Category

AI

ما هو Chat GPT

في الأيام الأخيرة ومع انتشار تطبيق الذكاء الأصطناعي على الانترنت قد يتبادر في ذهنك ما هو Chat GPT وما يستطيع القيام به، وهل حقاً يمكنه كتابة الأكواد البرمجية المختلفه والاستفادة منه في صنع تطبيقات.

ما هو روبوت الدردشة Chat GPT ؟

هو برنامج مدمج للنصوص عالية الأداء؛ وتلذي تم تدريبه على العديد من المجموعات الكبيرة من النصوص الإلكترونية لتقديم الردود التلقائية للأسئلة التي تقوم بطرحها.

ُيعتبر Chat GPT مصدراً قوياً للمعلومات والإجابات التلقائية للأسئلة المختلفة، ويمكن استخدامه للعديد من الأغراض المختلفة، مثل الدعم الفني والتسويق والتعليم.
وبعد التدرب على العديد من المجموعات الكبيرة من النصوص، يمكن لـ Chat GPT العمل بشكل فعال ودقيق في الإجابة على الأسئلة المختلفة التي يمكن أن يطرحها المستخدمون.

كما يُعتبر Chat GPT أداة قوية للعديد من الأغراض التي يمكن استخدامها لتحسين العملية العامة للعديد من الأعمال والمنظمات. وبالإضافة إلى أنه أداة قوية للتعليم والتدريب، ويمكن استخدامه لتوفير الوقت.

 

للدخول لموقع Chat GPT اضغط هنا 

overfitting ما هو فرط التجهيز

ما هو فرط التجهيز (overfitting ) ؟

في تخصص علم البيانات، يتم تفسير نموذج الإفراط في التجهيز (overfitting) على أنه نموذج يحصل على تباين كبير وتحيز منخفض من مجموعة التدريب، مما يؤدي إلى تعميم منخفض في بيانات الاختبار التعميم) النموذج. من أجل فهم هذا التعريف المعقد بشكل أفضل .

بعبارة أخرى overfitting

هو الزيادة المفرطة في بيانات التدريب يودي أي تشويش عملية التعلم وبالتالي الى ضعف في النتائج اضافة الى زيادة مفرطة في وقت التعلم واحتمال كبير فشل عملية التعلم في بعض الاحيان ….

كيف يتم تجنب المشكلة (overfitting)

يتم تجنب هذه المشكلة من خلال اختيار حجم مناسب للبيانات التدريب او التعلم بحيث يكون هذا الحجم يغطي الحاجة لعملية التعلم …. قلة بيانات التدريب (underfitting) في حالة قلة البيانات التعلم سيحصل بالتأكيد ضعف في نتائج التعلم نتيجة عدم تقديم بيانات كافية لطريقة الخوارزمية تعلم الاله (machine learning) لتتمكن من التعلم من بيانات المشكلة المراد حلها او التعلم عليها

التحقق المتبادل (cross validation)

يسمى احيانا (الاعتبار خارج العينة) اي تقنيات التحقق من نماذج التعلم المختلفة لتقيم نتائج التعلم في مشاكل التحليل والتنبؤ الهدف منه هو اختبار قدرة الطريقة المقترحة على التنبؤ بالبيانات الجديدة التي لم يتم استخدامها في التقدير
تتضمن جولة التحقق المتبادل تقسيم عينية من البيانات الى مجموعة فرعية تكميلية واجراء التعلم على مجموعة فرعية واحدة تسمى (مجموعة التدريب) الرجاء الاطلاع على المصادر

تسمية البيانات

ما هي تسمية البيانات؟ What Is Data Labeled ؟

في التعلم الآلي، تعتبر تسمية البيانات (Labeling)هي عملية تحديد البيانات الخام فيما اذا كانت صور اوالملفات النصية المقاطع الفيديو …الخ وإضافة التسميات التعريفية لكل صورة الغرض منها توفير سياق بحيث يمكن لنموذج التعلم الآلي التعلم منه على سبيل المثال، قد تشير الصور إلى ما إذا كانت الصورة تحتوي على طائر أو سيارة، او ما هي الكلمات التي تم نطقها في تسجيل صوتي، أو ما إذا كانت الأشعة السينية (X-Ray) تحتوي على ورم Tumor


تصنيف البيانات مطلوب لمجموعة متنوعة من حالات الاستخدام بما في ذلك رؤية الكمبيوتر (Computer Vision) ومعالجة اللغة الطبيعية NLP

كيف يعمل تصنيف البيانات (How Does Data Labeling Work)

اليوم، تستخدم معظم نماذج التعلم الآلي العملية التعلم الخاضع للإشراف(Supervised Learning)، والذي يطبق خوارزمية لتعيين مدخل واحد لمخرج واحد (Algorithm To Map One Input To One Output). لكي يعمل التعلم الخاضع للإشراف (Supervised Learning)، تحتاج إلى مجموعة مصنفة (Labeled Set Of Data) من البيانات يمكن للنموذج التعلم منها لاتخاذ القرارات الصحيحة. (Make Correct Decision)
يبدأ تصنيف البيانات (Data Labeling) عادةً بمطالبة البشر بإصدار أحكام حول جزء معين من البيانات غير المسماة (Unlabeled Data).

على سبيل المثال، قد يُطلب من القائمين على الملصقات وضع علامة على جميع الصور في مجموعة بيانات حيث تكون عبارة “هل تحتوي الصورة على طائر” صحيحة. يمكن أن تكون العلامات قاسية مثل نعم / لا بسيطة أو محببة مثل تحديد وحدات البكسل المحددة في الصورة المرتبطة بالطائر. يستخدم نموذج التعلم الآلي الملصقات التي يوفرها الإنسان لتعلم الأنماط الأساسية في عملية تسمى “تدريب النموذج”(Underlying Patterns) والنتيجة هي نموذج مدرب (Model Training) يمكن استخدامه لعمل تنبؤات بشأن البيانات الجديدة (Predictions On New Data). في التعلم الآلي، غالبًا ما تسمى مجموعة البيانات المصنفة بشكل صحيح والتي تستخدمها كمعيار موضوعي لتدريب وتقييم نموذج معين “الحقيقة الأساسية”(Ground Truth)

ما هي بعض الأنواع الشائعة لتصنيف البيانات (Data Labeling)؟

الرؤية الحاسوبية (Computer Vision)

عند إنشاء نظام رؤية الكمبيوتر ، تحتاج أولاً إلى تسمية الصور أو البكسل أو النقاط الرئيسية ، أو إنشاء حد يحيط بشكل كامل صورة رقمية ، تُعرف باسم الصندوق المحيط (Bounding Box)، لإنشاء مجموعة بيانات التدريب الخاصة بك (Training Dataset).

