banner

آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة

دراسة وصفية تحليلية

.م.د. يارة ماهر محمد قناوي

أستاذ مساعد بقسم المكتبات والمعلومات

جامعة المنيا
ymaher57@yahoo.com

المستخلص

تصف هذه الدراسة المفاهيم ذات الصلة بالبيانات الضخمة والذكاء الاصطناعي، وتحلل المتطلبات الوظيفية والتقنية للذكاء الاصطناعي في بيئة البيانات الضخمة ، كما تهدف الدراسة إلى التعرف على آليات تطبيق تقنيات الذكاء الاصطناعي التي تعتمد على البيانات الضخمة والتعرف على كيفية تطبيق الذكاء الاصطناعي في إطار البيانات الضخمة ، وتسعى الدراسة إلى تحليل واستكشاف المجالات الرئيسية المتعلقة بالذكاء الاصطناعي مع البيانات الضخمة ومناقشة القضايا المفتوحة لتقديم اتجاهات بحثية جديدة في مجال تحليلات البيانات الضخمة مع الذكاء الاصطناعي ، وقُدمت مراجعة علمية شاملة عن آليات تطبيق الذكاء الاصطناعي في بيئة البيانات الضخمة واعتمدت الدراسة على المنهج الوصفي التحليلي من خلال قائمة مراجعة تضم العناصر التالية: (أنواع تقنيات الذكاء الاصطناعي الأكثر شيوعا في تحليلات البيانات الضخمة، وخوارزميات التعلم تحت الإشراف في البيانات الضخمة، ومزايا تقنيات الذكاء الاصطناعي مع البيانات الضخمة، وكيفية عمل الذكاء الاصطناعي في إطار البيانات الضخمة- المجالات الرئيسية لتطبيق الذكاء الاصطناعي – متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة- التحديات والقضايا المفتوحة)، وتوصلت الدراسة إلى عدة نتائج من أهمها : هناك العديد من الدراسات التي تتعلق بالبيانات الضخمة ولكن تفتقر هذه الدراسات إلى المراجعة الكاملة والمنهجية لآليات تطبيق الذكاء الاصطناعي مع البيانات الضخمة ، من أكثر تحديات الذكاء الاصطناعي مع البيانات الضخمة يأتي في الترتيب الأول معالجة كمية كبيرة من البيانات بنسبة 65% وتوصي الدراسة بزيادة الاهتمام بالدراسات التي تتعلق بتطبيق آليات الذكاء الاصطناعي مع البيانات الضخمة وضرورة تنفيذ تقنيات ذكاء اصطناعي مختلفة لتحليل هذه الكميات الضخمة من البيانات في الوقت الفعلي.

الكلمات المفتاحية: الذكاء الاصطناعي(1)؛ تحليلات البيانات الضخمة(2)؛ التعلم الآلي(3)؛ التعلم العميق(4)؛  التعلم الآلي الخاضع للإشراف(5)؛ التعلم الآلي بدون إشراف(6).

1- التمهيد:

في ظل الابتكارات السريعة للتقنيات الرقمية يتزايد حجم البيانات الرقمية بشكل كبير)Klein,S, 2017)، وبالتالي يتم إنشاء قدر كبير من البيانات متعددة المصادر، مثل: شبكات التواصل الاجتماعي، والهواتف الذكية، وأجهزة الاستشعار، وهذا القدر الهائل من البيانات التي لا تستطيع قواعد البيانات العلائقية وتقنيات التحليل تخزينها ومعالجتها، يُسمى بالبيانات الضخمة؛ لذلك فإنه يتطلب تطوير أدوات وتقنيات التحليل الجديدة؛ حتى يتسنى اكتشاف الأنماط بين مجموعات البيانات الكبيرة، وسرعان ما يتم إنتاج البيانات الضخمة من العديد من المصادر بتنسيقات مختلفة، ومن الآن فصاعدًا يجب أنْ  تتمكن الأدوات التحليلية الجديدة من اكتشاف الارتباطات بين البيانات المتغيرة بسرعة؛ لاستغلالها بشكل أفضل.

كما تواجه تقنيات المعالجة التقليدية مشاكل في التعامل مع كمية هائلة من البيانات، حيث إنه من الضروري تطوير طرق فعالة لتحليل البيانات في حل المشكلات التي تواجه البيانات الضخمة، ولقد سمحت العديد من أُطر البيانات الضخمة،بتوزيع الكثير من البيانات وتحليلها،مثل سبارك:(Spark)، وهادوب (Hadoop)،( oussous et al, 2018)، بالإضافة إلى ذلك تم تقديم أنواع مختلفة من تقنيات الذكاء الاصطناعي، والأساليب القائمة على البحث؛ لتقديم نتائج أسرع، وأكثر دقة لعملية تحليل البيانات الكبيرة،مثل: التعلم الآلي (ML) Machine Learning، وقد أدى الجمع بين أدوات البيانات الضخمة، وتقنيات الذكاء الاصطناعي إلى خلق فرص جديدة في تحليل البيانات الضخمة.

2- مصطلحات الدراسة:

1- الذكاء الاصطناعي Artificial Intelligence

هو مجموعة من التقنيات الفنية المتنوعة، تحاكى الذكاء البشري، وتستثمر قوة الدماغ الرقمي،والتعلم العميق،ويعتبر فرعا متقدما من تعلم الآلة الذي هو فرع متطور من الذكاء الاصطناعي عبر السنين.

ويمكن تعريف الذكاء بأنه مجال واسع من علوم الحوسبة، تجعل الآلات تبدو كأن لديها ذكاءً بشريا، على الرغم من ذلك لسنا قادرين حتى الآن على إنشاء ذكاء اصطناعي يرقى إلى مستوى الذكاء البشري، وتبرز أهمية هذه التقنية بقيام شركات التقنية العملاقة (آبل، جوجل، مايكروسوفت، فيسبوك، أمازون) بتأسيس أو الاستحواذ على 635 شركة ذكاء اصطناعي منذ عام 2010 لاستخدامها في منتجاتهم (sultan, A,2019).ويوضح شكل رقم (1) التطور التاريخي للذكاء الاصطناعي حتى الوصول إلى التعلم العميق.

Timeline

Description automatically generated

شكل رقم (1) التطور التاريخي للذكاء الاصطناعي حتى الوصول إلى التعلم العميق.

مصدر الشكل : (sultan, A,2019)

وازداد الدخل الإجمالي العائد من برمجيات الذكاء الاصطناعي من (9.5) بليون دولار في عام 2018 إلى (15) بليون دولار في عام 2019، ومن المتوقع أن يتصاعد العائد إلى حوالي (119) بليون دولار بحلول عام 2025 (sultan, A,2019). ويوضح شكل رقم (2) نمو وتطور الذكاء الاصطناعي في شركات التقنية العملاقة

Chart

Description automatically generated

شكل رقم (2) نمو وتطور الذكاء الاصطناعي في شركات التقنية العملاقة

مصدر الشكل : (sultan, A,2019)

2- تعلم الآلة Machine Learning:

يتم تعلم الآلة من خلال تمكين الحواسيب من البيانات ومخرجات الأنظمة، ويعرف بأنه: «تقنية لتحليل البيانات والتعلم منها ثم تطبيق ما تعلمته؛ لاتخاذ القرار، ويعد تعليم الآلة نوعًا من أساليب التنقيب عن البيانات الذي يشمل تقنيات عديدة منها: التعلم العميق، والشبكات العصبية الاصطناعية ومعالجة اللغة الطبيعية. ويوضح الشكل (3) تعلم الآلة (الأنواع والتقنيات وأمثلة عليها)

Diagram, timeline

Description automatically generated

الشكل (3) تعلم الآلة (الأنواع والتقنيات وأمثلة عليها)

مصدر الشكل : (sultan, A,2019)

3- منصات البيانات الضخمة Big data Platforms:

تعد معالجة البيانات الآنية والتحليلات التفاعلية منصات مختلفة للبيانات الضخمة،حيث تقوم منصات معالجة البيانات بإجراء عمليات حسابية مكثفة، وتستغرق وقتًاطويلًا؛ لمعالجة البيانات ويعد أباتشي هادوب (Apache Hadoop) أكثر أنظمة معالجة البيانات شيوعًا، ويُعد كلٌ من نظام الملفات الموزعة هادوب (HDFS) مفاوضَ آخر للمورد (YARN)، ونموذج البرمجة الموزعة Map Reduce وحداتنمطية مختلفة “لمنصة هادوب” التي تعمل عبر سلسلة قيمة البيانات الضخمة مثل: التجميع، والتخزين، والإدارة (Bordo, S, 2016).ويوضح الجدول رقم(1) المصطلحات ذات الصلة بالذكاء الاصطناعي مع البيانات الضخمة

الجدول رقم(1) المصطلحات ذات الصلة بالذكاء الاصطناعي مع البيانات الضخمة

م

المصطلح

التفسير

1

خوارزمية Algorithm

إجراء منهجي ينتج (من خلال عدد محدد من الخطوات) إجابة سؤال أو حل مشكلة.

2

الشبكة العصبية الاصطناعية Artificial Neural

Network (ANN)

نموذج اصطناعي خطي حوسبي يستند إلى البنية العصبية للدماغ القادرة على التصنيف والتنبؤ واتخاذ القرارات. والتصور من خلال دراسة الأمثلة؛ لتقليد النظام العصبي البشري.

3

تحليلات البيانات الضخمة

Big data Analytics

استخدام تقنيات تحليلية متقدمة للبيانات الضخمة هيكلية وشبه هيكلية وغير هيكلية ومن مصادر مختلفة.

4

معالجة اللغة الطبيعية

Natural Language Processing (NLP)

فرع من الذكاء الاصطناعي متعدد التخصصات لعلوم الحاسب واللغويات والخوارزميات؛ لتحليل ومعالجة وفهم اللغة البشرية.

5

شبكات عصبية متكررة

Recursive Neural Network

نوع من الشبكات العصبية العميقة التي تشكلت من خلال تطبيق نفس مجموعة الأوزان بشكل متكرر على هيكل ما لتنبؤ مهيكل.

6

تحليل الانحدار

Regression Analysis

في النمذجة الإحصائية مجموعة من العمليات الإحصائية لتقدير العلاقات بين المتغيرات؛ لتبيان اتجاهات البيانات.

7

ميكنة العمليات روبوتيًا

Robotic process Automation (RPA)

استخدام برمجيات روبوتية لأتمتة مجموعة من العمليات الإحصائية؛ لتقدير العلاقات بين المتغيرات لبيان اتجاهات البيانات.

8

بيانات مهيكلة

Structural data

بيانات يمكن تحديدها ضمن ملف إلكتروني مثل قاعدة بيانات علائقية منظمة في صفوف (سجلات) وأعمدة (حقول).

9

تعلم آلة خاضع للإشراف

Supervised Machine Learning

فرع من تعلم الآلة يتم فيها تغذية الخوارزمية بمجموعة من بيانات «التدريب» التي تحتوي على ملاحظات.

10

التعلم غير الخاضع للإشراف

Unsupervised learning

فرع من تعلم الآلة يتم فيها تغذية الخوارزمية بمجموعة من بيانات «التدريب» خالية من الملاحظات.

11

بيانات غير مهيكلة

Unstructured Data

بيانات لا يمكن تحديدها في مواقع ثابتة أي نص حر في مستندات وتقارير أعمال ومقالات ووسائل التواصل الاجتماعي بيانات معالجة النصوص وملفات PDF ورسائل البريد الإلكتروني ومنتديات الإنترنت والمدونات وصفحات الويب.

12

وكيل (مساعد افتراضي) تشاتبوت

Virtual Agent assistant chat bot.

برامج المساعدة الافتراضية التي تتعامل مع المستخدمين باللغة الطبيعية يستخدم دلالات الألفاظ (السيمانتيقا) والتعلم العميق ومعالجة اللغة الطبيعية، ونماذج التنبؤ وأتمتة المهام من ملاحظة سلوكيات البشر.

مصدر الجدول : (report on cosumer issues,2017)

3- مبررات اختيار الدراسة وأهميتها:

1- البيانات الضخمة والذكاء الاصطناعي مُكملان بعضهما البعض، فإن البيانات الضخمة تصبح عديمة القيمة دون برامج لتحليلها.

2- يُعد التنقيب عن البيانات، والتحليل الإحصائي، والتعليم الآلي، والشبكات العصبية وما إلى ذلك من تقنيات التحليل المختلفة أدوات؛ لاتخاذ قرار أفضل وأسرع بشأن مجموعة البيانات الضخمة.

3- زيادة قدرة تقنيات الذكاء الاصطناعي في التعامل مع مزيد من البيانات بشكل أسرع وزيادة الاهتمام بأنواع أخرى من البيانات، وسيصبح التعلم الآلي المرئي (الصوت والفيديو) أشكالًا أكثر أهمية بالنسبة للذكاء الاصطناعي في بيئة البيانات الضخمة.

4- تحظى البيانات الضخمة والذكاء الاصطناعي باهتمام كبير في الوقت الحاضر، وتنتشر تطبيقاتهما في كافة أنشطتنا اليومية، حيث يتم استخدام الذكاء الاصطناعي؛ لتسهيل جمع وتنظيم البيانات الضخمة.

5- دور الذكاء الاصطناعي والتعلم الآلي في تزويد مؤسسات المعلومات بتحليل ذكي لتلك البيانات، والحصول على تفسيرات منظمة لمجموعة واسعة من البيانات غير المهيكلة.

6- تُعد البيانات الضخمة مع الذكاء الاصطناعي موردًا اقتصاديًا حيويًا ذا أهمية مجتمعية وتسمح نظم الذكاء الاصطناعي للبيانات الضخمة بتحسين الأداء.

7- اهتمام الشركات والمؤسسات والمستشفيات في تنفيذ وتوسيع تحليلات البيانات وقدرات الذكاء الاصطناعي في المستقبل؛ لزيادة حجم البيانات بواسطة أجهزة الحاسب والهواتف الذكية وأجهزة إنترنت الأشياء.

4- مشكلة الدراسة:

تتكون البيانات الضخمة من مجموعة بيانات معقدة يمكن أن تتضمن بيانات مهيكلة وبيانات وسائل التواصل الاجتماعي، ويمكن للذكاء الاصطناعي التعلم والتكيف بطريقة لم تتمكن أجهزة الحاسب الآلي التقليدية القيام بذلك الأمر، وبدء جمع كمية هائلة من البيانات؛ ولكن عندما تم صياغة البيانات الضخمة يكون حجم البيانات كبيرًا جدًا، وكان من الصعب تفسيرها، الأمر الذي ترتب عليه تطوير خوارزميات الذكاء الاصطناعي وإنشائها؛ لاستخلاص رؤى، وتتمثل مشكلة الدراسة في فهم كيفية عمل الذكاء الاصطناعي والبيانات الضخمة معًا، وفي التعامل مع هذا الكم الهائل من البيانات، ويفتح هذا البحث أفقًا؛ لتطوير الحلول التي من شأنها معالجة التحديات المتعلقة بالذكاء الاصطناعي، وتحليلات البيانات الضخمة، كما توجد عدة دراسات حول تحليلات البيانات الضخمة؛ ولكن لا توجد دراسات حول تطبيق آليات الذكاء الاصطناعي في بيئة البيانات الضخمة الأمر الذي دفع لتناول هذه الدراسة.

وتكمن مشكلة الدراسة في الإجابة على التساؤلات التالية:

1- ما أنواع تقنيات الذكاء الاصطناعي المطبقة على تحليلات البيانات الضخمة؟

2- ما مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة؟

3- كيف يتم استخدام الذكاء الاصطناعي في إطار البيانات الضخمة؟

4- ما متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة؟

5- ما المجالات الرئيسية لتصنيف الذكاء الاصطناعي في بيئة البيانات الضخمة؟

6- ما آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة؟

7- ما المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي؟

8- ما التحديات الرئيسية والقضايا المفتوحة لتحليلات البيانات الضخمة مع الذكاء الاصطناعي؟

5- أهداف الدراسة:

1- التعرف على تقنيات الذكاء الاصطناعي التي تعتمد على البيانات الضخمة.

2- دراسة مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة.

3- التعرف على آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة.

4- التعرف على كيفية تطبيق نظم الذكاء الاصطناعي في إطار البيانات الضخمة.

5- دراسة متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة؟

6- تحليل واستكشاف الدراسات البحثية المتعلقة بالذكاء الاصطناعي في بيئة البيانات الضخمة.

7- حصر المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي.

8- مناقشة القضايا المفتوحة؛ لتقديم اتجاهات بحثية جديدة في مجالات تحليل البيانات الضخمة مع تقنيات الذكاء الاصطناعي.

6- منهج الدراسة وأدواتها:

* نظرًا لطبيعة الدراسة الحالية وتحقيقًا لأهدافها استخدمت المنهج الوصفي التحليلي الذي يسعى إلى تجميع البيانات من الميدان حول الظاهرة، وتفسيرها وتحليلها بغرض الكشف عن الأوضاع القائمة بالفعل لمحاولة النهوض بها.

* اعتمدت الدراسة بشكل رئيسي على قائمة مراجعة حول (آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة، وقد تم اشتقاق أبعاد وعبارات القائمة في ضوء الأبحاث والدراسات مع ما يتناسب مع أهداف الدراسة الحالية .

وقد تم استخدام الأساليب الإحصائية الوصفية التالية:

1. التوزيعات التكرارية.

2. النسب المئوية.

3. الرسوم البيانية.

وتضم قائمة المراجعة العناصر التالية: (أنواع تقنيات الذكاء الاصطناعي الشائعة في تحليلات البيانات الضخمة، وخوارزميات التعلم تحت الإشراف في البيانات الضخمة، ومزايا تقنيات الذكاء الاصطناعي مع البيانات الضخمة، وكيفية عمل الذكاء الاصطناعي في إطار البيانات الضخمة- المجالات الرئيسية لتطبيق الذكاء الاصطناعي،ومتطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة- التحديات والقضايا المفتوحة).

وقد حُكمت قائمة المراجعة من جانب أحد المتخصصين في المجال:

1- أ.د. هاشم فرحت سيد: أستاذ علم المعلومات- جامعة الملك سعود.

2- أ.د. أحمد فرج : أستاذ المكتبات والمعلومات، ورئيس قسم المكتبات والمعلومات ،جامعة أسيوط.

6/1 أدوات جمع البيانات:

بعد تحديد تساؤلات الدراسة يتم تطبيق بعض المعايير؛ لاختيار الدراسات النهائية كما في الشكل (4) عملية اختيار الدراسات ذات الصلة.

Diagram

Description automatically generated

الشكل (4) عملية اختيار الدراسات ذات الصلة.

* تم استخدام بعض قواعد البيانات  Science Direct, I EEE explore, springer link وتم البحث بالكلمات الرئيسية التالية في الفترة من 2016-2021.

* Artificial intelligent”    and “Big data Analytics””

* “Machine learning” and “Big data Analytics”

* “Neural Network” and “Big data Analytics”

وترتب على نتائج البحث (291) ورقة علمية من خلال إستراتيجية البحث بالكلمات الرئيسية وتم اتباع الخطوات التالية:

1. تم استبعاد التسجيلات المتكررة، ومراعاة بعض المعايير؛ لاختيار الدراسات عالية الجودة.

2. تم دراسة العناوين والمستخلصات والكلمات الرئيسية نتج عنها إجمالي (468) مقالة.

3. تم إجراء مراجعة شاملة للدراسات المختارة؛ لتأكيد هذه الدراسات، وتم تحديد (32) مقالة في الخطوة الأخيرة.

كما يوضح الشكل (5) توزيع المقالات في قواعد البيانات وتاريخ النشر.

الشكل (5) توزيع المقالات في قواعد البيانات وتاريخ النشر

* تركز الدراسة على اكتشاف التطورات الأخيرة في مجال البيانات الضخمة المتعلقة بالذكاء الاصطناعي في المنشورات الأكاديمية العلمية، وبالبحث في قواعد بيانات Web of science (wos)، قاعدة Thomson Reuters والمجلات مفتوحة المصدر بالبحث حول موضوع: “البيانات الضخمة” “والذكاء الاصطناعي” في الفترة الزمنية من 2016-2021 تم العثور على (107) من المنشورات.ويوضح الجدول رقم (2) التوزيع النوعي للمواد ذات الصلة بالبيانات الضخمة والذكاء الاصطناعي.

الجدول رقم (2) التوزيع النوعي للمواد ذات الصلة بالبيانات الضخمة والذكاء الاصطناعي

م

نوع الوثيقة

عدد التسجيلات

النسبة

1

مقالات

62

57.94%

2

مراجعات علمية

20

18.69%

3

المواد التحريرية

19

17.67%

4

ورقة عمل

4

3.74%

5

فصل من كتاب

1

0.93%

6

مراجعة لكتاب

1

0.93%

7

أنواع أخرى

7

6.54%

مصدر الجدول : (Kulakli,A,2020)

يتضح من الجدول السابق أن أكثر الأنواع استخدامًا من المواد هي: «المقالات العلمية» حول موضوع الذكاء الاصطناعي والبيانات الضخمة بإجمالي عدد (62) بنسبة 57.4% كما يوضح الجدول رقم (3) أعلى 10 مقالات تم الاستشهاد بها في الفترة من 2010-2021

الجدول رقم (3) أعلى 10 مقالات تم الاستشهاد بها في الفترة من 2010-2021

عدد مرات الاستشهاد بالمقالة

مصدر العنوان

المؤلفون

العنوان

(150)

IEEE on industrial Electronics

Lei, Y, Jia, f (2016)

1- An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data.

(104)

Agricultural Systems

Wolfert, s(2017)

Big Date in Smart Farming-review.

