يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
اليابان.. شركات تستخدم الذكاء الاصطناعي لتقليل هدر الطعام
أظهرت بيانات حكومية أن التخلص من مخلفات الطعام في اليابان التي تزيد عن 6 ملايين طن يكلف الاقتصاد رقم 3 في العالم نحو 2 تريليون ين (19 مليار دولار) سنوياً. لذا تعمل الشركات اليابانية على تكثيف استخدام الذكاء الاصطناعي وغيرها من التقنيات المتقدمة لتقليل هدر الطعام وخفض التكاليف. وإليكم بعض الأمثلة على هذه الشركات:
- بدأت سلسلة المتاجر الصغيرة “Lawson” باستخدام الذكاء الاصطناعي لتقدير كمية المنتج على الرفوف. وتهدف “Lawson” إلى خفض المخزون الزائد بنسبة 30% في الأماكن التي تم طرحه فيها، وتريد خفض نفايات الطعام إلى النصف في جميع متاجرها في عام 2030 مقارنة بعام 2018.
- تجرب شركة تصنيع المشروبات “Suntory Beverage & Food” منتج آخر للذكاء الاصطناعي من شركة فوجيتسو لمحاولة تحديد ما إذا كانت سلع، مثل زجاجات شاي أولونغ والمياه المعدنية، قد تعرضت للتلف أثناء الشحن.
- تستخدم “NEC” الذكاء الاصطناعي القادر على تحليل البيانات، مثل: الطقس والتقويم واتجاهات العملاء في تقدير الطلب، وإعطاء الأسباب الكامنة وراء تحليلها. ونشرت “NEC” هذه التقنية لدى بعض كبار تجار التجزئة وصانعي المواد الغذائية، مما ساعد في خفض التكاليف بنسبة بين 15 و 75%. وتأمل شركة “NEC” في مشاركة البيانات ومعالجتها من خلال منصة مشتركة بين صانعي وتجار التجزئة والخدمات اللوجستية، لتقليل حالات عدم التطابق في سلاسل التوريد.
الرابط
مقالاتنا في العمق حول الموضوع:
- تطبيقات الذكاء الاصطناعي وإنترنت الأشياء والبلوك تشين في تحسين سلاسل التوريد الغذائي. الرابط
بعد دراما جوجل: الشركات التقنية الكبرى مطالبة بمحاربة تحيز الذكاء الاصطناعي
في عام 2018، نشرت أستاذة العلوم السياسية، فيرجينيا يوبانكس، كتاباً يشير إلى أن الأنظمة العامة والخاصة القائمة على الذكاء الاصطناعي كانت تتخذ قرارات متقلبة ومؤذية بناء على بيانات معيبة وتحيزات على أساس العرق والجنس.
لم تحظ تحذيرات يوبانكس باهتمام كبير في ذلك الوقت. لكن اليوم، تثير قضية تحيز الذكاء الاصطناعي جدلاً غاضباً في وادي السيليكون بعد النزاع المرير بين العاملين في مجال التكنولوجيا من ذوي الأجور الجيدة في جوجل. ففي الشهر الماضي، قامت جوجل بطرد مارجريت ميتشل، الباحثة المشاركة في قيادة فريق أخلاقيات الذكاء الاصطناعي، بعد شهرين من طرد زميلتها تيمنيت جيبرو. وجاءت عمليات الطرد بعد أن حاولت الباحثتان نشر دراسة توصلت إلى أن معالجة اللغات الطبيعية يمكن أن تتضمن تحيزات من النوع الذي حذرت يوبانكس منه.
وفي لغة الشركات يبدو هذا المشهد "مثيراً للتحديات"، لأسباب ليس أقلها أنه وفقا لتقرير التنوع الأخير من جوجل، فإن أقل من ثلث موظفيها العالميين هم من النساء و5.5 في المائة فقط من موظفيها الأميركيين هم من السود. لا شك في أن الجدل حول هذا الموضوع سيتواصل ويتوسع، لكن هناك ثلاثة جوانب على الأقل ينبغي على الجميع، حتى من غير العاملين في التكنولوجيا، أن يضعوها في اعتبارهم:
- مشاكل وادي السيليكون المتعلقة بعدم المساواة على أساس الجنس والعرق لم تبدأ الآن ولن تنتهي اليوم، فالمشكلة مزمنة ومن المرجح أن تستمر لأعوام قادمة.
- الضغط الذي تتعرض له الشركات التقنية الكبرى من أجل دفعها للإصلاح لا يتأتى من المشرعين وأصحاب المصلحة، بل من موظفي هذه الشركات أنفسهم.
- مشكلة تحيز الذكاء الاصطناعي التي أبرزتها يوبانكس في كتابها تتفاقم وتصبح الآن أكثر حدة.
وأخيراً، فإن السؤال الذي تطرحه ملحة جيبرو لا يقتصر فقط حول ما إذا كانت هذه التكنولوجيا متحيزة على أساس الجنس أو العرق، بل أعمق من ذلك: هل سنضحي ببعض الوقت والمال للحصول على أنظمة ذكاء اصطناعي أكثر عدلاً؟
الرابط (إنجليزي)
مقالاتنا في العمق حول الموضوع:
- فيسبوك تقول إنها ستبحث عن التحيز العرقي في خوارزمياتها. الرابط
- موظفو جوجل يتزاحمون على انتقاد مجلس أخلاقيات الذكاء الاصطناعي في الشركة. الرابط
آي بي إم تقترح شريحة جديدة لزيادة السرعة وتخفيض الطاقة لتدريب التعلم العميق
أصبح التعلم العميق معروفاً بشراهته للطاقة، وانخفاض فعاليته في استهلاكها؛ حيث يحتاج إلى كميات هائلة من البيانات وموارد حاسوبية ضخمة. وفي السنوات القليلة الماضية، أدت التوجهات العامة للأبحاث إلى تفاقم هذه المشكلة؛ فقد أصبحت النماذج ذات الأبعاد الهائلة -التي يتم تدريبها باستخدام المليارات من نقاط البيانات على مدى عدة أيام- أشبه بموضة رائجة، ومن المرجح أن هذا لن يتغير في المدى المنظور.
سارع بعض الباحثين إلى العمل على إيجاد توجهات جديدة، مثل الخوارزميات التي يمكن تدريبها باستخدام بيانات أقل، أو عتاد صلب يستطيع تشغيل هذه الخوارزميات بشكل أسرع. والآن، يقترح باحثو آي بي إم فكرة مختلفة. وتقوم فكرتهم على التخفيف من عدد البتات (أي الوحدان والأصفار، الضرورية لتمثيل البيانات) من 16 بت -وهو المعيار السائد حالياً- إلى 4 بتات وحسب.
يمكن لهذا العمل أن يؤدي إلى زيادة السرعة وتخفيض تكاليف الطاقة المطلوبة لتدريب التعلم العميق بأكثر من 7 أضعاف. ويمكن له أيضاً أن يسمح بتدريب نماذج التعلم الآلي القوية على الهواتف الذكية وغيرها من الأدوات الصغيرة، ما يمكن أن يحسن من الخصوصية بالمساعدة على الاحتفاظ بالبيانات الشخصية على وحدة تخزين محلية. إضافة إلى ذلك، ستصبح هذه العملية متاحة إلى درجة أكبر أمام الباحثين خارج الشركات الضخمة والغنية بالموارد التقنية.
تابع القراءة واطلع على مفهوم الحواسيب الصغيرة 4-بت: الرابط
|
