Cognitive Computing

تشير الحوسبة الإدراكية إلى محاكاة عمليات التفكير البشري في نموذج محوسب. وهي تنطوي على أنظمة التعلم الذاتي التي تستخدم استخراج البيانات، والتعرف على الأنماط، ومعالجة اللغات الطبيعية (NLP) لمحاكاة طريقة عمل الدماغ البشري. الهدف ليس مجرد معالجة البيانات، بل إنشاء أنظمة مؤتمتة قادرة على حل المشكلات دون إشراف بشري مستمر. وعلى عكس الحوسبة البرمجية التقليدية، التي تعتمد على أشجار منطقية جامدة، فإن أنظمة الحوسبة الإدراكية احتمالية؛ فهي تولد فرضيات وحججاً منطقية وتوصيات من بيانات غير منظمة، مما يساعد البشر على اتخاذ قرارات أفضل في بيئات معقدة.

Link to this sectionالحوسبة الإدراكية مقابل الذكاء الاصطناعي العام (AGI)#

من المهم التمييز بين الحوسبة الإدراكية ومفاهيم الذكاء الاصطناعي ذات الصلة لفهم نطاقها المحدد.

• الحوسبة الإدراكية مقابل الذكاء الاصطناعي العام (AGI): بينما تحاكي الحوسبة الإدراكية التفكير البشري، فهي عادة ما تكون مخصصة لمجال معين. فالنظام الإدراكي المدرب على القانون لا يمكنه إجراء جراحة. يشير AGI، أو "الذكاء الاصطناعي القوي"، إلى آلة نظرية لديها القدرة على تطبيق الذكاء على أي مشكلة، تماماً مثل الإنسان. الحوسبة الإدراكية هي تطبيق عملي متاح اليوم، في حين يظل AGI هدفاً للبحوث المستقبلية من قبل منظمات مثل OpenAI.
• الحوسبة الإدراكية مقابل الذكاء الاصطناعي الإحصائي: يركز الذكاء الاصطناعي الإحصائي التقليدي على التحسين الرياضي لتحقيق دقة عالية في مهام محددة (مثل التصنيف). تتبع الحوسبة الإدراكية نهجاً أوسع، مع التركيز على الاستنتاج وتوليد الفرضيات والشرح القائم على الأدلة، وغالباً ما تدمج الرسوم البيانية المعرفية لربط العلاقات بين المفاهيم.

Link to this sectionتنفيذ الإدراك المعرفي باستخدام رؤية الذكاء الاصطناعي#

غالباً ما يكون الإدراك البصري الخطوة الأولى في خط المعالجة المعرفي. قبل أن يتمكن النظام من التفكير بشأن بيئة ما، يجب عليه إدراكها. تعمل نماذج الرؤية الحديثة مثل YOLO26 كطبقة إدخال حسية، حيث تستخرج كائنات منظمة من بيانات الفيديو غير المنظمة. ثم يتم تمرير هذه البيانات المنظمة إلى محرك استنتاج لاتخاذ القرارات.

يوضح المثال التالي كيفية استخدام حزمة ultralytics للعمل كطبقة إدراكية، وتحديد الكائنات التي قد يحتاج النظام الإدراكي إلى تتبعها.

from ultralytics import YOLO

# Load the YOLO26 model to serve as the visual perception engine
model = YOLO("yolo26n.pt")

# Perform inference on an image to identify objects in the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Extract detected classes to feed into a cognitive reasoning system
for r in results:
    # Print the class names (e.g., 'person', 'bus') found in the scene
    for c in r.boxes.cls:
        print(model.names[int(c)])

Link to this sectionالتقنيات التي تمكن الذكاء الإدراكي#

يتطلب بناء نظام بيئي إدراكي حزمة من التقنيات المتقدمة التي تعمل بانسجام.

• التعلم العميق (DL): توفر الشبكات العصبية قدرات التعرف على الأنماط اللازمة لمعالجة البيانات غير المنظمة مثل الصور والصوت.
• تحليلات البيانات الضخمة: القدرة على معالجة تدفقات البيانات ذات الحجم والسرعة العاليين أمر بالغ الأهمية. غالباً ما تُستخدم أدوات مثل Apache Spark لإدارة خطوط أنابيب البيانات التي تغذي النماذج الإدراكية.
• البنية التحتية السحابية: توفر منصات مثل Google Cloud AI و Microsoft Azure Cognitive Services قوة الحوسبة القابلة للتطوير المطلوبة لتشغيل أحمال العمل المكثفة هذه.
• محركات الاستنتاج: بعيداً عن التصنيف البسيط، تطبق هذه المكونات قواعد منطقية واستنتاجاً احتماليّاً على البيانات. غالباً ما يتضمن ذلك تقنيات الذكاء الاصطناعي الرمزي لشرح سبب اتخاذ قرار معين.

Link to this sectionتطبيقات العالم الحقيقي#

تعمل الحوسبة الإدراكية على تحويل الصناعات من خلال تعزيز الخبرة البشرية بسرعات وحجم الآلات.

1. تشخيصات الرعاية الصحية: في تحليل الصور الطبية، تستوعب الأنظمة الإدراكية سجلات المرضى والمجلات الطبية وصور التشخيص. من خلال معالجة هذه الكمية الهائلة من بيانات التعلم متعدد الوسائط، يمكن للنظام وضع فرضيات حول تشخيصات محتملة واقتراح خطط علاج لأطباء الأورام، مما يقلل من الأخطاء التشخيصية ويضفي طابعاً شخصياً على الرعاية.

2. الزراعة الذكية: تقود الأنظمة الإدراكية الزراعة الدقيقة من خلال تحليل صور الأقمار الصناعية، وأنماط الطقس، وبيانات مستشعرات التربة. يمكن للحلول التي تستخدم الذكاء الاصطناعي في الزراعة التفكير في صحة المحاصيل، والتنبؤ بتفشي الأمراض قبل انتشارها، وتعديل أنظمة الري تلقائياً لتحسين المحصول مع الحفاظ على المياه.

من خلال دمج المدخلات الحسية من نماذج مثل Ultralytics YOLO26 مع قدرات استنتاج متقدمة، تمهد الحوسبة الإدراكية الطريق لآلات لا تحسب فحسب، بل تفهم أيضاً. تتم إدارة دورة حياة هذه النماذج المعقدة بتبسيط من خلال Ultralytics Platform، التي تسهل التدريب والتصنيف والنشر عبر بيئات متنوعة.