(166)

IEEE intelligent systems

O’leary, D.E (2013)

3- Artificial Intelligence and Big data.

(65)

Knowledge and  information systems.

Gani, A& Siddiqa, A (2016)

4- A survey on indexing techniques of big data: Taxonomy and performance evaluation.

(40)

Current Cardiology Reports

Dilsizian, S.E (2014)

5- Artificial Intelligence in Medicine and cardiac Imaging.

(16)

Frontiers in oncology

Coates, J.S (2016)

6- Big data analytics for Prostate Radiotherapy.

(15)

IEEE

Communication Magazine

Chen, M& Yang, J (2018)

7- 5G smart diabetes: towards personalized diabetes with healthcare Big data a clouds.

(15)

Ebio medicine

Kiral-Kornek, I, (2018)

8- Using Big data and deep learning: toward a mobile system.

(14)

Omics- A journal of integrative Biology

Ozdemir, V & Hekim, N (2018)

9- Birth industry 5.0: Making a sense of big data with artificial intelligence.

(14)

Plastic and Reconstructive surgery.

Kanevsky, J (2016)

10- Big data and Machine Learning in Plastic surgery A new frontier in surgical innovation.

مصدر الجدول : (Kulakli,A,2020)

7- آليات تطبيق الذكاء الاصطناعي  في بيئة البيانات الضخمة: مراجعة علمية:

أولاً: الدراسات العربية

وتم تقسيمها إلى فئتين هما:

* دراسات حول تحليلات البيانات الضخمة:

1) الكشكي، ناصر أبو زيد (2021)، تحليلات البيانات الضخمة في المؤسسات الأكاديمية، دراسة استشرافية بالتطبيق على مؤسسات التعليم العالي المصرية.

تناولت الدراسة واقع الجامعات المصرية ومدى استعدادها؛لتبني التحليلات الأكاديمية في إدارة الجامعات وتقترح نموذجًا قابلًا للتطبيق عن طريق إنشاء “وحدة التحليلات الأكاديمية” واستخدمت قائمة المراجعة والمقابلة العلمية كأدوات لجمع البيانات، وقد خلصت الدراسة إلى مجموعة من النتائج أهمها:

جميع الجامعات عينة الدراسة غنية بالبيانات الضخمة التي يمكن استثمارها بصورة رائعة عند تحليلها وتوصي الدراسة بتبني وزارة التعليم العالي منهج «الإدارة القائمة على البيانات» وتصميم التحليلات الأكاديمية في كل المؤسسات التابعة لها.

2) أحمد، نجوى شكري (2021). إدارة البيانات الضخمة في دار الكتب القومية: دراسة استكشافية .

هدفت الدراسة إلى بيان درجة الوعي بمفهوم البيانات الضخمة وخصائصها في مكتبة دار الكتب القومية والكشف عن استعدادات البنية التحتية والإدارية والتنظيمية؛ لإدارتها وكان من أهم نتائج الدراسة: توافر العديد من الاستعدادات الخاصة بالبنية التحتية والإدارية داخل مكتبة دار الكتب القومية وتوصي الدارسة بإيجاد الإستراتيجيات اللازمة التي من شأنها أن تدعم وتعزز استخدام البيانات الضخمة والاستفادة منها داخل مكتبة دار الكتب القومية.

3- محمد، أسماء حسين (2021). واقع استفادة المكتبات الجامعية من تحليلات البيانات الضخمة Big data في تطوير خدمات المعلومات واتخاذ القرار: دراسة حالة لمكتبة كلية الهندسة.

هدفت الدراسة إلى تحديد واقع الاستفادة من تحليلات البيانات في مكتبة كلية الهندسة في تطوير خدمات المعلومات المقدمة للمستفيدين، ودعم اتخاذ القرار. ومن أهم النتائج التي توصلت إليها الدراسة: تعدد مجالات الاستفادة من تحليلات البيانات الضخمة، حيث ساعدت تحليلات البيانات الضخمة على التنبؤ باحتياجات المستفيدين المتجددة من المكتبة، وتوصي الدراسة بالتأكد من وجود مصداقية البيانات الضخمة قبل تحليلها وتنظيمها.

4) الذبياني، علي أحمد (2020). دور مؤشرات الأداء الرئيسية في تحليلات البيانات الضخمة.

هدفت الدراسة إلى معرفة الدور الذي يمكن أن يحقق مؤشرات الأداء الرئيسية في تحليلات البيانات الضخمة واتبعت الدراسة المنهج الوصفي؛ لإجراء هذه الدراسة وتوصلت الدراسة إلى عدد من الاستنتاجات أهمها: يمكن لتكنولوجيا البيانات الضخمة وأدواتها المساعدة في الاستفادة من جمع وتخزين وتوزيع إدارة كمية هائلة من البيانات التي تنظمها المنظمة وفقا لمؤشرات بطاقة الأداء المتوازن.

5) قناوي، ياره ماهر (2020). دور تحليلات البيانات الضخمة في إنترنت الأشياء: دراسة تحليلية مقارنة.

هدفت الدراسة إلى التعرف على علاقة تحليلات البيانات الضخمة بإنترنت الأشياء، وفوائد تحليلات البيانات الضخمة مع  إنترنت الأشياء، وعرض لأشهر منصات البيانات الضخمة وإنترنت الأشياء مثل منصات MAPR, Hadoop, Kaa ودراسة المتطلبات الرئيسية لمعالجة تحليلات البيانات الضخمة في إنترنت الأشياء واعتمدت الدراسة على المنهج المقارن وتوصلت إلى عدة نتائج أهمها، تعدد الأمان والخصوصية من المشكلات الرئيسية التي تواجه إنترنت الأشياء مع البيانات الضخمة بنسبة 97.2%، وتوصي الدراسة بضرورة إجراء المزيد من الدراسات حول خصوصية المواقع في عصر إنترنت الأشياء والبيانات الضخمة.

6- عبد القوي، أماني (2021).متطلبات إدارة البيانات الضخمة في مراكز المعلومات بالمملكة العربية السعودية: دراسة حالة.

هدفت الدراسة إلى التعرف على متطلبات إدارة البيانات الضخمة في المركز الوطني للمعلومات الصحية واستخدمت المنهج الوصفي (دراسة الحالة) وتوصلت الدراسة إلى عدة نتائج أهمها: عدم وجود خطة إستراتيجية خاصة بالبيانات الضخمة في المركز واستحداث إدارة خاصة تهتم بشؤون البيانات الضخمة في المركز، والاستفادة من أدوات إدارة البيانات الضخمة مفتوحة المصدر مثل: هادوب Hadoop مع مراعاة إمكانات المركز ونوع البيانات التي يضمها.

ثانيًا: دراسات حول الذكاء الاصطناعي:

1) فرج، أحمد (2021). تقنيات الذكاء الاصطناعي وتأثيراتها على فاعلية محتوي وخدمات مؤسسات المعلومات.

يتناول العرض ملامح تطور تقنيات الثورات الصناعية الأربع وصولًا لتطبيقات الذكاء الاصطناعي، ويستهدف العرض المرئي محاولة إلقاء الضوء على الرؤى والآفاق المستقبلية للتوجهات الجارية لتطبيقات الذكاء الاصطناعي، وبيان تأثيراتها على فعالية إدارة المحتوي الرقمي، وخدمات مؤسسات المعلومات، كما يستهدف العرض بيان سبل توظيف تقنيات الذكاء الاصطناعي في إدارة المحتوى الرقمي.

2) متولى عبد الله حسين (2021). تقنية التعرف على الوجوه كأحد تطبيقات الذكاء الاصطناعي في المكتبات ومؤسسات المعلومات إعادة قراءة لعلم الفراسة.

يتناول هذا العرض المرئي تقنية التعرف على الوجوه Face Recognition Technology التي تعتمد على الذكاء الاصطناعي، ويتم في هذا العرض تناول التعريف بتقنية التعرف على الوجوه، وطريقة عملها مع التركيز على المكتبات ومؤسسات المعلومات، واستخدمتْ الدراسة منهج البحث الاستكشافي للحصول على البيانات والمعلومات ومن نتائج الدراسة: استخدام هذه التقنية يساعد مؤسسات المعلومات في الارتقاء بجودة الخدمات المقدمة بها وتحقيق درجة أعلى من تأمين مجموعة المكتبة والمعلومات الخاصة بالمستفيدين.

3) سميع، ليلى سيد (2021). تحليل المشاعر (الآراء) المعتمد على الذكاء الاصطناعي؛ لتقييم فعالية خدمات المعلومات.

تناقش الدراسة أسلوب تحليل المشاعر أو ما يعرف بالتنقيب عن الآراء كأحد تطبيقات الذكاء الاصطناعي التي تتعلق بمعالجة اللغة الطبيعية، وسبل تطبيقه كمؤشر لتقييم خدمات المعلومات من خلال قياس رضاء المستفيدين من خدمات المعلومات اعتمادًاعلى التحليل الآلي لتعليقات المستفيدين المنشورة عبر وسائل التواصل الاجتماعي، وقد أظهرت نتيجة التحليل المبدئي للعينة الاستكشافية قدرة ذلك الأسلوب في تقديم تحليل تفصيلي موضوعي لتعليقات المستفيدين، كما أظهرت الدراسة مجموعة من التحديات المتعلقة بطبيعة اللغة العربية ولهجاتها عند معالجة اللغة الطبيعية.

4) ناجي، إهداء صلاح (2021). تطبيقات نظم الذكاء الاصطناعي في تحليل المحتوى وعمليات التكشيف: دراسة تطبيقية لنظم معالجة اللغة الطبيعية.

هدفت الدراسة إلى التعرف على تطبيقات نظم الذكاء الاصطناعي في مجال تحليل المحتوي وعمليات التكشيف، ورصد منصات ومكتبات الذكاء الاصطناعي التي يمكن الاستفادة منها في مجال تحليل المحتوى مع العمل على تطبيق أحد نظم معالجة اللغة الطبيعية واستخدامها في تحليل مصادر المعلومات؛ لتحقيق الإفادة منها واعتمدت الدراسة على المنهج الوصفي التحليلي.

5) غلوم، حسين فولاز (2021). دور الذكاء الاصطناعي في دعم وتطوير خدمات المكتبات الأكاديمية في دولة الكويت: إدارة المكتبات بجامعة الكويت أنموذجًا.

هدفت الدراسة إلى معرفة الدور الذي تقوم به تقنيات الذكاء الاصطناعي في دعم وتطوير مستقبل خدمات المكتبات الأكاديمية، واعتمدت الدراسة على المنهج الوصفي والمقابلة الشخصية مع أصحاب القرار والمسئولين في إدارة المكتبات بجامعة الكويت؛ لمعرفة مدى استخدام تطبيقات الذكاء الاصطناعي في دعم الخدمات الإلكترونية في مكتباتها.

وأوضحت نتائج الدراسة أن هناك قصورا وضعفا في استخدامات الذكاء الاصطناعي في مكتبات جامعة الكويت بشكل ملحوظ، كما أشارت نتائج الدراسة أن هناك قصورًا وضعفًا في استخدامات الذكاء الاصطناعي كان من أبرزها: قلة وعي العاملين، وقلة الميزانية والتي لا تتناسب مع التكلفة الباهظة لتطبيقات الذكاء الاصطناعي، وتوصى الدراسة بوضع خطط وإستراتيجيات واضحة من قبل المسئولين، وأصحاب القرار عن كيفية تطبيق واستخدام أفضل لتطبيقات الذكاء الاصطناعي في المكتبات الأكاديمية في دولة الكويت.

6) العريشي، جبريل بن حسن (2021).استخدام البيانات الضخمة والذكاء الاصطناعيفي  مواجهة جائحة كورونا . هدفت الدراسة إلي تسليط الضوء علي العديد من التحديات والقضايا المرتبطة باستخدام تقنيات البيانات الضخمة والذكاء الاصطناعي في تطوير الحلول التي أسهمت في مكافحة “كوفيد ٩١” وتوصلت الدراسة إلي عدة نتائج من أهمها : ظهور دور البيانات الضخمة والذكاء الاصطناعي فيبناء نماذج تنبؤية تفيد في الإنذار المبكر باحتمال انتشار الفيروس، وهو ما يفيد الحكومات والهيئات الصحية في مراقبة تفشي الفيروس مستقبلًا وتوصي الدراسة بضرورة وضع آليات للتخفيف من قواعد خصوصية البيانات التي قد تحول دون التطور السريع لخوارزميات الذكاء الاصطناعي في وقت انتشار الأوبئة.

ثانيًا: الدراسات الأجنبية

وتم تقسيمها إلى عدة فئات:

1. دراسات حول إدارة البيانات الضخمة.

2. دراسات حول تقنيات تحليل البيانات الضخمة.

3.دراسات حول منصات البيانات الضخمة.

4. دراسات حول تطبيقات تحليلات البيانات الضخمة.

5. دراسات تجمع بين الذكاء الاصطناعي والبيانات الضخمة.

6. دراسات حول التعلم الآلي والتعلم العميق.

7. دراسات حول إنشاء البيانات المهيكلة.

8. دراسات حول نظم الرعاية الصحية الذكية باستخدام التعلم الآلي.

1- دراسات حول إدارة البيانات الضخمة:

* قدم (Siddiqa et al, 2016)لمحة أساسية حول تقنيات إدارة البيانات الضخمة، وتقديم تصنيف مفصل بناءً على التخزين، والمعالجة والأمان، وتمت مناقشة مقالات مختلفة في كل فئة بالإضافة إلى مزايا الطرق المقترحة في هذه الدارسة.

* قام المؤلفون (Tsai et al, 2015) بمراجعة العديد من الدراسات المتعمقة بتحليل البيانات الضخمة التقليدية والحديثة، ويعتبر إجراء اكتشاف المعرفة والتنقيب عن البيانات الذي يتضمن التحليل والمخرجات أساسًا لهذه الدراسات، حيث تم مناقشة العديد من تقنيات استخراج البيانات والبيانات الضخمة مثل: التجميع والتصنيف، وتم اقتراح بعض القضايا المفتوحة، والاتجاهات البحثية المستقبلية؛ لتوفير طرق فعالة، وتوصلت نتائج الدراسة إلى جميع الدراسات السابقة التي قامت بالتركيز على فئة التعلم الآلي لتقنيات الذكاء الاصطناعي، ولم تهتم بدراسة فئات الذكاء الاصطناعي الأخرى مثل الذكاء الحسابي.

2- دراسات حول تقنيات تحليل البيانات الضخمة:

* قام (Chani  et al, 2019) بمراجعة مناهج تحليلات الوسائط الاجتماعية في أربع فئات:

الشبكات العصبية، والحوسبة الضبابية، وسرب الاستخبارات، والتعلم العميق وقام المؤلفون بتقسيم التقنيات التي تمت مراجعتها بناء ًعلى مقاييس الجودة الخاصة بهم، ومع ذلك لا يوجد إجراء منهجي لاختبار المقالات المتعلقة بهذا المجال.

* وركز كلٌ من (Mittal, S, 2019) على دراسة تقنيات التعلم الآلي؛ لتحليل البيانات الضخمة، ويتم مراعاة ثلاث فئات رئيسية، والتي تشمل التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف والتعلم المعزز ومع ذلك لا توجد طريقة واضحة لاختيار المادة ولم يتم تقييم الدراسات بناءً على معايير الجودة.

* قدم كلٌ من (Athmaja, H, 2017) مراجعة منهجية قائمة على الأدبيات لنهج تحليلات البيانات الضخمة وفقا لآليات التعلم الآلي.

* قدم (sivarajah et al, 2017)عمل آخر يتعلق بتقنيات تحليل البيانات الضخمة وصنف المؤلفون هذه التقنيات إلى ثلاث مجموعات رئيسية بما في ذلك التحليلات الوصفية والتنبؤية والتعليمية، ومع ذلك هناك بعض الثغرات في تحليل البيانات وعملية اختيار الدراسة.

* قدم (Qiu et al, 2016)عرضًا موجزًا لتقنيات التعلم الآلي؛ حيث قام بالتركيز على بعض أساليب التعلم الحديثة مثل: التعلم العميق، والتعلم الموازي، والتعلم النشط، التعلم عن طريق الخوارزميات كجزء من التعلم الآلي، وركزت الدراسة فقط على تقنيات التعلم الآلي، ولم يتم إجراء مقارنة فيما يتعلق بالطرق المقترحة.

3- دراسات حول منصات البيانات الضخمة:

* قام (oussous et al, 2018) بدراسة تأثير تحديات البيانات الضخمة وأدوات عديدة لتحليلها وتم مناقشة الأدوات المستخدمة في معالجة البيانات الضخمة فضلًا عن ذلك تنقسم تحديات تحليلات البيانات الضخمة إلى ست فئات: إدارة البيانات الضخمة، وتنقية البيانات الضخمة، وجمع البيانات الضخمة، والبيانات الضخمة غير المتوازنة، وتحليلات البيانات الضخمة، والتعلم الآلي للبيانات الضخمة.

* ناقش (NiColalde et al, 2018) الجهود البحثية نحو تقنيات معالجة البيانات الضخمة حيث ناقش المؤلفون بعض التحديات ذات الصلة مثل: تخزين البيانات، وتحليلها، واكتشاف المعرفة، وقابلية التوسع وتصور البيانات وأمن المعلومات.

4- دراسات حول تطبيقات تحليلات البيانات الضخمة:

* درس (Vaishya et al, 2020)التطبيقات الرئيسية للذكاء الاصطناعي للوقاية من جائحة فيروس كورونا (كوفيد-19) وتضم سبع تطبيقات للذكاء الاصطناعي لجائحة كوفيد 19:

1. الكشف علن المرض.         2. مراقبة علاج المريض.                3. تتبع جهات الاتصال.

4. توقع الحالات والوفيات.    5. إنتاج الأدوية.                             6. تقليل أعباء العمل.

7. الوقاية من الأمراض.

* ناقش (Phamcav et al,2020) تطبيق تقنيات الذكاء الاصطناعي والبيانات الضخمة لإدارة وتحليل الحجم الهائل من البيانات الناشئة عن كوفيد 19 ويتم التعرف على خمس فئات لمراجعة تقنيات البيانات الضخمة المختارة والتي تشمل التوقع بتفشي كوفيد 19، وتتبع انتشار الفيروس، والتشخيص والعلاج، واكتشاف الأدوية.

5- دراسات تجمع بين الذكاء الاصطناعي والبيانات الضخمة :

* دراسة (Chen, M, 2018) عن تحليلات البيانات الضخمة المتعلقة بالمجال الطبي وإنترنت الأشياء فضلًا عن التقنيات التي من الممكن تبنيها وتطبيقها.

* وتركز دراسة أخرى (Jing, y, 2018) في مجال العلوم الطبية على التعلم العميق باستخدام البيانات الضخمة في نظام الهاتف المحمول كشفت نتائج الدراسة: يتم دمجه مع الأجهزة العصبية والتي تزود نظام تخدير في الوقت الحقيقي، ومخصص للمريض مع أداء موثوق به مدى الحياة.

* وأجريت أبحاث مماثلة (li,y, 2018)على مرض السكري بالإضافة إلى شبكات 5G.

* دراسة (Griffen et al, 2018)عن البيانات الضخمة والذكاء الاصطناعي في مجال الكيمياء الطبية وركزت الدراسة على تأمين تبادل المعرفة كمهمة حاسمة للملكية الفكرية للكيميائي الطبي باستخدام التقنيات المناسبة للبيانات الضخمة والذكاء الاصطناعي والبرامج ذات الصلة.

درس كلٌ من (Ozemir, V.H, 2018) مفاهيم الثورة الصناعية الخامسة 5.0 من خلال مراجعة البيانات الضخمة، والذكاء الاصطناعي، وإنترنت الأشياء، ونظام التشغيل الآلي (الروبوت) وشبكة الواي فاي واسعة النطاق، وأوصت الدراسة بأن الثورة الصناعية الخامسة 5.0 يمكنها إضفاء الطابع الديمقراطي على إنتاج مشاركة المعرفة للبيانات الضخمة.

* دراسة (syeda, M,2018)عن دور البيانات الضخمة والتعلم الآلي في اتخاذ قرار التشخيص في علم الأشعة، حيث كان الهدف هو دعم متخصص التصوير بتحسين دقة وكفاءة التشخيص والعلاج باستخدام المعدات والطرق الحديثة وتم استخدام وتحليل البيانات الضخمة المدروسة في نظرية SP وهي تبسيط ودمج المفاهيم عبر الذكاء الاصطناعي وفقًا لإدارة وعمليات المعرفة.

* دراسة (Zhuang, F, 2017) في علوم وهندسة المواد وهي: اكتشاف المواد الجديدة(NOMAD)) ركز البحث على مبادرات وفتح آفاقَ جديدة لعلوم التعدين باستخدام البيانات الضخمة.

* دراسة (Kiral- Korrek, I, 2017)في مجال أبحاث الأورام الطبية وبالتحديد العلاج الإشعاعي للبروستاتا أظهرت نتائج الدراسة: البيانات الضخمة أفضل مع دمج أنواع البيانات غير المهيكلة للمعايير السريرية.

* اقترح (Lei et al, 2016)طريقة تعلم من مرحلتين للتشخيص الذكي للآلات مما يقلل من الحاجة للعمالة البشرية ويجعل تشخيص الأخطاء الذكي يتعامل مع البيانات الضخمة بسهولة أكبر.

* درس (Gani et al, 2016) تقنيات الفهرسة الحالية للبيانات الضخمة، حيث اقترح تصنيفًا لتقنيات الفهرسة تضم الفئات التالية: الذكاء غير الاصطناعي، الذكاء الاصطناعي وطرق فهرسة الذكاء الاصطناعي التعاونية.

