جعل الذكاء الاصطناعي أكثر سرعة ذكاء ودقة

تم نشر المقال في الأصل عبر موقع “وايرد ميدل إيست” (Wired Middle East) في 26 يناير 2022

يواصل الدكتور مارتن تاكاش، الأستاذ المساعد في جامعة محمد بن زايد للذكاء الاصطناعي، العمل على تغيير طريقة تفكيرنا حول ماهية الذكاء الاصطناعي والسبل الواجب اتباعها لتدريبه، واستخدامه وضمان الوصول إلى النتائج المرجوة منه دون تخييب أملنا. 

ومع جميع التكهنات حول تقنيات الذكاء الاصطناعي في أيامنا هذه والآمال المعقودة عليها، قد يبدو من الغريب بعض الشيء أن يتناول مارتن تاكاك قدرة الذكاء الاصطناعي على تحويل نماذج العمل المألوفة، من زاوية الأطعمة الخفيفة المجمدة، حيث يقول: “لنفترض أننا نود البدء بإنتاج الآيس كريم. عندئذ، ستخبرنا الآلة بالكمية المحددة التي نحتاجها لتلبية الطلب. ولعلها ستأخذ توقعات الطقس بالحسبان لتحديد مدى حاجتنا لإنتاج كمية إضافية، في حال الطقس الحار، أو تخفيض الإنتاج عندما يكون الطقس بارداً، وهو أمر يقلص عدد الشاحنات اللازمة لنقل المنتج”.

ويشغل الدكتور تاكاك منصب أستاذ مساعد في جامعة محمد بن زايد للذكاء الاصطناعي، ويتمتع بخبرات واسعة. وساهمت أبحاثه في مجالات الحوسبة فائقة الأداء وتعلم الآلة في تبوئه مناصب عدة ضمن عدد من أبرز الشركات التقنية العالمية، علاوة على العمل إلى جانب باحثين من “فيسبوك” و”آي بي إم” ومختبرات أبحاث الجيش الأمريكي.

وتتنوع الاستخدامات المحتملة لأعماله، في الوقت الراهن، بين مجالات الهندسة الإنشائية إلى إنفاذ القانون. واستثمر تاكاك أيضاً في الخدمات اللوجستية، حيث تركزت أبحاثه على دور الذكاء الاصطناعي في إدارة سلسلة التوريد. وبحسب تاكاك: “في حال كنا نرغب بتوصيل مستحضرات دوائية إلى وجهة ما، فآخر ما نحتاجه، هو أن تعلق المركبة في ازدحام لمروري لمدة ساعتين أو أكثر”.

ودرس تاكاك، الذي تعود أصوله إلى سلوفاكيا، في الجامعة تخصص الرياضيات، إلا أن هذا التخصص لم يحقق تطلعاته على حد تعبيره، ويوضح ذلك بقوله: “قررت التركيز على تعلم الآلة”. ومع ذلك فإن أحد الأمور التي جذبته إلى الذكاء الاصطناعي هو مزايا هذه التقنيات الدقيقة وكفاءتها العالية. ويضيف بهذا الخصوص: “تستطيع نماذج الذكاء الاصطناعي معالجة أي بيانات يتم إنشاؤها، بشكل أسرع، وفي بعض الأحيان، أفضل من البشر. فإذا كانت المهمة تتمثل في إدخال قوائم طويلة من الأرقام، فمن المحتمل أن يرتكب البشر خطأ ما، في حين لن تخطئ نماذج الذكاء الاصطناعي، فالآلات لا تمل ولا تتعب”.

أعمل حالياً على استكشاف أفضل السبل التي تمكن نماذج تعلم الآلة من المساهمة في إحراز تقدم علمي.

