لماذا مستقبل الذكاء الاصطناعي الهجين؟

على مدى الأسابيع القليلة الماضية، أدت موجة منتجات وقدرات الذكاء الاصطناعي التوليدية الجديدة - من ChatGPT إلى Bard والعديد من الاختلافات من منتجات أخرى مبنية حول نماذج لغوية كبيرة (LLMs) - إلى خلق دورة ضجيج مفرطة. ومع ذلك، يرى الكثيرون أن هذه النماذج المعممة غير مناسبة لاستخدام المؤسسات. تظهر معظم محركات الذكاء الاصطناعي علامات الصعوبة عند تعيين مهام متخصصة أو خاصة بالمجال. هل يمكن أن يكون الذكاء الاصطناعي الهجين هو الحل؟

ماذا نعني بالذكاء الاصطناعي الهجين (Hybrid AI)

الذكاء الاصطناعي الهجين هو توسيع أو تحسين نماذج الذكاء الاصطناعي باستخدام التعلم الآلي والتعلم العميق والشبكات العصبية جنبًا إلى جنب مع الخبرة البشرية في الموضوع لتطوير نماذج الذكاء الاصطناعي الخاصة بحالة الاستخدام بأكبر قدر من الدقة أو إمكانية التنبؤ.

يعالج صعود الذكاء الاصطناعي الهجين العديد من المخاوف المهمة والمشروعة. هناك حاجة إلى أكثر من نماذج الذكاء الاصطناعي المبنية على مجموعات بيانات كبيرة في العديد من السيناريوهات أو المجالات لتحقيق أقصى فائدة أو إنشاء قيمة فعلية. على سبيل المثال، لنفترض أن ChatGPT يُطلب منه كتابة تقرير اقتصادي طويل ومفصل.

يمكن أن يكون اعتماد النموذج أو تعزيزه بالمعرفة الخاصة بالمجال هو الطريقة الأكثر فعالية للوصول إلى احتمالية تنبؤ عالية. يجمع الذكاء الاصطناعي الهجين بين أفضل جوانب الشبكات العصبية (الأنماط وصانعي الاتصال) والذكاء الاصطناعي الرمزي (الحقائق ومشتقات البيانات) لتحقيق ذلك.

الذكاء الاصطناعي الرمزي: جزء أساسي من الذكاء الاصطناعي الهجين

تعاني ماجستير إدارة الأعمال اليوم من العديد من العيوب، بما في ذلك الأداء غير الكافي في المهام الرياضية، والميل إلى اختراع البيانات، والفشل في توضيح الكيفية التي يؤدي بها النموذج إلى النتائج. كل هذه القضايا نموذجية للشبكات العصبية "الاتصالية"، التي تعتمد على مفاهيم حول كيفية عمل الدماغ البشري.

تعتبر هذه المشكلات نموذجية بالنسبة للشبكات العصبية "الاتصالية"، التي تعتمد على مفاهيم عمل الدماغ البشري.

يُشار إلى الذكاء الاصطناعي الكلاسيكي أيضًا باسم الذكاء الاصطناعي الرمزي. فهو يحاول التعبير بوضوح عن المعرفة الإنسانية في شكل تصريحي، مثل القواعد والحقائق المفسرة من مدخلات "الرمز". إنه فرع من الذكاء الاصطناعي يحاول ربط الحقائق والأحداث باستخدام القواعد المنطقية.

منذ منتصف الخمسينيات وحتى نهاية الثمانينيات، شهدت دراسة الذكاء الاصطناعي الرمزي نشاطًا كبيرًا.

في ستينيات وسبعينيات القرن العشرين، ألهم التقدم التكنولوجي الباحثين للتحقيق في العلاقة بين الآلات والطبيعة. لقد اعتقدوا أن التقنيات الرمزية ستؤدي في النهاية إلى ظهور آلة ذكية، وهو ما كان يُنظر إليه على أنه هدفهم طويل المدى.

وفي هذا السياق، صاغ جون هوجلاند مصطلح "الذكاء الاصطناعي القديم الجيد" أو "GOFAI" في كتابه الذي صدر عام 1985 بعنوان "الذكاء الاصطناعي: الفكرة ذاتها".

