في الوقت الحالي، يفتقر معظم الناس حرفياً إلى فهم الذكاء الاصطناعي، وما نشهده من مبالغة في الوعود والتقديرات حوله، بالإضافة إلى التضليل الذي يحيط به، جعل من السهل الوقوع في سوء فهم بشأن قدراته وحدوده الفعلية على ارض الواقع. وهذا أدى بالفعل إلى نتائج سلبية بدأت تظهر الآن بدلاً من الفوائد المتوقعة.
لكن هذه ليست المرة الأولى التي نشهد فيها مثل هذا السيناريو في عالم التكنولوجيا! إليك مثالين بارزين:
طفرة الدوت كوم (.com)
خلال عصر الدوت كوم، كان هناك حماس مفرط بشأن إمكانات الإنترنت في تحويل الصناعات. الشركات التي كان لديها خطط تجارية غامضة أو غير واقعية حصلت على استثمارات ضخمة لمجرد وجود كلمة "دوت كوم" في اسمها. لم يكن الكثير من الناس أو المنظمات يفهمون تمامًا كيفية عمل الإنترنت أو حدوده العملية، مما أدى إلى توقعات مبالغ فيها وانهيار السوق لاحقًا.
.
الأيام الأولى للكهرباء
عندما ظهرت الكهرباء لأول مرة، كان يُنظر إليها وكأنها شيء سحري تقريبًا. كانت هناك تنبؤات ضخمة حول تطبيقاتها، بعضها تحققت بالفعل مثل الإضاءة وشبكات الطاقة، وبعضها كان غير واقعي تمامًا مثل الملابس الكهربائية أو الأجهزة التي تعمل بالطاقة الذاتية المستدامة.
.
وبالمثل، يُنظر اليوم إلى الذكاء الاصطناعي على أنه قوة غامضة يمكنها "حل كل شيء"، مع المبالغة في تقدير قدراته أو الافتراض بأنه يمتلك ذكاء يفوق البشر بكثير.
الدول والشركات اليوم تنظر إلى الذكاء الاصطناعي كأداة للهيمنة والابتكار، لكن الكثير من الانبهار العام يتركز حول أفكار تشبه الخيال العلمي، بدلاً من التركيز على التفاصيل التقنية والفنية الأساسية التي هي اساس في وجودة من البداية... مثل التعلم الآلي (Machine Learning) أو الشبكات العصبية (Neural Networks).
لن نغفل أيضًا عن الخوف والتفاؤل المتواجدين لدى الجميع بخوص الوظائف والقضاء على البشرية الخ.. إذًا، لنتخذ خطوة لتوضيح الأمر.
كشف اللغز: ما هو الذكاء الاصطناعي؟
الله سبحانه خلق الإنسان مزودًا بالعقل والتفكير الذي مكننه من تطوير أدوات وأشياء تساعده في حياته.
فـ صنع الانسان الآلات والروبوتات لتسهيل العمل الذي يتطلب مجهود بدني.
مثال: صناعة السيارات في المصانع.
واستخدم الحاسوب والبرمجة للمشاكل التى تحتاج وقت ومملة في الاغلب.. ويسهل انجازها بالبرمجة، مثل كتابة الارقام من 1 الى الف، يتطلب وقتا بالشكل التقليدي، اما بالكود فهو:.
Python:
for i in range(1, 1001):
print(i)
وصنع الذكاء الاصطناعي للمهام التي تحتاج الى "ذكاء" او تفكير يشابة تفكير الانسان..
يمكن تصنيف الذكاء الاصطناعي إلى نوعين رئيسيين:
الذكاء الاصطناعي المحدود (Narrow AI):
هذا النوع من الذكاء الاصطناعي مخصص لأداء مهمة واحدة أو مجموعة محددة من المهام. هو الأكثر شيوعًا حاليًا ويشمل تطبيقات مثل المساعدين الصوتيين (مثل سيري أو أليكسا)، محركات البحث على الإنترنت، وأنظمة التوصية في المنصات مثل نتفليكس أو أمازون.
الذكاء الاصطناعي العام (General AI):
هذا النوع هو هدف بعيد المدى في مجال الذكاء الاصطناعي، ويهدف إلى تطوير أنظمة تمتلك القدرة على التعلم والتكيف مع أي مهمة معقدة كما يفعل البشر. ما زال هذا النوع بعيدًا عن التحقيق في الوقت الحالي.
الذكاء الاصطناعي يعتمد على عدة تقنيات رئيسية، مثل:
[*]التعلم الآلي Machine Learning
[*]الشبكات العصبية Neural Networks
[*]التعلم العميق Deep Learning
.
هو فرع من الذكاء الاصطناعي يستخدم خوارزميات تسمح للأنظمة بالتعلم وتحسين أدائها من خلال بيانات معطاة لها، دون الحاجة إلى برمجة صريحة.
