ما هو الـ(آي آي)؟ مبدأ العمل والنوع النموذجي

منظمة العفو الدوليةIt is a kind of artificial intelligence that produces new content (text, visual, audio, video or code) that resembles molds that learn from large data sets. وكثيرا ما تصنف الاستخبارات الاصطناعية الكلاسيكية أو تتنبأ بقيمتها؛ فالاستخبارات الاصطناعية المنتجة تخلق ناتجا جديدا. أما اليوم، فإن أكثر الأنواع استخداماً هي نماذج لغوية كبيرة، ونماذج نشر، وشبكة GANs، و VAEs.

آخر المستجدات: 18.10.2026

التاريخ القصير: نشر المعهد في عام 1966 من أول برامج للدردشة، ولكنه كان يعمل بقواعد جاهزة؛ ولم يكن نموذجا مثمرا اليوم. Asıl leap VAE (2013), GAN (2014), came with transformer structure (2017) and diffusion models. The idea of diffusion was recommended in 2015, widespread with DDPM work in 2020. وتستخدم هذه التكنولوجيا في العديد من الأعمال من المحتوى التعليمي في دوبلاجدان؛ ولا تزال مخاطر مثل العمق، وحقوق التأليف والنشر، والتحيز، ووضع النماذج (التحليل) مدرجة في جدول الأعمال.

إذاً ما هو بالضبط هذا المخبر الجيني؟ كيف يعمل وما هي النماذج؟ هنا، التفاصيل:

ما هو الـ(آي آي)؟

الاستخبارات الإبداعية هي مجال تركيز على خلق الخوارزميات والنماذج التي يمكن أن تنتج بيانات جديدة وواقعية تجمع الأنماط في مجموعة البيانات التعليمية. In simplely express, generative AI refers to a class of AI systems that produce completely new data. وتُدرَّب هذه النظم أو النماذج على التعلم من مجموعات كبيرة من البيانات وإيجاد شيء جديد تماماً يستند إلى هذه المعلومات. لذلك، يستخدم مصطلح " عام " )منتج( .

ولدى منظمة العفو الدولية تطبيقات عديدة في مجالات الفن، وتوليف الصور، وإنتاج اللغات الطبيعية، وتكوين الموسيقى، والترميز، ومجالات أخرى كثيرة. ومعظم الأنواع التقليدية من الاستخبارات الاصطناعية مصممة لتصنيف البيانات الموجودة أو تصنيفها، والغرض من نماذج المعلومات المسبقة عن علم هو إنتاج أعمال أصلية تماما لم يسبق لها مثيل من قبل.

Discriminative AI (Permanent Artificial Intelligence) and Generative AI Differences

إن فهم الاختلافات بين منظمة العفو الدولية التمييزية (المخابرات الملكية الثابتة) ومنظمة العفو الدولية (المخابرات الصناعية مانوفاكتور) يساعدنا على فهم مختلف تطبيقات الاستخبارات الاصطناعية.

منظمة العفو الدولية التمييزية نموذج البيتوهي مدربة على التعرف على الأنماط في مجموعات البيانات والتنبؤ بأمثلة جديدة أو تصنيفها باستخدام هذه الأنماط. فعلى سبيل المثال، يمكن لنموذج " AI " المميز الذي يتم تدريبه على مجموعة بيانات تحتوي على صور قطة أو كلب أن يصنف صوراً جديدة على أنها قطة أو كلب استناداً إلى أنماط تعلمها من بيانات المدخلات. وكثيراً ما تُدرَّب هذه النماذج باستخدام تقنيات التعلم في مجال المراقبة، وتكون فعالة للغاية بالنسبة لمهام محددة. وهي تستخدم أساسا لحل مشاكل محددة مثل التصنيف أو التنبؤ.

