الدكتور زانغ يتطلع قدماً لعام حافل بالإنجازات في أبوظبي

يتطلع الدكتور كون زانغ قدماً لعام 2022 الذي سيقضيه في أبوظبي خلال عمله بمنصب بروفيسور مساعد زائر في قسم تعلّم الآلة بجامعة محمد بن زايد للذكاء الاصطناعي.

 

وبهذه المناسبة، قال الدكتور زانغ: “يسعدني الانضمام إلى جامعة محمد بن زايد للذكاء الاصطناعي، المؤسسة الأكاديمية الصاعدة والمتخصصة في مجال الذكاء الاصطناعي. وأنا على ثقة بأن إطلاق هذه الجامعة المخصصة للذكاء الاصطناعي في دولة الإمارات العربية المتحدة يأتي في توقيت مثالي نظراً لمواردها واحتياجاتها وأهميتها المتنامية، وبأن النماذج الجديدة التي تقدمها الجامعة ستسهم في ترسيخ مكانتها كوجهة تستقطب مهارات الذكاء الاصطناعي من مختلف أنحاء العالم”.

ينحدر الدكتور زانغ من هونغ كونغ، وهو مقيم في الولايات المتحدة حيث يمضي إجازة من منصبه الحالي كأستاذ مشارك في جامعي كارنيغي ميلون. وتتمحور اهتماماته البحثية حول تعلّم الآلة والذكاء الاصطناعي، ولا سيما الاستكشاف السببي والتعلم القائم على السببية.

ويعمل الدكتور زانغ على تطوير مجموعة من منهجيات أتمتة الاستكشاف السببي أو التعلم القائم على التمثيل السببي باستخدام أنواع مختلفة من البيانات؛ ويبحث في مشاكل التعلم مثل نقل التعلم والتعلم التمثيلي والتعلم العميق من منظور سببي؛ كما يدرس الأسس الفلسفية للسببية ومهام تعلم الآلة المختلفة. ومن جهة التطبيقات، يعتبر الدكتور زانغ مهتماً بعلم الأعصاب والرؤية الحاسوبية وتمويل الحوسبة وتحليل المناخ.

أهمية الاستكشاف السببي أو التعلم القائم على السببية؟

قال الدكتور زانغ: “غالباً ما نطرح الكثير من الأسئلة التي تبدأ بكلمة ’لماذا‘ في حياتنا اليومية. ولهذا، يهدف الاكتشاف العلمي إلى فهم الأسباب التي تقف خلف أشياء معيّنة، وعلاوة على ذلك، كيفية ابتكار أشياء جديدة تلبي احتياجاتنا. وحتى الأطفال لديهم الكثير من الأسئلة التي تستفسر عن الأسباب وتبدأ بهذه الكلمة. وأنا مهتم بمعرفة سبب اهتمامنا بالسببية، وكيفية تعلم السببية من جميع أنواع البيانات، وكيفية الاستفادة من التفكير السببي من أجل تطوير مجالي تعلم الآلة والذكاء الاصطناعي”.

ينبغي لتكنولوجيا تعلّم الآلة أن تجد حلولاً للمشاكل الحقيقية المهمة وأن تجعل من العالم مكاناً أفضل بطرق متعددة.

“وأضاف الدكتور زانغ: “تتمثل الطريقة التقليدية لتحديد السببية في الاستفادة من التدخلات أو التجارب العشوائية التي غالباً ما تكون باهظة التكلفة أو حتى مستحيلة. ويهدف الاستكشاف السببي إلى استنباط علاقات سببية من بيانات تجريبية (غير تجريبية) بالمطلق. ومن خلال الفهم
السببي، يمكننا التنبؤ بالتأثيرات المحتملة للتغييرات التي تطرأ على النظام، والإجابة على أسئلة معاكسة للواقع مثل: ماذا كان سيحدث لي إن اخترت اتجاهاً بحثياً مختلفاً؟ وعلاوة على ذلك، غالباً من تنطوي مشكلات تعلم الآلة والذكاء الاصطناعي على تغييرات في التوزيع، ويلعب المنظور السبي دوراً محورياً في أغراض فهم واستخدام خصائص هذه التغييرات وإيجاد الطرق المثلى لإجراء التغييرات”.

الفوائد المجتمعية

وفقاً لمؤسسة Towards Data Science، يهدف “الاستكشاف السببي” إلى استنباط البنية السببية من البيانات. وبكلمات أخرى، يعني ذلك اشتقاق نموذج سببي يقدم وصفاً لقاعدة بيانات معينة. وتتمثل الرسالة التي يود الدكتور زانغ إيصالها للطلاب المحتملين الذين يفكرون في التخصص في مجال تعلم الآلة بالنظر في التأثير “الحقيقي” الذي يمكنهم إحداثه في المستقبل.

وقال الدكتور زانغ: “ينبغي لتكنولوجيا تعلّم الآلة أن تجد حلولاً للمشاكل الحقيقية المهمة وأن تجعل من العالم مكاناً أفضل بطرق متعددة. وعلى أعلى المستويات، تعيد أنظمة الذكاء الاصطناعي صياغة ملامح العالم، ويعد هذا بحد ذاته مشكلة سببية. ولإحداث اختلافات تعود بالفائدة على المجتمع البشري، نحتاج إلى فهم العلاقات السببية وتوظيف فهمنا السببي، ولهذا سأواصل مع طلابي العمل على تعلم التمثيلات السببية وتوظيفها بالشكل المناسب لتحقيق أهدافنا”.