◄ مقاييس الأداء تختلف حسب مراحل تطوير أنظمة الذكاء الاصطناعي

◄ يجب التأكد من قابلية النظام الذكي للتعلم والتكيف مع المتغيرات

◄ تحديث بيانات النظام المعتمد على الذكاء الاصطناعي أمر مهم لتحقيق الفاعلية المطلوبة

◄ دور معامل الثقة يتمثل في تصفية النتائج للوصول إلى النتائج الصحيحة

الاستفادة من التغذية الراجعة تزيد من أداء أنظمة الذكاء الاصطناعي

 

الرؤية - سارة العبرية

على الرغم التطور الكبير الذي تشهده تقنيات الذكاء الاصطناعي والاعتماد عليها في الكثير من المجالات، إلا أن مؤشرات الأداء الرئيسية باتت نقطة انطلاق حيوية لقياس تقدم وأداء مشاريع الذكاء الاصطناعي، وتحديد المتغيرات الرئيسية التي تعكس تحقيق الأهداف، وتكوين نظرة فورية حول أداء النظام سواء كان يتعلق بزمن التنفيذ أو دقة النماذج أو استهلاك الموارد.

ويشكل الجمع الفعّال بين مؤشرات الأداء الرئيسية والمقاييس أساسًا لتحقيق نجاح مستدام في مجال الذكاء الاصطناعي، فهي أدوات لا تقدر بثمن، ولن يكون هناك مؤشرات أداء رئيسية بدون مقاييس، وكلاهما مهم لضمان عائد صحي على الاستثمار في أنشطة العمل المختلفة.

ويقول يعرب بن علي المعمري خبير تقني ومتخصص في الذكاء الاصطناعي، إن مؤشر الدقة هو مقياس يساعد في تقييم مدى نجاح نموذج الذكاء الاصطناعي في إجراء التنبؤات وما إذا كان ناتجه معقولا، إذ إن قدرة النظام على إصدار توقعات بناءً على البيانات المقدمة لا تعتمد على عملية عشوائية في البناء، وبالتالي يجب أن تكون الدقة أولوية قصوى؛ حيث تعتبر هذه الدقة مؤشرًا على قدرة النظام على تقديم إجابات صحيحة ومنطقية، بعيدًا عن الدقة السلبية، لافتا إلى أن مؤشر الدقة عاملًا هامًا في تحسين النظام من خلال إجراء مزيد من عمليات التدريب أو تعديل العمليات المُدخلة، حيث يحدد مدى فعالية النظام في المجال الذي تم تخصيصه له.

ويضيف أن ما يميز أنظمة الذكاء الاصطناعي عن الأنظمة التكنولوجية الأخرى، هي سرعة الاستجابة والمعالجة الفورية بدقة عالية جدا، إذ إن الذكاء الاصطناعي قادر على قراءة وتحليل البيانات وتقديم استجابة مثالية في زمن قياسي جدًا يصل إلى 0.8 ثانية في بعض الأنظمة الذكية، وهذا بدوره يعكس إيجابية عالية في تجربة المستخدم ويبدي أريحية للنظام ويكتسب ثقته، ولابد من وجود توزان بين زمن التنفيذ والتكلفة وفاعلية استخدام الموارد، لافتا إلى أنه يجب الأخذ بعين الاعتبار أن يقدم هذا النظام قيمة مضافة تتناسب مع حجم استهلاكه للموارد، وإذا كانت قيمة استهلاكه لهذه الموارد تفوق المردود المتوقع منه فيمكن الحكم على هذا النظام بأنه نظام يشكل أعباء ولا يقدم أي مردود إيجابي من تشغيله.

ويذكر المعمر أنه في الأنظمة التكنولوجية مثل الذكاء الاصطناعي، فإن معامل الارتباط يقيس قوة واتجاه العلاقة الخطية بين متغيرين، وهو مهم لفهم واختيار الخصائص المناسبة للنموذج، أما معدل الخطأ فيقيس تكرار الأخطاء في توقعات النموذج وهو حاسم لتقييم ومقارنة أداء النموذج، موضحا: "كل مقياس مهم في سياق مختلف، معامل الارتباط مهم في سياقات فهم العلاقات بين المتغيرات واختيار الخصائص؛ حيث يساعد في مراحل تطوير النموذج المبكرة، أما معدل الخطأ فهو حاسم في تقييم أداء النموذج وضمان دقته، وهو ضروري عند نشر النموذج واستخدامه في المهام العملية؛ وبكل عام كل مقياس له أهميته الخاصة في مراحل مختلفة من تطوير وتقييم النماذج الذكية.

