يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
10 اتجاهات متوقعة للذكاء الاصطناعي في 2022
مع اقتراب العام من نهايته، غصت المواقع التكنولوجية والنشرات الإخبارية المتخصصة بتوقعات المئات من الخبراء والمطورين لما سيشهده هذا القطاع على الأرجح خلال العام المقبل، وإليك ملخصاً لأهم 10 توقعات:
1- قد يحصل علماء البيانات والمطورين على استراحة من المهام الشاقة: مع أتمتة المزيد من مهام التعلم الآلي، يمكن لعلماء البيانات أن يتوقعوا فترة راحة من هذه المهام في عام 2022، للسماح لهم بالتركيز على أفضل ما يمكنهم فعله ألا وهو تحسين الخوارزميات.
2- ستتمكن الشركات متوسطة الحجم من الوصول إلى الذكاء الاصطناعي بشكل أكبر: ستؤدي الاستثمارات المكثفة التي تقوم بها الشركات الكبرى إلى المزيد من الابتكارات والتقنيات الجاهزة التي سيستخدمها المطورون في الشركات متوسطة الحجم.
3- ستعيد الشركات التقليدية إطلاق نفسها كشركات منصات، لكي تتمكن من تقديم خدمات جديدة. مثل الرعاية الافتراضية التي تقدمها شركة صيدليات "سي في اس" (CVS)، ومبادرة القهوة الرقمية التي تقدمها منصة نستله نسبرسو.
4- سيتطور الذكاء الاصطناعي المسؤول بوتيرة أسرع: سلط تزايد تقنيات الذكاء الاصطناعي الضوء على أخلاقيات الذكاء الاصطناعي، وهو الاتجاه الذي سيتسارع العام المقبل.
5- ظهور فرعين جديدين للذكاء الاصطناعي المسؤول: الفرع الأول هو "الذكاء الاصطناعي القابل للتدقيق" (Auditable AI) والثاني هو "الذكاء الاصطناعي المتواضع" (Humble AI).
6- زيادة الحاجة إلى نماذج الذكاء الاصطناعي والتعلم الآلي المحلية: قد تعمل نماذج الذكاء الاصطناعي الخاصة بالشركات الأميركية بشكل جيد في الولايات المتحدة، لكنها قد لا تكون مناسبة للأسواق الخارجية. لذلك، من المتوقع أن نرى المزيد من عمليات "توطين" هذه النماذج في 2022.
7- إعطاء الأولوية لنهج "البيانات أولاً"، لاستغلال الكمية الهائلة من البيانات غير المستخدمة. وبالتالي، تمكين الذكاء الاصطناعي من حل المشكلات وتسهيل تدفق الإيرادات الجديدة.
8- سيزداد الاهتمام بمكافحة التحيز الخوارزمي: بحلول نهاية عام 2022، لن تتمكن شركات تطوير النماذج من بيع أنظمة الذكاء الاصطناعي إلى الشركات الكبيرة والمؤسسات الحكومية دون اتباع إرشادات محددة تتعلق بالتحيز والشفافية وطرق جمع البيانات.
9- ستفوز أنظمة الذكاء الاصطناعي ببراءات الاختراع: هذا العام، منحت جنوب إفريقيا نظام ذكاء اصطناعي إبداعي براءة اختراع. وهذه الخطوة نحو الاعتراف القانوني بالمنتجات التي تم إنشاؤها بواسطة الذكاء الاصطناعي ستشجع على المزيد من الخطوات المماثلة في 2022.
10- ستنطلق المركبات ذاتية القيادة على الطرق: انطلقت مؤخراً العديد من التجارب العملية للمركبات ذاتية القيادة، ولعل أبرزها الاختبارات التي تُجرى حالياً على السيارات ذاتية القيادة داخل شوارع أبوظبي. ومن المتوقع أن يتسارع هذا الاتجاه العام المقبل.
لمزيد من التوقعات المفصلة حول الذكاء الاصطناعي في 2022، تابع القراءة على موقعنا عبر الرابط
باحثون يطورون نموذج تعلم آلي يحدد موعد "موت الخلايا" بدقة
معرفة الوقت الذي ماتت فيه إحدى الخلايا الدماغية يُعد أمراً صعباً للغاية. فالعصبونات التي تظهر غير نشطة تحت المجهر قد تظل في حالة تشبه "البرزخ" بين الحياة والموت لعدة أيام، وفجأة يبدأ بعضها في إرسال الإشارات مرة أخرى. وبالنسبة للباحثين الذين يدرسون التنكس العصبي (الفقدان التدريجي المتفاقم لبنية أو وظيفة العصبونات)، فإن عدم معرفة "وقت موت" الخلايا العصبية يجعل من الصعب تحديد العوامل التي تؤدي إلى موتها، ويصّعب أيضاً فحص الأدوية التي قد تنقذ الخلايا المسنة من الموت.
لذلك، طور باحثون في معاهد جلادستون بولاية كاليفورنيا الأميركية تقنية جديدة تسمح لهم بتتبع آلاف الخلايا في وقت واحد وتحديد اللحظة الدقيقة لموت أي خلية في المجموعة. وأظهر الفريق -في ورقة بحثية نُشرت في دورية نيتشر كوميونيكيشنز (Nature Communications)- أن هذا النهج يعمل بنجاح في خلايا القوارض والخلايا البشرية، ويمكن استخدامه لمتابعة الخلايا على مدى أسابيع إلى شهور.