منظمة العفو الدولية وإذا كان مصمما لتعلم الأنماط الأساسية في مجموعات البيانات وإنتاج تلك المعلومات المماثلة لمجموعة البيانات الأصلية ولكن ليس تماما نفس الأمثلة الجديدة. فعلى سبيل المثال، يمكن لمصنّع مدرّب على صور القطط أن يُنتج صوراً قطّة جديدة، تبدو مشابهة لمجموعة البيانات الأصلية ولكن بدون نسخ كاملة. وعند إنتاج نماذج تتعلم إلى حد كبير من البيانات غير الموثقة، يتم التحكم الذاتي (المشرف على الذات)؛ وعلى سبيل المثال، يتم تدريب نموذج لغة بالتنبؤ بالقطعة التالية في النص. المساعدون يتكيفون بشكل جيد مع تعليقات البشر عليه This makes the manufacturer AI particularly useful in applications where configured or regulated data is difficult to terror or obtain.

خوارزميات تعلم أجهزة المراقبة(ب) لا تتوافر بيانات ملصقة. وبدلا من ذلك، يقدم الخوارزمية بعدد من مجموعات البيانات غير المنظمة. وينظر الخوارزمية في البيانات غير المنظمة ويحاول تحديد الأنماط والهياكل بشكل مستقل دون أي تعليمات أو معرفة مسبقة. ويشكل التجميع والكشف عن الشذوذ أمثلة على تقنيات التعلم غير المشرف.

خوارزميات التعلم الآلية التي تخضع لاستعراضات شبهوعندما تكون هناك بعض البيانات المسمومة المتاحة للتدريب، فإنها تستخدم عندما لا تكفي لتدريب نموذج كامل. ويحدد القانون الأنماط والهياكل داخل البيانات، ويستخدم البيانات المسمّاة ببيانات غير محددة. ويمكن اعتبار نصف التعلم في مجال المراقبة نهجا هجينا بين تقنيات المراقبة والتعلم غير المشرف.

وعموماً، تطوِّر مبادرة " AI " الصارخة القدرة على إنتاج المزيد من أشكال الفهم العريض وعينات البيانات الجديدة مع تعلم حل مشكلة محددة. ففهم هذين النوعين من الأنشطة المنفذة تنفيذاً مشتركاً يساعدنا على تحديد الحالات وكيفية استخدامها بفعالية.

الاختلاف الأساسي بين الاستخبارات الفنية والمخابرات التقليدية

والفرق الأساسي هو: النموذج الكلاسيكي (القطاع) يعطيك علامة أو سجل أو تنبؤ؛ وينتج النموذج الإنتاجي محتوى جديدا. ويوجز الجدول الوارد أدناه الفرق.

باختصار، عندما تقول "ذكاء عام غير بشري" يمكنك التفكير في الأنظمة التي تقرر أو تتنبأ بها

مبدأ العمل

يمكن اعتبار الـ(آي آي) البديهي كنسخة من الـ(أى آي) تُحيّي العمليات الإبداعية للدماغ البشري وفي هذا الميدان، يمكن، باستخدام تقنيات مختلفة، مثل شبكات الأعصاب وحسابات التعلم العميق، تحديد أنماط معينة وتحقيق نتائج جديدة تستند إليها.

The training process of Generative AI usually starts with a large set of data. وقد تتضمن مجموعة البيانات هذه أمثلة من قبيل الصور أو النصوص أو السمع أو الفيديو. ويحاول النموذج فهم القواعد الأساسية التي يديرها المحتوى عن طريق تحليل الأنماط والعلاقات في بيانات المدخلات. وبعد ذلك، ننتج بيانات جديدة بسحب أمثلة من توزيع الإمكانيات التي تتعلمها. وهو يحاول باستمرار تحقيق أقصى قدر ممكن من القدرة على إنتاج الناتج الصحيح عن طريق تعديل بارامتراته.

على سبيل المثال، نموذج سخي مدرّب على مجموعة بيانات مؤلفة من صور لاما يمكن أن يخلق صوراً جديدة لللاما من خلال تسليط الضوء على أمثلة من التوزيع المتعلّم ثم صقل الناتج بعملية تُدعى "بايبر". وأثناء عملية الإزالة، يعدّل الناتج النموذجي على نحو أفضل مع الناتج المنشود أو لإصلاح أي خطأ. وهذا يكفل أن يكون الناتج المولد أكثر واقعية وأفضل ملاءمة لما يريد المستخدم أن يراه.

