جدول المحتويات

• مقدمة في تعلم الآلة
• التعلم الالي
• التعلم الخاضع للإشراف
• تراجع
• خوارزمية الانحدار الخطي
• تصنيف
• دعم شاحنات النقل
• تعليم غير مشرف عليه
• K- يعني التجميع
• خوارزمية شبه خاضعة للرقابة
• تعزيز التعلم
• تعلم عميق
• الشبكة العصبية العميقة
• تطبيقات الذكاء الاصطناعي
  • تسويق
  • الخدمات المصرفية
• مقالات مقترحة

مقدمة في تعلم الآلة

لطالما حلم الباحثون ببناء آلات خيالية. عندما تم اختراع أجهزة الكمبيوتر القابلة للبرمجة لأول مرة ، تساءل الناس عما إذا كانت هذه الآلات تصبح يومًا ما ذكية مثل البشر وقادرة على القيام بمهام مثل البشر. اليوم ، الذكاء الاصطناعي هو تقنية ناشئة مع مجموعة متنوعة من التطبيقات في مختلف المجالات. يتمثل مفهوم الذكاء الاصطناعي في محاكاة الذكاء البشري في آلات اصطناعية بحيث تكون الآلات قادرة على التفكير وأداء المهام مثل البشر.

لماذا نحتاج إلى أي تقنية تعمل مثل البشر في جميع الجوانب؟

البشر لديهم دقة جيدة للغاية للقيام بالعمل ولكن الكفاءة تجاه العمل ليست مرضية وهناك دائما حد لتسريع العمل من قبل البشر ولكن هذا ليس هو الحال من الآلات وكذلك العمل الذي تقوم به الآلات دقيق للغاية، موحدة القابلة للتطوير.

في القرن التاسع عشر، حدثت ثورة البرمجيات للتغلب على هذه المشاكل ولكنها ليست كافية بما يكفي للتعامل مع هذه المشاكل. البرنامج قادر على تنفيذ المهمة التي يتم تعريفها رسميا في مجموعة من القواعد بحيث تكون قادرا على كتابة برنامج من قبل المبرمج من خلال النظر في هذه القواعد.

على سبيل المثال ، حساب مجموع رقمين معينين. في عالم اليوم ، من حيث السرعة والدقة ، يمكن لأجهزة الكمبيوتر التغلب على أي إنسان في هذه المهمة. لكن المشكلات التي لا تحتوي على مجموعة من القواعد الرسمية وتتطلب ذكاءً بشريًا ، فمن الصعب جدًا حل هذه المشكلة بواسطة أجهزة الكمبيوتر.

على سبيل المثال، للتعرف على الوجوه، يمكن للبشر من التعرف على الوجوه بسهولة شديدة ولكن من الصعب للغاية أن تتعرف أجهزة الكمبيوتر لأنها معقدة للغاية لكتابة القواعد الرسمية للوجوه. لذلك التحدي الحقيقي للذكاء الاصطناعي هو حل المهام التي يسهل تنفيذها من قبل البشر ولكن من الصعب أن يصف البشر رسميا.

لنأخذ مثالاً على نظام لعب الشطرنج Deep Blue الذي طورته شركة IBM. يمكن تحديد قواعد الشطرنج بالكامل من خلال مجموعة من القواعد الرسمية. لذلك تم تحويل هذه القواعد بسهولة إلى البرنامج بواسطة المبرمج وقدمها المبرمج مسبقًا.

يحاول الذكاء الاصطناعي معالجة هذا التحدي عن طريق نقل الذكاء البشري إلى الآلات ذات القدرات الحسابية غير القابلة للتحسن.

في الحياة اليومية، يتطلب الإنسان معرفة العالم بحل مهمتهم ومثل هذه المعرفة ذاتية وبديهية لذلك من الصعب على مبرمج التعبير في مجموعة من القواعد.