* قدم Ahmed, f,2021) ( بحثا بعنوان: «الذكاء الاصطناعي في الطب وتصوير القلب، يركز على تسخير البيانات الضخمة وممارسات الحاسب المتقدمة؛ لتشخيص واستخدام العلاج.

* دراسة (Kanasky et al, 2016) عن البيانات الضخمة والتعلم الآلي فيما يتعلق بمجال الجراحة التجميلية من حيث الابتكارات في العلوم الطبية وكشفت نتائج الدراسة أن جراح التجميل الحديث للتعلم الآلي يُحدد كحقل فرعي من الذكاء الاصطناعي، ويدعم معالجة المشاكل المختلفة في الجراحات التجميلية.

* في بحث آخر يتناول البيانات الضخمة حتى المعرفة في الذكاء الاصطناعي 2.0 يتناول الفرص والتحديات مع التطورات التكنولوجية الناشئة للذكاء الاصطناعي في إعدادات البيانات الضخمة وأظهرت نتائج الدراسة أن التعلم الآلي القائم على البيانات (جزء من الذكاء الاصطناعيAbbass, H.F, 2016))

* بحث (O, Leary, 2013) عن الأنظمة الذكية وقام بدراسة بعض الاهتمامات الأساسية واستخدامات الذكاء الاصطناعي في البيانات الضخمة.

6- دراسات حول التعلم الآلي والتعلم العميق :

* طور المؤلفون (Tian, et al, 2020) اكتشاف في السلوك غير الطبيعي؛ لتجنب تسرب البيانات الضخمة في الشبكات الحضرية، واقترح طرقًا مختلفة للتعليم العميق؛ لتحليل الانحرافات بين الإجراءات الواقعية وطبيعة الأنشطة اليومية، ووفقًا لنتائج التجربة يمكن للطريقة المقترحة معرفة النمط الطبيعي للسلوك وتحديد الأنشطة غير الطبيعية بدقة عالية.

* قدم كلٌ من (Hammou, l, 2020) تقنية فعالة جديدة؛ لتحليل المشاعر وقد حاول المؤلفون اعتماد مكتبة fast text مع متغيرات الشبكة العصبية المتكررة (RNN)؛ لتمثيل البيانات النصية وتصنيفها، وتم اقتراح نظام موزع يعتمد على التعليم الآلي لتحليلات البيانات الضخمة.

* تتزايد حركة تصفح الإنترنت بسرعة في عصر البيانات الضخمة للوسائط المتعددة، لذلك تعد معالجة البيانات والتحميل الزائد من التحديات الرئيسية في هذا السياق اقترح(Wang et al, 2021)نموذج تيار هجين؛ لحل هذه التحديات؛ لتحليل الفيديو الذي يحتوي على وحدات معالجة البيانات وتصنيفها وتقليل حمل البيانات تم تطوير نسخة معدلة من طريقة الشبكة العصبية الالتفافية (CNN).

وأكدت نتائج الدراسة أن النموذج المقترح يقلل من تحميل البيانات، ويتحكم في حجم إدخال الفيديو، ويقلل من الحمل الزائد على الشبكة، وتم ملاحظة أن النموذج يتمتع بأداء جيد للنمو المستمر لبيانات الوسائط المتعددة الكبيرة مقارنة بالنماذج التقليدية الأخرى.

* قدم (Kannan et al, 2019) نهجًا تنبؤيًا فيما يتعلق ببيانات قيمة العملات باستخدام آلة ناقلات الدعم، ويتم إجراء التحليل الدلالي في المرحلة الثانية ويتم رد فعل المجتمع على حل المشكلات باستخدام التحليل التنبؤي.

* اقترح (Feng et al, 2019)العديد من طرق البحث عن البيانات، وطرق التعلم العميق والتنبؤ بالبيانات الجنائية،واكتشف المؤلفون حقائق وأنماطا مختلفة مثيرة للاهتمام من البيانات الجنائية لمجموعات بيانات شيكاغو وسان فرانسيسكو وفيلادلفيا.

* اقترح (Cracillo et al, 2018) منصة جديدة لاكتشاف الاحتيال (Scarff) تستخدم المنصة المقترحة أدوات البيانات الضخمة من نوع Kafka, Spark, and Cassadra بالإضافة إلى تقنية التعلم الآلي لمعالجة البيانات وتشير نتائج الدراسة أن الكفاءة، والدقة، وقابلية التوسع في إطار العمل المقدم مرضية.

7- دراسات حول البيانات المهيكلة :

* اتخذت هيكلة البيانات مناهج متعددة؛حيث وضع كلٌ من (Philip, H, 2016)نظامًا لاستخدامه في خدمة رويترز الإخبارية للمساعدة في تصنيف المقالات الإخبارية يصنف الناتج والمقالات الإخبارية غير المهيكلة إلى حوالي (700) فئة بالتعرف على أكثر من (1700) اسم شركة بدقة تصل إلى 85% ، وبدأ الباحثون في إنشاء تحليل وجهات النظر غير المهيكلة المتوفرة في المدونات ورسائل تويتر والنصوص الأخرى.

* وفي تطبيق آخر بدأت الشركات في دراسة تأثير قضايا البيانات غير المهيكلة لسمعة الشركة استعرض (O, Leary, D.E, 2012) وزملاؤه كيف تقوم بعض الشركات بتحليل مجموعة من الأنواع المختلفة من البيانات؛ لتوفير مراقبة مستمرة لمجموعة من الأنشطة بما في ذلك إنشاء مقاييس مهيكلة تقسيمات لسمعة الشركات والمنتجات والتحقق من قضايا البيانات المالية في الكشف عن الاحتيال.

*قام باحثو الذكاء الاصطناعي بمراعاة إنشاء التطبيقات التي تحلل البيانات غير المهيكلة بحيث يمكن استخدام المعلومات الناتجة مباشرة لفهم عملية ما، أو للتفاعل مع التطبيقات الآخرىوعلى سبيل المثال: وجد كل من (Bollen, J, 2011) أن توقعات سوق الأسهم الخاصة بمتوسط مؤشر Dow Jones قد تحسنت من خلال مراعاة وجهات النظر لسوق الأوراق المالية هذا مفهوم غير منظم، ولكنه يعتمد على البيانات المنظمة التي تم إنشاؤها من جوجل.

* قام (Bohen, J, 2011) وزملاؤه بفحص رسائل تويتر ووجدوا أن علامات التصنيف والرموز التعبيرية كانت مفيدة في تأكيد وجهات النظر بمجرد هيكلة البيانات تبدأ الشركات البحث عن البيانات لتطوير رؤى حول أنواع البيانات الضخمة.

8- دراسات حول نظم الرعاية الصحية الذكية باستخدام التعلم الآلي:

* اقترح كلٌ من (Ahmed, F & Keshtor, 2021)الشبكة العصبية الالتفافية (CNN) العميقة على صور الأشعة السينية؛ لتحديد فيروس كورونا (كوفيد19) حققت الطريقة المقترحة دقة تصنيف البيانات بنسبة 90.64%.

* اقترح (Ahmed, I, 2021)إطارًا جديدًا؛ لتحليل فيروس كورونا (كوفيد19) والتنبؤ به باستخدام تحليلات البيانات الضخمة وإنترنت الأشياء، حيث تم تطوير الإطار المقترح على أساس الشبكات العصبية ووفقًا لنتائج التجربة يتمتع الإطار المقترح بأداء جيد بدقة تصل إلى 99% مقارنة بأساليب التعلم الآلي التقليدية.

* اقترح (Ragab , A, 2020)نظامًا جديدًا للتشخيص بمساعدة الحاسب (CAD) معتمدا على تقنيات الذكاء الاصطناعي،وكشفت نتائج الدراسة أن دمج كافة العناصرفي التشخيص بمساعدة الحاسب يتم التميز بدقة بين صور توضيح فيروس كورونا وغير الواضحة لفيروس كوفيد 19.

* واقترح (Al-Kabbany, 2020) نموذجًا يعتمد على الشبكات العصبية العميقة لتحليل عمليات المسح الطبي لفيروس كورونا كوفيد-19.

* طور (alzubi,A, 2020) تقنيات جديدة للبيانات الضخمة وطرق التعلم الآلي؛ لتحديد مرض السكري ويتم استخدام منصة MAP Reduce لدمج جزء صغير من البيانات بكفاءة أظهرت نتائج الدراسة أن الشبكة العصبية توفر دقة عالية ومعدل خطأ أقل.

* قدم (Nair, S, 2018) نظامًا جديدًا للتنبؤ بالحالة الصحية من خلال تطبيق نماذج التعلم الآلي على تحليلات البيانات الضخمة، حيث تم إنشاء النظام باستخدام Apache Spark، ونشره في البيئة السحابية يرسل المستخدم المواصفات الصحية الخاصة به ويتنبأ النظام بالحالة الصحية للمستخدم في الوقت الفعلي.

* اقترح (Kaur, p.s, 2018) نموذجًا جديدًا مبتكرًا لأنظمة معلومات الرعاية الصحية الذكية باستخدام خوارزميات التعلم الآلي، يشمل النموذج على أربع طبقات: تتعامل طبقة مصدر البيانات مع مصادر البيانات غير المتجانسة، وطبقة تخزين البيانات لعملية تحسين تخزين البيانات وإدارتها واستخدام تقنيات الأمان والخصوصية مثل: إخفاء البيانات، والتحكم الدقيق في الوصول للبيانات وأخيرًا تعد طرق التعلم الآلي المستخدمة في التشخيص المبكر للمرض أفضل طبقة؛ لتحسين دقة النموذج المقترح باستخدام الحوسبة الضبابية.

اتجاهات الدراسة السابقة وأهميتها للموضوع:

1- لم تقدم العديد من المقالات دراسات كاملة حول تقنيات الذكاء الاصطناعي في سياق البيانات الضخمة وهذا يتفق مع نتائج الدراسة (Mittal, s 2019).

2- لم تفحص بعض الدراسات إجراءات اختيار الدراسة كما توجد بعض الثغرات في تحليل البيانات وهذا يتفق مع نتائج دراسة (Sivarajah et al, 2017).

3- ركزت غالبية الدراسات على تقنيات التعلم الآلي ولم يتم إجراء مقارنة فيما يتعلق بالطرق الأخرى المقترحة مثل: (التعلم الموازي- التعلم النشط) وهذا يتفق مع نتائج دراسة (Qiu et al,2016).

4- جميع الدراسات السابقة قامت بالتركيز على فئة التعلم الآلي لتقنيات الذكاء الاصطناعي، ولم تتم دراسة فئات الذكاء الاصطناعي الأخرى مثل (الذكاء الحسابي)، وهذا يتفق مع نتائج دراسة (Tsai etal, 2016).

5- قام المؤلفون بتقييم التقنيات التي تمت مراجعتها بناءً على مقاييس الجودة الخاصة بهم، ومع ذلك لا يوجد إجراء منهجي؛ لاختيار المقالات المتعلقة بهذا المجال، وهذا يتفق مع نتائج دراسة (Chani etal, 2019).

6- أغلب الدراسات توصلت إلى التعلم الآلي القائم على البيانات جزء من الذكاء الاصطناعي ويحول الذكاء الاصطناعي 2.0 المقترح البيانات الضخمة إلى معرفة مهيكلة، وهذا يتفق مع نتائج دراسة (Ozdemir, v, 2018- Abass, H, 2016).

7- على الرغم من أن فترة الدراسة تتراوح من 2016-2021، إلا أن غالبية الدراسات نشرت في عام 2018، وهذا يتفق مع نتائج دراسة (Kulakli, A, 2020)

وقد دفعت الأسباب السابقة إلى إعداد هذه الدراسة حول آليات تطبيق الذكاء الاصطناعي في بيئة البيانات الضخمة للتغلب على تلك المشكلات.

أولاً: الجانب النظري:

1) آليات تحليل البيانات الضخمة القائمة على الذكاء الاصطناعي:

يتم إجراء تصنيف ومراجعة حول دراسات تحليلات البيانات الضخمة بناءً على الحقول الفرعية للذكاء الاصطناعي، ويحتوي التصنيف المقدم على أربع فئات رئيسية:

التعلم الآلي- الأساليب القائمة على المعرفة والاستدلال، خوارزميات اتخاذ القرار، طرق البحث .

كما يوضح بالشكل رقم (6) خطة تصنيف الذكاء الاصطناعي في بيئة البيانات الضخمة.

الشكل رقم (6) خطة تصنيف الذكاء الاصطناعي في بيئة البيانات الضخمة

مصدر الشكل : (Kotsiantis, Z,2007)

أ- آليات التعليم الآلي:

يمكن تقسيم خوارزميات التعلم الآلي إلى فئتين رئيستين هما: التعلم تحت الإشراف، والتعلم بدون إشراف.

– التعلم تحت الإشراف: Supervised Learning

يُعد الهدف من خوارزمية التعلم تحت الإشراف هو توقع العنونة الصحيحة لبيانات الإدخال المقترحة حديثًا من خلال هذه الطريقة، يتم تقديم مجموعة من المدخلات والمخرجات وإيجاد العلاقة فيما بينها أثناء تدريب النظام.

ويوضح الشكل (7) نظرة عامة على التعلم تحت الإشراف

Diagram

Description automatically generated

الشكل (7) نظرة عامة على التعلم تحت الإشراف

ويعرض الجدول رقم (4) آليات تحليلات البيانات الضخمة في التعلم تحت الإشراف.

الجدول رقم (4) آليات تحليلات البيانات الضخمة في التعلم تحت الإشراف

م

تقنيات الذكاء الاصطناعي

قابلية التوسع

الكفاءة

الدقة

الخصوصية

1

تصنيف المجموعة على أساس الخوارزميات العشوائية.

ü

ü

ü

×

2

دعم آلة النقل

×

ü

ü

×

3

الشبكة العصبية (LSTM)

×

ü

ü

×

4

تحليل الانحدار/ شجرة القرار

×

ü

ü

×

5

الشبكة العصبية المتكررة (RNN)

ü

×

ü

×

6

خوارزميات الشبكة العصبية.

×

×

ü

×

7

التعلم العميق DL

×

×

ü

×

8

مجموعة من آلات التعلم المتطرفة

ü

ü

ü

×

9

تحسين مصنف آلة ناقلات الدعم باستخدام CGWO

×

×

ü

×

مصدر الجدول (Banchhor,S,2020)

وبتحليل بيانات الجدول السابق يتضح أن الكفاءة والدقة من أهم العوامل في تطبيق آليات التعلم تحت الإشراف بينما حظيت قابلية التوسع والخصوصية باهتمام أقل من الباحثين.

– التعلم بدون إشراف  Un supervised Learning

التعلم غير الخاضع للإشراف هو فرع من تعلم الآلة يتم فيها تغذية الخوارزميات بمجموعة من بيانات التدريب خالية من الملاحظات.

يوضح الشكل (8) نظرة عامة على التعلم بدون إشراف

Diagram

Description automatically generated

الشكل (8) نظرة عامة على التعلم بدون إشراف

مصدر الشكل  (Banchhor, S, 2020).

ويوضح الجدول (5) آليات تحليلات البيانات الضخمة غير الخاضعة للإشراف

الجدول (5) آليات تحليلات البيانات الضخمة غير الخاضعة للإشراف

م

تقنيات الذكاء الاصطناعي

قابلية التوسع

الكفاءة

الدقة

الخصوصية

1

التكتل القائم على Centroid

ü

ü

ü

×

2

آلة ناقلات الدعم

×

ü

ü

×

3

حقول Markov العشوائية

ü

×

ü

×

4

أنظمة ضبابية

ü

ü

ü

×

مصدر الجدول (Pulgar,r,2017)

تم عرض آليات تحليل البيانات الضخمة التي تعتمد على الذكاء الاصطناعي، وتم وصف أهم تقنيات تحليلات البيانات الضخمة المبنية على الذكاء الاصطناعي حتى عام 2021 فئة التعلم الآلي، والطرق القائمة على المعرفة والاستدلال، وخوارزميات اتخاذ القرار، وطرق البحث ونظرية المفاضلة هي أربع فئات رئيسية من الذكاء الاصطناعي لتحليلات البيانات الضخمة، ويمكن القيام بالمهام المتكررة بمساعدة ذكاء الآلة، ويعد تقليل الخطأ وتحسين درجة الدقة مزايا أخرى لتحليلات البيانات الضخمة التي تعتمد على الذكاء الاصطناعي.

2) كيفية عمل البيانات الضخمة والذكاء الاصطناعي معًا:

البيانات الضخمة والذكاء الاصطناعي مُتشابكان بشكل معقد، سيكون الأول أمر مجديًا إذا تم تنفيذه بشكل صحيح، بينما يعتمد الأخير على الأول؛ ليكون ناجحًا بالإضافة إلى القدرة على اتخاذ قرارات أكثر ذكاء والتحكم بشكل أفضل في المخاطر للتعامل مع الأنشطة المختلفة ومعالجتها (Rahupathi, w, 2014).

لم يتم اكتشاف البيانات الضخمة والذكاء الاصطناعي بشكل كامل نظرًا؛ لأنها لا تزال كبيرة جدا وقيد التنفيذ من قبل مؤسسات مختلفة.ويوضح الجدول (6) الذكاء الاصطناعي قبل ومع البيانات الضخمة

الجدول (6) الذكاء الاصطناعي قبل ومع البيانات الضخمة

م

الذكاء الاصطناعي قبل البيانات الضخمة

الذكاء الاصطناعي مع البيانات الضخمة

1

توفر كميات بيانات محدودة (ميجا بايت).

توفر كميات بيانات متزايدة باستمرار

 (زيتا بايت).

2

عينات محدودة الحجم

عينات ضخمة تسمح بدقة نمذجة أعلى تحليل بيانات كبيرة في ميللي ثانية.

3

عجز عن تحليل بيانات كبيرة في ميللي ثانية.

تحليل بيانات كبيرة في ميللي ثانية.

4

مصادر بيانات محددة.

مصادر بيانات متعددة ومختلفة.

5

غالبا ما تستند إلى بيانات مهيكلة.

تستند إلى بيانات ميهكلة وشبه مهيكلة وغير مهيكلة.

مصدر الجدول: (sultan, A, 2016)

ويوضح الشكل (9) العلاقة بين الذكاء الاصطناعي والبيانات الضخمة

الشكل (9) العلاقة بين الذكاء الاصطناعي والبيانات الضخمة

2/1 إدارة البيانات:

يمكن وصف إدارة البيانات بأنها: عملية تتضمن جمع البيانات والتحقق منها، وتخزينها، وتأمينها، ومعالجتها، وتعديلها؛ للتأكد من سهولة الوصول إليها، وموثوقيتها وضمان سرعة انتشارها للعديد من المستخدمين، وتعد هذه العملية أكثر تعقيدًا ويترتب عليها ارتفاع سرعة البيانات (في الوقت الحقيقي تقريبًا؛ مما يترتب عليه إحراز تقدم كبير في مجال نظم الحاسب (Balandin, S, 2013) يمكن للذكاء الاصطناعي المساعدة في هذه العملية من خلال القيام بالسماح بالاقتراحات المخصصة بناءً على التعلم الآلي، وباستخدام البيانات في الوقت الفعلي؛ لتحسين تجربة المستخدمين، يمكن أن يساعد الذكاء الاصطناعي في تحديد المعلومات من خلال تدفق البيانات عبر تصنيف معالجة اللغة الطبيعية (NLP) وإنشاء العلاقات، ويمكن لأنظمة التعلم الذاتي عرض مقاطع فيديو ثابتة أو متحركة؛ لاكتشاف المعلومات الجديدة والتعامل معها.

2/2 إدارة الأنماط:

تحتاج كافة أنواع الشركات والمؤسسات إلى البحث باستمرار عن أنماط الاهتمام التي من شأنها إبلاغها بما قد يحدث؛ لاتخاذ إجراءات تم تحديدها ومعالجتها، من أجل عمليات التنفيذ يمكن أن يساعد الذكاء الاصطناعي من خلال تحديد مجموعة واسعة من الإشارات، والأحداث، والاتجاهات المتوقعة وغير المتوقعة التي يمكن أن تؤدي إلى التشخيص المبكر لمرض السرطان بمجرد دمجها مع التحليلات، يمكن للذكاء الاصطناعي أن يكشف عن إمكانات الإجابة بالتفصيل (Who, Health,2011) كما يمكن تحديد وتعلم آليات وتحديات القرار والقيام بإجراءات إضافية لتقديم نتائج أسرع وأفضل.

2/3 إدارة السياق:

تتغير مزايا البيانات المجمعة في ضوء السياق الذي يتم فيه تفسير البيانات والنتائج التي يمكن تطبيق هذه البيانات عليها (Larson, E.C, 2012).

حيث يُعِدُ استخراجُ المعلومات ذات الصلة من البيانات أمرا بالغ الأهمية؛ لفهم مجموعة البيانات نفسها، وتساهم المعرفة والعلاقة بين العالم الداخلي والخارجي في فهم السياق ويمكن للذكاء الاصطناعي (AI) تسهيل عمليات الحاسب المعقدة التي تستخدم «مجالات» البيانات مع سياق واحد (Noctale, V, 2012).

يتمكن الذكاء الاصطناعي من استخراج الاختلافات الدقيقة الخاصة بالسياق؛ لمتابعة تفسير البيانات في سياقات مختلفة سواء أكان الذكاء الاصطناعي يتفاعل مع المستخدم أم لا، وتحتوي تطبيقات معالجة اللغة الطبيعية (NLP)علي عدة أشكال يمكن استخدامها لمراجعة الاتصالات والتفاعلات البشرية.

