عمل زانغ لا يزال هاماً رغم مرور الزمن

يسعى الباحثون إلى الوصول إلى اكتشافات جديدة، على أمل أن يساهموا في تحقيق تقدّم كبير في مجال عملهم والتأثير بشكلٍ دائم في الاكتشافات والتطورات في المستقبل. وهم يأملون أن يبقى عملهم صالحاً مع مرور الوقت وأن يقبل به زملاؤهم على مدى أعوام، بفضل طبيعته الرائدة.

وبالنسبة للدكتور كون زانغ، وهو أستاذ مشارك في قسم تعلّم الآلة في جامعة محمد بن زايد للذكاء الاصطناعي، فقد حاز العمل الذي أنجزه منذ عقد من الزمن جائزة تكريم الصمود عبر الزمن في المؤتمر الدولي لتعلم الآلة الذي نُظم في بالتيمور في الولايات المتحدة هذا الأسبوع (17-23 يوليو 2022).

وقَبِل المؤتمر ورقته البحثية بعنوان “في التعلّم السببي والمضاد للسببية” في عام 2012 وهي تعتبر بحثًا أساسيًا في التعلّم السببي في مجال تعلّم الآلة.

ويقول البروفيسور لي سونغ، رئيس قسم تعلّم الآلة في جامعة محمد بن زايد للذكاء الاصطناعي: “يبيّن ذلك الأثر طويل الأمد الذي أحدثه عمله في مجال السببية، فبعد مرور عقد لا نزال نعتبر هذه الورقة البحثية من الأسس في هذا المجال”. وأضاف البروفيسور، الذي يرأس برامج المؤتمر هذه السنة: “هذه شهادة على مستوى أعضاء الهيئة التدريسية الذين جذبتهم جامعة محمد بن زايد للذكاء الاصطناعي”.

ولقد ألّف زانغ الورقة البحثية بالشراكة مع ب. شولكوبوف ود. جانزينغ وج. بيترز وإي. سغوريستا وج. موجي، ويقول إنها كانت تعتبر في ذلك الوقت “مثيرة للجدل بعض الشيء في مجتمع تعلّم الآلة”.

ويتذكر قائلًا: “كنا سعداء جدًا عندما قَبِل المؤتمر الدولي لتعلم الآلة الورقة البحثية … توفّر هذه الورقة، بالإضافة إلى غيرها مثل “تكييف المجال وفق الهدف والتحول الاحتمالي” التي نشرها المؤتمر الدولي لتعلم الآلة عام 2013 و”في القدرة على التعرف إلى النموذج السببي ما بعد غير الخطي” التي نشرها المؤتمر حول عدم اليقين في الذكاء الاصطناعي عام 2009، أساساً للرابط بين السببية وتعلّم الآلة. وهي أظهرت أنّ السببية أساسية في الكثير من مهام تعلّم الآلة وأنّه يمكن تعلّم هذه السببية باستخدام طرق تعلّم الآلة المناسبة.”

ويفيد: “منذ عقود، كان أغلب الناس يعتقدون أنّ “السببية تعني الارتباط لكن الارتباط لا يعني السببية”

وأننا لا نحتاج سوى إلى الارتباط في زمن البيانات الضخمة وليس إلى السببية. ساهم عملنا في تغيير هذه الآراء”.

يشكل هذا البحث الورقة البحثية السادسة الأكثر اقتباساً من تأليف زانغ وأنجزها عندما كان يشغل منصب عالم باحث كبير في معهد ماكس بلانك للأنظمة الذكية في ألمانيا. ولقد عمل منذ ذلك الحين كعضو هيئة تدريس في جامعة كارنيجي ميلون في الولايات المتحدة وفي جامعة محمد بن زايد للذكاء الاصطناعي، وتم اقتباس بحوثه حوالي 10 آلاف مرة.

ويقول زانغ: “تشير هذه الورقة إلى أنه تم الإقرار جزئياً بجهودنا الأولية التي هدفت إلى 1) إضافة مبادئ السببية إلى تعلّم الآلة و2) العثور على السببية من منظور تعلّم الآلة… ويعني ذلك أيضاً أنه يجب توضيح مسائل متعددة جدًا في مجال البحث هذا”.

وسيستمر الدكتور زانغ، ضمن عمله كمدير لمركز الذكاء الاصطناعي التكاملي في جامعة محمد بن زايد للذكاء الاصطناعي، في استكشاف آفاق جديدة في التعلم القائم على التمثيل السببي والمعالجة السببية لمشكلات الذكاء الاصطناعي.

ويشرح قائلًا: “أعتقد أن الوقت الحالي هو الوقت المثالي للتعمق في التقاطع بين السببية وتعلّم الآلة، فنحن نسعى إلى زيادة إمكانية تشغيل المنظور السببي في تعلّم الآلة والذكاء الاصطناعي بهدف الوصول إلى مستويات أعلى من الذكاء الاصطناعي، ما يمكنه أتمتة الاكتشاف العلمي وبشكلٍ يكون شفافًا وموثوقًا في صنع القرار”.

حاز الدكتور زانغ جائزة ثانية في المؤتمر الدولي لتعلم الآلة لعام 2022 لأفضل ورقة بحثية في ورشة العمل حول الآفاق الجديدة في تعلّم الآلة التنافسي (2022) لأطروحة “إمكانية تحويل النماذج مع أشخاص مستجيبين يتخذون القرارات” (أُلفت بمشاركة يانغ ليو، وياتونغ تشين، وزيو تانغ). وقدم المؤلفون عرضاً شفهياً في خلال الفعالية.

قُبلت ثلاث أوراق بحثية من تأليفه في المؤتمر التاسع والثلاثين للفعالية، بما في ذلك “تحديد الهياكل الهرمية الكامنة الخطية غير الغاوسية” و”التفكيك الجزئي لتكييف المجال” و”التعلّم القائم على تمثيل الحالات الكافي للفعل من أجل التحكم مع قيود هيكلية”.

ساهم البروفيسور إريك زينغ، والأستاذ المشارك في تعلم الآلة مارتن تاكاش، والأستاذ المساعد في تعلم الآلة بن غو، والأستاذ المساعد في تعلم الآلة بينغتاو زي، وباحثون وطلاب، في تأليف أربع أوراق بحثية إضافية لصالح الجامعة.

نبذة عن كون زانغ

الدكتور زانغ أستاذ مشارك في جامعة كارنيجي ميلون في الولايات المتحدة الأمريكية، حيث يعمل على استكشاف تعلّم الآلة والذكاء الاصطناعي، ولا سيما التعلم السببي والاستدلال السببي. وهو يعمل في جامعة محمد بن زايد للذكاء الاصطناعي على صياغة المبادئ وتطوير مجموعة من منهجيات أتمتة الاستكشاف السببي أو التعلم القائم على التمثيل السببي باستخدام أنواع مختلفة من البيانات؛ ويبحث في مشكلات التعلم، مثل التعلم المنقول والتعلم التمثيلي والتعلم العميق من منظور سببي؛ كما يدرس الأسس الفلسفية للسببية ومختلف مهام تعلم الآلة.

ترأس زانغ برنامج المؤتمر الأول حول التعلم السببي والاستدلال للعام 2022، وبرنامج المؤتمر الثامن والثلاثين حول عدم اليقين في الذكاء الاصطناعي للعام 2022.