الذكاء الاصطناعي مقابل البرمجة الخوارزمية الكلاسيكية

نحو الذكاء الاصطناعي من البرمجة الخوارزمية الكلاسيكية

أتاحت التطورات في الذكاء الاصطناعي حل المشكلات الحسابية المعقدة بكفاءة والتي كانت صعبة سابقًا أو غير قابلة للحل أو شديدة التعقيد التوافقي. تشمل هذه المشكلات التعرف على الوجه واكتشاف الأشياء وتخطيط المسار وأنظمة التوصية عبر الإنترنت الشخصية للغاية.

التحدي الذي يواجه المؤسسات المضي قدماً نحو المستقبل هو على صناع القرار الاستراتيجي أن يقرروا بين الأساليب الكلاسيكية التقليدية وأساليب الذكاء الاصطناعي لحل المشكلات الحسابية المعقدة. لكل طريقة تحديات فريدة في تقديم نظام قوي عبر أبعاد الدقة والتكلفة وصعوبة التنفيذ وقابلية الصيانة.

نهج البرمجة الخوارزمية الكلاسيكية لحل المشكلات

يتضمن نموذج البرمجة الكلاسيكي حل المشكلات عبر الخوارزميات التوجيهية واستخدام تسلسل محدد جيدًا من التعليمات. يتم تعريف المدخلات وتقييدها، وتطوير الخوارزميات لمعالجة المدخلات عبر نماذج برمجة محددة (إجرائية، كائنية التوجه، وظيفية، ومنطقية) لإنتاج المخرجات.

اكتشاف الخوارزميات لحل المشكلات الزمنية والمكانية الفعالة أمر صعب بشكل معروف. في نظرية التعقيد الحسابي، تكون المشكلات إما P (متعددة الحدود)، أو NP (متعددة الحدود غير الحتمية)، أو NP-Complete، أو NP-Hard. يمكن حل المشكلات متعددة الحدود والتحقق منها بسرعة، بينما لا يمكن ذلك مع المشكلات غير متعددة الحدود. من الصعب حل مشكلات NP عبر النهج الخوارزمية الكلاسيكية.

مثال على مشكلة P هو إيجاد أقصر مسار بين نقطتين، بينما مثال على مشكلة NP هو مشكلة بائع المتنقل حيث عند إعطاء سلسلة من المواقع، ما هو المسار الأمثل لزيارة جميع المواقع قطعًا لأقصر مسافة ممكنة. يحدث أن العديد من المشكلات المطلوب حلها حاليًا حسابيًا تقع ضمن فئة NP. في معظم الحالات، لأغراض عملية، يكون الحل التقريبي كافيًا في الغالب. عند التعامل مع الحياة اليومية، يبتكر البشر دائمًا حلولًا تقريبية، أي التنقل.

هناك تحديات في التنفيذ عند حل المشكلات ضمن نموذج خوارزمي كلاسيكي بطريقة فعالة. تعقيد الخوارزميات هو فرع من علوم الحاسوب يتعامل مع مدى كفاءة تشغيل الخوارزميات في المجال الزمني (تعقيد الوقت) والمجال المكاني (تعقيد المساحة).

في حين أن هناك طرقًا مختلفة لتنفيذ الخوارزميات، فإن طريقة واضحة ولكنها قد تكون غير فعالة لتنفيذ خوارزمية يُشار إليها غالبًا باسم خوارزمية "ساذجة". الخوارزميات الأكثر كفاءة ليست سهلة الاكتشاف، وقد عمل علماء الكمبيوتر لسنوات عديدة للعثور على أفضل الخوارزميات لحل فئات من المشكلات. يتم تنفيذ الخوارزميات في أنظمة الإنتاج بطرق فعالة زمنيًا ومكانيًا. تضمن أكبر شركات البرمجيات أعلى معايير الخوارزميات عبر البرمجة الزوجية، على غرار المراجعة الزوجية. يتطلب تنفيذ الخوارزميات بكفاءة سنوات عديدة من التدريب ودرجة عالية من المهارة.

من الناحية العملية، بينما تطورت تقنيات البرمجة وتنوعت لغات البرمجة (أي C، وC++، وJava، وJavaScript، وPHP، وPython) في شعبيتها، ظلت الأساسيات كما هي منذ أن كتبت مختبرات Bell، في سبعينيات القرن الماضي، أول وحدات C. هناك بعض الطرق العملية لجعل المشكلات الصعبة نظريًا تعمل في الإنتاج، مثل استخدام الأنظمة الموزعة. تأتي الأساليب المتقدمة بتكلفة أعلى وهي خارج قدرات جميع المؤسسات باستثناء الأكثر تقدمًا من الناحية التكنولوجية.

بالنظر إلى تعقيد منهجيات البرمجة الخوارزمية الكلاسيكية، وجدت المؤسسات منذ فترة طويلة صعوبة في بناء فرق فعالة لإنتاج مثل هذه الأنظمة داخليًا. علاوة على ذلك، عانى الكثيرون أيضًا من إيجاد مزودين خارجيين لحل التحديات المتخصصة التي يمكن تنفيذها نظريًا. يصبح تصميم خوارزمية محددة أكثر تعقيدًا بشكل كبير مع زيادة تعقيد المشكلة. وهذا صحيح بشكل خاص للمشكلات متعددة المتغيرات. من الأفضل استخدام منهجيات الخوارزميات الكلاسيكية في الحالات التي يمكن فيها للخوارزمية حل مشكلة بسرعة وتعمل في معظم الحالات.

