مبادئ الشبكات العصبية والذكاء الاصطناعي

Neural Networks and Artificial Intelligence    

هو موضوع واسع يشمل مختلف المبادئ والمفاهيم والتقنيات المتعلقة بمجال الشبكات العصبية والذكاء الاصطناعي (AI). ويركز هذا المجال على تطوير النماذج الحسابية والخوارزميات المستوحاة من الدماغ البشري والعمليات المعرفية لتمكين الآلات من أداء المهام الذكية.

تعاريف

• كان يُنظر إلى الذكاء الاصطناعي (AI) على أنه خيال علمي أو تكنولوجيا للمستقبل، لكنه أصبح الآن حقيقة واقعة. إن ما كان في السابق مخصصًا للبحث الأكاديمي قد خرج إلى العلن. الذكاء الاصطناعي (AI) موجود بالفعل في كل جانب من جوانب الحياة الحديثة تقريبًا، بدءًا من مكان العمل إلى الفصول الدراسية إلى البنك إلى المستشفى إلى هاتفك المحمول. هؤلاء هم العقول التي تقف وراء أجهزة الاستشعار في المركبات ذاتية القيادة، وشخصيات المساعدين الافتراضيين مثل سيري وأليكسا، والخبراء الذين يتوقعون الطقس ويجرون الجراحة الروبوتية، وأكثر من ذلك بكثير. في هذه الأيام، يمكن العثور على الذكاء الاصطناعي في أي مكان تقريبًا في عالم اليوم. في السنوات القليلة الماضية، برز الذكاء الاصطناعي كعنصر رئيسي في العديد من أنواع تكنولوجيا المعلومات المختلفة.
• وفي وقت لاحق، تطورت طريقة متطورة للذكاء الاصطناعي تسمى machine learning ، والتي تتيح لأجهزة الكمبيوتر التعلم من البيانات المقدمة لها دون أي تعليمات مسبقة. لا يتوقف الأمر عند هذا الحد. اعتمدت تقنيات البرمجة على مجموعة من الأساليب الحسابية المعروفة بالتعلم العميق.
• في حين أن مصطلح “deep learning” لم يكن موجودًا إلا في السنوات القليلة الماضية، فقد تم إنشاء التكنولوجيا الأساسية في الستينيات من خلال مجال الشبكات العصبية “Neural networks” ذات الدوافع البيولوجية. لقد حققت الشبكات العصبية عودة قوية في السنوات الأخيرة، على الرغم من أنها تحت أسماء وتعريفات جديدة وتم تطبيقها على مجالات جديدة للدراسة ضمن الموجة الحالية من الذكاء الاصطناعي والتعلم العميق.

ما هو الذكاء الاصطناعي؟

• يُقال إن الآلات التي تظهر ذكاءً مشابهًا لذكاء البشر تمتلك ذكاءً اصطناعيًا (AI)، يُعرف أيضًا باسم الذكاء الآلي. إنه مفهوم بناء آلات ذات ذكاء يتساوى مع ذكاء البشر أو يفوقه. وعلى الرغم من أن هذا المبدأ يعود إلى قرون مضت، إلا أنه أصبح منتشرًا على نطاق واسع مع ظهور أجهزة الكمبيوتر الرقمية.
• الذكاء الاصطناعي هو مجال فرعي من علوم الكمبيوتر يهتم بتصميم آلات ذكية يمكنها القيام بوظائف محددة على قدم المساواة مع البشر أو أفضل منهم، دون الحاجة إلى محاكاة عمليات التفكير البشري. يمكن العثور على الذكاء الاصطناعي في مجموعة واسعة من الأشكال والأحجام والتعقيد الخوارزمي. يتم استخدامه في كل صناعة تقريبًا اليوم، بدءًا من التصنيع إلى التعليم إلى الخدمات المصرفية إلى الرعاية الصحية وحتى فرشاة أسنانك وسيارتك وهاتفك الذكي.