مثال:
نظام كشف البريد المزعج (Spam Detection)
جمع البيانات:
في البداية، يتم جمع مجموعة ضخمة من رسائل البريد الإلكتروني التي تحتوي على تصنيفات: "بريد مزعج" يعرف بـ Spam و بريد عادي ويعرف بـ Ham.
هذه البيانات تشمل نص الرسالة، والعناوين، والمرفقات، وحتى الكلمات المستخدمة في الرسالة.
المرحلة الاولى، إعداد البيانات:
يتم تحليل الرسائل لاستخراج ميزات أو (Features) قابلة للاستخدام، مثل:
[*] عدد المرات التي تم ذكر فيها كلمة "مجاني".
[*] استخدام الروابط المشبوهة أو العناوين التي تحتوي على كلمات مثل "اربح"، "عرض خاص".
[*] توقيت إرسال الرسالة.
[*] عدد الأخطاء الإملائية أو الأسلوب غير الرسمي.
ثانيا، مرحلة التدريب Training :
يتم استخدام البيانات المجمعة لتدريب نموذج تعلم آلي، باستخدام بعض الخوارزميات.
النموذج يتعلم كيفية التمييز بين البريد العادي والبريد المزعج بناءً على الميزات المستخلصة.
مثال: إذا كانت الرسائل التي تحتوي على كلمات مثل "عرض خاص" أو "مجاني" تُصنف عادة كبريد مزعج، يتعلم النموذج أنه من المحتمل أن تكون هذه الكلمات دالة على الرسائل المزعجة.
ثالثا، اختبار النموذج (Testing):
بعد تدريب النموذج باستخدام مجموعة من البيانات، يتم اختباره باستخدام مجموعة بيانات أخرى لم يتم استخدامها أثناء التدريب اطلاقا، لمعرفة مدى دقة النموذج في تصنيف الرسائل.
رابعا، تحسين النموذج:
بناءً على نتائج الاختبار، يتم تعديل الخوارزمية أو إضافة ميزات جديدة لتحسين الأداء.
خامسا، التنفيذ:
بعد تدريب النموذج، يتم استخدامه في النظام للكشف عن البريد المزعج في الوقت الفعلي. عندما يتم استقبال رسالة جديدة، يقوم النموذج بتصنيفها على أنها "بريد مزعج" أو "بريد عادي" بناءً على ما تعلمه.
سادسا، التعلم المستمر (Continuous Learning): يتم تحديث النموذج بمرور الوقت باستخدام رسائل جديدة يتم تصنيفها يدوياً من قبل المستخدمين (أو من خلال نظام تقييم تلقائي). هذا يسمح للنظام بالتكيف مع الأنماط الجديدة للبريد المزعج.
التكيف مع أساليب جديدة: كما هو الحال مع الهجمات المتطورة في البريد المزعج، قد يتعلم النموذج التكيف مع رسائل البريد المزعج التي تستخدم تقنيات جديدة مثل التلاعب بالأسلوب أو تضمين محتوى مغطى.
خلاصة هذا المثال:
في هذا المثال، التعلم الآلي يسمح للنظام بتحديد ما إذا كانت الرسالة بريدًا مزعجًا أو بريدًا عاديًا بناءً على أنماط وميزات تعلمها من البيانات السابقة. مع مرور الوقت، يزداد دقة النموذج بفضل التحديثات المستمرة التي تجلبها البيانات الجديدة.
تم تصميمها لتقليد الطريقة التي يعمل بها الدماغ البشري في معالجة المعلومات. تُستخدم في تطبيقات مثل التعرف على الصوت والصورة.
مثال على الشبكات العصبية الاصطناعية (Neural Networks) :
التعرف على الصور باستخدام الشبكات العصبية الاصطناعية
لنأخذ مثالًا عمليًا: التعرف على الأرقام المكتوبة يدويًا باستخدام شبكة عصبية اصطناعية.
أولا، جمع البيانات:
في البداية، يحتاج النظام إلى مجموعة من الصور التي تحتوي على أرقام مكتوبة يدويًا. واحدة من أشهر مجموعات البيانات المستخدمة لهذا الغرض هي مجموعة بيانات MNIST، التي تحتوي على 70,000 صورة لرقم مكتوب يدويًا يتراوح بين 0 و9.
ثاليا، إعداد البيانات:
يتم تحويل الصور إلى شكل يمكن أن تفهمه الشبكة العصبية. غالبًا ما يتم تحويل الصور إلى قيم عددية (مثل تحويل الصورة إلى مصفوفة من الأرقام التي تمثل شدة الضوء في كل بكسل). بعد ذلك، يتم تقسيم البيانات إلى جزئين: تدريب واختبار. يتم استخدام بيانات التدريب لتدريب الشبكة العصبية، بينما تُستخدم بيانات الاختبار لقياس دقة النموذج.
