الجميع متحمس بشأن الذكاء الاصطناعي. لقد تم قطع أشواط كبيرة في مجال التكنولوجيا وتقنية التعلم الآلي. ومع ذلك ، في هذه المرحلة المبكرة من تطورها ، قد نحتاج إلى كبح حماسنا إلى حد ما.
يمكن بالفعل رؤية قيمة الذكاء الاصطناعي في مجموعة واسعة من الصفقات بما في ذلك التسويق والمبيعات ، والعمليات التجارية ، والتأمين ، والخدمات المصرفية والتمويل ، وأكثر من ذلك. باختصار ، إنها طريقة مثالية لأداء مجموعة واسعة من الأنشطة التجارية من إدارة رأس المال البشري وتحليل أداء الأفراد من خلال التوظيف والمزيد. تعمل إمكاناتها عبر خيط الهيكل البيئي للأعمال بالكامل. من الواضح بالفعل أن قيمة الذكاء الاصطناعي للاقتصاد بأكمله يمكن أن تصل إلى تريليونات الدولارات.
قد ننسى أحيانًا أن الذكاء الاصطناعي لا يزال قيد التنفيذ. بسبب طفولتها ، لا تزال هناك قيود على التكنولوجيا التي يجب التغلب عليها قبل أن نكون بالفعل في عالم جديد شجاع للذكاء الاصطناعي.
في بودكاست حديث نشره معهد ماكينزي العالمي ، وهي شركة تحلل الاقتصاد العالمي ، ناقش مايكل تشوي ، رئيس مجلس إدارة الشركة وجيمس مانيكا ، المدير ، ماهية القيود المفروضة على الذكاء الاصطناعي وما الذي يتم فعله للتخفيف من حدتها.
العوامل التي تحد من إمكانات الذكاء الاصطناعي
أشارت مانيكا إلى أن قيود الذكاء الاصطناعي “تقنية بحتة”. حددهم على أنهم كيفية شرح ما تفعله الخوارزمية؟ لماذا تقوم بالاختيارات والنتائج والتنبؤات التي تقوم بها؟ ثم هناك قيود عملية تتعلق بالبيانات بالإضافة إلى استخدامها.
وأوضح أنه في عملية التعلم ، نقدم بيانات أجهزة الكمبيوتر ليس فقط لبرمجتها ، ولكن أيضًا لتدريبها. قال: “نحن نعلمهم”. يتم تدريبهم من خلال تزويدهم بالبيانات المصنفة. يتم تعليم آلة لتحديد الكائنات في صورة فوتوغرافية أو التعرف على تباين في تدفق البيانات الذي قد يشير إلى أن الجهاز سوف ينهار عن طريق تزويدهم بالكثير من البيانات المصنفة التي تشير إلى أن هذه المجموعة من البيانات تدور حول الجهاز في هذه المجموعة من البيانات ، لن تكون الآلة على وشك الانهيار ويحدد الكمبيوتر ما إذا كانت الآلة على وشك الانهيار.
حدد تشوي خمسة قيود على الذكاء الاصطناعي يجب التغلب عليها. وأوضح أن البشر الآن يصنفون البيانات. على سبيل المثال ، يتصفح الأشخاص صورًا لحركة المرور ويتتبعون السيارات وعلامات الممرات لإنشاء بيانات معنونة يمكن للسيارات ذاتية القيادة استخدامها لإنشاء الخوارزمية اللازمة لقيادة السيارات.
أشار مانيكا إلى أنه يعرف الطلاب الذين يذهبون إلى مكتبة عامة لتصنيف الفن بحيث يمكن إنشاء الخوارزميات التي يستخدمها الكمبيوتر لإجراء التنبؤات. على سبيل المثال ، في المملكة المتحدة ، تقوم مجموعات من الأشخاص بتحديد صور سلالات مختلفة من الكلاب ، باستخدام البيانات المصنفة التي تُستخدم لإنشاء خوارزميات حتى يتمكن الكمبيوتر من التعرف على البيانات ومعرفة ماهيتها.
وأشار إلى أن هذه العملية تستخدم لأغراض طبية. يقوم الناس بتسمية صور لأنواع مختلفة من الأورام بحيث عندما يقوم الكمبيوتر بمسحها ، يمكنه فهم ماهية الورم ونوع الورم.
المشكلة هي أن هناك حاجة إلى كمية زائدة من البيانات لتعليم الكمبيوتر. يتمثل التحدي في إنشاء طريقة للكمبيوتر لتصفح البيانات المصنفة بشكل أسرع.
الأدوات التي يتم استخدامها الآن للقيام بذلك تشمل شبكات الخصومة التوليدية (GAN). تستخدم الأدوات شبكتين – أحدهما يولد الأشياء الصحيحة والآخر يميز ما إذا كان الكمبيوتر يولد الشيء الصحيح. تتنافس الشبكتان ضد بعضهما البعض للسماح للكمبيوتر بفعل الشيء الصحيح. تسمح هذه التقنية للكمبيوتر بإنشاء فن بأسلوب فنان معين أو إنشاء هندسة بأسلوب الأشياء الأخرى التي تمت ملاحظتها.
