نموذج الانتشار المتغير المشروط (CVDM) يستفيد من الذكاء الاصطناعي لحل "المشكلات العكسية"

يُمثل هذا الأسبوع إنجازًا هامًا في تطوير الذكاء الاصطناعي، حيث كشف فريق من الباحثين عن نموذج انتشار جديد يُمكن أن يُقلل من تكاليف برمجة الذكاء الاصطناعي، ويُحسّن الأداء، ويُمهد الطريق لمزيد من الابتكارات. إليكم كيف استخدم المهندسون الذكاء الاصطناعي للمساعدة في إنشاء نموذج الانتشار المتغير الشرطي (CVDM) وما يعنيه للمستقبل.

نموذج الانتشار المتغير المشروط هو مفتوح المصدر بروتوكول من المقرر أن تكون في مركز الصدارة في المؤتمر الدولي القادم لتمثيلات التعلم (ICLR). هنا، سيتلقى المطورون أسئلة من الجمهور فيما يتعلق بكيفية مساعدة حالة البرمجة هذه لأنظمة التعلم العميق على تحسين الأداء وقابلية التوسع والاستدامة.

الباحثون يحققون اختراقًا في CVDM

يأتي الباحثون المسؤولون عن تطوير واختبار CVDM من مركز فهم الأنظمة المتقدمة (CASUS) في مركز هيلمهولتز دريسدن-روسندورف. وقد عملوا بشكل وثيق مع باحثين من إمبريال كوليدج لندن وكلية لندن الجامعية لتحقيق هذا المفهوم. إليكم لماذا يمكن لجهودهم أن تُحدث فرقًا في العالم.

المصدر – لينكدإن

يعتقد فريق البحث أن ابتكارهم سيساعد في الدخول في عصر جديد من برمجة الذكاء الاصطناعي. أثناء مناقشة نهج البرمجة الجديد، تحدث غابرييل ديلا ماجيورا، طالب الدكتوراه في CASUS والمؤلف الرئيسي لورقة ICLR، عن كيف تمكنك هذه الأنظمة من "رؤية أكثر مما تراه العين".

كما علق الدكتور أرتور ياكيموفيتش، مؤلف ورقة ICLR، على كفاءة نماذج التدريب الحالية على الانتشار وكيف سيساعد التحديث في معالجة هذه المشكلات. وتحدث أيضًا عن كيف أن عمليات التشغيل غير المنتجة تجعل نماذج نشر البرمجة باهظة الثمن وكيف يساعد CVDM في حل هذه المشكلات.

ما هي المشاكل العكسية؟

لفهم أهمية CVDM بشكل كامل، من الضروري أن نفهم ما هي المشاكل العكسية، ودورها في الذكاء الاصطناعي، وكيف تساعد في كشف أسرار العلم غير المرئية. تعمل هذه المعادلات الرياضية على عكس الملاحظات الهندسية لتحديد الأسباب الجذرية. ومن خلال حساب العوامل السببية المرئية، يمكن تحديد المتغيرات غير المعروفة وغير المرئية. وعلى هذا النحو، فقد استخدمت العديد من أعظم الاكتشافات على الإطلاق هذه الطريقة بنجاح.

أمثلة على حل المشكلات العكسية

قد تبدو المسائل العكسية طريقة غريبة لحل المسائل، لكنها فعّالة للغاية في تحديد العوامل الخفية. على سبيل المثال، قد يستخدم عالم فلك مجال الجاذبية لتحديد كتلة جسم بعيد جدًا يصعب قياسه. يمكن للباحث مقارنة مجال الجاذبية بمجالات أخرى لإيجاد الكتلة الحقيقية للجسم.

تحويلات الألوان

مثال آخر أقرب بكثير إلى المنزل هو استخدام الحل العكسي للمشكلات لتلوين الفيديو بالأبيض والأسود. تحظى مقاطع الفيديو التاريخية الملونة بشعبية كبيرة هذه الأيام لأنها تعطي لمحة أوضح عن الماضي. تستخدم إجراءات التلوين هذه حلولًا عكسية لحل المشكلات.

يبدأون بتحديد الظل الموجود على الصورة بالأبيض والأسود والذي يترجم إلى الألوان بناءً على الأمثلة التي تمت مراجعتها وتحويلها مسبقًا. ومن هناك، تنتهي هذه الأنظمة بعدد قليل من الخيارات. يرجع الاختيار إلى أن بعض الألوان لها نفس الظل عند تحويلها إلى الأسود والأبيض.

