أهم 7 تحديات في الذكاء الاصطناعي في عام 2022

هل سمعت عن نيورالينك من قبل؟ إنها شركة ناشئة ناشئة شارك في تأسيسها Elon Musk وتعمل على بعض التكامل الجاد للذكاء الاصطناعي مع جسم الإنسان. لقد طوروا شريحة تتكون من 96 خيطًا صغيرًا من البوليمر ، يحتوي كل منها على 32 قطبًا كهربائيًا ويمكن زرعها في الدماغ.

أعرف ما تفكر فيه: "هذا خيال علمي جاد" ، لكن الإجابة هي: لا. يحدث هذا في العالم الحقيقي وباستخدام هذا الجهاز ، ويمكنك توصيل عقلك بالأجهزة الإلكترونية اليومية دون حتى لمسها!

حان الوقت لبعض الأسئلة الجادة: هل هذا ضروري حقًا؟ هل سيكون ذلك مفيدا؟ هل نحن جاهزون لهذا النوع من التكنولوجيا؟ كيف ستؤثر على حياتنا في المستقبل؟ دعنا نتعرف على التحديات في الذكاء الاصطناعي.

انضم إلى دورة التعلم الآلي عبر الإنترنت من أفضل الجامعات في العالم - الماجستير ، وبرامج الدراسات العليا التنفيذية ، وبرنامج الشهادة المتقدم في ML & AI لتسريع حياتك المهنية.

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 ، فإن هذا يتعلق بالناتج الاقتصادي المشترك للصين والهند اعتبارًا من اليوم.

مع توقع العديد من الشركات أن استخدام الذكاء الاصطناعي يمكن أن يعزز إنتاجية الأعمال بنسبة تصل إلى 40٪ ، فقد تضخمت الزيادة الهائلة في عدد الشركات الناشئة في مجال الذكاء الاصطناعي 14 مرة منذ عام 2000. ويمكن أن يتراوح تطبيق الذكاء الاصطناعي بين تتبع الكويكبات والأجسام الكونية الأخرى في الفضاء للتنبؤ بالأمراض على الأرض ، واستكشاف طرق جديدة ومبتكرة للحد من الإرهاب لعمل الرسوم والنماذج الصناعية.

أهم التحديات الشائعة في الذكاء الاصطناعي

1. 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 التعلم العميق مثل تتبع الكويكبات ونشر الرعاية الصحية وتتبع الأجسام الكونية وغير ذلك الكثير.

إنها تتطلب قوة حاسوبية عملاقة ، 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 بسعر. لا يستطيع الجميع تحمل ذلك من خلال زيادة تدفق كميات غير مسبوقة من البيانات وزيادة الخوارزميات المعقدة بسرعة.

2. نقص الثقة

أحد أهم العوامل التي تسبب قلق الذكاء الاصطناعي هو الطبيعة غير المعروفة 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 العناصر اليومية التي يتفاعلون معها مثل الهواتف الذكية وأجهزة التلفزيون الذكية والخدمات المصرفية وحتى السيارات (على مستوى معين من الأتمتة).

3. 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.

4. المستوى البشري

يعد هذا أحد أهم التحديات في مجال الذكاء الاصطناعي ، وهو التحدي الذي أبقى الباحثين على أهبة الاستعداد لخدمات الذكاء الاصطناعي في الشركات والشركات 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 يتنبأ بالإخراج الصحيح في كل مرة تقريبًا ، ويمسح بدقة مذهلة تزيد عن 99٪.

يتطلب نموذج التعلم العميق لأداء أداء مشابه ضبطًا دقيقًا غير مسبوق ، وتحسين المعلمة الفائقة ، ومجموعة بيانات كبيرة ، وخوارزمية دقيقة ومحددة جيدًا ، جنبًا إلى جنب مع قوة الحوسبة القوية ، والتدريب المستمر على بيانات القطار والاختبار على بيانات الاختبار. يبدو هذا كثيرًا من العمل ، وهو في الواقع أصعب بمئة مرة مما يبدو.

إحدى الطرق التي يمكنك من خلالها تجنب القيام بكل العمل الشاق هي فقط باستخدام مزود خدمة ، لأنه 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.

5. خصوصية البيانات وأمنها

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.

بدأت بعض الشركات بالفعل في العمل بشكل مبتكر لتجاوز هذه الحواجز. يقوم بتدريب البيانات على الأجهزة الذكية ، وبالتالي لا يتم إرسالها مرة أخرى إلى الخوادم ، يتم إرسال النموذج المدرب فقط مرة أخرى إلى المؤسسة.

قراءة: راتب AI في الهند للطلاب الجدد وذوي الخبرة

6. 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. ولكن ، في الواقع ، فإن 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. لا يمكن إحداث التغيير الحقيقي إلا من خلال تحديد بعض الخوارزميات التي يمكنها تتبع هذه المشكلات بكفاءة.

7. ندرة البيانات

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.

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.

اقرأ أيضًا: الذكاء الاصطناعي في الأمن السيبراني

خاتمة

على الرغم من أن هذه التحديات في الذكاء الاصطناعي 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.

إذا كنت مهتمًا بمعرفة المزيد حول الذكاء الاصطناعي والتعلم الآلي ، فراجع برنامج IIIT-B & upGrad's Executive PG في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة و المهام ، وحالة خريجي IIIT-B ، وأكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع كبرى الشركات.