الحوسبة الإدراكية

كيف تعمل الحوسبة الإدراكية

تعمل الأنظمة الإدراكية من خلال مجموعة من القدرات المصممة لمحاكاة الإدراك البشري:

1. الفهم السياقي: وهي تتجاوز الكلمات المفتاحية لفهم المعنى والفوارق الدقيقة والتوقيت والموقع والتركيب داخل البيانات، على غرار كيفية فهم البشر للسياق في المحادثات. ويتضمن ذلك تقنيات متقدمة في البرمجة اللغوية العصبية وفهم العلاقات داخل البيانات، والتي يتم استكشافها في موارد مثل مقالات نحو علم البيانات حول السياق.
2. توليد الفرضيات وتقييمها: في مواجهة الغموض أو المشاكل المعقدة، يمكن للأنظمة الإدراكية تشكيل إجابات أو حلول محتملة (فرضيات)، وتقييم الأدلة الداعمة، وتقييم مستويات الثقة، مثل التفكير النقدي البشري. وغالباً ما يعتمد ذلك على التنقيب عن البيانات والتعرف على الأنماط.
3. التعلّم الديناميكي: تتكيف هذه الأنظمة وتتعلم من التغذية الراجعة ومدخلات البيانات الجديدة، مما يحسن من معرفتها واتخاذ القرارات بمرور الوقت دون إعادة برمجة صريحة لكل سيناريو جديد. ويستفيد ذلك من نماذج التعلم الآلي الأساسية، وغالباً ما تتضمن تقنيات مثل التعلم المعزز.

الصلة بالذكاء الاصطناعي والتعلم الآلي

على الرغم من أن الحوسبة الإدراكية مبنية على أسس الذكاء الاصطناعي والتعلم الآلي، إلا أنها تمثل تكاملاً عالي المستوى يهدف إلى تفاعل أكثر سهولة وتكيّفاً. يركز التعلم الآلي القياسي على أنماط التعلم من البيانات لإجراء تنبؤات أو تصنيفات(التعلم تحت الإشراف والتعلم غير الخاضع للإشراف). تستخدم الحوسبة الإدراكية قدرات التعلم الآلي هذه كمكونات ضمن بنية أكبر تتضمن أيضًا التفكير الرمزي وتمثيل المعرفة(الرسوم البيانية المعرفية) وتصميم التفاعل المستوحى من العلوم المعرفية. وهي تركز على الفهم والاستدلال والتعلم بطريقة تعزز التفاعل بين الإنسان والحاسوب(ACM SIGCHI).

التمييز بين المصطلحات ذات الصلة

• الذكاء الاصطناعي (AI): الذكاء الاصطناعي هو المجال الواسع لإنشاء آلات ذكية. الحوسبة الإدراكية هي مجموعة فرعية تركز بشكل خاص على محاكاة العمليات الإدراكية الشبيهة بالإنسان (التفكير والاستدلال والتعلم).
• التعلم الآلي (ML): يوفر التعلم الآلي الخوارزميات التي تسمح للأنظمة بالتعلم من البيانات. تستخدم الأنظمة المعرفية التعلم الآلي كمكون أساسي ولكنها تدمجها مع تقنيات أخرى لمحاكاة معرفية أوسع نطاقاً.
• الذكاء الاصطناعي الضيق (ANI): يشير الذكاء الاصطناعي الضيق (ANI) إلى الذكاء الاصطناعي المصمم لمهام محددة (مثل التعرف على الصور والترجمة). وبينما تعتمد الأنظمة الإدراكية الحالية إلى حد كبير على مكونات الذكاء الاصطناعي الضيق المعقدة، فإن هدفها هو دمج هذه القدرات الضيقة لتحقيق المزيد من المرونة في حل المشكلات الشبيهة بالإنسان في مجالات متنوعة.

التطبيقات الواقعية

تجد الحوسبة الإدراكية تطبيقات في مختلف الصناعات، مما يعزز عملية صنع القرار وأتمتة المهام المعقدة. وفيما يلي مثالان على ذلك:

1. الذكاء الاصطناعي في الرعاية الصحية: تساعد الأنظمة الإدراكية الأطباء السريريين من خلال تحليل كميات هائلة من بيانات المرضى والأدبيات الطبية وبيانات التصوير الطبي لاقتراح التشخيصات المحتملة أو خيارات العلاج. على سبيل المثال، يمكن للأنظمة تحليل الفحوصات بحثًا عن الحالات الشاذة، وربما باستخدام نماذج مثل YOLO11 للكشف عن الأورام في التصوير الطبي، ومقارنة النتائج مع تاريخ المريض والأوراق البحثية(أمثلة بحثية من arXiv)، وتقديم معلومات مركبة للأطباء. تستفيد مؤسسات مثل Mayo Clinic من الذكاء الاصطناعي لتحسين دقة التشخيص ورعاية المرضى، وعرض حلول الرعاية الصحية القائمة على الذكاء الاصطناعي.
2. تعزيز خدمة العملاء: تعمل الأنظمة الإدراكية على تشغيل روبوتات الدردشة الآلية المتطورة والمساعدين الافتراضيين الذين يمكنهم التعامل مع استفسارات العملاء المعقدة، وفهم السياق والمشاعر(تحليل المشاعر)، وتقديم الدعم المخصص من خلال الوصول إلى مصادر المعلومات المتنوعة وتفسيرها. تهدف أمثلة مثل Google Duplex إلى جعل التفاعلات طبيعية للغاية. في مجال التمويل، تساعد الأنظمة الإدراكية في تحليل سلوك العملاء وتقديم المشورة المخصصة، كما هو موضح في مدونات الذكاء الاصطناعي في مجال التمويل ومن قبل شركات مثل JPMorgan Chase التي تستكشف الذكاء الاصطناعي.

الأدوات والتقنيات

يعتمد تطوير الأنظمة الإدراكية على منصات وأدوات قوية. تُعد IBM Watson منصة تجارية بارزة تقدم واجهات برمجة التطبيقات لفهم اللغة الطبيعية والرؤية الحاسوبية واتخاذ القرارات، وغالبًا ما يُشار إليها كمثال رئيسي للحوسبة الإدراكية في العمل. تشمل التقنيات الرئيسية الأخرى المنصات السحابية مثل Google Cloud AI والأدوات المتاحة من خلال أدلة مثل Azure Machine Learning Quickstart، إلى جانب أطر عمل مفتوحة المصدر مثل TensorFlow و PyTorch. بالنسبة لمهام محددة مثل الإدراك البصري ضمن الأنظمة الإدراكية، فإن نماذج مثل Ultralytics YOLO توفر أحدث إمكانات اكتشاف الأجسام وتجزئة الصور. وتوفر منصات مثل Ultralytics HUB تدفقات عمل مبسطة لتدريب النماذج المخصصة وإدارة مجموعات البيانات ونشر مكونات الرؤية الضرورية للعديد من التطبيقات الإدراكية، بما في ذلك استخدام خيارات التدريب السحابي. يمكنك العثور على مزيد من الأفكار في موارد مثل نظرة عامة على الحوسبة الإدراكية من SAS. تساهم المؤسسات البحثية مثل معهد آلان تورينج ومنظمات مثل جمعية النهوض بالذكاء الاصطناعي (AAAI) بشكل كبير في الأبحاث الأساسية في التعلم العميق والبنى المعرفية.