ويمكن أن يثور إنتاج المحتوى الإبداعي. وباستخدام الفن والموسيقى والأدب وحتى الاكتشافات العلمية، يمكنها فتح باب الابتكارات غير المتنازعة من قبل. The work done in this field allows AI to turn into a technology that can only be a analysis tool, mimic human creativity, or even support.

ما هي نماذج الـ(آي آي) البديهة؟

نماذج ذكاء ليس النوع الوحيد واليوم، تم إطلاق هذا النوع من الاستخبارات الاصطناعية كنموذجين مختلفين من قبل مختلف شركات الاستخبارات الاصطناعية. هنا أكثر من معروف من هذا النوع:

شبكات التنوع الجيني

والشبكات الإبداعية للتنوع هي نموذج استخبارات اصطناعي يتألف من شبكتين من شبكات الأعصاب هما: المولد والفصل. على سبيل المثال عندما يُطلب منك صنع صور قطة المولد يُنتج صورة قطة جديدة باستخدام ناقل مدخل عشوائي

وقد تكون هذه الصور بسيطة في البداية، ولكنها تصبح واقعية بمرور الوقت. المفصل يعمل لتصنيف حقيقي أو مزيف بإلتقاط صور القط الحقيقي والصور المزيفة

وتتطور كلتا الشبكتين باستمرار عن طريق التنافس مع بعضهما البعض: جعل الفصل أفضل تصنيفا، ويتعلم المولد أن يخلق صورا غير منتجة بدرجة أكبر. هذا الهيكل التنافسي قد تسبب في استخدام تعبير "العكسي" يسمى النموذج.

عملية تدريب الشبكات العالمية

وتمثل عملية تدريب الشبكات العالمية لسواتل الملاحة (شبكات الاتصال العالمية المنتجة للشبكات) نهجاً مثيراً للاهتمام ومبتكراً إلى حد ما. وتتألف هذه العملية من الخطوات التالية:

1. ابدأوا التايمز: Generator (generator) and distinguishing (discriminator) are launched with random weights. الفكرة الرئيسية هنا هي أن شبكتين تتنافسان مع بعضهما البعض

2. دورة تدريبية: يتم تدريب المولد على الجمع بين البيانات الحقيقية والمزيفة المتميزة عند إنشاء مجموعات بيانات مزيفة. المهد يعطي فرصة ما بين صفر و1، يقول إن بيانات المدخلات حقيقية أو مزيفة.

3. العودة )أ(البيتالإشارة الخاطئة من المكوك تعود لتحديث وزن الشبكة ثم يتم تدريب المولد أيضا باستخدام الإشارة الخاطئة من وزنه المميز والمستكمل.

4. أخذ العينات: بعد تدريب النموذج، يمكن للمولد إنتاج عينات بيانات جديدة من التوزيع المتعلم.

وقد استخدمت الشبكات العالمية لسواتل الملاحة في تطبيقات مختلفة مثل إنتاج صور وفيديوات ومحادثات واقعية. ومن مزايا الشبكة أنها يمكن أن تنتج نوعية عالية وأمثلة مختلفة بفضل قدرتها على تعلم التوزيعات المعقدة والمتعددة الوسائط.

غير أن تدريب الشبكات المالية العالمية يمكن أن يكون صعباً وقد يعاني من مشاكل مثل انهيار الموضة (تحطم الحركة)، وهنا ينتج المولد أمثلة محدودة ومكررة. وأُوصي بإدخال تعديلات وتحسينات مختلفة لمعالجة هذه المشاكل، مثل شبكة واسرستين GANs وStyleGANs.

مناطق تطبيق الشبكة

GAN’s (Generative Adversarial Networks) is an artificial intelligence technology composed of two networks, allowing innovative applications in various fields. هذه:

1. Image and Video Production/Manipulation: Displays and deep fakes (deep fakes).

2. Style Transfer and Video from Image translation: Convert images by applying different fashions.

3. استرداد البيانات وتجميعها: استخدمت لتحسين أداء نماذج التعلم الخاضعة للرقابة.

