الذكاء الاصطناعي للتعليم في الحكومات

استكشاف الذكاء الاصطناعي للتعليم للحكومات ودراساتنا الحالة في السعودية وقطر

مع ظهور الذكاء الاصطناعي، قامت حوالي 70 دولة (1) بتنفيذ أو بدأت في تنفيذ بعض استراتيجيات الذكاء الاصطناعي. تميل هذه الاستراتيجيات إلى التأثير على معظم الإدارات الحكومية، ولا سيما وزارات التعليم. لم يتأثر قطاع التعليم نفسه بعد، ومع ذلك، فإن هذه التقنيات الجديدة تقدم إمكانيات هائلة وفرصة للحكومات لتحقيق مكاسب كبيرة، ليس فقط من خلال توفير أفضل تعليم ممكن لطلابها، ولكن أيضًا لأنها يمكن أن تقلل بشكل كبير من عبء العمل على موظفيها الإداريين والمعلمين.
كما هو موضح في الصورة، فإن دمج الذكاء الاصطناعي في البيئات التعليمية لا يؤثر فقط على الطلاب والمعلمين، بل يلعب أيضًا دورًا حاسمًا في اتخاذ القرارات القائمة على البيانات على المستوى المؤسسي والحكومي. غالبًا ما يتطلب ذلك دمج أنظمة ذكية تعمل معًا لتحقيق أقصى قدر من النتائج.
من المهم فهم الفرق بين أداة الذكاء الاصطناعي والنظام المدعوم بالذكاء الاصطناعي. على سبيل المثال، إضافة مدرس ذكاء اصطناعي أو تجربة تعلم مخصصة إلى مؤسسة أكاديمية لا يجعلها بالضرورة نظامًا مدعومًا بالذكاء الاصطناعي، تمامًا كما أن إضافة خاصية البث المباشر إلى موقع مكتبة إلكترونية لا يحولها إلى نتفليكس.

ما يطلق القيمة الحقيقية لأنظمة الذكاء الاصطناعي هو توفر بيانات مركزية من مصادر متنوعة، مدمجة مع أدوات الذكاء الاصطناعي وسير العمل المؤتمت. على سبيل المثال، لتحديد الطلاب المعرضين للخطر، يجب التعمق في تقييماتهم النفسية، وأنشطتهم اللاصفية، وسرعة تعلمهم، والمعلمين الحاليين، وسياسات المدرسة/الحكومة، ونظم الدعم الموجودة (مثل المرشدين، المستشارين، وكلاء الذكاء الاصطناعي، إلخ)، والدرجات، وغيرها. هذه العملية تستغرق وقتًا طويلاً بالنسبة للمعلمين، وباستثناء عدد قليل من المدارس الخاصة المتميزة في العالم، فإن معظم المدارس في النظام العام لا تمتلك الموارد لاتخاذ قرارات مدروسة لكل طالب. نسب الطلاب إلى المعلمين مرتفعة جدًا، وحتى عندما تكون البيانات متوفرة، لا يمتلك المعلمون الطاقة أو الحافز لمتابعة كل طالب على حدة.
هنا يأتي دور الأنظمة القائمة على الذكاء الاصطناعي. باستخدام الذكاء الاصطناعي التوليدي، يمكن لهذه الأنظمة دمج جميع البيانات المتوفرة من جميع أنحاء البلاد وتحديد الطلاب المعرضين للخطر في الوقت الفعلي. بالإضافة إلى ذلك، يمكنها تلقائيًا إبلاغ أصحاب المصلحة الرئيسيين (الإدارة، المدارس، المعلمين، وحتى العائلات) من خلال إنشاء رسائل إلكترونية، وتقارير الطلاب، والتدخلات الموصى بها لكل صاحب مصلحة. هذا مثال على حالة استخدام، لكن هذه الأنظمة المدعومة بالذكاء الاصطناعي قادرة على القيام بالمزيد: تنظيم جداول الحصص، تنسيق تعيين المعلمين البدلاء على المستوى الحكومي، إنشاء دورات مخصصة لكل فصل، أو تقديم التوجيه الأكاديمي والتوصيات بشأن المسار التعليمي والمهني المثالي، على سبيل المثال لا الحصر. يمكن لهذه الأنظمة المدعومة بالذكاء الاصطناعي المساعدة في ضمان حصول رأس المال البشري للبلاد (طلابها في أي وقت) على أفضل المسارات الأكاديمية والخيارات المهنية الممكنة. 