لذلك من هنا نحن قادرون على فهم ذلك، أن تتصرف مثل البشر أو بعبارة أخرى يتصرف بطريقة ذكية، تتطلب أجهزة الكمبيوتر معرفة مماثلة بحيث يكون التحدي الرئيسي في منظمة العفو الدولية هو وضع هذه المعلومات غير الرسمية أو الشخصية في الكمبيوتر والباحثين في الاصطناعي مجال المخابرات ، في الأساس يحاول تحقيق هذا الهدف.

اكتشف الباحثون الطريقة الأساسية لتحقيق هذا الهدف. لقد استخدموا نهج قائم على المعرفة. في هذا النهج ، يقوم الباحثون بترميز المعرفة حول العالم باللغات الرسمية.

يمكن لأجهزة الكمبيوتر التفكير تلقائيًا في العبارات في هذه اللغات الرسمية باستخدام قواعد الاستدلال المنطقي. نظرا لأن هذا هو النهج الأساسي والبسيط والأسيا، فإن المشروع يستخدم هذا النهج غير ناجح لأن الباحثين يكافحون من وضع قواعد رسمية مع وجود تعقيدات كافية لإبداء العالم بدقة العالم. أحد الأمثلة على مثل هذا المشروع هو Cyc. ساي سي هو محرك استنتاج.

الصعوبة التي تواجهها المشاريع المذكورة أعلاه (القائمة على النهج القائم على المعرفة) تعتمد على المعرفة المشفرة. لذا للتغلب على هذه الصعوبة، تحتاج أنظمة منظمة العفو الدولية إلى القدرة على الحصول على معارفها الخاصة من العالم، عن طريق استخراج أنماط من البيانات الخام. تُعرف هذه الإمكانية باسم 'التعلم الآلي'.

التعلم الالي

تقدم مقدمة التعلم الآلي أجهزة الكمبيوتر القدرة على الحصول على معرفة العالم الحقيقي واتخاذ القرارات التي تبدو ذاتية. بهذه الطريقة ، يكون التعلم الآلي قادرًا على التغلب على قيود النهج القائم على المعرفة.

بحسب ويكيبيديا

التعلم الآلي هو دراسة خوارزميات الكمبيوتر التي تتحسن تلقائيًا من خلال التجربة.

بحسب ميتشل

يقال إن برنامج كمبيوتر يتعلم من الخبرة E فيما يتعلق ببعض الفئة من المهام T وقياس الأداء P، إذا كان أدائه في المهمة في ر، كما يقاس بواسطة P، يحسن مع خبرة ه

هناك العديد من أنواع خوارزميات التعلم الآلي الموجودة في الأدب. هنا يتم تجميع الخوارزميات على أساس أسلوب التعلم. يظهر التجميع الواسع للخوارزميات من خوارزميات التعلم الآلي في الشكل 1. دعونا نرى بالتفصيل واحدا تلو الآخر.

تجميع خوارزمية التعلم الآلي على أساس أسلوب التعلم

التعلم الخاضع للإشراف

التعلم الخاضع للإشراف كما يوحي الاسم هو وجود مشرف كمدرس. في التعلم الخاضع للإشراف ، نقوم بتدريب أجهزتنا باستخدام البيانات المصنفة. تعني البيانات المصنفة أنه يوجد لكل إدخال ناتج جيد التسمية.

في عملية التدريب ، تكتسب الآلات المعرفة بالعالم من البيانات المصنفة. بعد التدريب ، يتم تزويد الجهاز بمجموعة جديدة من البيانات للتنبؤ بالنتيجة. الهدف هو جعل الآلات تتعلم من بعض الأنماط مماثلة تم الحصول عليها من مجموعة بيانات التدريب وتطبيق المعرفة المستفادة على DataSet تم اختبارها للتنبؤ بالإخراج الحقيقي.

