يجب أن تعلم | للاطلاع | في صلب الموضوع | رقم اليوم | شخصية اليوم | مصطلح اليوم
التعلم الآلي يتنبأ بما إذا كنت ستنفصل عن شريك حياتك
استخدم باحثون من عدة جامعات إيطالية تقنيات الذكاء الاصطناعي والتعلم الآلي للتنبؤ باحتمال انفصال الأزواج، بالاعتماد على بيانات مثل الرضا عن الحياة الزوجية لكلا الشريكين ونسبة الأعمال المنزلية التي تقوم بها المرأة مقارنةً بتلك التي يقوم بها الرجل، ووجدوا أن 45% من الأزواج ينفصلون لهذه الأسباب أو ما يشابهها.
نُشرت الدراسة في دورية ديموغرافيا (Demography)، واشترك فيها عدة علماء من جامعات مختلفة، من بينهم برونو أربينو من جامعة فلورنسا، بالإضافة إلى ماركو موغلي من الجامعة الكاثوليكية في ميلانو، وليتيزا مينكاريني من مركز بوكوني دوندينا لأبحاث الديناميات الاجتماعية والسياسة العامة.
أجرت اللجنة الاجتماعية والاقتصادية الألمانية مسحاً شارك فيه 2038 من الأزواج أو الشركاء الذين تربطهم علاقة مساكنة، ثم أخذ هؤلاء الباحثون الإيطاليون هذه البيانات وحللوها بالاعتماد على تقنية التعلم الآلي. استمرت دراسة كل زوج من الأزواج لمدة 12 عاماً تقريباً، وسجل الباحثون 18,613 ملاحظة خلال تلك الفترة. وقد انفصل 45% من الأزواج، أي 914 زوجاً، وتبين أن الرضا عن الحياة لكلا الشريكين والنسبة التي تقوم بها المرأة من الأعمال المنزلية من أهم العوامل التي تُنبئ بانفصال الشريكين.
استخدم الباحثون تقنية تعلم آلي ذات قدرة تنبؤية فائقة -مقارنة بالنماذج التقليدية- تُسمى (RSF) وهي اختصار لمصطلح مجمعات البقاء العشوائي (Random Survival Forests). وقد استُخدمت هذه التقنية دون سواها بسبب وجود عدد كبير من المتغيرات المستقلة (35 متغيراً)، حيث يصعب إدارة هذا العدد من المتغيرات في نماذج التعلم الآلي التقليدية التي تكون قادرة عادة على اكتشاف الأنماط المعقدة في مجموعات البيانات الصغيرة نسبياً. وانقسمت المتغيرات إلى مجموعتين، الأولى لحساب سمات كلا الشريكين (10 متغيرات) وشملت الثانية جميع تفاعلاتهما (25 متغيراً).
للمزيد حول العوامل الرئيسية التي تنبأ الذكاء الاصطناعي بأنها ستكون من أسباب الانفصال، تابع قراءة المقالة على موقعنا عبر الرابط
هل يمكن للذكاء الاصطناعي التخلص من مجموعات البيانات؟
ثمة حاجة إلى كميات هائلة من البيانات لتدريب نماذج التعلم الآلي لأداء مهام تصنيف الصور، مثل تحديد الأضرار في صور الأقمار الصناعية بعد وقوع كارثة طبيعية. ومع ذلك، فإنه ليس من السهل دائماً الحصول على هذه البيانات. وقد يكلف إنشاء مجموعات البيانات ملايين الدولارات -هذا إذا كانت هناك بيانات قابلة للاستخدام من الأساس- وحتى أفضل مجموعات البيانات غالباً ما تحتوي على تحيزات تؤثر سلباً على أداء النموذج.
للتغلب على بعض المشكلات الخاصة بمجموعات البيانات، طور باحثون بجامعة إم آي تي طريقة لتدريب نموذج تعلم آلي لتوليد بيانات مصطنعة (Synthetic Data) واقعية للغاية يمكنها تدريب نموذج آخر -بدلاً من مجموعة بيانات- على مهام الرؤية.
