العلماء ينشئون جدولًا دوريًا للذكاء الاصطناعي

اقترح الباحثون إطارًا رياضيًا موحدًا يساعد في تفسير سبب نجاح العديد من أنظمة الذكاء الاصطناعي متعددة الوسائط الناجحة.

يتم الاعتماد بشكل متزايد على الذكاء الاصطناعي لدمج وتفسير أنواع مختلفة من البيانات، بما في ذلك النصوص والصور والصوت والفيديو. إحدى العوائق التي تستمر في إبطاء التقدم في الذكاء الاصطناعي متعدد الوسائط هي تحديد النهج الخوارزمي الذي يناسب المهمة المحددة التي يهدف نظام الذكاء الاصطناعي إلى حلها.

وقد قدم الباحثون الآن طريقة موحدة لتنظيم وتوجيه عملية اتخاذ القرار. الفيزيائيون في جامعة إيموري طورت إطارًا جديدًا يوفر هيكلًا لكيفية اشتقاق خوارزميات الذكاء الاصطناعي متعدد الوسائط، وتم نشر أعمالها في مجلة أبحاث التعلم الآلي.

يقول إيليا نيممان، أستاذ الفيزياء في جامعة إيموري والمؤلف الرئيسي للورقة البحثية: “لقد وجدنا أن العديد من أساليب الذكاء الاصطناعي الأكثر نجاحًا اليوم تتلخص في فكرة واحدة بسيطة، ألا وهي ضغط أنواع متعددة من البيانات بما يكفي للاحتفاظ بالأجزاء التي تتنبأ حقًا بما تحتاجه”. “يعطينا هذا نوعًا من “الجدول الدوري” لطرق الذكاء الاصطناعي. تقع الأساليب المختلفة في خلايا مختلفة، بناءً على المعلومات التي تحتفظ بها وظيفة فقدان الطريقة أو تتجاهلها.”

دالة الخسارة هي القاعدة الرياضية التي يستخدمها نظام الذكاء الاصطناعي لتقييم مدى خطأ تنبؤاته. أثناء التدريب، يقوم النموذج باستمرار بضبط معلماته الداخلية من أجل تقليل هذا الخطأ، وذلك باستخدام وظيفة الخسارة كدليل.

يقول نيمينمان: “لقد ابتكر الناس مئات من وظائف الخسارة المختلفة لأنظمة الذكاء الاصطناعي متعددة الوسائط، وقد يكون بعضها أفضل من البعض الآخر، اعتمادًا على السياق”. “لقد تساءلنا عما إذا كانت هناك طريقة أبسط من البدء من الصفر في كل مرة تواجه فيها مشكلة في الذكاء الاصطناعي متعدد الوسائط.”

إطار موحد

ولمعالجة ذلك، طور الفريق إطارًا رياضيًا يربط تصميم وظائف الخسارة مباشرةً بالقرارات المتعلقة بالمعلومات التي يجب الحفاظ عليها وتلك التي يمكن تجاهلها. يسمون هذا النهج إطار عنق الزجاجة المعلوماتي متعدد المتغيرات.

يقول المؤلف المشارك مايكل مارتيني، الذي عمل في المشروع كزميل ما بعد الدكتوراه في إيموري وعالم أبحاث في مجموعة نيمينمان: “إن إطار عملنا يشبه في الأساس مقبض التحكم”. “يمكنك “طلب المقبض” لتحديد المعلومات التي يجب الاحتفاظ بها لحل مشكلة معينة.”

ويضيف إسلام عبد العليم، المؤلف الأول للدراسة: “نهجنا معمم ومبدئي”. تولى عبد العليم المشروع كمرشح للحصول على درجة الدكتوراه في جامعة إيموري في الفيزياء قبل تخرجه في مايو والانضمام إلى معهد جورجيا للتكنولوجيا كزميل ما بعد الدكتوراه.

ويقول: “هدفنا هو مساعدة الأشخاص على تصميم نماذج الذكاء الاصطناعي المصممة خصيصًا للمشكلة التي يحاولون حلها، مع السماح لهم أيضًا بفهم كيف ولماذا يعمل كل جزء من النموذج”.

يمكن لمطوري أنظمة الذكاء الاصطناعي استخدام إطار العمل لاقتراح خوارزميات جديدة، للتنبؤ بأي منها قد ينجح، ولتقدير البيانات المطلوبة لخوارزمية معينة متعددة الوسائط، وتوقع متى قد تفشل.

يقول نيممان: “بنفس القدر من الأهمية، قد يسمح لنا ذلك بتصميم أساليب ذكاء اصطناعي جديدة أكثر دقة وكفاءة وجديرة بالثقة”.

نهج الفيزياء

قدم الباحثون منظورًا فريدًا لمشكلة تحسين عملية التصميم لأنظمة الذكاء الاصطناعي متعددة الوسائط.

