• صاحب المنشور: منتصر بالله المغراوي
  
  ملخص النقاش:
  أصبح تداخل أدوار الذكاء الاصطناعي والتعلم الآلي موضوعًا مثيرًا للجدل في السنوات الأخيرة. حيث يعتبر الكثيران أنهما وجهان لعملة واحدة، بينما ينظر البعض الآخر إلى وجود اختلافات جوهرية بينهما. هذا التداخل ليس مجرد نقاش نظري فحسب، ولكنه له آثار عملية كبيرة على كيفية تطوير واستخدام هذه التقنيات في مختلف القطاعات.

الذكاء الاصطناعي (AI) هو مجال واسع يشمل مجموعة متنوعة من الأساليب والخوارزميات التي تسمح للحواسيب بتقليد بعض القدرات البشرية مثل التعرف على الصور والنطق والاستدلال المنطقي واتخاذ القرار. يتضمن ذلك نماذج متعددة، بما فيها الشبكات العصبونية العميقة والتي تعتمد عليها تقنية التعلم العميق - وهي جزء مهم من الذكاء الاصطناعي.

من ناحية أخرى، يشير التعلم الآلي (ML) إلى فرع من ذكاء اصطناعي الذي يستخدم البيانات لتدريب الأنظمة بغرض تحسين دقتها وقدرتها على حل المشكلات الجديدة بدون برمجتها مباشرة. فهو يعمل ضمن نطاق أكبر ضمن محيط الذكاء الاصطناعي لكنهما غالبًا ما يتم الخلط بينهما بسبب التشابه الكبير في التطبيق والتأثير.

الاختلافات الرئيسية:

1. التعلم الفائق مقابل التعلم غير الفائق: بينما يمكن اعتبار كل من ML و AI أشكالاً مختلفة من "التعلم"، فإن الفرق الرئيسي يكمن هنا. فالذكاء الاصطناعي يمكن أن ينطوي على تعلم بشروط معينة ("غير فائق") وكذلك يمكن استخدام خوارزميات التعلم العميق ذات القوى المتقدمة للتحكم الدقيق والمع复 للغاية تحت ظروف ثابتة نسبياً. أما في حالات أكثر مرونة ومتطلبة، كأنظمة الروبوتات أو السيارات الذاتية القيادة، فقد تتطلب الأمور مستوى أعلى بكثير من المرونة حتى داخل بيئة واحدى وهو ما يعرف بالـ "FSL" -أو Supervised Learning-.

1. بيانات التدريب: غالبًا ما يُستخدم مصطلح "Data-Driven" عند الحديث حول تقنيات الـ ML لأن تلك العمليات تستند أساسًا وبشكل كبير جدًا لأغراضها على مجموعات بيانات محددة لدعم قراراتها. وهذا الأمر أقل شيوعا بالنسبة للتطبيقات الأخرى المرتبطة بمفهوم الذكاء الأصطناعي الشامل والذي قد يعالج مواقف جديدة تمامًا ولذلك يعتمد قدرته التفكير والإبداع والتكيف بسرعة مع المواقف الغير معروفة سابقاً بنفس القدر الكبير للدلالة الحاسوبية المعروفة باسم 'Rule Based'.

1. **الدقة والملاءمة العامة vs قابلية الاستخدام المحلية':' تعكس دقة نتائج نظام قائم على تقنية الـ Machine Learning اعتماده الأكبر على كمّ المعلومات المدربة به سابقا؛ لذا رغم أنها توفر أفضل النتائج الأولية إلا إنها قد تشهد انخفاض جودة ملحوظ حين تعرض لمهام مغاير لما تم تدريب النظام عليه أصلا خلاف الوضع الذي يحدث عندما تتم تعليم قطعة برنامج بأسلوب more traditional like Lisp machine---حيث تظل لها قوة استثنائيّة لاتجاه تصاعدي مقارنة بقدرتها على التأقلم تجاه تغييرات صغيرة بما يكفي لإنجاز عمل جديد مشابه للقاعدة التعليمية التاريخية ولكن باستخدام تفاصيل جديدة قليلاً عبر الزمان المكاني للمهمة الجارية الآن!. كما سنرى لاحقاً كيف تؤثر هذه القضية بطريقة عميقة وكبيرة فيما يلي!

إن فهم طبيعة العلاقة بين هذين المجالان يساهم بشكل كبير لفهم فعالية استخداماتهما الحديثة والجوائز المحتملة مستقبلاً أيضًا مما يعني ضرورة إدراك جوانب لكل منهما قبل الحكم النهائي سواء اتفقنا أم اختلفنا بشأن مدى ارتباط أحدهما بالأخر...