كان تأثير الذكاء الاصطناعي على حياة الإنسان والاقتصاد مذهلاً. يمكن للذكاء الاصطناعي أن يضيف حوالي 15.7 تريليون دولار إلى الاقتصاد العالمي بحلول عام 2030. ولأخذ ذلك في الاعتبار ، يتعلق الأمر بالناتج الاقتصادي المشترك للصين والهند اعتبارًا من اليوم.ولكن على الجانب الآخر، هناك تحديات الذكاء الاصطناعي المنتشرة في مختلف المجالات. وفي هذا المقال سوف نناقش أهم 7 من هذه التحديات وطرق حلها.
مع توقع العديد من الشركات أن استخدام الذكاء الاصطناعي يمكن أن يعزز إنتاجية الأعمال بنسبة تصل إلى 40٪ . لقد تضخمت الزيادة الهائلة في عدد الشركات الناشئة في مجال الذكاء الاصطناعي 14 مرة منذ عام 2000. يمكن أن يتراوح تطبيق الذكاء الاصطناعي بين تتبع الكويكبات والأجسام الكونية الأخرى في الفضاء للتنبؤ بالأمراض على الأرض. علاوة على ذلك، استكشاف طرق جديدة ومبتكرة للحد من الإرهاب لعمل الرسوم والنماذج الصناعية.
| محتويات المقال |
| · أهم تحديات الذكاء الاصطناعي الأكثر شيوعاً وطرق حلها · كيف يمكن للذكاء الاصطناعي تحسين الأعمال في السنوات القادمة؟ · خاتمة الموضوع · الأسئلة الشائعة عن تحديات الذكاء الاصطناعي |
جدول المحتويات
أهم تحديات الذكاء الاصطناعي الأكثر شيوعاً وطرق حلها
هناك العديد من المشاكل للذكاء الاصطناعي، وسنقوم بمعالجة هذه التحديات وكيفية حلها:
أولاً: قوة الحوسبة
إن مقدار الطاقة التي تستخدمها هذه الخوارزميات المتعطشة للطاقة هو عامل يبعد معظم المطورين. التعلم الآلي والتعلم العميق هما حجر الأساس لهذا الذكاء الاصطناعي ، وهما يتطلبان عددًا متزايدًا من النوى ووحدات معالجة الرسومات للعمل بكفاءة. هناك العديد من المجالات حيث لدينا أفكار ومعرفة لتنفيذ أطر عمل التعلم العميق مثل تتبع الكويكبات ونشر الرعاية الصحية وتتبع الأجسام الكونية وغير ذلك الكثير.
إنها تتطلب قوة حوسبة للكمبيوتر العملاق ، ونعم ، أجهزة الكمبيوتر العملاقة ليست رخيصة. على الرغم من توفر الحوسبة السحابية وأنظمة المعالجة المتوازية ، يعمل مطورو أنظمة الذكاء الاصطناعي على أنظمة الذكاء الاصطناعي بشكل أكثر فاعلية ، إلا أنها تأتي مكلفة. لا يستطيع الجميع تحمل ذلك من خلال زيادة تدفق كميات غير مسبوقة من البيانات والخوارزميات المعقدة المتزايدة بسرعة.
ثانياً: نقص الثقة ودورها في تحديات الذكاء الاصطناعي
أحد أهم العوامل التي تسبب تحديات الذكاء الاصطناعي هو الطبيعة المجهولة لكيفية توقع نماذج التعلم العميق للمخرجات. كيف يمكن لمجموعة معينة من المدخلات أن تبتكر حلاً لأنواع مختلفة من المشاكل يصعب فهمها بالنسبة للشخص العادي.
كثير من الناس في العالم لا يعرفون حتى استخدام أو وجود الذكاء الاصطناعي ، وكيف يتم دمجه في الأجهزة اليومية التي يتفاعلون معها مثل الهواتف الذكية وأجهزة التلفزيون الذكية والخدمات المصرفية وحتى السيارات (على مستوى معين من الأتمتة).
