إن تطوير الذكاء الاصطناعي، مثل التكنولوجيا نفسها، لا يزال في مراحله الأولى. وهذا يعني أن العديد من أدوات التنمية آخذة في الظهور والتقدم.
على مدى الأشهر القليلة الماضية، شهدنا ظهور مجموعة تكنولوجية جديدة عندما يتعلق الأمر بتطوير تطبيقات الذكاء الاصطناعي، حيث تحول التركيز من بناء نماذج التعلم الآلي إلى بناء حلول الذكاء الاصطناعي، كما تقول مريم عاشوري، مديرة إدارة المنتجات في Watsonx. ai في IBM، في مقابلة عبر البريد الإلكتروني. “لتحقيق قفزات هائلة في مجال الذكاء الاصطناعي، يجب على المطورين ترجمة أبحاث الذكاء الاصطناعي الرائدة إلى تطبيقات في العالم الحقيقي يستفيد منها الجميع.”
الأدوات الأساسية
توفر أدوات الذكاء الاصطناعي الحالية نظامًا بيئيًا شاملاً يدعم كل مرحلة من مراحل عملية تطوير الذكاء الاصطناعي، كما يقول سافيناي بيري، رئيس قسم التكنولوجيا ورئيس الإستراتيجية والتكنولوجيا في شركة Vonage لخدمات الاتصالات السحابية، في مناقشة عبر الإنترنت. ويشير إلى أن مجموعة واسعة من الأدوات تساعد المطورين على إنشاء واختبار التعليمات البرمجية، وإدارة مجموعات البيانات الكبيرة، وبناء النماذج وتدريبها ونشرها، مما يسمح للمستخدمين بالعمل بكفاءة وفعالية. “كما أنها تسهل تفسير البيانات المعقدة، وتضمن قابلية التوسع من خلال المنصات السحابية، وتوفر إدارة قوية لخطوط البيانات والتجارب، والتي تعتبر ضرورية للتحسين المستمر ونجاح مشاريع الذكاء الاصطناعي.”
وفي إطار المشهد الحالي للذكاء الاصطناعي، هناك مجموعة متنوعة من أدوات التطوير الأساسية، كما يقول عاشوري، بما في ذلك بيئات التطوير المتكاملة (IDEs) للبرمجة الفعالة، وأدوات التحكم في الإصدار للتعاون، وعروض إدارة البيانات لإدخال الجودة، والمنصات السحابية لقابلية التوسع والوصول إلى وحدات معالجة الرسومات. وأدوات التعاون لتآزر الفريق. وتقول: “كل منها أمر بالغ الأهمية لتطوير الذكاء الاصطناعي بشكل مبسط وقابل للتطوير”.
يجب أن يكون لدى كل مطور للذكاء الاصطناعي الحد الأدنى من الأدوات التي تغطي جوانب مختلفة من التطوير، كما ينصح أوتكارش كونتراكتر، نائب رئيس الذكاء الاصطناعي في شركة حلول الذكاء الاصطناعي التوليدية Aisera وزميل أبحاث أول في الذكاء الاصطناعي في جامعة ستانفورد. “يتضمن ذلك بيئة تطوير متكاملة (IDE) مثل VS Code أو Jupyter Notebook، ونظام التحكم في الإصدار مثل GitHub، وأطر عمل مفتوحة المصدر مثل PyTorch وTensorFlow لبناء النماذج.” ويعتقد أن أدوات معالجة البيانات وتصورها، مثل Pandas وMatplotlib وApache Spark، ضرورية، إلى جانب أدوات المراقبة، مثل Grafana. يضيف المقاول أن الوصول إلى موارد الحوسبة ووحدات معالجة الرسومات، سواء محليًا أو في السحابة، يعد أيضًا أمرًا بالغ الأهمية لتطوير الذكاء الاصطناعي عالي الجودة.
يقول المقاول إن GitHub Copilot، وهي أداة برمجة مدعومة بالذكاء الاصطناعي، ليست ضرورية ولكنها يمكن أن تعزز الإنتاجية. “وبالمثل، يتفوق MLflow في تتبع التجارب ونماذج المشاركة، بينما تعمل أدوات مثل Labelbox على تبسيط تصنيف مجموعات البيانات.” ويشير إلى أن كلاهما إضافات قيمة، ولكنها ليست مطلوبة.
