Stellar Cyber ​​Open XDR - الشعار
بحث
أغلق مربع البحث هذا.

الذكاء الاصطناعي التمهيدي

الذكاء الاصطناعي والتعلم الآلي هما التقنيات التي تحتل الصدارة فيما يُطلق عليه العالم 4th ثورة صناعية. منذ بداية الجنس البشري ، سعى الإنسان لتحسين مدى كفاءة حياتنا وعملنا. اعتمد البشر في البداية على العمل اليدوي البسيط والإبداع. نعتقد أن هذه هي الطريقة التي أنتج بها الإنسان أشياء مثل الأهرامات وسور الصين العظيم وستونهنج. ثم جاءت الثورة الصناعية الأولى ، التي أدخلت الميكنة والبخار والطاقة المائية وأحدثت تقدمًا في الإنتاج والسفر والتحضر. اندلعت الثورة الثانية باختراعات الإنتاج الضخم والكهرباء. كان إدخال التقنيات الإلكترونية والرقمية بمثابة ثورة ثالثة وأشياء مثل أجهزة الكمبيوتر والإنترنت. ندخل اليوم حقبة جديدة بفضل التطورات الهائلة والتطبيقات العملية للذكاء الاصطناعي والتعلم الآلي.

 

الرجل مقابل الآلة

يهدف الذكاء الاصطناعي إلى مساعدة البشر على العمل بكفاءة أكبر من خلال تقليل الوقت والمال والذكاء البشري بشكل كبير لأداء المهام الروتينية. باختصار ، تُمنح أجهزة الكمبيوتر قدرات التعلم الذاتي بحيث يمكنها التنبؤ بدقة بالنتائج وتحديد الأنماط وإجراء التعديلات تلقائيًا ، بناءً على كل من المعلومات السابقة والحالية. تبدأ الآلة في أن تصبح أكثر كفاءة وذكية مثل الجنس البشري في بعض الحالات.

 

إن إمكانية أن تصبح أجهزة الكمبيوتر ذكية مثل (أو حتى أكثر ذكاءً من) البشر في تنفيذ مهام معينة تثير الجدل حول "الإنسان مقابل الآلة". بغض النظر عن اعتقاد المرء ، هناك شيء واحد يمكننا الاتفاق عليه جميعًا وهو أن البشر لديهم شيء من المحتمل ألا تمتلكه أجهزة الكمبيوتر: العاطفة والحدس والشعور الغريزي.

 

عندما يناقش الناس موضوع الذكاء الاصطناعي ، فإنهم غالبًا ما يجادلون حول أفضل فئات التعلم الآلي أو الخوارزميات. يتم تصنيف خوارزميات التعلم الآلي عمومًا إلى 3 أنواع ، غير خاضعة للإشراف دون معرفة مسبقة بالتسميات (البيانات المسمى) ، والإشراف عليها ببعض المعرفة بالتسميات (البيانات المسمى) ، والتعزيز ، والذي يقع بين النوعين. هناك خوارزميات أكثر تحديدًا لهذه الفئات ، مثل KNN و K-mean و Decision Tree و SVM والشبكات العصبية الاصطناعية و Q-Learning وما إلى ذلك ، أيهما أفضل؟ حسنًا ، مثل أي شيء في الحياة ، كل شيء له إيجابيات وسلبيات ، وعندما يتعلق الأمر بالتعلم الآلي ، فأنا لا أميل إلى مناقشة النموذج نفسه ، بل أعد توجيه المحادثة إلى جودة البيانات. تعمل نماذج التعلم الآلي فوق البيانات وبدون الكميات المناسبة ونوعية البيانات وأنواع البيانات ، يمكن جعل نموذج التعلم الآلي عديم الفائدة بغض النظر عن مدى جودته من الناحية النظرية. هذا لا يقلل من تأثير اختيار خوارزميات التعلم الآلي الصحيحة. يجب أن تكمل البيانات والخوارزميات بعضها البعض لحل حالات الاستخدام المحددة.