وفي دراسة مصاحبة نُشرت في دورية ساينس أدفانسز (Science Advances)، قام الباحثون بدمج هذه التقنية مع نهج التعلم الآلي، حيث قاموا بتعليم الحاسوب كيفية التمييز بين الخلايا الحية والميتة أسرع 100 مرة وأكثر دقة من الإنسان. ويقول جيريمي لينزلي، المؤلف المشارك في كلتا الدراستين، إن "تحليل هذا النوع من البيانات يدوياً استغرق من طلاب الجامعات شهوراً، بينما نظامنا الجديد شبه الفوري يعمل بأسرع مما يمكننا الحصول على صور جديدة على المجهر".
صمم لينزلي وزملاؤه أجهزة استشعار للكالسيوم تتألق فقط عندما ترتفع مستويات الكالسيوم إلى المستوى الذي يشير إلى موت الخلايا. ويمكن إدخال أجهزة الاستشعار الجديدة -المعروفة باسم مؤشر الموت المشفر جينياً (GEDI)- في أي نوع من الخلايا لمعرفة ما إذا كانت حية أو ميتة على مدار عمر الخلية بالكامل.
وتعاون لينزلي بعد ذلك مع أخيه درو لينزلي، الأستاذ المساعد في جامعة براون والمتخصص في تطبيق الذكاء الاصطناعي على البيانات الحيوية. واقترح شقيقه أن يستخدم الباحثون جهاز الاستشعار إلى جانب التعلم الآلي لتعليم الحاسوب التعرف على خلايا الدماغ الحية والميتة بناءً على شكل الخلية فقط.
وقام الفريق بتعليم نموذج يُدعى (BO-CNN) التعرف على أنماط التألق النموذجية المرتبطة بالشكل الذي تبدو عليه الخلايا المحتضرة. وأظهر الأخوان لينزلي أن النموذج كان دقيقاً بنسبة 96٪ وأفضل من المراقبين البشريين، وكذلك كان أسرع بمئة مرة من الطرق السابقة المستخدمة للتمييز بين الخلايا الحية والميتة.
الرابط (إنجليزي)
ريترو: نموذج لغوي جديد من ديب مايند يستطيع التفوق على نماذج تفوقه حجماً
في السنتين اللتين تلتا إطلاق "أوبن إيه آي" (OpenAI) لنموذجها اللغوي جي بي تي 3، قامت معظم مختبرات الذكاء الاصطناعي الشهيرة بتطوير نماذج محاكاة لغوية خاصة بها. وقد تحولت هذه الأنظمة إلى أحد أهم التوجهات السائدة في الذكاء الاصطناعي.
وحتى الآن، كان غياب شركة ديب مايند (DeepMind) عن هذا المجال ملفتاً للنظر. لكن الشركة، التي تعمل في بريطانيا، انضمت أخيراً إلى الركب بإطلاق 3 دراسات جديدة حول النماذج اللغوية الكبيرة في يوم واحد. والنتيجة الأساسية التي توصلت إليها ديب مايند هي نظام ذكاء اصطناعي معزز بذاكرة خارجية على شكل قاعدة بيانات ضخمة من المقاطع النصية، ويستخدمها النظام عند توليد جمل جديدة بشكل أشبه بورقة الغش في الامتحان.
يحمل النظام اسم ريترو (RETRO) -اختصاراً لعبارة "محول الاسترجاع المحسّن"- وهو يضاهي في أدائه الشبكات العصبونية التي تعادل 25 ضعف حجمه، ما يقلل من الوقت والتكاليف المطلوبين لتدريبه. ويعتمد ريترو على دراستين مرافقتين نشرتهما ديب مايند، تبحث إحداهما في تأثير حجم النموذج على أدائه، وتدرس الأخرى الآثار السلبية المحتملة لهذه الأنظمة.
ولدراسة الحجم، قامت ديب مايند ببناء نموذج لغوي كبير باسم غوفر، مع 280 مليار معامل. وقد تمكن هذا النموذج من التغلب على أحدث النماذج في 82% من التحديات اللغوية الشائعة المستخدمة في الاختبارات، والتي يتجاوز عددها 150. وبعد ذلك، قام الباحثون بمقارنة أدائه مع أداء ريترو، ووجدوا أن النموذج الذي يتضمن 7 مليار معامل يضاهي أداء غوفر في معظم المهام.
ووفقاً لديب مايند، يمكن لريترو أن يساعد على التعامل مع مسألة التحيز والأخلاقيات، لأن رؤية ما تعلمه النظام بتفحص قاعدة البيانات أكثر سهولة من دراسة الشبكة العصبونية. ومن الناحية النظرية، يمكن أن يسمح هذا بفلترة وإزالة أمثلة اللغة المؤذية، أو موازنتها مع أمثلة أخرى غير مؤذية. ولكن ديب مايند لم تختبر هذه الفرضية بعد. وأيضاً، يمكن تحديث قاعدة البيانات دون إعادة تدريب الشبكة العصبونية. وهذا يعني أن المعلومات الجديدة يمكن أن تُضاف بسرعة، كما يمكن حذف المعلومات القديمة أو الخاطئة.
للمزيد حول هذا النموذج الجديد، تابع القراءة على موقعنا عبر هذا الرابط
|
