يجب أن تعلم | للاطلاع | في صلب الموضوع | رقم اليوم | شخصية اليوم | مصطلح اليوم

وفي الوقت نفسه، يتزايد عدد سكان العالم ويستمرون بالهجرة إلى المناطق الحضرية، ما يؤثر على عادات الاستهلاك ويغيرها. ويتعرض المزارعون لضغوط كبيرة لتلبية الطلب المتزايد، وهم بحاجة إلى وسيلة لزيادة الإنتاجية. وبما أن كمية التربة الخصبة محدودة، فستكون هناك حاجة إلى تجاوز الزراعة التقليدية والبحث عن طرق فعالة لمساعدة المزارعين على تقليل المخاطر، أو على الأقل جعلها أكثر قابلية للإدارة.

نتيجة لذلك، يعد تطبيق تكنولوجيا الذكاء الاصطناعي في الزراعة على نطاق عالمي أحد أكثر الفرص الواعدة، حيث يمكن لها أن تغير العمليات المستخدمة فيها بشكل كبير، ما يمكّن المزارعين من تحقيق المزيد من النتائج بجهد أقل مع جلب العديد من الفوائد الأخرى. ولكن كيف يمكن استخدام الذكاء الاصطناعي من أجل زراعة مستدامة؟ وما هي فرص الذكاء الاصطناعي في الزراعة؟ وكيف يمكن أن يساعدنا في مواجهة التحديات الحالية؟

أعادت التكنولوجيا تعريف الزراعة على مر السنين، وأثرت التطورات التكنولوجية على الصناعة الزراعية بأكثر من طريقة. ومع ارتفاع عدد السكان الذي سيرتفع وفقاً لتوقعات الأمم المتحدة من 7.5 ملياراً إلى 9.7 ملياراً في عام 2050، سيكون هناك المزيد من الضغط على الأرض حيث سيكون هناك نحو 4% فقط من الأرض ستتم زراعتها بحلول عام 2050. هذا يعني أنه سيتعين على المزارعين فعل المزيد بموارد أقل لزيادة إنتاج الغذاء بنسبة 60٪ لإطعام ملياري شخص إضافي.

يمكن أن تتحول الزراعة إلى تكنولوجيات الذكاء الاصطناعي للمساعدة في إنتاج محاصيل أكثر صحة، ومكافحة الآفات، ومراقبة التربة وظروف النمو، وتنظيم البيانات للمزارعين، والمساعدة في تخفيف عبء العمل، وتحسين مجموعة واسعة من المهام المتعلقة بالزراعة في سلسلة التوريد الغذائية بأكملها.
للمزيد حول استخدام الذكاء الاصطناعي في الزراعة، تابع قراءة المقالة على موقعنا عبر هذا الرابط

أندرو إنج: لماذا حان الوقت للذكاء الاصطناعي المرتكز على البيانات؟
شهدت السنوات العشر الماضية نمواً هائلاً في تقنيات الذكاء الاصطناعي. جمعت شركات الإنترنت الاستهلاكية كميات هائلة من البيانات، حيث تم استخدامها لتدريب برامج تعلم آلي قوية. لكن أندرو إنج، رائد الذكاء الاصطناعي ومؤسس مختبر أبحاث جوجل برين (Google Brain)، يرى أن الوقت قد حان الآن للتركيز على البيانات التي تغذي هذه الأنظمة، مدافعاً عما يسميه "الذكاء الاصطناعي المرتكز على البيانات" (data-centric AI)، والذي يصفه بأنه "قواعد الهندسة المنهجية للبيانات اللازمة لبناء نظام ذكاء اصطناعي ناجح".

تحتاج أنظمة الذكاء الاصطناعي إلى تعليمات برمجية وبيانات، وقال إنج -في مؤتمر (EmTech Digital) الأخير الذي استضفته منصة إم آي تي تكنولوجي ريفيو- إن "كل هذا التقدم الذي شهدته الخوارزميات يعني أن الوقت قد حان بالفعل لقضاء المزيد من الوقت للتركيز على البيانات"، موضحاً أن التركيز على البيانات عالية الجودة التي يتم وسمها باستمرار سيؤدي إلى إطلاق العنان للذكاء الاصطناعي في قطاعات مثل الرعاية الصحية والتكنولوجيا الحكومية والتصنيع.

ويضيف إنج، الذي أسس أيضاً شركة (Landing AI): إذا ذهبت لرؤية نظام رعاية صحية أو مؤسسة تصنيع، بصراحة، لا أرى اعتماداً واسع النطاق للذكاء الاصطناعي في أي مكان. وهذا يرجع جزئياً إلى الطريقة المخصصة التي تمت بها هندسة البيانات، والتي غالباً ما تعتمد على الحظ أو مهارات علماء البيانات الفرديين.

