشغيل روبوتات من السحابة ، حيث تعمل الهواتف المحمولة كوحدات للتحكم في روبوت السحابة (RCU) وتعمل داخل شبكات آمنة.
توفر CloudMinds خدمات روبوتية مثل روبوتات دوريات المطار (مع إمكانيات الرؤية والملاحة)
5. شركة DRONESENSE
منصة DroneSense الخاصة ببرنامج الطائرة بدون طيار تستخدم للسلامة العامة. يمكن تشغيل الطائرات بدون طيار يدوياً أو بشكل مستقل لمساعدة خدمات الإطفاء وفرق الاستجابة لحالات الطوارئ وإنفاذ القانون وعمليات البحث والإنقاذ
تم استخدام الطائرات بدون طيار من قبل شركة خطوط كهرباء تكساس لتقييم أضرار الأعاصير وتوفير الوقت وإبقاء الناس خارج الأبراج التالفة
6. شركة RETHINK ROBOTICS
تقوم Rethink Robotics بتصنيع روبوتات تعاونية يمكنها العمل في نفس العوامل البيئية لعمل البشر ونفس الوسط. تحتاج إلى تدريب مبسط من تحريك أذرع الروبوت لإظهار الإجراء الذي يحتاجه. بالإضافة إلى ذلك ، تقوم روبوتات Rethink تلقائيًا بضبط مقدار القوة اللازمة لمهمة معينة ، مما يخلق بيئات أكثر أمانًا ويزيد من إمكانيات العمل

الخلاصة:
في المرحلة المقبلة العالم سيبقى يراقب وينتظر تطور تطبيقات الذكاء الاصطناعي الذي سيغيير العديد من الأمور التي اعتدنا عليها من قيادة السيارات ورعاية كبار السن وتعليم أطفالنا والمزيد ولا حاجة للشركات المصنعة انتظار الكثير للحصول على روبوتات التي تعتمد على الذكاء الاصطناعي لمساعدتهم على تحسين عملياتهم لأنها أصبحت متوفرة الآن ويمكن إدخالها إلى مراحل التصنيع مباشرةً

المصادر:

https://www.elprocus.com/robots-types-applications/ https://www.forbes.com/sites/jimlawton/2020/08/22/ai-and-robots-not-what-you-think/#3cc0a7a44858 https://www.forbes.com/sites/cognitiveworld/2020/02/25/artificial-intelligence-in-humanoid-robots/#691cfd3124c7 https://builtin.com/artificial-intelligence/robotics-ai-companies https://www.techopedia.com/how-does-ai-interact-with-robotics/7/33456

تطبيقات الرعاية الصحية في الذكاء الاصطناعي

مقدمة:
مع مرور الوقت تنتقل تطبيقات الذكاء الاصطناعي تدريجياً من غرف المختبرات التقنية والمحاكاة التجريبية إلى الحياة العملية لتأخذ دورها المساعد للبشر في الحصول على تنائج دقيقة وسريعة في أعمالهم وذلك بمختلف المجالات الصناعية والتجارية والعلمية والصحية
في هذا المقال سنركز على الجانب الطبي وكيف ساعدت تقنيات الذكاء الاصطناعي مجتمعة والتعلم الآلي العميق خاصة في تشخيص الأمراض والقيام بأعمال جراحية وتحليل نتائج الصور الأشعة وما هي أبرز التطبيقات التي بدأت تستخدم في هذا مجال الرعاية الصحية

تطبيقات الذكاء الاصطناعي في المجال الطبي:

– مشروع InnerEye من مايكروسوفت:
مشروع بحثي يستخدم أحدث تقنيات التعلم الآلي في بناء أدوات مبتكرة للتحليل الكمي التلقائي للصور الإشعاعية ثلاثية الأبعاد حيث يحول الصور الإشعاعية إلى أجهزة قياس
وصف المشروع:
يقوم مشروع InnerEyeعلى تطوير تقنيات التعلم الآلي لتحديد الأورام بالإضافة إلى إمكانية الحصول على التشريح الطبي في صور إشعاعية ثلاثية الأبعاد
قد تمكن تقنية Inner Eye من:
1. استخراج قياسات الأشعة المستهدفة للأشعة الكمية
2. تخطيط دقيق للجراحة للتمكن من تحديد الإجراء المطلوب
3. تحويل الصور الإشعاعية متعددة الأبعاد إلى أجهزة قياس
تم تطوير مشروع InnerEyeباستخدام تقنيات التعلم الآلي والرؤية الحاسوبية حيث يوظّف المشروع خوارزميات مثل “غابات التعلم العميق” Deep Decision Forests”” وكذلك الشبكات العصبية التلافيفية “Convolutional Neural Networks” للحصول على تجزئة فوكسل تلقائية للصور الطبية
“فوكسل”:
واحدة قياس يمثل voxel قيمة على شبكة منتظمة في مساحة ثلاثية الأبعاد وكثيراً ما تستخدم “فوكسل” في التصور وتحليل البيانات الطبية والعلمية

– مشروع Apple ResearchKit:
هناك جهود بحثية عديدة تهدف للحصول على البيانات الصحية الحية واللحظية من مختلف الأجهزة المحمولة بغية الوصول إلى تشخيص سريع للأمراض وبالتالي البدء في العلاج مبكراً
Apple’s ResearchKit هي أداة برمجية مفتوحة المصدر للباحثين الطبيين والأطباء والعلماء لاستخدامها في جمع البيانات عن الأشخاص الذين يعانون من أمراض مثل الشلل الرعاش والسكري و يمكنهم استخدام ResearchKit من إنشاء تطبيقات مراقبة صحية لجهاز iPhone يمكنها جمع البيانات من كل من الهاتف الذكي و Apple Watch. على سبيل المثال يهدف Apple’s ResearchKit إلى علاج مرض باركنسون ومتلازمة أسبرجر من خلال السماح للمستخدمين بالوصول إلى التطبيقات التفاعلية (أحدها ينطبق على التعلم الآلي للتعرف على الوجه) الذي يقيّم ظروفهم
بمرور الوقت حيث أن استخدامهم للتطبيق يغذي بيانات التقدم ويبقي الأطباء على دراية بتطور الحالة المرضية واستجابتها للعلاج
ساعدت التطبيقات المبنية على ResearchKit المؤسسات الطبية على تسجيل عدد غير مسبوق من المشاركين في دراساتهم. وهذا بدوره يساعد الباحثين على اكتساب معلومات أكثر والحصول على نتائج لاعداد هائلة من الحل وفي الوقت الحالي يوجد أكثر من 100.000 مستخدم iPhone لبرامج وتطبيقات ResearchKit

– الجراحة الروبوتية.. نظام Da Vinci:
يمنح النظام الجراحي الآلي da Vinci أطباء الجراحة مجموعة من الأدوات لاستخدامها في إجراء عمليات جراحية طفيفة التوغل بمساعدة الروبوتية
يقوم نظام دافنشي بترجمة حركات يد الجراح في وحدة التحكم بالوقت الفعلي، مع ثني الأدوات وتدويرها أثناء تنفيذ العملية الجراحية
يوفر نظام رؤية دافنشي أيضاً مناظر عالية الدقة ثلاثية الأبعاد للمنطقة الجراحية. حيث يتيح العمل بدقة أكبر من خلال شق واحد أو بضع شقوق الصغيرة وذلك عن طريق توفير رؤية واضحة للجراح

شكوك حول إدخال تطبيقات الذكاء الاصطناعي في مجال الرعاية الصحية:
من أبرز المخاوف التي يخشى منها مستخدمي التقنيات الذكية في المجال الطبي ما يسمى “مشكلة الصندوق الأسود” “Black Box Problem” إذ لا يمكن لنظام التعلم العميق المدرّب أن يشرح “كيف” توصل إلى تنبؤاته – حتى عندما تكون صحيحة وهذا يمثل تحدياً أكبر في مجال الرعاية الصحية التقنية الحديثة حيث لن يرغب الأطباء في اتخاذ قرارات بشأن الحياة والموت دون فهم ثابت لكيفية توصل الجهاز إلى التوصية (حتى لو أثبتت تلك التوصيات صحتها في الماضي)

