"/> كيف تجعل الذكاء الاصطناعي أكثر ديمقراطية؟ • ديجيكالا ماج

كيف تجعل الذكاء الاصطناعي أكثر ديمقراطية؟ • ديجيكالا ماج

كيف تجعل الذكاء الاصطناعي أكثر ديمقراطية؟ • ديجيكالا ماج

في عالم يتجه نحو تطوير أنظمة ذكاء اصطناعي ضخمة من قبل الجامعات الكبرى ، كيف يمكن جعل تطوير التكنولوجيا أكثر سهولة لمزيد من الباحثين وأكثر ديمقراطية من خلال بناء نماذج ذكية أصغر؟

“المحولات التوليدية المدربة مسبقًا” أو “GPT-3” باختصار ، نموذج لغوي كبير قادر على فهم النص والإجابة على الأسئلة وإنشاء أنماط كتابة جديدة. وقد اجتذب اهتمامًا دوليًا.

تم إطلاق هذا النموذج الواسع النطاق من قبل OpenAI ، وهي منظمة غير ربحية مقرها كاليفورنيا تصنع أنظمة ذكاء اصطناعي لجميع الأغراض ، وقدرة ملحوظة على محاكاة الكتابة البشرية ، وحتى في العام الماضي دون مساعدة بشرية كتب مقالًا عن سلام الروبوت. . لكن ما يلفت الانتباه هو بالضبط حجمها الهائل.

لبناء مثل هذا النموذج من الذكاء والابتكار ، استشهد الباحثون بـ 175 مليار معلمة (وحدات حوسبة) وأكثر من 45 تيرابايت من النصوص من ويكيبيديا ، وريديت ، و Common Crawl ومصادر أخرى.قاموا بجمعها ثم تدريبهم في عملية استغرقت المئات. من وحدات المعالجة لآلاف الساعات.

لكن GPT-3 ليس مجرد اختبار ذاتي ، ولكنه أيضًا اتجاه أوسع في مجال الذكاء الاصطناعي. يستخدم التعلم العميق ، الذي أصبح الأسلوب السائد في إنشاء الذكاء الاصطناعي في السنوات الأخيرة ، كميات هائلة من البيانات والقوة الحسابية لتوفير نماذج معقدة ودقيقة. لكن هذه الموارد متاحة بشكل أكبر للباحثين في الشركات الكبيرة والجامعات الكبرى.

أظهرت دراسة من جامعة ويسترن أن “نزع الديمقراطية” قد حدث في مجال الذكاء الاصطناعي. عدد الباحثين الذين يمكنهم المساهمة في تقدم التكنولوجيا آخذ في الانخفاض. هذا يحد من عدد الأشخاص القادرين على تحديد مجالات البحث لهذه التكنولوجيا الأساسية ولها آثار اجتماعية. بل قد يؤدي إلى تفاقم بعض التحديات الأخلاقية التي تواجه تطوير الذكاء الاصطناعي ، بما في ذلك انتهاك الخصوصية والتحيز والتأثير البيئي في النماذج الكبيرة.

اقرأ
معهد أكسفورد: استخدام كل روبوت في الصناعة يعطل ما يصل إلى 1.5 مليون شخص

لمكافحة هذه المشاكل ، يحاول الباحثون معرفة كيف يمكنهم فعل المزيد باستخدام أدوات أقل توفرًا. أحد التطورات الأخيرة في هذا المجال هو تعلم مراحل “أقل من واحدة” (أقل من واحد) أو “Lo-Shot” (LO-Shot) بواسطة Ilia Sucholutsky و Matthias Schonlano تم تطويره بواسطة Matthias Schonlau من جامعة واترلو.

مثال على تعلم Loshat

مثال على تعلم Loshat
الائتمان: إليا سوتشولوتسكي ، إم شونلاو

المبدأ الكامن وراء تعلم Le-Shot هو أن الذكاء الاصطناعي يجب أن يتعلم عن الأشياء الموجودة في العالم ، دون إعطاء عينة من كل منها. حتى الآن ، كان هذا عقبة رئيسية أمام أنظمة الذكاء الاصطناعي المعاصرة ، والتي تتطلب غالبًا آلاف الأمثلة لتعلم التعرف على الأشياء.

من ناحية أخرى ، يمكن للبشر في كثير من الأحيان الحصول على صور عقلية وبصرية مجردة من الأمثلة الموجودة لتمييز الأشياء الجديدة التي لم تتم رؤيتها من قبل. على سبيل المثال ، عند عرض أشكال مختلفة ، يمكن للطفل التمييز بسهولة بين الأمثلة وتحديد العلاقات بين ما يتم عرضه والأشكال الجديدة.

