يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
كيف يُستخدم الذكاء الاصطناعي في تحديد آثار الأحذية والقبض على المجرمين؟
في مسارح الجرائم، خاصة عمليات السطو المنزلية، تعد آثار الأقدام والأحذية أحد أكثر أنواع الأدلة شيوعاً. ويتم استعادة هذه الآثار من عتبات النوافذ والأبواب ومقاعد المراحيض والأرضيات وقد تكون مرئية للعين المجردة أو مخفية عنها. وتسمح تلك الآثار للمحققين بإعادة بناء الأحداث وربما التوصل إلى وجود مشتبه به مجهول.
بحث مجموعة من العلماء في إمكانية قيام الذكاء الاصطناعي بدراسة هذا النوع من الأدلة للتوصل إلى المجرمين. ووجد العلماء -في ورقتين بحثيتين حديثتين- أن الذكاء الاصطناعي كان أفضل في تحديد آثار الأحذية من علماء الطب الشرعي بشكل عام.
يمكن لحجم بصمات مشتبه به حافي القدمين أن تخبرنا معلومات عن طوله ووزنه وحتى جنسه. وفي إحدى الدراستين، طلب الباحثون من خبير في الأقدام تحديد جنس الشخص في مجموعة من آثار الأقدام، وقد توصل إلى نتائج صحيحة في حوالي 50٪ من الوقت. ثم قاموا ببناء شبكة عصبونية وطلبوا منها أن تفعل الأمر نفسه، فتوصلت إلى الإجابة الصحيحة في حوالي 90٪ من الوقت. والأمر الأكثر إثارة للدهشة أنها تمكنت أيضاً من تحديد عمر الشخص لأقرب عقد.
أما فيما يتعلق بآثار الأحذية، فقد كلف العلماء شبكة عصبونية ثانية -تم تطويرها كجزء من شراكة مع شركة البرمجيات البريطانية (Bluestar Software)- بتحديد طراز الحذاء والشركة المصنعة له. يأخذ نظام الذكاء الاصطناعي هذا صورة لبصمة حذاء بالأبيض والأسود ويتعرف تلقائياً على شكل التجاويف في الحذاء. هل التجاويف مربعة أم مثلثة أم دائرية؟ هل يوجد شعار أو كتابة على بصمة الحذاء؟ يتوافق كل شكل من هذه الأشكال مع رمز في تصنيف بسيط. وهذه الرموز هي التي تستخدم للبحث في قاعدة البيانات.
وفي التجارب، تم إعطاء مستخدمين عرضيين (ليسوا خبراء) 100 بصمة حذاء تم اختيارها عشوائياً لتحليلها. وتراوحت نسبة نجاحهم بين 22٪ و83٪ من الوقت. وبالمقارنة، نجح نظام الذكاء الاصطناعي بنسبة تتراوح بين 60٪ و91٪. ومع ذلك، فإن الذكاء الاصطناعي لم يستطع التغلب على عدد محدود من خبراء الأحذية الذين كانت نسبة نجاحهم 100٪ تقريباً. وأرجع الباحثون السبب في عدم قدرة شبكتهم العصبونية على التفوق على الخبراء إلى تآكل الأحذية بعد فترة.
ويشير الباحثون إلى أن الذكاء الاصطناعي لن يحل أبداً محل الخبراء المهرة المدربين جيداً، لكنه قد يساعد على تقليل العبء على هؤلاء الخبراء والسماح لهم بالتركيز على الحالات الصعبة فقط.
الرابط (إنجليزي)
أداة ذكاء اصطناعي جديدة للكشف عن سرطان المعدة
أعلنت شركة آيبيكس (Ibex Medical Analytics) في شهر أغسطس الماضي عن تطوير أول نظام ذكاء اصطناعي في العالم مصمم لاكتشاف الإصابة بسرطان المعدة. ويعتبر الدكتور شايم لينهارت، الشريك المؤسس للشركة أن الأداة الجديدة تمثل جزءاً من حركة أوسع لاعتماد الذكاء الاصطناعي في مجال الرعاية الصحية. ويقول: " إن ما نحققه اليوم كان يعتبر خيالاً علمياً قبل عقد من الزمن".
وفي النظام الجديد، تقوم الخوارزميات بتحليل صور الخزعات، ليتولى النظام اكتشاف وجود خلايا سرطانية فيها. وتستطيع الأداة تحديد موقع هذه الخلايا بدقة وتصنيف درجة الورم. كما تساعد الأداة في تبسيط العمليات في مختبرات التشريح المرضي. مما يوفر وقتاً وموارد ثمينة مثل مساعدة أخصائيي علم الأمراض في إعداد تقريرهم النهائي والطلب التلقائي للمزيد من الاختبارات التشخيصية للخزعة.