 

البيانات بارامونت

At ستيلر سايبر لقد بدأنا شركتنا بمهمة ذات أولوية تتمثل في جمع البيانات - الكثير من البيانات - والأهم من ذلك ، أن حق أنواع البيانات لحل مشكلة كشف الاختراق. بمجرد أن يتم جمع البيانات ، نقوم بعد ذلك بتعقيمها عن طريق إجراء إلغاء البيانات المكررة والتطبيع وعدد من الأشياء الأخرى. بعد ذلك ، نربط البيانات بأجزاء أخرى من المعلومات ، مثل معلومات التهديد ، والتخلص من تنزيل الملف ، والموقع الجغرافي لعنوان IP ، والمزيد. يعطي هذا الإثراء سياقًا أفضل لمجموعة البيانات ككل. تنتج نتيجة هذه العملية بيانات نظيفة غنية بالسياق. فقط بعد الانتهاء من هذه المهام المهمة ، نقوم بإجراء التعلم الآلي.

 

الذكاء الاصطناعي ببيانات محدودة مقابل بيانات كاملة

دعونا نلقي نظرة فاحصة على مثال عن كيفية قيام البنوك باكتشاف الاحتيال على بطاقات الائتمان. إذا كان العميل يستخدم عادةً بطاقته الائتمانية فقط في سان خوسيه ، كاليفورنيا ، لكنه سافر إلى طوكيو ، اليابان ، لأول مرة ، وحاول استخدام هذه البطاقة ، فإن بعض البنوك ستضع علامة على ذلك على أنه أمر شاذ وتقوم بإلغاء تنشيط بطاقة الائتمان. غالبًا ما يترك هذا العميل محرجًا ومحبطًا عندما يخبره التاجر أن البطاقة مرفوضة. في حين أن هذا قد يكون حقًا شذوذًا من نوع "التعلم الآلي" ، إلا أنه قد لا يضمن إلغاء تنشيط بطاقة الائتمان ، حيث قد يكون هذا استخدامًا مشروعًا للبطاقة.

 

يظهر جذر المشكلة أعلاه عادةً لأن البيانات نفسها مفردة (موقع استخدام البطاقة فقط) وتفتقر إلى السياق ، مثل وقت استخدام البطاقة لآخر مرة ، أو مكان استخدامها ، أو كيفية استخدامها. إذا كان على النظام ربط أجزاء أخرى من المعلومات مثل الوقت أو الموقع أو المسافة بين المواقع أو سمعة الموقع أو كيفية استخدامه (محطة البطاقة أو موقع الويب على سبيل المثال ،) يمكن لخوارزمية التعلم الآلي تحديد الاحتيال الفعلي بشكل أفضل.

 

خذ مثالاً آخر على بطاقة مستخدمة في سان خوسيه ، كاليفورنيا ، الساعة 4:00 مساءً بتوقيت المحيط الهادي ، ولكن تم استخدامها مرة أخرى في مدينة صغيرة في أوكرانيا في الساعة 5:00 مساءً بتوقيت المحيط الهادئ في نفس اليوم. سيكون احتمال أن يكون هذا احتيالًا أعلى بكثير من المثال السابق. ستكون أجزاء البيانات المترابطة للوصول إلى استنتاج مثل هذا هو ملف الوقت سوف يستغرق السفر مسافة إلى أوكرانيا، بعد استخدامه في سان خوسيه، والاستعمال او البطاقة في مدينة صغيرة (سمعة مدينة صغيرة غير مسبوقة) في أوكرانيا.

 

ملاحظات ختامية

يوضح هذا كيف يمكن أن يكون الذكاء الاصطناعي مفيدًا جدًا في إكمال المهام المتكررة التي تتضمن الكثير من البيانات التي سئم البشر من أداء وتحليل تلك البيانات لحل المشكلات. لكن هل ستحل التكنولوجيا محل البشر؟ أنا أميل إلى التفكير لا. قد يمنحك الذكاء الاصطناعي أكثر من 90٪ لحل المهام المتكررة ، ولكن ستكون هناك حاجة دائمًا إلى 10٪ + من الجهد لاتخاذ القرار النهائي بشأن مشكلة ما. علاوة على ذلك ، كما هو الحال مع التطورات الأخرى في الكفاءة ، يمكننا إعادة استخدام وقتنا الحر للقيام بعمل أكثر من ذي قبل. هل خوارزمية تعلم الآلة أفضل من الأخرى؟ أعتقد أن الإجابة تكمن في فهم المشكلة التي يحاول المرء حلها ، وأعتقد أيضًا أن جودة البيانات لا تقل أهمية عن الخوارزمية نفسها.

 

جون بيترسون

SVP إدارة خط الإنتاج

ستيلر سايبر

انتقل إلى الأعلى