الكشف عن تقنيتين تؤسسان لجيل فائق الدقة من «التعلم العميق»

كشف ثلاثة علماء متخصصون في التعلم العميق (أحد أحدث فروع الذكاء الاصطناعي تقدماً) عن نجاحهم في التوصل إلى تقنيتين جديدتين، هما «الإشراف الذاتي» و«شبكات الكبسولة»، قادرتين على اكتشاف التلاعب والتزييف المقصود، أو العرضي غير المقصود في أي كمية من البيانات والمعلومات، مهما كانت ضخامتها، إضافة إلى الوصول بها الى الحالة السليمة التي يفترض أن تكون عليها، وذلك بصورة لحظية، عند تشغيلها في أنظمة وشبكات معلومات مختلفة، داخل المؤسسات والشركات، الأمر الذي يضع الأساس نحو جيل جديد متقدم فائق الأداء من الأنظمة المعلوماتية المبنية على تقنية التعلم العميق.

الذكاء الاصطناعي

جاء ذلك خلال المؤتمر السنوي الـ34 للجمعية الدولية للنهوض بالذكاء الاصطناعي، الذي اختتم أعماله في مدينة نيويورك الأميركية، أول من أمس. وجرى بث الإعلان عن التقدم الجديد بالفيديو الحي عبر موقع المؤتمر، وتابعته «الإمارات اليوم».

يشار إلى أن العلماء الثلاثة أكبر ثلاثة علماء على مستوى العالم في تخصص «التعلم العميق»، الذين حازوا العام الماضي جائزة «تورينج» رفيعة المستوى، عن مجمل أعمالهم في مجال علوم الحاسب، وهم: الأستاذ في معهد ميلا الكندي، يوشوا بنجو، والأستاذ في جامعة تورنتو، جيفري هينتنون، الذي يعد أبرز أعضاء فريق الذكاء الاصطناعي في شركة «غوغل»، ورئيس فريق الذكاء الاصطناعي في شركة «فيس بوك»، ويال ليكون.

مشكلات

وقال العلماء إنه على الرغم من التقدم الكبير الذي أحرزته تقنيات التعلم العميق في مجالات عدة، إلا أنها منذ تطبيقها عملياً، ظلت تعاني مشكلات صعبة الحل، موضحين أن أبرز تلك المشكلات هما «الأمثلة العدائية» و«عدم الفهم السليم»، إذ يقصد بالأولى إمكان تعرض خوارزميات التعلم العميق للخداع والإرباك، عن طريق إضافة بيانات تمثل تشويشاً أو ضوضاء على البيانات الأصلية الجاري استخدامها في التحليل والفهم والإدراك، فيما يقصد بالمشكلة الثانية القيام بـ«تعمية» وإخفاء متعمد لجزء من البيانات الأصلية، ما يجعل الخوارزميات تحيد عن الفهم السليم أثناء قيامها بالاستدلال والاستنباط وإعطاء النتائج.

وفي هذا السياق، قال الدكتور ويال ليكون، إن هاتين المشكلتين كانتا محور الحديث الذي تناول العديد من السلبيات حول التعلم العميق خلال السنوات السابقة، إذ تبين من المناقشات التي دارت حول هذه النقطة أن هاتين المشكلتين طالتا تقنيات وأدوات التعلم العميق المتاحة حالياً، ومنها تقنية الشبكات المتكررة المعروفة باسم «آر إن إن»، وتقنية الشبكات العصبية الالتفافية المعروفة باسم «سي إن إن».

وأضاف أنه بسبب هاتين المشكلتين، تعرض علم التعلم التعميق، والعلماء الذين يتبنونه، لانتقادات وموجات متواصلة من النقد والهجوم والتشكيك في أعمالهم على مدار السنوات التسع الماضية، من قبل العلماء العاملين في فروع الذكاء الاصطناعي الأخرى.

إصلاح

وأكد العلماء الثلاثة أن التعلم العميق بات قادراً على إصلاح نفسه، والتغلب على مشكلاته، من خلال تقنتيتين جديدتين مترابطتين، هما «الإشراف الذاتي» و«شبكات الكبسولة»، مبينين أن هذا التطور يعني أن أي شيء يضاف إلى البيانات الضخمة بغرض الشوشرة على أنظمة التعلم العميق التي تعمل على استقرائها واستكشافها وتحليلها، سيتم تحديده وكشفه وعزله، كما أن أي شيء يتم إخفاؤه عمداً أو عرضاً، بغرض تعريض أنظمة التعلم العميق للانحراف في العمل والفهم غير السليم للبيانات، سيتم التعرف إليه وتوليده بدقة عالية من خلال مكونات ونماذج مخصصة لذلك.

«التعلم العميق» واستخداماته

يعد التعلّم العميق أحد فروع علم الذكاء الاصطناعي وتعلم الآلة، ويتناول إيجاد نظريات وخوارزميات تتيح للآلة أن تتعلم بنفسها عن طريق محاكاة الطريقة التي تعمل بها الخلايا العصبية في جسم الإنسان. ويستخدم مصطلح «العميق» لأن الشبكات العصبية المستخدمة في هذا النوع من الذكاء الاصطناعي لها طبقات عميقة متعددة تمكن من التعلم والتفكير والتبصر، عبر أساليب استنباط درجة عالية من المتجردات بتحليل مجموعة بيانات ضخمة باستخدام متحولات خطية وغير خطية. وهذا يعني أن أي مشكلة تتطلب «التفكير» هي مشكلة يمكن أن يعلُّمها بالتعلم العميق لحلها، حتى عند استخدام مجموعة بيانات شديدة التنوع وغير منظمة ومترابطة، وكلما تعلمت خوارزميات التعلم العميق أكثر كان أداؤها أفضل.

وتستخدم تقنيات التعلم العميق حالياً في ثمانية مجالات هي: المساعدات الرقمية الصوتية، والترجمة، ونظم تشغيل القيادة الذاتية للمركبات، ومنصات الخدمة والدردشة، وتلوين الصور، والتعرف إلى الوجوه، والطب، والتسويق والترفيه.