وأشار إنج إلى بعض المشكلات الشائعة المتعلقة بالبيانات، ومن ضمنها:
الاختلافات في عمليات الوسم: في مجالات مثل التصنيع والصيدلة، يتم تدريب أنظمة الذكاء الاصطناعي للتعرف على عيوب المنتج. لكن الأشخاص المدربين تدريباً جيداً يمكن أن يختلفوا مثلاً حول ما إذا كانت حبة الدواء "مكسورة" أم "مخدوشة". هذا الغموض يمكن أن يخلق ارتباكاً لنظام الذكاء الاصطناعي. وبالمثل، يقوم كل مستشفى بترميز السجلات الإلكترونية بطرق مختلفة، وهو ما يمثل مشكلة عندما يتم تدريب أنظمة الذكاء الاصطناعي.

التركيز على البيانات الضخمة: هناك اعتقاد شائع أن المزيد من البيانات أفضل دائماً. ولكن بالنسبة لبعض الاستخدامات، لا سيما التصنيع والرعاية الصحية، لا يوجد الكثير من البيانات لجمعها، وقد تكون الكميات الأصغر من البيانات عالية الجودة كافية، على حد قول نج. على سبيل المثال، قد لا يكون هناك العديد من صور الأشعة السينية لحالة مرضية معينة إذا لم يكن العديد من المرضى يعانون منها.

تنسيق البيانات: كثيراً ما تكون البيانات فوضوية وتتضمن أخطاء. لعقود من الزمن، كان الناس يبحثون عن هذه المشكلات ويقومون بإصلاحها بأنفسهم. يقول إنج: غالباً ما تكون ذكاء مهارة الفرد، أو حظ مهندس فردي، هو ما يحدد ما إذا كان يتم تنسيقها بشكل جيد، مضيفاً أن جعل هذا الأمر أكثر منهجية سيساعد الكثير من الفرق على بناء المزيد من أنظمة الذكاء الاصطناعي.
الرابط (إنجليزي)

تقنيات توليد النصوص بالذكاء الاصطناعي ربما تُغيّر المشهد العلمي
خوارزميات التعلُّم الآلي، القادرة على إنتاج لغة سلسة وفصيحة استناداً إلى كمٍّ هائل من النصوص، يمكن أن تُغيِّر من طرق ممارسة العلم، غير أنه ليس تغييراً إيجابياً بالضرورة، وفق ما تراه شوبيتا بارثاساراثي، اختصاصية حوكمة التقنيات الناشئة بجامعة ميشيجان.

في تقريرٍ نُشر بتاريخ 27 أبريل الماضي، حاولت بارثاساراثي -بمشاركة باحثِين آخرِين- توقُّع التأثيرات الاجتماعية المترتبة على تقنيات الذكاء الاصطناعي الناشئة، التي تُدعى "النماذج اللغوية الكبيرة" (LLMs). هذه النماذج قادرة على إنتاج مقطوعات نثرية تبلغ من الفصاحة والإقناع حداً مدهشاً، والترجمة بين اللغات المختلفة، والإجابة عن الأسئلة، وحتى إنتاج الأكواد البرمجية. وتهدف الشركات المطوِّرة لتلك النماذج -مثل جوجل، وفيسبوك، ومايكروسوفت- إلى استخدامها فيما يُعرف بالروبوتات المتكلمة (chatbots)، ومحركات البحث، إلى جانب مهمات تلخيص الوثائق.

على أنَّ النماذج اللغوية الكبيرة محل خلاف بالفعل؛ ذلك أنها ربما تُكرِّر الأخطاء والقوالب النمطية الإشكالية التي تشتمل عليها ملايين أو مليارات الوثائق التي دُربت باستخدامها، ويخشى الباحثون أن يقود تدفق النصوص المُنتَجة حاسوبياً، التي تحظى ظاهرياً بالموثوقية ولا يمكن تمييزها عن كتابات البشر، إلى تقويض ثقة القارئ فيما يقرأ، وبثِّ حالةٍ من الالتباس.

وإذا كان من الجائز أن يكون لهذه النماذج اللغوية دورٌ في تعزيز الجهود الهادفة إلى فهم الأبحاث العلمية المعقدة، فإنها قد تجعل عموم القرَّاء أكثر تشكُّكاً في العلم، وفق ما تضيف بارثاساراثي.
الرابط