لنأخذ مثالاً على مجموعة بيانات Iris لفهمها بشكل أفضل. مجموعة بيانات Iris عبارة عن مجموعة من القياسات لأجزاء مختلفة من 150 نبتة قزحية. يتكون كل مثال في مجموعة البيانات من قياس كل جزء من أجزاء النبات مثل طول السبل وعرض السبل وطول البتلة وعرض البتلة. تسجل مجموعة البيانات أيضًا الأنواع التي ينتمي إليها كل نبات. هناك ثلاثة أنواع مختلفة موجودة في مجموعة البيانات. لذلك كما نرى هنا في مجموعة بيانات Iris ، تم تصنيف كل نبات Iris بأنواعه.

يمكن لخوارزميات التعلم الخاضع للإشراف دراسة مجموعة البيانات هذه وتعلم تصنيف نبات القزحية إلى ثلاثة أنواع مختلفة بناءً على قياساتها

يعني مصطلح التعلم الإشرافه بشكل أساسي أن الهدف ذ يتم توفيره من قبل المعلم الذي يظهر الجهاز ماذا تفعل.

التعلم الخاضع للإشراف يصنف إلى فئتين من الخوارزمية كما هو مبين في الشكل: 2.

تراجع

تتنبأ خوارزميات الانحدار بالنتيجة المستمرة (الهدف) بناءً على واحد أو أكثر من قيم الإدخال أو التوقع. بكلمات بسيطة ، قيمة المخرجات هي قيمة حقيقية مثل الأوزان.

هناك أنواع مختلفة من خوارزميات الانحدار. تعتمد أنواع خوارزميات الانحدارات المختلفة على عدد المتغيرات المستقلة، وشكل خط الانحدار، ونوع المتغير التابع. دعونا نرى بعض أنواع تقنيات الانحدار.

يعد الانحدار الخطي أحد أكثر خوارزميات الانحدار شيوعًا للتنبؤ بالقيمة المستمرة. هنا يفترض العلاقة الخطية بين المدخلات (المتنبئ) والإخراج.

خوارزمية الانحدار الخطي

تشير أسماء الانحدار الخطي إلى أنها قادرة على حل مشاكل الانحدار. الهدف من هذه الخوارزميات هو بناء نظام يمكن أن يأخذ متجه X والتنبؤ بقيمة العددية Y كإخراج. بكلمات بسيطة، تضع هذه الخوارزمية العلاقة بين المدخلات والإخراج باستخدام أفضل خط مستقيم مناسب.

ص = wTx

هنا w هو متجه المعلمات. المعلمات هي القيم التي تتحكم في سلوك النظام.

يمكننا التفكير في 'w' كمجموعة من الأوزان التي تحدد كيفية تأثير كل ميزة على المخرجات. الميزة ليست سوى خاصية مميزة للإدخال.

فمثلا

لنفترض أننا نريد أن يكون لدينا نظام قادر على التنبؤ بسعر السيارات المستعملة. هنا الميزات هي سمات السيارة التي نعتقد أنها تؤثر على قيمة سيارة مثل العلامة التجارية والسنة وكفاءة المحرك والقدرة والأميال والعديد من المعلومات الأخرى.

ص = w0 * السعة + w1 * الأميال + w3 * كفاءة المحرك

إذا كانت هذه الميزات تتلقى أوزانًا موجبة ، فإن الزيادة في هذه الأوزان تزيد من قيمة تنبؤنا والعكس صحيح. إذا كانت الأوزان 'wi' كبيرة من حيث الحجم ، فإن لها تأثيرًا كبيرًا على التنبؤ. إذا كان الوزن 'wi' يساوي 0 ، فلن يكون له أي تأثير على التنبؤ.

تصنيف

التصنيف هو مفهوم تعليمي خاضع للإشراف يحاول التنبؤ بالفئات التي ينتمي إليها المدخل. لحل مشكلة التصنيف ، ستحاول خوارزميات التعلم إنتاج الدالة شيئًا مثل f: R- {1،2،… k}. بكلمات بسيطة ، عندما يكون الناتج متغيرًا ، فهو فئة مثل مرض أو غير مرض ، أي في هذه المشكلة يكون الناتج منفصلًا. على سبيل المثال ، في مجموعة بيانات Iris ، علينا أن نتنبأ بثلاث فئات من الأنواع معطى ثلاث ميزات (طول sepal (sl) ، عرض sepal (sw) ، طول البتلة (pl) ، عرض البتلة (pw)) في أحد المدخلات.