نهج AI لحل المشكلات

حاول نموذج الذكاء الاصطناعي حل المشكلات بشكل عام من خلال تغذية النظام بالمدخلات والمخرجات المطلوبة والسماح للنظام بتعلم كيفية حل المشكلات. تعمل مناهج الذكاء الاصطناعي الحالية على أجهزة الكمبيوتر الكلاسيكية عبر تقنيات البرمجة الكلاسيكية. أكثر طرق الذكاء الاصطناعي إثارة هي الشبكات العصبية والتعلم المعزز.

تستغل الشبكات العصبية الاصطناعية الفهم البشري لكيفية تعلم العقل البشري وتعميمه للمشكلات. يستخدم التعلم المعزز وكلاء يُدخلون حالة هدف وسلسلة من السيناريوهات. يحتفظ خوارزمية التعلم بالنتائج المفضلة ويتخلى عن النتائج العكسية على مدى تكرارات متعددة. التعلم المعزز مشابه لتكييف الفعال. يتعلم الوكيل كيفية تحقيق الهدف على مدى تكرارات تدريب عديدة.

يتمثل متطلب تدريب حلول الذكاء الاصطناعي إما في مجموعة بيانات واسعة ومحددة جيدًا، يتم عادةً تجميعها باستخدام مزيج من مستودعات البيانات المتنوعة أو الذكاء الجماعي، أو يمكن لنظام ما أن يتعلم للوصول إلى حالة هدفية من خلال المرور بسلسلة من التكرارات. مثال على ذلك نظام يلعب لعبة ضد نفسه، مثل الشطرنج أو لعبة غو، ليتعلم بشكل أعمق كيفية تطوير استراتيجيات لتحسين النتائج. يتم تشغيل الشبكات الاصطناعية وتعلم التعزيز على سيناريوهات لم يتم تدريبها عليها وتقييمها بشكل مشابه لنهج التعلم الآلي الأخرى. تعمم هذه النهج بشكل جيد وتوفر حلولاً فعالة بالنظر إلى فئة من المشكلات. تناسب الحلول القائمة على الذكاء الاصطناعي المشكلات التي لا يمكن تعريفها بسهولة باستخدام تسلسل من التعليمات؛ بل تتطلب بدلاً من ذلك مزيدًا من "الحدس" وأحكام القيمة.

عادةً، تتم تدريب أنظمة الذكاء الاصطناعي باستخدام مجموعات بيانات ويتم تقييمها لاحقاً على مجموعة تقييم. كلما زادت بيانات التدريب عالية الجودة المدخلة في نظام AI، زاد احتمال أداء النظام لمعايير عالية. فائدة أساليب AI هي أنها يمكن أن تستمر في التحسن بمرور الوقت مع تعلم النظام للمزيد. وبالتالي، يمكن تعميم المشكلات المعقدة وحلها بواسطة أنظمة الحوسبة. يشمل ذلك المشكلات التي تُحل تقليدياً بالمدخلات البشرية، على الرغم من أن AI الضيق يمكن اعتباره مكملة للمدخلات البشرية الحالية لضمان نتائج أفضل.

نظرت المؤسسات إلى الذكاء الاصطناعي والتعلم الآلي لفترة طويلة بحذر بسبب افتقار مثل هذه الأنظمة إلى إمكانية التتبع والتحديد في كيفية استجابتها لحالات الاستخدام. وبالتالي، يمكن أن يعمل AI في ظروف نادرة ويستجيب بشكل غير متوقع عندما لا يكون ذلك متوقعًا على الإطلاق. لهذا السبب، من المهم وجود حالات استخدام محددة بوضوح لوقت استخدام AI، وما هي مستويات الأخطاء المقبولة، وكيفية مراجعة المخرجات الناتجة عن أنظمة AI من قِبل المدخلات البشرية لضمان الدقة.

بشكل عام، نتوقع أن الدقة المحسنة التي ستوفرها أنظمة AI، إلى جانب الكفاءات المكتسبة من تعزيز المدخلات البشرية، ستشكل حافزاً مالياً كبيراً يصعب على العديد من المؤسسات تجاهله في السنوات القادمة، مما سيجعل أنظمة AI منتشرة في كل مكان.

متى تختار الذكاء الاصطناعي ومتى تختار نهج البرمجة الخوارزمية الكلاسيكية لحل المشكلات

في حين أنه لا توجد قواعد صارمة وسريعة بشأن متى يتم استخدام أي من النهجين، كقاعدة عامة، فإن المشكلات التي تتطلب حلولًا تقريبية وتنطوي على تخطيط طويل الأمد موجه نحو الأهداف، والتعرف على الأنماط المعقدة، ومعالجة عدد كبير من المتغيرات تكون أكثر ملاءمة لـ AI. النهوج الخوارزمية الكلاسيكية أكثر ملاءمة للحلول الدقيقة أو شبه المثلى التي تنطوي على منطق وحسابات مكثفة.

يمكن أن يؤدي اختيار النهج الصحيح إلى تحقيق فوائد كبيرة لمؤسستك، في حين أن اختيار طريقة أقل مثالية يمكن أن يؤدي إلى خسائر رأسمالية كبيرة نظرًا لأن مشاريع التكنولوجيا مكلفة. غالبًا ما يمكن اللجوء إلى الأنظمة المثبتة والقابلة للتوضيح مثل Telemus AI™ أن يساعد المؤسسات على ضمان النجاح في تحولها الرقمي القائم على الذكاء الاصطناعي.

اتصل بنا اليوم للحصول على استشارة مجانية حول كيفية دمج Telemus AI™ في مؤسستك.