الحديث عن مزايا وإمكانات هذه الأنظمة القائمة على الذكاء الاصطناعي في مقال قصير لن ينصفها. ومع ذلك، سنغوص في بعض أدوات الذكاء الاصطناعي التي تشكل هذا النوع من الأنظمة. وبشكل أكثر تحديدًا، سنحلل خصائص الذكاء الاصطناعي التوليدي المستخدم في دورة تعليمية محددة.
يمكن استخدام أحدث أدوات الذكاء الاصطناعي التوليدي لإنتاج دفاتر Jupyter، وعروض PowerPoint التقديمية، والتقارير، والواجبات، والاختبارات، والامتحانات، ومقاطع الفيديو، وتصحيح الإجابات المفتوحة في الامتحانات، وتقديم ملاحظات مخصصة، والعمل كمعلم ذكاء اصطناعي، وتقديم التوصيات، والمزيد. لم يعد على المعلمين قضاء الوقت في إنشاء المحتوى أو تصحيح كل جانب من جوانب العروض التقديمية للطلاب، مما يوفر لهم قدرًا هائلًا من الوقت يوميًا.
لا تجعل هذه الأنظمة المدعومة بالذكاء الاصطناعي المعلمين عناصر غير ضرورية أو قديمة في عملية التعلم. سيظل المعلمون ضروريين لتقديم الدعم التعليمي وتقييم مجموعة واسعة من المهارات التي لا يمكن للأنظمة المعتمدة على الذكاء الاصطناعي تحليلها. كما يبقى دور المعلمين حاسمًا في التطور العاطفي للمتعلمين. ومع ذلك، عندما يتعلق الأمر بالمهام الإدارية الهائلة التي يتعين على المعلمين القيام بها، هل هناك أي شيء لا يمكن للذكاء الاصطناعي أن يتولاه؟
دعونا نلقي نظرة على جانب المتعلم. تُعد خدمات مثل التعلم الشخصي/التكيفي، والدروس الخصوصية المدعومة بالذكاء الاصطناعي، والتوافر المستمر لنوع من المساعدة أمرًا بالغ الأهمية للمتعلمين. ومن المدهش (بالرغم من الحماس العالمي حول الذكاء الاصطناعي والتضخيم الكبير لجميع الخدمات المرتبطة به) أن هناك العديد من الاستراتيجيات منخفضة التكلفة نسبيًا لتنفيذ هذه التقنيات دون اللجوء إلى نماذج اللغة الكبيرة (LLMs).

الذكاء الاصطناعي في التعليم على نطاق واسع: الاستراتيجيات، المراحل، وتقنيات التحسين.

عند تنفيذ الذكاء الاصطناعي في التعليم على مستوى الحكومة، من الضروري وضع استراتيجيات ومراحل لتعريف المنظومة بهذه التكنولوجيا الثورية. وبناءً على الحكومة والجهة المعنية، يُنصح بالبدء بتحديد نطاق المشروع على النحو التالي: 