أشار مانيكا إلى أن الناس يجربون حاليًا تقنيات أخرى للتعلم الآلي. على سبيل المثال ، قال إن الباحثين في Microsoft Research Lab يطورون في تسمية الدفق ، وهي عملية تسمي البيانات من خلال الاستخدام. بمعنى آخر ، يحاول الكمبيوتر تفسير البيانات بناءً على كيفية استخدامها. على الرغم من أن وضع العلامات على الدفق كان موجودًا منذ فترة ، إلا أنه قطع خطوات كبيرة مؤخرًا. ومع ذلك ، وفقًا لمانييكا ، فإن تصنيف البيانات يمثل قيدًا يحتاج إلى مزيد من التطوير.
هناك قيد آخر على الذكاء الاصطناعي وهو عدم وجود بيانات كافية. لمكافحة المشكلة ، تقوم الشركات التي تطور الذكاء الاصطناعي بالحصول على البيانات على مدى عدة سنوات. لمحاولة تقليص مقدار الوقت لجمع البيانات ، تلجأ الشركات إلى بيئات محاكاة. يتيح لك إنشاء بيئة محاكاة داخل جهاز كمبيوتر إجراء المزيد من التجارب حتى يتمكن الكمبيوتر من تعلم الكثير من الأشياء بشكل أسرع.
ثم هناك مشكلة شرح لماذا قرر الكمبيوتر ما فعله. تُعرف هذه المشكلة بالقابلية للتفسير ، وتتناول اللوائح والمنظمين الذين قد يحققون في قرار الخوارزمية. على سبيل المثال ، إذا تم السماح لشخص ما بالخروج من السجن بكفالة ولم يكن شخص آخر كذلك ، فسيريد شخص ما معرفة السبب. يمكن للمرء أن يحاول تفسير القرار ، لكنه بالتأكيد سيكون صعبًا.
أوضح تشوي أن هناك تقنية قيد التطوير يمكنها تقديم الشرح. يسمى LIME ، والذي يمثل تفسيرًا محايدًا للنموذج يمكن تفسيره محليًا ، وهو يتضمن النظر في أجزاء من النموذج والمدخلات ومعرفة ما إذا كان ذلك يغير النتيجة. على سبيل المثال ، إذا كنت تنظر إلى صورة وتحاول تحديد ما إذا كان العنصر الموجود في الصورة عبارة عن شاحنة صغيرة أم سيارة ، فعندئذٍ إذا تم تغيير الزجاج الأمامي للشاحنة أو الجزء الخلفي من السيارة ، ففعل أحدهما التغييرات تحدث فرقا. هذا يدل على أن النموذج يركز على الجزء الخلفي من السيارة أو الزجاج الأمامي للشاحنة لاتخاذ قرار. ما يحدث هو أن هناك تجارب يتم إجراؤها على النموذج لتحديد ما يحدث فرقًا.
أخيرًا ، تعد البيانات المتحيزة أيضًا قيدًا على الذكاء الاصطناعي. إذا كانت البيانات التي يتم إدخالها إلى الكمبيوتر متحيزة ، فإن النتيجة أيضًا تكون متحيزة. على سبيل المثال ، نعلم أن بعض المجتمعات تخضع لوجود الشرطة أكثر من المجتمعات الأخرى. إذا كان على الكمبيوتر تحديد ما إذا كان العدد الكبير من الشرطة في مجتمع ما يحد من الجريمة وتأتي البيانات من الحي الذي يوجد به كثيف للشرطة ومن حي به وجود ضئيل للشرطة ، فإن قرار الكمبيوتر يستند إلى المزيد من البيانات من الحي مع الشرطة ولا يوجد أي بيانات من الحي الذي لا يوجد به شرطة. يمكن أن يتسبب الحي كثيف العينات في استنتاج منحرف. لذا فإن الاعتماد على الذكاء الاصطناعي قد يؤدي إلى الاعتماد على التحيز المتأصل في البيانات. وبالتالي ، فإن التحدي يكمن في إيجاد طريقة “لنزع التحيز” عن البيانات.
لذلك ، كما نرى إمكانات الذكاء الاصطناعي ، علينا أيضًا أن ندرك حدوده. لا تأكل يعمل باحثو الذكاء الاصطناعي بشكل محموم على حل المشكلات. بعض الأشياء التي كانت تعتبر قيودًا على الذكاء الاصطناعي قبل بضع سنوات لم تعد موجودة اليوم بسبب تطورها السريع. لهذا السبب تحتاج إلى التحقق باستمرار مع باحثي الذكاء الاصطناعي مما هو ممكن اليوم.