المصادر:

http://d4connect.com/2020/04/26/machine-learning-use-cases-in-medical-world/
https://www.wareable.com/features/what-is-apple-researchkit-iphone-watch-everything-you-need-to-know-931 https://en.wikipedia.org/wiki/Voxel https://www.microsoft.com/en-us/research/project/medical-image-analysis/ https://www.unitypoint.org/cedarrapids/services-how-does-it-work.aspx https://www.davincisurgery.com/da-vinci-systems/about-da-vinci-systems

_______________________________________________________________________
_______________________________________________________________________

الرؤية الحاسوبية
تعريف وتطبيقات والقدرات المستقبلية

مقدمة:
الذكاء الاصطناعي هو عبارة عن مجموعة علوم تعمل فيما بينها بشكل متناسق ومتجانس لتكوين آلة تستطيع القيام بأعمال البشر وتنفيذها بدقة مشابهة لقدرة الإنسان إن لم تكون بدقة أكبر ومع مرور الزمن وتسارع الاختراعات والاكتشافات في علوم الذكاء الاصطناعي يبقى تأمين حياة مريحة للبشر هي الغاية التي تقوم عليها كل تلك الأبحاث
نتعرف في هذا المقال عن قسم آخر من الأقسام التي تشكل الذكاء الاصطناعي وهي “الرؤية الحاسوبية” وتطبيقاتها المختلفة وكيفية عملها ونتعرف على مستقبل هذا المجال

ما هي “الرؤية الحاسوبية”؟

يتم تعريف رؤية الحاسوبية على أنها مجموعة فرعية من الذكاء الاصطناعي التي تتعامل مع علم صناعة أجهزة الكمبيوتر أو الأجهزة التي يتم تمكينها بصرياً ويركز على تكرار ونسخ نظام الرؤية البشرية على الآلة وتمكين أجهزة الكمبيوتر من تحديد ومعالجة الكائنات في الصور ومقاطع الفيديو بالطريقة نفسها التي يفعلها البشر

من أهم المواصفات التي يجب أن توجد في أي نظام الرؤية هي الحساسية والدقة
– الحساسية: هي قدرة الآلة على الرؤية في الضوء الخافت أو اكتشاف النبضات الضعيفة عند الأطوال الموجية غير المرئية
– الدقة هي قدرة الآلة على التفريق بين الأشياء

تطبيقات “الرؤية الحاسوبية”:

تكمن أهمية الرؤية الحاسوبية في المشكلات التي يمكن حلها باستخدام تطبيقاتها إذ تعد واحدة من التقنيات الرئيسة التي تمكّن العالم الرقمي من التفاعل مع العالم المادي، في التالي نجد بعض من أبرز التطبيقات العملية:
– السيارات ذاتية القيادة:
تمكن رؤية الكمبيوتر السيارات ذاتية القيادة من فهم محيطها حيث تلتقط الكاميرات مقاطع الفيديو من زوايا مختلفة حول السيارة وتغذيها لبرامج الرؤية الحاسوبية التي تعالج الصور في الوقت الحقيقي للعثور على أطراف الطرق، وقراءة إشارات المرور واكتشاف السيارات والمشاة
– تطبيقات التعرف على الوجه:
تلعب الرؤية الحاسوبية دوراً مهماً في تطبيقات التعرف على الوجه وهي التكنولوجيا التي تمكن أجهزة الكمبيوتر من مطابقة صور وجوه الأشخاص بهوياتهم حيث تقوم خوارزميات الرؤية الحاسوبية باكتشاف ميزات الوجه في الصور ومقارنتها بقواعد بيانات ملفات تعريف الوجه
– تطبيقات الواقع المعزز “AR”
تلعب الرؤية الحاسوبية دوراً مهماً في الواقع المعزز والمختلط، وتعد التكنولوجيا التي تمكن الأجهزة الإلكترونية مثل الهواتف الذكية والأجهزة اللوحية والنظارات الذكية من دمج الكائنات الافتراضية في صور العالم الحقيقي
باستخدام الرؤية الحاسوبية يقوم جهاز الواقع المعزز “AR” باكتشاف الكائنات في العالم الحقيقي لتحديد المواقع على شاشة الجهاز لوضع كائن افتراضي
– التطبيقات الإنترنت
تستخدم مكتبات الصور على الإنترنت مثل صور Google الرؤية الحاسوبية لاكتشاف الكائنات وتصنيف صورك تلقائياً حسب نوع المحتوى الذي تحتويه
– التطبيقات الصحية:
تلعب الرؤية الحاسوبية أيضاً دوراً مهماً في التكنولوجيا الصحية حيث يمكن أن تساعد خوارزميات الرؤية الحاسوبية على أتمتة المهام مثل اكتشاف الشامات السرطانية في الصور الجلدية أو اكتشاف الأعراض في الأشعة السينية ومسح التصوير بالرنين المغناطيسي