ثالثاً: المعرفة المحدودة
على الرغم من وجود العديد من الأماكن في السوق حيث يمكننا استخدام الذكاء الاصطناعي كبديل أفضل للأنظمة التقليدية. المشكلة الحقيقية هي معرفة الذكاء الاصطناعي. بصرف النظر عن المتحمسين للتكنولوجيا وطلاب الجامعات والباحثين ، لا يوجد سوى عدد محدود من الأشخاص الذين يدركون إمكانات الذكاء الاصطناعي.
على سبيل المثال ، هناك العديد من الشركات الصغيرة والمتوسطة (الشركات الصغيرة والمتوسطة) التي يمكن جدولة أعمالها أو تعلم طرق مبتكرة لزيادة إنتاجها وإدارة الموارد وبيع المنتجات وإدارتها عبر الإنترنت وتعلم وفهم سلوك المستهلك والتفاعل مع السوق بفعالية وكفاءة . كما أنهم ليسوا على دراية بمقدمي الخدمات مثل Google Cloud و Amazon Web Services وغيرها في صناعة التكنولوجيا.
رابعاً: المستوى البشري
يعد هذا أحد أهم تحديات الذكاء الاصطناعي ، وهو التحدي الذي أبقى الباحثين على أهبة الاستعداد لخدمات الذكاء الاصطناعي في الشركات الكبيرة الناشئة. قد تفتخر هذه الشركات بدقة تزيد عن 90٪ ، لكن يمكن للبشر أن يفعلوا ما هو أفضل في كل هذه السيناريوهات. على سبيل المثال ، دع نموذجنا يتنبأ بما إذا كانت الصورة لكلب أم قطة. يمكن للإنسان أن يتوقع المخرجات الصحيحة في كل مرة تقريبًا ، ويكملها بدقة مذهلة تزيد عن 99٪.
يتطلب نموذج التعلم العميق للقيام بأداء مشابه ضبطًا دقيقًا غير مسبوق ، وتحسين استمثال الوسيط الفائق (المعلمة الفائقة) وهى عبارة عن متغيرات تكوين خارجية ، ومجموعة بيانات كبيرة ، وخوارزمية دقيقة ومحددة جيدًا. كذلك قوة حوسبة قوية ، وتدريب غير منقطع على مجموعة التدريب والتحقق من بيانات الاختبار. يبدو أن هذا يتطلب الكثير من العمل ، وهو في الواقع أصعب مائة مرة مما يبدو.
إحدى الطرق التي يمكنك من خلالها تجنب القيام بكل العمل الشاق هي فقط باستخدام مزود خدمة. وهذا يمكنهم تدريب نماذج محددة للتعلم العميق باستخدام نماذج مدربة مسبقًا. يتم تدريبهم على ملايين الصور ويتم ضبطهم بدقة للحصول على أقصى قدر من الدقة. ولكن المشكلة الحقيقية هي أنهم يستمرون في إظهار الأخطاء وسيكافحون حقًا للوصول إلى مستوى الأداء البشري.
خامساً: خصوصية وأمان البيانات
العامل الرئيسي الذي تستند إليه جميع نماذج التعلم العميق والآلي هو توافر البيانات والموارد لتدريبها. نعم ، لدينا بيانات ، ولكن نظرًا لأن هذه البيانات يتم إنشاؤها من ملايين المستخدمين حول العالم ، فهناك فرص لاستخدام هذه البيانات لأغراض سيئة.
على سبيل المثال ، لنفترض أن مقدم الخدمة الطبية يقدم خدمات لمليون شخص في المدينة ، وبسبب هجوم إلكتروني ، تقع البيانات الشخصية لجميع المستخدمين المليون في أيدي كل شخص على شبكة الإنترنت المظلمة. تتضمن هذه البيانات بيانات حول الأمراض والمشكلات الصحية والتاريخ الطبي وغير ذلك الكثير. لجعل الأمور أسوأ ، نحن نتعامل الآن مع بيانات حجم الكوكب. مع هذا الكم الهائل من المعلومات المتدفقة من جميع الاتجاهات ، سيكون هناك بالتأكيد بعض حالات تسرب البيانات التي تمثل أحد أخطر تحديات الذكاء الاصطناعي.