ما هي الشبكة العصبية؟

• الشبكة العصبية الاصطناعية (ANN) هي سلسلة من الخوارزميات التي تهدف إلى التعرف على العلاقات الأساسية في مجموعة من البيانات من خلال عملية تحاكي الطريقة التي يعمل بها الدماغ البشري. مثل هذا النظام “يتعلم” أداء المهام من خلال تحليل الأمثلة، بشكل عام دون برمجته بقواعد خاصة بالمهمة.
• يستخدم مصطلح “الشبكات العصبية” لوصف نظام من الخلايا العصبية الافتراضية أو العقد التي تم تصميمها بشكل فضفاض على غرار الشبكات العصبية التي تشكل أدمغة الحيوانات المختلفة. تعود جذور الكثير من الذكاء الاصطناعي اليوم إلى هذه التكنولوجيا. في الواقع، تشير الأبحاث إلى أن الآثار والتطبيقات الحالية للذكاء الاصطناعي هي مجرد نتيجة لتطور الصفات الخاصة للشبكات العصبية (مثل التعلم الآلي، والتعلم العميق، وما إلى ذلك).

يتم تنظيم الشبكات العصبية في طبقات مختلفة:

1. طبقة الإدخال: تتلقى الخلايا العصبية في طبقة الإدخال المعلومات التي من المفترض أن تشرح المشكلة المراد تحليلها.
2. الطبقة المخفية: الطبقة المخفية هي طبقة وسيطة تسمح للشبكات العصبية بنمذجة الظواهر غير الخطية. ويقال إن هذا “مخفي” لأنه لا يوجد اتصال مباشر مع العالم الخارجي. مخرجات كل طبقة مخفية هي مدخلات وحدات الطبقة التالية؛
3. طبقة الإخراج: طبقة الإخراج هي الطبقة الأخيرة من الشبكة؛ وتنتج النتيجة، والتنبؤ.
   
   

• علوم الكمبيوتر، والفيزياء، وعلوم المعلومات، وعلم النفس، والهندسة، كلها لها دور في تطوير وتحسين نموذج الشبكة العصبية. الشبكات العصبية هي شبكات من العقد مستوحاة من الخلايا العصبية الحيوانية ولكن بطريقة عامة جدًا. تُستخدم الشبكات العصبية على نطاق واسع في العديد من المجالات اليوم، بدءًا من حل المشكلات وأبحاث المستهلك وحتى التحقق من صحة البيانات والتنبؤ بالمبيعات وإدارة المخاطر.

الفرق بين الذكاء الاصطناعي والشبكة العصبية:

صفات	الذكاء الاصطناعي	الشبكة العصبية
تعريف	الذكاء الاصطناعي (أو AI) هو فرع من علوم الكمبيوتر يركز على إنشاء آلات ذكية تجسد نوعًا من الذكاء، على عكس الذكاء الطبيعي الذي يظهره البشر.ويشير الذكاء الاصطناعي إلى الآلات القادرة على محاكاة المهارات المعرفية البشرية.	من ناحية أخرى، تشير الشبكات العصبية إلى شبكة من الخلايا العصبية الاصطناعية أو العقد مستوحاة بشكل غامض من الشبكات العصبية البيولوجية التي تشكل الدماغ الحيواني.الشبكات العصبية هي شبكة من العقد المترابطة، والتي تعتمد وظائفها بشكل فضفاض على الخلايا العصبية الحيوانية.
الهدف	يعمل الذكاء الاصطناعي بشكل أساسي حول الذكاء الاصطناعي القوي والذكاء الاصطناعي الضعيف. يشير الذكاء الاصطناعي الضعيف إلى استخدام الخوارزميات المتقدمة لتنفيذ مهام معينة لحل المشكلات ضمن مجموعة محدودة من الوظائف، بينما يدعم الذكاء الاصطناعي القوي وجهة النظر القائلة بأن الآلات يمكنها حقًا تطوير الوعي البشري على قدم المساواة مع البشر.	تمثل الشبكات العصبية نموذجًا راسخًا متأصلًا في العديد من التخصصات، بما في ذلك علوم الكمبيوتر والفيزياء وعلوم المعلومات وعلم النفس والهندسة. الغرض من الشبكات العصبية هو تعلم كيفية التعرف على الأنماط الموجودة في بياناتك لاتخاذ القرار.
التطبيقات	يعد الذكاء الاصطناعي اليوم جزءًا في كل مكان من المجتمع الحديث. يتم استخدام الذكاء الاصطناعي عبر مجموعة واسعة من مجالات التطبيق، بدءًا من السيارات ذاتية القيادة إلى Siri وAlexa، والتنبؤ بالطقس والتشخيص السريري. يُستخدم الذكاء الاصطناعي لحل المهام المعقدة في جميع أنواع الصناعات، بما في ذلك التعليم والصحة والترفيه والنقل والمرافق العامة.	تقوم الشبكات العصبية بتطوير خوارزميات باستخدام الدماغ كنموذج للتعرف على الأنماط المعقدة. تشمل تطبيقات الشبكات العصبية الاصطناعية تصنيف النص وتصنيفه، والتعرف على الكيانات المسماة (NER)، واكتشاف إعادة الصياغة، والتعرف على الأنماط، واكتشاف الاحتيال، ومعالجة اللغة الطبيعية، والمزيد.

نموذج من نماذج الشبكات العصبية :

• Perceptron: الإدراك الحسي هو أول وأبسط نموذج للشبكة العصبية، وهو عبارة عن خوارزمية تعلم خاضعة للإشراف تم اختراعها في عام 1957 من قبل Frank Rosenblatt، عالم النفس البارز في مجال الذكاء الاصطناعي. يُقال إن هذه الشبكة بسيطة لأنها تحتوي على طبقتين فقط: طبقة الإدخال وطبقة الإخراج. يتضمن هذا الهيكل مصفوفة واحدة فقط من الأوزان وجميع وحدات طبقة الإدخال متصلة بطبقة الإخراج.
• الإدراك الحسي هو مصنف خطي للتنبؤات الثنائية، وبعبارة أخرى، يمكنه تصنيف البيانات أو فصلها إلى فئتين.

فيما يلي بعض المبادئ والمفاهيم الأساسية المرتبطة بالشبكات العصبية والذكاء الاصطناعي:

• الشبكات العصبية Neural Networks: الشبكات العصبية هي  نماذج حسابية تتكون من عقد مترابطة، تسمى الخلايا العصبية الاصطناعية أو الوحدات، والتي تحاكي بنية وعمل الخلايا العصبية البيولوجية. يمكن لهذه الشبكات أن تتعلم من البيانات وتكيف معلماتها الداخلية لأداء مهام مثل التصنيف والانحدار والتعرف على الأنماط واتخاذ القرار.

• التعلم العميق Deep Learning: التعلم العميق هو مجال فرعي من الذكاء الاصطناعي يركز على تدريب الشبكات العصبية العميقة ذات الطبقات المتعددة لتعلم التمثيل الهرمي للبيانات. لقد أحدث التعلم العميق ثورة في الذكاء الاصطناعي من خلال تحقيق أداء متطور في مجالات مختلفة، بما في ذلك رؤية الكمبيوتر ومعالجة اللغة الطبيعية والتعرف على الكلام.

• التعلم الآلي Machine Learning: التعلم الآلي هو مجال أوسع يشمل الخوارزميات والتقنيات التي تمكن أجهزة الكمبيوتر من تعلم الأنماط والتنبؤات أو القرارات دون برمجتها بشكل صريح. الشبكات العصبية هي مجموعة فرعية من خوارزميات التعلم الآلي.

• التعلم الخاضع للإشراف Supervised Learning: التعلم الخاضع للإشراف هو نموذج للتعلم الآلي حيث يتعلم النموذج من الأمثلة المصنفة المقدمة أثناء التدريب. يقوم النموذج بتعيين بيانات الإدخال إلى تسميات الإخراج المقابلة، مما يسمح له بإجراء تنبؤات أو تصنيفات على البيانات غير المرئية.

• التعلم غير الخاضع للرقابة Unsupervised Learning: يتضمن التعلم غير الخاضع للرقابة نماذج تدريب على البيانات غير المسماة لاكتشاف الأنماط أو الهياكل داخل البيانات. يعد التجميع وتقليل الأبعاد والنماذج التوليدية من الأساليب الشائعة المستخدمة في التعلم غير الخاضع للرقابة.

• التعلم المعزز Reinforcement Learning: يتضمن التعلم المعزز تدريب الوكيل على التفاعل مع البيئة وتعلم الإجراءات المثلى من خلال عملية التجربة والخطأ. يتلقى الوكيل تعليقات في شكل مكافآت أو عقوبات بناءً على تصرفاته، مما يسمح له بتعلم تعظيم المكافآت التراكمية بمرور الوقت.

• معماريات الشبكات العصبية Neural Network Architectures: تم تطوير مختلف بنيات الشبكات العصبية للتعامل مع المهام وأنواع البيانات المختلفة. تتضمن بعض البنى الشائعة الشبكات العصبية ذات التغذية الأمامية، والشبكات العصبية التلافيفية (CNNs) لتحليل الصور، والشبكات العصبية المتكررة (RNNs) للبيانات المتسلسلة، ونماذج المحولات لمعالجة اللغة الطبيعية.

• التحسين والانتشار العكسي Optimization and Backpropagation: يتضمن تدريب الشبكات العصبية عملية تحسين حيث يتم ضبط معلمات النموذج لتقليل وظيفة الخسارة. يعد الانتشار العكسي خوارزمية مستخدمة على نطاق واسع لحساب تدرجات دالة الخسارة فيما يتعلق بمعلمات الشبكة، مما يتيح تحديث المعلمات بكفاءة أثناء التدريب.

• التعميم والتجهيز الزائد Generalization and Overfitting: يشير التعميم إلى قدرة النموذج المدرب على الأداء الجيد على البيانات غير المرئية. يحدث التجاوز عندما يصبح النموذج متخصصًا جدًا في بيانات التدريب ويكون أداؤه سيئًا على البيانات الجديدة. يتم استخدام تقنيات مثل التنظيم والتحقق المتبادل والإيقاف المبكر للتخفيف من التجهيز الزائد وتحسين التعميم.

• الذكاء الاصطناعي الأخلاقي والمسؤول Ethical and Responsible AI: مع تقدم تقنيات الذكاء الاصطناعي، أصبحت الاعتبارات الأخلاقية ذات أهمية متزايدة. ويجب دمج مبادئ العدالة والشفافية والمساءلة والخصوصية في تصميم ونشر أنظمة الذكاء الاصطناعي لضمان إفادة المجتمع مع تقليل الضرر المحتمل.
  
  توفر هذه المبادئ أساسًا لفهم وتطوير الشبكات العصبية وأنظمة الذكاء الاصطناعي. ومع ذلك، من المهم ملاحظة أن هذا المجال يتطور باستمرار، ويتم تطوير تقنيات ومبادئ جديدة لمواجهة التحديات والفرص في أبحاث وتطبيقات الذكاء الاصطناعي.

في هذه المقالة سنتناول فكرة الشبكات العصبية Neural Networks بشكل مفصل

ما هي الشبكة العصبية

• الشبكة العصبية وتسمى أيضًا الشبكة العصبية الاصطناعية أو ANN) هي نظام تكيفي يتعلم باستخدام العقد المترابطة أو الخلايا العصبية في بنية ذات طبقات تشبه الدماغ البشري.
•  يمكن للشبكة العصبية أن تتعلم من البيانات، بحيث يمكن تدريبها على التعرف على الأنماط، وتصنيف البيانات، والتنبؤ بالأحداث المستقبلية. تقوم الشبكة العصبية بتقسيم المدخلات إلى طبقات من التجريد. ويمكن تدريبه باستخدام العديد من الأمثلة للتعرف على أنماط الكلام أو الصور تمامًا كما يفعل الدماغ البشري. يتم تعريف سلوك الشبكة العصبية من خلال الطريقة التي ترتبط بها عناصرها الفردية وقوة تلك الاتصالات أو أوزانها. ويتم ضبط هذه الأوزان تلقائيًا أثناء التدريب وفقًا لقاعدة تعليمية محددة حتى تؤدي الشبكة العصبية الاصطناعية المهمة المطلوبة بشكل صحيح.

بماذا تستخدم الشبكات العصبية؟

• الشبكات العصبية هي نوع من أساليب التعلم الآلي المستوحاة من كيفية إشارة الخلايا العصبية لبعضها البعض في الدماغ البشري. تعتبر الشبكات العصبية مناسبة بشكل خاص لنمذجة العلاقات غير الخطية، وعادةً ما تُستخدم لإجراء التعرف على الأنماط وتصنيف الأشياء أو الإشارات في أنظمة الكلام والرؤية والتحكم.
• أصبحت الشبكات العصبية، وخاصة الشبكات العصبية العميقة، معروفة بكفاءتها في تطبيقات تحديد الهوية المعقدة مثل التعرف على الوجوه وترجمة النصوص والتعرف على الصوت. تعتبر هذه الأساليب تقنية رئيسية تدفع الابتكار في أنظمة ومهام مساعدة السائق المتقدمة، بما في ذلك تصنيف الممرات والتعرف على إشارات المرور. 