“يركز مجتمع التعلم الآلي على تحقيق ذلك دقة يشرح عبد العليم: “في نظام دون أن نفهم بالضرورة سبب عمل النظام. ولكن كفيزيائيين، نريد أن نفهم كيف ولماذا يعمل شيء ما. لذلك، ركزنا على إيجاد مبادئ أساسية وموحدة لربط أساليب الذكاء الاصطناعي المختلفة معًا.

بدأ عبد العليم ومارتيني هذا المسعى – لاستخلاص تعقيد أساليب الذكاء الاصطناعي المختلفة وصولاً إلى جوهرها – من خلال إجراء العمليات الحسابية يدويًا.

يقول مارتيني: “لقد أمضينا الكثير من الوقت جالسين في مكتبي، نكتب على السبورة البيضاء”. “أحيانًا كنت أكتب على ورقة وإسلام ينظر من فوق كتفي.”

استغرقت العملية سنوات، حيث تم العمل في البداية على أسس رياضية، ومناقشتها مع نيمانمان، وتجربة المعادلات على الكمبيوتر، ثم تكرار هذه الخطوات بعد اتباع مسارات خاطئة.

يقول مارتيني: “لقد كان الأمر يتطلب الكثير من التجربة والخطأ والعودة إلى السبورة البيضاء”.

عمل العلم بالقلب

إنهم يتذكرون بوضوح يوم لحظة اكتشافهم.

لقد توصلوا إلى مبدأ موحد يصف المقايضة بين ضغط البيانات وإعادة بناء البيانات. يقول مارتيني: “لقد جربنا نموذجنا على مجموعتين من بيانات الاختبار وأظهرنا أنه كان يكتشف تلقائيًا الميزات المشتركة والمهمة بينهما”. “هذا شعور جيد.”

بينما كان عبد العليم يغادر الحرم الجامعي بعد الدفعة الأخيرة المرهقة والمبهجة التي أدت إلى هذا الإنجاز، صادف أنه نظر إلى ساعته الذكية Samsung Galaxy. ويستخدم نظام الذكاء الاصطناعي لتتبع وتفسير البيانات الصحية، مثل معدل ضربات القلب. ومع ذلك، فقد أساء الذكاء الاصطناعي فهم معنى نبض قلبه المتسارع طوال ذلك اليوم.

يقول عبد العليم: “تشير ساعتي إلى أنني كنت أقود الدراجة لمدة ثلاث ساعات”. “هذه هي الطريقة التي فسر بها مستوى الإثارة الذي كنت أشعر به. وفكرت، “رائع، هذا شيء حقًا! على ما يبدو، يمكن للعلم أن يكون له هذا التأثير.”

تطبيق الإطار

قام الباحثون بتطبيق إطار عملهم على العشرات من أساليب الذكاء الاصطناعي لاختبار فعاليته.

يقول نيمينمان: “لقد أجرينا عروضًا توضيحية بالكمبيوتر أظهرت أن إطارنا العام يعمل بشكل جيد مع مشكلات الاختبار في مجموعات البيانات المعيارية”. “يمكننا استخلاص دوال الخسارة بسهولة أكبر، مما قد يحل المشكلات التي يهتم بها المرء بكميات أقل من بيانات التدريب.”

يحمل الإطار أيضًا القدرة على تقليل مقدار الطاقة الحسابية اللازمة لتشغيل نظام الذكاء الاصطناعي.

يقول نيمينمان: “من خلال المساعدة في توجيه أفضل نهج للذكاء الاصطناعي، يساعد إطار العمل على تجنب ميزات التشفير غير المهمة”. “كلما قلت البيانات المطلوبة لنظام ما، قلت القوة الحسابية اللازمة لتشغيله، مما يجعله أقل ضررا على البيئة. وهذا قد يفتح الباب أيضا أمام تجارب حدودية لمشاكل لا يمكننا حلها الآن بسبب عدم وجود بيانات كافية.”

ويأمل الباحثون أن يستخدم الآخرون الإطار المعمم لتصميم خوارزميات جديدة خاصة بالأسئلة العلمية التي يرغبون في استكشافها.

وفي الوقت نفسه، فإنهم يبنون على عملهم لاستكشاف إمكانات الإطار الجديد. وهم مهتمون بشكل خاص بكيفية مساعدة الأداة في اكتشاف أنماط علم الأحياء، مما يؤدي إلى رؤى حول عمليات مثل الوظيفة الإدراكية.

يقول عبد العليم: “أريد أن أفهم كيف يقوم دماغك بضغط ومعالجة مصادر متعددة للمعلومات في نفس الوقت”. “هل يمكننا تطوير طريقة تسمح لنا برؤية أوجه التشابه بين نموذج التعلم الآلي والدماغ البشري؟ قد يساعدنا ذلك على فهم كلا النظامين بشكل أفضل.”

المرجع: “عنق الزجاجة العميق للمعلومات المتعددة المتغيرات – إطار للخسائر المتغيرة” بقلم إسلام عبد العال وإيليا نيمانمان وك. مايكل مارتيني جونيور، 2 سبتمبر 2025، arXiv.
DOI: 10.48550/arXiv.2310.03311

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.