على سبيل المثال ، يمكنك تصنيف الصور حسب نوع الجودة (مثل صور المنتج مقابل صور نمط الحياة) أو المحتوى (ما هو موجود بالفعل في الصورة نفسها) ، أو يمكنك تقسيم الصورة على مستوى البكسل. يمكنك بعد ذلك استخدام بيانات التدريب هذه لبناء نموذج رؤية كمبيوتر يمكن استخدامه لتصنيف الصور(Categorize Images) تلقائيًا أو اكتشاف موقع الكائنات (Detect The Location Of Objects) أو تحديد النقاط الرئيسية في الصورة أو تقسيم الصورة(Segment An Image)

معالجة اللغة الطبيعية (Natural Language Processing)

 تتطلب معالجة اللغة الطبيعية أولاً تحديد أقسام مهمة من النص يدويًا أو تمييز النص باستخدام تسميات محددة لإنشاء مجموعة بيانات التدريب الخاصة بك. على سبيل المثال ، قد ترغب في تحديد الشعور أو القصد من دعاية نصية ، وتحديد أجزاء من الكلام ، وتصنيف الأسماء المناسبة مثل الأماكن والأشخاص ، وتحديد النص في الصور أو ملفات Pdf أو الملفات الأخرى.

للقيام بذلك ، يمكنك رسم مربعات إحاطة حول النص ثم نسخ النص يدويًا في مجموعة بيانات التدريب الخاصة بك. تُستخدم نماذج معالجة اللغة الطبيعية لتحليل المشاعر(Sentiment Analysis) ، والتعرف على اسم الكيان(Entity Name Recognition) ، والتعرف البصري على الأحرف(Optical Character Recognition)

معالجة الصوت (Audio Processing)

 تقوم المعالجة الصوتية بتحويل جميع أنواع الأصوات مثل الكلام، وضوضاء الحياة البرية (النباح، والصفارات، أو الزقزقة)، وأصوات البناء (كسر الزجاج ، أو عمليات المسح ، أو الإنذارات) إلى تنسيق منظم بحيث يمكن استخدامه في التعلم الآلي.

غالبًا ما تتطلب منك معالجة الصوت أولاً نسخها يدويًا إلى نص مكتوب. من هناك، يمكنك الكشف عن معلومات أعمق حول الصوت عن طريق إضافة العلامات وتصنيف الصوت. يصبح هذا الصوت المصنف مجموعة بيانات التدريب الخاصة بك (Training Dataset)

مفهوم التعلم الآلي Machine Learning

ما مفهوم التعلم الآلي  ؟ (Machine Learning)

هو أحد فروع الذكاء الاصطناعي التي تهتم بتطوير وتصميم خوارزميات وتقنيات تسمح للحواسيب بامتلاك خاصية التعلم، المَهمة الأساسية في التعلم الآلي هي استخراج معلومات قيمة من البيانات، وبالتالي فهو قريب جداً من التنقيب في البيانات.

في كل مرة تستخدم فيها محرك البحث أحد أهم الأسباب التي تجعل تلك المحركات تعمل بشكل جيد هي خوارزميات الـ Machine Learning؛ تجعل شركة Google وغيرها من محركات البحث الأخرى هذه الخوارزميات تقوم بتصنيف وترتيب الصفحات وظهور النتائج بشكل جيد.

في كل مرة تستخدم facebook ويقوم بالتصنيف والتعرف على وجوه أصدقائك في الصور، هذا أيضاً من خوارزميات التعلم الآلي.

في كل مرة تقرأ البريد الإلكتروني ويقوم بفلترة وحجب الرسائل الغير مرغوب فيها ويُجنّبك الكثير من الرسائل المزعجة، هذا أيضاً يعتبر تعلم آلي Machine Leaening.

أشهر وظائف إنترنت الأشياء

ما هي أشهر وظائف إنترنت الأشياء  (IOT)

 مدير إنتاج نظام إنترنت الأشياء IOT Product Manager :

مهمة مدير الإنتاج مراقبة سير التنفيذ في نظام إنترنت الأشياء، حيث تختلف المسؤوليات ما بين التطوير، والتسويق، إذ يعمل مدراء الإنتاج بالتعاون مع قسم التطوير للاهتمام بمتطلبات العمل وتشغيل الآليات.

 مهندس إنترنت الأشياء IOT Architect :

نظام IOT عبارة عن شبكة معقدة من الأدوات والأجهزة المتصلة مع بعضها البعض، والتي يجب تخطيطها بشكل صحيح قبل تشغيلها وإضافتها إلى الشبكة الرئيسية؛ وهنا يأتي دور مهندس إنترنت الأشياء الرئيسي المتمثّل في تحويل الأفكار إلى تصاميم والتصاميم إلى رموز وظيفية.

 مطوّر إنترنت الأشياء IOT Developer :

مطوّرو الـ IOT هم المسؤولون عن الأساسيات وعن بناء الكود الفعلي للشبكة، حيث يقع على عاتقهم مسؤولية بناء الجانب البرمجي من منظومة إنترنت الأشياء.

 عالِم بيانات Data Scientists :

إنّ أحد أهم مميزات نظام إنترنت الأشياء هو كميّة البيانات التي يتم إنتاجها، وعلماء البيانات هم أولئك الذين يتعاملون مع البيانات التي تم جمعها من أجهزة الاستشعار في المنظومة، حيث أن الطلب على علماء البيانات في تزايد مستمر في مجال إنترنت الأشياء،

مهندس سحابة إنترنت الأشياء IOT Cloud Engineer :

تتمثّل مهمة مهندس السحابة في إنشاء ونشر قواعد البيانات الوسيطة “Middleware” وقواعد البيانات “NoSQL” بهدف تجميع البيانات الواردة من مختلف الأجهزة المتصلة بشبكة إنترنت الأشياء.

