في هذا الدرس سنتعرف على معنى الخوارزمية، ولماذا تُعد الخوارزميات أساسًا مهمًا في علوم الحاسب والذكاء الاصطناعي. كما سنتعرف على الفرق بين خوارزميات البرامج التقليدية وخوارزميات الذكاء الاصطناعي، مع أمثلة مبسطة تساعد على فهم الفكرة.

ما هي الخوارزمية؟

الخوارزمية أو Algorithm هي مجموعة من الخطوات الرياضية والمنطقية المرتبة التي تُستخدم لحل مشكلة معينة أو تنفيذ مهمة محددة.

يمكن أن نفكر في الخوارزمية كأنها وصفة طبخ: إذا اتبعت الخطوات بالترتيب الصحيح، فستصل إلى نتيجة معينة. في البرمجة، الخوارزمية هي الطريقة التي نخبر بها الحاسب كيف يحل المشكلة.

سُميت الخوارزمية بهذا الاسم نسبة إلى العالم المسلم أبي جعفر محمد بن موسى الخوارزمي، ويُعد اسمه أصلًا للمصطلح الإنجليزي Algorithm.

لماذا الخوارزميات مهمة؟

الخوارزميات هي أساس معظم البرامج وأنظمة الحاسب، فهي تُستخدم في أنظمة التشغيل، قواعد البيانات، محركات البحث، تطبيقات الجوال، الألعاب، أنظمة الذكاء الاصطناعي، وغيرها.

وحتى مع سرعة الحواسيب في وقتنا الحالي، تبقى كفاءة الخوارزمية مهمة جدًا، خصوصًا عند التعامل مع كميات ضخمة من البيانات. فاختيار خوارزمية بطيئة قد يجعل البرنامج غير عملي، بينما الخوارزمية الجيدة تساعد على تسريع العمل وتحسين الأداء.

ما هو Big O؟

عند دراسة الخوارزميات نحتاج إلى طريقة نقيس بها سرعة الخوارزمية وكفاءتها. هنا يظهر مفهوم Big O.

يستخدم Big O لوصف كيفية تغير وقت تنفيذ الخوارزمية أو استهلاكها للذاكرة عندما يزداد حجم البيانات.

مثال بسيط: إذا كان لدينا 10 عناصر، فقد تعمل الخوارزمية بسرعة. لكن ماذا لو أصبح لدينا مليون عنصر؟ هنا نحتاج إلى معرفة هل الخوارزمية ستبقى سريعة أم ستصبح بطيئة جدًا.

الفرق بين خوارزميات البرامج التقليدية وخوارزميات الذكاء الاصطناعي

يوجد فرق مهم بين طريقة عمل البرامج التقليدية وطريقة عمل كثير من أنظمة الذكاء الاصطناعي الحديثة.

النوع	طريقة العمل	مثال مبسط
خوارزميات البرامج التقليدية	يكتب المبرمج خطوات الحل بشكل مباشر، والبرنامج ينفذ هذه الخطوات كما هي.	إذا كانت الدرجة 50 أو أكثر، فالنتيجة ناجح. وإذا كانت أقل من 50، فالنتيجة راسب.
خوارزميات الذكاء الاصطناعي	يكتب المبرمج طريقة التدريب، ثم يتعلم النموذج من البيانات ليستنتج الأنماط والعلاقات بنفسه.	نعطي النموذج بيانات كثيرة عن الطلاب، فيتعلم العوامل التي قد تؤثر في النجاح أو الرسوب.

يمكن تلخيص الفرق بهذه العبارة: في البرامج التقليدية البرنامج يتبع الخطوات، أما في الذكاء الاصطناعي فالنموذج يحاول اكتشاف الأنماط من البيانات.

الخوارزميات الحتمية والخوارزميات الاحتمالية

لفهم الخوارزميات بشكل أفضل، يمكن تقسيمها هنا إلى نوعين مبسطين:

1. الخوارزميات الحتمية

الخوارزميات الحتمية هي الخوارزميات التي تعطي نتيجة متوقعة وثابتة عند إدخال نفس البيانات. بمعنى أن نفس المدخلات تؤدي دائمًا إلى نفس المخرجات.

مثال: عند حساب 5 + 5 ستكون النتيجة دائمًا 10.

تُستخدم هذه الخوارزميات في الكثير من أنظمة الحاسب مثل قواعد البيانات، أنظمة التشغيل، خوادم الإنترنت، والبرامج التي تعتمد على قواعد واضحة ومباشرة.

2. الخوارزميات الاحتمالية أو التنبؤية

هذا النوع من الخوارزميات لا يعطي دائمًا إجابة قطعية، بل يعطي توقعًا أو احتمالًا بناءً على البيانات. لذلك نراه كثيرًا في تعلم الآلة والتعلم العميق.

