الذكاء الاصطناعي والتعلم العميق.. أدوار كبيرة في تطوير المنظومة التعليمية

53

AI بالعربي – “خاص”

يُمثّل الذكاء الاصطناعي المجال العام أو العنوان العريض في عملية التعلم العميق الذي أصبح يتجاوز أقصى ما كان يمكن أن تفعله الآلات، وذلك عن طريق استخدام خوارزميات “الشبكات العصبية”، لذلك أصبح المُطوِّرون ورجال الأعمال في حاجة ماسة إلى فهم هذه الخوارزميات ومعرفة طريقة عملها، ويُطلق على هذا النوع الفريد من الخوارزميات اسم “الشبكات العصبية”، والتي تجاوزت كل المعاملات السابقة لتصنيف الصور والنصوص والكلمات، كما تدعم بعض أهم التطبيقات في العالم مثل السيارات ذاتية القيادة والترجمة الآنيّة.

Introduction to Deep Learning | Hacker Noon

ما هو التعلم العميق؟

يُعد التعلم العميق أحد فروع التعلم الآلي من خلال الخوارزميات المستوحاة من بنية ووظائف الدماغ، والتي يُطلق عليها اسم “الشبكات العصبية الاصطناعية Artificial Neural Networks”، وترتكز هذه الطريقة في التعلم على “الشبكات العصبية الاصطناعية”، والتي يمكن أن تكون خاضعة للإشراف أو شبه خاضعة أو حتى تركها من دون إشراف.

أصبحت دقة التعرف على الأشياء أو الكلام أو الصور في التعلم العميق أفضل بكثير من أي وقت مضى، وذلك لسببين رئيسيين هما:

• تَوفُّر كمية كبيرة من البيانات المُسماة والمُصنفة.
• الزيادة الكبيرة في قوة الحواسيب، بسبب إدخال وحدة معالجة الرسوميات عالية الأداء والحوسبة السحابية.

تختلف تطبيقات التعلم العميق المحتملة في العديد من الصناعات، بعدما دخل استخدام التعلم العميق في التحكم بالسيارات ذاتية القيادة، كما دخل في المجال الطبي بالكشف عن الخلايا السرطانية عبر الأشعة السينية، بالإضافة إلى اختبارات التصوير الشعاعي، والمساعدة في فعالية الطاقة وكفاءتها، والكثير من الاستخدامات.

وكما هو معروف فإن أساليب التعلم العميق تحاكي نظام الخلايا العصبية البشرية التي يشار إليها بـ”الشبكات العصبية العميقة”، لأن معظمها يستخدم “شبكات عصبية اصطناعية”، لذلك وفي الظروف القياسية للتعلم الآلي إذا كان هدفنا هو التعرف على الكلب، فيجب علينا إدخال مزايا المُخرجات المرجوة يدويًا، مثل الكشف عن أنواع الكائنات والحواف وما إلى ذلك.

لكن في أساليب التعلم العميق فإنك لا تحتاجُ لاستخراج المزايا يدويًا، فهي مُدرَّبة على استخدام قاعدة كبيرة من البيانات المُسماة والمُصنفة، عن طريق هياكل الشبكات العصبية التي تتعرف على هذه المزايا مباشرة من قاعدة البيانات.

الأسباب التي أدت إلى استخدام التعلم العميق في الأنظمة التعليمية:

هناك عدد من الأسباب التي أدت إلى استخدام التعلم العميق في الأنظمة التعليمية في الارتقاء بالعملية التعليمية، وفيما يلي سنستعرض أهم تلك الأسباب:

أولًا: ظهور التقنية الرقمية التي شرعت في الهيمنة على مفاصل الحياة المعاصرة، وبالتالي غيّرت من طرق ممارسة الحياة في الأكل والشراب والكلام والتنقل والتواصل والزراعة والصناعة وغيرها من المجالات.

ثانيًا: ظهور مد جارف للمعرفة غير مسبوق في تاريخ البشرية، جاء كنتيجة مباشرة لانتشار التقنية الرقمية في الحياة المعاصرة، حيث يقدر العلماء حجم المعرفة الذي تَكَوّن في عام 2015 بما يساوي حجم المعرفة البشرية الذي تَكَوّنَ منذ فجر البشرية حتى العام 2014.

ثالثًا: النتائج البائسة للتعليم التقليدي في تحقيق أهداف التعليم، حيث تشير الدراسات إلى أن 40% من التلاميذ على مستوى العالم، لم يتعلموا المهارات الأساسية المتمثلة في القراءة والكتابة والحساب بشكل مناسب، رغم إكمالهم عامهم الدراسي الرابع.

أمثلة على تطبيقات التعلم العميق:

يتم استخدام التعلم العميق حاليًا في معظم أدوات التعرف على الصور الشائعة، وفي معالجة بروتوكولات “NLP” وبرامج التعرف على الكلام، كما بدأت هذه الأدوات تظهر في مختلف التطبيقات المتنوعة مثل: السيارات ذاتية القيادة، وخدمات ترجمة اللغات، والتطبيقات المختلفة مثل “فيسبوك”.

حدود التعلم العميق:

أكبر قيود عملية التعلم العميق هي أنّها تتم من خلال الملاحظات، وهذا يعني أن المعلومات تقتصر فقط على ما كان في البيانات التي تم تدريب النماذج عليها، أي أنه إذا كان لدى المستخدم كمية صغيرة من البيانات محدودة المصادر، فذلك لن يمثل بالضرّورة منطقة وظيفية أوسع، ولن تتدرب النماذج بطريقة يمكن تعميمها.

اترك رد

Your email address will not be published.