ومن هنا، تغطي اهتمامات تاكاك مجالات أكثر تعقيداً على غرار التعلم بالتقليد، الذي يسمح للذكاء الاصطناعي بمحاكاة السلوك البشري؛ والنمذجة التنبؤية، أي استخراج البيانات للتنبؤ بنتائج مستقبلية؛ والتعلم المعزز، حيث يتم تعديل السلوك عن طريق المكافأة والعقاب. وأضاف: “يمثل التعلم بالإشراف أبسط أشكال تعلم الآلة، فإذا أظهرنا لنموذج الذكاء الاصطناعي صورة لكلب وسألناه ما هذا؟ إذا كانت الإجابة خاطئة، فعلينا عندئذ تصحيحها والمضي قدماً. أما بالنسبة للآلة، فيجب عليها أن تتعلم عدم ارتكاب أخطاء مماثلة في المستقبل، والطريقة المثلى لذلك تتجسد في خوارزمية التعلم المعزز”.

“بالنسبة لتاكاك، التعلم المعزز شبيه بتنشئة الأطفال، ويتابع بقوله: “نحن نتحدث إليهم عندما يقومون بأمر خاطئ أو جيد، الأمر نفسه مع التعلم المعزز؛ لدينا نموذج ذكاء اصطناعي يلعب الشطرنج ثم يقدم ملاحظات. في حال فاز بلعبة ما، يتم منحه نقطة؛ وإذا خسر، يتم خصم نقطة. لهذا، سيواصل النموذج اتخاذ خيارات تهدف إلى تحسين درجاته. وبالرغم من أنه يبدو شبيهاً بالسلوك البشري، كما هو الحال لدى الأطفال التواقين للحصول على رضا أولياء أمورهم (حيث يكون المبرمج بمثابة ولي الأمر في نموذج الذكاء الاصطناعي) فالحال هنا مختلف. فنموذج الذكاء الاصطناعي لا يهتم البتة بمشاعر المبرمج حياله، لكن الخوارزمية المستخدمة في التدريب تهدف بالمقام الأول لإحراز أكبر عدد من النقاط، لذا فهي تواصل تحسين قدراتها أكثر وأكثر”.

وبينما يمكن تطبيق نماذج التعلم المتقدم على أمور مثل توصيل الآيس كريم، فإن طموحات تاكاك أكبر من ذلك، ويقول: “أعمل حالياً على استكشاف أفضل السبل التي تمكن نماذج تعلم الآلة من المساهمة في إحراز تقدم علمي. فقد كنت أعمل مع الطلاب لتسريع عمليات المحاكاة في الكيمياء الحاسوبية، والتي يمكن أن تستغرق وقتاً طويلاً لتحقيقها. ومن هنا تنبع أهمية امتلاك نموذج تعلم آلة يمكنه اتخاذ قرارات سريعة في عملية ضبط التجارب على غرار درجات الحرارة أو الضغط، ما يساعدنا في اكتشاف مركبات كيميائية جديدة أو مواد جديدة”.

ويؤمن تاكاك بأهمية تعدد التخصصات، والاعتماد على إبداع الآخرين للوصول إلى أفكار جديدة وخلاقة.  وضمن أحد المشاريع القائمة على التعاون، تمكن برفقة زميله من تعليم الطائرات بدون طيار قيمة العمل الجماعي. وقال: “يمكن لنموذج تعلم الآلة التقليدي التركيز على هدف واحد. لهذا، ولتحقيق الأهداف التي نطمح لها، يتوجب علينا إدخال خوارزميات التعلم المعزز متعدد العوامل، الأمر الذي يعزز قدرات الطائرات بدون طيار عبر تدريبها على تنفيذ مهام معينة. وأظهرنا بأن تعاونها معاً لا يقود إلى تنفيذ المهام الموكلة إليها بشكل أسرع فحسب، بل يعلمها سبل التواصل مع أهدافها”. وفي حالات الاستخدام الواقعية، يمكن لمثل هذا الابتكار أن يؤسس فريقاً من هذه الطائرات يختص في البحث عن طفل مفقود، على سبيل المثال. ويضيف تاكاك: “يمكن لطائرة إيجاد آثار أقدام الطفل المفقود وإخطار الطائرات الأخرى، لتضييق نطاق البحث”.

وبقدر ما يبدو الأمر مثيراً للإعجاب، فإن تاكاك، الذي يمتاز بكونه براغماتي وعملي، يؤكد بضرورة ألّا ننجرف بأفكارنا بعيداً. وقال: “لا تزال هذه التقنية في مراحلها الأولى، إلا أننا ماضون في تطويرها استعداداً للمستقبل”.