يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
الشبكات العصبونية الاصطناعية تُعلّم نفسها شم الرائحة كخلايا الدماغ تماماً
وجد باحثون من معهد ماكجفرن لأبحاث الدماغ، التابع لجامعة إم آي تي، أنه يمكن لنموذج ذكاء اصطناعي أن يعلّم نفسه الشم خلال بضع دقائق فقط باستخدام التعلّم الآلي.
وفي دراسة نُشرت يوم 6 أكتوبر الجاري في دورية نيورون (Neuron) العلمية، أشار الباحثون إلى أن النموذج يبني شبكة عصبونية تحاكي الدوائر الشمية التي تستخدمها أدمغة الحيوانات لمعالجة الروائح.
وتستخدم الكائنات الحية، من ذباب الفاكهة وصولاً إلى البشر، نفس الاستراتيجية لمعالجة معلومات حاسة الشم في الدماغ. بيد أن علماء الأعصاب الذين دربوا شبكة عصبونية اصطناعية على مهمة بسيطة لتصنيف الروائح فوجئوا بأنها تكرر هذه الاستراتيجية البيولوجية بدقة شديدة.
في ذباب الفاكهة مثلاً، تُشكل الخلايا العصبية الحسية الطبقة الأولى من شبكة حاسة الشم، وتنتقل الإشارات منها إلى الطبقة الثانية من الخلايا العصبية الموجودة في جزء من دماغ ذبابة الفاكهة يسمى الفص الهوائي. ومنها تنتقل الإشارة إلى مجموعة أكبر من الخلايا العصبية في الطبقة الثالثة. وبين هذه الطبقات توجد مستقبلات انتقائية تتلقى الإشارات العصبية الشميّة، ولا تتلقى أي إشارات من خلايا عصبية أخرى. ومن المحير أن هذه الاتصالات تبدو عشوائية.
الشبكة الاصطناعية المبتكرة مستوحاة من الدماغ تتكون من خلايا عصبونية اصطناعية تعيد توصيل نفسها لأداء مهام محددة. ويمكن تدريب هذه الخلايا على انتقاء الأنماط ضمن مجموعات البيانات المعقدة، مما يجعلها ذات قيمة في التعرف على الكلام والصورة وأشكال أخرى من الذكاء الاصطناعي. وعلى ما يبدو أن الشبكات الاصطناعية التي تفعل ذلك، تُحاكي نشاط الجهاز العصبي.
بالتعاون الوثيق مع علماء الأعصاب في جامعة كولومبيا، أنشأ الباحثون شبكة من الخلايا العصبونية الاصطناعية تتكون من 3 طبقات، طبقة إدخال وطبقة ضغط وطبقة تمدد، تماماً مثل نظام حاسة الشم لذبابة الفاكهة. وبالرغم من أن عدد الخلايا العصبونية ذاته، لم يضعها الباحثون ضمن بنية معينة، بل اعتمدوا في إعادة توصيل الروابط بين الخلايا العصبونية على ما تعلمه النموذج الاصطناعي لتصنيف الروائح.
لم تستغرق الشبكة الاصطناعية سوى دقائق لتنظيم نفسها. كانت البنية التي رتبت فيها نفسها مشابهة تماماً لتلك الموجودة في دماغ ذبابة الفاكهة. تلقّت كل خلية عصبونية في طبقة الضغط مدخلات من نوع معين من الخلايا العصبونية المدخلة والمتصلة، على ما يبدو بشكل عشوائي، بخلايا عصبونية متعددة في طبقة التمدد. تشكلت هذه البنية عند ذباب الفاكهة من خلال الطفرات العشوائية والانتقاء الطبيعي. وشكلتها الشبكة الاصطناعية من خلال خوارزميات التعلم الآلي القياسية.
لمزيد من المعلومات حول الكيفية التي تعمل بها هذه الشبكات العصبونية الاصطناعية. تابع القراءة على موقعنا. الرابط
النقطة العمياء للأمن السيبراني: نقاط الضعف الكامنة في الذكاء الاصطناعي
يُنظر إلى الأمن السيبراني عموماً على أنه التحدي الاستراتيجي الأكبر الذي يواجه الولايات المتحدة. وتؤكد الأخبار اليومية هذا الأمر، حيث يبدو وكأن كل يوم يجلب معه الإعلان عن ثغرة أمنية جديدة أو اختراق.