مصمّم تجربة المستخدم UI/UX Industrial designer :

تتمثّل المرحلة النهائية في نظام إنترنت الأشياء في لوحة معلومات أو شاشات مرئية يتعامل معها المستخدمون النهائيون، حيث تُستخدم هذه المستشعرات إمّا للتحكم في أجهزة الاستشعار أو في عملية فحص البيانات.

الذكاء الاصطناعي Artificial Intelligence

الذكاء الاصطناعي عبارة عن خصائص وصفات الأجهزة والبرامج الحاسوبية المتطورة، وقدرة الحاسوب على محاكاة العقل البشري، والعمل على استنتاج المشكلات المختلفة وإيجاد الحلول المناسبة لها بالاعتماد على الخبرات السابقة.
ليس هناك من يُنكر أن الذكاء الاصطناعي يَعد بالكثير من الفوائد للبشرية، حيث يتم استخدامه في العديد من المجالات كالطب مثلاً، كما تم تطوير الآلات ذاتية التعلم بواسطة الذكاء الاصطناعي ممّا زاد من اعتماد الإنسان على الآلة، وهذا المجال يتطور يومياً.
لغات البرمجة التي تدخل في مجال الذكاء الاصطناعي (AI) هي ++C و Python و Java، ثم هناك لغات أخرى غير مشهورة كـ Lisp و Go.

♦️ فروع الذكاء الاصطناعي :

  • • التعلم الآلي   Machine Learning.

  • تحليل البيانات  Data Analytics.

  •  التطبيقات الذكية Smart Applications.

  •  علم الروبوتات  Robotics.

  •  التنقيب عن البيانات Data Mining.

  •  هندسة الخوارزميات  Algorithm Engineering.

    وغيرها . . .

للـذكاء الاصطناعي عدة إيجابيات كما له سلبيات أيضاً، لنتعرف على إيجابياته وسلبياته :

🔷 الإيجابيات :

  • تطوير الآلات، لاستمرارها في العمل دون تعب وجهد على عكس الإنسان.

  • يُساعد في توقع الكوارث الطبيعية، ويقلل من المخاطر التي يتعرض لها الإنسان جرّاء ذلك.

  •  يخفض الذكاء الاصطناعي من الأخطاء التي يرتكبها البشر.

🔷 السلبيات :

  •  التكلفة المادية المرتفعة في تصميم آلات المحاكاة البشرية.

  •  عدم الحصول على شيء مبتكر عند استخدام الآلات، فقط يقتصر العمل على القيام بالواجبات.

  •  يقلل من الطلب على الأيدي العاملة.

ما الفرق بين الذكاء الاصطناعي القوي والذكاء الاصطناعي الضعيف؟

الذكاء الاصطناعي (AI) هو مصطلح شائع جدًا اليوم ، ولكن ما هو الذكاء الاصطناعي في الوقت الحاضر وما يعتقده معظم الناس  ،  يمكن أن يكون مختلفًا تمامًا. الذكاء الاصطناعي الذي تعرفه هو ذكاء اصطناعي “ضعيف” ، لكن يخشى الكثير من الذكاء الاصطناعي أنه “قوي”.

ما هو الذكاء الاصطناعي في الواقع؟

من السهل طرح مصطلح مثل “AI” ، لكن هذا لا يوضح ما نتحدث عنه حقًا. بشكل عام ، يشير مصطلح “الذكاء الاصطناعي” إلى مجال كامل في علوم الكمبيوتر. الهدف من الذكاء الاصطناعي هو جعل أجهزة الكمبيوتر تكرر ما يمكن أن يحققه الذكاء الطبيعي. يتضمن ذلك ذكاء الإنسان ، وذكاء الحيوانات الأخرى ، وذكاء الحياة غير الحيوانية مثل النباتات ، والكائنات وحيدة الخلية ، وأي شيء آخر له شكل من أشكال الذكاء.

هناك سؤال أعمق تحت هذا الموضوع ، وهذا ما هو “الذكاء” في المقام الأول. الحقيقة هي أنه حتى علم الذكاء لا يمكنه الاتفاق على تعريف عالمي لما هو ذكاء أو لا.

بشكل عام ، إنها القدرة على التعلم من التجربة واتخاذ القرارات وتحقيق الأهداف. يسمح الذكاء بالتكيف مع المواقف الجديدة ، لذلك فهو يختلف عن البرمجة المسبقة أو الغريزة. كلما زادت تعقيد المشكلات التي يمكن حلها ، زادت ذكائك.

لا يزال لدينا الكثير لنتعلمه عن الذكاء لدى البشر ، على الرغم من وجود العديد من الطرق المختلفة لقياس الذكاء. نحن لسنا متأكدين حتى من كيفية عمل الذكاء البشري تحت الغطاء.  تم فضح زيف بعض النظريات ، مثل نظرية الذكاءات المتعددة لغاردنر ، في حين أن هناك الكثير من الأدلة لدعم عامل الذكاء العام في البشر (يشار إليه باسم ” عامل جي “).

بعبارة أخرى ، لا تزال تفاصيل الذكاء ، الطبيعية منها والاصطناعية ، تتطور. على الرغم من أننا قد نشعر وكأننا نعرف الذكاء بشكل حدسي عندما نراه ، فقد اتضح أن رسم دائرة أنيقة حول فكرة الذكاء أمر صعب!

لقد وصل عصر الذكاء الاصطناعي الضعيف

يُشار إلى الذكاء الاصطناعي الذي نمتلكه اليوم باسم الذكاء الاصطناعي “الضعيف” أو “السردي”. هذا يعني أن نظامًا معينًا للذكاء الاصطناعي جيد جدًا في القيام بواحد أو مجموعة محدودة من المهام ذات الصلة. كان أول جهاز كمبيوتر يهزم إنسانًا في الشطرنج ، Deep Blue ، عديم الفائدة تمامًا في أي شيء آخر. تقدم سريعًا إلى أول كمبيوتر يهزم الإنسان في Go ، AlphaGo ، وأذكى من حيث الحجم ، ولكنه لا يزال جيدًا في شيء واحد .