بدأت بعض الشركات بالفعل في العمل بشكل مبتكر لتجاوز هذه الحواجز. علاوة على ذلك، يقوم بتدريب البيانات على الأجهزة الذكية ، وبالتالي لا يتم إرسالها مرة أخرى إلى الخوادم ، يتم إرسال النموذج المدرب فقط مرة أخرى إلى المؤسسة.
سادساً: مشكلة التحيز
تعتمد الطبيعة الجيدة أو السيئة لنظام الذكاء الاصطناعي على كمية البيانات التي يتم تدريبهم عليها. وبالتالي ، فإن القدرة على الحصول على بيانات جيدة هي الحل لأنظمة الذكاء الاصطناعي الجيدة في المستقبل. لكن في الواقع ، البيانات اليومية التي تجمعها المنظمات ضعيفة ولا تحمل أي أهمية خاصة بها.
إنها منحازة ، وتحدد بطريقة ما طبيعة ومواصفات عدد محدود من الأشخاص ذوي الاهتمامات المشتركة على أساس الدين ، والعرق ، والجنس ، والمجتمع ، وغيرها من التحيزات العرقية. كذلك لا يمكن إحداث التغيير الحقيقي إلا من خلال تحديد بعض الخوارزميات التي يمكنها تتبع هذه المشكلات بكفاءة.
سابعاً: ندرة البيانات وتحديات الذكاء الاصطناعي
نظرًا لأن الشركات الكبرى مثل Google و Facebook و Apple تواجه رسومًا تتعلق بالاستخدام غير الأخلاقي لبيانات المستخدم التي تم إنشاؤها ، تستخدم دول مختلفة مثل الهند قواعد تقنية معلومات صارمة لتقييد التدفق. وبالتالي ، تواجه هذه الشركات الآن مشكلة استخدام البيانات المحلية لتطوير التطبيقات للعالم ، وهذا من شأنه أن يؤدي إلى التحيز ويصبح أحد تحديات الذكاء الاصطناعي.
تعد البيانات جانبًا مهمًا جدًا من جوانب الذكاء الاصطناعي ، ويتم استخدام البيانات المصنفة لتدريب الآلات على التعلم والتنبؤ. تحاول بعض الشركات ابتكار منهجيات جديدة وتركز على إنشاء نماذج ذكاء اصطناعي يمكن أن تعطي نتائج دقيقة على الرغم من ندرة البيانات. مع المعلومات المتحيزة ، يمكن أن يصبح النظام بأكمله معيبًا.
كيف يمكن للذكاء الاصطناعي تحسين الأعمال في السنوات القادمة؟
استثمرت الشركات الكبيرة مثل Apple و Google بشكل كبير في تطوير الذكاء الاصطناعي. بخلاف تلك الشركات ، كثيرًا ما يتم استخدام الذكاء الاصطناعي في قطاعات أخرى ، بما في ذلك التصنيع والتعليم وتجارة التجزئة والرعاية الصحية.
تنتج كل هذه الشركات كميات هائلة من البيانات كل يوم ، ولكن نادرًا ما يستخدم الذكاء الاصطناعي لتحليل مجموعات البيانات الضخمة واستخلاص النتائج من هذه الأنماط والميزات لتلك البيانات. السؤال الرئيسي هو ، لماذا القضية بارزة جدا؟ السبب في ذلك هو الافتقار إلى الوصول والفهم والقدرات. لقد قرأنا عن أهم مشاكل الذكاء الاصطناعي. نحن بحاجة إلى معرفة ما يمكن أن يسد الفجوة بين مشاكل الذكاء الاصطناعي تلك وربحية الشركة.