تعتبر طريقة GOFAI هي الأنسب للمشكلات الخاملة وهي بعيدة كل البعد عن المطابقة الطبيعية للمشكلات الديناميكية في الوقت الفعلي. فهو يفضل تعريفًا محدودًا للذكاء باعتباره تفكيرًا مجردًا، في حين تعطي الشبكات العصبية الاصطناعية الأولوية للتعرف على الأنماط. ونتيجة لذلك، فقد اكتسب الأسلوب "الاتصالي" أو غير الرمزي الأخير أهمية كبيرة في الآونة الأخيرة.

كيف يعمل الذكاء الاصطناعي غير الرمزي؟

إن نشأة الذكاء الاصطناعي غير الرمزي هي محاولة محاكاة الدماغ البشري وشبكته المعقدة من الوصلات العصبية.

لاكتشاف حلول للقضايا، تمتنع أنظمة الذكاء الاصطناعي غير الرمزية عن التلاعب بالتمثيل الرمزي. وبدلاً من ذلك، يقومون بإجراء حسابات بناءً على مبادئ ثبت تجريبيًا أنها تحل المشكلات دون أن يفهموا أولاً كيفية التوصل إلى حل على وجه التحديد.

تعد الشبكات العصبية والتعلم العميق مثالين على الذكاء الاصطناعي غير الرمزي. يُعرف الذكاء الاصطناعي غير الرمزي أيضًا باسم "الذكاء الاصطناعي الاتصالي"، وتعتمد العديد من تطبيقات الذكاء الاصطناعي الحالية على هذه المنهجية، بما في ذلك محرك الانتقال الآلي من Google (الذي يبحث عن الأنماط) وبرنامج التعرف على الوجوه من فيسبوك.

أدخل الذكاء الاصطناعي الهجين

في سياق الذكاء الاصطناعي الهجين، يعمل الذكاء الاصطناعي الرمزي بمثابة "مورد" للذكاء الاصطناعي غير الرمزي، الذي يتولى المهمة الفعلية. يقدم الذكاء الاصطناعي الرمزي بيانات التدريب ذات الصلة من وجهة النظر هذه إلى الذكاء الاصطناعي غير الرمزي. وفي المقابل، فإن المعلومات التي ينقلها الذكاء الاصطناعي الرمزي مدعومة من البشر - أي المخضرمين في الصناعة، والخبراء في الموضوع، والعمال المهرة، وأولئك الذين لديهم معرفة قبلية غير مشفرة.

تعد عمليات البحث على الويب أحد الاستخدامات الشائعة للذكاء الاصطناعي المختلط. إذا أدخل المستخدم "1 جنيه إسترليني إلى دولار أمريكي"، يكتشف محرك البحث تحدي تحويل العملة (الذكاء الاصطناعي الرمزي). يستخدم عنصر واجهة مستخدم لإجراء التحويل قبل استخدام التعلم الآلي لاسترداد نتائج الويب ووضعها وعرضها (الذكاء الاصطناعي غير الرمزي). هذا مثال أساسي، لكنه يوضح كيفية عمل الذكاء الاصطناعي الهجين إذا تم تطبيقه على مشاكل أكثر تعقيدًا.

وفقا لديفيد كوكس، مدير مختبر واتسون للذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا وآي بي إم، فإن التعلم العميق والشبكات العصبية تزدهر وسط "فوضى العالم"، في حين أن الذكاء الاصطناعي الرمزي لا يزدهر. كما ذكرنا سابقًا، فإن كلا من الشبكات العصبية والتعلم العميق لهما قيود. بالإضافة إلى ذلك، فهم عرضة لحالات عدائية، تُعرف باسم البيانات العدائية، والتي قد تؤثر على سلوك نموذج الذكاء الاصطناعي بطرق غير متوقعة وربما ضارة.

ومع ذلك، عند دمجها، يمكن للذكاء الاصطناعي الرمزي والشبكات العصبية إنشاء أساس متين لتطوير الذكاء الاصطناعي في المؤسسات.

لماذا نستخدم الذكاء الاصطناعي الهجين في بيئات المؤسسات؟

تعد مشكلات الأعمال التي تتسم بعدم كفاية البيانات لتدريب شبكة عصبية واسعة النطاق أو حيث لا يستطيع التعلم الآلي القياسي التعامل مع جميع الحالات القصوى هي المرشحة المثالية لتنفيذ الذكاء الاصطناعي المختلط. عندما يمكن أن يتسبب حل الشبكة العصبية في التمييز، أو عدم الكشف الكامل، أو المخاوف المتعلقة بالتجاوز، قد يكون الذكاء الاصطناعي الهجين مفيدًا (أي التدريب على الكثير من البيانات التي يواجهها الذكاء الاصطناعي في سيناريوهات العالم الحقيقي).