عندما يتعلق الأمر بالخدمات السحابية، يشير بيري إلى أن أدوات مثل AWS SageMaker، وGoogle Cloud AI Platform، وGoogle Colab، وGoogle Playground، وAzure Machine Learning توفر بيئات مُدارة بالكامل لبناء نماذج التعلم الآلي وتدريبها ونشرها. ويقول: “توفر هذه المنصات مجموعة من الأدوات الآلية مثل AutoML، والتي يمكن أن تساعد المطورين على إنشاء النماذج وضبطها بسرعة دون خبرة عميقة في كل جانب من جوانب التعلم الآلي”. “إنها ذات قيمة خاصة للمطورين الذين يرغبون في التركيز بشكل أكبر على تطوير النماذج وبدرجة أقل على إدارة البنية التحتية.” ويضيف بيري أن هذه الأدوات تضيف قيمة من خلال تبسيط العمليات وتعزيز التعاون وتحسين تجربة المستخدم الشاملة، حتى لو لم تكن مطلوبة بشكل صارم لجميع مشاريع الذكاء الاصطناعي.
عندما يتعلق الأمر بتوسيع نطاق تطوير الذكاء الاصطناعي على مستوى المؤسسة، يجب على المؤسسات أن تنظر إلى ما هو أبعد من أدوات التطوير المتباينة إلى منصات أوسع تدعم التبني السريع لحالات استخدام محددة للذكاء الاصطناعي من البيانات إلى النشر، كما ينصح أشوري. “يمكن لهذه الأنظمة الأساسية أن توفر تجربة تطوير بديهية وتعاونية، وإمكانيات التشغيل الآلي، وأنماط معدة مسبقًا تدعم أطر عمل المطورين وعمليات التكامل مع مجموعة تكنولوجيا المعلومات الأوسع.”
يتلاشى بعيدا
مع تطور الذكاء الاصطناعي ووصول أدوات جديدة، أصبحت العديد من العروض القديمة غير مفضلة. يقول المقاول: “بعض المكتبات، مثل NLTK وCoreNLP لمعالجة اللغات الطبيعية، تفقد أهميتها وتصبح قديمة بسبب الابتكارات مثل الذكاء الاصطناعي التوليدي ونماذج المحولات”.
يقول ياروسلاف كولوجريفوف، المؤسس المشارك لمنصة أتمتة الأعمال المدعومة بالذكاء الاصطناعي PLATMA عبر البريد الإلكتروني: “بمجرد اللجوء إلى تحليل البيانات، بدأت Pandas وNumPy، وهما مكتبتان شائعتان في لغة Python لتحليل البيانات والحوسبة العلمية، تفقدان أتباعهما”. “لقد عانى Theano، الذي تم استبداله بـ TensorFlow وPyTorch، من مصير مماثل.”
يقول بيري إنه مع استمرار تطور الذكاء الاصطناعي في التقدم بسرعة، فإن البقاء على اطلاع بأحدث الأدوات وأطر العمل يعد أمرًا بالغ الأهمية للحفاظ على الميزة التنافسية. ويقول: “على الرغم من أن بعض الأدوات القديمة قد لا تزال تخدم أغراضًا محددة، إلا أن التحول نحو حلول أكثر قوة وكفاءة أصبح واضحًا”. “إن تبني الابتكارات يضمن قدرة مطوري الذكاء الاصطناعي على مواجهة التحديات المتزايدة التعقيد بخفة الحركة والدقة.”
القدرة على التكيف والتبسيط
يقول المقاول: في عالم الذكاء الاصطناعي سريع التطور، يجب على المطورين الحفاظ على درجة عالية من القدرة على التكيف، وإعادة التقييم المستمر لمجموعات الأدوات الخاصة بهم وتحسينها. “مع تسارع الابتكار، قد تصبح الأدوات الضرورية اليوم قديمة بسرعة، مما يستلزم اعتماد تقنيات ومنهجيات جديدة متطورة لتعزيز سير العمل وتعظيم كفاءة المشروع وفعاليته.”
ويخلص عاشوري إلى أنه ولتبسيط تجربة تطوير الذكاء الاصطناعي وتسهيلها، يجب على المؤسسات البحث عن منصات توفر للمطورين الاختيارية والتخصيص وقابلية التكوين في كل طبقة من طبقات الذكاء الاصطناعي.