لتعزيز هذا النوع من التعلم ، قدمه فريق جامعة واترلو لأول مرة من خلال عملية تسمى التقطير الناعم. تم تقليل قاعدة بيانات الصور المسماة MNIST ، والتي يحتفظ بها المعهد الوطني للتكنولوجيا والمعايير في الولايات المتحدة وتحتوي على 6000 عينة من الأرقام المكتوبة من 0 إلى 9 ، إلى خمس صور تجمع خصائص الأرقام. بعد عرض تلك العينات الخمس فقط ، تمكن نظام جامعة واترلو من تصنيف 92٪ من الصور المتبقية في قاعدة البيانات بدقة.

أمثلة على أرقام قاعدة البيانات

أمثلة على أرقام قاعدة البيانات
الائتمان: جوزيف ستيبان

في واحدة من أحدث مقالاته ، قام الفريق بتوسيع هذا المبدأ لإظهار أنه ، من الناحية النظرية ، تسمح تقنيات LO-Shot للذكاء الاصطناعي بتعلم إمكانية إنشاء آلاف الكائنات الجديدة بمجموعات بيانات صغيرة. تعرف حتى على مثالين ، على سبيل المثال. يعد هذا تقدمًا كبيرًا في أنظمة التعلم العميق التقليدية حيث يزداد الطلب على البيانات بشكل كبير مع الحاجة إلى مزيد من التمييز بين الكائنات.

اقرأ
ناسا تريد منك أن تدرب رائد الفضاء AI على المثابرة • Digikala Mag

يجب الآن تصميم مجموعات البيانات الصغيرة ذات اللقطات الصغيرة بعناية لتضمين خصائص فئات مختلفة من الكائنات ، لكن Socholotsky تتطلع إلى تطوير هذا بشكل أكبر من خلال النظر في العلاقات بين الكائنات المسجلة بالفعل في مجموعات البيانات الصغيرة الموجودة.

يُعد السماح للذكاء الاصطناعي بالتعلم باستخدام بيانات أقل أهمية لعدة أسباب. أولاً ، من خلال إجبار النظام على تعميم وعيه على التصنيفات التي لم يرها ، فإنه في الواقع يدمج بشكل أفضل عملية التعلم الفعلية. تقلل هذه التقنية أيضًا من احتمالية التحيز من خلال إنشاء تصورات ذهنية وتجريدية تصور العلاقات بين الأشياء.

أصبحت أنظمة التعلم العميق الآن ضحية الصلة المتحيزة للبيانات الموجودة في البيانات التي تستخدمها للتدريب. ومن الأمثلة المعروفة على هذه المشكلة أن الذكاء الاصطناعي يصنف الكلاب على أنها ذئاب عند عرض صور لها في بيئة ثلجية ، لأن معظم صور الذئاب تظهرها في الثلج. تساعد القدرة على التركيز على الجوانب ذات الصلة بالصورة على منع هذه الأخطاء. لذلك ، فإن تقليل الحاجة إلى البيانات المتنوعة يجعل هذه الأنظمة أقل عرضة لمثل هذه التحيزات.

في الخطوة التالية ، كلما قلت البيانات اللازمة لاستخدامها ، قل الحافز لمراقبة الأشخاص لبناء خوارزميات أفضل. تؤثر تقنيات التقطير اللين ، على سبيل المثال ، بالفعل على أبحاث الذكاء الاصطناعي الطبي التي تعلم نماذجها باستخدام المعلومات الحساسة للصحة. في ورقة بحثية حديثة ، استخدم الباحثون التقطير الناعم في صور التشخيص بالأشعة السينية بناءً على مجموعة بيانات صغيرة ومبدأ الخصوصية.

أخيرًا ، فإن السماح للذكاء الاصطناعي بالتعلم باستخدام بيانات أقل سيساعد في إضفاء الطابع الديمقراطي على هذا المجال. باستخدام الذكاء الاصطناعي الأصغر ، يمكن للجامعات البقاء على اتصال بالميدان وتجنب خطر الإفراط في استخدامها من قبل بعض كبار الأساتذة في الصناعة.

اقرأ
يربط Ilan Mask الذكاء الاصطناعي بالدماغ البشري بواسطة Nuralink

لا يقتصر تعلم Le-Shot على تقليل الحواجز التي تحول دون الدخول عن طريق تقليل تكاليف التدريب واحتياجات البيانات فحسب ، بل إنه يوفر أيضًا للمستخدمين مزيدًا من المرونة في إنشاء مجموعات جديدة وتجربة مناهج جديدة.

أيضًا ، من خلال تقليل الوقت الذي يقضيه الباحثون في هندسة البيانات والهندسة المعمارية ، يمكن للباحثين الذين يتطلعون إلى استخدام الذكاء الاصطناعي قضاء المزيد من الوقت في التركيز على المشكلات العملية التي ينوون حلها.

صورة الغلاف: تصميم رسومي عن الذكاء الاصطناعي
الائتمان: صور غيتي

مصدر: أمريكا العلمية

إرسال تعليق

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *