الذكاء الاصطناعي الدقيق: عندما لا تكون الإجابات التقريبية كافية
في الحلقة 12 من برنامج «Tech Command Investing»، أتحدث مع يوهانس فالدشتاين، المؤسس المشارك والرئيس التنفيذي لشركة PiLogic، لاستكشاف نهج مختلف في مجال الذكاء الاصطناعي (AI): ذكاء يتميز بالدقة الرياضية ويسترشد بخبرات المتخصصين، مصمم للحالات التي لا تكفي فيها الإجابات التقريبية والنتائج الخاطئة.
في الوقت الذي يستمر فيه الاستثمار في مجال الذكاء الاصطناعي في التركيز على النماذج الأكبر حجمًا، والبيانات الأكثر، وقدرة الحوسبة الأكبر، تسلك شركة PiLogic مسارًا مختلفًا.
وقد صُممت نماذجها لتقوم بالاستدلال بدقة، وتعمل في غضون أجزاء من الألف من الثانية، وتُشغَّل على مستوى الحافة، بما في ذلك البيئات التي تكون فيها موارد الحوسبة محدودة للغاية، وحيث قد تكون عواقب اتخاذ قرار خاطئ جسيمة.
🎧 استمع الآن:
| Amazon Music | Spotify | Apple Podcasts | YouTube | Audible |
يكون هذا التمييز بالغ الأهمية عندما يتم تطبيق الذكاء الاصطناعي على أنظمة لا يمكنها الاكتفاء بأن تكون «صحيحة على الأرجح».
قد تولد المركبة الفضائية أو المنصة الدفاعية أو الطائرة أو أي نظام آخر ذي أهمية حاسمة للمهمة كميات هائلة من المعلومات المستمدة من أجهزة الاستشعار أثناء عملها في بيئات تتسم بوجود تشويش في الإشارات أو عدم اكتمالها أو تضاربها. وفي هذه الحالات، لا يكفي أن يكتفي نظام الذكاء الاصطناعي بتحديد إجابة محتملة فحسب، بل يتعين عليه أن يستنتج ما يحدث فعليًّا.
ويستند نهج PiLogic إلى هذا المبدأ.
بدلاً من الاعتماد على نموذج عام الغرض للتنبؤ بالاستجابة الأكثر احتمالاً، تجمع PiLogic بين المعرفة المتخصصة والنماذج الرياضية والاستدلال الاحتمالي لفهم السلوك الأساسي للنظام.
توضح الشرائح المصاحبة هذا التمييز من خلال المقارنة بين الذكاء الاصطناعي التوليدي ونهج PiLogic في الذكاء الاصطناعي الدقيق. ففي حين أن النماذج التوليدية مصممة لإنتاج إجابات معقولة استنادًا إلى الأنماط الموجودة في مجموعات البيانات الضخمة، فإن نماذج PiLogic مصممة لحساب الاحتمالات والاستدلال بشأن النظام الفيزيائي نفسه.
التفكير المنطقي في الحالات التي لا يمكن فيها الوثوق بأجهزة الاستشعار
يُعد عدم اليقين أحد التحديات الرئيسية التي نوقشت في هذه الحلقة.
لا توفر أجهزة الاستشعار دائمًا معلومات دقيقة أو موثوقة. فقد تتقلب القراءات الفردية، أو تتعارض مع بعضها البعض، أو تتأثر بالتداخلات. وقد تواجه القواعد والعتبات التقليدية صعوبات في مثل هذه الحالات، لأن قراءة واحدة قد تؤدي إلى استنتاج خاطئ.
تستخدم PiLogic الاستدلال البايزي لتناول المشكلة بطريقة مختلفة.
من خلال الجمع بين أدلة متعددة، يمكن للنظام تحديث فهمه لما يحدث بشكل مستمر. وبدلاً من التعامل مع قراءة كل مستشعر على حدة، يقوم النظام بالاستدلال على نطاق النظام الأوسع لتحديد التفسير الذي يتناسب بشكل أفضل مع الأدلة المتاحة.
يوضح العرض التوضيحي هذا الأمر من خلال تشبيه بسيط يتعلق بقصص التحريات الجنائية، قبل تطبيق المبدأ الرياضي نفسه على نظام الأقمار الصناعية: فمع وصول أدلة جديدة، يتغير احتمال صحة التفسيرات المختلفة.
ويكتسب هذا الأمر أهمية خاصة عندما يتعرض النظام لعطل.