1. تحليل معمق لنظام التعليم: هناك حاجة إلى إجراء تحليل شامل للنظام التعليمي الحالي لتحديد المجالات التي يمكن أن يحقق فيها الذكاء الاصطناعي فوائد فورية ("الفرص السهلة المنال").
2. خطة استراتيجية لإدماج الذكاء الاصطناعي: في هذه المرحلة، يتم تطوير استراتيجية لإدماج الذكاء الاصطناعي على عدة مستويات في النظام التعليمي، بدءًا من الوزارة وصولًا إلى المدارس والجامعات المحلية.
3. إشراك أصحاب المصلحة: يجب إشراك جميع أصحاب المصلحة، بما في ذلك المعلمين، والإداريين، وأولياء الأمور، والطلاب، لضمان تلبية احتياجاتهم وتسهيل عملية التبني بسلاسة.
4. الجدول الزمني لتحول الذكاء الاصطناعي وتخصيص الميزانية: يجب وضع جدول زمني واقعي للتحول يشمل قطاع التعليم بأكمله، مصحوبًا بتخطيط الميزانية وتخصيص دقيق للموارد التي سيتم تعبئتها.
5. خطة التنفيذ: في هذه المرحلة، يتم وضع خطة تنفيذ واضحة تحدد الأدوار والمسؤوليات والمعالم الرئيسية لضمان التنفيذ الناجح والتبني الفعّال.
6. بناء القدرات التنفيذية والتدريب: من الضروري إجراء جلسات تدريبية مخصصة للمستويات التنفيذية في إدارات التعليم العام ومديري المدارس لتطوير الكفاءات القيادية المتعلقة بتنفيذ الذكاء الاصطناعي. الهدف النهائي هو ضمان تمكينهم من قيادة المبادرات المرتبطة بالذكاء الاصطناعي داخل مؤسساتهم. 
7. إطار الرصد والتقييم: يتم وضع مقاييس ومعايير مرجعية لتقييم تأثير دمج الذكاء الاصطناعي بشكل دوري وإجراء التعديلات اللازمة. 

تُترجم نتائج تحديد نطاق مشروع تنفيذ الذكاء الاصطناعي في التعليم إلى: 

• إستراتيجية ملموسة للذكاء الاصطناعي في التعليم مُكيّفة على المستوى الوطني. 
• جدول زمني مفصل لتحول الذكاء الاصطناعي مع تخصيص ميزانية مناسب للأهداف.
• خطة تنفيذ واضحة مع تحديد الأدوار والوظائف وتحديد أصحاب المصلحة.
• قيادات مدربة على الذكاء الاصطناعي في التعليم وقادرة على قيادة المبادرات.
• مقاييس المساءلة لضمان التنفيذ والتبني.

تُعد الأهداف التعليمية وتحديد الاحتياجات العامة إحدى المهام الرئيسية للإدارات. ومع ذلك، فإن هذه العوامل وحدها ليست كافية لوضع خطة لتنفيذ الذكاء الاصطناعي. هناك جوانب مثل تدريب وضبط الأنظمة المعتمدة على الذكاء الاصطناعي التي لها تأثير كبير على النتائج، لذلك يُوصى بإسناد إعداد خطة تنفيذ الذكاء الاصطناعي وتوجيهها الفني إلى الخبراء. 

تطوير المهارات التنفيذية في الإدارات التعليمية

أحد المكونات الأساسية لتنفيذ الذكاء الاصطناعي بنجاح في التعليم هو التدريب وبناء القدرات على أعلى مستويات الإدارة التعليمية. 

هذه هي المكونات الرئيسية لبرنامج تدريب الذكاء الاصطناعي في مجال التعليم:

1. مقدمة إلى الذكاء الاصطناعي في التعليم.
2. الثقافة المعلوماتية لإدارة البيانات.
3. رقمنة التشريعات التعليمية وإعداد صيغ تسمح للذكاء الاصطناعي باستخراج المعلومات تلقائيًا.
4. التعلم الشخصي والتكيفي.
5. إعداد خطط الوحدات الدراسية، وخطط الدروس، وأوراق المهام.
6. إعداد الواجبات والامتحانات والاختبارات.
7. التقييم الشخصي وعمليات التقييم التلقائي.
8. المراقبة المدعومة بالذكاء الاصطناعي للتعليم العام.
9. العائد على الاستثمار في الذكاء الاصطناعي للتعليم (يجب تخصيص هذه النقطة لكل دولة أو منطقة).
10.  استراتيجية النشر وخطة التنفيذ (يتم تخصيصها أيضًا لكل دولة).
11.  تقييم البنية التحتية والمتطلبات:
12.  تقييم الأثر والقياس.
13.  إعداد الميزانية وتخصيص الموارد.
14.  المساعدة التقنية وحل المشكلات.
15.  صيانة أنظمة الذكاء الاصطناعي والإشراف عليها.
16.  الأخلاقيات، الخصوصية، وأمن البيانات.
17.  إدارة التغيير والتطوير المهني المستمر للمعلمين.
18.  دراسات الحالة

التدريب ليس متطابقًا لجميع الأطراف المعنية. بناءً على الدور ومستويات المسؤولية، سيركز كل طرف على وحدات مختلفة من القائمة. 

دراسة حالة: المملكة العربية السعودية

بدأت المملكة العربية السعودية في تنفيذ الذكاء الاصطناعي في نظامها التعليمي، وعلى مدار العام الماضي عملت شركة LiveTech AI عن كثب من خلال جامعة الملك عبدالله للعلوم والتقنية (KAUST) مع المركز الوطني للذكاء الاصطناعي لدعم نشر الذكاء الاصطناعي على مستوى القطاع العام في التعليم. أحد التحديات الأولى التي واجهتها كان معالجة الكتب الدراسية العربية. تُعتبر اللغة العربية لغة ذات موارد محدودة من حيث الذكاء الاصطناعي. تُعرف "اللغة ذات الموارد المحدودة" بأنها لغة تتوفر لها بيانات قليلة لتدريب نماذج الذكاء الاصطناعي. تواجه العديد من نماذج التعرف الضوئي على الأحرف (OCR) صعوبة في معالجة الكتب الدراسية. يُعد تحويل المناهج العربية إلى صيغ يمكن استيعابها ومعالجتها بواسطة الذكاء الاصطناعي من أهم الخطوات عندما يتعلق الأمر بالتعليم المدعوم بالذكاء الاصطناعي. بعد عدة محاولات، نجحت LiveTech في إنشاء نظام يقوم تلقائيًا بتحليل الكتب بصيغة PDF، واستخراج الأهداف التعليمية، والمشكلات العملية (مع صورها)، والدروس، والمسارد، والأمثلة، وتقديمها بتنسيق منظم.
تم استخدام النتائج بعد ذلك لإنشاء أنظمة تعلم مخصصة وقابلة للتكيف، معززة بالذكاء الاصطناعي التوليدي لإنشاء مستودعات غير محدودة تقريبًا من التمارين. توفر هذه الأنشطة لكل متعلم بنكًا ضخمًا من الأنشطة للتدريب وتلبية أي احتياجات قد تكون لديهم.
تم استخدام الذكاء الاصطناعي التوليدي أيضًا لإنشاء معلم في مجال العلوم والتكنولوجيا والهندسة والرياضيات (STEM)، وتم تعزيز ذلك بأدوات مثل Wolfram Alpha لإنتاج دليل يظهر للطلاب كيفية حل المشكلات خطوة بخطوة، بدلاً من إعطائهم الإجابات فقط.
الأدوات الأخرى التي طلبتها الإدارات السعودية، وتم تطويرها في إطار هذا المشروع، شملت إنشاء عروض PPTX وخطط دروس مخصصة بناءً على أداء الفصول الدراسية والمناهج الدراسية. تستغرق هذه التخصيصات وقتًا، لكنها مهمة. عند إعداد مشروع تجريبي، يجب أن يُؤخذ في الاعتبار أن أي شيء يتم بناؤه يجب أن يكون قابلًا للتوسع على المستوى الوطني. وغالبًا ما يعني هذا أن المقترحات مثل تلك التي تعتمد على OpenAI أو واجهات برمجة التطبيقات الأخرى قد لا تكون مستدامة بسبب تكلفتها العالية لكل طالب.