وتظهر نتائجهم -التي تم الإعلان عنها في دراسة سيتم تقديمها في المؤتمر الدولي لتمثيلات التعلم (ICLR)- أن نموذج تعلم التمثيل التبايني (Contrastive Representation Learning) الذي تم تدريبه باستخدام هذه البيانات المصطنعة فقط قادر على تعلم التمثيلات المرئية التي تنافس أو حتى تتفوق على تلك التي تم تعلمها من البيانات الحقيقية.
يتطلب نموذج التعلم الآلي الخاص هذا -والمعروف باسم النموذج التوليدي- ذاكرة تخزين أقل بكثير من تلك التي تحتاجها مجموعة البيانات. كما يمكن أن يؤدي استخدام البيانات المصطنعة أيضاً إلى تجنب بعض المخاوف المتعلقة بالخصوصية وحقوق الاستخدام التي تحد من كيفية استخدام بعض البيانات الحقيقية. ويمكن كذلك تعديل النموذج التوليدي لإزالة سمات معينة، مثل العرق أو الجنس، وهو ما يمكن أن يعالج بعض التحيزات الموجودة في مجموعات البيانات التقليدية.
ويقول علي جهانيان، عالم الأبحاث في مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL) التابع لجامعة إم آي تي، والمؤلف الرئيسي للدراسة: "كنا نعلم أن هذه الطريقة ستنجح في النهاية؛ كنا بحاجة فقط إلى انتظار أن تصبح هذه النماذج التوليدية أفضل. لكننا سعدنا بشكل خاص عندما أظهرنا أن هذه الطريقة تعمل في بعض الأحيان بشكل أفضل من (البيانات) الحقيقية".
الرابط (إنجليزي)
أسلوب جديد لاصطياد الضحايا رقمياً باستخدام التزييف العميق
حذرت الشرطة التايلاندية أخيراً مما أسمته "عصابات مراكز الاتصال" التي تتبنى تقنيات التزييف العميق في إقناع ضحاياها المحتملين للحصول على الأموال، بعد مقطع فيديو مزيف لضابط شرطة تايلاندي يطالب فيه الضحايا بتحويل الأموال.
ألقت الحادثة الأخيرة في تايلاند بظلالها على نوع تقني متطور وأسلوب فريد وقع فيه عدد كبير من الضحايا في ذلك البلد، بسبب اعتماده بشكل كامل على تقنية حديثة، فقد تسبب التزييف العميق بخسائر ناتجة من الاحتيال وصلت قيمتها إلى أكثر من 250 مليون دولار خلال عام واحد فقط، فيما يتوقَع أن يخسر تجار التجزئة حوالي 130 مليار دولار أميركي من خلال عمليات الاحتيال الرقمية.
وتوصلت أبحاث عدة إلى ارتفاع متسارع في الاحتيال في عمليات بطاقة الائتمان التي لا تحتاج إلى التقديم (CNP)، والتي تتم من خلال إجراء معاملات على الإنترنت أو الهاتف أو البريد، حيث لا تُقدَم البطاقة إلى التاجر لإجراء فحص بصري. وتسبب هذا النوع من الاحتيال في عام 2020، بخسائر تجاوزت 6.4 مليار دولار أميركي، بفارق مليار دولار عن عام 2018.
ومن المخاطر الرئيسة للاحتيال باستخدام التزييف العميق، انتشار "الاحتيال الشبحي" الذي يحدث من خلال استيلاء المحتال على بيانات شخص له مكانة وانتحال شخصيته لجني مكاسب مالية. كذلك يستخدم المحتالون التزييف العميق في مجال "احتيال الحسابات" بإنشاء حساب جديد من خلال معرفات وطنية مسروقة لفتح حسابات بنكية جديدة، إلى جانب طرق أكثر تعقيداً تعرف بـ "الاحتيال الاصطناعي للهوية" التي يُنشئ المحتالون من خلالها هوية رقمية جديدة لشخص، متولدة من مجموعة من معرفات رقمية لعدد من الأشخاص الآخرين.
الرابط
|
