هل يمكن للذكاء الاصطناعي أن يتعلم قريبًا بدون إشراف بفضل تجميع العزم؟

الذكاء الاصطناعي المستقل تمامًا يقترب من الأفق بفضل عمل الباحثين المبتكرين من جامعة التكنولوجيا في سيدني (UTS). تتعمق دراستهم¹ في خوارزمية جديدة تُسمى تجميع العزم (Torque Clustering)، والتي تستلهم من التفاعلات الجاذبية التي تتشكل أثناء اندماج المجرات.

يمكن للطريقة الجديدة أن تُحدث ثورة في طريقة تعلم أنظمة الذكاء الاصطناعي، مُدخلةً عصرًا من الذكاء الاصطناعي المستقل الأكثر كفاءة. إليك كل ما تحتاج إلى معرفته.

الطرق الحالية للتعلم

الطريقة الحالية المستخدمة لتدريب غالبية بروتوكولات الذكاء الاصطناعي تعتمد على التعلم الخاضع للإشراف. قد تتطلب هذه التقنية من المشغلين البشريين قضاء آلاف الساعات في تسمية البيانات. تسمح البيانات الموسومة للذكاء الاصطناعي بتصنيف البيانات بشكل أفضل بناءً على قيمها.

قد لا تكون على علم، لكنك ربما ساعدت في تدريب أنظمة الذكاء الاصطناعي في الماضي. إذا سبق لك ملء اختبار captcha عند دخول موقع ويب لتأكيد أنك لست روبوتًا، فقد قمت بتسمية بيانات لأنظمة الذكاء الاصطناعي. تم استخدام هذه البيانات لإنشاء نماذج كبيرة يمكن لأنظمة الذكاء الاصطناعي البناء عليها.

روبوت مدعوم بالذكاء الاصطناعي

مشكلات تدريب الذكاء الاصطناعي اليوم

المشكلة الرئيسية في هذه الطريقة هي أنها تستغرق وقتًا طويلاً، مكلفة، ولا يمكن تكييفها مع البيانات الجديدة. تكلفة إنشاء نموذج جديد باستخدام هذه الطريقة أعلى بكثير مما لو كان بإمكانك ببساطة إخبار نظام الذكاء الاصطناعي أن يتعلم بشكل مستقل. بالإضافة إلى ذلك، تتطلب هذه الاستراتيجية من المطورين برمجة نماذج جديدة لكل نظام، مما يزيد من النفقات العامة لتوسيع مشاريع الذكاء الاصطناعي.

دراسة تجميع العزم

نشرت دراسة في المجلة العلمية IEEE Transactions on Pattern Analysis and Machine Intelligence بعنوان “التجميع المستقل عبر البحث السريع عن قمم الكتلة والمسافة” تقدم طريقة أكثر طبيعية لتعليم أنظمة الذكاء الاصطناعي.

تسمح هذه البروتوكولات بالتعرف على الأنماط بشكل مستقل من خلال تحليل هياكل البيانات دون الحاجة إلى مجموعات بيانات موسومة من قبل البشر. يمثل هذا النهج تقدمًا في التعلم غير الخاضع للإشراف، مما يقلل الاعتماد على البيانات الموسومة المكلفة.

تجميع العزم

الخوارزمية الجديدة للذكاء الاصطناعي تُسمى تجميع العزم (Torque Clustering)، ولديها القدرة على إحداث ثورة في السوق. مستوحاة من توازن العزم في التفاعلات الجاذبية عندما تندمج المجرات، تستخدم خاصيتين عالميتين—الكتلة والمسافة—لكشف الأنماط المعقدة. جعلت هذه القدرة تجميع العزم خوارزمية مطلوبة في مجالات البيولوجيا، علم النفس، المالية، الكيمياء، الفلك، والبحث الطبي.

التجميع

تشير فكرة التجميع إلى بروتوكول يجمع نقاط البيانات المتشابهة. عادةً ما يُستند هذا التجميع إلى سمة أساسية. وبالتالي، يلغي الحاجة إلى تسمية العناصر، مما يوفر المال والوقت والجهد.

يعمل التجميع على بعض المبادئ العامة. أولاً، ستندمج المجموعات مع أقرب جار لها إذا كان يمتلك كتلة أكبر. الاستثناء من هذه القاعدة هو إذا كان هناك مسافة كبيرة بينهما، أو إذا كان كلاهما يمتلك كتلة ضخمة جدًا تُعادل بعضها البعض.

