يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
التحيز ينتشر في الذكاء الاصطناعي وقد حان الوقت لإصلاح المشكلة
هناك مشكلتان أساسيتان في التعلم الآلي المُستخدم اليوم. الأولي هي مشكلة "الصندوق الأسود": تقدم نماذج التعلم الآلي تنبؤات دقيقة للغاية، لكنها تفتقر إلى القدرة على شرح الأسباب الكامنة وراء هذه التنبؤات باستخدام مصطلحات يمكن للبشر فهمها. لا تمنحك نماذج التعلم الآلي سوى تنبؤ ودرجة تشير إلى الثقة في هذا التنبؤ.
المشكلة الثانية هي أن التعلم الآلي لا يمكنه التفكير فيما وراء البيانات التي تم استخدامها لتدريبه. إذا كان هناك تحيز تاريخي في بيانات التدريب، فعندئذ، إذا تُرك دون ضابط، سيظل هذا التحيز موجوداً في التنبؤات. وبينما يوفر التعلم الآلي فرصاً مثيرة لكل من المستهلكين والشركات، يمكن أن تكون البيانات التاريخية التي بنيت عليها خوارزمياته مليئة بالتحيزات الكامنة.
سبب القلق هو أن صناع القرار في الشركات ليس لديهم طريقة فعالة لرؤية الممارسات المتحيزة التي تم تضمينها في نماذجهم. ولهذا السبب، فإن هناك حاجة ملحة لفهم ماهية التحيزات الكامنة في بيانات المصدر. وفي الوقت نفسه، يجب تمكين التحكم البشري كإجراء وقائي ضد الإجراءات التي تُتخذ بناء على تنبؤات التعلم الآلي.
تؤدي التنبؤات المتحيزة إلى سلوكيات متحيزة ونتيجة لذلك فإننا "نتنفس عوادمنا". نحن نبني باستمرار على إجراءات متحيزة ناتجة عن قرارات متحيزة، وهو ما يؤدي إلى إنشاء دورة تكرر نفسها، وبالتالي يخلق مشكلة تتفاقم بمرور الوقت مع كل تنبؤ. وكلما اكتشفت التحيز في وقت أبكر وأزلته، زادت سرعة تخفيف المخاطر وتوسيع حجم الفرص. أما أولئك الذين لا يتعاملون مع التحيز سريعاً فإنهم يعرضون أنفسهم لعدد لا يحصى من المخاطر والعقوبات والإيرادات المفقودة.
تحتاج الشركات إلى التركيز على القابلية للتفسير والشفافية داخل أنظمة الذكاء الاصطناعي. يجب أن يتولى البشر دفة القيادة عند اتخاذ أو عدم اتخاذ إجراءات في العالم الحقيقي بناءً على تنبؤات التعلم الآلي. ومن خلال التوسع في تفسير العوامل التي تؤثر على تنبؤات التعلم الآلي، يمكن إبراز التحيزات الخوارزمية وتعديل القرار لتجنب العقوبات المكلفة أو ردود الفعل القاسية.
الرابط (إنجليزي)
ميتا تنجح في تعليم الذكاء الاصطناعي أداء مهام متعددة
إذا تمكنت من التعرف على كلب بالنظر، فمن المرجح أنك قادر على التعرف على كلب عند وصفه لك بالكلمات. ولكن هذا لا ينطبق على أنظمة الذكاء الاصطناعي الحالية. فقد أصبحت الشبكات العصبونية العميقة فائقة البراعة في التعرف على الأجسام في الصور وإجراء الحوارات باللغة الطبيعية، ولكن ليس في نفس الوقت، فأنظمة الذكاء الاصطناعي قادرة على التفوق في أداء مهمة ما أو مهمة أخرى، ولكن ليس الاثنتين معاً في نفس الوقت.