4. Synthesis and Image Subtitle from text: Visualize written text or add subtitles to images.

5. 3D Object Production and Design: Creating reality avatars and virtual environments.

6. Sound Transformation and Sound Synthesis: Sound and music production.

7. Game Development and Design: Create new levels and characters.

8. التطبيقات الإبداعية: الفن، الموسيقى، إنتاج الأدب.

9. Security " Privacy: Fake data generation and deep counterfeiting detection.

10. البحث العلمي والتحاكي: محاكاة النظم المعقدة والتنبؤات العلمية.

CycleGAN is a GAN example used for translation from image to image and can convert images without unmatched training data. The effectiveness of GAN depends on the quality of educational data, complexity of the underlying distribution and factors such as the structure of the model.

Variable Automatic Encoders (VAEs)

وأجهزة التشفير الآلية المتغيرة هي نماذج تجديدية تستخدم في مجال الاستخبارات الاصطناعية. ويمكن لهذه النماذج أن تنتج نواتج جديدة مماثلة لمجموعات البيانات، لا سيما أنها فعالة في استكشاف التباينات الصحيحة في بعض الاتجاهات داخل البيانات. وتعمل هذه المنظمات من خلال شبكتين من الأعصاب، تشملان مذيباً ومذيباً لأخذ صورة.

الشفرة تحوّل الصورة إلى تمثيل منخفض الحجم يُدعى "الحيز المخفي" وتُنتج صورة جديدة مماثلة للصورة الأصلية باستخدام هذا التمثيل للمذيب والسمة المميزة للرابطة هي أنها تستخدم نماذج استثنائية لتعلم التوزيع الذي تقوم عليه البيانات التعليمية. وبهذه الطريقة، يمكنها أن تلتقط بشكل أفضل عدم التيقن والتغير في البيانات. وتتمتع الفئات الضعيفة بإمكانية كبيرة لتطبيقات مبتكرة في مجالات مثل الفنون البصرية ومحاكاة البيانات.

عملية التدريب

ويُعدّ نظام المعلومات الآلي المتغير طريقة مستعملة على نطاق واسع في التعلم الآلات، وهي فعالة بشكل خاص في تطبيقات مثل توليد البيانات، والضغط، وإزالة الضوضاء، واستخراج الممتلكات. وتتكون عملية التدريب في مجال التدريب المهني من الخطوات التالية:

1. Coding (Encoding): Input data is fed to the encoder network (encoder). هذه الشبكة تضغط البيانات على مساحة أقل حجماً هذا الحيز الخفي مبني على افتراض التوزيع الغوسي.

2. عينة (عينة): بقعة عشوائيّة في الفضاء الخفيّ مِنْ التوزيعِ Gaussian.

3. Code Solving (Decoding): Code solvent network (decoder), takes the sampled point and converts it to a new point of data. ويتم تدريب المذيبات المدونة على إعادة تشكيل بيانات المدخلات الأصلية باستخدام التمثيل الخفي للفضاء.

4. Lost Calculator (Loss Calculation): The loss function for VAEs consists of restructuring loss and loss of KL-divergence (Headback-Leibler deviation). إعادة تشكيل تدابير الخسارة إلى أي مدى يمكن للمذيب الرمزي أن يعيد هيكلة بيانات المدخلات الأصلية. ومن ناحية أخرى، يُحدِّد فقدان التساوي بين توزيع الحيز السري المتعلم.

5. (النسخة الخلفية) الإشارة الخاطئة من المهمة المفقودة، تنتشر عبر الشبكة لتحديث أوزان كل من الدردشة والديكور.

وبعد إتمام التدريب، يمكن للرابطة أن تنتج بيانات جديدة عن طريق أخذ عينات من توزيع الحيز السري المتعلم. ويمكن أيضاً استخدام هذه الفئات في تطبيقات أخرى مثل ضغط البيانات، وإزالة الضوضاء، وإزالة الممتلكات. فعلى سبيل المثال، يمكن تقديم طلب إزالة الضوضاء من الصور باستخدام أجهزة الترميز الآلي.