الاندماجات غير الصحيحة

يمكن للخوارزمية اكتشاف وإزالة الاندماجات غير الصحيحة بشكل مستقل. تقوم بذلك عبر تحليل قمم الكتلة والمسافة لتحديد أكثر التجمعات طبيعية. العملية سريعة ولا تتطلب أي تدخل بشري، مما يعني أنها أكثر كفاءة في التشغيل.

اختبار تجميع العزم

شمل اختبار خوارزمية الذكاء الاصطناعي لتجميع العزم تطبيقها على 1,000 مجموعة بيانات متنوعة. تضمنت هذه المجموعات بيانات واقعية إلى جانب معلومات اصطناعية صُممت لاختبار قدرة الذكاء الاصطناعي على تحديد الأنماط. أجرى الباحثون مجموعة متنوعة من التجارب بنتائج متفاوتة.

نتائج اختبار تجميع العزم

قدمت اختبارات تجميع العزم بعض البيانات المثيرة للاهتمام. أولاً، أثبتت أن هذه الخوارزمية قادرة على التفوق على أساليب التعلم غير الخاضع للإشراف التقليدية. على وجه التحديد، سجل البروتوكول متوسط درجة 97.7٪ من المعلومات المتبادلة المعدلة (AMI)، والتي تُستخدم لقياس دقة التجميع. بالمقارنة، تحقق طرق التجميع الرائدة الأخرى عادةً درجات AMI في نطاق 80٪.

دراسة تجميع العزم

هناك العديد من الفوائد التي تجلبها هذه الدراسة إلى السوق. أولاً، المشروع بأكمله مفتوح المصدر، مما يعني أن المهندسين الآخرين يمكنهم التحقق منه والبناء على تقدمه. سيساعد هذا القرار في تعزيز أنظمة الذكاء الاصطناعي المستقلة بالكامل، الخالية من المعلمات، وعالية الأداء.

الكفاءة

طريقة برمجة الذكاء الاصطناعي لتجميع العزم أكثر كفاءة بكثير من سابقتها. تتيح للمهندسين تحليل مجموعات بيانات ضخمة بأقل جهد وتحسين النتائج. بالإضافة إلى ذلك، توفر خيارًا أكثر مرونة يمكنه التكيف مع تغير المتطلبات في الوقت الفعلي.

يُمكن تجميع العزم أي شخص من تحليل كميات هائلة من البيانات بشكل مستقل دون الحاجة إلى قضاء الوقت في تسمية جميع المعلومات يدويًا. هذا يقلل من عبء العمل والتكاليف. يمكن للبروتوكول تحديد المواقع تلقائيًا وتحديد التجمعات، وأنواع التجمعات الفريدة، والضوضاء، وكيفية تحسين عمليات البحث المستقبلية.

القابلية للتكيف

فائدة أخرى رئيسية هي مرونتها. يتيح تجميع العزم لأنظمة الذكاء الاصطناعي التكيف مع أنواع بيانات متنوعة وهياكل مختلفة دون معلمات محددة مسبقًا. مما يسمح للمهندسين بإنشاء تقنيات تجميع متقدمة أكثر يمكنها تحديد العناصر الأساسية دون أي تدخل بشري.

تطبيقات الذكاء الاصطناعي لتجميع العزم

هناك قائمة طويلة من التطبيقات لأنظمة الذكاء الاصطناعي لتجميع العزم، حيث يزداد الطلب على تقنيات التعلم غير الخاضع للإشراف المتقدمة في كل سوق تقريبًا. القدرة على توفير نظام يمكنه تنظيم البيانات بشكل مستقل هي ميزة كبيرة من المؤكد أنها ستثير اهتمام المستثمرين والشركات. إليك بعض التطبيقات الرئيسية الأخرى لهذه التقنية.

الروبوتات

يمكن لتجميع العزم دعم التطورات المستقبلية للذكاء الاصطناعي في مجال الروبوتات. قد تساعد هذه التقنية الروبوتات على معالجة البيانات بشكل أكثر كفاءة، وتحسين الحركة، وتعزيز قدرات اتخاذ القرار. رغم أنها لا تزال في مراحل البحث، إلا أن لديها القدرة على دعم الأتمتة المدعومة بالذكاء الاصطناعي في المستقبل.