لنأخذ مثالاً آخر على التعرف على الأشياء لفهمها بوضوح

هنا المدخل هو صورة والمخرج هو رمز رقمي يحدد الكائن في الصورة.

هناك عدد من خوارزميات التصنيف. تشمل خوارزميات التصنيف الدعم الانحدار اللوجستي آلة متجهية، شجرة القرار، غابة عشوائية، إلخ. دعونا نرى بعض الخوارزميات بالتفصيل.

دعم شاحنات النقل

آلة ناقلات الدعم هي خوارزمية تعليمية تحت إشراف يمكن استخدامها لمشاكل التصنيف والانحدار ولكن في الغالب يتم استخدامها لمشاكل التصنيف.

نظرا لمجموعة بيانات تدريبية، يتم تصنيف كل منها كواحد أو آخر فصولتين، تقوم خوارزمية التدريب على SVM بنموذج يعين أمثلة جديدة على فئة واحدة أو أخرى، مما يجعلها مصنف خطي ثنائي غير احتمالي.

في الأساس هذه الخوارزمية تحاول العثور على Hyperplane الأمثل في مكان N N-VIDENAL الذي يصنف أمثلة جديدة. في مساحة ثنائية الأبعاد (عندما يكون عدد ميزات الإدخال اثنين) هذا الارتفاع ليس سوى الخط يقسم الطائرة إلى قسمين كما هو موضح في الشكل الثالث.

وفق ويكيبيديا

نموذج SVM هو تمثيل للأمثلة كأجوال في الفضاء، مع تعيين بحيث يتم تقسيم أمثلة الفئات المنفصلة على وجود فجوة واضحة بأكملها واسعة قدر الإمكان. ثم يتم تعيين أمثلة جديدة في نفس المساحة وتوقع أن تنتمي إلى فئة تستند إلى جانب الفجوة التي تقع عليها.

الشكل 3

يحاول SVM تعظيم الهامش بين الفئتين. يتم تحقيق الحد الأقصى للهامش بواسطة Hyperplane الذي يحتوي على أكبر مسافة إلى أقرب نقطة بيانات تدريبية لأي فئة.

هذا أمر بديهي جدا للفهم. يمكننا أن نرى في الشكل، سيتم تصنيف جميع نقاط البيانات التي تندرج على جانب الخط كصف واحد، وسيتم تصنيف النقاط التي تسقط على الجانب الآخر من الخط كطبقة ثانية. الآن كما نرى في الشكل 3 ، هناك عدد لا حصر له من الخطوط التي تمر بينها.

فكيف نعرف أي خط يعمل بشكل أفضل؟ تحاول هذه الخوارزمية تحديد خط لا يفصل الفئتين فقط ولكن يبقى بعيدا عن أقرب عينات ممكنة كما هو موضح في الشكل 3.

تعليم غير مشرف عليه

عند التعلم الخاضع للإشراف، فإن الهدف هو تعلم التعيين من المدخلات إلى الإخراج التي يتم توفير قيمها الصحيحة من قبل المشرف. في التعلم غير الخاضع للإشراف ، يتم تقديم بيانات الإدخال فقط ولا يوجد مثل هذا المشرف. الهدف هو العثور على انتظام المدخلات.

هناك بنية لمساحة الإدخال بحيث تحدث بعض الأنماط أكثر من غيرها.

هناك طريقتان رئيسيتان مستخدمتان في التعلم غير الخاضع للإشراف هما التحليل العنقودي والمكون الرئيسي.

في تحليل الكتلة ، الهدف هو العثور على تجميع للمدخلات.

