من خلال تحديد الخوارزميات الأفضل لتطبيقها

من خلال تدريب النموذج باستخدام بيانات قديمة

من خلال تنظيف البيانات المفقودة

من خلال جمع التغذية الراجعة من المستخدمين وتحليل أداء النظام

بعد جمع البيانات الخام

أثناء نشر النموذج في البيئة الإنتاجية

أثناء عملية اختيار الخوارزميات

في مرحلة اختبار النموذج باستخدام بيانات غير مرئية سابقًا

تشخيص الأمراض باستخدام الذكاء الاصطناعي

إجراء عمليات حسابية معقدة

تخصيص تجارب التعلّم للطلاب

التحكم في الأجهزة المنزلية، وضبط المواعيد، وتقديم التوصيات بناءً على تفضيلات المستخدم

نشر النموذج ليكون جزءًا من تطبيق أو نظام مستقل

اختبار النموذج باستخدام بيانات غير مرئية سابقًا

جمع البيانات لتدريب النموذج

تحسين النموذج استنادًا إلى التغذية الراجعة

القدرة على التفاعل مع البيئة

القدرة على تعلّم من البيانات

القدرة على استيعاب البيانات وتحليلها

القدرة على تخزين المعلومات والمعرفة في النظام لاستخدامها في اتخاذ القرارات

منصة تستخدم تقنيات الذكاء الاصطناعي لتخصيص تجارب التعلم للطلاب

منصة توفر دورات تعليمية تقليدية بدون استخدام الذكاء الاصطناعي

منصة تستخدم المساعدات الصوتية الذكية لتوفير المحتوى التعليمي

منصة تعتمد على التعلم الافتراضي فقط

زيادة قدرة الروبوتات الصناعية على أداء المهام

تحليل البيانات من خلال الخوارزميات المعقدة

استخدام الذكاء الاصطناعي فقط لتشخيص الأمراض

دمج الذكاء الاصطناعي بمهارات بشرية متقدمة لتحسين التفاعل بين الإنسان والآلة

القدرة على تحويل الأنشطة اليدوية إلى أنشطة حاسوبية

القدرة على تعلم البيانات وتحليلها

القدرة على التفاعل مع البيئة

القدرة على تحويل الأنشطة الحاسوبية إلى أنشطة يدوية

من خلال جمع وتحليل البيانات السابقة وتوليد تفسيرات أو استنتاجات بناءً على هذه البيانات

من خلال تخزين البيانات لفترات طويلة

من خلال تنظيم البيانات فقط

من خلال تحسين البيانات الخام

استخدام الخوارزميات التي لا تعتمد على البيانات

الاعتماد على قواعد ومعرفة صريحة فقط

استخدام الشبكات العصبية متعددة الطبقات وتوافر قدرات حاسوبية كبيرة وكميات ضخمة من البيانات

تركيز على استخدام الذكاء الاصطناعي في المجالات الصحية

جمع معلومات من المستخدمين الحاليين حول أداء النظام وتحليلها لتحسين النموذج

تدريب النموذج على بيانات جديدة بدون الحاجة إلى تقييم

جمع البيانات من مستخدمين جدد فقط

استخدام البيانات القديمة لتدريب النموذج

مرحلة النشر

مرحلة استخدام النموذج

مرحلة البناء والتطوير

مرحلة التدريب

ضمان الشفافية والعدالة في اتخاذ القرارات

زيادة قدرة الأنظمة الذكية على التفاعل مع البشر

تحسين أداء الخوارزميات المستخدمة في تحليل البيانات

تحسين سرعة المعالجة للبيانات الكبيرة

القدرة على استيعاب البيانات وتحليلها

القدرة على تعلم من التجارب السابقة أو البيانات الجديدة

القدرة على العمل بشكل أسرع من الأنظمة التقليدية

القدرة على التخزين السريع للبيانات

يتم نشر النموذج لتفاعل المستخدمين

يتم تحليل البيانات للبحث عن الأنماط وفق شروط محددة

يتم تحسين النموذج بناءً على التغذية الراجعة

يتم اختبار أداء النموذج باستخدام بيانات جديدة

القدرة على تحسين الأداء باستخدام البيانات فقط

قدرة النظام على التفاعل مع المستخدمين باستخدام اللغات الطبيعية مثل النصوص والصور والصوت