المجال الطبي

يمكن لهذه التقنية أن تجد العديد من الاستخدامات المستقبلية في المجال الطبي. قدرتها على تحديد الأنماط الخفية قد تكون ذات قيمة في تشخيص الحالات وتحليل بيانات المرضى. ومع ذلك، لا يزال تطبيقها المباشر في الذكاء الاصطناعي الطبي الواقعي قيد الاستكشاف.

منع الاحتيال

استخدام ممتاز آخر لهذه التقنية هو اكتشاف الأنشطة الاحتيالية. من خلال تحليل مجموعات بيانات واسعة النطاق، يمكن للذكاء الاصطناعي الكشف عن أنماط الاحتيال الدقيقة في المعاملات المالية والأمن السيبراني.

فهم العقل البشري

يعتقد العديد من الباحثين أن هذه التقنية ستساعد الناس على فهم العقل البشري بشكل أفضل. يمكن استخدام أساليب التجميع غير الخاضعة للإشراف مثل هذه في تحليل السلوك والبحوث العصبية.

باحثو تجميع العزم

قادت هذه الدراسة باحثون من جامعة التكنولوجيا في سيدني (UTS). شارك جيه يانغ وتشين-تينغ لين في تأليف الدراسة. يسعى الفريق الآن لتوسيع جهوده إلى صناعات أخرى لتعزيز التقدم في تحليل البيانات المدعوم بالذكاء الاصطناعي.

قائد صناعي في موقع يضمن النجاح

تعتمد العديد من الشركات على أنظمة الذكاء الاصطناعي للتشغيل. قد تشهد هذه الشركات زيادة كبيرة في الإنتاجية مع تشغيل أنظمة الذكاء الاصطناعي ذات التعلم الذاتي. إليك شركة واحدة في موقع يمكنها الاستفادة من هذا التطور واستغلال بياناتها لضمان العوائد.

INTUITIVE Surgical Inc

دخلت شركة Intuitive Surgical Inc (ISRG ) السوق في عام 1995 لتحسين نتائج المرضى من الإجراءات الجراحية. رأى مؤسسوها، فريدريك ه. مول، جون جوردون فروند، وروبرت ج. يونغ، سوقًا متخصصة للروبوتات الجراحية الدقيقة.

منذ إطلاقها، حصلت الشركة على ملايين من التمويل وأطلقت عدة منتجات ثورية. بالإضافة إلى ذلك، حصلت Intuitive Surgical على عدة موافقات من إدارة الغذاء والدواء (FDA) على الروبوتات من الجيل التالي. تُعد أنظمة الجراحة دا فينشي (da Vinci) أشهر منتجاتها. يوفر هذا الجهاز مساعدة دقيقة للغاية، مما أدى إلى تكامل واسع النطاق عبر العديد من أنظمة المستشفيات.

على الرغم من ملاحقتها قضائيًا بسبب ممارسات احتكارية في عام 2021، لا تزال Intuitive Surgical رائدة في قسم الروبوتات المدعومة بالذكاء الاصطناعي. سيساعد تقديم عملية تدريب أسرع وأكثر دقة الشركة على تأمين إيرادات إضافية وفتح الباب لمزيد من سيناريوهات الاستخدام لمنتجاتها. وبالتالي، يظل ISRG “احتفاظًا” قويًا لمعظم المحللين.

مستقبل تعلم الذكاء الاصطناعي لتجميع العزم

مستقبل أساليب تجميع الذكاء الاصطناعي هو الاستقلالية في معالجة البيانات. من خلال تقليل الاعتماد على التعلم الخاضع للإشراف، يمثل تجميع العزم خطوة نحو التعرف على الأنماط المدفوعة بالذكاء الاصطناعي بشكل أكثر استقلالية. وبالتالي، يمكنك توقع أن يصبح التجميع غير الخاضع للإشراف أكثر شيوعًا مع تحسن التقنية.

في المستقبل، قد يلعب تجميع العزم دورًا مهمًا في تعزيز أنظمة الذكاء الاصطناعي في قطاعات متعددة، مُحسّنًا طريقة تنظيم الذكاء الاصطناعي للبيانات وتفسيرها بشكل مستقل.

تعرف على مشاريع الذكاء الاصطناعي الرائعة الأخرى الآن.

مرجع الدراسة:

^{1. Yang, J., & Lin, C.-T. (2025). التجميع المستقل عبر البحث السريع عن قمم الكتلة والمسافة. IEEE Transactions on Pattern Analysis and Machine Intelligence. https://doi.org/10.1109/TPAMI.2025.3535743}