لنأخذ مثالاً لنفهمه بوضوح

جميع الشركات لديها الكثير من بيانات العملاء. تحتوي بيانات العميل على معلومات ديموغرافية بالإضافة إلى المعاملة السابقة مع الشركة. قد تكون الشركة مهتمة برؤية توزيع ملف التعريف لشركتها، لمعرفة نوع العميل الذي يحدث في كثير من الأحيان. في مثل هذه السيناريوهات ، يخصص التجميع عملاء متشابهين في سماتهم لنفس المجموعة. قد تساعد هذه المجموعات العنقودية في تحديد استراتيجيات الشركة على سبيل المثال الخدمات والمنتجات الخاصة بمجموعات مختلفة.

خوارزمية شائعة للقيام بتحليل التجميع هذا هي K-mean clustering. دعونا نناقش الوسائل الكورية بمزيد من التفصيل.

K- يعني التجميع

تعد K-mean clustering واحدة من خوارزميات التعلم غير الخاضعة للإشراف الشائعة وأبسطها.

K-Weale عبارة عن خوارزمية مقرها على الألف القرن، حيث نحسب مسافات النقاط المحددة من القرن الوسطى لتعيين نقطة إلى مجموعة. في K-Means ، ترتبط كل مجموعة بنقطة مركزية.

تعمل هذه الخوارزمية على النحو التالي:

1. أولاً ، قم بتهيئة نقاط k بشكل عشوائي تسمى الوسيلة
2. بعد ذلك، صنف كل عنصر إلى أقرب متوسط ​​وتحديث إحداثيات الوسط، والتي هي متوسطات العناصر المصنفة في هذا يعني حتى الآن.
3. كرر هذه الخطوات لعدد معين من التكرارات وبعد العدد المحدد من التكرارات ، لدينا مجموعاتنا.

الشكل: 4

خوارزمية شبه خاضعة للرقابة

في التعلم الخاضع للإشراف ، رأينا أنه يجب تسمية مجموعة البيانات يدويًا بواسطة البشر. هذه العملية مكلفة للغاية لأن حجم مجموعة البيانات كبير جدًا. في التعلم غير الخاضع للإشراف ، لا يلزم وجود مجموعة بيانات معنونة ولكن نطاق تطبيقاتها محدود.

لمعالجة هذه القيود ، تم تقديم مفهوم التعلم شبه الخاضع للإشراف. في هذا النمط من التعلم ، يتم تدريب الخوارزمية بمزيج من كمية صغيرة من البيانات المصنفة وكمية كبيرة من البيانات غير الموسومة. يقع التعلم شبه الخاضع للإشراف بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.

من أجل تقديم أي استخدام للبيانات غير المسبقة، يفترض خوارزمية شبه إشراف العلاقة التالية حول البيانات -

استمرارية :يفترض أن النقاط الأقرب لبعضها من المرجح أن تشترك في نفس تسمية الإخراج.العنقودية :إذا كان من الممكن تقسيم البيانات إلى مجموعات منفصلة ، فمن المرجح أن تشارك النقاط في نفس المجموعة التسمية.المنوع:تقع البيانات تقريبًا على مشعب ذي أبعاد أقل بكثير من مساحة الإدخال. يسمح هذا الافتراض باستخدام المسافات والكثافات المحددة في أ متشعب .

يمكننا أن نفهم هذه الأنواع الثلاثة من أنماط التعلم وهي التعلم تحت إشراف، والتعلم غير المدعوم، والتعلم شبه الإشرافه من خلال التعلق بالعالم الحقيقي.

التعلم بإشراف حيث يكون الطالب تحت إشراف المعلم. في التعلم غير الخاضع للإشراف حيث يتعين على الطالب معرفة مفهوم ما بنفسه. التعلم شبه الخاضع للإشراف حيث يقوم المعلم بتدريس بعض المفاهيم في الفصل وإعطاء أسئلة كواجب منزلي تستند إلى مفاهيم مماثلة.