واحدة من أكبر تحديات الذكاء الاصطناعي هي أن موارد المعالجة المعقدة والمكلفة المطلوبة غير متوفرة لغالبية الشركات. بالإضافة إلى ذلك ، فإنهم يفتقرون إلى الوصول إلى خبرة الذكاء الاصطناعي الباهظة الثمن والندرة اللازمة لاستخدام هذه الموارد بفعالية.
اعتبارًا من عام 2022 ، استخدمت 37٪ من الشركات بالفعل خدمات الذكاء الاصطناعي وما زالت تفعل ذلك. وفقًا لدراسة ، ستربح صناعة الذكاء الاصطناعي 126 مليار دولار سنويًا بحلول عام 2025.
وفقًا لـ Forbes ، سيصبح الذكاء الاصطناعي صناعة بقيمة 15.7 تريليون دولار بحلول عام 2030 ، وستصل الاستثمارات إلى حوالي 500 مليار دولار بحلول عام 2024.
فيما يلي 3 طرق يمكن للذكاء الاصطناعي من خلالها المساعدة في توسيع نطاق الأعمال والتغلب تحديات الذكاء الاصطناعي المذكورة:
الطريقة الأولى: الاستفادة من تقنيات الذكاء الاصطناعي الموجودة بالفعل
لم تعد الشركات بحاجة إلى تدريب الذكاء الاصطناعي منذ البداية لأن هناك بالفعل الكثير من أعمال الذكاء الاصطناعي التي يتم إجراؤها على السحابة ، والتي تتوفر بشكل عام ، على عكس النماذج القديمة التي تعاني من مشاكل الذكاء الاصطناعي . يمكنهم الاستفادة من العمل المنجز بالفعل من قبل الشركات الأخرى. إنهم قادرون على تكييف تقنيات الذكاء الاصطناعي العاملة بالفعل لتناسب متطلباتهم الخاصة. لكنهم غير قادرين على القيام بذلك بدون واجهة سهلة الاستخدام وبديهية.
الطريقة الثانية: استمر في تحديث تقنيات الذكاء الاصطناعي بانتظام
التعلم والتحسين المستمر ممكن مع الذكاء الاصطناعي. هذا ما يجعلها شكلاً عبقريًا للتكنولوجيا. إذا كنت من مالكي Tesla ، فأنت تعلم ذلك لأن تحديث البرنامج الجديد متاح دائمًا. يحدث هذا بسبب وجود الملايين من سيارات Teslas على الطريق حاليًا ، وكلها تجمع البيانات التي يتم استخدامها يوميًا لتحسين كل سيارة.
مع الذكاء الاصطناعي ، هذا النوع من التعلم ومشاركة المعرفة مطلوب في جميع مجالات التطبيق والصناعات. سيساعدك التحسين المستمر للتكنولوجيا على الارتقاء بعملك بشكل لا مثيل له وأيضًا التغلب على مشكلات الذكاء الاصطناعي.
الطريقة الثالثة: الإستفادة من أحدث التقنيات
حتى لو كانت رائدة في ذلك الوقت ، فإن أساليب الذكاء الاصطناعي المستخدمة مؤخرًا لم تعد فعالة. هناك العديد من مشكلات الذكاء الاصطناعي في الذكاء الاصطناعي للنماذج القديمة. يتم دائمًا تطوير نماذج وشبكات عصبية جديدة ومحسّنة للذكاء الاصطناعي ، على غرار الطريقة التي يكتسب بها الأشخاص القدرات أثناء محاولتهم تعلم شيء جديد والنمو المستمر وإضافة مواهب جديدة طوال حياتهم.
ومع ذلك ، لكي يستفيد مستخدمو الذكاء الاصطناعي منها ، يلزم تصميم معالج جديد ونماذج برمجة يمكنها تنفيذ كل من خوارزميات الذكاء الاصطناعي وغير الذكاء الاصطناعي. سيبدأ عصر جديد من حلول الذكاء الاصطناعي الأكثر فائدة ومجدية اقتصاديًا في الظهور عبر مجموعة واسعة من حالات الاستخدام والقطاعات. سنكون قادرين قريبًا على تجاوز القيود الحالية على القوة والتعقيد والنفقات.