دراسة حالة: قطر 

من ناحية أخرى، اعتمدت قطر استراتيجية مختلفة واقترحت نهجًا من الأعلى إلى الأسفل بدلاً من الأسفل إلى الأعلى. بدأت LiveTech AI التعاون مع أكاديميتهم في قطر منذ عام 2023 للاستفادة من إمكانيات الذكاء الاصطناعي والمساعدة في توسيعه على مستوى الدولة. في هذا المشروع، تعمل على تطوير أداة ذكية تعمل كطبقة مركزية تُجمع العديد من المنصات التعليمية المستخدمة.
يتيح ذلك للمعلمين اتخاذ قرارات مستنيرة بسرعة، بالإضافة إلى الاطلاع على الحالة التعليمية لطلابهم، وتحديد الطلاب المعرضين للخطر، وتوليد التقارير.
تسمح هذه الطريقة باستخدام التوليد المدعوم بالاسترجاع (التوليد المدعوم بالاسترجاع) RAG، وهي تقنية تساعد في إنتاج نماذج ذكاء اصطناعي توليدية أكثر قوة من خلال استخدام البيانات المستخلصة من مصادر خارجية (في هذه الحالة، أي مستند يتعلق أو تم إنتاجه في النظام التعليمي). يسمح التوليد المعزز بالاسترجاع بإجراء عمليات بحث ذكية عن المعلومات في قواعد البيانات ذات الوصول المحدود.
تُكمل هذه التقنية الأدوات الخاصة بالتوليد التلقائي للرسوم البيانية والتقارير والجداول. هذا يحرر المعلمين، والإداريين، وربما حتى الحكومات بأكملها من القيام بالمهام المرهقة المتعلقة بإدارة النظام التعليمي.
بينما توفر LiveTech AI المعرفة الهندسية، تقدم أكاديمية قطر معلمين وإداريين ذوي خبرة يساعدون في تصميم المنتج لحل نقاط الضعف الرئيسية في المدارس. تأتي خبرتهم مباشرة من التجربة العملية في عمليات التدريس والتعلم من وجهات نظر مختلفة. وهذا يسمح لـ LiveTech AI بتخصيص وإنشاء ميزات مصممة منذ اليوم الأول لتناسب معلمي وإداريي المدارس، مما يؤدي إلى تحسين العمليات والنتائج.
نعتقد أن هذا الجهد التعاوني بين متخصصي صناعة الذكاء الاصطناعي وأكاديمية قطر قد سهل اتخاذ القرارات في اللحظات الحاسمة في المشروع وهو نموذج جيد للمشاريع المستقبلية التي تنفذ هذه التقنيات. 

العائد على الاستثمار في الذكاء الاصطناعي في التعليم في القطاع العام

من حيث الكفاءة التشغيلية، يمكن للذكاء الاصطناعي أن يوفر للمعلمين بسهولة 25-30٪ من مهامهم اليومية، وحتى أكثر في حالة إدارة الإدارات الخاصة بوزارات التعليم. ومع ذلك، السؤال الذي ربما تطرحه جميع الإدارات هو: كم سيكلف تنفيذ الذكاء الاصطناعي في التعليم على نطاق وطني؟