2/4 إدارة القرار:

تمتلك إدارة القرار كافة جوانب التطوير والحفاظ على آليات اتخاذ القرار التلقائية التي تستخدمها المؤسسات للتعامل فيما بينها داخليًا وخارجيًا، حيث إن برنامج صنع القرار له تأثير كبير على إدارة الشركة لأعمالها لتصبح صانع قرار فعال ومؤثر ،(Seera, M, 2014) يمكن للذكاء الاصطناعي (AI) أن يلعب دورًا مهمًا في تغذية المعلومات، واستخدام المهارات في بيئة ديناميكية ومتطورة بشكل مستمر (Daji, H.H, 2012) سيساعد الذكاء الاصطناعي في توسيع نطاق الموارد الرئيسية مثل البيانات الضخمة التي تتزايد بسرعة؛ لمعالجة أهداف العلم وتطبيق مهامها على توقعات العملاء، ستؤدي زيادة استخدام الذكاء الاصطناعي في التفاعلات البشرية إلى تعزيز تجارب المستخدم وفعالية حل المشكلات وتقديم التوصيات حول التحقق من خيارات القرار وتحليل نتائج القرارات والتنبؤ بها فضلا عن تتبع المخرجات بشكل فعال.

2/5 إدارة إجراءات العمل:

إدارة الإجراءات هي عملية وضع الخطط وتنظيم أنشطة العمل والإجراءات لكافة الأشخاص، والروبوتات، والعمليات، والتطبيقات والتقنيات التي تستخدمها الأعمال التجارية؛ حيث إن الهدف الرئيسي هو تنظيموترتيب وتنسيق أي نشاط، وتصميم خطط المشروع، حسب طلب الرؤساء (Boarouis, A, 2013).

سيقوم الذكاء الاصطناعي بتحليل هذه الأنشطة، ومحاولة ربطها بخطوات اتخاذ القرار السابقة أو تعديل المعايير الخاصة أو التوصية بوضع إجراء جديد.

يعد الذكاء الاصطناعي جزءً مهما يساعد على تتبع وتقييم تصرفات وسلوكيات المديرين، سيعتبر الذكاء الاصطناعي السلوك المعدل في المستقبل قبل التنفيذ؛ مما يضمن تحقيق النتائج المرجوة بشكل كمي.

2/6 إدارة الأهداف:

تتضمن إدارة الأهداف ممارسة تحديد ومراقبة الأهداف؛ لتوفير المدخلات فضلًا عن المساعدة في تقييم النجاح، وتقديم اقتراحات لكافة الأصول؛ لتحسين الأداء (Bouran’s, A, 2013) سيساعد الذكاء الاصطناعي في توجيه البشر، والروبوتات، والتطبيقات والبيانات الأساسية القابلة للتطوير من خلال التعديل الآلي للأهداف التي تتعقب الظروف المتطورة.

2/7 إدارة المخاطر:

تتضمن إدارة المخاطر تحديد وتقييم وضع الأولويات، والحد منها عن طريق الاستخدام المنظم والذكي للموارد لتقليل المخاطر، ويشمل ذلك استخدام البيانات الضخمة؛ لتتبع التكرار بشكل مستمر والتعرف على المشاكل والتهديدات الناشئة، وقد يدعم الذكاء الاصطناعي مؤسسات المعلومات في تحديد والاستجابة عند حدوث المواقف في الأحداث، والاتجاهات، وسجلات النظام والمدخلات الشخصية (مثل مواقع التواصل الاجتماعي) للتهديدات المحتملة، بالإضافة إلى ذلك يمكن تحديد المشاكل في وقت مبكرمثل: السلوك الثقافي. (Tsanas,A, 2012)

جدول (7) يوضح متطلبات  تنفيذ الذكاء الاصطناعي مع البيانات الضخمة

(1) المتطلبات التقنية

(2) المتطلبات التنفيذية (السياسات واللوائح اللازمة)

(3) المتطلبات التنظيمية

(4) المتطلبات الوظيفية والسياسات واللوائح اللازمة)

* متطلبات الأجهزة (الشبكات الذكية -العدادات الذكية لتجميع كميات كبيرة من برامج البيانات عالية الجودة والدقة.

* البرامج الخاصة بتقنيات الذكاء الاصطناعي (التعلم الآلي- التعلم العميق).

* النظام السحابي (إذا لم يتم تخزين البيانات محليا).

* كميات هائلة من البيانات الدقيقة

الخبرة البشرية.

* تطوير علماء البيانات خوارزميات التعلم الآلي والتحسين المستمر للنماذج التي يمكن تطبيقها.

* فهم التقنيات الرقمية والعمل مع علماء البيانات لتطبيق تقنيات الذكاء الاصطناعي.

* التعاون مع مشغلي النظام (خبراء تكنولوجيا المعلومات والاتصالات ICTI أو علماء البيانات.

* تقييم تأثير الذكاء الاصطناعي على الوظائف.

* خلق فرص جديدة للعمل.

* السماح بالوصول العام إلى البيانات بحيث يمكن لأي شخص استخدام أو تطوير التقنيات الرقمية.

* تمكين تمويل الأبحاث وتطوير تطبيقات الذكاء الاصطناعي.

* تحديد قواعد خصوصية البيانات للمستخدمين.

* إنشاء حوافز للمشاركة في المشاريع التجريبية كمقدمي البيانات.

* تحديد بروتوكولات الأمن السيببراني.

والبروتوكولات الخاصة بالتشغيل البيني للبيانات الضخمة.

* ضمان تمثيل الخوارزميات واللوائح أو تكييفها عند الضرورة.

* مشغلو النظام

* اعتماد نهج مبتكر لتشغيل النظام من خلال تعزيز التعاون بين مشغلي أنظمة التوزيع ونقل البيانات.

* القائمون على جمع المعلومات عبر الإنترنت.

* شركاء تكنولوجيا المعلومات والاتصالات.

– تطوير حلول الذكاء الاصطناعي لدمج الطاقة المتجددة حدة VER.

مصدر الجدول (IREA,2019)

4- التحديات والقضايا المفتوحة:

ويوضح الجدول (8) التحديات والحلول المقترحة

التحديات

الحلول المقترحة

1- الحوسبة الضبابية:

* قدر كبير من البيانات تحتاج إلى تحليل في الوقت الفعلي.

* توفير قدر كبير من الحوسبة والتخزين والاتصالات محليا.

* إجراء المزيد من الدراسات لتحليلات بيانات إنترنت الأشياء الكبيرة من خلال بنية الحوسبة الضبابية.

2- معالجة كمية كبيرة من البيانات:

* إنتاج البيانات الضخمة من مصادر متعددة وغير متجانسة.

* عدم تكامل البيانات.

* عدم تنسيق البيانات.

* كمية هائلة من البيانات غير المهيكلة وغير الكاملة وغير الدقيقة.

* صعوبة تخزين البيانات بالطرق التقليدية.

تنفيذ تقنيات ذكاء اصطناعي مختلفة لتحليل هذه الكميات الضخمة من البيانات في الوقت الفعلي.

* التحقق من كفاءة وقابلية التوسع في خوارزميات التحليلات الذكية المطبقة على البيانات الضخمة.

3- الأمان والخصوصية:

* صعوبة توافر طريقة آمنة للتعامل مع البيانات الضخمة المجمعة من أنظمة وبيئات مختلفة.

* معظم البيانات التي تم جمعها في جميع أنحاء العالم مملوكة من عدد محدود من الشركات.

* مجموعات بيانات متحيزة لتغذية خوارزميات التعلم الآلي.

* يجب التعامل مع المسائل المتعلقة بعملية الأمان الخاصة بتحليلات البيانات الضخمة في مجالات مختلفة مثل:

حماية أجهزة إنترنت الأشياء من الهجمات

تقنيات الذكاء الاصطناعي الآمنة.

التواصل الآمن مع الأنظمة الخارجية.

* زيادة الدراسات ة التي تركز على القضايا الأمنية لتحليلات البيانات الضخمة حيث تعد التحديات والتدابير الأمنية خطة بحث مثيرة للاهتمام في المستقبل.

* حماية البيانات من خلال التنقيب فيها والحفاظ على الخصوصية.

4- المعايير والمقاييس النوعية

* استخدام سمات جودة مختلفة للتحقق من صحة البيانات المقدمة.

* زيادة الدراسات التجريبية حول البنية التحتية الذكية ومعايير الجودة.

5- جودة البيانات

* كميات كبيرة من البيانات شبه المهيكلة وغير المهيكلة.

* تحديات في تنسيق وجودة البيانات.

* وجود بيانات مغلوطة مع البيانات الضخمة.

* الحاجة إلى المزيد من الدراسات حول مشاكل جودة وتنسيق البيانات غير المهيكلة وشبه المهيكلة.

* استخدام الذكاء الاصطناعي؛ لتحديد البيانات المغلوطة وتصحيحها.

6- القيود المفروضة على خوارزميات الذكاء الاصطناعي

* مجموعة الخوارزميات المتاحة غير قياسية.

* تفتقر الخوارزميات إلى التوثيق.

* تركز تقنيات الذكاء الاصطناعي على تطبيقات الآلة الواحدة في ظل البيانات الضخمة.

* صعوبة استخدام الخوارزميات الجنينية «الوراثية» في بيئة Map Reduce.

* الحاجة إلى ذكاء اصطناعي قابل للتطوير لمجموعة من الآلات مبنية على منصات Hadoop, Map Reduce.

* زيادة الاهتمام بالدراسات التي تدور ق حول تصميم وتنفيذ استخدام الخوارزميات الجينية على برنامجHadoop.

مصدر هذا الجدول : (Rahmani, A, &xAZhir, 2021).

ثانيًا: الجانب التطبيقي:

1- أنواع تقنيات الذكاء الاصطناعي الأكثر شيوعا المستخدمة في تحليلات البيانات الضخمة:

السؤال الأول: ما أنواع تقنيات الذكاء الاصطناعي الشائعة المستخدمة في تحليلات البيانات الضخمة؟ وجاءت النتائج كما هي موضحة بالجدول (9)

جدول (9) يوضح أنواع تقنيات الذكاء الاصطناعي الشائعة المستخدمة في تحليل البيانات الضخمة؟

م

بدائل الاستجابة

نسبة تكرار البديل

1

خوارزميات صنع القرار.

3%

2

 الأساليب المبنية على المعرفة.

9%

3

نظرية التحسين وطرق البحث.

13%

4

التعلم غير الخاضع للإشراف.

15%

5

تعلم آلة خاضع للإشراف.

59%

يتضح من الجدول السابق أن التعلم الخاضع للإشراف يأتي في الترتيب الأول بنسبة 59% كأحد تقنيات الذكاء الاصطناعي الأكثر شيوعاً في تحليلات البيانات الضخمة، بينما يأتي في الترتيب الثاني التعلم غير الخاضع للإشراف بنسبة 15% .

الشكل (10) يوضح أنواع تقنيات الذكاء الاصطناعي الشائعة المستخدمة في تحليلات البيانات الضخمة

2- مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة:

السؤال الثاني: ما مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة؟

وجاءت النتائج كما هي موضحة بالجدول (10)

جدول (10) يوضح مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة

م

بدائل الاستجابة

نسبة تكرار البديل

1

الكفاءة

5%

2

قابلية التوسع

10%

3

تقليل الخطأ

15%

4

تحسين المستوى

8%

5

روبوتات الدردشة

6%

6

تحسين درجة الدقة

56%

يتبين من الجدول السابق من مزايا تقنيات الذكاء الاصطناعي مع البيانات الضخمة تحسين درجة الدقة بنسبة 56% ، ثم يأتي في الترتيب الثاني تقليل الخطأ بنسبة 15% .

الشكل (11) يوضح مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة

3- كيفية عمل البيانات الضخمة والذكاء الاصطناعي معاً :

السؤال الرابع:كيف تعمل البيانات الضخمة والذكاء الاصطناعي معًا؟

وجاءت النتائج كما هي موضحة بالجدول (11)

جدول (11) كيفية عمل البيانات الضخمة والذكاء الاصطناعي معاً

م

بدائل الاستجابة

نسبة تكرار البديل

1

إدارة المخاطر.

8%

2

إدارة الأهداف.

12%

3

إدارة إجراءات العمل.

5%

4

إدارة القرار.

18%

5

إدارة السياق.

4%

6

إدارة الأنماط.

4%

7

إدارة البيانات.

49%

     تبين من نتائج الدراسة بأن من أهم مؤشرات عمل الذكاء الاصطناعي مع البيانات الضخمة إدارة البيانات في الترتيب الأول بنسبة 49% مما يترتب عليها ارتفاع سرعة البيانات (في الوقت الحقيقي تقريبًا) ويأتي في الترتيب الثاني الحفاظ على آليات اتخاذ القرار بنسبة 18%.


الشكل (12) يوضح كيفية عمل البيانات الضخمة والذكاء الاصطناعي معًا

4-متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة:

السؤال الرابع:ما متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة؟ وجاءت النتائج كما هي موضحة بالجدول (12)

جدول (12) متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة

م

بدائل الاستجابة

نسبة تكرار البديل

1

المتطلبات الوظيفية

(دور ومسئوليات أصحاب المصلحة).

15%

2

المتطلبات التنظيمية.

9%

3

المتطلبات التنفيذية

(السياسات واللوائح اللازمة).

10%

4

المتطلبات التقنية.

66%

     تبين من نتائج الدراسة أن المتطلبات التقنية في الترتيب الأول كأحد متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة بنسبة 66% وتشمل متطلبات التقنية: ( متطلبات الأجهزة – تقنيات الذكاء الاصطناعي (التعلم الآلي – التعلم العميق) – نظم الحوسبة السحابية) ، بينما يأتي في الترتيب الثاني المتطلبات الوظيفية: (مشغلو النظام – القائمون على جمع المعلومات –  شركات تكنولوجيا المعلومات والاتصالات ) بنسبة 15%.

الشكل (13) يوضح متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة

5- المجالات الرئيسية للذكاء الاصطناعي مع البيانات الضخمة:

السؤال الخامس: ما المجالات الرئيسية للذكاء الاصطناعي مع البيانات الضخمة؟ وجاءت النتائج كما هي موضحة بالجدول (13)

جدول (13) المجالات الرئيسية في الذكاء الاصطناعي مع البيانات الضخمة

م

بدائل الاستجابة

نسبة تكرار البديل

1

الهندسة الكهربائية والإلكترونية.

49%

2

القانون

3%

3

الطب

5%

4

الذكاء الاصطناعي لعلوم الحاسب

20%

5

الاتصالات السلكية واللاسلكية

15%

6

نظام التحكم الآلي

8%

   تبين من نتائج الدراسة أن (الهندسة الكهربائية والإلكترونية ) من المجالات الرئيسية لتطبيق الذكاء الاصطناعي مع البيانات الضخمة في المرتبة الأولى بنسبة 49%:

الشكل (14) يوضح المجالات الرئيسية في الذكاء الاصطناعي مع البيانات الضخمة

6- آليات تطبيق الذكاء الاصطناعي في بيئة البيانات الضخمة:

السؤال السادس:ما آليات تطبيق الذكاء الاصطناعي (خوارزميات التعلم تحت الإشراف) في بيئة البيانات الضخمة ؟ وجاءت النتائج كما هي موضحة بالجدول (14)

جدول (14) يوضح خوارزميات التعلم تحت الإشراف في البيانات الضخمة

م

بدائل الاستجابة

نسبة تكرار البديل

1

الغابات العشوائية.

5%

2

شجرة صنع القرار

10%

3

آلة ناقلات الدعم

14%

4

الشبكة العصبية

14%

5

تحليل الانحدار

57%

يتضح من الجدول السابق أن تحليل الانحدار أكثر خوارزميات التعلم تحت الإشراف استخدامًا في بيئة البيانات الضخمة في الترتيب الأول بنسبة 57% .

الشكل (15) يوضح آليات تطبيق الذكاء الاصطناعي (خوارزميات التعلم تحت الإشراف)  في بيئة البيانات الضخمة

7- المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي:

السؤال السابع:ما المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي؟ وجاءت النتائج كما هي موضحة بالجدول (15)

جدول (15) المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي

م

بدائل الاستجابة

نسبة تكرار البديل

1

معهد ماساتشوستس للتكنولوجيا.

10%

2

جامعة ميتشجان.

5%

3

جامعة تورنتو.

5%

4

جامعة ستانفورد.

18%

5

جامعة هارفارد.

62%

    يتضح من نتائج الدراسة أن المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي هي جامعات أمريكا الشمالية بالترتيب: ( جامعة هارفارد – جامعة أستانفورد – معهد ماساتشوستس للتكنولوجيا )، تأتي في الصدارة جامعة هارفارد بنسبة 62% لذا فإن الدول الرائدة في النشر هي الولايات المتحدة الأمريكية.

الشكل (16) يوضح المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي

8- التحديات الرئيسية والقضايا المفتوحة:

السؤال الثامن:ما التحديات الرئيسية والقضايا المفتوحة؟ وجاءت النتائج كما هي موضحة بالجدول (16)

جدول (16) التحديات الرئيسية والقضايا المفتوحة

م

بدائل الاستجابة

نسبة تكرار البديل

1

المعايير والمقاييس النوعية.

4%

2

الأمان والخصوصية.

5%

3

الحوسبة الضبابية.

6%

4

جودة البيانات.

20%

5

معالجة كمية كبيرة من البيانات.

65%

    تبين من نتائج الدراسة أن أكثر تحديات الذكاء الاصطناعي مع البيانات الضخمة (معالجة كمية كبيرة من البيانات في الترتيب الأول بنسبة 65% ، ثم يأتي في الترتيب الثاني جودة البيانات بنسبة 20%.

الشكل (17) التحديات الرئيسية والقضايا المفتوحة

النتائج والتوصيات:

أولاً: النتائج:

1. هناك العديد من الدراسات التي تتعلق بتحليلات البيانات الضخمة؛ ولكن تفتقر هذه الدراسات إلى المراجعة الكاملة والمنهجية لآليات تطبيق الذكاء الاصطناعي مع البيانات الضخمة.

2. يفتح هذا البحث أفقًا لتطوير الحلول التي من شأنها معالجة التحديات المتعلقة بالذكاء الاصطناعي وتحليلات البيانات الضخمة.

3. تبين من نتائج الدراسة أن أهم تقنيات الذكاء الاصطناعي الشائعة في تحليل البيانات الضخمة هي: خوارزمية التعلم الخاضع للإشراف في الترتيب الأول بنسبة 59% ، ويأتي التعلم غير الخاضع للإشراف في الترتيب الثاني بنسبة 15%.

4. تبين من نتائج الدراسة أن المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والمواد ذات الصلة بالذكاء الاصطناعي هي جامعات أمريكا الشمالية مثل: جامعة هارفارد في الترتيب الأول بنسبة 62% ، ثم جامعة ستانفورد في الترتيب الثاني بنسبة 18%، تليها في الترتيب الجامعات الصينية والأسترالية والأوربية؛ لذلك فإن الدول الرائدة هي الولايات المتحدة الأمريكية.

5- من مزايا تقنيات الذكاء الاصطناعي مع البيانات الضخمة يأتي في الترتيب الأول تحسين درجة الدقة بنسبة 56%، ثم تقليل الخطأ في الترتيب الثاني بنسبة 15%.

6. تعد إدارة البيانات من أهم مؤشرات عمل البيانات الضخمة والذكاء الاصطناعي معًا في الترتيب الأول بنسبة 49%، بينما تعد إدارة السياق في الترتيب الأخير بنسبة 4%.

7. يتضح من نتائج الدراسة أن الهندسة (الكهربائية والإلكترونية) من المجالات الرئيسية للمقالات ذات الصلة في مجال الذكاء الاصطناعي مع البيانات الضخمة بنسبة 49%.

8. من متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة يأتي في الترتيب الأول (المتطلبات التقنية) بنسبة 66% ثم يأتي في الترتيب الثاني المتطلبات الوظيفية بنسبة 15%.

9. معالجة كمية كبيرة من البيانات من أهم تحديات تطبيق الذكاء الاصطناعي مع البيانات الضخمة في الترتيب الأول بنسبة 65%، ثم جودة البيانات في الترتيب الثاني بنسبة 20%.

ثانيًا: التوصيات:

1. زيادة الاهتمام بالدراسات التي تتعلق بتطبيق آليات الذكاء الاصطناعي مع البيانات الضخمة.

2. من الضروري إعادة التعريف بمفهوم الذكاء الاصطناعي والمصطلحات ذات الصلة لتعكس الطبيعة المتغيرة لتطوير الذكاء الاصطناعي وتطبيقه في عصر البيانات الضخمة.

3. يجب أن يكون هناك نهج متفق عليه لجمع وهيكلة وتمثيل البيانات من خلال خوارزميات التعلم الآلي والتعلم العميق.

4. ضرورة تنفيذ تقنيات ذكاء اصطناعي مختلفة؛ لتحليل هذه الكميات الضخمة من البيانات في الوقت الفعلي.

5. زيادة الدراسة التي تركز على القضايا الأمنية لتحليلات البيانات الضخمة مع الذكاء الاصطناعي.

6. زيادة الدراسات التجريبية حول البنية التحتية الذكية ومعايير الجودة.

7. هناك حاجة إلى مزيد من الدراسات حول مشاكل جودة البيانات وتنسيقات البيانات غير المهيكلة وشبه المهيكلة.

قائمة مراجعة حول ( آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة : دراسة وصفية تحليلية)

تصف هذه الدراسة أولاً المفاهيم ذات الصلة بالبيانات الضخمة والذكاء الاصطناعي وتحلل الخصائص والمتطلبات التقنية والتنظيمية والسياسات اللازمة للذكاء الاصطناعي في بيئة البيانات الضخمة ودراسة التحديات والقضايا المفتوحة.