خاتمة الموضوع
على الرغم من أن تحديات الذكاء الاصطناعي هذه تبدو محبطة للغاية ومدمرة للبشرية ، من خلال الجهد الجماعي للناس ، يمكننا إحداث هذه التغييرات بشكل فعال للغاية. وفقًا لمايكروسوفت ، يتعين على الجيل القادم من المهندسين تطوير مهاراتهم في هذه التقنيات الجديدة المتطورة ليحظى بفرصة للعمل مع مؤسسات المستقبل. ومن أجل إعدادك ، تقدم upGrad برامج على هذه التقنيات المتطورة مع العديد من شركائنا. طالب يعمل في Google و Microsoft و Amazon و Visa والعديد من الشركات الأخرى التي يبلغ عددها 500 شركة.
الأسئلة الشائعة عن تحديات الذكاء الاصطناعي
( 1 ) ما هي خصوصية البيانات ومخاوف الأمان المتعلقة بالذكاء الاصطناعي؟
يعد توافر البيانات والموارد لتدريب نماذج التعلم العميق والآلة هو العامل الأكثر أهمية الذي يجب مراعاته. نعم ، لدينا بيانات ، ولكن نظرًا لأنه يتم إنشاؤها بواسطة ملايين المستخدمين حول العالم ، فهناك خطر من إساءة استخدامها. لنفترض أن مقدم الخدمة الطبية يخدم مليون شخص في المدينة ، وبسبب هجوم إلكتروني ، تقع جميع المعلومات الشخصية الخاصة بالمليون مستهلك في أيدي كل شخص على شبكة الإنترنت المظلمة.
يتضمن ذلك معلومات حول الأمراض والمشكلات الصحية والتاريخ الطبي والمزيد. لجعل الأمور أسوأ ، نحن الآن نتعامل مع معلومات حول حجم الكواكب. مع وجود الكثير من البيانات الواردة من جميع الجهات ، فمن شبه المؤكد أنه سيكون هناك بعض تسرب البيانات.
( 2 ) ماذا تفهم عن مشكلة “التحيز”؟
تحدد كمية البيانات المستخدمة لتدريب نظام الذكاء الاصطناعي ما إذا كانت جيدة أم سيئة وأحدى تحديات الذكاء الاصطناعي. نتيجة لذلك ، في المستقبل ، ستكون القدرة على الحصول على بيانات جيدة هي المفتاح لتطوير أنظمة ذكاء اصطناعي جيدة. ومع ذلك ، فإن البيانات التي تجمعها المنظمات على أساس يومي ضعيفة وليس لها معنى كبير في حد ذاتها. إنهم متحيزون ، ولا يحددون سوى طبيعة وخصائص مجموعة صغيرة من الأفراد الذين يتشاركون مصالح مشتركة على أساس الدين ، والعرق ، والجنس ، والجوار ، وغيرها من التحيزات العرقية.
( 3 ) ما مقدار قوة الحوسبة التي يحتاجها الذكاء الاصطناعي؟
يتم إيقاف تشغيل معظم المطورين بسبب كمية الطاقة التي تستهلكها هذه الخوارزميات المتعطشة للطاقة. يعد التعلم الآلي والتعلم العميق من أسس الذكاء الاصطناعي. ولكن يتطلبان عددًا متزايدًا من المعالجات ووحدات معالجة الرسومات لتعمل بشكل جيد. إنها تستلزم قدرة معالجة الحواسيب العملاقة ، لكن الحواسيب العملاقة ليست رخيصة الثمن. على الرغم من أن توفر الحوسبة السحابية وأنظمة المعالجة المتوازية يسمح للمهندسين بالعمل بشكل أكثر نجاحًا على أنظمة الذكاء الاصطناعي ، إلا أنها مكلفة.