وحول تحسين قابلية النظام للتعلم والتكيف مع تغيرات البيئة، يقول يعرب المعمري: "من المهم عند بناء الأنظمة أن يتم مراعاة هذه الجزئية والاهتمام بها كونها تعد نقطة مفصلية للحكم على جودة النظام، وللعمل على تحسين الأنظمة لابد من إجراء عدة تدابير للوصول إلى نظام ذكي قابل للتعلم ومتكيف مع أكبر عدد ممكن من البيئات مثل البيانات وتحسينها؛ أي تنوع البيانات المدخلة للنظام لتعزيز قدرته النظام وكفاءته للتعلم والتكيف مع البيئات مهما تغيرت، ولا بد من خلق سيناريوهات وحالات متعددة أثناء تدريب النظام ليفهم تنوع البيئات ويكتسب الخبرات".

ويشير إلى أنه كلما احتوى النظام على تقنيات التعلم العميق اتسم بقدرته على استخراج مستويات تمثيل أكثر تعقيدًا من البيانات المدخلة وبالتالي القدرة على التعامل مع بيئات معقدة كذلك، كما أنه كلما تم تزويد النظام الذكي ببيانات حديثة كلما زاد من قدرته على مواكبة التغيرات البيئية والقدرة على التعامل معها، حيث إنه يمكن للنظام أن يصل لمرحلة الفشل إذا ما ظل معتمدًا على بيانات قديمة".

أما عن الخوارزميات المحسنة، فيوضح أن تطوير الخوارزميات وتحسين أدائها ينعكس مباشرة على قدرة النظام على التعلم السريع والتكيف مع المتغيرات البيئية، إذ لا يقتصر تحسين النظام على هذه النقاط وحسب فهناك متغيرات أخرى يمكن أن تؤثر على سرعة تعلم النظام وتكيفه وتختلف باختلاف مجالات النظام وخصائصه، لافتا إلى أنه من السهل بناء أنظمة ذكاء اصطناعي تقنيًا ولكن من الصعب أن نجعل تلك الأنظمة ذات ثقة وتقدم نتائج يمكن الاعتماد عليها، وبطبيعة الحال ومهما تطورت أنظمة الذكاء الاصطناعي إلا أن الحكم الأخير والبث في النتائج لابد أن تكون من قبل الإنسان باستخدام ذكائه البشري، لأنه هو من يطلق الحكم النهائي ويقدر ما حصل عليه من النتائج التي يريدها وهل يمكن الاعتماد عليها أم لا.

ويوضح المعمري: "دور معامل الثقة يتمثل في تصفية النتائج بحيث لا يقدم إلا تلك النتائج التي يثق بصحتها أو تحديد الحالات التي يقدم فيها نتائج غامضة أو غير واضحة، بحيث يتم تنبيه المستخدم بأن هذه النتائج من الممكن أن تكون غير صحيحة ويترك الحكم النهائي له، كما أن الشفافية في النتائج وعدم التحيز المعرفي هي ما ترفع معدل الثقة في النظام وتعزز من دقته، كما أن درجة الثقة في تقييم نتائج نظام الذكاء الاصطناعي تتمثل في مدى تأكد النظام من توقعاته أو قراراته، وهي  قيمة عددية تتراوح عادةً بين 0 و1، وتُشير إلى احتمالية صحة الإجابة أو الناتج المُعطى، وتُشير الدرجة العالية إلى ثقة أكبر، وفي السيناريوهات التي تتطلب دقة عالية، تكون درجة الثقة العالية ضرورية قبل الاستمرار بتوصيات الذكاء الاصطناعي، وقد تشير الدرجة المنخفضة إلى الحاجة إلى مراجعة إضافية أو استخدام طرق بديلة لضمان الصحة".