كل الذكاء الاصطناعي الذي تصادفه أو تستخدمه أو تراه اليوم ضعيف. في بعض الأحيان يتم دمج أنظمة ذكاء اصطناعي ضيقة مختلفة لتشكيل نظام أكثر تعقيدًا ، لكن النتيجة لا تزال فعالة في تحديد الذكاء الاصطناعي. في حين أن هذه الأنظمة ، خاصة تلك التي تركز على التعلم الآلي ، يمكن أن تنتج نتائج غير متوقعة ، فهي ليست مثل الذكاء البشري على الإطلاق.

الذكاء الاصطناعي القوي غير موجود

الذكاء الاصطناعي الذي يعادل أو يتفوق على الذكاء البشري لا وجود له خارج الخيال. إذا كنت تفكر في فيلم AIs مثل HAL 9000 أو T-800 أو Data from Star Trek أو Robbie the Robot ، فإنهم على ما يبدو ذكاء واعي. يمكنهم تعلم فعل أي شيء ، والعمل في أي موقف ، وعمومًا يفعلون أي شيء يمكن للإنسان ، غالبًا بشكل أفضل. هذا هو ذكاء اصطناعي “قوي” أو AGI (ذكاء عام اصطناعي) ، وهو في الأساس كيان اصطناعي متساوٍ على الأقل ومن المرجح أن يتفوق علينا.

بقدر ما يعرف أي شخص ، لا يوجد مثال حقيقي لهذا الذكاء الاصطناعي “القوي” الموجود. ما لم يكن في مكان ما في مختبر سري في مكان ما ، هذا هو. الحقيقة هي أننا لا نعرف حتى من أين نبدأ في صنع الذكاء الاصطناعي العام. ليس لدينا أي فكرة عما يثير الوعي البشري ، والذي سيكون سمة أساسية ناشئة للذكاء الاصطناعي. شيء يشار إليه على أنه مشكلة صعبة للوعي .

هل الذكاء الاصطناعي القوي ممكن؟

لا أحد يعرف كيف يصنع AGI ، ولا أحد يعرف ما إذا كان من الممكن إنشاء واحد. هذا هو طوله وقصره. ومع ذلك ، فنحن دليل على وجود ذكاء عام قوي. بافتراض أن الوعي والذكاء البشريين هما نتيجة عمليات مادية بموجب قوانين الفيزياء ، فلا يوجد سبب من حيث المبدأ لعدم إنشاء الذكاء الاصطناعي العام.

السؤال الحقيقي هو ما إذا كنا أذكياء بما يكفي لمعرفة كيف يمكن القيام بذلك. قد لا يتقدم البشر أبدًا بما يكفي لإنجاب الذكاء الاصطناعي العام ولا توجد طريقة لوضع جدول زمني لهذه التكنولوجيا بالطريقة التي يمكننا بها القول بأن شاشة عرض 16 ألف ستكون متاحة في غضون بضع سنوات.

ثم مرة أخرى ، قد تساعدنا تقنيات الذكاء الاصطناعي الضيقة وفروع العلوم الأخرى مثل الهندسة الوراثية والحوسبة الغريبة باستخدام ميكانيكا الكم أو الحمض النووي وعلوم المواد المتقدمة في سد الفجوة. إنها مجرد تكهنات صرفة حتى تحدث فجأة عن طريق الصدفة ، أو لدينا أي نوع من خارطة الطريق.

ثم هناك مسألة ما إذا كان علينا  أن نسعى جاهدين لإنشاء AGIs. يرى بعض الأشخاص الأذكياء جدًا ، مثل البروفيسور الراحل ستيفن هوكينج وإيلون ماسك ، أن الذكاء الاصطناعي العام سيؤدي إلى نهايات مروعة.

مع الأخذ في الاعتبار إلى أي مدى تبدو خواص الذكاء الاصطناعي بعيدة المنال ، قد تكون هذه المخاوف مبالغًا فيها بعض الشيء ، ولكن ربما تكون لطيفة مع جهاز Roomba الخاص بك ، لمجرد أن تكون آمنًا.

ما الذي يجعل الشركات ناجحة في استخدام الذكاء الاصطناعي؟

ملخص رؤس الأقلام ما بين تحسين الأنتاجية و الذكاء الصناعي

تحاول الشركات في مجموعة واسعة من الصناعات دمج التحليلات والبيانات لتحسين عملياتها ، مع نتائج مختلطة بالتأكيد. ما الذي يفعله أصحاب الأداء الأفضل بشكل مختلف – وأفضل – عن غيرهم؟ بشكل عام ، أجرت الشركات الرائدة تقييمًا صادقًا لمكانها ، وشكلت رؤية للمكان الذي تريد أن تكون فيه في غضون ثلاث أو أربع سنوات ، وبحثت عن طرق لتحقيق مكاسب سريعة. وبشكل أكثر تحديدًا ، فقد تفوقوا في الأداء في خمسة مجالات: الحوكمة والنشر والشراكات والأفراد وتوافر البيانات.

واجهت شركة فيسترا ، أحد أكبر منتجي الطاقة في الولايات المتحدة ، مشكلة. لكي تعمل مصانعها بكفاءة ، كان على العمال مراقبة مئات المؤشرات المختلفة باستمرار ، وتتبع درجات الحرارة ، والضغوط ، ومستويات الأكسجين ، وسرعات المضخة والمروحة – وكان عليهم إجراء تعديلات في الوقت الفعلي. تضمنت العملية قدرًا هائلاً من التعقيد ، وكان الأمر أكثر من اللازم حتى يتمكن العامل الأكثر مهارة من إنجازه بشكل صحيح طوال الوقت. لمواجهة هذا التحدي ، قام المصنع بتثبيت أداة تعمل بالذكاء الاصطناعي – مُحسِّن لمعدل الحرارة – تحلل مئات المدخلات وتقدم توصيات كل 30 دقيقة. النتيجة: 1٪ زيادة في الكفاءة. قد لا يبدو هذا كثيرًا ، لكنه يترجم إلى وفورات بالملايين بالإضافة إلى انخفاض انبعاثات غازات الاحتباس الحراري.