سيحدد النظام بعد ذلك اللون الأكثر ملاءمة للمشهد. على سبيل المثال، قد يبدو اللون الأزرق والأحمر متماثلين عند التحويل. ومع ذلك، فإن نظام الترميم سيلاحظ أن الماء يجب أن يكون أزرق والنار أحمر. وعلى هذا النحو، يمكن استخدام هذه المراجع لتحديد أفضل الخيارات.

بصريات

ويمكن تطبيق هذا النهج نفسه على البصريات مثل التلسكوبات أو المجاهر. يمكن للباحثين برمجة بعض المعلمات المتوقعة مسبقًا باستخدام المعادلات الرياضية. على سبيل المثال، يمكن للشركة المصنعة إعداد الذكاء الاصطناعي للصورة لتحديد أفضل الإعدادات بناءً على كيفية تباينك مع الخلفية.

يمكن للأنظمة الرجوع إلى مجموعة من الصور المتميزة ومعرفة كيفية ضبط التباين. ومن هناك، يمكنه استخدام هذه الصور لتحديد أفضل السبل لتنظيف الصورة المعروضة.

أنظمة الرادار

تعد أنظمة الرادار مثالًا رئيسيًا على الحل العكسي للمشكلات. أبراج الرادار تبث موجات في الهواء. ترتد هذه الموجات إلى أجهزة الاستقبال عندما تصطدم بعنصر ما. يتم استخدام توقيع الرادار وتوقيت انكسار موجة الرادار لتحديد نوع المركبة واتجاهها والبيانات الحيوية الأخرى.

قضايا حل المشكلات العكسية

حل المشكلات العكسي ليس سوى إحدى الأدوات التي يستخدمها الباحثون للمساعدة في كشف الأسرار الخفية. إنه فعال للغاية، ولكنه ليس مثاليًا. له بعض العيوب. على سبيل المثال، قد يتطلب حل المشكلات العكسي حل معادلات رياضية معقدة وغالبًا ما تكون غير مكتملة.

قد تكون بعض العوامل المقيدة لهذا النهج هي البيانات المفقودة، والنتائج المربكة، والكثير من الضوضاء العشوائية. تزيد هذه الأحداث من عبء العمل وتجعل تحديد الحل الأفضل أمرًا مربكًا. ولحسن الحظ، تستمر التطورات في الذكاء الاصطناعي في إعادة تشكيل القطاع وتحسين الكفاءة.

أدخل الذكاء الاصطناعي التوليدي

تُظهر أنظمة الذكاء الاصطناعي التوليدية قوة هذه التكنولوجيا. توفر الأنظمة الأساسية مثل ChatGPT أو Stable Diffusion للمستخدمين إمكانية الوصول المباشر إلى أنظمة الذكاء الاصطناعي التوليدية المتقدمة. تم تصميم هذه البروتوكولات للإشارة إلى التوزيع الأساسي للبيانات لتحديد الحلول المثالية. يمكن برمجة الذكاء الاصطناعي التوليدي باستخدام العديد من الطرق المختلفة، ولكن إحدى أقوى هذه الطرق هي طريقة تسمى الانتشار.

ما هي نماذج الانتشار؟

يقترب الذكاء الاصطناعي القائم على نموذج الانتشار من مرحلة البرمجة بشكل مختلف قليلاً عن الطرق الأخرى. سيأخذ هذا النمط من الذكاء الاصطناعي التوليدي مجموعة بيانات ويطبق عليها ضوضاء غاوسية حتى تصبح عشوائية. بعد ذلك، سيقوم النظام بمسح مجموعة البيانات للعثور على أوجه التشابه مثل ترتيبات البكسل الشائعة وغير الشائعة في صور التدريب.

تبدأ هذه النماذج بعد ذلك بإعادة بناء صورة من التشويش من خلال إيجاد بيانات مطابقة لمجموعة البيانات، ولكنها مختلفة عنها. تُدمج كل قطعة بيانات لإنشاء مجموعة بيانات تتوافق مع المكتبات. هذا هو أسلوب الانتشار المُستخدم في مُولّدات الصور المتقدمة مثل DALL-E 2.

العيوب الرئيسية للانتشار

أكبر عيب في الذكاء الاصطناعي القائم على نموذج الانتشار هو الهدر. عندما يتعين عليك إحداث ضجيج، سيكون هناك الكثير من الحلول غير القابلة للاستخدام أو غير الصحيحة أو التي لا معنى لها. يمكن أن تتراكم هذه الجهود الضائعة مع استخدام القوة الحسابية في كل خطوة. بالإضافة إلى ذلك، فإنها تضيف إلى الوقت اللازم للذكاء الاصطناعي المصمم لنشر البرنامج.