مناطق تطبيق نظام VAE

Variable Automatic Encoders (VAEs) is an artificial reprisal networks-based technology that has an important place in the field of artificial intelligence and machine learning. وتستخدم هذه التكنولوجيا في العديد من المجالات، لا سيما في مجال توليد البيانات والتلاعب بها. وفيما يلي بعض مجالات تطبيق نظام تقييم الأداء:

1. Image Production and Manipulation: VAEs can produce new and reality images or change existing images. وهذا يوفر إبداعا جديدا في مجال الفن والتصميم.

2. Video Production and Forecast: VAEs can be used to create video contents and predict future squares.

نماذج الانتشار

نماذج الشغب تأتي إلينا كخطوة مبتكرة في مجال الذكاء الاصطناعي وتضيف هذه النماذج ضوضاء إلى البيانات الأساسية لإنتاج بيانات اصطناعية عالية الجودة والتعلم بإزالة هذه الضوضاء. وبفضل عملية استخراج الضوضاء، فإن نماذج الانتشار تجعل أنماط البيانات وهياكلها مفهومة بشكل أفضل.

Bu modeller özellikle görüntü oluşturmada başarılıdır. Eğitimde model, veriye eklenen gürültüyü tahmin etmeyi öğrenir; bu basit hedef, GAN'lardaki iki ağlı rekabete göre eğitimi daha kararlı hale getirir. Bedeli, üretimin çok adımlı olması nedeniyle daha yavaş çalışmasıdır. OpenAI'nin DALL·E 2 modeli (2022) ve görüntüyü önce sıkıştırılmış bir gizli uzayda işleyen Stable Diffusion (latent diffusion), metinden görsel üreten difüzyon modellerine örnektir. İlk DALL·E (2021) ise difüzyon değil, otoregresif bir transformer modeliydi.

نماذج أخرى للتنجيد

وقد شهدنا وجود معاينات متجانسة مقسمة أساسا إلى ثلاثة نماذج مختلفة. ولكن هناك أيضاً نماذج أكثر ابتكاراً وتجارباً للتقنية المتجانسة. وترد هذه النماذج بالتفصيل أدناه.

النماذج المستقلة

والنماذج التراجعية هي إمكانيات النماذج التنبؤية القائمة على العناصر السابقة، وكل عنصر من خلال إنتاج مجموعة بيانات بدورها. In the field of natural language processing (NLP), they are often used in tasks such as text production and language translation. وتتوقع هذه النماذج القيمة التالية بالنظر إلى القيم السابقة في عدد منها. فعلى سبيل المثال، يمكن التنبؤ بأسعار اليوم التالي على أساس أسعار الأيام السابقة في السلسلة الزمنية لتحليل أسعار الأسهم.

وتنتج نماذج اللغات الكبيرة، باستخدام هذه النماذج العدوانية، ردوداً شبيهة بالإنسان على الأوامر. وهي مدربة على مجموعات كبيرة من بيانات النصوص، مثل الكتب والمقالات والمواقع الشبكية، وهي مصممة لإنتاج نصوص جديدة على غرار البيانات الفعلية. وقد حققت حركة التحرير نتائج ناجحة بلغات عديدة مثل نمذجة اللغة، والترجمة الآلية، وطرح الأسئلة، وخلاص النصوص.

It is also important in creative works such as high quality text generation capabilities, conversation Assistants, code typing, abstracting and social media posts. كيف نتدرب في منزل (إل إم) ما هو نموذج اللغة الكبيرة، كيف يكون التعليم؟ وفي مقالنا شرحنا بالتفصيل.

النماذج القائمة على التحول

Transformer mimarisi 2017'de Google araştırmacılarının "Attention Is All You Need" makalesiyle tanıtıldı; bugün GPT, Gemini ve Llama gibi büyük dil modelleri bu mimarinin üzerine kurulu. Transformer, kendinden dikkat mekanizmasına dayanan bir tür sinir ağı mimarisidir. Bir girdi verildiğinde, mekanizma modelin girdi dizisinin farklı bölümlerine paralel olarak ağırlıklar atamasını sağlar.