من أمثلة استخدامها:

• توقع حركة الأسهم.
• اكتشاف الرسائل أو الروابط الخبيثة.
• تحليل صور الأشعة الطبية.
• تصنيف الصور والتعرف على الأشياء داخلها.
• توقع نوع زهرة بناءً على قياساتها، مثل مثال بيانات زهرة Iris الشهير.

من القواعد اليدوية إلى التعلم من البيانات

في السابق، كانت بعض محاولات بناء أنظمة ذكية تعتمد على كتابة قواعد كثيرة يدويًا. مثلًا:

إذا كانت صورة الأشعة تحتوي على بقعة معينة، ومع وجود أعراض محددة، فقد يشير ذلك إلى مرض معين.

المشكلة في هذا الأسلوب أن عدد القواعد قد يصبح ضخمًا جدًا، كما أن تعديلها وتحديثها صعب، وقد لا تنجح هذه الطريقة مع المشكلات المعقدة أو البيانات الكبيرة.

أما في الذكاء الاصطناعي الحديث، خصوصًا في تعلم الآلة، فإننا نعتمد على البيانات. بدلًا من كتابة كل قاعدة يدويًا، نعطي النموذج آلاف أو ملايين الأمثلة، فيتعلم الأنماط بنفسه.

مثال: بدلًا من كتابة قواعد كثيرة لتحديد المرض من صورة الأشعة، يمكن تدريب نموذج ذكاء اصطناعي على عدد كبير من صور الأشعة المصنفة مسبقًا، ثم يتعلم النموذج كيف يميز الأنماط المرتبطة بكل حالة.

أهم خوارزميات الذكاء الاصطناعي وتعلم الآلة

توجد خوارزميات كثيرة في الذكاء الاصطناعي، ولكل خوارزمية استخدام معين حسب نوع المشكلة والبيانات. من أشهر هذه الخوارزميات:

الخوارزمية	فكرتها باختصار	استخدامها
Linear Regression	تتوقع قيمة رقمية بناءً على علاقة بين المتغيرات.	توقع الأسعار أو الدرجات أو المبيعات.
Logistic Regression	تستخدم للتصنيف بين خيارين أو أكثر.	تصنيف البريد كعادي أو مزعج.
Decision Tree	تعتمد على قرارات متفرعة تشبه شجرة الأسئلة.	التصنيف واتخاذ القرار.
Random Forest	تستخدم مجموعة من أشجار القرار لتحسين الدقة.	التصنيف والتوقع في البيانات المعقدة.
K-Means	تقسم البيانات إلى مجموعات متشابهة.	تجميع العملاء أو الصور أو الأنماط.
Neural Networks	نماذج مستوحاة من طريقة عمل الخلايا العصبية.	التعرف على الصور، الصوت، اللغة، والتعلم العميق.
Gradient Descent	طريقة لتحسين النموذج وتقليل الخطأ أثناء التدريب.	تدريب نماذج تعلم الآلة والشبكات العصبية.

كيف تعمل خوارزميات الذكاء الاصطناعي بشكل عام؟

يمكن تبسيط عمل خوارزميات الذكاء الاصطناعي في الخطوات التالية:

1. جمع البيانات: نحتاج إلى بيانات مناسبة للمشكلة التي نريد حلها.
2. تنظيف البيانات: نزيل الأخطاء والقيم الناقصة أو غير المناسبة.
3. اختيار الخوارزمية: نحدد الخوارزمية المناسبة، مثل خوارزمية تصنيف أو توقع.
4. تدريب النموذج: يتعلم النموذج من البيانات لاكتشاف الأنماط.
5. اختبار النموذج: نتحقق من قدرة النموذج على التعامل مع بيانات جديدة.
6. استخدام النموذج: بعد نجاح الاختبار يمكن استخدام النموذج في تطبيق حقيقي.

ملخص الدرس

الخوارزمية هي مجموعة خطوات مرتبة لحل مشكلة معينة. وهي أساس البرامج وأنظمة الحاسب والذكاء الاصطناعي.

في البرامج التقليدية يكتب المبرمج خطوات الحل مباشرة، أما في الذكاء الاصطناعي الحديث فإن النموذج يتعلم من البيانات لاكتشاف الأنماط واتخاذ قرارات أو توقعات.

كما تعرفنا على أهمية قياس كفاءة الخوارزميات باستخدام Big O، وعلى أمثلة من أشهر خوارزميات الذكاء الاصطناعي وتعلم الآلة.

في الدرس القادم

في الدرس القادم سنتعرف على أنواع خوارزميات الذكاء الاصطناعي وطرق استعمالها