1- ما أنواع تقنيات الذكاء الاصطناعي الشائعة المستخدمة في تحليل البيانات الضخمة ؟

   1- خوارزميات صنع القرار (3%).

   2- الأساليب المبنية على المعرفة (9%).

   3- نظرية التحسين وطرق البحث (13%).

   4- التعلم غير الخاضع للإشراف (15%).

   5- تعلم آلة خاضع للإشراف (59%).

التقنية الشائعة التي يستخدمها الباحثون لتحليل البيانات الضخمة هي التعلم الخاضع للإشراف بنسبة 59%.

2- ما خوارزميات التعلم تحت الإشراف في البيانات الضخمة؟

   1- الغابات العشوائية          (5%).

   2- شجرة صنع القرار         (10%).

   3- آلة ناقلات الدعم            (14%).

   4- الشبكة العصبية             (14%).

   5- تحليل الانحدار             (57%).

3- ما مزايا تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة؟

   1- الكفاءة.                       2- قابلية التوسع.

   3- الخصوصية.                4- تقليل الخطأ.

   5- تحسين المستوى.                       6- روبوتات الدردشة.

   7- تحسين درجة الدقة (56%).

4- كيف تعمل البيانات الضخمة والذكاء الاصطناعي معاً؟

   1-إدارة المخاطر.                          2-إدارة الأهداف.

   3- إدارة إجراءات العمل.                 4- إدارة القرار.

   5- إدارة السياق.                           6- إدارة الأنماط.

   7- إدارة البيانات (49%).

5- ما المجالات الرئيسية في الذكاء الاصطناعي مع البيانات الضخمة ؟

   1- نظام التحكم الآلي.                     2- القانون.

   3- الطب .                                   4- الذكاء الاصطناعي لعلوم الحاسب.

   5- الاتصالات السلكية واللاسلكية.      6- الهندسة الكهربائية والإلكترونية (49.53%).

6- ما المؤسسات الأكثر إنتاجية في نشر كل ما يتعلق بالبيانات الضخمة والذكاء الاصطناعي ؟

   1- معهد ماتشوستس للتكنولوجيا.       2- جامعة ميتشجان .

   3- جامعة تورنتو.                         4- جامعة ستانفورد.

   5- جامعة هارفارد (62%).

7- ما متطلبات تنفيذ الذكاء الاصطناعي مع البيانات الضخمة؟

   1- المتطلبات الوظيفية (دور ومسئوليات أصحاب المصلحة).

   2- المتطلبات التنظيمية.

   3- المتطلبات التنفيذية (السياسات واللوائح اللازمة).

   4- المتطلبات التقنية 66.42%.

8- ما التحديات الرئيسية والقضايا المفتوحة؟

   1- المعايير والمقاييس النوعية.                      2- الأمان والخصوصية.

   3- الحوسبة الضبابية.                     4- جودة البيانات 42%.

   5- معالجة كمية كبيرة من البيانات 67%.

المراجع:

أولاً: المراجع العربية:

أحمد، نجوى شكري (2021)،إدارة البيانات الضخمة في دار الكتب والوثائق القومية: دراسة استكشافية، المجلة العلمية للمكتبات والوثائق والمعلومات، مج3، ع7 يوليوـ ص ص 145-229.

الذبياني، علي بن أحمد (2020)،دور مؤشرات الأداء الرئيسية في تحليلات البيانات الضخمة، مجلة دراسات المعلومات (جمعية المكتبات والمعلومات السعودية)، ع24يناير، ص ص 85-103.

سميع، ليلى سيد (2021)،تحليل المشاعر (الآراء) المعتمد على الذكاء الاصطناعي لتقييم فعالية خدمات المعلومات، الندوة العلمية الأولي: تطبيقات الذكاء الاصطناعي في العلوم الاجتماعية والإنسانيات (الخصائص – البرمجيات- آليات التنفيذ) 29-30 ديسمبر) ص25.

عبد القوى، أماني (2021)، متطلبات إدارة البيانات الضخمة في مراكز المعلومات بالمملكة العربية السعودية: دراسة حالة، المؤتمر السنوي الثاني والثلاثون للاتحاد العربي للمكتبات والمعلومات (مستقبل مؤسسات المعلومات العربية في ظل التقنيات الذكية رؤية إستراتيجية 2050)، ص371.

العريشي ، جبريل بن حسن (2020)، استخدام البيانات الضخمة والذكاء الاصطناعي في مواجهة جائحة كورونا، المجلة العربية للدراسات الأمنية، مج36، ع2، ص ص 249- 264.

غلوم، حسين فولاز (2021)، دور الذكاء الاصطناعي في دعم وتطوير خدمات المكتبات الأكاديمية في دولة الكويت: إدارة المكتبات بجامعة الكويت أنموذجا، المؤتمر السنوي الثاني والثلاثون للاتحاد العربي للمكتبات والمعلومات، القاهرة 15-16 ديسمبر. ص ص 13-30.

فرج، أحمد (2021)، تقنيات الذكاء الاصطناعي وتأثيراتها على فاعلية محتوى وخدمات مؤسسات المعلومات، الندوة العلمية الأولى: تطبيقات الذكاء الاصطناعي في العلوم الاجتماعية والإنسانية (الخصائص- البرمجيات- آليات التنفيذ)، 29-30 ديسمبر، ص25.

قناوي، يارة ماهر (2020)، دور تحليلات البيانات الضخمة في إنترنت الأشياء: دراسة تحليلية مقارنة،  المجلة الدولية لعلوم المكتبات والمعلومات،مج6، ع2 يونيو 2020،ص ص 73-110.

الكشكي، ناصر أبو زيد (2021)، تحليلات البيانات الضخمة في المؤسسات الأكاديمية: دراسة استشرافية بالتطبيق على مؤسسات التعليم العالي المصرية، مجلة بحوث في علم المكتبات والمعلومات، ع27 سبتمبر، ص ص 9-66.

متولى، عبد الله حسين (2021)، تقنية التعرف على الوجوه كأحد تطبيقات الذكاء الاصطناعي في المكتبات ومؤسسات المعلومات إعادة قراءة لعلم الفهرسة، الندوة العلمية الأولى: تطبيقات الذكاء الاصطناعي في العلوم الاجتماعية والإنسانيات (الخصائص- البرمجيات- آليات التنفيذ)، 29-30 ديسمبر.

محمد، أسماء حسين (2021)، واقع استفادة المكتبات الجامعية من تحليلات البيانات الضخمة Big data في تطوير خدمات المعلومات واتخاذ القرار: دراسة حالة لمكتبة كلية الهندسة، المجلة العلمية للمكتبات والوثائق والمعلومات، مج3، ع6 يوليو، ص 111-144.

ناجي، إهداء صلاح (2021)، تطبيقات نظم الذكاء الاصطناعي في تحليل المحتوى وعمليات التكشيف: دراسة تطبيقية لنظم معالجة اللغة الطبيعية، الندوة العلمية الأولى، تطبيقات الذكاء الاصطناعي في العلوم الاجتماعية والإنسانيات (الخصائص، البرمجيات، آليات التنفيذ)، 29-30 ديسمبر.، ص 33

ثانيًا: المراجع الأجنبية:

Ahmed, F.B (2021). A deep Learning approach for covid-19 8 viral Pneumonia screening with X-ray images. Digital  government: Research and Practice 2 (2), pp 1-12.

Ahmed, I & Jeon, G (2021). A frame work for pandemic prediction using big data analytics. Big data research100190. Do  I 10.1016I. bdr. 202) 100190.

Abbas, H. G (2016(. A review of theoretical and practical challenges of trusted Autonomy in big data “IEEE Access, vol. 4, pp. 2808-2830. http://doi-ovg/100/109/access.2016.257/058.

Athmajas, S.H (2017). A survey of Machine Learning algorithms for big data analytics in: 2017 international conference on innovations in information, embedded and communication systems (ICIECS).

Al-Kabbany & El.bana (2020). Amulti- Task pipeline with specialized in streams for classification and segmentation of infection manifestation n Covid-19 cans, peerj computer science 6:e303 Do I 10.7717) Peerj-CS.303.

Alzubi, A. A (2020). Big data analytic diabetics using MapReduce and classification techniques. The journal of super comptuiing 76 (6), pp 4328-7337.

Balandin, E.B (2013). «main trends in M health use scenarion» journal on selected topics in Nano Electronics and computing, Vol,4, No, 1, pp 64-70.

Banchhor, C.S (2020). Integrating Guckoo Search-Grey wolf  optimization and correlative naïve bays classifier with Map reduce model for big data, data & knowledge Engineering 127: 10/788 do I 10.1016/ J-Datak. 2019.10/788.

Bourouis, A.Z (2013). «M-health: s kindisease analysis system using smart phone’s camera, Procedia computer science, vol. 19,pp 1116-1120.

Borodo S.M (2016). Big data platform and techniques Indonesian Journal of Electrical Engineering and computer science 1(1). PP. 191-200.

Carcillo, F (2018). Scraff: a scalable framework for streaming credit card fraud detection with spark, information fusion 41: 182-194 Do I 10.1016/J.inffus. 2017.09-005.

Chen, M& yang (2018). «5G smart diabetes: Toward personalized diabetes diagnosis with Health care big date clouds, IEEE communication Magazine, Vol. 56, no. 4, pp 16-23.

Darji, H.H & shan (2012). concepts of distributed and parall EL Database, International Journal of computer science and information technology & Security, vol. 2, No. 6. P 1150.

Digitale Souveränität(2017). Report on Consumer Issues by the Advisory Council for Consumer Affairs

Bollen, J & Mao (2011). Twitter mood as a stock market predictor, computer, vol. 44, No . 10, pp. 91-94.

Feng, M & zheng. (2019). Big date analytics and Mining for effective Visualization and trends forecasting of crime date. IEEE Access 7: 106111-106123.

Griffen, E. A(2018). Can we accelerate Medicinal chemistry by augmenting the chemist with Big date and artificial intelligence? Drug discovery today, Vol 23, no. 7, pp 1373-1384.

Hammou, B. A. (2020). Towards a real-time processing framework based on improved distributed recurrent neural network variants with fast text for social big date analytics, information processing & management 57(1). P/02/12. Do I10.1016/ J.IPM. 2019.

IREA (2019). Artificial Intelligence and big data: innovation landscape Brief. www. irena-org, pp1-23.

Jing, X& Bain (2018). Deep Learning form drug Design: an Artificial intelligence paradigm for drug discovery in the Big data a Era, AAPs Journal, vol. 20, No, 3. http://doi.org/10.1208/s/2248.618-0210.0.

Kannan, N.S .(2019). Predicative big date analytic on demonetization data using support vector machine, cluster computing 22(6)-pp 1472-14720.

Kaur, P & sharma. (2018). Big data and Machine Learning based secure health care frame work. Procedia computer science 132-pp 1049-1059.

Klein,S (2017). The world of big data and IoT solutions in Microsoft’s azure IoT suite. Pp 3-13.

Kiral, J& Kronok (2018). Epileptic seizure production using big date and deep learning: tow toward a mobile system, Biomedicine, Vol, 22, pp 103-111.

Larson, E.C (2012). Spiro smart: using a Microphone to Measure lung function on a mobile phone, in proceedings of the 2012 conference (BMEICON), pp1-4.

Lei, y.f (2016). An intelligent fault diagnosis Method using unsupervised feature learning forward Mechanical Big data, IEEE transactions on Industrial Electronics, vol. 63, Vol. 63, No. 5, pp 3/37. 3/47.

Li, Y& Zhang (2018). Ultra- DenseHet Nets meet big data: green frameworks, techniques and approaches, IEEE communications Magazine, vol. 56, No. 6, pp 56-63.

Mittal, S.S (2018). Big date analytics using machine Learning techniques in: 2019 9th international conference on cloud computing. Date science & engineering. Piscata way: IEEE.

Nair LR & Shetty (2018). Applying Spark based Machine learning Model on streaming big data for health status prediction. Computer& electrical engineering 65, pp 393-399.

Natale, V.M (2012). Menitoring sleep with a smartphone accelerometer, sleep and biological Rhthms, vol 10, No. 4, pp 287-292.

Nicolable, F.C (2018). Big data analytics in IOT: challenges, open research issues and tools, in: world conference on information systems and technologics, cham: springer.

O’Leary, D (2013). Artificial intelligence and big data, IEEE Intelligent systems, vol 28, no. 2, pp96-99.

O’Leary, D.E (2012). Knowledge discovery for continuous Financial Assurance using Multiple types of digital information in Data mining information age publishing, pp 103-122.

Oussous, A. B.(2018). big data technologies: a survey. Journal of kings saud university- computer and information science 30 (4), pp 431-448.

Ozdemir, V.N. (2018). Birth of industry 5.0: Making sense of big data with Artificial intelligence, the internet of things and Next- Generation technology policy, Journal of integrative Biology, Vol. 21, No, PP 65-76.

Philip, H & Steven. (2016). A system for content – based indexing of a database of news stories. Proc2nd conf. Innovation applications of Artificial intelligences for the advancement of At, pp 49-64.

Pulgar-Rubio F,(2017). MEFASD-BD: multi-objective evolutionary fuzzy algorithm for subgroup discovery in big data environments-a mapreduce solution. Knowledge-Based Systems 117:70–78 DOI 10.1016/j.knosys.2016.08.021.

Ragab, D.A .(2020). Fust – CAD : Coronavirus (Covid-19) diagnosis based on fusion   of CNNS and hands crafted features. Peerj computer  science 6: 306 . doi 10.77/7/peerj-cs.306.

Rahmani, A & Azhir (2021). Artificial Intelligence approaches and Mechanisms for big date analytics, as systematic study ,peerj computer science. Sci. 7: e488, pp 1-28.

Siddiqa, A & Abaker (2016). A survey of big data management taxonomy and state –of the- art. journal of network and computer applications 71, pp 151-166.

Sultan, Aboabkr (2019)الذكاء الاصطناعي مع البيانات الضخمة والحوسبة الإداركية.http://www.researchgate.net/publicatin/3409/3409/4289. فرص وتهديدات

Sayda, T.M (2018). Role of big data and machine learning in diagnostic precision support in Radiology, journal of the American college of Radiology, vol. 15, No. 3, pp 569-576.

Tsai, C.W (2015). Big data analytics: a survey. Journal of big data 2 (1), pp 1-32.

Tian, Z& luo (2020). User and Entity behaviour analysis under urban big data. ACM transactions son data science (3), pp 1-19.

Tsanas, A& Little (2012). Novel speech signal processing a algorithms for high – accuracy classification of parknson’s disease , IEEE, vol. 59, No.5, pp 1246-1271.

Vaishya, R(2020). Artificial intelligence (AI) applications for covide- 19 pandemic, Diabetes & Metabolic syndrome: clinical Research & reviews 14 (4), pp 337-339.

Wang, S.C (2020). A Hybrid big data analytical approach for analyzing customer patterns through an integrated supply chain Network, journal of industrial information integration 20: 100177.

Zhuang, Y.F (2017). Challenges and opportunities: from big data to knowledge in AI 2.0 frontiers of information technology & Electronic Engineering, vol. 18, No. 1, pp 3-14.

الهوامش:

1) http://pdfs.semantic.scholar.org/du869836/bsda.of

2)  http://assistant.google.com

3) http:///www.computer.world.com/article/3/82207/cuso-date.storage-goes-from-im-to-2-cents-per-gigiabyte.html.

4) http:///www.IBM.com/waston

●●●

The Mechanisms of Applying Artificial Intelligence Systems in a Big Data Environment: An Analytical Descriptive Study

Dr. Yara Maher Mohamed Kenawy

Ass.Prof, Department of Library and Information, Minia University

ymaher57@yahoo.com

This study first describes the concepts related to big data and artificial intelligence, and analyzes the functional and technical requirements of artificial intelligence in the environment of big data. The study seeks to analyze and explore the main areas related to artificial intelligence with big data and discuss open issues to present new research trends in the field of big data analytics with artificial intelligence. Through a checklist that includes the following items: (Types of artificial intelligence techniques are most common in massive data analyzes, learning algorithms under the supervision of large data, the advantages of artificial intelligence techniques with huge data, how to make artificial intelligence within the framework of massive data – the main areas of artificial intelligence application – requirements for the implementation of artificial intelligence with huge data – Open challenges and issues) and the study reached several results Among the most important: There are many studies related to big data, but these studies lack a complete and systematic review of the mechanisms of applying artificial intelligence with big data. One of the most challenges of artificial intelligence with big data comes in the first place, processing a large amount of data by 65%. The study recommends increasing Interest in studies related to the application of artificial intelligence mechanisms with big data and the necessity of implementing various artificial intelligence techniques to analyze these large amounts of data in real time.

Keywords: Artificial Intelligence(1); Big Data Analytics(2); Machine Learning(3); Deep Learning(4); Supervised Learning(5); Unsupervised Learning(6).



([1]) تم عرضه في المؤتمر العلمي الثاني عشر لقسم المكتبات والوثائق وتقنية المعلومات ” ثورة البیانات وتأثیرها على مؤسسات المعلومات العربیة : بین الواقع وطموحات المستقبل” في الفترة من 30-31 مارس 2022م.

استثمار تقنيات الذكاء الاصطناعي في تطوير أساليب البحث واسترجاع المعلومات : دراسة تطبيقية لبناء محرك بحثي باستخدامIBM Watson Discovery  *

د. كريمان بكنام صدقي

مدرس علم المعلومات-قسم المكتبات والوثائق والمعلومات

كلية الآداب – جامعة القاهرة

Kareman14@gmail.com

المستخلص:

انطلاقًا مما تشهده البشرية من تضخم مصادر المعلومات وتنوعها، وما تُتيحه من عدد لا محدود من المعلومات في ظل الشبكة العنكبوتية؛ ظهرت الحاجة إلى تطوير أساليب أكثر قدرة على إجراء عمليات البحث عن المعلومات واسترجاعها، وقد أسهم الذكاء الاصطناعي في تطوير أساليب البحث واسترجاع المعلومات، من خلال عِدة تقنيات منها: تقنية تعلم لغة الآلة وخوارزميات معالجة اللغة الطبيعية؛ والتي تُمكن الحاسب من فهم اللغات التي يتحدث بها البشر، بالإضافة إلى تصميم واجهات ذكية تعمل على المواءمة بين لغات البشر، ولغة الحاسب ينتج عنها استرجاع المعلومات باستخدام اللغة الطبيعية.

هدفت الدراسة إلى التعرف على كيفية استثمار تقنيات الذكاء الاصطناعي في تطوير أساليب بحث واسترجاع المعلومات، لبناء محرك بحثي باستخدام أداة واتسون ديسكفري Watson Discovery؛ وتُقدم الدراسة بالاعتماد على المنهج الوصفي التحليلي، وباستخدام أداة تحليل المحتوى، تقدم عرضًا لمفهوم الذكاء الاصطناعي وتطبيقاته من وصف مناهج تعلم لغة الآلة Machine Learning Approaches، وخوارزميات فهم اللغة الطبيعيةومعالجتها Natural Language Processing، وشرح مفاهيم استرجاع المعلومات واستخراجها Information retrieval and extraction، وكيفية تقييم جودة خوارزميات معالجة اللغة الطبيعية في استرجاع المعلومات؛ وذلك من خلال عرض خدمات الذكاء الاصطناعي المُقدمة من شركة “IBM” International Business Machines Corporation، والمُتاحة عَبر منصتها IBM Cloud، والتعريف بأداة واتسون ديسكفري Watson Discovery والمختصة بالبحث والتحليل لمحتوى الملفات؛ وبيان بنيتها الهيكلية ومراحل التطبيق لأغراض تطوير البحث واسترجاع المعلومات، وكيفية استثمارها بشكل فعال في المؤسسات المختلفة كالمكتبات ومراكز المعلومات.

ومِن أبرز ما خَلُصت إليه تلك الدراسة: يجبتوجيه المكتبات ومراكز المعلومات نحو الإفادة من خدمات الذكاء الاصطناعي المستخدمة في البحث عن المعلومات واسترجاعها، فيتقديم خدماتها بكفاءة وجودة عالية؛ وذلك لما توفره من وقت وجهد للعاملين بها وللمستفيدين منها، كما يمكن الإفادة مِن عرض أداة واتسون ديسكفري Watson Discoveryفي بناء محرك بحثي يعمل على  تحليل النصوص والتعرف على محتويات الملفات من خلال تقنية Smart Document Understanding وتحسين نتائج البحث، وتحديد مدى ملاءمة نتائج الاسترجاع للاستفسار البحثي من خلال تقنية Train Watson to Improve Results ممَا يسهم في تقليل الوقت والجهد المستغرق في عملية البحث.

الكلمات المفتاحية:تقنيات الذكاء الاصطناعي، أساليب البحث، استرجاع المعلومات، محرك بحثي، معالجة اللغة الطبيعية، لغة الآلة، واتسون ديسكفريWatson Discovery.


أولاً : الإطار المنهجي:

1/1 التمهيد:

          يُعد الذكاء الاصطناعي AI (Artificial Intelligence)فرعا من فروع علوم الحاسب؛ الذي يهدف إلى محاكاة السلوك الإنساني معتمدًا في ذلك على أوامر برمجية توجه الحاسب لأداء المهام التي يؤديها الإنسان، ولكن بطريقة أفضل وأكثر تيسيرًا.