كثيراً ما تفشل مقاييس الأمن السيبراني التقليدية في تفسير منهجيات علوم البيانات ونقاط الضعف التي تنفرد بها أنظمة الذكاء الاصطناعي. ولا تأخذ السياسات التي يتم تطويرها ونشرها لتأمين أنظمة البرمجيات في الحسبان أنشطة علوم البيانات وأنظمة الذكاء الاصطناعي التي تنشأ عنها، وتحديداً حاجة المستخدم أو النظام للوصول إلى العديد من مجموعات البيانات الكبيرة بطريقة لا تتوافق غالباً مع أساسيات وتطبيقات الأمن السيبراني الحالي. وهذا يعني أنه مثلما تكتسب التقنيات الناشئة -مثل الذكاء الاصطناعي وتحليلات البيانات- زخماً، فإن ممارسات أمن البرمجيات اليوم عمياء عن التحديات التي تخلقها، وذلك لأن التقنيات الجديدة تتطلب وصولاً غير مقيد إلى البيانات الأساسية وتعتمد على البيانات الموثوقة والبيانات عالية الجودة لضمان دقة الخوارزميات الناتجة ومنتجات علوم البيانات.
وبالتالي، لا يمكننا الحصول على المزيد من الذكاء الاصطناعي والمزيد من الأمن في وقت واحد. على الأقل ليس بدون إجراء تعديل كبير في كيفية تعاملنا مع تأمين البرمجيات والبيانات.
ويُعد الأمر التنفيذي الصادر مؤخراً عن إدارة الرئيس الأميركي جو بايدن بشأن تحسين الأمن السيبراني محاولة طموحة ومدروسة لمعالجة هذا التناقض. ومع ذلك، فإنه يحتوي على فجوات كبيرة تعكس الطرق التي غالباً ما يتم تجاهل تأثير علم البيانات على الأمن السيبراني من خلالها. وفي النهاية، نحتاج إلى أن تساعد اليد اليمنى (الأمن السيبراني) على تطوير فهم أفضل لما تفعله اليد اليسرى (علوم البيانات).
الرابط (إنجليزي)
كيف يستخدم يوتيوب الذكاء الاصطناعي لترويج المحتوى؟
يعتمد موقع الفيديو يوتيوب على استخدام الذكاء الاصطناعي في تقديم المحتوى لمستخدميه. وتعتمد أحدث خوارزميات يوتيوب بشكل كبير على متوسط الوقت الذي يشاهد فيه الشخص أي مقطع فيديو، ويمنحه إعجاباً أم لا، بالإضافة للاعتماد على عدد التعليقات غير المكررة، والعديد من الاعتبارات الأخرى.
يعد نظام التوصية الخاص بالشركة أحد أكبر الأمثلة على حالات استخدام الذكاء الاصطناعي والتعلّم الآلي التي نحتك بها بشكل يومي عدة مرّات، وهناك عدة اعتبارات ومعايير يجب الاعتماد عليها في مثل تلك الأنظمة:
الفلترة التعاونية: يميل هذا النوع إلى بناء علاقات تعاون بين مختلف المستخدمين والعناصر، وهي مقاطع الفيديو في حالة يوتيوب، وينصب التركيز الرئيسي على مطابقة أذواق المستخدمين المختلفين. ويميل إلى التحقق ما إذا كان مستخدم معين قد يحب مقطع الفيديو المعين. كما يعتمد الجانب الآخر من التصفية التعاونية على معيار عنصر لعنصر، لكن التركيز ينصب على ربط العناصر المختلفة، مثل مقاطع الفيديو. وتميل إلى اقتراح مقاطع فيديو مماثلة بناءً على مقاطع الفيديو التي أحبها المستخدمون.
عامل المصفوفة: يعمل عامل المصفوفة على تحليل كل من اتجاهات المستخدم والعنصر معاً، وبالتالي تزويد يوتيوب بمقاييس مقارنة أفضل. على عكس التصفية التعاونية بين العنصر والعنصر، فهي ليست معقدة من الناحية الحسابية لكنها تفتقر إلى القابلية للتفسير، فهي تفتقر إلى الإجابة على التساؤل لماذا تمت التوصية بهذا الفيديو، ما يؤدي إلى انخفاض الدقة.
بنية التعلم العميق: ينشر المستخدمون لموقع يوتيوب الملايين من أفكار المحتوى التي يتم تحميلها يومياً. ويميل نظام التوصيات إلى تصنيف مقاطع الفيديو بناءً على خصائص المستخدم أولاً، ثم بناءً على البيانات الوصفية للفيديو. وتحلل الخوارزمية سمات المستخدم مثل سجل المشاهدة وسجل البحث وذوق المستخدم والعمر والموقع والوقت، ثم تأخذ عينات من بعض مقاطع الفيديو وترسلها للمرحلة التالية. وتختار الخوارزمية مقاطع الفيديو للمشاهدين مع وضع هدفين في الاعتبار، وهي العثور على الفيديو المناسب لكل مشاهد، وحثهم على مواصلة المشاهدة.
الرابط
|
