عندما بدأت دراستي العليا، كان أول شيء كان علي فعله هو اختيار اتجاه البحث. ركز المختبر الذي انضممت إليه على مجالين رئيسيين: المقايسات الوظيفية والمعلوماتية الحيوية. كان هذا قبل أكثر من عقد من الزمان، وكان سير العمل النموذجي يتضمن قيام باحثين في مجال المعلوماتية الحيوية بتحليل مجموعات كبيرة من البيانات لتحديد الجينات المرتبطة بأنماط ظاهرية أو أمراض معينة، والتي سيتم تسليمها بعد ذلك إلى فريق الفحص الوظيفي للتحقق من صحتها.

في ذلك الوقت، كانت المعلوماتية الحيوية مجالًا جديدًا وواعدًا، لذلك اخترت هذا المسار دون تردد. لكن لم يكن لدي خلفية برمجية، لذلك كان من الصعب البدء. بدأت بدراسة لغات البرمجة، أولًا لغة Perl، ثم R وPython.

إذا نظرنا إلى الوراء، أنا سعيد باختياري. لقد كان وقتًا مثيرًا، والنمو السريع للتقنيات عالية الإنتاجية والتقنيات الجديدة – مثل علم النسخ وعلم الجينوم، ولاحقًا بيولوجيا الخلية الواحدة – أعطاني الكثير من البيانات للعمل عليها. إن حل المشكلات البيولوجية من خلال الكود الذي كتبته أعطاني إحساسًا بقيمة الذات.

ثم ظهرت أدوات الذكاء الاصطناعي، بما في ذلك ChatGPT وManus وGrok. لقد هددت قدرتهم على نطق التعليمات البرمجية الوظيفية بجعلني زائدة عن الحاجة، لكنني لم أكن قلقًا في البداية لأنني غالبًا ما تحتوي التعليمات البرمجية التي ينشئها الذكاء الاصطناعي على أخطاء التي تظهر فقط أثناء الاختبار وتتطلب التصحيح اليدوي. ومع ذلك، كانت أساليب التشغيل “الوكيلة” الجديدة بمثابة تغيير محتمل لقواعد اللعبة. يتيح ذلك لأدوات مثل Manus إنشاء التعليمات البرمجية أولاً ثم تشغيلها مباشرة في السحابة، مما يؤدي إلى إنشاء حلقة سلسة: بدءًا من طرح الأسئلة، وحتى كتابة الأداة وتنفيذ التعليمات البرمجية، وحتى تلقي النتائج. عندها بدأت أشعر بالقلق: في عصر الذكاء الاصطناعي هذا، هل ما زلت ضروريًا؟

يمكن لأدوات الذكاء الاصطناعي اليوم كتابة التعليمات البرمجية بكفاءة لإجراء التحاليل البيولوجية. أحتاج فقط إلى تحميل بياناتي وتقديم مطالبة بسيطة، مثل “افترض أنك خبير في المعلوماتية الحيوية”. هل يمكنك إنشاء عشرة عناصر مرئية لتمثيل بيانات مختلفة بناءً على فهمك لمجموعة البيانات أعلاه؟ اعرض المؤامرات واحدة تلو الأخرى، مع مقدمة موجزة.’ يوفر الذكاء الاصطناعي الإجابات التي أحتاجها، والتي تتجاوز توقعاتي في بعض الأحيان. إذن ما هو دوري في هذه العملية؟

لقد اكتشفت ذلك أثناء دراسة سرطان الرئة. كان لدينا المئات من ملفات التعبير الجيني لأنسجة الورم، وطلبت من الذكاء الاصطناعي إعداد التحليل. لقد نجح الأمر بسرعة، وأنتج تقريرًا مرتبًا. بدت النتائج الأولية رائعة، بل جيدة جدًا تقريبًا. حدد الذكاء الاصطناعي فرقًا ذا دلالة إحصائية في مستويات التعبير الجيني قبل وبعد نقطة زمنية محددة. ولكن عندما تعمقت أكثر، رأيت أنه في منتصف الدراسة، غيّر المختبر طريقة جمع البيانات. لقد لاحظ النموذج هذا الاختلاف، وليس بسبب علم الأحياء. ما بدا وكأنه اختراق كان في الواقع مجرد قطعة أثرية. وبمجرد أن تكيفت مع هذا التغيير، أصبح الفرق أقل دراماتيكية ولكنه يعكس بيولوجيا حقيقية.

أدركت أن دوري قد تحول من البرمجة النصية إلى الإشراف. ما يهم الآن هو طرح السؤال بوضوح، وتحديد المشكلات التي لا يستطيع الكمبيوتر رؤيتها، وتحمل مسؤولية الإجابة.

أهم النصائح لمشرفي الذكاء الاصطناعي

يخبرني الناس أنه يمكنني جعل الذكاء الاصطناعي أكثر ذكاءً من خلال “وضع المزيد من السياق في الموجه”، ولكن يبدو أن الذكاء الاصطناعي الخاص بي يبدو دائمًا غبيًا. بغض النظر عن مدى تفصيل طلبي، فإنه يجد طرقًا لسوء الفهم. على مدى السنوات القليلة الماضية، قمت بتطوير بعض الأساليب للتحقق مرة أخرى من عملها.

إنشاء مجموعة التحقق من الصحة. احتفظ بمجموعة بيانات صغيرة تفهمها جيدًا – مجموعة فرعية من البيانات المنشورة مسبقًا أو التي تم التحقق من صحتها يدويًا، على سبيل المثال – كعنصر تحكم إيجابي. قبل تطبيق مسار جديد تم إنشاؤه بواسطة الذكاء الاصطناعي على بياناتك، اختبره على هذه المجموعة. إذا أنتج الذكاء الاصطناعي نتائج غير متوقعة أو غير متسقة، فستعرف على الفور أن المطالبة أو الخوارزمية تحتاج إلى تحسين.

خلط البيانات. يمكن لنماذج الذكاء الاصطناعي أن تملأ البيانات بسهولة، أو أن تتأثر بالمصنوعات التقنية، كما حدث أثناء دراسة سرطان الرئة. لاختبار ما إذا كانت النتيجة ذات معنى من الناحية البيولوجية، قم بخلط تسميات العينات أو قيم الاضطراب قليلاً أو إدخال ضوضاء اصطناعية بطريقة أخرى. إذا استمر النمط “الهام”، فمن المحتمل أن يكون مصنوعًا وليس إشارة حقيقية.

فرعية التحليل. إذا كانت مجموعة البيانات كبيرة بما يكفي، فسأطلب من الذكاء الاصطناعي إجراء نفس التحليل على مجموعات فرعية عشوائية منها. يؤدي الاتساق عبر المجموعات الفرعية إلى زيادة الثقة: إذا اختلفت النتائج بشكل كبير من مجموعة فرعية إلى أخرى، فقد لا تصمد النتيجة.