          ونظرًا لما يُقدمه الذكاء الاصطناعي AIمن تقنيات تدخل في العديد من المجالات الطبية والعلمية والتجارية والعسكرية؛ سعت العديد من المؤسسات إلى دمج تلك التقنيات في العمليات التي تقوم بها، والخدمات التي تقدمها للمستفيدين منها، وكانت المكتبات ومراكز المعلومات كغيرها من المؤسسات التي استفادت من تطبيق تقنيات الذكاء الاصطناعي في العديد من الخدمات؛ كالفهرسة، والتزويد، والتصنيف، والخدمة المرجعية، والبحث عن المعلومات واسترجاعها؛ وذلك لتحسين الكفاءة وخفض التكاليف وزيادة الإنتاجية والمساعدة في اتخاذ القرارات المناسبة (عامر،2021).

ومن هذا المنطلق، تعمل الدراسة على توضيح آليات بناء محرك بحثي باستخدام أداة واتسون ديسكفريWatson Discovery لتطوير أساليب بحث واسترجاع المعلومات، وكيفية استثمار تلك الأداة بشكل فعال في المؤسسات المختلفة كالمكتبات ومراكز المعلومات لتحسين كفاءة الخدمات التي تقدمها للمستفيدين منها، وذلك من خلال عرض مفهوم الذكاء الاصطناعي، وتطبيقاته من وصف مناهج تعلم لغة الآلة Machine Learning Approaches، وخوارزميات فهم اللغة الطبيعية ومعالجتها Natural Language Processing، وشرح مفاهيم استرجاع المعلومات واستخراجها Information retrieval and extraction، وكيفية تقييم جودة خوارزميات معالجة اللغة الطبيعية في استرجاع المعلومات؛ إضافًة إلى عرض خدمات الذكاء الاصطناعي المُقدمة من شركة IBM” International Business Machines Corporation”، والمُتاحة عَبر منصتها IBM Cloud، والتعريف بأداة واتسون ديسكفري Watson Discovery المختصة بالبحث والتحليل لمحتوى الملفات؛ وبيان بنيتها الهيكلية وآليات تطبيقها واستثمارها في أغراض تطوير البحث واسترجاع المعلومات.

1/2 إشكالية الدراسة ومبرﱢراتُها:

          يُعد الذكاء الاصطناعيAI وتطبيقاته واحدًا من العلوم التقنية الحديثة التي تهدف إلى قيام الآلة بكل عمل يقوم به الإنسان، ولكن بطريقة أفضل وأكثر تيسيرًا؛ ونظرًا لما يُقدمه الذكاء الاصطناعي من تقنيات تدخل في العديد من المجالات؛ سعت العديد من المؤسسات إلى دمج تلك التقنيات في العمليات التي تقوم بها والخدمات التي تقدمها للمستفيدين منها، وتُعد شركة IBM من الشركات الرائدة في مجال الذكاء الاصطناعي وتطبيقاته؛ وتقدم العديد من الخدمات من أشهرها خدمةواتسون ديسكفري Watson Discovery المختصة بالبحث والتحليل لمحتوى الملفات، وهنا تبرُز إشكالية الدراسة في توضيح آليات بناء محرك بحثي باستخدام أداة واتسون ديسكفري، لتطوير أساليب أكثر قدرة على إجراء عمليات البحث عن المعلومات واسترجاعها؛ وبيان بنيتها الهيكلية وآليات تطبيقها في المؤسسات المختلفة كالمكتبات ومراكز المعلومات لتحسين كفاءة وجودة الخدمات التي تقدمها للمستفيدين منها.

1/3 أهداف الدراسة:

يتمثل الهدف الرئيسي للدراسة في:“ توضيح آليات بناء محرك بحثي باستخدام أداة واتسون ديسكفري Watson Discovery لتطوير أساليب أكثر قدرة على إجراء عمليات البحث عن المعلومات واسترجاعها، وبيان بنيتها الهيكلية وآليات تطبيقها في المؤسسات المختلفة كالمكتبات ومراكز المعلومات“؛ وينطوي هذا الهدف الرئيسي على مجموعة من الأهداف الفرعية سعت الدراسة إلى تحقيقها، وهى:

1-   التعريف بالذكاء الاصطناعي، وبيان خصائصه ومجالاته.

2-   حصر خدمات الذكاء الاصطناعي المُقدمة من شركةIBM ، والمُتاحة عَبر منصتها IBM Cloud  والتي تم التدريب عليها عمليا خلال الدورة التدريبية.

3-   رصد التطبيق العملي لأداة واتسون ديسكفري Watson Discovery؛ وبيان كيفية استثمارها بشكل فعال في بناء محرك بحثي يعمل على  تحليل النصوص، والتعرف على محتويات الملفات لتطوير أساليب أكثر قدرة على إجراء عمليات البحث عن المعلومات واسترجاعها.

4-   تحديد ملاءمة نتائج الاسترجاع للاستفسار البحثي في أداة واتسون ديسكفري Watson Discovery

1/4 تساؤلات الدراسة:

لتحقيق أهداف الدراسة سالفة الذكر حاولت الدراسة الإجابة عن التساؤلات التالية:

1-    ما المقصود بالذكاء الاصطناعي؟ وما خصائصه ومجالاته؟

2-   ما خدمات الذكاء الاصطناعي المُقدمة من شركةIBM ، والمُتاحة عَبر منصتها IBM Cloud؟

3-    ما مراحل تطبيق أداة واتسون ديسكفري Watson Discovery في بناء محرك بحثي لتطوير أساليب أكثر قدرة على إجراء عمليات البحث عن المعلومات واسترجاعها؟

4-    ما مدى قدرة نظام الإسترجاع في أداة واتسون ديسكفري Watson Discovery؟

1/5 حدود الدراسة:

الحدود الموضوعية : تتناول الدراسة موضوع استثمار تقنيات الذكاء الاصطناعي في تطوير أساليب بحث واسترجاع المعلومات لبناء محرك بحثي باستخدام أداة واتسون ديسكفري Watson Discovery.

الحدود النوعية: تركز الدراسة على التعريف بأداة واتسون ديسكفريWatson Discovery المختصة بالبحث والتحليل لمحتوى الملفات؛ ضمن خدمات الذكاء الاصطناعي المُقدمة من شركة IBM، والمُتاحة عَبر منصتها IBM Cloud.

 الحدود اللغوية: تتناول الدراسة أداة واتسون ديسكفريWatson Discovery؛ ضمن خدمات الذكاء الاصطناعي المُقدمة من شركة IBM  الَّتي لها واجهة باللغة الإنجليزية.

1/6 منهج الدراسة وأدواتها:

 فرضت طبيعة الدراسة – وما تَسعى إليه من أهداف- استخدام المنهج الوصفي التحليلي في دراسة خدمات الذكاء الاصطناعي المُقدمة من شركةIBM ، والمُتاحة عَبر منصتها IBM Cloud؛ وبخاصًة أداة واتسون ديسكفري Watson Discovery المختصة بالبحث والتحليل لمحتوى الملفات؛ كما تم الاعتماد على أداة تحليل المحتوى في تجميع المادة العلمية عن طريق الاطلاع على المصادر البحثية المُتاحة في الإنتاج الفكري المنشور باللغتين العربية والإنجليزية والمصادر التعليمية للدورة التدريبية والمُتاحة باللغة الإنجليزية، والقيام بمجموعة من الإجراءات البحثيَّة لإتمام الدراسة؛ وهى كالآتي:

1.     الاطلاع على العديدِ من الدراسات والأبحاث من الإنتاج الفكري العربي والأجنبي الَّتي تناولت موضوع الذكاء الاصطناعي وتطبيقاته.

2.     الدراسة والتدريب العملي على خدمات الذكاء الاصطناعي المُقدمة من شركة IBM، والمُتاحة عَبر منصتها IBM Cloud .

3.     دراسة أداة واتسون ديسكفري Watson Discovery؛ وبيان بنيتها الهيكلية وآليات تطبيقها في بناء محرك بحثي يعمل على  تحليل النصوص، والتعرف على محتويات الملفات، وتتميز هذه الأداة عن غيرها من أدوات البحث التقليدية بأنها تدعم البحث في البيانات المهيكلة وغير المهيكلة، وتدعم البحث في الملفات بصيغها المختلفة (Pdf, Word, Html, Jason ,ppt)، كما تستخدام اللغة الطبيعية للبشر في عمليات البحث، وتدعم اللغة الطبيعية والبحث في محتويات كل ملف على حِدة، مما يجعل عملية الاسترجاع أكثر دقة.

4.     إنشاء وتشغيل أداة واتسون ديسكفري لبناء محرك البحث، وتم تجريب الأداة عن طريق رفع مجموعة من الملفات في موضوع الــ  Artificial Intelligence باللغة الإنجليزية في صيغة PDF, Word وعددها (11) ملفا، ثم إجراء عمليات البحث فيها؛ ويتم عمل الاستفسارات على الملفات بكتابة الاستفسار البحثي والتحقق من مدى ملاءمة النتائج للاستفسار.

5.     3-       تقييم جودة محرك البحث من خلال الضغط على Train Watson to improve results، ثم اختيار Rate result للتحقق من مدى نجاح محرك البحث في استرجاع المعلومات باستخدام اللغة الطبيعية.

1/7 الدراسات السابقة:

         تم إجراء مسح شامل للإنتاج الفكري المَنشور حول موضوع الدراسة باللغة العربية والإنجليزية، وذلك باستخدام أدوات بحث الإنتاج الفكري، للتعرُّف على الدراسات والجهود الَّتي ترتبط بشكل مباشِر أو غير مباشر بموضوع الدراسة؛ ووُجدت رسالة ماجستير بعنوان: ” تطبيقات الذكاء الاصطناعي في المكتبات المصرية: دراسة تخطيطية”، حصرت فيها الباحثة مصادر الإنتاج الفكري حتى نهاية عام 2020م مقّسم إلى ثلاث فئات رئيسية؛ هي: الدراسات التي تناولت الذكاء الاصطناعي بشكل عام في المكتبات، والدراسات التي تناولت النظم الخبيرة الخاصة بالمكتبات وتصميمها، والدراسات التي تناولت الذكاء الاصطناعي، ودوره في البحث واسترجاع المعلومات، ومنعًا لتكرار الجهود تستعرض الدراسة الإنتاج الفكري المنشور بعد عام2020؛ ولعل منها دراسة (الخليفة،2021)، والتي ألقت الضوء على تطبيق Talk to Books كأحد تطبيقات الذكاء الاصطناعي الذي أنتجته جوجل، فتستعرض العناصر الأساسية التي يعتمدها التطبيق في تحسين آلية البحث والاسترجاع به، وهي بيانات الإدخال Input Data والتنبؤ pdiction والنموذج Model، وقد خلُصت الدراسة بأن Talk to Books  أداة استرجاع مطورة من خلال مليارات الأزواج من العبارات عن طريق بيانات الإدخال Input Data ثم التنبؤ pdicting بالإجابة المطلوبة لجمل الاستفسار، وذلك من خلال نموذج Model مدرب يتم استخدامه في إدخال تلك الأزواج من العبارات لصنع التنبؤات، وبذلك يصبح النموذج قادرا على اختيار الاستجابة الأكثر احتمالا من مجموعة من الخيارات، فهي أداة إبداعية أكثر من كونها وسيلة للعثور على إجابات محددة، ومن أهم التوصيات: ضرورة العمل على زيادة أعداد الكتب التي يعتمد عليها تطبيق Talk to Books وهي: 100.000 كتاب، وذلك بإضافة تقنية الذكاء الاصطناعي إليها لتوسيع قاعدة بياناته.

وركزت دراسة (ضليمي؛ أبوشرحة،2021) على معرفة إمكانية تصميم نماذج للذكاء الاصطناعي باستخدام تطبيقات إدارة المعرفة للهيئة العامة للأرصاد، وحماية البيئة بالمملكة العربية السعودية، وكان من أهم نتائج الدراسة التقييمية: مصادر المعرفة الرسمية تتوفر بنسبة أعلى من المتوسط، بينما توثيق المعرفة الضمنية منخفض جدا بالمقارنة مع المصادر الرسمية، ووجدت الدراسة مجالات إدارة المعرفة تهتم فقط بالتمكين للمعرفة والثقافة التنظيمية بنسبة 67% مقابل عدم التطبيق بنسبة 33% فقط، أما عمليات تطبيق إدارة المعرفة في الهيئة، فبلغت جميعها أكثر من المتوسط، وأن أقل نسبة توفر بين تطبيقات إدارة المعرفـة التي تتوفر بالهيئة هي: تنظيم المعرفة وتشخيص المعرفة، بينما أكثرها توافرًا هو: تخزين ومشاركة ومن ثم تكوين المعرفة، وأوصت الدراسة بضرورة الاهتمام بأساليب الذكاء الاصطناعي في عمليات تنظيم المعرفة مثل: الاستعانة بفريق مختص لتنظيم المعرفة الموجودة في الإدارة، والاستفادة من برمجيات التصنيف الوجهي التي تتيح للمستخدم استرجاع المعلومات بيسر وسهولة، واستخدام تقنيات الويب الدلالي عبر الأنطولوجيا التي تحدد العلاقات بين المفاهيم لتحسين عمليات الاسترجاع، وأخيرًا دمج عمليات إدارة المعرفة مع الـذكاء الاصطناعي.

وعرضت دراسة (ناجي،2021) تطبيقات الذكاء الاصطناعي في مجال تحليل المحتوى وعمليات التكشيف، واستخدامات معالجة اللغة الطبيعية بصفة عامة، وفي المكتبات ومراكز المعلومات بصفة خاصة، كما رصدت الدراسة باستخدام المنهج الوصفي التحليلي، منصات لذكاء الاصطناعي التي يمكن الاستفادة منها في مجال تحليل المحتوى، مع العمل على تطبيق أحد نظم معالجة اللغة الطبيعية، واستخدامها في تحليل المحتوى لمصادر المعلومات لتحقيق الإفادة منها.

كما تناولت دراسة (قناوي،2022) تحليل تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة لاستكشاف الاتجاهات البحثية الجديدة في مجال تحليل البيانات الضخمة باستخدام الذكاء الاصطناعي؛ وذلك بالاعتماد على المنهج الوصفي التحليلي، من خلال قائمة مراجعة تناولت أنواع الذكاء الاصطناعي الأكثر شيوعا في تحليلات البيانات الضخمة، وقدمت الدراسة مراجعة علمية شاملة عن آليات تطبيق تقنيات الذكاء الاصطناعي في بيئة البيانات الضخمة، وقد توصلت الدراسة إلى: من أكثر تحديات تطبيق الذكاء الاصطناعي في مجال البيانات الضخمة يأتي في معالجة الكميات الكبيرة من البيانات بنسبة 65%، وتوصي الدراسة بضرورة تنفيذ تقنيات الذكاء الاصطناعي لتحليل البيانات الضخمة.

وقد عرضت دراسة (أحمد،2022) نموذج إطار عام لاستخراج البيانات الببليوجرافية من مصادر المعلومات النصية العربية لتيسير عمل المفهرسين؛ فيقدم في بحثه توضيحا لماهية الذكاء الاصطناعي وتطبيقاته، وتوضيح دور الناشر في عملية إنشاء التسجيلات الببليوجرافية، وكيف يمكن الاستفادة من إمكانات التعلم الآلي في استخراج البيانات الببليوجرافية من مصادر المعلومات النصية.

وأشار كل من (Liu, J., Chen, Y. 2022) في دراستهما إلى طرق تطبيق تقنية الذكاء الاصطناعي في مكتبة الجامعة، لبناء نظام استرجاع معلومات ذكي جديد لإصلاح وتطوير مكتبة الجامعة؛ وقدمت حلولًا مبتكرة تكمن في عرض إنجازات تقنية الذكاء الاصطناعي في مجال استرجاع معلومات بمكتبة الجامعة، وقد توصلت الدراسة بأن تقنية استرجاع المعلومات الخاصة بمكتبة الجامعة المعتمدة على الذكاء الاصطناعي، قد حسنت بشكل كبير من القدرة الإدارية الشاملة لمكتبة الجامعة، وجلبت تجربة مستخدم أفضل.

ومن خلال عرض الدراسات السابقة من أدبيات الإنتاج الفكري، يلاحظ أنها قد اتسمت بالتركيز على تطبيقات الذكاء الاصطناعي من منظور المفاهيم والأهمية، وكيفية الاستخدام في المؤسسات المختلفة لتوفير الوقت والجهد في تقديم خدماتها، وركزت الدراسات التي تستهدف تطبيق الذكاء الاصطناعي في المكتبات ومراكز المعلومات على مجالات الفهرسة، والتزويد، والتصنيف، والخدمة المرجعية، والبحث عن المعلومات واسترجاعها، وتعمل الدراسة الحالية على معالجة مراحل تطبيق أداة من أدوات الذكاء الاصطناعي لتطوير أساليب البحث واسترجاع المعلومات.

ثانيا: الإطار النظري:

يستعرض الإطار النظري للدراسة مفاهيم الذكاء الاصطناعي والخصائص التي يتمتع بها، ومجالات التطبيق، ويلقي الضوء على خدمات Watson  IBM في مجال الذكاء الاصطناعي التي تقدمها شركة IBM عبر منصتها IBM Cloud.

أولًا: الذكاء الاصطناعي AI (Artificial Intelligence) المفهوم والخصائص ومجالات التطبيق:

2/1 التعريف:

ظهر مصطلح الذكاء الاصطناعي AIعام 1956م على يد جون مكارثي “John McCarthy” ضمن ورشة عمل قُدمت في مؤتمر جامعة دارتموث “Dartmouth” الأمريكية، ولقد قدم مكارثي تعريفًا للذكاء الاصطناعيAI حينها بأنه: “علم وهندسة صنع الآلات الذكية” (Peart, 2017).

 وبالرجوع للإنتاج الفكري المنشور وُجدت العديد من التعريفات التي تناولت مفهوم الذكاء الاصطناعيAI؛ ونذكر منها مايلي:

·       هو الأجهزة والتطبيقات الميكانيكية والإلكترونية المصممة لتقليد قدرة الإنسان على التعلم واتخاذ القرارات، ويتم استخدامه في تكنولوجيا التعرف على الصوت، والنظم الخبيرة، ومعالجة اللغة الطبيعية، والروبوتات (ODLIS, 1999).

·       هو علم يهتم بدراسة إنتاج آلات تحتوي على بعض الصفات التي يتمتع بها العقل البشري، كالقدرة على فهم اللغة الطبيعية، والتعرف على الصور، وحل المشكلات، والتعلم(CambrdgeDctionary,1999).

·       هو فرع من فروع علم الحاسب يهتم بدراسة وصناعة أنظمة حاسوبية يمكنها إنجاز أعمال تتطلب ذكاءً بشريًا، وتمتاز هذه الأنظمة بأنها تتعلم مفاهيم ومهام جديدة تمكنها أن تُفكر وتستنتج استنتاجات مفيدة حول العالم الذي نعيش فيه (عفاف،2017).

·       مجموعة من التقنيات والأساليب الخاصة بالحوسبة؛ تهتم بقدرة أجهزة الكمبيوتر على اتخاذ قرارات عقلانية مرنة، استجابة للظروف البيئية التي لايمكن التنبؤ بها في كثير من الأحيان، وتشمل معالجة اللغة الطبيعية، وتعلم الآلة، والنظم الخبيرة، واتخاذ القرارات المنطقية (Tredinnick, 2017).

·       هو العلم القادر على بناء الآلات التي  تؤدي مهاما تتطلب قدرًا من الذكاء البشري.(Holland, 2019)

·       يُعدُ من أشمل التعريفات التي وجدت لتعريف الذكاء الاصطناعيAI بأنه: ” العلم الذي يدور حول محاكاة الذكاء البشري عبر أنظمة الحاسوب؛ وذلك من خلال دراسة السلوك البشري عبر وضع تلك الأنظمة في مواقف معينة ومراقبة رد الفعل ونمط التفكير والتعامل مع المواقف، بحيث يكون الحاسب الآلي قادرا على التعلم وجمع البيانات وتحليلها، واتخاذ القرارات بطريقة تحاكي طريقة تفكير البشر(إيهاب،2018).

وباستعراض عددٍ من التعريفات التي تناولت مفهوم الذكاء الاصطناعيAI؛ وُجدت أنها تتفق في مضمونها بأنه العلم الذي يبحث في كيفية جعل الحاسب الآلي يؤدي الأعمال التي يؤديها البشر بأقل مجهود وأكثر كفاءة.

2/2 النشأة:

تم الإعلان عن مصطلح الذكاء الاصطناعي((AI بواسطة العالم جون مكارثي John McCarthy لأول مرة في عام 1956م في أول مؤتمر للذكاء الاصطناعي بجامعةDartmouth ، وفي عام 1962م تأسست شركة Unimation كأول شركة لإنتاج الربوتات في مجال الذكاء الاصطناعي.

وفي عام 1965م تم كتابة برنامج ELIZA للذكاء الاصطناعي؛ ليثبت إمكانية التواصل بين البشر والحاسب الآلي باستخدام اللغة الإنجليزية في الحوار، ثم إنتاح أول ربوت متحرك Shakey  بواسطة جامعة ستانفورد Stanford University  في عام 1969م.

وقدمت ستانفورد كارت Stanford Cart  أول سيارة مستقلة ذات تحكم بالحاسب الآلي في عام 1979م، وفي عام 1981م تم إنتاج أول حاسب شخصي بواسطة IBM .

كما شهدت التسعينيات تقدما كبيرا في جميع مجالات الذكاء الاصطناعي؛ فظهر مجال تعلم لغة الآلة Machine Learning Approaches، وخوارزميات فهم ومعالجة اللغة الطبيعيةNatural Language Processing ، وغيرها من تطبيقات الذكاء الاصطناعي؛ ففي عام 1993 تم إنتاج أول ربوت GOG ذي مظهر بشري من معهد ماساتشوستس للتكنولوجيا Massachusetts Institute of Technology.

وبحلول القرن العشرين  بدأ الذكاء الاصطناعي يدخل إلى العديد من الشركات مثل Google,Amazon، وشهد عام 2011 طفرة هائلة في مجال الذكاء الاصطناعي، وقد أصدرت شركة آبل تطبيق SIRI  وهو تطبيق للهواتف الذكية يستخدم اللغة الطبيعية في الإجابة على استفسارات المستفيدين (عامر،2021).

2/3 الخصائص والسمات:

–       أشار (العبيدي،2015) إلى خصائص الذكاء الاصطناعيAI وتتمثل في :

q   إمكانية تمثيل المعرفة Knowledge Repsentation

q   تمثيل المعرفة باستخدام الرموز Symbolic Repsentation .

q   استخدام الأسلوب التجريبي المتفائل using of experience

q   قابلية التعامل مع المعلومات الناقصة Ability to deal with incomplete data

q   القابلية للتعلم Ability to learn

q   محاكاة الإنسان فكرًا وأسلوبًا في حل المشكلات .

q   التعامل مع الفرضيات بشكل متزامن وبدقة وسرعة عالية.

q   يتطلب بناؤها تمثيل كميات هائلة من المعارف الخاصة بمجال معين .

q   تقليص الاعتماد على البشر.

q  غياب الشعور بالتعب والملل.

–    وذكر (Corea, F,2019) أن الذكاء الاصطناعيAI يتفاعل مع الذكاء الإنساني من خلال عملية تُعرف بـهندسة المعرفة Knowledge Engineering؛ والتي يتم فيها نقل المعلومات من الخبراء إلى الحاسوب، ليتم معالجتها ونقلها مرة أخرى إلى الإنسان.

–       وحدد كل من(Simões-Marques, M. Figueira, J,2018) أن عملية هندسة المعرفة Knowledge Engineering تتم من خلال خمسة مراحل، وهي:

1.     اكتساب المعرفة Knowledge Engineering: يتم من خلالها تخزين قاعدة بيانات معرفية داخل برمجيات الذكاء الاصطناعي.

2.     تمثيل المعرفةKnowledge Repsentation: تقوم من خلالها برمجيات الذكاء الاصطناعي بتنظيم المعرفة المكتسبة لتصبح جاهزة للاستخدام.

3.     التحقق من صحة المعرفة Knowledge Validation: تقوم برمجيات الذكاء الاصطناعي من خلالها بإجراء عمليات اختبار للتأكد من صحة المعرفة وجودتها.

4.     الاستدلال Inference:  تقوم برمجية الذكاء الاصطناعي من خلالها باستنباط مستويات أعلى من المعرفة يمكن استخدامها في حل المشكلات.

5.     التفسير والتبرير Explanation and Justification: يتم فيها تقديم المعرفة الجديدة التي تمثل حل المشكلة بطرق عرض مناسبة.

–    كما ذكر (عبد الرؤف،2017) أنه يمكن للذكاء الاصطناعي AI أن يُحاكي السلوك البشري في الصفات الآتية:

•        القدرة على التفكير: ويعني بها استخدام تقنيات الحاسب الآلي في حل المشكلات باستخدام أسلوب التفكير الحاسوبي Computational Thinking، وتضمن هذه العملية عددا من العناصر التي تقوم بصياغة المشكلات بطريقة تُمكن من استخدام الحاسب الآلي للمساعدة في حلها، والاستفادة منها، وتطبيقها على مدى واسع من المشكلات(معمار،2020).

•        القدرة على الرؤية : ويُقصد بها تمكين الحاسب من رؤية الأشياء المحيطة به والتعرف عليها من خلال الرؤية بالحاسب Computer Vision.

•        القدرة على السمع: وتعني أن يكون الحاسب أكثر تفاعلية مع البشر، وذلك من خلال فهم لغتهم والتواصل معهم.

•        القدرة على التحدث: وتعني فهم الحاسب الآلي  للغة الإنسان عن طريق التعرف على الأصوات وتحليلها والرد عليها.

•        القدرة على المشي والحركة: ويتم من خلالها تصميم الروبوتات التي تركز على الحركة بشكل أساسي.

–    ويُمكن تصنيف الذكاء الاصطناعيAI – تبعًا لما يتمتع به من قدرات- إلى ثلاثة أنواع مُختلفة على النحو الآتي ( شعبان،2021):

·       الذكاء الاصطناعي العام (General AI): وهو النوع الذي يُمكن أن يَعمل بقدرة تُشابه قدرة الإنسان من حيث التفكير، فهذا النوع يُركز على جعل الآلة قادرة على التفكير والتخطيط من تلقاء نفسها، وبشكل مُشابه للتفكير البشري؛فيقوم بجمع المعلومات وتحليلها وعمل تراكم خبرات من المواقف التي يكتسبها،

o      مثال: السيارات ذاتية القيادة، وروبوتات الدردشة الفورية.

·       الذكاء الاصطناعي المحدود أو الضيق(Weak AI or Narrow AI): هو أحد أنواع الذكاء الاصطناعي الذي يستطيع القيام بمهام مُحددة وواضحة داخل بيئة محددة، مثال : برامج التعرُف على الكلام أو الصور.

·        الذكاء الاصطناعي الفائق (Super AI): هو النوع الذي قد يفوق مستوى ذكاء البشر، ويستطيع القيام بالمهام بشكل أفضل مما يقوم به الإنسان، ولهذا النوع العديد من الخصائص؛ كالقدرة على التعلُم، والتخطيط ، والتواصل التلقائي ، وإصدار الأحكام (عامر،2021).

ثانيًا : مجالات الذكاء الاصطناعي:

          يضم الذكاء الاصطناعيAI العديد من المجالات الفرعية، ومن ضمنها ما يلي:

1-التعلم الآلي Machine Learning:

      هو أحد فروع علم الذكاء الاصطناعي (AI) الذي يهتم بتصميم وتطوير خوارزميات تتيح للحاسب الآلي القدرة على التعلم من خلال البيانات المدربة Training Data، معتمدًا في ذلك على العلاقة بين المدخلات والمخرجات((Awad M., Khanna R,2015

–   يتم تعليم الآلة من خلال العديد من الخوارزميات وهي :

·      التعلم الموجه / الخاضع للإشراف Supervised Learning : يقوم الإنسان في هذا النوع من تعليم الآلة بتزويد النظام بالخصائص Features والعناوين Labels؛ فيتم تدريب الآلة على التنبؤ بالعناوين اعتمادًا على الميزات والعناوين المُخزنة في النظام مسبقا.

يُستخدم في التعليم الخاضع للإشراف:أسلوب التصنيف Classification، وأسلوب الانحدار Regression.

مثال(1): يتم تدريب النظام على صورة التفاحة؛ فيتم إدخال الـ Features الخاصة بها، ولتكن بيضاوية ولونها أحمر تحت  Label(تفاحة).

مثال(2): يتم تدريب النظام على أعراض أمراض معينة؛ فيتم إدخال الـ Features الخاصة بكل مرض، ويقوم النظام بتصنيف المرضى في ضوء تحليلاتهم الطبية.

·      التعلم غير الموجه/ غير الخاضع للإشراف Unsupervised Learning : في هذا النوع من تعليم الآلة يقوم الإنسان بتدريب الآلة على استرجاع البيانات، واستنتاج العلاقات عن طريق تجميع الـ Features المتشابهة معا.

يُستخدم في التعليم غير الخاضع للإشراف: أسلوب التجميع Clustering.

مثال(1): تجميع رغبات العملاء عند الشراء لإعطاء مقترحات تناسب كل فئة.

مثال(2): تجميع ضحايا مرض معين لإعطاء تفسيرات حول المرضى مثل: عاداتهم، والبيئة المحيطة بهم.

·    التعلم شِبه الموجه Semi-supervised Learning: في هذا النوع يتم تدريب الآلة عن طريق إدخال عدد ضخم من البيانات، وأخذ عينة منها، وعمل لها خصائص Features، ويتم استرجاع البيانات بناءً على تلك الخصائص.

·   التعلم الموجه نحو الهدف/ المُعزز Reinforcement Learning: في هذا النوع يتم تدريب الآلة عن طريق الملاحظة والتفاعل مع البيئة (يبدأ النظام في تدريب نفسه من خلال التجربة والخطأ) .

مثال: محاكاة إستراتيجيات الحرب عن طريق القيام بحرب افتراضية، فيتعلم الجنود الافتراضيون الحركات، واتخاذ القرارات على أساس الفوز أو الخسارة في الحرب (2020، Murad, Kurdy).

·   التعلم العميق Deep Learning :  في هذا النوع يتم تدريب الآلة على أداء مهمة محددة بشكل متكرر، وفي كل مرة يتم إجراء تعديل بسيط عليها لتحسين النتائج (عامر،2021).

مثال : المواقع التي تستخدم التعلم العميق قي تحليل بيانات المستخدمين مثل: موقع .Amazon, Netflix

2-معالجة اللغة الطبيعية Natural Language Processing  (NLP):

        هى تقنية تجعل الحاسب الآلي قادرًا على فهم لغة الإنسان الطبيعية، سواء عند إدخال البيانات أو تشغيلها أو استرجاعها؛ فهي تعتبر الأداة التي تكفل التواصل بين البشر والحاسبات (عفاف،2017).

-تعتمد معالجة اللغة الطبيعية على ثلاث تقنيات رئيسية وهي: ( فهم اللغة الطبيعية-  توليد اللغة الطبيعية- الترجمة الآلية).

· فهم اللغة الطبيعية Natural Language Understanding  (NLU):  تهدف هذه التقنية إلى فهم اللغة عن طريق تمكين جهاز الحاسب الآلي من قراءة وفهم النص.

        من أشهر تطبيقات فهم اللغة الطبيعية NLP :

–       Mapping a user’s

–       Question and answering system

–       Sentiment analysis

·   توليد اللغة الطبيعية Natural Language Generation  (NLG):  تهدف هذه التقنية إلى تصميم برمجيات لديها القدرة على إنتاج كلمات وجمل باللغة الطبيعية؛ بحيث تكون هناك مجموعة من المعلومات المخزنة داخل الحاسب الآلي، ومن ثم يقوم بتحويلها إلى لغة طبيعية (Semaan,2012).

         من أشهر تطبيقات توليد اللغة الطبيعية :NLG

–       Machine translation

–       Text summarization

–       Weather forecasting system

·الترجمة الآلية Machine Translation : تهدف هذه التقنية إلى تصميم برامج حاسب آلي يمكنها الترجمة من لغة إلى أخرى دون الإخلال بالمعنى.

        مثال: Google Translation .

3-النظم الخبيرة Expert Systems:

        هى برامج حاسب آلي تعتمد على تقنية الذكاء الاصطناعي في حل المشكلات داخل مجال متخصص يتطلب تدخل العنصر البشري؛ فهي تهدف إلى تطوير برامج حاسب آلي تقوم بتحليل الأحداث في مجال معين، والوصول إلى النتائج التي يصل إليها الخبراء في المجال(عبدالله،2019).

مثال : نظام Eliza  (طبيب نفسي خبير).

–      ويتكون النظام الخبير من:

·     قاعدة معرفية: Knowledgebase ” تحتوي على مجموعة الحقائق والقواعد المرتبطة بالمجال الموضوعي”.

·     محرك استدلالي: Inference Engine ” يتم من خلالها البحث في قواعد االمعرفة”.

·     واجهة المستفيد: User Interface ” يتم من خلالها التواصل بين المستفيد والنظام الخبير”

·     آلة التطوير والتحديث: Development and Modernization Machine ” يتم من خلالها إجراء التعديلات في قاعدة المعرفة”.

·     أداة التحكم: Control Mechanism ” يتم من خلالها التحكم الداخلي في قاعدة المعرفة، ومحرك الاستدلال للإجابة على الاستفسارات التي يطرحها المستفيد (عبد الرؤف،2017).

4-   الروبوتات Robotics :

        هو علم يستخدم الذكاء الاصطناعي، وعلوم الحاسب الآلي، والهندسة الميكانيكية في تصميم آلات يتم برمجتها لأداء مهام محددة؛ ويتكون الربوت من: (عبدالله،2019)

·      أجهزة استشعار متعددة “تستخدم في التعرف على البيانات”.

·      معالجات بيانات سريعة ” لمعالجة البيانات التي تم التعرف عليها”.

·      ذاكرة لحفظ البيانات .

5-الرؤية الحاسوبية Computer Vision:

        هي أحد مجالات علوم الحاسب؛ وتهدف إلى تصميم برمجيات يمكنها فهم وتحليل محتوى الصور سواء أكانت ثابتة أو متحركة بالطريقة التي يفهمها البشر.

ويشمل هذا المجال ثلاث تقنيات رئيسية وهى: (عامر،2021)

·      التعرف على الصور: Image recognition

تستخدم هذه التقنية في عملية الكشف عن الخصائص أو الكيانات في الصور الرقمية أو الفيديو.

·      التعرف على الأنشطة: Activity recognition

تستخدم هذه التقنية في التعرف على الأنشطة التي يقوم بها الأشخاص باستخدام مجموعة من الأجهزة مثل: (أجهزة الاستشعار عن بعد والكاميرات).

·    الرؤية الآلية: Machine vision

تستخدم هذه التقنية في التعرف على الإرشادات التوجيهية للآلات لتساعدهم في تنفيذ المهام؛ مثل:( استخدام لغة الآلة في توجيه الربوتات للقيام بعملية الفرز).

ثالثا: خدمات الذكاء الاصطناعي التي تقدمها شركة : IBM

ويوضح شكل(1) التالي خدمات Watson IBM في مجال الذكاء الاصطناعيAI التي تقدمها شركة IBM عبر منصتها IBM Cloud؛ والتي يمكن للمؤسسات الاستفادة منها، واستثمارها بشكل يجعلها تقدم خدماتها بكفاءة وجودة عالية، وهى كالآتي:

Graphical user interface, website

Description automatically generated

شكل (1) خدمات  IBM Watsonالمقدمة عبر منصة IBM Cloud

المصدر:https://cloud.ibm.com/developer/watson/dashboard.

·  Watson Assistant

–       خدمة تسمح بإنشاء واجهات محادثة باللغة الطبيعية للتطبيقات التي يتعامل معها المستفيدون مثل:
( منصات المراسلة Messaging platforms – ربوتات الدردشة Chatbot).

·  Watson Discovery

–       خدمة بحث وتحليل للمحتوى يمكن إضافتها للتطبيقات؛ فهي مدعومة بتقنيات  الذكاء الاصطناعي، ومعالجة اللغة الطبيعية، وتعليم الآلة مثل: (إجابات الأسئلة الشائعة ( FAQs .

·  Natural Language Understanding

–    خدمة تسمح بتحليل النص، واستخراج الميتاداتا من المحتوى المتمثلة في: )المفاهيم-المداخل-العلاقات)؛ فهي تساعد في تصنيف المحتوى إلى فئات مثل: (تصنيف وترتيب المقالات الإخبارية).

·  Natural Language Classifier

–    خدمة تستخدم تقنيات الذكاء الاصطناعي منها: معالجة اللغة الطبيعية لتحليل السؤال إلى جمل قصيرة

  يمكن التعامل معها، مثل: (تصنيف الإيميلات إلى البريد الوارد والبريد غير المرغوب فيه).

·  Speech of text

–       خدمة  تقوم بتحويل الصوت البشري إلى نص مكتوب باستخدام اللغة الطبيعية، مثل: (تطبيقات التحكم في الصوت  Automated home control system- تسجيل محاضر الاجتماعات ).

·  Text of speech

–       خدمة تسمح بتحويل النص المكتوب إلى صوت يشبه الصوت البشري، مثل: (المواد التعليمية التفاعلية Reading-based educational tools- أدوات المساعدة لضعاف البصر).

·  Language Translation

–       خدمة تتيح ترجمة النصوص من لغة إلى أخرى، مثل: برامج الدردشة لمساعدة العملاء الدوليين).

·  Tone Analyzer

–       خدمة تعمل على تحليل نبرة الصوت للتعرف على المشاعر الداخلية للإنسان مثل: (الفرح- الحزن- الخوف…)

·  Watson Studio

– خدمة تعتمد على تقنيات الذكاء الاصطناعي، وتسمح للشركات إنشاء بيئة عمل تعاونية التي يمكن لفريق العمل استخدامها لجمع بيانات التدريب وإعدادها، وتصميم نماذج التعلم الآلي وتدريبها ونشرها، والركيزة الأساسية في هذه الخدمة هى بيانات المشروع.

– هناك مجموعة من الأدوات مضمنة داخل خدمة Watson Studio  وهى:( Data Refinery, Jupyter notebook editor, SPSS Modeler, Decision Optimization model builder).

·  Watson Machine Learning

–   هى خدمة تساعد المؤسسات على إنشاء نماذج تحليلية متطورة، مدربة على بياناتك الخاصة، والتي يمكنك نشرها لاستخدامها في حل المشكلات، واتخاذ القرارات وتطوير العمل في المؤسسات.

·  IBM Watson Knowledge Studio

–    هى خدمة تسمح للمطورين وخبراء المجال التعاون، وإنشاء نموذج التعلم الآلي الذي يفهم الفروق اللغوية الدقيقة، والمعنى والعلاقات الخاصة بمجال أو مجال.

·  IBM Watson Knowledge Catalog

–     هى خدمة تسمح للشركات بمشاركة بياناتها والبحث عنها؛ مع إمكانية التحكم في الوصول إليها.

* تتوفر تلك الخدمات كأدوات تستخدم كواجهات تعامل، يمكن للمطورين إضافة الميزات الخاصة بتقنيات الذكاء الاصطناعي AI إلى تطبيقاتهم وفقا لاحتياجاتهم، كما هو موضح في شكل(2).

Timeline

Description automatically generated

شكل (2) منتجات Watson on IBM

المصدر: https://www.ibm.com/watson/products-services/

ثالثًا : الإطار التطبيقي :

يستعرض الإطار المنهجي للدراسة مراحل تطبيق أداة واتسون ديسكفري Watson Discovery  المُتاحة عبر منصة IBM Cloud .

3/1 مراحل تطبيق أداة واتسون ديسكفري Watson Discovery  المتاحة عبر منصة IBM Cloud:

في ضوء الخصائص والمميزات التي تتمتَّع بها أداة واتسون ديسكفري Watson Discovery في بحث وتحليل المحتوى وسهولة استرجاعه؛ تم اللجوء إلى عرض تلك الأداة المُدعمة بتقنيات الذكاء الاصطناعيAI، ومعالجة اللغة الطبيعيةNLP ، وتعليم الآلةML  والتي يمكن استثمارها بشكل فعال في المؤسسات المختلفة كالمكتبات ومراكز المعلومات في مجال البحث عن المعلومات واسترجاعها، وبناء محرك بحثي خاص لكل مؤسسة.

وجدير بالذكر، أداة واتسون ديسكفري Watson Discovery تعمل بمثابة محرك بحث معرفي، فهى مُتاحة ضمن سلسلة خدمات الذكاء الاصطناعيAI  التي تقدمها شركة IBM عبر منصتها على الإنترنت IBM Cloud؛ وتم اجتياز كورس تعليمي وتدريبي تابع للشركة من خلال موقعهاIBM Skill Academy  وحصلت على بادج شركة IBM في مجال الذكاء الاصطناعي Artificial intelligence في سبتمبر 2021م، وفيما يلي استعراض الخدمة.

3/2 مميزات أداة واتسون ديسكفريWatson Discovery:

–       تدعم عمليات البحث في البيانات المهيكلة وغير المهيكلة.

–       تدعم البحث في الملفات بصيغها المختلفة (Pdf, Word, Html, Jason ,ppt).

–       استخدام اللغة الطبيعية للبشر في عمليات البحث.

–       البحث في محتويات كل ملف على حِدة، مما يجعل عملية الاسترجاع أكثر دقة.

–        تدعم اللغة الطبيعية في عمليات البحث والاسترجاع.

–        تدعم العديد من اللغات الأخرى، مثل: (الإنجليزية-الفرنسية-الصينية-الهولندية-الألمانية- الإيطالية- اليابانية-الكورية-الأسبانية-البرتغالية- البرازيلية).

–       تكشيف مجموعات كبيرة من البيانات الخاصة أو العامة بسهولة، واستخراج  الكيانات والعلاقات منها.

–       إمكانية الدمج مع خدمات أخرى للاستفادة منها في عمليات البحث والاسترجاع مثل: خدمة
IBM Watson Knowledge Studio, Chatbot.

–       إمكانية تصنيف المحتوى إلى فئات مما يفيد في التحكم بنتائج البحث.

–       يمكن استخدام واتسون ديسكفريWatson Discovery بسهولة في تطبيق ويب أو الهاتف المحمول.

·   تتيح شركة IBM خدماتها على المنصة؛ وكذلك خدمة واتسون ديسكفري Watson Discovery في شكلين وهما:

–       الخدمة التجريبية Lite: متاحة لمدة شهر مجانا، وتتيح رفع 1000 ملف، وتدعم حتى
200 استفتسار، وإنشاء مشروع واحد فقط.

–       الخدمة المتقدمة advanced: بمقابل مادي يتم تحديده وفقا لاحتياجات المؤسسة.

·   هناك مجموعة من الإرشادات التي يجب معرفتها قبل البدء في استخدام خدمة واتسون ديسكفري وهى:

–       تثبيت حزمة Security Context Constraint (SCC).

–       مساحات تخزين Cloud Pak for Data.