تعزيز التعلم

التعلم المعزز هو التعلم من خلال التفاعل مع البيئة. تتضمن عملية التعلم ممثلًا وبيئة وإشارة مكافأة. يختار الممثل اتخاذ إجراء في بيئة يكافأ فيها الممثل وفقًا لذلك. هنا ناتج النظام هو سلسلة من الإجراءات.

في مثل هذه الحالة، لا يتضح عمل عمل واحد، وهنا سلسلة من الإجراءات التصحيحية للوصول إلى الهدف مهم. هذا يسمى أيضا السياسة. يريد الممثل زيادة المكافأة التي يتلقاها وبالتالي يجب أن يتعلم سياسة مثالية وجيدة للتفاعل مع البيئة. وخير مثال على ذلك هو الألعاب. في اللعبة ، حركة واحدة بحد ذاتها ليست مهمة ، فهي تتطلب سلسلة من الحركات الصحيحة الجيدة (أي الحركات تؤدي إلى الفوز)

الشكل 5: إعداد التعلم التعزيزي

يختلف التعلم المعزز كثيرًا عن أنواع التعلم الأخرى التي غطيناها حتى الآن. كما رأينا في التعلم الخاضع للإشراف، نحصل على البيانات والملصقات ويتم تكليفنا بالتنبؤ بالبيانات المعينة. في التعلم غير الخاضع للإشراف ، يتم إعطاؤنا البيانات فقط ويتم تكليفنا بإيجاد البنية الأساسية في البيانات. في التعزيز ، لا نعطي بيانات ولا تسميات.

تطبيقات التعلم المعزز هي

1. سيارة ذاتية القيادة
2. التحكم الآلي في المحرك
3. التحكم في تكييف الهواء
4. وضع الإعلان الأمثل
5. استراتيجيات تداول سوق الأسهم
6. اللعب

تعلم عميق

عندما نقوم بتحليل صورة السيارة ، فإن البكسل الفردي في صورة السيارة الحمراء يكون قريبًا جدًا من الأسود في الليل. قد يمنحك هذا المثال نظرة ثاقبة للصعوبة التي تواجهها العديد من تطبيقات الذكاء الاصطناعي. من الصعب جدًا استخراج مثل هذه الميزات عالية المستوى والمجردة لأنها تتطلب فهمًا على مستوى الإنسان.

يعالج التعلم العميق هذه المشكلة عن طريق إنشاء ميزات معقدة من واحدة بسيطة. المثال الأساسي لنموذج التعلم العميق هو Multilayer Perceptron. تعد Multilayer Perceptron مجرد وظيفة رياضية تعين قيم الإدخال لقيم المخرجات. تتكون هذه الوظيفة من العديد من الوظائف الأبسط.

التعلم العميق هو نوع خاص من التعلم الآلي الذي يحقق قوة كبيرة ومرونة من خلال تمثيل العالم كتسلسل هرمي متداخل للمفاهيم. تم تعريف كل مفهوم بالعلاقة مع مفاهيم أبسط ، وتمثيلات أكثر تجريدية محسوبة بمصطلحات أقل تجريدية.

تم تطبيق خوارزميات التعلم العميق مثل الشبكة العصبية العميقة وشبكة المعتقدات العميقة والشبكة العصبية التلافيفية والشبكة العصبية المتكررة في مجالات تشمل رؤية الكمبيوتر والتعرف على الكلام ومعالجة اللغة الطبيعية وغيرها الكثير

الشبكة العصبية العميقة

الشبكة العصبية العميقة مستوحاة من وظيفة الدماغ البشري والطريقة التي يعمل بها. تعتبر العقد لبنة البناء الأساسية للشبكات العصبية العميقة. العقد تشبه الخلايا العصبية في دماغ الإنسان. عندما يضربهم المنبه ، تحدث عملية في العقدة. بشكل عام ، يتم تجميع العقد في طبقات كما هو موضح في الشكل 6.

الشكل 6: الشبكة العصبية العميقة

هناك أنواع مختلفة من الشبكات العصبية العميقة والاختلافات بينها تكمن في مبادئ عملها ، ونظام الإجراءات ، ومجالات التطبيقات.