كقاعدة عامة، وجدنا أن استثمار أقل من 0.5% من ميزانية وزارة التعليم يمكن أن يؤدي إلى زيادة في الكفاءة التشغيلية بنسبة تزيد عن 25% (تقدير متحفظ جدًا).
تكلفة اشتراك ChatGPT هي 20 دولارًا لكل مستخدم شهريًا، مما يجعله باهظ التكلفة بالنسبة للتعليم العام، على الرغم من الجهود المستمرة التي بذلت في السنوات الأخيرة لتقليل هذه التكلفة من خلال إجراءات التحسين الشديدة والنماذج/الأنظمة المملوكة. الهدف الذي يجب السعي لتحقيقه هو جعل نشر الذكاء الاصطناعي على نطاق وطني ميسور التكلفة للدول الأقل ثراءً. حاليًا، نحن قريبون من تقليل التكلفة إلى بضعة دولارات (أرقام فردية) لكل مستخدم سنويًا. بالطبع، سيتفاوت هذا السعر حسب الميزات المتاحة والبنية التحتية الحالية. ولن يكون هذا الانخفاض الكبير ممكنًا إلا من خلال مزيج فريد من تحسينات الأجهزة والبرمجيات، لإنشاء حل متكامل بالكامل للذكاء الاصطناعي على جميع مستويات النظام التعليمي.
في هذه المرحلة، سنحاول الإجابة على السؤال: لماذا تعتبر تكلفة نشر هذه الأنظمة الذكاء الاصطناعي مرتفعة للغاية؟

تنفيذ الذكاء الاصطناعي في التعليم

لتشغيل العديد من أدوات الذكاء الاصطناعي، تتطلب النماذج اللغوية الكبيرة (LLMs) التي تعمل على وحدات المعالجة الرسومية (GPUs). يعرض هذا القسم كيفية حساب عدد وحدات المعالجة الرسومية المطلوبة لتشغيل أدوات الذكاء الاصطناعي اللازمة للنشر على المستوى الوطني. 

لماذا تُعد وحدات المعالجة الرسومية (GPUs) مهمة؟

وحدات المعالجة الرسومية (GPUs) هي دوائر إلكترونية مخصصة لتنفيذ حجم كبير جدًا من العمليات الرياضية بسرعة عالية. تنفذ وحدات المعالجة الرسومية العديد من الطلبات بشكل متوازٍ، مما يتيح معالجة البيانات بشكل أسرع وزيادة القدرة على تنفيذ المهام، وهو أمر بالغ الأهمية في تدريب النماذج والتنبؤات في التعلم العميق. أنوية متعددة إجراء العمليات الحسابية في وقت واحد، مما يضمن انخفاض الكمون وكفاءة الطاقة العالية. هذه الكفاءة أمر حيوي للنشر على نطاق واسع، حيث أنها تقلل التكاليف والأثر البيئي. وفقًا لشركة NVIDIA، فإن وحدات المعالجة الرسومية (GPUs) أكثر كفاءة في استهلاك الطاقة بمقدار 42 مرة مقارنة بوحدات المعالجة المركزية (CPUs) في مهام الاستدلال باستخدام الذكاء الاصطناعي. تتطلب نماذج الذكاء الاصطناعي مجموعات بيانات كبيرة وقوة حسابية عالية، وهو ما توفره وحدات المعالجة الرسومية بكفاءة سواء في التدريب أو في الاستدلال في الوقت الفعلي.
سعة ذاكرة الوصول العشوائي الخاصة بوحدات المعالجة الرسومية (RAM)، والمعروفة باسم VRAM (ذاكرة الوصول العشوائي للفيديو)، تعتبر أمرًا بالغ الأهمية في تحديد حجم النماذج ومجموعات البيانات التي يمكن معالجتها مباشرة على وحدة المعالجة الرسومية دون الاعتماد على ذاكرة النظام الرئيسية. كلما كانت سعة الذاكرة أكبر، كلما كانت النماذج الأكبر يمكن معالجتها بشكل أكثر كفاءة، مما يقلل من نقل البيانات ويحسن الأداء.
توفر تقنيات الذاكرة المتقدمة مثل HBM (الذاكرة عالية النطاق الترددي) أداءً متفوقًا لكل واط، حيث تقدم ما يصل إلى ثلاثة أضعاف النطاق الترددي مقارنة بأنواع الذاكرة التقليدية، وهو أمر بالغ الأهمية في البيئات التي تعاني من قيود الطاقة لتقليل تكاليف التشغيل وتعزيز الاستدامة. من خلال تعظيم استخدام وحدة المعالجة الرسومية عن طريق تحسين أحجام الدُفعات واستخدام تقنيات الذاكرة المتقدمة، يتحسن الكفاءة والأداء العام لأنظمة التسريع باستخدام وحدات المعالجة الرسومية، مما يساهم في تحسين الإنتاجية وكفاءة الطاقة.