أما من حيث قياس الأداء في نظام التصنيف، فيلفت المعمري إلى استخراج نتائج هذه المقاييس بعمليات حسابية معقدة تختلف من نظام الى آخر، ولكن يمكن الحكم على النتائج وتحليلها كالتالي: عندما يكون لديك Precision عالية، يعني ذلك أن النظام يميل إلى تصنيف العناصر كإيجابية بدقة، وعندما يكون لديك Recall عالية، يعني ذلك أن النظام يميل إلى اكتشاف جميع الحالات الإيجابية المتاحة بشكل جيد، موضحا: "هناك توازن بين Precision  وRecall؛ حيث يمكن أن يتغير أحدهما على حساب الآخر، وتحسين الدقة غالبًا ما يؤدي إلى تقليل Recall، والعكس صحيح، إذ إن تحليل هذه النتائج هو ما يقود لفهم كيفية أداء نظام التصنيف في التعامل مع البيانات الإيجابية والسلبية".

ويؤكد يعرب المعمري: "معامل الحساسية مُهم في اكتشاف وتحديد الحالات الإيجابية الفعلية ومدى قدرة النظام على استرجاع الحالات الحقيقية من مجمل الحالات، كما أن تقليل الأخطاء الخطيرة أكثر أهمية من تقليل الإيجابيات الخاطئة وهو ما يعزز أهمية معامل الحساسية، في حين أن الأنظمة التي تعمل على متطلبات ذاكرة منخفضة نسبيًا تقدم أداء أفضل وهذا يعني أن النظام يتسم بفاعلية في استخدام الذاكرة، والأنظمة التي تستهلك كميات ضخمة من الذاكرة من الممكن أن تواجه تحديات في تشغيلها في الأجهزة المحدودة ويكون أداؤها منخفضا وقد تستغرق أزمنة أطول، وهنا تظهر علاقة متطلبات الذاكرة مع زمن التنفيذ والمقصود به الزمن الذي يستغرقه النظام لإتمام مهمته أي أن زمن التنفيذ يتأثر بمتطلبات الذاكرة وبالتالي لابد من التوازن بينهما والذي لا يتم إلا من خلال بناء خوارزميات ذات كفاءة عالية والاستمرار في تحسينها مع مراعات الجوانب التصميمة عند بناء النظام".

وحول القدرة على التفاعل واستجابة النظام لمتطلبات المستخدم، يوضح المعمري أنه دائمًا ما تؤخذ تجربة المستخدم بعين الاعتبار عند بناء وتصميم أي تكنولوجيا بغض النظر عن كونها نظام ذكي أو أحد الأنظمة التكنولوجية العادية، والسبب يعود الى أن التفاعل الفعّال والاستجابة السريعة تخلق تجربة إيجابية للمستخدم وبالتالي يشعر المستخدم أن النظام يستجيب بشكل جيد لأوامره واحتياجاته في وقت مرضي بالنسبة له، ومحققًا لأهدافه بسرعة وكفاءة مما يشكل نوعا من الرضا عن النظام ويزيد من استخدامه ويتعمق في استكشاف مميزاته الأخرى.

كما يبيّن المعمري أن القدرة على التفاعل والاستجابة لمتطلبات المستخدم مهمة في تحسين تجربة المستخدم لعدة أسباب منها: أن التخصيص يلبي الاحتياجات والتفضيلات الفردية تجعل المستخدمين يشعرون بأنهم مفهومون ومقدرون، مما يؤدي إلى تجربة أكثر إيجابية وتفاعلية".

ويؤكد الخبير التقني: "تعتبر عمليات التعلم والتكيف مع المستخدمين أساسية لتمكين الأنظمة من الاستفادة من التغذية الراجعة وتحسين أدائها بمرور الوقت، مما يجعل تجربة المستخدم أكثر حيوية، و بالإضافة إلى ذلك، تلعب الثقة دورًا هامًا حينما يشعر المستخدم بتلبية احتياجاته بشكل مستمر، مما يؤدي إلى بناء ثقةٍ في موثوقية النظام، وأخيرًا يعزز التفاعل السريع والفعّال قدرة النظام على حل المشكلات بشكل فوري، مما يقلل من الاضطرابات التي قد تواجه المستخدم في رحلته".