بدلاً من الاكتفاء بالإبلاغ عن وجود خلل، يمكن لنهج PiLogic تحديد السبب المحتمل وتقديم استجابة قابلة للتنفيذ. في المثال المعروض في شريط العروض، ينتقل النظام من مرحلة اكتشاف الخلل إلى تحديد عطل محتمل في أحد المكونات، ثم التوصية بسلسلة من الإجراءات.
ويُعد هذا الفرق بين الكشف والتشخيص واتخاذ الإجراءات عاملاً أساسياً في قيمة الذكاء الاصطناعي الدقيق.
الذكاء الاصطناعي في الحافة
ولعل إحدى النقاط الأكثر لفتًا للانتباه في هذه الحلقة هي حجم النماذج.
في حين أن جزءًا كبيرًا من المشهد الحالي للذكاء الاصطناعي يقوم على نماذج متزايدة الحجم وبنية تحتية حاسوبية ضخمة، فإن نماذج PiLogic يمكن قياسها بالكيلوبايت بدلاً من الجيجابايت.
وهذا يغير بشكل جذري المجالات التي يمكن للذكاء الاصطناعي أن يعمل فيها.
يمكن تشغيل النماذج التي لا تتطلب سوى موارد حوسبة محدودة للغاية مباشرةً على أجهزة ذات قدرات محدودة، مما يقلل من الاعتماد على المعالجة عن بُعد ويسمح بتشغيل الأنظمة الذكية في مكان أقرب إلى النظام الخاضع للمراقبة.
بالنسبة للمركبات الفضائية والبيئات الطرفية الأخرى، قد يكون هذا الأمر ذا قيمة خاصة. فقد تكون وسائل الاتصال محدودة، وقد يكون زمن الاستجابة عاملاً مهمًا، وقد لا يكون إرسال كل بيانات أجهزة الاستشعار الأولية إلى الأرض أمرًا عمليًّا.
وبالتالي، فإن القدرة على التفكير محليًّا، في غضون أجزاء من الألف من الثانية، يمكن أن تصبح قدرة مهمة بدلاً من أن تكون مجرد ميزة برمجية.
من الرعاية الصحية عبر الأقمار الصناعية إلى البيئات المتنازع عليها
وتتجاوز الآثار المترتبة على ذلك مجرد سلامة المركبة الفضائية.
ويمكن تطبيق المبادئ نفسها في أي مكان تحتاج فيه الأنظمة إلى استخلاص المعنى من معلومات مشوشة أو غير مكتملة. ويشمل ذلك البيئات المتأثرة بالتداخل والتشويش على نظام تحديد المواقع العالمي (GPS) ، حيث قد تصبح أساليب التتبع التقليدية أقل موثوقية.
يُبرز عرض الشرائح الخاص بالحلقة 12 هذا الأمر من خلال مقارنة بين تصفية كالمان التقليدية ونهج الاستدلال الدقيق الذي تتبعه PiLogic. ولا ينصب التركيز هنا على مجرد تلقي المزيد من بيانات أجهزة الاستشعار فحسب، بل على استخلاص معلومات أكثر موثوقية من البيانات المتوفرة بالفعل.
وهذا يفتح الباب أمام تحسين محتمل للأنظمة الحالية يعتمد على البرمجيات: فبدلاً من استبدال كل جهاز استشعار، يمكن لطبقة ذكية أن تحسّن طريقة تفسير قراءات تلك الأجهزة.
من حالة استخدام رأسية إلى طبقة ذكاء
كما أن هذه الفرصة تتجاوز مجالي الفضاء والدفاع.
وتكمن الإمكانات الأوسع نطاقاً لهذا النهج في مجال البنية التحتية في تطبيق نفس التكنولوجيا الذكية الأساسية على قطاعات مختلفة تكتسب فيها المعلومات الطيفية والتحديد الدقيق أهمية كبيرة. وتشير هذه السلسلة من التطبيقات إلى مجالات تشمل الدفاع، والكشف عن المواد الكيميائية والبيولوجية والإشعاعية والنووية (CBRN)، والرصد البيئي، وإدارة المياه، ومراقبة الجودة الصناعية، والتحقق من أصالة الأحجار الكريمة، وسلاسل توريد الأغذية والمشروبات.
ويوضح هذا سمة مهمة من سمات منصات التكنولوجيا المتطورة: فالتكنولوجيا التي تُطوَّر لحل مشكلة صعبة واحدة يمكن أن تصبح بنية تحتية لعدة أسواق عندما تكون القدرة الأساسية التي تستند إليها قابلة للتطبيق على نطاق واسع.