الآن بعد أن علمنا أن ذاكرة وحدة المعالجة الرسومية تؤثر على حجم النموذج ومجموعات البيانات المستخدمة، كيف نقيس أداء وحدة المعالجة الرسومية؟ 

يتم قياس أداء وحدة المعالجة الرسومية بوحدات العمليات العائمة في الثانية (FLOP). الدقة، التي تختلف بناءً على عدد البتات المستخدمة، تشير إلى مستوى الدقة العددية في الحسابات. يحدد عدد البتات المستخدمة درجة الدقة التي يمكن من خلالها تمثيل القيمة: الدقة المضاعفة (64 بت) توفر دقة عددية عالية ونطاقًا واسعًا من القيم، الدقة المفردة (32 بت) تحقق توازنًا بين الدقة واستخدام الذاكرة، والدقة نصفية (16 بت) توفر دقة أقل مع توفير كبير في الذاكرة. عمليات الضرب والتراكم (MAC)، التي هي شائعة في ضرب المصفوفات، تعادل 2 FLOP لكل منها. تتكون نماذج التعلم الآلي من طبقات تقوم بعمليات مثل ضرب المصفوفات والت convolutions. وتعتمد على FLOPs لقياس احتياجات الحساب والكفاءة، وهو أمر بالغ الأهمية عند تحسين الأداء وتخطيط نشر الأجهزة.

إليك صيغة لحساب FLOP/s لوحدة المعالجة الرسومية (GPU):

GPU FLOP/s = clock_frequency x cores x FLOPS_per_clock_cycle x float_point_accuracy

اعتبارات مهمة

من المهم أخذ الجوانب التالية في الاعتبار عند التخطيط لمتطلبات الحوسبة: 

• نظري مقابل الأداء الفعلي: قد يكون FLOP/s الفعلي أقل من المحسوب بسبب التفاوتات في سرعة الساعة (عدد الدورات التي ينفذها المعالج في الثانية) وكفاءة التشغيل.
• التفاوت في العمليات قد يختلف عدد العمليات الحسابية العائمة لكل دورة ساعة وفقًا لنوع العملية.

زمن الاستدلال

دعم الأطر والمكتبات تقدم أدوات مثل مجموعة أدوات CUDA من NVIDIA و cuDNN واجهات برمجة التطبيقات المختلفة للمساعدة في تحليل الأداء وتقدير عمليات النقطة العائمة في الثانية (FLOP/s) لوحدة المعالجة الرسومية (GPU).
حساب وقت الاستدلال: يمكن تحديد وقت الاستدلال باستخدام الصيغة: 

Inference time = (FLOPS of the model) / (FLOPS/s of the GPU)

حساب عدد وحدات المعالجة الرسومية (GPUs) المطلوبة

الآن بعد أن عرفنا كيفية الحصول على وقت المعالجة كدالة لحجم النموذج (أي FLOPS للنموذج)، يمكننا بسرعة حساب عدد وحدات المعالجة الرسومية (GPUs) المطلوبة لنشر الذكاء الاصطناعي في نظام التعليم الوطني. وهذا يعتمد على المعايير الستة التالية:

1. حجم النموذج وتعقيده النماذج الأكبر والأكثر تعقيدًا تتطلب المزيد من القوة الحاسوبية.
2. تزامن المستخدمين عدد المستخدمين الذين يتفاعلون مع الذكاء الاصطناعي في نفس الوقت.
3. تواتر الطلبات عدد الطلبات التي يقوم بها كل مستخدم في الدقيقة.
4. متطلبات الكمون التأخير المقبول بين طلب المستخدم واستجابة الذكاء الاصطناعي.
5. المعالجة الدُفعية مقابل المعالجة في الوقت الفعلي سواء كانت مهام الذكاء الاصطناعي تتم معالجتها دفعة واحدة أو تحتاج إلى معالجة في الوقت الفعلي.
6. مواصفات وحدة المعالجة الرسومية (GPU) الخصائص الأداء لوحدات المعالجة الرسومية (GPU) المستخدمة.

يتم حساب العدد الإجمالي لوحدات المعالجة الرسومية (GPU) على النحو التالي: 

Concurrent_users×Petitions_per_user_per_Minute×Average_processing_time_per_request (in seconds)

---

سعة وحدة المعالجة الرسومية (الطلبات/الثانية)

يشير البسط إلى إجمالي طلبات المعالجة بالطلبات في الثانية. يمكن بعد ذلك قسمة هذا الرقم على سعة وحدة المعالجة الرسومية (الطلبات في الثانية) لتحديد عدد وحدات المعالجة الرسومية المطلوبة.

يمكن حساب متوسط وقت المعالجة لكل طلب من خلال قسمة FLOPs للنموذج على FLOPs في الثانية (FLOP/s) لوحدة المعالجة الرسومية (GPU)، كما هو موضح أعلاه.

مع هذه المعلومات، ستكون أي إدارة تعليمية قادرة على تقدير احتياجاتها الخاصة بناءً على حجم النموذج الذي تخطط لاستخدامه ومتطلبات بلدها. 

الخاتمة

يتطلب تنفيذ الذكاء الاصطناعي في التعليم على المستوى الوطني استراتيجية تشمل تعزيز المهارات، والبنية التحتية للبرمجيات والأجهزة. لقد تناولنا الفئات الأربع الأساسية وملخصنا المتطلبات التي تؤثر على جميع الإدارات التعليمية. يمتلك تنفيذ الأنظمة المدعومة بالذكاء الاصطناعي إمكانية تحقيق عوائد ضخمة على الاستثمار ويمكن أن يحسن بشكل كبير ليس فقط الكفاءة التشغيلية، ولكن أيضًا نتائج الإداريين والمعلمين والمتعلمين.
يجب ألا تكون إمكانيات الاستخدام المسؤول للذكاء الاصطناعي في التعليم متاحة فقط للطلاب ذوي الموارد الأكبر. في هذه المقالة، حاولنا أن نوضح ما هي المتغيرات التي يجب أخذها في الاعتبار لتمكين الأنظمة العامة من إجراء تحول عميق في التعليم.
التحدي كبير ولكنه قابل للإدارة. في سياق مثل السياق الحالي، حيث تروج العديد من السرديات حول استخدام وإمكانات الذكاء الاصطناعي لرؤى استبعادية تكبر الفجوات الرقمية والاقتصادية، يدعو هذا المقال إلى تحسين عاجل ولكننا نعتقد أنه واقعي لأنظمة التعليم.
نعتقد أن مخاطر فقدان هذه الفرص أكبر من المكاسب في إيبيرو-أمريكا التي تحتاج بشدة إلى استعادة الدروس المستفادة وأن تصبح مرجعية في الازدهار والإنتاجية. 

المراجع

1. OECD (2024). National AI policies and strategies. Retrieved from https://oecd.ai/en/dashboards/overview.
2. Harris, D. (2023). “What’s Up? Watts Down – More Science, Less Energy”.
3. تم الاسترجاع من GPUs Lead in Energy Efficiency, DoE Center Says | NVIDIA Blogs