أبرز التحديات التي يواجهها الذكاء الاصطناعي
الذكاء الاصطناعي (بالإنجليزية: Artificial intelligence) هو مدى قدرة الكمبيوتر الرقمي أو الروبوت ، الذي يُمكن التحكم فيه من خلال الكمبيوتر، على أداء العديد من الوظائف المُتعلقة بالكائنات الذكية، وقد يواجه الذكاء الاصطناعي العديد من التحديات، أبرزها ما يأتي:
القدرة الحاسوبية
تُعد كمية الطاقة المُستخدمة في خوارزميات الذكاء الاصطناعي، والتي تحتاج عادةً إلى الطاقة، عاملًا أساسيًا يخول العديد من المطورين الابتعاد كل البُعد عن التعلم الآلي، والتعلم العميق، واللذين يُعادن الركنان الأساسيّان للذكاء الاصطناعي، ليس ذلك فحسب، بل يتطلبان أعداد كبيرة من النوى، بالإضافة إلى وحدات معالجة الرسومات، من أجل العمل بمستوى عالٍ من الكفاءة.
ويجدر بالذّكر أن هناك كمًا كبيرًا من المجالات التي تضم العديد من الأفكار، وتوضح كيفية تنفيذ الأسس التي يرتكز عليها التعلم العميق؛ فعلى سبيل المثال، العمل على تتبع الكويكبات، والأجسام الكونية، والعمل على توفير الرعاية الصحية، وما إلى ذلك.
وبالتالي، يتضح أن الذكاء الاصطناعي يحتاج إلى قوة حاسوبية ضخمة جدًا، كما أن أجهزة الكمبيوتر العملاقة باهظة الثمن، وبالرغم من وجود الحوسبة السحابية ، بالإضافة إلى أنظمة المعالجة المتوازية، حرص العاملون على تطوير أنظمة الذكاء الاصطناعي بشكل فعّال، ولكن من غير الممكن أن يتحمل الجميع ذلك، بسبب كميات البيانات الكبيرة، والخوارزميات المعقدة.
ضعف الثقة
يُعد النقص في الثقة من أهم التحديات الكبيرة التي تواجه الذكاء الاصطناعي، إذ إن الضعف في الثقة سيؤدي إلى خلق توتر وقلق حول كيفية العلم بالتوقعات المرجوة لنماذج التعلم العميق للمخرجات، بالإضافة إلى معرفة كيف تستطيع مجموعة مُحددة من المُدخلات أن تخلق حلولًا واضحة، لعدّة عناصر متنوعة من المشكلات، التي يُصعب حلّها من قبل الأشخاص العاديين.
فهناك عدد كبير من الأشخاص في مُختلف أنحاء العالم، لا يعرفون كيفية استخدام الذكاء الاصطناعي ، بل إلى أبعد من ذلك لا يعرفون حتى وجوده، بالإضافة إلى عدم قدرتهم على معرفة كيفية دمج العناصر التي يستخدمونها بشكلٍ يومي؛ مثل الهواتف الذكية، وأجهزة التلفزيون الذكية، بالإضافة إلى الخدمات المصرفية، وحتى السيارات.
المعرفة المحدودة
بغض النظر عن الأشخاص المُهتمين بمجال التكنولوجيا؛ كالعاملون وطلاب الجامعات والباحثون أيضًا، لا يوجد إلا أعدادًا قليلة ومحدودة من الأشخاص الذين يمتلكون معرفة كافية بمستوياتٍ عالية، حول ماهية الذكاء الاصطناعي، حتى ولو كان هناك الكثير من الأماكن في الأسواق الكبيرة، التي تسعى إلى استخدام الذكاء الاصطناعي، وتعتمد عليه بدلًا من الأنظمة التقليدية.
على سبيل المثال؛ يوجد عدد كبير من الشركات الصغيرة والمتوسطة، التي تستطيع من خلال مهاراتها التعرف على طرف مُبتكرة؛ من أجل رفع إنتاجها، وتنظيم إدارة الموارد، بالإضافة إلى بيع المنتجات من خلال الإنترنت، فضلًا عن معرفة كيفية التعرف على سلوك المُستهلك ، والتفاعل مع السوق بمستوى عالٍ من الكفاءة.