تحاول الشركات في مجموعة واسعة من الصناعات دمج التحليلات والبيانات لتحسين عملياتها. كانت Wayfair ، شركة التجارة الإلكترونية ، المحرك الأول في تحويل بياناتها إلى السحابة والاستثمار في التعلم الآلي. عندما ضرب Covid-19 ، وتبع ذلك تغييرات سريعة في طلب المستهلكين ، كان قادرًا على تحسين الخدمات اللوجستية لسفن الحاويات ، والتعديل المستمر للبضائع التي تم إرسالها إلى الموانئ. النتيجة: انخفاض مذهل بنسبة 7.5٪ في تكاليف اللوجيستيات الواردة.

ومع ذلك ، لم تكن كل الشركات ناجحة مثل Wayfair. في الواقع ، يمكن أن يكون للأصحاب أداءً أكثر من ضعف التأثير في نصف الوقت مقارنةً بمتوسط ​​الشركة التي تطبق الذكاء الآلي. لماذا تقوم بعض الشركات بعمل أفضل بكثير من غيرها؟

للإجابة على هذا السؤال ، درست McKinsey و MIT’s Machine Intelligence for Manufacturing and Operations (MIMO) 100 شركة في قطاعات من السيارات إلى التعدين. من خلال المقابلات والأبحاث والاستطلاعات ، سعينا إلى التعرف على كيفية استخدامهم للتقنيات الرقمية وتحليلات البيانات والذكاء الآلي (MI) ؛ ما أرادوا تحقيقه. وكيف تابعوا تقدمهم. من خلال النظر إلى 21 مؤشر أداء عبر تسع فئات – الإستراتيجية ، وتركيز الفرص ، والحوكمة ، والنشر ، والشراكات ، والأفراد ، وتنفيذ البيانات ، والميزانية ، والنتائج – تمكنا من تقسيم الشركات المائة إلى أربع فئات: القادة والمخططون والمنفذون ، و المنظمات الناشئة لتحديد العلاقات بين الإجراءات المتخذة والاستثمارات التي تمت ، والنتائج الملموسة والمستدامة.

أي شركة لديها طموح للاستفادة من التقنيات الرقمية المتقدمة لديها الفرصة للتعلم من مناهج أفضل الممارسات ، سواء كانت مخططًا أو منفذًا أو شركة ناشئة اليوم. نلقي نظرة إلى ما وراء أرقام المستوى الأعلى لاستكشاف الدوافع الأساسية للنجاح.

أسرار المشغلين الأذكياء

يمكن الفوز بالسباق للاستفادة من البيانات والتحليلات من خلال إجراءات منسقة متعددة بدلاً من أي خطوة جريئة واحدة. تعمل جميع القطاعات الأربعة – القادة والمخططون والمنفذون والشركات الناشئة – في مساحة ديناميكية حيث يرتفع الشريط وسيستمر عدد حالات استخدام التعلم الآلي في الزيادة وتضمين نفسها في الأعمال كالمعتاد.

لا يجب أن يسعى كل شخص ليكون قائدًا على الفور ؛ يجب عليهم بدلاً من ذلك السعي للانتقال إلى الحالة التالية الأفضل.

القادة هم الأفضل أداء ويشكلون حوالي 15٪ من العينة. من خلال الاستثمار في الأماكن المناسبة ، استحوذوا على أكبر المكاسب من التقنيات الرقمية المتقدمة. من المرجح أن يكون لدى القادة عملية محددة لتقييم وتنفيذ الابتكار الرقمي. ومن المرجح أيضًا أن يتابعوا هذه العملية بانتظام ويقوموا بتحديثها باستمرار. ونتيجة لذلك ، فقد حققوا تحسينات أكبر بكثير من بقية المؤشرات في 20 من أصل 21 مؤشر أداء رئيسي تم تقييمها وكانوا ضمن أعلى 25٪ في جميع فئات الأداء التسع.

يشكل المخططون حوالي ربع مجموعة البيانات. غالبًا ما يتمتع المخططون بمهارات قوية في التعامل مع الأشخاص وخبرة كبيرة في تنفيذ البيانات ؛ فهي منهجية وتركز على القيام بالاستثمارات الصحيحة. ومع ذلك ، في كثير من الحالات ، لم تؤتي ثمارها بعد ، على الرغم من أن القليل منها على وشك الانضمام إلى القادة. في حين أن بعض المخططين قادرين على الإشارة إلى عمليات التنفيذ الناجحة ، لم يتمكن العديد منهم من فك الشفرة عند توسيع نطاق حالات الاستخدام المهمة حقًا. يكافح آخرون للهروب من ” مطهر الطيار ” الذي وصفته ماكينزي في عام 2018.

المنفذون ، ما يقرب من ثلث المستجيبين ، يستفيدون من مجموعة الخبرات المتزايدة باستمرار ويعملون مع الشركاء لإنشاء حلول محددة موجهة إلى أكثر الفرص الواعدة. ثم يقومون بتنفيذ هذه الحلول على أوسع نطاق ممكن. المنفذون موجهون نحو النتائج. يمكنهم وقد حققوا مكاسب كبيرة ، على الرغم من بناء بنية تحتية أقل من القادة أو المخططين. من ناحية أخرى ، يجدون أحيانًا صعوبة في ربط الجهود المتباينة معًا لتحقيق أداء على مستوى الشركة.

الشركات الناشئة ، حوالي ربع المجموعة ، لديها أدنى مستوى من النضج وشهدت أقل المكاسب ؛ بدأ الكثير منهم للتو. أبلغت بعض الشركات الناشئة عن نجاح معتدل في حالات استخدام مختارة ، لكن البعض الآخر يجد صعوبة حتى في تحديد مكان الاستثمار. قليلون لديهم الإستراتيجية أو المهارات أو البنية التحتية المطبقة للمضي قدماً إلى أبعد من ذلك بكثير.

خمس طرق للحصول على معلومات ذكية حول ذكاء الآلة

بشكل عام ، وجدنا أن الشركات التي نجحت في نشر التقنيات الرقمية المتقدمة أجرت تقييمًا صادقًا لمكانها من حيث مؤشرات الأداء التسعة. على هذا الأساس ، كانوا قادرين على تشكيل رؤية لما يريدون أن يكونوا في غضون ثلاث أو أربع سنوات. في الوقت نفسه ، حددوا عددًا قليلاً من حالات الاستخدام الواعدة لتحقيق مكاسب سريعة. وبشكل أكثر تحديدًا ، حدد البحث خمسة مجالات يبرز فيها أصحاب الأداء الأفضل.