المصدر: جريدة الرؤية العمانية

إقرأ أيضاً:

هل يمكن أن يطوّر الذكاءُ الاصطناعي خوارزمياته بمعزل عن البشر؟

في عقود زمنية خلت، تصدرت سرديات الخيال العلمي سيناريوهات أقرب تشبيها إلى ما صار العلم يعرفه في وقتنا الحالي بـ«الذكاء الاصطناعي العام أو الخارق»؛ حيث يمتلك النظام الحاسوبي قدرةً على فهم أوسع لمختلف المجالات والمهارات البشرية؛ فتكون لديه ملكة التعلّم والتحسين الذاتي بشكلٍ مطلقٍ أو شبه مطلق، ويصل الأمر في بعض التصوّرات إلى ظهور ما يُدعى بـ«الانفجار التقني» أو«التفرّد التقني» -Technological Singularity-؛ حيث يصبح الذكاء الاصطناعي قادرًا على تحسين قدراته بنفسه بوتيرة متسارعة تؤدي في النهاية إلى تجاوز مستوى الذكاء البشري بمراحل. مع التطور التقني المتسارع، تجاوز مفهوم «الذكاء الاصطناعي العام» أبجديات الخيال العلمي وسردياته اللاواقعية؛ ليكون في بعض أجزائه النظرية والعملية واقعا ملموسا؛ فنلمح تقدما علميا بارزا مثل قدرة نظم الذكاء الاصطناعي على ابتكار خوارزميات فريدة أسرع وأكفأ، ولكن -للأمانة العلمية- فإن الوصول إلى «التفرّد التقني» ما زال افتراضًا نظريًا لم يجد طريقه العملي، ولكن التطور آخذ في الصعود؛ فهناك مظاهر أولية لهذا الاتجاه مثل الأنظمة التي تنتج رموزًا برمجية وتتعلّم من أخطائها؛ ففي تطور علمي غير معهود يمكن اعتباره قفزةً علميةً في مجال الذكاء الاصطناعي، أعلنت شركة «DeepMind» في يونيو 2023 عن نجاح نظامها «AlphaDev» في ابتكار خوارزمية فرز «Sorting Algorithms» بيانات جديدة أسرع بنحو 70% من أفضل الخوارزميات التي طورها البشر سابقا -وفقَ الخبر الذي نشره موقع «Deepmind» في 7 يونيو 2023-؛ ليعكس هذا الإنجاز العلمي الفريد خطوةً كبيرةً في عالم التقنية وتحديدا الذكاء الاصطناعي، ويعكس قدرة الأنظمة الذكية الحديثة على تخطي حدود التفكير البشري التقليدي.

كيف نفهم هذا النوع من التطور الخوارزمي الذاتي؟

لفهم أهمية مثل هذا التطور العلمي غير التقليدي، سنحتاج إلى إلقاء نظرة معمّقة فيما يخص آلية هذا التطور وكيفية حدوثها؛ فنشرت مجلة «Nature» العلمية دراسة تفصيلية -في عددها المسجّل بـ 618, 257–263 (2023)، وجاءت بعنوان « Faster sorting algorithms discovered using deep reinforcement learning» « اكتشاف خوارزميات فرز أسرع باستعمال التعلّم التعزيزي العميق»- عن نظام AlphaDev» الذي طُوّر عن طريق تقنيات التعلّم التعزيزي Reinforcement Learning الذي يعتبر فرعا من فروع التعلم الآلي، ويعمل على تعزيز النظام الذكي عبر عملية التجربة والخطأ وتلقي المكافآت على القرارات الصائبة. تُعدّ خوارزميات الفرز من العناصر الرئيسة في علم الحاسوب من حيث قدرتها على التحكم في طريقة معالجة البيانات وتصنيفها؛ فيؤثر بشكلٍ مباشرٍ على سرعة تنفيذ المهام الحاسوبية في شتى المجالات، بدءًا من الترتيب البسيط للبيانات في قواعد المعلومات وانتهاءً بالخوارزميات المعقّدة المستعملة في الذكاء الاصطناعي والتعلم الآلي، وعلى مدار العقود الماضية، اكتُشفت العديد من خوارزميات الفرز وطُوّرت مثل: خوارزمية «الفرز السريع» (Quicksort) التي طورها «توني هور» في عام 1960، وخوارزمية «الفرز الدمجي» «Mergesort»، وبالإضافة إلى خوارزميات أُخرى تُعد كلاسيكيةً من حيث المبدأ العلمي لعلوم الحاسوب، وواصلت هذه الخوارزميات تطويراتها حتى وصلت إلى مستويات بالغة الدقة من حيث التعقيد الرياضي، وظلت لفترة طويلة بمثابة الأمثلة الأبرز للتميّز الرياضي والبرمجي. في هذا الإطار، لم يقم نظامُ «AlphaDev» بابتكار خوارزمية جديدة فحسب، ولكنه قام ببناء هذه الخوارزمية على مستوى لغة التجميع «Assembly Language»، وهي لغة منخفضة المستوى تتعامل مباشرة مع تعليمات المعالج المركزي؛ ليسمح باكتشاف طرق مختصرة غير تقليدية لتحسين كفاءة عمليات الفرز.