          ويوضح شكل (3) التالي آلية عمل خدمة واتسون ديسكفريWatson Discovery، فمن خلال الأداة يمكنك استيعاب بياناتك الغير المهيكلة في العديد من أشكال الملفات (JSON و HTML و PDF و Word …) وتنظيمها وإثرائها، والبحث فيها بسرعة ودقة؛ ويقوم بتجميع واجهات برمجة تطبيقات Watson الأساسية مثل: فهم اللغة الطبيعية، وتحويل المستندات جنبًا إلى جنب مع أدوات واجهة المستخدم التي تمكنك من تحميل، وإثراء وفهرسة مجموعات كبيرة من البيانات الخاصة أو العامة بسهولة، كما يلي:

Graphical user interface, application

Description automatically generated

شكل (3) طريقة عرض عمل واتسون ديسكفري Watson Discovery

المصدر: https://developer.ibm.com/learningpaths/get-started-watson-discovery/introduction-watson-discovery.

·   ويتم تدفق البيانات في خدمة واتسون ديسكفري Watson Discovery من خلال ثلاثة مراحل؛ موضحة في شكل (4) التالي، وهي:

1-   الاكتساب: يتم استيعاب البيانات من واحد أو أكثر من مصادر البيانات، وتجريدها من المحتوى غير الضروري (مثل: الرسومات والتنسيق) ، ثم تمريرها إلى مرحلة الإثراء.

2-   الإثراء: تتم معالجة البيانات (عادةً مزيج من نص منظم وغير منظم) باستخدام تقنيات؛ مثل: معالجة اللغة الطبيعية، والتعلم الآلي لتوفير المعنى والسياق للنص الخام، ثم يتم تخزين هذه البيانات في مجموعات.

3-   التحليل والبحث: يستخدم البيانات المخصّصة من مجموعة واحدة أو أكثر؛ لتمكين الخبراء من إجراء عمليات البحث والاسترجاع عليها من خلال التطبيقات القائمة على البحث.

Diagram

Description automatically generated

شكل (4) مراحل تدفق البيانات في خدمة واتسون ديسكفري Watson Discovery

المصدر: https://developer.ibm.com/learningpaths/get-started-watson-discovery/introduction-watson-discovery.

3/3 استخدامات خدمة واتسون ديسكفريWatson Discovery:

           يمكن الاستفادة من خدمة خدمة واتسون ديسكفري Watson Discoveryفي الحالات الآتية:

1-   الحاجة إلى تنظيم التنسيقات المختلفة من الملفات بتحديد الكلمات المفتاحية، والمفاهيم الأساسية، والعلاقات.

2-   الحاجة إلى البحث في آلاف الملفات في وقت واحد.

3-الحاجة إلى إنشاء روبوت محادثة للأسئلة الشائعة FAQ chatbot.

3/4 تطبيق خدمة واتسون ديسكفري  Watson Discovery في بناء محرك بحثي:

q   يتم في البداية إنشاء حساب تجريبي Lite Account والتسجيل على منصة IBM Cloud، ويتم الدخول على المنصة باليوزرنيم والباسورد، كما يظهر في الشاشة بشكل (5) التالي:

شكل (5) تسجيل الدخول على منصة IBM Cloud

q   بعد تسجيل الدخول يتم اختيار خدمات واتسون Watson من القائمة الجانبية؛ كما هو موضح في شكل(6) التالي:

 A screenshot of a computer

Description automatically generated with low confidence

شكل (6) اختيار خدمات واتسون Watson

q   يتم اختيار خدمة Watson Discovery من ضمن الخدمات المُتاحة، كما هو موضح في شكل(7)التالي:

A screenshot of a computer

Description automatically generated with medium confidence

شكل (7) اختيار خدمة واتسون ديسكفري Watson Discovery

q   نقوم بإنشاء المشروع على خدمة واتسون ديسكفري Watson Discovery؛ ويتم اختيار البلد المسموح تشغيل الخدمة بها، وتحديد اسم المشروع، ثم الضغط على Creat، كما هو موضح في شكل (8) التالي:

A screenshot of a computer

Description automatically generated Graphical user interface, application

Description automatically generated
شكل (8) إنشاء المشروع على خدمة واتسون ديسكفري Watson Discovery

q   نقوم بتشغيل المشروع من قائمة Recourses List أعلى اليسار؛ ويتم اختيار من قائمة Servises  المشروع وتشغيله، كما هو موضح في شكل (9) التالي:

Table

Description automatically generated

شكل (9) تشغيل المشروع من قائمة Recourses List .

q   نقوم ببدء تشغيل المشروع من خلال الضغط على Launch Watson Discovery، كما هو موضح في شكل (10) التالي:

Graphical user interface, application, Teams

Description automatically generated

شكل (10) ببدء تشغيل المشروع من خلال الضغط على Launch Watson Discovery

q نقوم بإنشاء مجموعة لرفع الملفات عليها لتشغيل الخدمة من خلال الضغط على Upload your own data، كما هو موضح في شكل (11) التالي:

Graphical user interface, application

Description automatically generated

شكل (11) رفع الملفات على Watson Discovery

q   يتم رفع الملفات في مجموعة جديدة نختار اسمها ولغتها، ثم نضغط على Creat ويمكن إنشاء أكثر من مجموعة واحدة، كما هو موضح في شكل (12) التالي:

Graphical user interface, text, application

Description automatically generated

شكل (12) إنشاء مجموعة للملفات

q   نقوم باختيار الملفات المراد رفعها والبحث فيها؛ ونلاحظ أنه في أسفل الشاشة موضح امتدادت الملفات التي يقبلها واتسون ديسكفريWatson Discovery، كما هو موضح في شكل (13) التالي:

Graphical user interface, application

Description automatically generated

Graphical user interface, text, application

Description automatically generated

شكل (13) رفع الملفات .

q    تظهر تلك الشاشة التي تعرض عدد الملفات التي تم رفعها، ونسبة نجاح عملية الرفع، إضافة إلى المداخل والمصطلحات التي قامت أداة واتسون ديسكفريWatson Discovery باستخراجها من الملفات، كما هو موضح في شكل (14) التالي:

Graphical user interface, application

Description automatically generated

شكل (14)  نتائج معالجة الملفات.

q   ويمكننا تحديد الحقول المراد البحث فيها، والحقول غير المراد البحث فيها من خلال الخيار Configure data في أعلى اليمين، وتظهر شاشة الاختيارات، وبعد الانتهاء من التحديد نقوم بالضغط على Apply changes to collection ، كما هو موضح في شكل(15) التالي:

Graphical user interface, application, Word

Description automatically generated

شكل (15) اختيار حقول البحث

q   يتم عمل الاستفسارات على الملفات بكتابة الاستفسار، والتحقق من ملاءمة النتائج للاستفسار، ويمكن عرض نتائج الاستفسار بالضغط على Run Query، ويتم عرض النتائج في شكلين إما Summary, JSON ، كما هو موضح في شكل (16) وشكل (17) التاليين:

Graphical user interface, application, Teams

Description automatically generated

شكل (16) عرض نتائج الاستفسارات

Graphical user interface, application, Teams

Description automatically generated

شكل (17) عرض نتائج الاستفسارات.

3/5 تقييم جودة محرك البحث:

هناك أربع حالات لتقييم مدى قدرة نظام الاسترجاع في أداة واتسون ديسكفري Watson Discovery وهي:

1.      نجاح النظام في استرجاع الملفات التي لها علاقة بالاستفسار البحثي، ويتم التعبير عنها بمصطلح True Positive.

2.     نجاح النظام في استبعاد الملفات التي ليس لها علاقة بالاستفسار البحثي، ويتم التعبير عنها بمصطلح True Negative.

3.      فشل النظام في استبعاد الملفات التي ليس لها علاقة بالاستفسار البحثي، ويتم التعبير عنها بمصطلح  False Positive.

4.      فشل النظام في استرجاع الملفات التي لها علاقة بالاستفسار البحثي، ويتم التعبير عنها بمصطلح   False Positive.

q   ويتم تطبيق  تحديد ملاءمة نتائج الاسترجاع للاستفسار البحثي في أداة واتسون ديسكفري Watson Discovery من خلال الضغط على train Watson to improve results، ثم اختيار Rate result ، كما هو موضح في شكل (18) التالي:

Graphical user interface, application

Description automatically generated

شكل (18)  تقييم نتائج الاسترجاع.

رابعا: نتائج وتوصيات الدراسة:

توصلت الدراسة لمجموعة من النتائج والتوصيات، ويمكن حصر أبرز هذه النتائج في النقاط التالية:

·       تُعد أداة واتسون ديسكفري أحد تطبيقات الذكاء الاصطناعي التي يمكن الاستفادة منها في بناء محرك بحثي يعمل على تحليل النصوص، والتعرف على محتويات الملفات، إضافًة إلى تحسين نتائج البحث.

·       تسمح الأداة بتحليل كميات ضخمة من الملفات، والتعرف على محتويات كل ملف بشكل فردي.

·       يمكن اختبار مدى ملاءمة نتائج الاسترجاع للاستفسار البحثي من خلال وظيفةTrain Watson to Improve Results مما يسهم في تقليل الوقت والجهد المستغرق في عملية البحث داخل الأداة.

·       تزداد جودة نتائج البحث في الملفات باللغة الإنجليزية أكثر من اللغة العربية.

ومن هذا المنطلق توصي هذه الدراسة بالآتي:

·       توجيه المؤسسات في مختلف المجالات المعرفية نحو الاستفادة من خدمات الذكاء الاصطناعي.

·       توجيه المكتبات ومراكز المعلومات نحو الاستفادة من تلك التقنيات، والاستفادة من تجارب المكتبات العالمية التي طبقت تقنيات الذكاء الاصطناعي؛ نظرًا لما توفره من وقت وجهد للعاملين وللمستفيدين، وتقديم خدماتها بكفاءة وجودة عالية.

·       تزويد المكتبات ومراكز المعلومات بمثل هذه البرمجيات التي تعمل على تطوير مجال البحث عن المعلومات واسترجاعها.

·       العمل على تطوير المهارات للمكتبيين من خلال التدريب على استخدام تقنيات الذكاء الاصطناعي، واستغلالها في الإجابة على استفسارات المستفيدين.

·       تبني مقرر دراسي خاص بالذكاء الاصطناعي وتطبيقاته في أقسام المكتبات والمعلومات بالجامعات المصرية.

·       تزويد معامل أقسام المكتبات والمعلومات في الجامعات المصرية بهذه البرمجيات؛ والحرص على عقد المزيد من الدورات التدريبية لتوعية أعضاء هيئة التدريس والطلاب بتقنيات الذكاء الاصطناعي وكيفية الاستفادة منه.

الخاتمة:

تناولت هذه الدراسة التعريف بمفهوم الذكاء الاصطناعي Artificial Intelligence وما خصائصه، ومجالاته من وصف مناهج تعلم لغة الآلة Machine Learning Approaches، وخوارزميات فهم ومعالجة اللغة الطبيعيةNatural Language Processing ، وشرح مفاهيم استرجاع المعلومات واستخراجها Information retrieval and extraction، وكيفية تقييم جودة خوارزميات معالجة اللغة الطبيعية في استرجاع المعلومات؛ وذلك من خلال عرض لخدمات الذكاء الاصطناعي المُقدمة من شركة IBM ” International Business Machines Corporation”، والمُتاحة عبر منصتها IBM Cloud وعرض لخدمة واتسون ديسكفري Watson Discovery المختصة بالبحث والتحليل لمحتوى الملفات.

وخلُصت الدراسة إلى: يجب توجه المؤسسات في مختلف المجالات المعرفية نحو الاستفادة من خدمات الذكاء الاصطناعي، كما يجب توجه المكتبات ومراكز المعلومات نحو الاستفادة من تلك التقنيات، والاستفادة من تجارب المكتبات العالمية التي طبقت تقنيات الذكاء الاصطناعي؛ نظرًا لما توفره من وقت وجهد للعاملين وللمستفيدين، وتقديم خدماتها بكفاءة وجودة عالية، إضافًة إلى حث الجهات المعنية بتطوير البنية التحتية للمعلومات بالتدريب على عقد المزيد من الدورات التدريبية لتوعية القائمين على تلك المؤسسات بتقنيات الذكاء الاصطناعي وكيفية الاستفادة منه .

المصادر

أولًا : المصادر العربية:

·       إبراهيم، عفاف محمد الحسن(2010) استخدام تطبيقات الذكاء الاصطناعي في المكتبات الجامعية: تصميم نموذج خبير في المراجع، أطروحة دكتوراه، كلية الآداب، جامعة الخرطوم.

·       خليفة، إيهاب(2018) فرص وتهديدات الذكاء االصطناعي في السنوات العشر القادمة، مجلة الأحداث، (27).

·       خليفة، أسماء مصطفى(2021) الذكاء الاصطناعي لاسترجاع المعلومات: دراسة استكشافية لتطبيق Talk to Books. مجلة بحوث كلية الآداب: جامعة المنوفية، 32(124)، مسترجع من: https://sjam.journals.ekb.eg/article_179565_543d8e0268775b79088fbb3f48eb20f6.pdf

·       سردوك، علي (2020) استخدام الروبوتات الذكية في المكتبات الجامعية: التجارب العالمية، والواقع الراهن في بلدان المغرب العربي، مجلة دراسات المعلومات والتكنولوجيا: جمعية المكتبات المتخصصة فرع الخليج العربي،(2) مسترجع من: https://www.qscience.com/content/journals/10.5339/jist.2020.10.

·       السلمى، عفاف سفر(2017) تطبيقات الذكاء الاصطناعي لاسترجاع المعلومات في جوجل،مجلة دراسات المعلومات: جمعية المكتبات والمعلومات السعودية،(19) (2017): 103 – 124، مسترجع من http://search.mandumah.com/Record/844200..

·       شعبان، أماني عبد القادر (2021) الذكاء الاصطناعي وتطبيقاته في التعليم العالي، المجلة التربوية: كلية التربية،1(84) مسترجع من: https://edusohag.journals.ekb.eg/article_148034.html.

·       الصبحي، صباح عيد (2020) واقع استخدام أعضاء هيئة التدريس بجامعة نجران لتطبيقات الذكاء الاصطناعي في التعليم، مجلة كلية التربية: جامعة عين شمس،44(4) مسترجع من:http://search.mandumah.com/Record/1117384.

·       ضليمي، سوسن طه حسن، و أبو شرحة، ماجد محمد (2021) استخدام الذكاء الاصطناعي في تطبيقات إدارة المعرفة للهيئة العامة للأرصاد وحماية البيئة في المملكة العربية السعودية،المجلة الدولية لعلوم المكتبات والمعلومات، 8)2) مسترجع من http://search.mandumah.com/Record/1167785

·       عامر، ياسمين أحمد (2021) تطبيقات الذكاء الاصناعي في المكتبات المصرية: دراسة تخطيطية، أطروحة ماجستير، كلية الآداب، جامعة القاهرة.

·       عبد الرؤف، محمد(2017) تكنولوجيا الذكاء الاصطناعي وتطبيقاته في التعليم، ط1، القاهرة: عالم الكتب.

·       عبدالله، أحمد حبيب(2019) الذكاء الاصطناعي: ثورة في تقنات العصر، ط1، القاهرة: المجموعة العربية للتدريب والنشر.

·       العبيدى، رأفت عاصي (2015) دور الذكاء الاصطناعي في تحقيق الإنتاج الأخضر: دراسة استطلاعية لآراء المديرين في عينة من الشركات الصناعية العاملة في محافظة نينوى، مجلة جامعة كركوك للعلوم الإدارية والاقتصادية: جامعة كركوك – كلية الإدارة والاقتصاد ،5(1):37 – 62، مسترجع من http://search.mandumah.com/Record/926188.

·       قمورة ، سامية كروش(2018) الذكاء الاصطناعي بين الواقع والمأمول: دراسة تقنية وميدانية، في: الملتقى الدولي “الذكاء الاصطناعي، الجزائر، مسترجع من https://www.researchgate.net/publication/328967715_aldhka_alastnay_byn_alwaq_walmamwl_drast_tqnyt_wmydanyt.

·       قناوي، يارة ماهر(2022) آليات تطبيق نظم الذكاء الاصطناعي في بيئة البيانات الضخمة: دراسة وصفية تحليلية، في: المؤتمر العلمي الثاني عشر لقسم المكتبات والوثائق وتقنية المعلومات” ثورة البيانات وتأثيرها على مؤسسات المعلومات العربية بين الواقع وطموحات المستقبل، جامعة القاهرة: المكتبة المركزية، 30-32مارس 2022.

·       معمار، صلاح صالح (2020) مهارات التفكير الحاسوبي، مسترجع من https://me.pcmag.com/ar/skills/218/mhrt-ltfkyr-lhswby..

·       ناجي، إهداء صلاح(2021) تطبيقات نظم الذكاء الاصطناعي في تحليل المحتوى وعمليات التكشيف: دراسة تطبيقية لنظم معالجة اللغة الطبيعية في: الندوة العلمية الأولى بعنوان: تطبيقات الذكاء الاصطناعي في مجال العلوم الاجتماعية والإنسانيات، جامعة القاهرة، كلية الآداب،29-30 ديسمبر.

ثانيًا : المصادر الأجنبية:

·        Awad M., Khanna R. (2015). Machine Learning. In: Efficient Learning Machines. Berkeley, CA. Available at:https://doi.org/10.1007/978-1-4302-5990-9_1.

·        Cambridge University pss(1999). Cambridge Dictionaries Online. Retrieved 1/10/2021 Available at:  https://dictionary.cambridge.org/dictionary/english/artificial-intelligence.

·        Corea, F. (2019). Al knowledge Map: how to classify al technologies. In an introduction to Data, spring, Cham, 25-29.

·        Geoff Mulgan(2018). Artificial intelligence and collective intelligence: the emergence of a new field. Available at: https://www.researchgate.net/publication/327781371_Artificial_intelligence_and_collective_intelligence_the_emergence_of_a_new_field.

·        Murad, Bayan Marwan؛Kurdy, Mohamad-Bassam (2020).Knowledge Management Referral System Using Artificial Intelligent Techniques. Journal of Engineering Sciences.4(3). P: 117 – 144. Available at: https://www.ajsrp.com.

·        Peart, A. (2017, June 2). Homage to John McCarthy, the Father of Artificial Intelligence (AI). Retrieved from Artificial Solutions Available at:: https://www.artificial-solutions.com/blog/homage-to-john-mccarthy-the-father-of-artificial-intelligence

·        Reitz, J. M. (1999). ODLIS: Online Dictionary for Library and Information Science. Retrieved 1/10/2021 Available at:  https://products.abc-clio.com/ODLIS/odlis_a.aspx.

·        Semaan, Paul.(2012). Natural Language Generation: An Overview. Journal  of  Computer  Science  &  Research  (JCSCR).1(3). Pages: 50-57. Available at:

·        http://www.lacsc.org/papers/PaperA6.pdf.

·        -Simões-Marques, M.;Figueira, J. (2018). How Can AI Help Reduce the Burden of Disaster Management Decision- Making? .In International Conference on Applied Human Factors and Ergonomics (pp. 122-133). Springer, Cham. Available at: https://link.springer.com/content/pdf/10.1007%2F978-3-319-94334-3.pdf

·        Tredinnick, L. (2017). Artificial Intelligence and Professional Roles. Business Information Review, 34(1), 37-41.

Advantage of Artificial Intelligence Techniques in Developing Methods of Extraction and Retrieval of Information : An applied study of building a search engine using IBM Watson Discovery

Dr. Kareman Baknam Sedki

Lecturer, Library and Information Science

Faculty of arts- Cairo University

Kareman14@gmail.com

Based on what humanity is witnessing of the expansion and diversity of information sources and the unlimited number of information available on the Internet; There is a need to develop more capable methods of conducting information search and retrieval operations.

Artificial intelligence has contributed to the development of methods for searching and information retrieving through several techniques, including machine language learning technology and natural language processing algorithms, which enable the computer to understand the languages ​​spoken by humans, in addition to designing smart interfaces that harmonize between human languages ​​and computer language that allow Information retrieval using natural language.

This study aims to the use of artificial intelligence techniques in developing methods of research and information retrieval, depending on the descriptive approach, and it progress the concept of artificial intelligence, its applications and techniques from describing Machine Learning approaches, algorithms for understanding artificial intelligence, Natural Language Processing, explaining the concepts of information retrieval and extraction, and how to evaluate the quality of the natural language processing algorithm in information retrieval; through the Watson Discovery service which available in IBM “International Business Machines Corporation”.

One of the most important conclusions of this study is that the attention of institutions should be directed towards benefiting from artificial intelligence services, and the attention of libraries and information institutions; because it saves time and effort for workers and user’s as well, and it also helps information institutions to provide their services efficiently and with high quality.

Keywords: Artificial Intelligence Techniques ; Research methods ; Information retrieval ; Natural   Language Processing ; Machine Language ; Watson Discovery.



*بحث مقدم ضمن المؤتمر السنوي الثاني والثلاثون للاتحاد العربي للمكتبات والمعلومات بعنوان:” مستقبل مؤسسات المعلومات العربية في ظل التقنيات الذكية: رؤية إستراتيجية2050 ” في الفترة من 15-16 ديسمبر2021. القاهرة.

*عرض تقديمي في الندوة العلمية الأولى لكلية الآداب بجامعة القاهرة بعنوان:” تطبيقات الذكاء الاصطناعي في العلوم الاجتماعية والإنسانيات” في الفترة من 29-30 ديسمير 2021.

https://powderencouraged.com/zht6b3bs66?key=8523542c4aaf6f083ce56f74bd271319
https://powderencouraged.com/w3m6c9b5?key=af8b4909c0965493e9682d74bb50a646
https://powderencouraged.com/ksq5rgwdmh?key=b5b47a0d83f8742dcf71d4de8ef00494
https://powderencouraged.com/bkcduddx?key=0252cc21d0f4e0ae5f53245940611301
×
error: Content is protected !!