تُعزى هذه المشكلة، جزئياً، إلى أن هذه النماذج تتعلم مهارات مختلفة باستخدام طرق مختلفة، وهو ما يمثل عائقاً كبيراً أمام تطوير أنظمة ذكاء اصطناعي أقرب إلى أنظمة الذكاء الاصطناعي العام، وهي آلات قادرة على القيام بمهام متعددة، وقادرة على التكيف أيضاً. كما يعني أن التطورات التي حُققت في التعلم العميق لمهارة ما غير قابلة للنقل إلى مهارات أخرى.
يرغب فريق في "ميتا إيه آي" (المعروف سابقاً بقسم فيسبوك للأبحاث) بتغيير هذا الأمر، فقد قام الباحثون بتطوير خوارزمية واحدة يمكن استخدامها لتدريب شبكة عصبونية على التعرف على الصور والنصوص والكلام. تحمل الخوارزمية اسم "داتا تو فيك" (Data2vec)، ولا تقتصر فقط على توحيد عملية التعلم، بل تحقق أداء يضاهي على الأقل أداء التقنيات الحالية المستخدمة للمهام الثلاثة جميعاً.
اعتمد الباحثون على مقاربة معروفة باسم التعلم ذاتي الإشراف، حيث تتعلم الشبكات العصبونية التقاط الأنماط في مجموعات البيانات بنفسها، دون إرشادها باستخدام أمثلة مصنفة. تعتمد طريقة داتا تو فيك على شبكتين عصبونيتين، طالب وأستاذ. أولاً، يتم تدريب شبكة الأستاذ على الصور أو النصوص أو الكلام بالطريقة المعتادة، أي تعلم تمثيل داخلي لهذه البيانات بشكل يسمح لها بتوقع ما تراه عند تفحص أمثلة جديدة. فعندما ترى صورة كلب، ستتعرف على وجود الكلب فيها.
أما الحيلة فتكمن في تدريب شبكة الطالب على توقع التمثيل الداخلي للأستاذ. وهذا يعني أنها لا تُدرب على تخمين محتوى الصورة عند رؤيتها، بل تخمين ما يراه الأستاذ لدى رؤيتها. ونظراً لكون الطالب يحاول تعلم طريقة الأستاذ في تمثيل الصورة أو الجملة، لا تعلم تخمين الصورة أو الجملة الفعليتين، فإن الخوارزمية لا تحتاج إلى أن تُصمم وفق نمط معين من الدخل.
للمزيد حول خوارزمية "داتا تو فيك" الجديدة، تابع القراءة على موقعنا عبر هذا الرابط
مستشعر جديد يمنح تشخيصاً أدق لأمراض المخ
طور فريق من المهندسين وجراحي الأعصاب بجامعة كاليفورنيا في سان دييغو مستشعراً جديداً يجعل الإنسان أكثر اندماجاً مع تقنيات الذكاء الاصطناعي، حيث يقوم بتخطيط الدماغ البشري وتسجيل الإشارات الكهربائية بدقة لم يسبق لها مثيل.
كما يساعد هذا الجهاز بشكل عام على تغيير فهمنا للدماغ البشري إلى الأفضل، ويتيح للأطباء تشخيصاً أدق للأمراض التي تصيب المخ مثل السرطان والصرع والزهايمر وعلاجها بشكل أفضل.
قام فريق العلماء بنشر ورقة بحثية حول اكتشافهم الجديد بدورية (Science Translational Medicine)، وأوضحوا فيها أنهم استخدموا قضبان البلاتين بدلاً من أجهزة الاستشعار البلاتينية المسطحة المستخدمة حالياً، ما مكنهم من ابتكار مستشعر يبلغ حجمه تقريباً عُشر حجم شعرة الإنسان، وبدقة استشعار تبلغ 100 ضعف الموجودة حالياً.
ويفتح المستشعر الجديد الباب أمام اندماج البشر بشكل أفضل مع الذكاء الاصطناعي، حيث يمكن استخدامه في تحسين تقنيات الواجهات الدماغية الحاسوبية (BCI)، ما يعني أنه بات من الممكن في القريب زرع شرائح الحاسوب في عقول البشر، ما يسمح بتصفح مواقع الإنترنت والتواصل مع تقنيات الذكاء الاصطناعي عبر إشارات المخ.
الرابط
|