ضوضاء

مصدر القلق الرئيسي الآخر لهذه الأنظمة هو إضافة الضوضاء. تتطلب إضافة الضوضاء إلى الأنظمة الكثير من المهارات الرياضية. إذا أضفت الكثير أو القليل جدًا، فقد يؤثر ذلك على النتائج. بالإضافة إلى ذلك، التوقيت هو عامل. إن إضافة الضوضاء في الوقت الخطأ سيؤدي أيضًا إلى التخلص من النتائج.

جعلت هذه المتطلبات إنشاء نماذج الانتشار وتحسينها من الصفر أمرًا مكلفًا للغاية. ولحسن الحظ، يعمل نموذج CVDM على تحسين الكفاءة من خلال القضاء على الكثير من الجهد الضائع عند البرمجة. هذه التحسينات جعلت الكثيرين في صناعة الذكاء الاصطناعي متحمسين للتخلي عن نهج التجربة والخطأ والتوجه إلى شيء أكثر كفاءة.

نموذج الانتشار المتغير المشروط (CVDM)

يسعى CVDM إلى تقليل تكاليف البرمجة عن طريق خفض المتطلبات الحسابية لنماذج الانتشار. لقد تم بالفعل اختبار البروتوكول مفتوح المصدر وأظهر نتائج إيجابية مقارنة باستراتيجيات النمذجة التقليدية. يوفر CVDM المزيد من المرونة وينتج نتائج مماثلة إن لم تكن أفضل للمستخدمين.

مرحلة التدريب على CVDM

إحدى مزايا CVDM هي أنه يقلل من تكاليف التدريب بشكل كبير. وقد أنجز الباحثون هذه المهمة من خلال تمكين الذكاء الاصطناعي من تحديد أفضل إجراءات التدريب. أدى هذا النهج إلى خفض التكاليف وعبء العمل لتنفيذ هذه الأنظمة. كما أنها أزالت أي خطأ بشري وضمنت ضخ الضوضاء بشكل مناسب.

مرحلة اختبار CVDM

قدم الاختبار على CVDM بعض النتائج المثيرة للاهتمام. قرر الباحثون تطبيق النموذج على الصور المجهرية. بشكل أساسي، أرادوا أن يروا كيف يمكن للذكاء الاصطناعي أن يساعد في حل مشكلة الانحرافات. الحيود هو مصطلح يشير إلى القيود المفروضة على البصريات. يمكنك التفكير في الوقت الذي تتحول فيه الكاميرا من التكبير البصري إلى التكبير الرقمي للحصول على جودة أفضل كمثال مشابه.

لقد بدأوا بتغذية صور الذكاء الاصطناعي عالية الدقة التي تشبه ما يمكن أن يرونه إذا نظروا إلى العنصر باستخدام بصريات عالية الطاقة. قام نظامهم بإزالة كل التشويش من هذه الصور واحتفظ بالحلول المثالية. مكنت هذه الصور الذكاء الاصطناعي من التقاط صور في الوقت الفعلي يتم تغذيتها به من المجهر وإعادة بناء صور عالية الدقة.

من المثير للإعجاب أن نموذج CVDM تطلب برمجة أقل بكثير لتحقيق نتائج مماثلة. هذا النهج يُقلل من هدر الوقت في معادلة البرمجة، ولا يُطيل زمن التطوير. وبالتالي، يُمثل هذا الإنجاز نقلة نوعية في قطاع الذكاء الاصطناعي، ومن شأنه إحداث ثورة في العديد من الأسواق مستقبلًا.

تطبيقات CVDM

تعتمد العديد من الصناعات على أنظمة الذكاء الاصطناعي المنتشرة لتحسين منتجاتها وخدماتها. يمكن لهذه الأنظمة يومًا ما تحسين العديد من الصناعات، بما في ذلك البصريات، والرادار، ونظرية الاتصالات، والصوتيات، ومعالجة الإشارات، والصور الطبية، وعلم المحيطات، وعلم الفلك، ومعالجة اللغات، وتسلسل الحمض النووي، وغيرها الكثير.

قطاع الرعاية الصحية

أحد التطبيقات الجادة لنظام CVDM هو في مجال الرعاية الصحية. يمكن أن تساعد هذه التكنولوجيا في خفض تكاليف برمجة الذكاء الاصطناعي الرعاية الصحية الأنظمة قريبا جدا ويمكن تعظيم هذه الوفورات والكفاءة الإضافية ودمجها مع تقنيات ومواد تصنيع جديدة لإنشاء حلول دائمة ومنخفضة التكلفة.