كلما زاد عدد الأنظمة التي تستخدم طبقة الذكاء، زادت إمكانية اندماج هذه التكنولوجيا في سير العمل التشغيلي بدلاً من أن تظل تطبيقاً مستقلاً.
وبالنسبة للمستثمرين، فإن هذا يشكل تباينًا مثيرًا للاهتمام مع الرواية السائدة حول الذكاء الاصطناعي.
لن يتم تحديد الجيل القادم من الذكاء الاصطناعي بالضرورة من خلال نماذج أكبر حجمًا. ففي بعض البيئات الأكثر تطلبًا، قد تكون التكنولوجيا الفائزة هي تلك التي تتميز بصغر حجمها وسرعتها وقابليتها للتفسير، والتي صُممت خصيصًا لمعالجة المشكلة المطروحة.
الوجبات الرئيسية
الذكاء الاصطناعي الدقيق للبيئات ذات المخاطر العالية
تتطلب الأنظمة الحيوية ذكاءً قادراً على الاستدلال انطلاقاً من سلوك النظام والفيزياء الكامنة وراءه، بدلاً من مجرد توليد إجابات معقولة.
التفكير في ظل حالة عدم اليقين
يتيح الاستدلال البايزي لـ PiLogic دمج الأدلة الواردة من أجهزة استشعار متعددة وتحديث فهمها باستمرار عندما تكون البيانات مشوشة أو غير كاملة أو متضاربة.
من الكشف إلى التشخيص
بدلاً من الاكتفاء بالإشارة إلى وجود خلل ما، يمكن للتحليل المنطقي الدقيق تحديد الأسباب المحتملة ودعم اتخاذ إجراءات عملية.
كيلوبايت، وليس جيجابايت
صُممت نماذج PiLogic خفيفة الوزن لتعمل بموارد حاسوبية محدودة للغاية، مما يجعلها مناسبة لبيئات الحافة مثل المركبات الفضائية.
المرونة في البيئات المتنازع عليها
يمكن أن يساعد تحسين عملية الاستدلال الأنظمة على الحفاظ على موثوقية أكبر في التتبع واتخاذ القرارات عندما تتعرض أجهزة الاستشعار لضعف في الأداء أو للتشويش على نظام تحديد المواقع العالمي (GPS).
نموذج مختلف للذكاء الاصطناعي
قد لا يقتصر مستقبل الذكاء الاصطناعي على مجرد نماذج أكبر وقدرات حاسوبية أعلى، بل قد يتعلق بمطابقة الشكل المناسب من الذكاء مع النتائج والقيود الخاصة بكل مشكلة.
السؤال الأساسي الذي يطرحه الحلقة 12 ليس ما إذا كان بإمكان الذكاء الاصطناعي التوصل إلى إجابة أم لا.
السؤال هو: هل يمكن للذكاء الاصطناعي أن يقدم الإجابة الصحيحة، ويشرح سبب ذلك، ويقوم بذلك بسرعة كافية لتكون له أهمية؟
فيما يتعلق بمنشور على وسائل التواصل الاجتماعي أو تطبيق إبداعي، قد يكون الجواب التقريبي مقبولاً. أما بالنسبة للأقمار الصناعية أو الطائرات أو أنظمة الدفاع، فقد لا يكون كذلك.
يُظهر نهج PiLogic اتجاهًا آخر في مجال الذكاء الاصطناعي: نماذج أصغر حجمًا، ورياضيات دقيقة، ومعرفة متخصصة، وعملية استدلال مصممة لبيئات لا مفر فيها من عدم اليقين، لكن الإجابات غير الموثوقة فيها ليست خيارًا مقبولًا.
لذلك، قد لا يقتصر مستقبل الذكاء الاصطناعي على النماذج الأكبر حجمًا فحسب، بل يشمل أيضًا أنظمة الذكاء التي تدرك متى تكون الدقة أكثر أهمية من الحجم.
الاستثمار في الشركات الأوروبية المبتكرة في مجال المنتجات ذات الاستخدام المزدوج
في «كاريستا»، نعمل حالياً على جمع أموال لصندوق «K Tech II» الجديد، الذي يركز على مجالات الدفاع والفضاء والأمن، ويدعم الرواد الذين يعملون على الربط بين الابتكارات المدنية والعسكرية بهدف تعزيز المرونة والسيادة.
