أساسيات الذكاء الاصطناعي وتعلم الآلة

يفتتح هذا المجال مقرر AWS Certified AI Practitioner، ويستحق هذا الموقع لأنه يمنحك المفردات التي يُبنى عليها كل ما يليه. قبل أن تقارن بين Bedrock وSageMaker، أو تفكّر في هجمات المطالبات، أو تحكم على عدالة نموذج ما، تحتاج إلى صورة واضحة عمّا يعنيه الذكاء الاصطناعي وتعلم الآلة والتعلم العميق، وكيف يختلف كل منها عن الآخر.

يبدأ المجال بالتعريفات الأساسية وكيف تتعلم النماذج من البيانات، ثم ينتقل إلى المواضع التي يصلح فيها الذكاء الاصطناعي وتلك التي لا يصلح فيها، وينتهي بدورة الحياة التي تحوّل الفكرة إلى نموذج يعمل فعلاً.

ما الذي يغطيه هذا المجال

• الفرق بين الذكاء الاصطناعي وتعلم الآلة والتعلم العميق والشبكات العصبية
• الذكاء الاصطناعي التوليدي والوكيل الذكي، وأنواع البيانات التي تتعلم منها النماذج
• التعلم الخاضع للإشراف وغير الخاضع للإشراف والتعلم المعزز، وأنواع الاستدلال الرئيسية
• متى يكون الذكاء الاصطناعي الأداة الصحيحة، ومتى يتفوق حل أبسط منه
• أنواع المسائل الشائعة مثل الانحدار والتصنيف والتجميع، وخدمات AWS المُدارة للذكاء الاصطناعي
• دورة حياة تطوير الذكاء الاصطناعي وتعلم الآلة، من المسار إلى MLOps، والمقاييس التقنية ومقاييس الأعمال التي تقيس النجاح

لماذا هذا مهم

تفترض المجالات اللاحقة بهدوء أنك تتقن هذه اللغة. السؤال عن اختيار نموذج أساسي، أو تأمين مسار بيانات، أو كشف التحيّز، يصبح أصعب بكثير إن كنت لا تزال غير متأكد ممّا تفعله بيانات التدريب أو كيف يختلف الاستدلال عن التدريب. أتقِن هذه الأساسيات، وتتحول شريحة كبيرة من أسئلة الاختبار إلى مسائل تفكير بدلاً من تخمين.

يرسّخ هذا المجال أيضاً نمطاً يعود إليه المقرر كله: تتولى AWS العبء الثقيل لبنية الذكاء الاصطناعي التحتية، ليتفرغ الفريق لاختيار الأسلوب المناسب، وتغذيته ببيانات جيدة، وقياس ما إذا كان قد ساعد الأعمال فعلاً.