مستوى الإنسان
هذه النقطة من أصعب التحديات التي وقفت عائقًا أمام الذكاء الاصطناعي، هذا التحدي هو السبب الذي يكمُن من بقاء الباحثين في المقدمة في الشركات، وذلك في مجال خدمات الذكاء الاصطناعي، ولذلك تمتاز هذه الشركات بالدقة بمستوى قد يصل إلى 90%، وبالرغم من ذلك يُمكن تدريب الأشخاص إلى أفضل من ذلك أيضًا.
وبناء على ذلك، يحتاج نموذج التعلم العميق لآداء دقيق للغاية، بالإضافة إلى رفع كفاءة مجموعة بيانات، أيضًا العديد من الخوارزمية، ذات الدقة والمحدودية، وذلك إلى جانب قوة الحوسبة القوية، مع التدرب بصورة دورية على بيانات الاختبار.
يُمكن تجنب مشاق العمل من خلال استخدام مزود خدمة؛ لأنه يُتيح التدريب على نماذج مُحددة بعين ذاتها للتعلم العميق، بواسطة نماذج مدربة مسبقًا.
خصوصية البيانات وأمنها
الركن الأساسي الذي تقوم عليه جميع نماذج التعلم العميق والآلي هو مدى وجود البيانات والموارد لتدريبها، ويعود السبب في ذلك إلى أنّ هذه البيانات يتم ابتكارها من قبل ملايين المستخدمين في جميع أنحاء العالم، بحيث يوجد العديد من الفرص لاستعمال هذه البيانات لأغراض غير أخلاقية.
على سبيل المثال؛ الهجمات الإلكترونية الواقعة على البيانات الشخصية لجميع المستخدمين لشبكة مُحددة عبر الإنترنت، لذلك سعت العديد من الشركات بالعمل المُبتكر للحد من هذه الحواجز بصورة كبيرة، حيث تقوم بتدريب البيانات على الأجهزة الذكية ، وبالتالي لا يُمكن إرسالها مرة أخرى إلى الخوادم، لكن يُرسل النموذج المدرب فقط مرة أخرى إلى الشركة.
مشكلة التحيز
لمواجهة تحديات الذكاء الاصطناعي لا بُدَّ من محاولة التغلب على أكبر قدر ممكن من التحيز في أثناء التدريب على الذكاء الاصطناعي، والتركيز على أن هذا التدريب يستلزم الوقوف جنبًا إلى جنب، من أجل التدرب بشكلٍ دقيق لإفادة المُجتمع ككل، هذا الأمر حتمًا سيبدأ بمعرفة أنَّ هُناك احتمالية للتحيز في العديد من الحلول المُتعلقة بالذكاء الاصطناعي.
ولذلك لا بُد من التركيز على البيانات، من أجل التمكن من خوارزميات الذكاء الاصطناعي، والسعي بصورة جادة، من أجل القضاء على مشاكل التحيز على تلك البيانات، على سبيل المثال؛ قاعدة بيانات ImageNet، تضم العديد من الوجوه البيضاء، والتي تُعد كبيرة مُقارنة بالوجوه غير البيضاء.
وفي حال تدريب خوارزميات الذكاء الاصطناعي الخاصة على معرفة ميزات تلك الوجوه من خلال قواعد البيانات ، والتي لا تمثل توازن الصحيح للوجوه، فلم تؤدي الخوارزمية عملها بشكل جيد على الوجوه غير البيضاء، وبالتالي سيخلُق هذا الأمر تحيزًا داخليًا يترتب عليه العديد من الآثار.
ندرة البيانات
من أهم العوامل التي تُسهم في بناء الذكاء الاصطناعي الفعال: العمل على استخدام كم كبير وكافٍ من المعلومات والبيانات ذات المستويات عالية الكفاءة؛ وذلك من أجل الوصول إلى أفضل النتائج المرجوة، والعكس من ذلك في حال الافتقار إلى البيانات التي سبق ذكرها سيؤدي ذلك إلى وضع العوائق أمام استثمار الشركات.
وذلك في أنظمة إدارة البيانات المُختلفة التي تُساعد على تمكين الذكاء الاصطناعي، وبالتالي عدم القدرة على تأهيل الخوارزميات على كيفية القضاء على المشاكل التي تواجههم بدقة، ولكن في الوقت الحالي تسعى العديد من الشركات إلى تطوير وسائل ممنهجة تركز بشكلٍ رئيسي على كيفية خلق نماذج ذكاء اصطناعي.
ونتيجة لذلك يُمكن أن توصل جرّاء ذلك إلى نتائج صحيحة وشاملة، حتى ولو كان هناك ندرة للبيانات المطلوبة.