الشبكات العصبية التلافيفية (CNN): يستخدم في الغالب للتعرف على الصور لأنه لا توجد حاجة للتحقق من جميع وحدات البكسل واحدة تلو الأخرى. تتكون شبكات CNN من طبقة إدخال وطبقة إخراج وطبقات مخفية. تتكون الطبقات المخفية عادة من طبقات تلافيفية وطبقات تجميع وطبقات متصلة بالكامل. تعمل الطبقات التلافيفية والتجميع القصوى كمستخرج للميزات وطبقة متصلة بالكامل تقوم بإجراء تحويلات غير خطية للخصائص المستخرجة وتعمل كمصنف. تطبق الطبقات التلافيفية عملية التفاف على المدخلات. يتم استخدام طبقة التجميع مباشرة بعد الطبقة التلافيفية لتقليل الحجم المكاني (العرض والارتفاع فقط ، وليس العمق). هذا يقلل من عدد المعلمات وبالتالي يتم تقليل الحساب وكذلك يساعد على جعل أجهزة الكشف عن الميزات أكثر ثباتًا في موضعها في الإدخال. من السهل فهم عملية الالتواء باستخدام هذه الرسوم المتحركة

الشبكة العصبية المتكررة (RNN):الشبكات العصبية المتكررة هي فئة من الشبكات العصبية التي تسمح باستخدام المخرجات السابقة كمدخلات للنموذج. تم تقديمه لأول مرة في الثمانينيات. تختلف شبكات RNN عن الشبكات العصبية ذات التغذية الأمامية لأنها تستفيد من نوع خاص من الشبكات العصبية ، يُعرف باسم الطبقة المتكررة. الفكرة الرئيسية وراء الشبكة العصبية المتكررة هي الاستفادة من المعلومات المتسلسلة. في شبكة عصبية تقليدية مثل CNN ، افترضنا أن جميع المدخلات والمخرجات مستقلة عن بعضها البعض. لكن بالنسبة للعديد من المهام التي ليست فكرة جيدة جدًا لتحمل هذا. لنفترض ، إذا أردنا توقع الكلمة التالية في الجملة ، فمن الأفضل معرفة الكلمات التي جاءت قبلها. تسمى RNNs متكررة لأنها تؤدي نفس المهمة لكل عنصر من عناصر التسلسل ، مع اعتماد الإخراج على الحسابات السابقة. بكلمات بسيطة ، تمتلك RNNs ذاكرة تلتقط معلومات حول ما تم حسابه حتى الآن. من الناحية النظرية ، يمكن لشبكات RNN استخدام المعلومات في تسلسلات طويلة ، لكنها في الممارسة تقتصر على النظر إلى الوراء بضع خطوات فقط.

دعنا نرى العلاقة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق باستخدام مخطط فين

الشكل 7: يوضح هذا الشكل العلاقة بين التعلم العميق والتعلم الآلي والذكاء الاصطناعي.

تطبيقات الذكاء الاصطناعي

هناك العديد من المجالات المختلفة التي يتم فيها استخدام الذكاء الاصطناعي. وتشمل الحقول التسويق والمصارف والتمويل والزراعة والرعاية الصحية والألعاب والاستكشاف الفضائي والمركبات ذاتية الحكم، و Chatbots، والإبداع الاصطناعي، إلخ.

دعونا نستكشف مجال التسويق والخدمات المصرفية.

تسويق

في الأيام الأولى (عندما لا يكون الذكاء الاصطناعي قيد التطبيق. إنه موجود فقط في الكتب) ، إذا أردنا شراء بعض المنتجات من المتجر عبر الإنترنت ، فعلينا البحث عن المنتج باسمه الدقيق. لذلك من الصعب جدًا العثور على منتج إذا لم نعرف الاسم الدقيق للمنتج.

