اكتشف قوة الذكاء الاصطناعي الضيق (ANI): الذكاء الاصطناعي الخاص بمهام معينة والذي يدفع الابتكار في الرعاية الصحية والسيارات ذاتية القيادة والتصنيع والمزيد.
الذكاء الاصطناعي الضيق (ANI)، الذي يشار إليه غالبًا باسم الذكاء الاصطناعي الضعيف، يصف الأنظمة الذكية المصممة لأداء مهام محددة وفريدة بكفاءة عالية. على عكس الذكاء البيولوجي، الذي يتميز بالقدرة على التكيف و الاستخدامات العامة، يعمل الذكاء الاصطناعي الضيق بشكل صارم ضمن نطاق محدد مسبقًا ولا يمكنه نقل معرفته إلى مجالات غير ذات صلة . عمليًا، تندرج جميع تطبيقات الذكاء الاصطناعي (AI) المستخدمة حاليًا ضمن هذه الفئة، بدءًا من نظام التوصيات الذي يقترح أفلامًا وحتى خوارزميات الرؤية الحاسوبية المتطورة المستخدمة في القيادة الذاتية. تستخدم هذه الأنظمة تقنيات التعلم الآلي (ML) المتقدمة للتعرف على الأنماط واتخاذ القرارات، وغالبًا ما تتفوق على سرعة ودقة الإنسان ضمن حدودها التشغيلية الضيقة.
التمييز الأساسي لـ ANI هو تخصصها. لا يمكن لنموذج ANI المدرب لغرض واحد أن يعمل تلقائيًا في سياق آخر دون إعادة التدريب أو تغييرات في البنية.
الذكاء الاصطناعي الضيق يدعم الاقتصاد الرقمي الحديث، ويحفز الكفاءة في مختلف القطاعات من خلال أتمتة المهام المعقدة ولكن المحددة.
من الضروري التمييز بين ANI والمفاهيم النظرية المستقبلية لفهم الوضع الحالي للتكنولوجيا.
يوضح الكود التالي تطبيقًا عمليًا لـ ANI باستخدام Ultralytics . هنا، يتم استخدام نموذج YOLO26 المدرب مسبقًا detect . هذا النموذج هو مثال رئيسي على الذكاء الاصطناعي الضيق: إنه أحدث ما توصلت إليه التكنولوجيا في اكتشاف الكائنات ولكنه لا يمتلك القدرة على كتابة الشعر أو التنبؤ بأسعار الأسهم.
from ultralytics import YOLO
# Load a pre-trained YOLO26 model, specialized for object detection tasks
model = YOLO("yolo26n.pt")
# Run inference on an image to identify objects like cars or pedestrians
# The model applies its learned narrow intelligence to this specific visual task
results = model.predict("https://ultralytics.com/images/bus.jpg")
# Display the results to visualize the model's output
results[0].show()
على الرغم من محدودية نطاقها، تواصل ANI التقدم بسرعة. تسمح الابتكارات في تكمية النماذج لهذه الأنظمة بالعمل بكفاءة على الأجهزة الطرفية، مما يوفر الذكاء للكاميرات وأجهزة الاستشعار دون الاعتماد على السحابة. علاوة على ذلك، يسمح ظهور نماذج الأساس بتحسين نموذج واحد كبير للقيام بمهام متعددة ضيقة، مما يزيد من تعدد الاستخدامات مع الاستمرار في العمل ضمن إطار ANI. باستخدام أدوات مثل Ultralytics يمكن للمطورين تدريب ونشر هذه النماذج المتخصصة بسهولة. مع تخطي الباحثين للحدود باستخدام بنى مثل Transformers، ستصبح الذكاء الاصطناعي المتخصص أكثر أهمية في حل المشكلات المعقدة الخاصة بمجالات معينة في العلوم والصناعة والحياة اليومية.
