How does artificial intelligence learn? - Briana Brownell

المترجم: omar idmassaoud المدقّق: Shimaa Nabil

Today, artificial intelligence helps doctors diagnose patients,

يساعد الذكاء الاصطناعي اليوم الأطباء في تشخيص الأمراض

pilots fly commercial aircraft, and city planners predict traffic.

ويساعد الطيارين لقيادة طائرات تجارية ومخططي المدن في التنبأ بحركة المرور.

But no matter what these AIs are doing, the computer scientists who designed them

ولكن رغم ما تفعله أنظمة الذكاء الاصطناعي إلا أن علماء الكمبيوتر الذين صمموها

likely don’t know exactly how they’re doing it.

ربما لا يعرفون بالضبط كيف تفعل ذلك.

This is because artificial intelligence is often self-taught,

هذا لأن الذكاء الاصطناعي غالبًا ما يعلم نفسه بنفسه،

working off a simple set of instructions

وذلك باستخدام مجموعة بسيطة من التعليمات

to create a unique array of rules and strategies.

لإنشاء مَصفُوفة فريدة من القواعد والاستراتيجيات.

So how exactly does a machine learn?

إذن كيف تتعلم الآلة بالضبط؟

There are many different ways to build self-teaching programs.

هناك العديد من الطرق المختلفة لبناء برامج التعليم الذاتي.

But they all rely on the three basic types of machine learning:

لكنها تعتمد كلها على الأنواع الأساسية الثلاثة للتعلم الآلي:

unsupervised learning, supervised learning, and reinforcement learning.

التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف والتعلم المعزز.

To see these in action,

لرؤية كيف تعمل هذه الأنواع

let’s imagine researchers are trying to pull information

علينا تخيل أن الباحثين يحاولون جمع المعلومات

from a set of medical data containing thousands of patient profiles.

من حزمة بيانات طبية تحتوي على آلاف الملفات الشخصية للمرضى.

First up, unsupervised learning.

أولاً، التعلم غير الخاضع للإشراف.

This approach would be ideal for analyzing all the profiles

سيكون هذا النهج مثاليًا لتحليل جميع الملفات الشخصية

to find general similarities and useful patterns.

للعثور على أوجه التشابه العامة والأنماط المفيدة.

Maybe certain patients have similar disease presentations,

قد يكون لدى بعض المرضى أعراض مرضية مماثلة،

or perhaps a treatment produces specific sets of side effects.

أو ربما ينتج عن العلاج مجموعات محددة من الآثار الجانبية.

This broad pattern-seeking approach can be used to identify similarities

يمكن استخدام هذا النهج الشامل للبحث عن الأنماط لتحديد أوجه التشابه

between patient profiles and find emerging patterns,

بين ملفات التعريف لمختلف المرضى والعثور على الأنماط الظاهرة،

all without human guidance.

كل ذلك بدون توجيه بشري.

But let's imagine doctors are looking for something more specific.

لكن لنتخيل أن الأطباء يبحثون عن شيء أكثر تحديدًا.

These physicians want to create an algorithm

يريد هؤلاء الأطباء إنشاء خوارزمية

for diagnosing a particular condition.

لتشخيص حالة معينة.

They begin by collecting two sets of data—

فيبدأون بجمع مجموعتين من البيانات -

medical images and test results from both healthy patients

أي الصور الطبية ونتائج الاختبارات من المرضى الأصحاء

and those diagnosed with the condition.

والأشخاص الذين تم تشخيصهم بالحالة.

Then, they input this data into a program

ثم يُدخلون هذه البيانات في برنامج

designed to identify features shared by the sick patients

مصمم لتحديد سمات مشتركة بين المرضى

but not the healthy patients.

ولا توجد لدى المرضى الأصحاء.

Based on how frequently it sees certain features,

بناءً على عدد المرات التي يرى فيها ميزات معينة،

the program will assign values to those features’ diagnostic significance,

سيقوم البرنامج بتعيين قيم للأهمية التشخيصية لتلك الميزات،

generating an algorithm for diagnosing future patients.

فيُنشأ خوارزمية لتشخيص المرضى في المستقبل.

However, unlike unsupervised learning,

ولكن على عكس التعلم غير الخاضع للإشراف،

doctors and computer scientists have an active role in what happens next.

للأطباء وعلماء الكمبيوتر دور فعال فيما سيحدث بعد ذلك.

Doctors will make the final diagnosis

سيقوم الأطباء بإجراء التشخيص النهائي

and check the accuracy of the algorithm’s prediction.

والتحقق من دقة تنبؤات الخوارزمية.

Then computer scientists can use the updated datasets

ثم يمكن لعلماء الكمبيوتر استخدام مجموعات البيانات المُحدَّثة

to adjust the program’s parameters and improve its accuracy.

لضبط إعدادات البرنامج وتحسين دقته.

This hands-on approach is called supervised learning.