الحكم

ذكاء الآلة هو أولوية إستراتيجية للشركات الرائدة. قام العديد ببناء مراكز امتياز مخصصة لدعم جهود التنفيذ الخاصة بهم ، إما داخل وحدات الأعمال أو كوظيفة مركزية لدعم المنظمة بأكملها ، وضمان المعايير ، وتسريع النشر. تساعد وظيفة الدعم المخصصة والمركزية أيضًا في الحفاظ على برامجهم الرقمية في المسار الصحيح وتوثيق كيفية تقدم حافظتهم. من المرجح أن يكون لدى القادة عملية محددة لتقييم وتنفيذ الابتكار الرقمي أكثر من الشركات ذات الأداء المنخفض. على سبيل المثال ، تستخدم شركة الأدوية Bayer عملية حوكمة موثقة جيدًا لنشر تطبيقات متعددة في مصنع واحد ، والتي يتم نشرها بعد ذلك عبر شبكتها ، مما أدى إلى زيادة الإيرادات.

ومع ذلك ، يدرك القادة أيضًا أن التغيير أمر لا مفر منه في هذا الفضاء سريع الحركة. يقوم معظم القادة في مجموعة البيانات لدينا بصقل وتحسين عملياتهم باستمرار ، في حين أن المنفذين والمخططين في مجموعة البيانات الخاصة بنا غالبًا ما يتعثرون ، مما يحد من القدرة على التوسع بنجاح.

تعيين

المنظمات الرائدة تطبق MI على نطاق أوسع وتستخدم أساليب أكثر تعقيدًا. على سبيل المثال ، قام كل قائد بتنفيذ MI في التنبؤ وتحسين الصيانة والخدمات اللوجستية والنقل. من المرجح أيضًا أن يتبنى القادة مناهج متقدمة ، مثل تطبيق رؤية الماكينة لضمان جودة المنتج. وجدت شركة Amgen ، إحدى شركات الأدوية الحيوية ، أن عمليات نظام الفحص البصري توفر فرصًا كبيرة لأتمتة تقنيات الذكاء الاصطناعي والاستفادة منها. تقوم Amgen بتطوير نظام فحص بصري تم التحقق منه بالكامل باستخدام الذكاء الاصطناعي الذي سيعزز اكتشاف الجسيمات بنسبة 70٪ ويقلل الرفض الزائف بنسبة 60٪.

في حين أن مثل هذه التطبيقات يمكن أن يكون لها تأثير هائل ، فإن هذه الشركات تدرك أيضًا أن أي تأثير طويل الأجل يتطلب سحب أدوات متعددة بشكل متضافر ، وأن النشر الواسع على مستوى المؤسسة هو المفتاح.

الشراكه

الشراكات شائعة ، غالبًا مع الأوساط الأكاديمية والشركات الناشئة وبائعي التكنولوجيا الحاليين والمستشارين الخارجيين. ومع ذلك ، عمل القادة مع مجموعة واسعة من الشركاء ، وبشكل أكثر كثافة ، من أجل زيادة السرعة والتعلم. على سبيل المثال ، عملت شركتا Colgate-Palmolive و Pepsico / Frito-Lay ، وهما شركتا منتجات استهلاكية مع بائع أنظمة ، Augury ، على نشر تشخيصات حالة الماكينة التي تعتمد على الذكاء الاصطناعي على خطوط الإنتاج الخاصة بهم ؛ في حالة واحدة ، أدى هذا إلى منع انقطاع الخدمة لمدة ثمانية أيام. تعاونت شركة Analog Devices ، وهي شركة أشباه موصلات ، مع معهد ماساتشوستس للتكنولوجيا (MIT) لتطوير نظام MI الجديد لمراقبة الجودة الذي سمح لها بتحديد عمليات الإنتاج والأدوات التي قد يكون بها عيب. هذا يعني أنه كان على مهندسي الشركة مراجعة 5٪ فقط من بيانات العملية التي كان عليهم مراجعتها من قبل.

على الرغم من قدراتهم العالية ، اعتمد القادة في الواقع أكثر على الشركاء الخارجيين لزيادة تسريع تعلمهم والوقت للتأثير.

الناس

تتخذ الشركات الرائدة خطوات لضمان تمتع أكبر عدد ممكن من أصحاب المصلحة بالمهارات والموارد التي يحتاجون إليها لاستخدام الأساليب الرقمية المتقدمة ، بدلاً من الحفاظ على هذه الخبرة حكرًا على المتخصصين. يقوم أكثر من نصفهم بتدريب العاملين في الخطوط الأمامية على أساسيات MI ، على سبيل المثال ، مقارنة بـ 4٪ فقط من الشركات الأخرى. استخدم ماكدونالدز ، وهو مطعم عالمي للخدمة السريعة ، MI لتحسين مجموعة واسعة من المهام التشغيلية ، من التنبؤ باستجابة العملاء إلى التنبؤ بالإقبال في الوقت الفعلي. اعتمدت الشركة نهجًا هجينًا للقيام بذلك: يقوم مركز التميز المؤسسي التابع لها باختبار وتطوير مناهج جديدة قبل تجميعها في أدوات سهلة الاستخدام ومتاحة على نطاق واسع. يساعد هذا النظام أعضاء الفريق في هذا المجال على فهم أهمية البيانات الجيدة وصقل مهارات تحديد المشكلات لديهم.

أصبح من الواضح أن القادة ينظرون إلى استخدام البيانات والتحليلات على أنه جزء لا يتجزأ من كيفية عملهم ، بدلاً من إبقائه منعزلاً ومقتصرًا على عدد قليل من الموظفين.