كما أشرنا آنفا؛ فإن مجلة «Nature» العلمية المرموقة نشرت تفاصيل هذه الدراسة في يونيو 2023؛ حيث وضّح البحث المنشور في المجلة بالتفصيل آلية عمل «AlphaDev» وكيفية توصله إلى هذه النتائج غير المسبوقة، وأشارت الدراسة إلى أن «AlphaDev» استعمل أسلوب التعلم التعزيزي الاستراتيجي؛ فأقدم النظام الذكي على ملايين المحاولات لإعادة ترتيب العناصر بطريقةٍ تحسّن من سرعة عملية الفرز مع الحفاظ على صحة النتائج ودقتها، وفي كل محاولة كان النظام يتعلم من أخطائه ويُعدّل من إستراتيجيته؛ ليقترب تدريجيًا من أفضل نتيجة ممكنة.

ما يميز ابتكار «AlphaDev» أنه وجد طرقًا مختصرة وغير تقليدية لفرز البيانات، وبمعنى آخر، اكتشف طرقًا لم تكن واضحةً أو متوقعةً لدى خبراء الذكاء الاصطناعي البشر. لم يقف الأمر عند حدود النشر العلمي النظري، ولكن باتت هذه الخوارزمية الجديدة جزءا فاعلا في مكتبة «C++» القياسية؛ فجعلها متاحةً للمطورين في جميع العالم بشكل مباشر، وبدأت العديد من التطبيقات بالفعل باستعمال هذه الخوارزمية المتطورة، وهذا ما يمكن أن يساهم في تحسين كفاءة البرمجيات وتسريع الأداء في مختلف المجالات التقنية، بدءًا من التطبيقات البسيطة ووصولًا إلى الأنظمة الحاسوبية العملاقة بما فيها الكوانتمية التي سبق أن استعرضنا حديثا عنها في مقال علمي سابق نشرناه في الملحق العلمي لجريدة «عُمان »عدد أكتوبر 2023.

المنافع المتوقعة

إنّ الفوائد المتوقعة من هذا الإنجاز لا تقف عند حدود فرز البيانات بشكلٍ أسرع؛ ولكنها تمتد إلى تحسين النظم الحاسوبية في مجالاتٍ عدة مثل قواعد البيانات العملاقة، وتحليل البيانات الكبيرة «Big Data»،

ونماذج التعلم الآلي التي تعتمد كثيرًا على عملياتٍ متكررةٍ من الفرز والبحث والمقارنة، ومع دخول التقنيات الحاسوبية في كل جوانب الحياة العملية التي تشمل تطبيقات التجارة الإلكترونية وتطبيقات الطاقة والمناخ؛ فإنّ تخفيض الوقت المستهلك في مثل هذه العمليات الأساسية يمكن أن يسهم في توفير كبير في الطاقة والموارد؛ ليعود بالنفع على الشركات والمؤسسات والمجتمعات على حد سواء. كذلك يمكن أن يفتح هذا التطور الرقمي أبوابًا جديدةً أمام الأبحاث المستقبلية في الذكاء الاصطناعي؛ إذ يمكن أن تتطور الخوارزميات التي تأتي بها نظم الذكاء الاصطناعي لتشمل جوانب برمجية أخرى مثل: الضغط «Compression»، والتخزين، والمحاكاة البصرية، والأمن السيبراني. رغم أن بعضنا يرقب هذه التطورات بحذرٍ خوفًا من تفوق الآلة على الإنسان في نواحٍ تهدد وظائف بشرية؛ فإنّ النظرةَ العلمية متفائلةٌ إلى حد ما؛ فترى في ذلك فرصةً لتعزيز القدرات البشرية واستغلال وقت المبرمجين والعلماء في حل مشكلات أكبر وأكثر تعقيدًا، تاركين للأنظمة الرقمية ابتكارَ الحلول في الجوانب الروتينية والحسابية المحضة.

الإبداع الرقمي والتساؤلات الفلسفية

عبر هذا المنحى الرقمي ذو البعد الذاتي للتقنيات الحديثة، يفتح نظام «AlphaDev» آفاقًا جديدة في عالم الخوارزميات والحوسبة؛ ليعكس قدرةَ الذكاءِ الاصطناعي على اكتشاف حلول إبداعية لمشكلات لم تكن معروفة ومحسومة من قبل العقل البشري ومنظوره العلمي؛ ليطرح تساؤلات عميقة تتعلق بمستقبل الذكاء الاصطناعي واستقلاله التطوري الذي يوحي بالنقيضين: الآمال العلمية والمخاوف المرتبطة، ومن الناحية الفلسفية، يطرح هذا الإنجاز أسئلةً مهمة تتعلق بطبيعة الإبداع وحدود الإدراك الإنساني في مقابل قدرات الآلة الرقمية واستقلالها التطوري؛ إذ ظن الإنسان لفترات طويلة أنه المصدر الوحيد للإبداع والتفكير غير التقليدي، ولكن تجربة «AlphaDev» وغيرها من أنظمة الذكاء الاصطناعي الحديثة بدأت تزلزل هذه الفرضيات؛ فلم تعد الآلة الآن محصورةً في دور الأداة لتنفيذ الأوامر البشرية، ولكنها أضحت كيانًا رقميا قادرًا على إنتاج المعرفة والإبداع بطرق يمكن أن تفوق ما يمكن للبشر أن يتصوره؛ ففي حدث علمي آخر أشبه بالخيال العلمي -بطله الذكاء الاصطناعي-، نجح باحثون في اليابان في تدريب ذكاء اصطناعي على توليد صور مرئية مستخرجة من دماغ الإنسان عن طريق مسح دماغه، وعرض الباحثون على مشاركين مجموعة متنوعة من الصور -مثل دب دمية وطائرة وبرج ساعة-، واعتمدت الآلية على قياس نشاط الدماغ عبر «fMRI»؛ ليتمكن بعدها نموذج الذكاء الاصطناعي من إعادة رسم صور لهذه القراءات التي تعكس أنماطَ نشاطِ الدماغِ المسجلة والمستخرجة، وجاءت الصور المولدة مشابهة بشكل مذهل لما رآه المشاركون في التجربة، وتشير الدراسات إلى أن دقة هذه الطريقة كانت مدهشة رغم أن التقنية لا تزال في مهدها، وحال استمرار تطورها؛ فإنها ستخطو خطوة علمية كبيرة في المقاربة لمساعدة الأشخاص غير القادرين على التواصل عبر ترجمة أفكارهم إلى صور أو نصوص، وكذلك يمكن للقدرات الخوارزمية أن تمتد إلى فهم محتوى الأحلام وتصويرها وقراءة ما يدور في الأذهان.

عودة إلى المنظور الفلسفي، فإن مثل هذا التفوق الرقمي يثير أسئلة عميقة تتعلق بالعلاقة بين الإنسان والآلة، والطبيعة الحقيقية للذكاء والإبداع؛ فتنهمر العديد من الأسئلة مثل: أيكرر الذكاء الاصطناعي تجربة الإنسان الإبداعية أم أنه يُنشئ مسارات جديدة بالكامل؟ وهل ينبغي لنا التعامل مع الذكاء الاصطناعي باعتباره شريكا في الإبداع وليس أداةً جامدةً؟ بدأت مثل هذه التساؤلات تأخذ مساحة واسعة في النقاشات العلمية والفلسفية الحديثة خصوصًا بعد أن أثبتت الأنظمة الذكية مثل «AlphaDev» قدرات لا تقتصر فقط على حسابات رياضية، ولكن على إيجاد حلول ابتكارية غير متوقعة لمشكلات علمية معقدة.

نظرة مستقبلية مشرقة

تؤكد نتائج «AlphaDev» على أن قدرة الذكاء الاصطناعي على الإبداع والابتكار فاقت حدودَ التصورات البشرية السابقة؛ فتقليديًا، كان تطوير الخوارزميات الجديدة يعتمد بشكل كبير على الخبرة الإنسانية والمعرفة النظرية والتجريبية المسبقة، كما رأينا في الفقرات السابقة أمثلة لخوارزميات مشابهة من تطوير الإنسان، ولكنها بقدرات رياضية وبرمجية أضعف، وليظهر نظام «AlphaDev» بمنهجيةٍ جديدةٍ تعتمد على المحاكاة العميقة والتجربة واسعة النطاق، والخالية من القيود البشرية التقليدية؛ لتُحدثَ تغييرات جذرية في كيفية تصميم الأنظمة الحاسوبية مستقبلًا وتطوريها. على المستوى العملي والتطبيقي، فإن هذه الخوارزمية الجديدة توفر الكثير من الوقت في عملية معالجة البيانات، الأمر الذي يعني توفيرًا في الموارد والطاقة وتخفيضًا كبيرًا في التكاليف خاصةً في الصناعات التي تعتمد على المعالجة المكثّفة للبيانات مثل التحليل المالي، والذكاء التجاري، والتطبيقات الصناعية، وغيرها. كما أن هذا الإنجاز يمهّد الطريق نحو اكتشافات مستقبلية مشابهة في مجالات أخرى عديدة؛ حيث من المحتمل أن تتمكن أنظمة الذكاء الاصطناعي من ابتكار خوارزميات أخرى أكثر تعقيدًا في مجالات مختلفة.

كذلك من المتوقع أن يؤدي تطوّر الذكاء الاصطناعي في مجال ابتكار الخوارزميات إلى تغييرات في طرق تعليم الحوسبة وهندسة البرمجيات؛ لينتقل المبرمجون والمهندسون إلى التركيز على تطوير استراتيجيات لتهيئة أنظمة الذكاء الاصطناعي بدلًا من كتابة الخوارزميات بشكل مباشر؛ ليسهم في صناعة تحولٍ في طبيعة عملهم من التنفيذ إلى إدارة العمليات الإبداعية وتوجيهها. تؤكد لنا مثل هذه القفزات العلمية أننا على أبواب مرحلة جديدة من العلاقة بين الإنسان والآلة، ولا ينبغي أن نعتقد أن هذه المرحلة حالة منافسة بين الاثنين (الإنسان والآلة)، ولكنها مرحلةُ تكاملٍ واندماجٍ؛ حيث تتضافر قدرات الإنسان والذكاء الاصطناعي معًا لبناء مستقبلٍ أكثرَ تطورًا وإبداعًا وفعالية.

د. معمر بن علي التوبي أكاديمي وباحث عُماني

مقالات مشابهة

  • كيف تعمل من المنزل باستخدام الذكاء الاصطناعي؟
  • يساعدك في اتخاذ القرار.. كيف يغيّر الذكاء الاصطناعي صورة الإنسان عن نفسه؟
  • بتشويه «فوضى الذكاء الاصطناعي» للواقع يمضي العالم إلى كارثة
  • «صحة دبي» تطبق نظام «جينيسس» المدعوم بالذكاء الاصطناعي
  • خبراء: الذكاء الاصطناعي ليس بديلاً للبشر
  • هل يمكن أن يطوّر الذكاءُ الاصطناعي خوارزمياته بمعزل عن البشر؟
  • إطلاق أول برنامج دكتوراه في الذكاء الاصطناعي في دبي
  • تغييرات غير مسبوقة في الليغا لتحسين التحكيم باستخدام الذكاء الاصطناعي
  • ميتا: إنستغرام يستخدم الذكاء الاصطناعي لمنع القُصّر من الكذب بشأن أعمارهم
  • خبير اقتصادي يقترح ضريبة موحدة لتخفيف أعباء المستثمرين وتحفيز بيئة الأعمال