هذا النهج العملي يسمى التعلم تحت الإشراف.

Now, let’s say these doctors want to design another algorithm

لنفترض أن هؤلاء الأطباء يريدون تصميم خوارزمية أخرى

to recommend treatment plans.

لإعطاء نصائح عن خطط العلاج.

Since these plans will be implemented in stages,

بما أن هذه الخطط ستُنفذ على مراحل،

and they may change depending on each individual's response to treatments,

وقد تتغير بناءً على استجابة كل فرد للعلاج،

the doctors decide to use reinforcement learning.

يقرر الأطباء استخدام التعلم المعزز.

This program uses an iterative approach to gather feedback

يستخدم هذا البرنامج نهجًا تكراريًا لجمع التعليقات والآراء

about which medications, dosages and treatments are most effective.

حول الأدوية والجرعات والعلاجات الأكثر فعالية.

Then, it compares that data against each patient’s profile

ثم يقارن تلك البيانات بملف التعريف لكل مريض

to create their unique, optimal treatment plan.

لإنشاء خطة علاج فريدة ومثالية.

As the treatments progress and the program receives more feedback,

مع تقدم العلاج وتلقي البرنامج المزيد من التعليقات وردود الفعل،

it can constantly update the plan for each patient.

يمكنه تحديث الخطة باستمرار لكل مريض.

None of these three techniques are inherently smarter than any other.

لا تعتبر أي من هذه التقنيات الثلاثة أذكى بطبيعتها من التقنيات الأخرى.

While some require more or less human intervention,

بينما يتطلب البعض تدخلًا بشريًا أكثر أو أقل،

they all have their own strengths and weaknesses

لكل التقنيات نقاط القوة والضعف الخاصة بها

which makes them best suited for certain tasks.

مما يجعلها الأنسب لأداء مهام معينة.

However, by using them together,

ولكن باستخدامها معًا

researchers can build complex AI systems,

يمكن للباحثين بناء أنظمة ذكاء اصطناعي معقدة،

where individual programs can supervise and teach each other.

حيث يمكن للبرامج الفردية الإشراف وتعليم بعضها البعض.

For example, when our unsupervised learning program

فمثلًا عندما يجد برنامج التعلم غير الخاضع للإشراف

finds groups of patients that are similar,

مجموعات من المرضى المتشابهين،

it could send that data to a connected supervised learning program.

يمكنه إرسال تلك البيانات إلى برنامج تعلم خاضع للإشراف مرتبط به.

That program could then incorporate this information into its predictions.

يمكن لهذا البرنامج بعد ذلك دمج هذه المعلومات في تنبؤاته.

Or perhaps dozens of reinforcement learning programs

أو قد تحاكي العشرات من برامج التعلم المعزز النتائج المحتملة للمرضى

might simulate potential patient outcomes

to collect feedback about different treatment plans.

لجمع الملاحظات حول خطط العلاج المختلفة.

There are numerous ways to create these machine-learning systems,

هناك طرق عديدة لإنشاء أنظمة التعلم الآلي هذه،

and perhaps the most promising models

وقد تكون أكثر النماذج المبشرة بِالخير

are those that mimic the relationship between neurons in the brain.

هي تلك التي تحاكي العلاقة بين الخلايا العصبية في الدماغ.

These artificial neural networks can use millions of connections

يمكن لهذه الشبكات العصبية الاصطناعية أن تستخدم ملايين الاتصالات

to tackle difficult tasks like image recognition, speech recognition,

لمعالجة المهام الصعبة مثل التعرف على الصور والتعرف على الكلام،

and even language translation.

وترجمة اللغة حتى.

However, the more self-directed these models become,

ومع ذلك فكلما أصبحت هذه النماذج ذاتية التوجيه أكثر

the harder it is for computer scientists

إلا وزادت الصعوبة أمام علماء الكمبيوتر

to determine how these self-taught algorithms arrive at their solution.

لتحديد كيفية وصول هذه الخوارزميات ذاتية التعلم إلى حلها.

Researchers are already looking at ways to make machine learning more transparent.

يبحث الباحثون بالفعل عن طرق لجعل التعلم الآلي أكثر شفافية.

But as AI becomes more involved in our everyday lives,

ولكن مع زيادة مشاركة الذكاء الاصطناعي في حياتنا اليومية،

these enigmatic decisions have increasingly large impacts

يصبح لهذه القرارات الغامضة تأثيرات كبيرة متزايدة

on our work, health, and safety.

على عملنا وصحتنا وسلامتنا.

So as machines continue learning to investigate, negotiate and communicate,

لذا بينما تستمر الآلات في تعلم كيفية التحقيق والتفاوض والتواصل،

we must also consider how to teach them to teach each other to operate ethically.

يجب علينا أيضًا التفكير في تعليمها كيف تُعلم بعضها البعض للعمل وفق نظم أخلاقية.