توافر البيانات

القادة يجعلون البيانات قابلة للوصول. يمنح جميع القادة في بحثنا لموظفي الخطوط الأمامية إمكانية الوصول إلى البيانات ، مقارنة بـ 62٪ من البقية. يحصل القادة أيضًا على بيانات من العملاء والموردين ، ويقوم 89٪ بمشاركة بياناتهم الخاصة. تزيد احتمالية تمكين الشركات الرائدة من الوصول إلى البيانات عن بُعد وتخزين جزء كبير من بياناتها في السحابة بمقدار الضعف تقريبًا عن الشركات الأخرى. باختصار ، تعتبر إضفاء الطابع الديمقراطي على البيانات جانبًا مهمًا للاستخدام الفعال للتحليلات. وخير مثال على ذلك يأتي من Cooper Standard ، مورد سيارات. يتطلب من الفرق معالجة استراتيجية البيانات في وقت مبكر من عملية تطوير تطبيقات MI الجديدة ؛ وهذا يضمن أن جميع حالات الاستخدام مبنية على بيانات قوية وجيدة الإدارة. إن إضفاء الطابع الديمقراطي على البيانات يتناقض بشكل صارخ مع العديد من الشركات حيث تكون المعلومات قوة ويتم حمايتها بغيرة.

اللبنات الأساسية للتحول الرقمي

وجدنا أن المجالات الخمسة – الحوكمة ، والنشر ، والشراكات ، والأفراد ، والبيانات – كانت أكثر فاعلية عند دمجها في دليل ، وغالبًا ما يتم تنسيقها بواسطة مركز التميز. لكن أولاً ، تحتاج الشركات إلى تقييم صادق لنقطة انطلاقها عبر الأبعاد التسعة. من هناك ، يمكن أن تبدأ خطة الانتقال في التبلور. حتى لو كان الأمر تقريبيًا ، فإنه يعين أهدافًا واقعية متوسطة المدى تمثل العوائق التي تحول دون التغيير – المواهب الماهرة ، والقدرة الاستثمارية ، والبنية التحتية الحيوية مثل ترحيل البيانات من الأنظمة القديمة إلى السحابة. في حين أن الطموح يمكن أن يكون بلا حدود ، فإن الخطوات لا يمكن أن تكون صغيرة جدًا – بدأ معظم القادة باستخدام البيانات والأدوات البسيطة لاتخاذ القرارات ، ثم انتقلوا إلى تقنيات أكثر تقدمًا حيث قاموا ببناء النضج والإلمام ببياناتهم.

على الرغم من التطورات الأخيرة والمهمة في MI ، إلا أن النطاق الكامل للفرصة قد بدأ للتو في الظهور. وهذا يقودنا إلى فرق أكثر أهمية بين القادة والبقية: المال. أنفق القادة 30 إلى 60٪ أكثر وتوقعوا زيادة ميزانياتهم بنسبة 10 إلى 15٪ ، بينما أفاد الآخرون عن زيادات قليلة أو معدومة. هذا يعني أن الفجوة بين القادة والباقي يمكن أن تتسع بالفعل.

اعتمادًا على نقطة البداية ، سيكون مسار كل شركة مختلفًا. ولكن فيما يتعلق بما ينجح ، فإن القادة يظهرون الطريق.

ما هي بوتات التيليجرام ؟

ما هي بوتات التيليجرام؟

البوتات هي كالبرامج الصغيرة، تعمل مباشرةً داخل تيليجرام . يتم صناعتها من قبل مطورين مستقلين عن تيليجرام باستخدام واجهة تيليجرام البرمجية الخاصة بالبوتات ،أو بعبارة هي حسابات تيليجرام يتم تشغيلها بواسطة البرامج – وليس الأشخاص – وغالبًا ما تحتوي على ميزات الذكاء الصناعي . يمكنهم فعل أي شيء – التدريس أو اللعب أو البحث أو البث أو التذكير أو الاتصال أو الاندماج مع الخدمات الأخرى أو حتى تمرير الأوامر إلى إنترنت الأشياء.

Artificial Intelligence خطة كاملة لتعلم الذكاء الصناعي

كيف أبدأ في تعلم مجال الذكاء الصناعي – Artificial Intelligence ؟

أولا ما هو الذكاء الصناعي –  Artificial Intelligence ؟

بأبسط العبارات، يشير مصطلح الذكاء الاصطناعي (AI) إلى الأنظمة أو الأجهزة التي تحاكي الذكاء البشري لأداء المهام والتي يمكنها أن تحسن من نفسها استنادًا إلى المعلومات التي تجمعها. يتجلى الذكاء الاصطناعي في عدد من الأشكال.

  1. Swarm Intelligence

  2. Machine Learning

  3. Deep Learning

علوم البيانات والذكاء الاصطناعي تعتبر المجال الأكثر أهمية في القرن الثاني والعشرين
بعض المجالات الاخري التي ترتبط بالموضوع :

  • Self Driving Car (Computer Vision )

  • Robots ( Computer Vision + Embeded system +Machine Learning)

  • Data mining ( Data analysis – Machine Learning )

  • Marketing Intelligence

  • Business Intelligence

طيب حماسك زاد جدا صح وحابب تعرف ازاي تقدر تبدأ في المجال داه , الحمد لله كل شئ هيكون بسيط وسهل بس اهم حاجة تكون عندك هدف فكر في فكرة علي سبيل المثال نفسك تعمل روبوت او تعمل Software ذكي .. لازم تفكر في رؤيتك لان رؤيتك هي الي هتخليك تكمل الطريق الي هكتبهولك لأخره وكمان نضيف عليه .