علم المحيطات

يُفاجأ الكثيرون عندما يعلمون أن حوالي 7% فقط من قاع المحيط مُرَسَّم. حتى وقت قريب، لم تكن التكنولوجيا اللازمة للحصول على رؤية واضحة للقاع موجودة. ومع ذلك، ساهمت التطورات في السونار والذكاء الاصطناعي في الارتقاء بعلم المحيطات إلى مستوى جديد كليًا.

الشركات التي يمكن أن تستفيد من CVDM

هناك قائمة طويلة من الشركات التي تعتمد حاليًا على الذكاء الاصطناعي التوليدي للقيام بالمهام الأساسية أو تقديم منتجات فريدة للسوق. وستشهد هذه الشركات تكاليف تشغيل أقل ونتائج أفضل، مما سيساعد في دفع الابتكار باستخدام نهج CVDM.

في كل قطاع تقريبًا، هناك استخدامات متعددة لأدوات الذكاء الاصطناعي التوليدي CVDM. العائق الحقيقي ليس التكنولوجيا، بل القدرة على دمجها بطريقة فعالة من حيث التكلفة تُضيف قيمة حقيقية للمنتجات. إليكم بعض الشركات التي نجحت في تحقيق هذه المهمة.

1. إستي لودر

أصبح وضع المكياج أكثر ذكاءً بفضل مساعد إستي لودر الجديد. يستخدم هذا النظام نظام ذكاء اصطناعي صوتي لمساعدة من يعانين من مشاكل في الرؤية على وضع المكياج بشكل صحيح. يمكن للمستخدمين مسح وجوههم، ويوفر مزيج من الذكاء الاصطناعي والواقع المعزز إرشاداتٍ حول كيفية وضع المكياج.

The Estée Lauder Companies Inc. (EL -2.25٪)

يمكن لنظام إستي لودر الاستفادة من نموذج CVDM لتوفير خيارات أكثر وتحسين الاستجابة لهؤلاء الأفراد. ويتماشى هذا النهج مع رغبة الشركة في أن تكون واحدة من أكثر شركات التجميل شمولاً وتنوعاً على مستوى العالم.

2. أحادي النجم

شركة أخرى يمكنها استخدام تقنية CVDM لتحسين عروضها هي Unistellar. تقدم شركة التلسكوب هذه مجموعة من الحلول التي تعمل بالذكاء الاصطناعي. تتصل هذه الأجهزة مباشرة بهاتفك الذكي وتأتي محملة مسبقًا بالكثير من بيانات الذكاء الاصطناعي. والجدير بالذكر أن هاتفك يعمل كوحدة تحكم. يمكنك استخدامه لمسح سماء الليل وتظهر الصور على هاتفك الذكي مع معلومات إضافية.

ومن المثير للإعجاب أن النظام يمكنه تحديد 37 مليون نجم وأكثر من 5 آلاف من الأجرام السماوية. تستخدم Unistellar الذكاء الاصطناعي المنتشر للمساعدة في تحسين جودة الصورة. تتطلب هذه الأنظمة الكثير من التدريب الذي يمكن تقليله يومًا ما باستخدام CVDMs. في الوقت الحالي، يمكنك الحصول على تلسكوب يعمل بالذكاء الاصطناعي مقابل 2500 دولار والتعرف على السماء.

زخم الذكاء الاصطناعي في صعود

يسلط هذا التطور الأخير الضوء على الطبيعة الإبداعية لتطوير الذكاء الاصطناعي وسعيه الذي لا ينتهي لتحسين الكفاءة. من المنطقي أن يساعد الذكاء الاصطناعي في برمجة نفسه لأنه يبسط العملية بشكل كبير. تسمح CVDMs للبشر بتحريك الكرة بينما يعمل الذكاء الاصطناعي على تسريعها. وبهذه الطريقة، فإنها توفر حلاً فعالاً يمكن تطبيقه عبر مجموعة كبيرة من الصناعات.

CVDM هو مغير قواعد اللعبة

من المؤكد أن إدخال CVDMs سيكون له تأثير على السوق. ستعمل هذه البروتوكولات على خفض تكاليف البرمجة والوقت الذي قد يعادل المزيد من الوصول وحلول الذكاء الاصطناعي الأفضل في المستقبل. في الوقت الحالي، عليك أن تعطيه للفريق الذي يقف وراء مشروع CVDM لأنه يتمتع بإمكانيات صعودية ممتازة.