مستقبل تكنولوجيا الرؤية الحاسوبية:

مع إجراء المزيد من البحوث وإدخال التحسينات على التقنية سيكون هناك مستقبل باهر الرؤية الحاسوبية حيث لن تكون تطبيقات الرؤية الحاسوبية تستخدم لتدريب الآلة أوالخوارزمية فقط وإنما ستتمكن من تحديد الأشياء أكثر مما نفعل نحن الآن
على سبيل المثال ، يمكن دمج تطبيقات التعليق على الصور مع إنشاء لغة طبيعية (NLG) لتفسير الكائنات الموجودة في المناطق المحيطة بالأشخاص ذوي الإعاقة البصرية
وسوف تلعب الرؤية الحاسوبية أيضاً دوراً حيوياً في تطوير الذكاء الاصطناعي “AI” والذكاء الاصطناعي الفائق (ASI) من خلال منحهم القدرة على معالجة المعلومات أفضل من النظام البصري البشري

المصادر:

https://searchenterpriseai.techtarget.com/definition/machine-vision-computer-vision
https://bdtechtalks.com/2020/01/14/what-is-computer-vision/
https://www.analyticsindiamag.com/what-is-the-difference-between-computer-vision-and-image-processing/
https://www.datascience.com/blog/computer-vision-in-artificial-intelligence
https://www.forbes.com/sites/cognitiveworld/2020/06/26/the-present-and-future-of-computer-vision/#18625368517d
_________________________________________________________________________
_________________________________________________________________________

غرفة ذكية لتعلم لغة الماندرين الصينية

طريقة تعليم جديدة:


غالباً ما تكون أفضل طريقة لتعلم اللغة هي العيش في بيئة يتحدث بها الناس اللغة المراد تعلمها حيث أن التعرض المستمر والتواصل مع متحدثي اللغة يساعد في إتقان مفرداتها وممارستها بسرعة لكن لا يحصل الجميع على فرصة العيش أو الدراسة في الخارج
في تعاون بين IBM Research يقدم معهد Rensselaer Polytechnic Institute في نيويروك تجربة فريدة من نوعها لطلابهم تساعدهم على تعلم اللغة الصينية بطريقة تفاعلية باستخدام تطبيقات الذكاء الاصطناعي والواقع الافتراضي

ما هي الغرفة الذكية لتعلم اللغة الصينية؟

بيئة افتراضية 360 درجة تنقل الطلاب إلى شوارع بكين المزدحمة أو إلى مطعم صيني مزدحم. يستطيع الطلاب مجادلة الباعة أو طلب الطعام ، كما أن البيئة مجهزة بقدرات مختلفة من الذكاء الاصطناعي للرد على تساؤلاتهم في الوقت الفعلي، وعلى الرغم من أن الفصل الدراسي تجريبي، إلا أنه يتم استخدامه لأول مرة في دورة دراسية مدتها ستة أسابيع في الجامعة هذا الصيف

دراسة علمية:

خلال السنوات القليلة الماضية وجدت العديد من الدراسات أن بيئات التعلم التفاعلية يمكن أن تزيد من فهم اللغة والتعرف عليها وإتقانها بسرعة أكبر
وفي إحدى الدراسات التي نُشرت في عام 2020 تبين أن تعلم اللغة اليابانية في بيئة افتراضية باستخدام تقنيات الواقع الافتراضي جعل الطلاب أكثر ميلًا لالتقاط المفردات التي واجهوها من خلال المحاكاة وحفظها بشكل أسرع. وانطلاقاً من هذه التجربة تعاون الأساتذة في معهد RPI مع IBM Research لاستكشاف ما إذا كان يمكنهم تكرار هذه التجربة لطلابهم

