أصبح الذكاء الاصطناعي يعتمد بشكل متزايد على دمج وتحليل أنواع متعددة من البيانات، مثل النصوص والصور والصوت والفيديو. إلا أن أحد أكبر التحديات التي لا تزال تعيق التقدم في هذا المجال هو اختيار الخوارزمية الأنسب لكل مهمة، في ظل وجود عدد هائل من الأساليب المختلفة.
في هذا السياق، قدّم باحثون من جامعة إيموري (Emory University) إطارا نظريا موحدا يهدف إلى تنظيم هذه الفوضى المنهجية، ونُشرت نتائجهم في مجلة Journal of Machine Learning Research.
فكرة واحدة تقف خلف العديد من طرق الذكاء الاصطناعي
يقول الدكتور إيليا نيمينمان، أستاذ الفيزياء في جامعة إيموري والمؤلف الرئيسي للدراسة:
“وجدنا أن كثيرا من أنجح أساليب الذكاء الاصطناعي الحالية تعتمد في جوهرها على فكرة بسيطة واحدة: ضغط البيانات متعددة الأنواع مع الاحتفاظ فقط بالمعلومات التي تتنبأ فعلًا بما نريد.”
ويضيف أن هذا المفهوم يسمح بإنشاء ما يشبه «الجدول الدوري للذكاء الاصطناعي»، حيث يمكن تصنيف الطرق المختلفة في خانات محددة، بناءً على نوع المعلومات التي تحتفظ بها دالة الخطأ (Loss Function) أو تتجاهلها.
ما هي دالة الخطأ ولماذا هي مهمة؟
دالة الخطأ هي القاعدة الرياضية التي يستخدمها نظام الذكاء الاصطناعي لقياس مدى خطأ تنبؤاته. وخلال التدريب، يقوم النموذج بتعديل معاييره الداخلية باستمرار لتقليل هذا الخطأ.
وقد طوّر الباحثون مئات من دوال الخطأ المختلفة للذكاء الاصطناعي متعدد الوسائط، لكن اختيار الدالة المناسبة غالبا ما يتم بطريقة تجريبية.
ويعلّق نيمينمان:
“تساءلنا: هل نحتاج فعلا إلى البدء من الصفر في كل مرة نواجه فيها مشكلة جديدة، أم يمكن إيجاد طريقة أبسط وأكثر منهجية؟”
إطار رياضي موحد: عنق الزجاجة المعلوماتي
للإجابة عن هذا السؤال، طوّر الفريق إطارا رياضيا أطلقوا عليه اسم:
Variational Multivariate Information Bottleneck Framework
يربط هذا الإطار تصميم دالة الخطأ بقرار أساسي:
ما المعلومات التي يجب الاحتفاظ بها، وما الذي يمكن تجاهله؟
يشرح الباحث مايكل مارتيني، المؤلف المشارك في الدراسة:
“يمكن النظر إلى الإطار كأنه مقبض تحكم. يمكنك تدويره لتحديد كمية ونوع المعلومات التي يجب أن يحتفظ بها النظام لحل مشكلة معينة.”
هدف الإطار: الفهم قبل الدقة
يقول الباحث إسلام عبدالعليم، المؤلف الأول للدراسة، والذي أنجز العمل أثناء دراسته للدكتوراه في الفيزياء بجامعة إيموري:
“هدفنا هو مساعدة المطورين على تصميم نماذج ذكاء اصطناعي مصممة خصيصًا للمشكلة التي يعملون عليها، مع فهم واضح لكيفية عمل كل جزء من النموذج ولماذا يعمل.”
ويمكن لهذا الإطار أن يساعد مطوري أنظمة الذكاء الاصطناعي على:
اقتراح خوارزميات جديدة
التنبؤ بالخوارزميات التي قد تنجح
تقدير كمية البيانات المطلوبة
توقع حالات الفشل المحتملة
منهج فيزيائي لفهم الذكاء الاصطناعي
على عكس النهج الشائع في تعلم الآلة، الذي يركز غالبا على تحسين الدقة فقط، تبنّى الباحثون منظورا فيزيائيا.
يقول عبدالعليم:
“كمختصين في الفيزياء، نريد أن نفهم لماذا وكيف يعمل النظام، لا أن نكتفي بكونه يعمل.”
وبدأ العمل بساعات طويلة من الحسابات اليدوية على السبورة، وتجريب المعادلات، ثم العودة إلى نقطة البداية بعد اكتشاف مسارات خاطئة.
لحظة الاكتشاف العلمي
يتذكر الفريق لحظة الاختراق العلمي، عندما توصّلوا إلى مبدأ موحد يصف المقايضة بين ضغط البيانات وإعادة بنائها.
عند اختبار النموذج على مجموعتي بيانات مختلفتين، لاحظوا أن الإطار الجديد استطاع تلقائيا اكتشاف الخصائص المشتركة والمهمة بينهما.
يقول مارتيني:
“عندها شعرنا أننا وصلنا إلى شيء حقيقي.”
وفي مفارقة طريفة، لاحظ عبدالعليم في ذلك اليوم أن ساعته الذكية فسّرت تسارع ضربات قلبه – الناتج عن الحماس العلمي – على أنه ثلاث ساعات من ركوب الدراجة.
تقليل استهلاك الطاقة وتحسين الكفاءة
أظهر الباحثون أن الإطار الجديد يمكن أن:
يقلل كمية البيانات المطلوبة للتدريب
يخفض استهلاك القدرة الحاسوبية
يقلل الأثر البيئي لتشغيل أنظمة الذكاء الاصطناعي
ويقول نيمينمان:
“عندما نتجنب ترميز معلومات غير مهمة، نحتاج إلى طاقة أقل، ما يجعل الأنظمة أكثر كفاءة وأقل ضررًا للبيئة.”
تطبيقات مستقبلية في العلوم والبيولوجيا
يأمل الباحثون أن يستخدم آخرون هذا الإطار لتطوير خوارزميات مخصصة لأسئلة علمية معقدة، خاصة في مجالات مثل:
علم الأحياء
الإدراك والدماغ
تحليل الأنظمة المعقدة
ويختتم عبدالعليم بقوله:
“أريد أن أفهم كيف يضغط الدماغ البشري ويعالج مصادر متعددة من المعلومات في الوقت نفسه. إذا استطعنا مقارنة نماذج التعلم الآلي بآليات الدماغ، فقد نفهم الاثنين بشكل أفضل.”