ثم يحدد النموذج العلاقة بين هذه الأقسام وينتج الناتج المقابل للمدخل الخاص. ويُستخدم المترجمون على نطاق شعبي لمهام التحرير الوطني من قبيل الترجمة اللغوية والإنتاج وطرح الأسئلة. غير أنه ما لم يتم تدريبهم تدريباً خاصاً على إيجاد محتوى جديد، لا يمكن اعتبارهم نماذج سخية فحسب.

النماذج القائمة على التدفقات

والنماذج القائمة على التدفقات هي نوع من نماذج الأنشطة المنفذة المنفذة تنفيذاً مشتركاً، وتركز على تعلم تنظيم البيانات في مجموعة من البيانات. وتعمل هذه النماذج بفهم إمكانيات القيم/الأحداث في مجموعة البيانات وتحديد ما يحدث في كثير من الأحيان. وعند إصدار نقاط بيانات جديدة، فإنها تحمي الخصائص والخصائص الإحصائية للبيانات الموجودة. وتتمثل سمة هذه النماذج في أنها تطبق البيانات القائمة في إمكانية عكس اتجاهها بسهولة أو عكس اتجاهها عن طريق " تحويل عكسي بسيط " .

ونظراً إلى عكس مسار التحويل، فإن هذه النماذج يمكن أن تحسب تماماً إمكانية الحصول على بيانات ويمكن أن تنتج العينة من توزيع أولي بسيط (مثل الضوضاء العشوائية). والتدفق المفرج عنه في عام 2018 هو الأمثلة المعروفة على هذا النهج. والتشويش هو ضبط النفس في هيكل متطلبات كل طبقة يجب عكسها.

Akış fikri bugün farklı bir biçimde geri döndü: Stable Diffusion 3, "rectified flow" adlı akış eşleştirme yöntemiyle eğitilen bir transformer modeli olarak 2024'te tanıtıldı. Yani güncel görsel modellerinde difüzyon ve akış yaklaşımları iç içe geçiyor. Ayrıntılar için Stable Diffusion 3 yazımıza bakabilirsin.

إذا كنت تريد تجربة أدوات الاستخبارات الاصطناعية بينما تنتج Artificial Intelligence Visual Building Guide with MidjourneyTags كيف تستخدمين "دال" 2 "مُخدّرات إستخباراتية"؟ و Creating Visual and Video with Artificial Intelligence يمكنك أن تفسد مقالاتنا للتعريف العام للاستخبارات الاصطناعية ما هي الاستخبارات الفنية؟ مقالتنا بداية جيدة

الأسئلة المتكررة

ما الذي تعنيه (آي آي)؟

الـ "آي" الـ "الذكاء الطبيعي" بالإنجليزية وهو يخبر عن النص الجديد، والبصري، والسمعي، والفيديو، ونظم الاستخبارات الاصطناعية المولدة للرمز والتي تجمع البيانات التي تتعلمها.

ما هو الفرق الرئيسي بين الذكاء الاصطناعي الكلاسيكي مع ذكاء عبقري؟

كلاسيكي يصنف أو يتوقّع البيانات التي لديها ذكاء اصطناعي. على سبيل المثال، مرشّح "سبام" علامة، نموذج لغة، يكتب لك بريد إلكتروني جديد.

ما هي الأمثلة على الذكاء الاصطناعي بدون ذكاء؟

ومن الأمثلة على الاستخبارات الاصطناعية غير المهنية نظم مثل مرشحات الرش، وسجلات مخاطر الائتمان، ونظم توصية المنتجات، والتنبؤ بالأخطاء، وكشف الأجسام في الصور. ولا تنتج هذه القرارات أو التنبؤات محتوى جديدا.

ما هي الشبكات المميزة للتنوع؟

GAN is a productive model, introduced in 2014, and trained against two symptom networks. وينتج المولد أمثلة زائفة، ويحاول الانفصال فصلها عن حقيقتها، مما يجعل هذه المنافسة أكثر واقعية.

ChatGPT bir generative AI mı?

نعم ChatGPT is a productive artificial intelligence application that works with large language models based on transformer structure; it produces new text by predicting the next word parts according to the command you give.