الاسألة الشائعة قبل بداية الشرح :

هل احتاج الي الرياضيات اثناء العمل علي مشاريع ؟

لا تحتاج الي الرياضة بشكل كبير في البداية عند تعلمك اي لغة برمجة , ولكن ستحتاجها حين تطرق الي تعليم الألة والتعليم العميق ( الذكاء الاصطناعي وستحتاج الرياضيات والتفاضل )

أنا ضعيف في اللغة الانجليزية هل هناك فرصة ؟

المجال كله بشكل عام يعتمد علي اللغة الانجليزية قليل ما سوف تلتقي بعلم عرربي او مقالة عربية نظرا لانه علم غريب علينا فأنهل العلم من أرضه وتعلم الانجليزية ساعتين يوميا ستكفي بالغرض

هل سأحصل علي عمل بعدما انتهي من هذا المسار التدريبي ؟

الأرزاق بيد الله والله لا يضيع اجر من احسن عملا فلا تتفكر في المستقبل كثيرا واصنع مستقبلك بنفسك وسأخبرك كيف ستستطيع ان تنهل وظيفتك الاولي

هل هذا المسار مهم لماذا لا اعمل مترجم ؟

المسار مهم للغاية انها الوظيفة الاولي علي مستوي العالم حاليا , الاعلي اجرا والاكثر طلبا ( عالم بيانات)

أشياء يجب معرفتها قبل البدأ ؟

الفرق بين Software & Hardware

يكمن الفرق بين السوفت وير والهاردوير في أن السوفت وير عبارة عن مكونات الحاسوب غير الملموسة أو المرئية، وهي عبارة عن أنظمة التشغيل الويندوز ولينكس أو ماك والبرمجيات أو البرامج كالتطبيقات، أما الهاردوير فهو كل مكونات الحاسوب التي يمكن لمسها ورؤيتها بالعين المجردة ولا تحتاج إلى لغات برمجة خاصة كالجافا سكريبت وال SQL.

ما هي لغة البرمجة Programming Language ؟

لغة البرمجة هي بالأساس طريقة تسهل للمبرمج كتابة برنامجه في هيئة تعليمات وأوامر يفهمها الحاسوب بغرض تنفيذ العمل المطلوب. ومن المعروف ان الحاسوب يحول اللغة المكتوبة بها البرمجة إلى سلسلة من 0 و 1، ويبدأ على أساسها عمله.

كيف تعمل المواقع والسيرفرات وقواعد البيانات ؟

خادم ال DNS يُرسل للمتصفح الآي بي IP الخاص بالسيرفر المُستضاف عليه دومين الموقع. المتصفح يقوم بالاتصال بالسيرفر المُستضاف عليه الموقع ويطلب منه الصفحة التي قمت أنت بإضافة الرابط الخاص بها. الخادم يقوم بتجهيز الصفحة وإرسالها للمتصفح في صورة حزم بيانات.

ماهو Linkedin ؟

موقع LinkedIn هو أكبر شبكة احترافية في العالم على الإنترنت. يمكنك استخدام LinkedIn للعثور على الوظيفة المناسبة أو التدريب، وربط وتعزيز العلاقات المهنية، …

ماهي علوم البيانات ؟

هو فحص البيانات المتوفرة، بغرض استخلاص واستنتاج معلومات قد تُفيد في معرفة أسباب حدوث أشياء في الماضي، أو من أجل تطبيقها في الحاضر، بهدف تطوير الحياة في المستقبل …

ماهي البيانات الضخمة Big Data ؟

يمكن شرح مصطلح Big Data بأنه بيانات متعددة الأنواع والمصادر بحجم يصل إلى المئات من التيرابايت أو حتى البيتابايت أو حتى أكثر للحزمة الواحدة من البيانات

أفضل المواقع التعليمية اونلاين مجانية :

  1. https://coursera.org (Coursera)

  2. https://udacity.com (Udacity)

  3. https://udemy.com (Udemy)

  4. https://www.edx.org (EDX)

تلك المواقع تعتبر اكبر واضخم تشكيلة ستلقاها في حياتك .

ماذا احتاج لأتعلم الذكاء الاصطناعي ؟

الرياضيات والاحصاء ( تفاضل والتكامل- الجبر الخطي-الاحصاء) : وانا انصح بتلك القناة ممتازة جدا لتعليم الرياضيات:

https://www.youtube.com/channel/UCLIvNqBJtlcw9ymmRhyAacw

كورسات تعليم لغة ال Python :

https://www.sololearn.com/Course/Python/

Machine Learning Introduction

https://www.coursera.org/learn/machine-learning

Deep Learning Introduction

https://www.udacity.com/course/deep-learning-pytorch–ud188

IBM Professional Data Science

https://www.coursera.org/specializations/ibm-data-science-professional-certificate

الاربع لينكات السابقة بالاضافة الي الموقع داه :

https://kaggle.com (Kaggle)

برنامج تعلم الذكاء الصناعي كالتالي

البرنامج اليومي :

  1.  قراءة 3 مقالات علمية في المجال بشكل عام ( أسأل جوجل عن اقوي مدونات علوم البيانات )

  2.  حل 10 مسائل رياضية يوميا ( تفاضل- احصاء – جبر خطي) بمشاهدة القناة 10 فيديوهات يوميا

  3. ثلاث  ساعات تعليم لغة انجليزية

  4. ساعة قراءة معلومات عامة

  5. 3-7 ساعات برمجة

  6. ساعة راحة ( يفضل ان تكون ممارسة رياضة )

البرنامج الشهري :

الشهر الاول :

  1. أساسيثات البايثون – البرمجة بشكل عام + مزامنة البرنامج اليومي

  2.  في حالة الانتهاء والحصول علي الشهادة من الموقع برجاء الذهاب الي اي قناة علي اليوتيوب لدراسة الاجزاء والتفاصيل الصغيرة بداخل ال Python للانتقال الي مرحلة اعلي

  3. التدريب دائما يكون بانجاز مشاريع حتي ولو كانت بسيطة لا تقلق انت تبلي حسنا

 الشهر الثاني – حتي الشهر الخامس :

  1. هيعتبر اقوي الشهور من حيث المحتوي العلمي هنزاكر فيه Machine Learning Introduction من Coursera

  2. بالتزامن مع كورس هنزاكر المكتبات الأتيه في python

Numpy

Pandas

Scipy

Sckit-Learn

وهنبدأ نزاكر كل يوم ساعة يوما علي موقع Kaggle.com 

الشهر الخامس (Deep Learning Introduction) :

هذا المسار هياخد منك وقت تقريبا شهرين او تلاتة أما الكورس الاخير تبع IBM فهو هيكون بمثابة مراجعة علي كل الي فات خلال ال 6 شهور لتنشيط الذاكرة

ملاحظات مهمة :

  1. كيفية معرفة استخدام جوجل اهم من العلم نفسه

  2. موقع Kaggle اهم من ال المقال داه كله

  3. لا تهتم بالشهادات ستحصل عليها اهتم بالمشاريع

  4. ابدأ وبعد 6 اشهر من الان اسألني ماذا سنفعل