ويقول لينهارت إنه يمكن للأطباء استخدام هذا النظام كأداة لدعم قراراتهم أثناء التشخيص، مما يجعل من الذكاء الاصطناعي أشبه بمساعد رقمي للأطباء. كما تساعد أخصائيي علم الأمراض في تحديد أولويات الحالات التي تنبغي مراجعتها، وتمكنهم من زيادة إنتاجيتهم بنسبة 40%، مما يتيح لهم الوقت لدراسة المزيد من الحالات.
الرابط (إنجليزي)
التعلم الآلي يساعد الباحثين على تحسين دقة النماذج المناخية
أحدث التعلم الآلي ثورة في الحياة المعاصرة، وبات يستخدم في أشياء تمتد من اقتراح الأفلام حتى توجيه المركبات ذاتية القيادة. والآن، يتجه العلماء إلى استخدامه للمساعدة في حل واحدة من أكبر المشاكل التي تواجه البشرية: تغير المناخ.
من خلال التعلم الآلي، يمكننا استخدام البيانات المناخية التاريخية لتحسين التنبؤ بمناخ الأرض في المستقبل. ويعتقد العلماء أن هذه التنبؤات سيكون لها دور رئيسي في تقليل تأثيرنا على المناخ خلال الفترة المقبلة. وفي السنوات الأخيرة، نمت كمية البيانات المتاحة من نماذج المراقبة بشكل كبير، وأصبح من المستحيل على البشر مراجعتها بأنفسهم. ولكن لحسن الحظ، يمكن للآلات أن تفعل ذلك لنا.
هناك طريقتان رئيسيتان يمكن من خلالهما أن يساعدنا التعلم الآلي على زيادة فهمنا للمناخ: عمليات الرصد والنمذجة. فيما يتعلق بعمليات الرصد، تراقب الأقمار الصناعية سطح المحيطات باستمرار، ما يمنح العلماء نظرة ثاقبة مفيدة حول كيفية تغير تيارات المحيطات. بيد أن القمر الصناعي لا يمتلك القدرة على رصد المحيط بأكمله مرة واحدة، ويمكنه فقط رؤية الجزء الموجود تحته من المحيط. وهنا يأتي دور خوارزميات التعلم الآلي التي يمكنها استخدام البيانات التي تجمعها الأقمار الصناعية -مثل القمر الصناعي الخاص برسم الخرائط الطوبوغرافية للمياه السطحية والمحيطات (SWOT) التابع لوكالة ناسا والمقرر إطلاقه في أواخر العام القادم- للتنبؤ بالبيانات الناقصة للتغيرات التي تحدث بين كل دورة يمر بها القمر فوق المحيط.
ولكن بالرغم من أن عمليات الرصد تلك تخبرنا عن الحاضر، إلا أنه للتنبؤ بالمناخ في المستقبل، يجب أن نعتمد على نماذج مناخية شاملة. ولنمذجة المناخ، ترسم أجهزة الحاسوب شبكة حاسوبية للمحيطات والغلاف الجوي والأرض. وبعد ذلك، ومن خلال البدء بالمناخ المعاصر، يمكنها حل معادلات حركة السوائل والحرارة داخل كل "صندوق" من هذه الشبكة لنمذجة كيفية تطور المناخ في المستقبل. وحجم كل صندوق في الشبكة هو ما نسميه "دقة" النموذج. وكلما كان حجم الصندوق أصغر، زادت دقة تفاصيل التيارات التي يمكن للنموذج التقاطها.
لكن تشغيل هذه النماذج المناخية لنمذجة مناخ الأرض لمئات السنين في المستقبل أمر صعب للغاية حتى بالنسبة للأجهزة الحاسوبية العملاقة. وبالتالي، فنحن مضطرون حالياً إلى تشغيل هذه النماذج بدقة تقريبية، قد لا تظهر الشكل الحقيقي لتيارات المحيط. ومع نمو قدرتنا الحسابية -جنباً إلى جنب مع بياناتنا المناخية- سنكون قادرين على إشراك خوارزميات التعلم الآلي المتطورة بشكل متزايد في فحص هذه المعلومات وتقديم نماذج وتوقعات مناخية محسنة.
الرابط (إنجليزي)
|