.

أمثلة على الشبكات العصبية

فيما يلي بعض الأمثلة على كيفية استخدام الشبكات العصبية في تطبيقات التعلم الآلي:

1. تجزئة الصور ومقاطع الفيديو بشكل دلالي
2. اكتشاف الأشياء في الصور، بما في ذلك المشاة وراكبي الدراجات
3. تدريب روبوت ذو قدمين على المشي باستخدام التعلم المعزز
4. الكشف عن السرطان عن طريق توجيه علماء الأمراض لتصنيف الأورام

كيف تعمل الشبكات العصبية؟

• الشبكات العصبية مستوحاة من الأنظمة العصبية البيولوجية، تجمع الشبكة العصبية بين عدة طبقات معالجة باستخدام عناصر بسيطة تعمل بالتوازي. تتكون الشبكة من طبقة إدخال وطبقة مخفية واحدة أو أكثر وطبقة إخراج. يوجد في كل طبقة عدة عقد، أو خلايا عصبية، وتستخدم العقد في كل طبقة مخرجات جميع العقد في الطبقة السابقة كمدخلات، بحيث تتواصل جميع الخلايا العصبية مع بعضها البعض من خلال الطبقات المختلفة. عادةً ما يتم تعيين وزن لكل خلية عصبية يتم تعديله أثناء عملية التعلم. يؤدي انخفاض الوزن أو زيادته إلى تغيير قوة إشارة تلك الخلية العصبية.

كما يمكن استخدام الشبكات العصبية لمهام التصنيف أو الانحدار. 

يتم تعيين معلمات النموذج عن طريق ترجيح الشبكة العصبية من خلال التعلم على بيانات التدريب، عادةً عن طريق تحسين الأوزان لتقليل خطأ التنبؤ

أنواع الشبكات العصبية:

كانت أول وأبسط شبكة عصبية هي الإدراك الحسي، الذي قدمه فرانك روزنبلات في عام 1958. وتتكون من خلية عصبية واحدة ونموذج انحدار خطي مع وظيفة التنشيط السيني. ومنذ ذلك الحين، تم استكشاف الشبكات العصبية المتزايدة التعقيد، مما أدى إلى الشبكات العميقة الحالية، والتي يمكن أن تحتوي على مئات الطبقات.

يشير التعلم العميق إلى الشبكات العصبية ذات الطبقات المتعددة، في حين تُعرف الشبكات العصبية التي تحتوي على طبقتين أو ثلاث طبقات فقط من الخلايا العصبية المتصلة أيضًا بالشبكات العصبية الضحلة. أصبح التعلم العميق شائعًا لأنه يلغي الحاجة إلى استخراج الميزات من الصور، الأمر الذي كان يمثل في السابق تحديًا لتطبيق التعلم الآلي على معالجة الصور والإشارات. على الرغم من أنه يمكن حذف استخراج الميزات في تطبيقات معالجة الصور، إلا أن بعض أشكال استخراج الميزات لا تزال مطبقة بشكل شائع على مهام معالجة الإشارات لتحسين دقة النموذج.

هناك ثلاثة أنواع شائعة من الشبكات العصبية المستخدمة في التطبيقات الهندسية:

• الشبكة العصبية المغذية: تتكون من طبقة إدخال، وطبقة مخفية واحدة أو عدة طبقات، وطبقة إخراج (شبكة عصبية ضحلة نموذجية).
• الشبكة العصبية التلافيفية (CNN): يتم تطبيق بنية الشبكة العصبية العميقة على نطاق واسع على معالجة الصور وتتميز بطبقات تلافيفية تعمل على تحويل النوافذ عبر المدخلات مع العقد التي تتقاسم الأوزان، وتجريد المدخلات (الصورة عادةً) إلى خرائط المعالم. يمكنك استخدام شبكات CNN المدربة مسبقًا، مثل SqueezeNet أو GoogleNet.
• الشبكة العصبية المتكررة (RNN): بنية الشبكة العصبية مع حلقات التغذية الراجعة التي تمثل التبعيات التسلسلية في المدخلات، كما هو الحال في بيانات السلاسل الزمنية وأجهزة الاستشعار والبيانات النصية؛ النوع الأكثر شيوعًا من RNN هو شبكة الذاكرة طويلة المدى (LSTM).