ثالثا بناء هيكل الشبكة العصبية:
تتكون الشبكة العصبية من عدة طبقات وسيتم شرحها بالتفصيل في الدرس الثالث:
.
رابعا، التدريب (Training):
يتم تدريب الشبكة العصبية باستخدام خوارزمية الانتشار العكسي (Backpropagation) ، وهي خوارزمية تعلم تُستخدم لضبط الأوزان بين الخلايا العصبية.
كيف يتم التدريب؟
[*] يتم تمرير الصور من خلال الشبكة العصبية.
[*] في النهاية، تقدم الشبكة تنبؤًا بالرقم الذي تعتقد أنه مكتوب في الصورة.
[*] يتم مقارنة التنبؤ بالتصنيف الصحيح (المعروف في البيانات).
[*] يتم حساب الخطأ بناءً على الفرق بين التنبؤ والقيمة الصحيحة.
[*] ثم يتم استخدام الخوارزمية لضبط الأوزان بين الخلايا العصبية لتقليل هذا الخطأ في المستقبل.
خامسا، اختبار النموذج (Testing):
بعد تدريب الشبكة، يتم اختبارها على مجموعة بيانات لم تُستخدم أثناء التدريب (بيانات الاختبار) للتحقق من مدى دقة النموذج في التعرف على الأرقام.
سادسا، تحسين النموذج:
بناءً على نتائج الاختبار، قد يحتاج النموذج إلى تحسينات. يمكن تعديل بنية الشبكة (مثل إضافة أو تقليل عدد الطبقات المخفية) أو استخدام تقنيات مثل التنظيم (Regularization) لتجنب الإفراط في التكيف (overfitting) اي بمعنى انه عوضا عن فهم الارقام سيقوم بحفظها وهنا سنطبق عليه مقولة "حافظ مش فاهم".
سابعا، التنفيذ:
بعد تدريب النموذج وتحسينه، يمكن استخدامه للتعرف على أرقام جديدة تم تصويرها يدويًا. على سبيل المثال، إذا كان المستخدم يكتب الرقم "5" على شاشة اللمس، تقوم الشبكة العصبية بتحليل الصورة والتنبؤ بالرقم المكتوب.
ماذا يحدث بعد ذلك؟
التعلم المستمر والتكيف مع البيانات الجديدة:
مع مرور الوقت، يمكن تحسين النموذج باستخدام بيانات جديدة تحتوي على أرقام مكتوبة يدويًا من أشخاص مختلفين أو في ظروف مختلفة. يمكن أن يساعد ذلك في جعل الشبكة العصبية أكثر دقة عند التعرف على أنماط متنوعة من الكتابة اليدوية.
خلاصة:
في هذا المثال، يتم استخدام الشبكات العصبية الاصطناعية للتعرف على الأرقام المكتوبة يدويًا. الشبكة العصبية تتعلم التمييز بين الأرقام المختلفة من خلال تحليل الصور وتدريبها على بيانات تحتوي على العديد من الأمثلة. تدريجيًا، تزداد دقة الشبكة في التنبؤ بالأرقام الصحيحة بفضل التعلم العميق من البيانات.
وهنا يكمن معظم التطبيقات والادوات التي نستخدمها في الوقت الحالي وايضا كانت السبب في الضجة المذكورة مسبقا، وسنقوم في الدروس القادمة بتعلم إنشاء هذة التطبيقات من البداية حتى نصل الى تطبيقات يمكن استخداماها في مجال امن المعلومات.
إليك بعض الأمثلة المحدودة:
محرك بحث جوجل يقوم مثلا بتحديد الصفحات ذات الاهمية الاكبر من الصفحات في نتائج البحث ثم عرضها اولا.
أو التعرف على الصور، أنظمة التعرف على الوجوه في الهواتف الذكية، مثل Face ID في أجهزة آبل.
التنبؤ باتجاهات سوق الأسهم او الطقس.
إنشاء الصور عن طريق نص:
الصور واللوحات او الفن الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي، مثل الصور التي تنتجها أدوات مثل DALL·E.
لدردشة التلقائية مثل GPT من OpenAI التي تفهم لغة البشر.
وفي مجال الطب: استخدام النماذج المدربة مسبقًا لتحليل الصور الطبية، مثل اكتشاف الأورام في الأشعة السينية.
في السيارات الذاتية القيادة: الإدراك واتخاذ القرار
السيارات الذاتية القيادة من تسلا التي تستخدم التعلم العميق للتنقل وتجنب العقبات في الوقت اثناء القيادة.
سنتعلم بناء التطبيقات الخاصة بنا وايضا مرتبطة بمجال امن المعلومات مثل، بناء نموزج يقوم بتحليل الملفات والتعرف عليها هل هي ضارة ام لا.