ولكن في الوقت الحاضر عندما نبحث عن أي عنصر في أي متجر للتجارة الإلكترونية ، نحصل على جميع النتائج الممكنة المتعلقة بالعنصر. لا داعي للقلق بشأن التهجئة الدقيقة أو اسم المنتج للعثور على المنتج. مثال آخر هو العثور على الأفلام المناسبة على Netflix.

لا يقتصر التطبيق على إيجاد المنتج المناسب. إن تقدم الذكاء الاصطناعي قادر على التوصية بالمنتج بناءً على اهتمامك من خلال تحليل معاملتك السابقة وتذوق شراء الأشياء. وفقًا لهذه البيانات ، يمكن لمنظمة العفو الدولية معرفة نوع المنتج المناسب لك وبناءً على ذلك ستقوم بتصفية المنتج والتوصية به لك.

بهذه الطريقة ، يلعب الذكاء الاصطناعي دورًا رئيسيًا في التسويق وزيادة بيع المنتجات عبر الإنترنت ، وبالتالي فإن شركات التجارة الإلكترونية مثل فليبكارت ، أمازون ، أو إن شركة Netflix مثل الشركات تستفيد من قوة منظمة العفو الدولية لبيع منتجاتها سهولة وجني الأرباح.

الخدمات المصرفية

في المجال المصرفي ، ينمو نظام الذكاء الاصطناعي بشكل أسرع. اعتمدت العديد من البنوك بالفعل نظام منظمة العفو الدولية لتوفير خدمات مختلفة مثل دعم العملاء، والكشف عن الشذوذ، والاحتيال بطاقات الائتمان.

لنأخذ مثالاً على بنك HDFC. لقد طوروا روبوت محادثة قائم على الذكاء الاصطناعي يسمى المساعد الافتراضي الإلكتروني (EVA). لقد عالج برنامج الدردشة الآلي هذا بالفعل أكثر من 3 ملايين استفسار من العملاء. يمكن أن تقدم Eva إجابات بسيطة في أقل من 0.4 ثانية. بنك أوف أمريكا لديه اسم روبوت المحادثة الخاص به إيريكا. تستخدم American Express روبوتات الدردشة AmEX الخاصة بها لإفادة عملائها.

استخدمت MasterCard و RBS WorldPay الذكاء الاصطناعي والتعلم العميق للكشف عن المعاملات الاحتيالية ومنع الاحتيال على البطاقات. لقد وفر نظام الذكاء الاصطناعي هذا ملايين الدولارات. تعد خوارزميات الكشف عن الاحتيال المعتمدة على الذكاء الاصطناعي أكثر دقة في اكتشاف الاحتيال بدقة تزيد عن 95٪. لديهم القدرة على التكيف بسرعة لاكتشاف محاولات الاحتيال الجديدة في الوقت الحقيقي.

إن تطبيق AI الأكثر أهمية في الخدمات المصرفية هو إدارة المخاطر لأن التقديرات تظهر أنه على متوسط ​​فقد التجار بسبب هجمات الاحتيال هو 1.5٪ من إيراداتهم السنوية. بدأت JPMorgan أيضا في استخدام تقنيات منظمة العفو الدولية لتطوير نظام الإنذار المبكر يكتشف البرامج الضارة وأحصنة طروادة والفيروسات. يزعم أن نظام الكشف هذا يزعم أنه يحدد السلوك المشبوه لفترة طويلة قبل إرسال رسائل البريد الإلكتروني للاحتيال في الواقع إلى الموظفين.

مقالات مقترحة

• ما هو Unsecapp.exe وهل هو آمن؟
• أفضل 15 برنامج وأداة رسم تخطيطي لـ UML
• [تم الإصلاح] لا يمكن لـ Windows الوصول إلى خطأ في الجهاز أو المسار أو الملف المحدد
• 16 إصلاحات لأن Windows Update لا يعمل في Windows
• 4 إصلاحات لإعدادات AMD Radeon لن تفتح
• أداة Zoom Screenshot: نصائح وحيل