ومن الأمثلة الرئيسية على ذلك مبادرة الذكاء الاصطناعي التي أطلقتها شركة Fast Data Science، وهي شركة استشارية في مجال الذكاء الاصطناعي. الهدف هو تقييم المخاطر المحتملة للتجربة السريرية.

يرسل المستخدم مستند PDF يتضمن تفاصيل خطة إجراء تجربة سريرية إلى المنصة. يمكن لنموذج التعلم الآلي تحديد خصائص التجربة الحيوية مثل الموقع والمدة ورقم الموضوع والمتغيرات الإحصائية. سيتم دمج مخرجات نموذج التعلم الآلي في نموذج المخاطر المصمم يدويًا. يقوم هذا النموذج الرمزي بتحويل هذه المعلمات إلى قيمة خطر، والتي تظهر بعد ذلك كإشارة مرور تشير إلى وجود مخاطر عالية أو متوسطة أو منخفضة للمستخدم.

يعد الذكاء البشري ضروريًا لتحديد قاعدة معقولة ومنطقية لتحويل بيانات البروتوكول إلى قيمة مخاطرة.

المثال التوضيحي الثاني هو محرك بحث جوجل. إنه نظام ذكاء اصطناعي متطور وشامل يتكون من أدوات تعلم عميقة ثورية مثل المحولات وآليات معالجة الرموز مثل الرسم البياني المعرفي.

ما هي التحديات؟

لا توجد تقنية أو مجموعة من التقنيات تحل كل مشكلة بشكل متساوٍ؛ ولذلك، فمن الضروري أن نفهم قدراتهم وقيودهم. الذكاء الاصطناعي الهجين ليس حلاً سحريًا، وسيظل الذكاء الاصطناعي الرمزي وغير الرمزي بمثابة تقنيات قوية في حد ذاتها. وحقيقة أن فهم الخبراء وسياق الحياة اليومية نادرًا ما يكون قابلاً للقراءة آليًا يمثل عائقًا آخر. يمثل ترميز الخبرة البشرية في مجموعات بيانات تدريب الذكاء الاصطناعي مشكلة أخرى.

تفشل معظم المؤسسات في التعرف بشكل كامل على العوائق المعرفية والحسابية والكربونية والمالية التي تنشأ من وضع الخليط المعقد من عوالمنا التي نعيشها في سياق يمكن للذكاء الاصطناعي فهمه. ولذلك، فإن الجدول الزمني لتنفيذ الذكاء الاصطناعي بأي طريقة مجدية قد يستغرق وقتًا أطول بكثير من المتوقع.

الطريق الى الامام

من المعروف أن مبادرات الذكاء الاصطناعي تنطوي على مشاكل كبيرة؛ فقط 1 من كل 10 طيارين ونماذج أولية يؤدي إلى نتائج مهمة في الإنتاج.

تدرك الشركات التقدمية بالفعل حدود نماذج الذكاء الاصطناعي أحادية الوضع. إنهم يدركون تمامًا الحاجة إلى أن تكون التكنولوجيا متعددة الاستخدامات، وقادرة على التعمق في البيانات المخزنة، وأقل تكلفة، وأسهل في الاستخدام.

يوفر الذكاء الاصطناعي الهجين حلولاً لبعض هذه المشكلات، ولكن ليس كلها. نظرًا لأنه يدمج الذكاء الاصطناعي الرمزي والتعلم الآلي، فيمكنه استخدام مزايا كل نهج بكفاءة مع البقاء قابلاً للتفسير، وهو أمر حيوي لصناعات مثل التمويل والرعاية الصحية.

قد يركز تعلم الآلة على عناصر محددة لمشكلة ما حيث لا يكون للتفسير أي أهمية، في حين أن الذكاء الاصطناعي الرمزي سيصل إلى القرارات باستخدام مسار شفاف وسهل الفهم. سوف يصبح النهج الهجين للذكاء الاصطناعي منتشرًا بشكل متزايد مع مرور السنين.