سير العمل النموذجي لبناء الأنظمة ذات الشبكات العصبية:

يتضمن تطوير تطبيقات الذكاء الاصطناعي، وخاصة الشبكات العصبية، الخطوات التالية:

1. إعداد البيانات: الحصول على بيانات تدريب مصنفة كافية، مع الحاجة إلى المزيد لتدريب الشبكات العصبية العميقة؛ يمكن لتطبيقات التسمية مثل الصورة والفيديو والإشارة المسمى أن تسرع هذه العملية. استخدم المحاكاة لتوليد بيانات التدريب، خاصة إذا كان جمع البيانات من أنظمة حقيقية غير عملي (ظروف الفشل). زيادة البيانات لتمثيل المزيد من التباين في بيانات التدريب.
2. نمذجة الذكاء الاصطناعي: تدريب الشبكات العصبية الضحلة بشكل تفاعلي في برنامج Classification and Regression Learner من الإحصائيات وصندوق أدوات التعلم الآلي (أداة لتحليل البيانات ووضع نماذج لها باستخدام الإحصائيات والتعلم الآلي)، أو استخدام وظائف سطر الأوامر؛ يوصى بهذا إذا كنت تريد مقارنة أداء الشبكات العصبية السطحية مع خوارزميات التعلم الآلي التقليدية الأخرى، مثل أشجار القرار أو SVMs، أو إذا كان لديك فقط بيانات تدريب محدودة متاحة. قم بتحديد الشبكات العصبية (السطحية أو العميقة) وتدريبها بشكل تفاعلي باستخدام Deep Network Designer أو وظائف سطر الأوامر من Deep Learning Toolbox، يوفر Deep Learning Toolbox إطارًا لتصميم وتنفيذ الشبكات العصبية العميقة باستخدام الخوارزميات والنماذج والتطبيقات المدربة مسبقًا وهي مناسبة بشكل خاص للشبكات العصبية العميقة أو إذا كنت بحاجة إلى مزيد من المرونة في تخصيص بنية الشبكة والحلول.
3. المحاكاة والاختبار: دمج الشبكات العصبية في نماذج Simulink ككتل Simulink (هي بيئة رسم تخطيطي تستخدم لتصميم أنظمة ذات نماذج متعددة المجالات، ومحاكاتها قبل الانتقال إلى الأجهزة، ونشرها دون كتابة تعليمات برمجية. مخصص للتصميم القائم على النموذج ومخصص للمحاكاة ومخصص لهندسة النظم القائمة على النماذج ومخصص لتطوير البرمجيات الرشيقة)،  والتي يمكن أن تسهل التكامل مع نظام أكبر والاختبار والنشر على العديد من أنواع الأجهزة.
4. التطوير: قم بإنشاء كود C/C++ من الشبكات العصبية المدربة على الإحصائيات وأدوات التعلم الآلي لنشرها على الأجهزة المدمجة وأنظمة الحوسبة عالية الأداء. قم بإنشاء كود C/C++ محسّن من الشبكات العصبية المدربة في Deep Learning Toolbox للاستدلال السريع على وحدات معالجة الرسومات والأنواع الأخرى من الأجهزة الصناعية (ARM وFPGA).

خاتمة

AI و NN هما مفهومان متميزان غالبًا ما يتم الخلط بينهما. الذكاء الاصطناعي هو مجال أوسع يشمل أساليب وتقنيات مختلفة لمحاكاة الذكاء البشري، في حين أن NN هو نوع محدد من خوارزمية الذكاء الاصطناعي التي تصمم بنية ووظيفة الدماغ البشري. تُستخدم الشبكات العصبية في المهام المعقدة مثل رؤية الكمبيوتر، والتعرف على الكلام، والتعرف على الأنماط، بينما يمتلك الذكاء الاصطناعي نطاقًا أوسع من التطبيقات في مختلف الصناعات

المراجع

1. https://nl.mathworks.com/products/simulink.html
2. https://nl.mathworks.com/products/deep-learning.html
3. https://nl.mathworks.com/products/statistics.html
4. https://www.tutorialspoint.com/difference-between-ai-and-neural-network