التفاصيل التقنية للغرفة الذكية:

فبالإضافة إلى إحاطة الطلاب بالإسقاطات الرقمية للمشهد باستخدام تقنيات الواقع الافتراضي تستخدم البيئة “الغرفة الذكية”عدة أنواع من المستشعرات للتكيف ديناميكياً وبشكل فوري مع كلمات الطلاب وأفعالهم وتقوم الميكروفونات التي يرتديها المشاركون بتغذية الصوت مباشرةً في خوارزمية التعرف على الكلام بالإضافة إلى استخدام الكاميرات المزودة بمستشعرات حركة لتعقب تنقلات الطلاب

فعلى سبيل المثال إذا كان الطالب يشير إلى طبق طعام في مشهد المطعم وسأل عن مكوناته يوقم العميل الافتراضي بالرد وإعطاءه الاسم والوصف للطبق
وتسمح تقنية الجيل السردي Narrative-generation technology أيضًا لكل وكيل بإنشاء إجابات أكثر تطوراً للأسئلة باستخدام المعرفة من ويكيبيديا

العديد من التقنيات الموجودة في البيئة الذكية “الغرفة الذكية” هي منتجات متوفرة تجارياً تم دمجها معاً في تجربة متكاملة

ولأن اللغة الصينية “الماندرين” تعتمد على النغم في النطق ويفصل طريقة النطق بالأحرف في معنى الكلام لذا ابتكر الباحثون خوارزمية لتحليل النغمات في نطق الطلاب يقوم بمقارنتها مع المتحدثين الأصليين ويبين المكان الذي يختلفون فيه ، ثم يوفر ملاحظات صوتية ومرئية مباشرة في البيئة. وتتيح للطلاب أن يسألوا عميلاً افتراضياً عن كيفية قول شيء ما والبدء فوراً في ممارسة المفردات الجديدة.

المصادر:

التعلم الآلي التلقائي
Automatic Machine Learning

ما هو التعلم الآلي التلقائي؟
Auto ML هي تبسيط مشاريع علوم البيانات عن طريق أتمتة مهام التعلم الآلي. هي عملية أتمتة المهام التكرارية التي تستغرق وقتاً طويلاً لتطوير نموذج تعلم الآلة حيث تتيح لعلماء البيانات والمحللين والمطورين بناء نماذج ML مع نطاق واسع وكفاءة وإنتاجية مع الحفاظ على جودة النموذج.

“التعلم الآلي التلقائي” هو عملية أتمتة “مهام وخوارزميات وخطوات “التعلم الآلي”” اللازمة لحل المشكلات في الحياة العملية، مما يجعل تطبيقات “التعلم الآلي” متاحة للاستخدام من قبل الجميع دون ضرورة وجود خبرة في الذكاء الاصطناعي

ما الهدف من تطبيق “التعلم الآلي التلقائي”؟
تهدف حلول ML الآلية إلى أتمتة بعض أو كل خطوات عملية التعلم الآلي والتي تشمل:
– معالجة البيانات مسبقاً Data pre-processing
– ميزة الهندسة Feature engineering
– ميزة استخراج Feature extraction
– اختيار ميزة Feature selection
– اختيار الخوارزمية والتحسين الفائق Algorithm selection & hyperparameter optimization

فوائد تطبيق “التعلم الآلي التلقائي”:

– زيادة الإنتاجية عن طريق أتمتة المهام المتكررة. وهذا يمكّن عالم البيانات والباحث من التركيز أكثر على المشكلة بدلاً من التركيز على النماذج
– يساعد أتمتة ML PiPelineأيضًا في تجنب الأخطاء التي قد تحدث يدوياً
– يعد AutoML خطوة نحو إضفاء الطابع الديمقراطي على “التعلم الآلي” من خلال جعل قوة ML في متناول الجميع

ML Pipeline:

هي عملية “التعلم الآلي” يعد Pipeline مفهوماً عاماً ولكنه مهم جداً في عالم البيانات.
في هندسة البرمجيات يقوم الأشخاص ببناء خطوط أنابيب لتطوير البرامج من المصدر “Source Code” إلى النشر وبالمثل في ML يتم إنشاء خط أنابيب للسماح بتدفق البيانات من مصدرها الخام إلى بعض المعلومات المفيدة.