القدرة على التكيف مع الظروف المتغيرة

القدرة على التفاعل مع البيئة

القدرة على تعلم من التجارب السابقة

القدرة على التفاعل مع المستخدمين

القدرة على استيعاب البيانات وتحليلها

القدرة على التعامل مع مهام متعددة في مجالات مختلفة مثل الرعاية الصحية والمالية

القدرة على تحسين الأداء باستخدام البيانات فقط

القدرة على استنتاج نتائج جديدة بناءً على المعلومات المتاحة

القدرة على التكيف مع التجارب السابقة

القدرة على التكيف مع الظروف المتغيرة دون الحاجة إلى إعادة البرمجة

خطأ

صح

أداء المهام المتكررة والصعبة بكفاءة عالية في البيئات التصنيعية

تعلّم الأنماط من البيانات باستخدام الخوارزميات

تقديم التوصيات في مجال الصحة

التفاعل مع البشر باستخدام اللغات الطبيعية

استنتاج نتائج جديدة بناءً على المعلومات المتاحة

تحويل الأنشطة اليدوية إلى حاسوبية

تحسين الأداء من خلال البرمجة اليدوية

تحسين الأداء عبر التعلم من التجارب السابقة أو البيانات الجديدة

القدرة على استنتاج نتائج جديدة بناءً على المعلومات المتاحة

القدرة على التفاعل مع البيئة

القدرة على جمع وتحليل البيانات السابقة ثم توليد تفسيرات أو استنتاجات بناءً عليها

القدرة على استشراف المستقبل بناءً على البيانات السابقة

Facebook

Khan Academy

Instagram

Twitter

Robotics Fanuc

Khan Academy

IBM Watson for Oncology

Apple Siri

Google Assistant

AI Squirrel

Amazon Alexa

Robotics Fanuc

Google Assistant

Amazon Alexa

Apple Siri

IBM Watson for Oncology

تدريب النماذج باستخدام الخوارزميات لتعلم الأنماط من البيانات

الاعتماد على التقنيات القديمة من الذكاء الاصطناعي

استخدام القواعد الصريحة للبيانات

استخدام الشبكات العصبية متعددة الطبقات

تحويل البيانات إلى صيغة مناسبة لتدريب النموذج

تقديم التوقعات الدقيقة

اختبار دقة النموذج باستخدام البيانات الجديدة

تحديد نوعية الخوارزميات المطلوبة

تقييم أداء النموذج باستخدام مجموعة بيانات جديدة

تجميع البيانات الخام

اختبار النموذج باستخدام بيانات قديمة

تقديم التوقعات بناءً على بيانات جديدة عند إدخال البيانات المطلوبة

مرحلة النشأة (الخمسينيات والستينيات)

الذكاء الاصطناعي القائم على التعلم (التسعينيات)

الذكاء الاصطناعي العميق (الألفية الجديدة)

الذكاء الاصطناعي الرمزي (السبعينيات والثمانينيات)

من خلال تحليل بيانات التشخيص الطبي وتقديم توصيات حول التشخيص والعلاج

من خلال تقليل عدد الأطباء المطلوبين في المستشفيات

من خلال كتابة الوصفات الطبية

من خلال إجراء الجراحة مباشرة باستخدام الروبوتات

القدرة على تحويل الأنشطة اليدوية إلى حاسوبية

القدرة على تحسين الأداء باستخدام البيانات فقط

القدرة على استنتاج نتائج جديدة بناءً على المعلومات المتاحة أو الاحتمالات أو المنطق

القدرة على التفاعل مع البيئة

تحسين أداء النموذج بناءً على التغذية الراجعة

تحديد الخوارزميات الأنسب لنوع المشكلة لتساعد في تحليل البيانات وتوليد المخرجات الذكية

تحديد نوع البيانات المطلوبة

تحويل البيانات إلى صيغة قابلة للاستخدام

تحسين الخوارزميات بناءً على التغذية الراجعة

تدريب النموذج على بيانات جديدة

جمع التغذية الراجعة من المستخدمين لتحسين الأداء

تقييم دقة النموذج وقدرته على التعميم مع بيانات جديدة

الاعتماد على الشبكات العصبية لتحليل البيانات

القدرة على تفسير النماذج وفهمها من قبل البشر لضمان الشفافية والعدالة في اتخاذ القرارات

استخدامه في تحسين التفاعل بين الإنسان والآلة

تطبيق الذكاء الاصطناعي في التحكم في الأجهزة المنزلية