الدليل الشامل لتطوير الذكاء الاصطناعي
إن عملية تطوير منتجات الذكاء الاصطناعي ليست بالمهمة السهلة. فهي تتطلب جهدًا جماعيًا (ونود أن نضيف: جهدًا جماعيًا يتمتع بالمعرفة والخبرة والإبداع). إذن، كيف نتعامل مع التحديات الجديدة في مجال تكنولوجيا الرؤية الحاسوبية؟ فيما يلي خمسة أسئلة أساسية نسترشد بها في جميع المشاريع الجديدة.
1. ما هو المنتج المحدد الذي نريد تطويره، وهل نحن بحاجة إلى الذكاء الاصطناعي أصلاً؟
السؤال الأول والأساسي الذي نطرحه على أنفسنا هو: ما هو الحل الذي نريد تطويره، وهل يحتاج المستخدمون إليه فعلاً؟ وعندما نحصل على إجابة واضحة على هذا السؤال، نحدد ما إذا كان ينبغي علينا استخدام الذكاء الاصطناعي في هذا الصدد، وكيفية القيام بذلك.
بشكل عام، يُعد الذكاء الاصطناعي الخيار الأمثل في ظل هذه الظروف:
- المشكلة التي سعينا إلى حلها صعبة للغاية أو مستحيلة المعالجة باستخدام نهج التطوير الكلاسيكي أو التقليدي.
- ينبغي أن نتمكن من وضع نموذج للمشكلة باستخدام طريقة أو نهج معين في مجال الذكاء الاصطناعي.
- هناك مجموعة بيانات جيدة بما يكفي يمكننا استخدامها في الأبحاث.
تُعد هذه الخطوة جزءًا لا يتجزأ من إدارة منتجاتنا، وتشمل جميع أفراد مؤسستنا.
2. كيف يمكن نمذجة مشكلة الذكاء الاصطناعي؟
بمجرد تحديد الجزء من المنتج الذي سنستخدم الذكاء الاصطناعي فيه، تكون الخطوة التالية هي تحديد كيفية نمذجته. أحيانًا تكون هذه المهمة بسيطة جدًّا، لكن في أحيان أخرى، لا يكون من الواضح أي نهج سيحقق أفضل النتائج. على سبيل المثال، في هذه المرحلة من عملية التطوير، نحتاج إلى تقييم ما إذا كان من الأفضل حل إحدى مشكلات الرؤية الحاسوبية باستخدام نموذج التجزئة الدلالية أم نموذج الكشف عن الكائنات. ويضطلع فريق البحث لدينا بالدور الأهم في الإجابة عن هذا السؤال.
3. كيف يمكننا العثور على مجموعة بيانات جيدة؟
بعد أن تتبلور لدينا فكرة عن كيفية حل مشكلة معينة باستخدام الذكاء الاصطناعي، يتعين علينا العثور على مجموعة بيانات جيدة بما يكفي يمكننا العمل بها. وغالبًا ما يكون هذا الأمر نقطة حاسمة، لأنه إذا لم نتمكن من العثور على مجموعة بيانات جيدة بما يكفي ليجري عليها فريق البحث تجاربه، فلن نتمكن من تقديم أفضل حل للمشكلة التي كنا نسعى في البداية إلى حلها.
هناك عدة طرق للوصول إلى البيانات. وفي هذا السياق، من المهم جدًّا فهم الاختلافات في محتوى مجموعات البيانات وجودتها.
يعمل فريق المبيعات لدينا في تعاون وثيق للغاية مع الشركاء والعملاء. فهم يساعدوننا في تحسين تقنياتنا، ونقوم بدورنا بتطوير ميزات جديدة لتطبيقها في حلولهم لمعالجة مشكلات محددة للغاية.
في بعض الأحيان، تتمثل الطريقة الأخرى في البدء بتطوير مجموعات البيانات الخاصة بنا داخليًّا، وهذه هي المهمة التي يضطلع بها فريق البيانات لدينا.
4. كيف نقوم بإعداد البيانات لعملية التعلم؟
البيانات الأولية التي تم جمعها ليست كافية لتدريب نماذج الذكاء الاصطناعي. ولهذا السبب قمنا بوضع إجراءات محددة لتعليق البيانات.
ولهذا الغرض تحديدًا، قام فريق الويب لدينا بتطوير نظام نطلق عليه داخليًّا اسم MLS (نظام التعلم الآلي). يستخدم فريق البيانات لدينا نظام MLS، وهو الفريق المسؤول عن تعليق البيانات. ويُعد نظام MLS جزءًا أساسيًّا من عملية تطوير منتجاتنا. فهو يتيح لنا التحكم الأقصى في جودة البيانات المُعلَّقة، فضلاً عن التحسين المستمر لعملية التعليق وتسريعها.
هذه العملية شاقة وتستغرق وقتًا طويلاً، لكننا نفخر بأن نقول إنه في أقل من ثلاث سنوات، قام فريق البيانات لدينا بتصنيف عشرات الملايين من الصور لأغراض تدريبية متنوعة. ويتعاون الفريق بشكل وثيق مع فريق الأبحاث لضمان قيام مهندسي التعلم الآلي بإنشاء نماذج تحقق بالفعل الهدف المحدد في البداية.
5. كيف يمكن دمج النموذج في المنتج النهائي؟
نموذج التعلم الآلي الذي تم تطويره ليس سوى جزء واحد من اللغز. ولكي يكون المنتج النهائي مفيدًا، يتطلب الأمر قدرًا كبيرًا من المعرفة التقنية ومعرفة تجربة المستخدم لتجميع جميع أجزائه معًا.
يتولى فريق «الأدوات والبنية التحتية» لدينا مسؤولية تطوير مكونات متخصصة لتنفيذ الشبكات العصبية وتشغيلها. وتتيح هذه المكونات عملية تكامل أسهل وأسرع بكثير على الأجهزة المحمولة مقارنة بأي بدائل مفتوحة المصدر.
يتم تنفيذ عملية دمج النموذج النهائي من قِبل فرق تطوير المنتجات، وفرق الأجهزة المحمولة، وفرق الويب لدينا. وهذه الفرق مسؤولة عن ضمان أن المنتج النهائي يحل المشكلة فعليًّا للمستخدمين، وأن البرنامج سريع ومتين، وأن تجربة المستخدم مصممة خصيصًا لتناسب كل منصة (iOS أو Android أو الويب).
لماذا نتبع هذه الطريقة؟
تتطلب هذه العملية معرفة وإبداعًا في مجالات هندسة البرمجيات، والتعلم الآلي، وتجربة المستخدم، بالإضافة إلى قدر كبير من المثابرة. لكن، كما يقولون: «لا مكسب بدون جهد».
يتيح لنا هذا النهج أن نضع الصورة الأكبر نصب أعيننا دائمًا، وأن نقدم في نهاية المطاف أكبر قيمة ممكنة للمنتج. وهذه هي الطريقة التي نعتقد أنها يجب أن تُصنع بها جميع منتجات الذكاء الاصطناعي — بهدف تحقيق الجودة الفائقة.
هذا هو الجزء الثاني من سلسلتنا القصيرة حول تطوير منتجات الذكاء الاصطناعي للأعمال. اقرأ الجزء الأول: كيف يبدو تطوير الذكاء الاصطناعي في الواقع؟