من أنظمة “التعلم الآلي التلقائي” Frameworks الأكثر استخدماً:

– MLBOX:
هي آلية قوية تستخدم في تعليم مكتبة بايثون وتحوي هذه المكتبة على الميزات التالية:
1. قراءة سريعة وتوزيع البيانات قبل المعالجة / التنظيف / التنسيق
2. اختيار قوي للميزات واكتشاف الخلل والتحسين الدقيق للمقاييس
3. التنبؤ بتفسير النموذج
MLBox – Pipeline:
تحتوي الحزمة الرئيسية لـ MLBox على 3 حزم فرعية لأتمتة المهام التالية:
ما قبل المعالجة: لقراءة ومعالجة
ما قبل البيانات التحسين: لاختبار النماذج والتحقق من صحتها
التنبؤ: لصنع التنبؤات

– Auto-Sklearn:
هي حزمة تعلم آلية تلقائية مبنية على Scikit-learn.
يحرر sklearn مستخدم التعلم الآلي من اختيار الخوارزمية وضبط hyperparameter تحوي على الميزات التالية:
1. الأساليب الهندسية للميزات feature engineering methods مثل: one-hot encoding, numeric feature standardization, PCA وتستخدم هذه الأساليب غالباً في حل مشكلات التصنيف والتراجع
2. Auto-Sklearn يؤدي أداءً جيداً في مجموعات البيانات الصغيرة والمتوسطة ، ولكن لا يمكن تطبيقه على أنظمة التعليم العميق الحديثة التي تستخدم على مجموعات البيانات الكبيرة
Auto-Sklearn Pipeline:
يقوم sklearn بإنشاء خط أنابيب وتحسينه باستخدام بحث بايزي Bayesian search

– H2o:
هو مصدر متاح ومجاني بالكامل وزعت منصة التعلم آلة في الذاكرة من شركة H2o.ai.
يدعم H2o خوارزميات التعلم الإحصائي والآلي الأكثر استخداماً ، بما في ذلك الآلات المعززة للتدرج ، والنماذج الخطية المعممة ، ونماذج التعلم العميق ، وأكثر من ذلك
يتضمن H2O وحدة تعلم آلية تلقائية تستخدم خوارزمياتها الخاصة لإنشاء Pipeline تقوم بإجراء بحث شامل حول أساليب والميزات الهندسية الخاصة بها ومعلمات النماذج الفائقة لتحسين الـPipelines
تعمل H2O على أتمتة بعض المراحل في تعلم البيانات والتعلم الآلي ، مثل هندسة الميزات والتحقق من صحة النموذج وضبط النموذج واختيار النموذج ونشر النموذج. بالإضافة إلى ذلك ، فإنه يوفر أيضاً تصورات تلقائية وقابلية للتعلم الآلي (MLI).

– Cloud AutoML:
هي عبارة عن مجموعة من منتجات التعلم الآلي من Google والتي تتيح للمطورين ذوي الخبرة المحدودة في تعلم نماذج عالية الجودة والتدريب مناسبة لاحتياجات أعمالهم من خلال الاستفادة من أحدث تقنيات وتكنولوجيا البحث في الهندسة العصبية ” Neural Architecture Search technology” من Google

تقدم خدمات التعلم الآلي بطريقة بسيطة وسهلة للغاية ولكن الجانب السلبي منها أنها ليست مجانية

تصنيف وسطاء الفوركس 2020:
  • FinMaxFx
    FinMaxFx

    أفضل وسيط فوركس لعام 2020!
    الخيار الأمثل للمبتدئين!
    تدريب مجاني!
    حساب تجريبي مجاني!
    مكافأة على التسجيل!

Like this post? Please share to your friends:
الاستثمار في التداول
Leave a Reply

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: