لا تنسَ (علم) البيانات

تعلُّم الآلة

بما أن العديد من الأسئلة الأخلاقية حول الذكاء الاصطناعي تتعلق بتقنيات تعتمِد كليًّا أو جزئيًّا على تعلُّم الآلة وعلم البيانات ذي الصِّلة، فإنه يجدُر بنا أن نُلقي الضوء على هذه التقنية والعلم.

يحدُث ذلك ذاتيًّا؛ بمعنى أنه يحدُث دون تعليماتٍ وقواعد مباشرة يُعطيها المبرمج. وعلى عكس الأنظمة الخبيرة التي تعتمِد على خبراء بشريين في المجال يشرحون القواعد للمُبرمِجين الذين يتولَّون بعد ذلك برمجة هذه القواعد، تبحث خوارزمية تعلُّم الآلة عن قواعد أو أنماطٍ لم يُحدِّدها المبرمج. كل ما عليك هو تحديد الهدف أو المهمة فقط. وسوف يستطيع البرنامج أن يُكيِّف سلوكَه بما يتوافق مع مُتطلبات المهمة. على سبيل المثال، يمكن لتعلُّم الآلة المساعدة في التمييز بين البريد الإلكتروني العشوائي غير المرغوب فيه والبريد المُهم من خلال فحص عددٍ كبير من الرسائل وتعلُّم ما يُعتبَر عشوائيًّا. مثال آخَر: لإنشاء خوارزمية تتعرَّف على صور القطط، لا يُقدِّم المبرمجون للكمبيوتر مجموعةً من القواعد تُعرَّف فيها ما هي القطط، ولكنهم يُتيحون للخوارزمية إنشاء نموذجٍ خاصٍّ بها لصور القطط. وتُحسِّن الخوارزمية من أدائها ذاتيًّا لتحقيق أعلى دقَّة تنبؤ بالاستناد إلى مجموعةٍ من صور القطط وغير القطط. وبالتالي، تهدف إلى تعلُّم ما هي صور القطط. ويُقدِّم البشر تقارير، ولكنهم لا يُغذُّونها بتعليماتٍ أو قواعد مُحددة.

يمكن أن يكون تعلُّم الآلة «مُوجَّهًا»، مما يَعني أن الخوارزمية تركِّز على متغيِّر مُعيَّن يُعرَف باسم هدف التنبؤ. على سبيل المثال، إذا كان الهدف هو تقسيم الأشخاص إلى فئتَين (على سبيل المثال، خطورة أمنية عالية أو منخفضة)، فإن المُتغيرات التي تتنبأ بهاتَين الفئتَين معروفة بالفعل، وبالتالي تتعلَّم الخوارزمية التنبُّؤ بالانتماء إلى إحدى الفئتَين (الخطورة الأمنية العالية أو الخطورة الأمنية المنخفضة). يُدرِّب المبرمج النظام عن طريق توفير أمثلة وغيرها، على سبيل المثال، صور للأشخاص الذين يُشكِّلون خطورة أمنية عالية وأمثلة للأشخاص الذين لا يُشكلون خطورة أمنية. يكون الهدف أن يتعلَّم النظام التنبُّؤ بمَن ينتمي إلى كل فئة، أي مَن يُشكل خطورةً أمنية عالية ومَن لا يشكل بناءً على البيانات الجديدة. إذا أُعطِي النظام ما يكفي من الأمثلة، فإنه سيكون قادرًا على التعميم من هذه الأمثلة ومعرفة كيفية تصنيف البيانات الجديدة، مثل صورةٍ جديدة لراكبٍ يمرُّ عَبْر أمن المطار. أما تعلُّم الآلة «غير المُوجَّه» فيعني عدم تقديم هذا النوع من التدريب، وأن الفئات غير معروفة: ومن ثَم تُنشئ الخوارزميات فئاتٍ خاصَّة بها. على سبيل المثال، يُنشئ الذكاء الاصطناعي فئاتٍ أمنيةً خاصةً به استنادًا إلى المُتغيرات التي يُحددها؛ لا التي يُقدمها إليه المبرمج. وربما يعثر الذكاء الاصطناعي على أنماطٍ لم يُحدِّدها خبراء المجال (في هذا السياق: الخبراء الأمنيون). ويمكن أن تبدو الفئات التي أنشأها الذكاء الاصطناعي من منظور البشر عشوائية للغاية. وربما لا يكون لها معنى. ولكنها موجودة من الناحية الإحصائية. وفي بعض الأحيان يكون لها معنى، وفي هذه الحالة يمكن لهذه الطريقة أن تُعطينا معرفةً جديدة حول الفئات في العالم الواقعي. أما التعلُّم «المُعزَّز»، فإنه يتطلب تقييمًا للمُخرجات إن كانت جيدة أم سيئة. وهذا يُشبه فكرة الثواب والعقاب. فالبرنامج لا يُخبَر أيُّ الإجراءات يجب أن يُتخَذ، ولكنه «يتعلم» من خلال عملية تكرارية أي الإجراءات التي تؤدي إلى الثواب. ففي المثال الأمني السابق، يتلقى النظام تقريرًا (أو بيانات) من الخبراء الأمنِيِّين بحيث «يعرف» ما إذا كان قد قام بعملٍ جيد عندما يجري تنبؤًا معينًا. فإذا لم يُسبب الشخص الذي تنبأ النظام بأنه ذو خطورة أمنية منخفضة أيَّ مشكلاتٍ أمنية، فإن النظام يتلقى تقريرًا بأن مخرجاته كانت جيدة ومن ثَم «يتعلم» منه. يجب ملاحظة أن هناك دائمًا نسبةً من الخطأ: فالنظام ليس دقيقًا بنسبة ١٠٠ في المائة. يجب أيضًا ملاحظة أن المُصطلَحَين الفنِّيَّين «موجَّه» و«غير موجَّه» لا علاقة لهما بمدى التدخُّل البشري في استخدام التكنولوجيا: ففي حين أن الخوارزمية تتمتَّع ببعض الاستقلالية، فإن البشر في جميع أنواع تعلُّم الآلة يتدخَّلون بطرقٍ مختلفة.

علم البيانات

نستنتِج مما سبق أن تعلُّم الآلة يرتبط ﺑ «علم البيانات». إذ يهدف علم البيانات إلى استخراج أنماطٍ مفيدة وذات معنًى من مجموعات البيانات، وفي الوقت الحالي هذه المجموعات كبيرة جدًّا. يستطيع تعلُّم الآلة تحليل هذه المجموعات الكبيرة من البيانات آليًّا. ويعتمِد تعلُّم الآلة وعلم البيانات على الإحصاءات، أو على الانتقال من الملاحظات الفردية إلى توصيفاتٍ عامة. فعلماء الإحصاء يهتمُّون بالعثور على ارتباطاتٍ في البيانات من خلال التحليل الإحصائي. وتبحث عمليات إنشاء النماذج الإحصائية عن العلاقات الرياضية بين المدخلات والمخرجات. وهذا هو ما تساعد فيه خوارزميات تعلُّم الآلة.

تظهر التحدِّيات العلمية في كل مرحلة من هذه العملية، وعلى الرغم من أن البرامج قد تكون سهلة الاستخدام، فإن مواجهة هذه التحديات تتطلَّب وجود المعرفة البشرية الخبيرة المُتخصِّصة. وعادةً ما يكون التعاون بين البشر أمرًا ضروريًّا أيضًا، على سبيل المثال، بين علماء البيانات والمهندسين. ومن الوارد حدوث أخطاء طوال الوقت، لذا فإن الاختيار البشري والمعرفة البشرية والتفسير البشري أمر حاسم الأهمية. فالبشر مهمُّون في هذا السياق لتفسير الأمور على نحوٍ معقول وتوجيه التكنولوجيا نحو البحث عن عوامل وعلاقات مختلفة. والذكاء الاصطناعي، من وجهة نظر بودن (٢٠١٦)، يفتقر إلى فهمنا للصِّلات والعلاقات. ويمكننا أن نُضيف أنه يفتقر أيضًا إلى الفهم والتجربة والحساسية والحكمة. وهذه حجة جيدة تدعم نظريًّا ومبدئيًّا ضرورة مشاركتنا نحن البشر في الأمر. ولكن ثمة حجة عملية أيضًا تدعم عدم خروج البشر من المشهد؛ وهي أن البشر يشاركون بالفعل عمليًّا في الأمر. فدون المبرمجين وعلماء البيانات، لن تستطيع التكنولوجيا القيام بوظيفتها ببساطة. علاوةً على ذلك، كثيرًا ما يتم دمج الخبرة البشرية مع الذكاء الاصطناعي، على سبيل المثال، عندما يستخدم الطبيب استراتيجية علاج سرطان يوصي بها الذكاءُ الاصطناعي، ولكنه في الوقت نفسه يعتمد على تجاربه وحدسه كخبير. فإذا ألغي التدخل البشري، يمكن أن تسوء الأمور أو تفقد معناها أو ببساطة تُصبح غير منطقية.

التطبيقات

في الماضي، كانت الإحصاء من المجالات غير الجذابة. أما اليوم، فبعد أن أصبحت جزءًا من عِلم البيانات وفي شكلٍ يُدمَج فيه الذكاء الاصطناعي مع البيانات الضخمة، أصبحت الإحصاء شديدة الجاذبية. إنها السحر الجديد. إنها المجال الذي تُفضِّله وسائل الإعلام. كما أنها تُعتبر مجالَ أعمال ضخمًا. فالبعض يتحدَّثون عن نوعٍ جديد من التنقيب عن الذهب؛ والتوقعات هائلة. علاوةً على ذلك، فهذا النوع من الذكاء الاصطناعي ليس خيالًا علميًّا أو محضَ نبوءة، كما تُبين الأمثلة التي ضربناها أن ما يُسمَّى بالذكاء الاصطناعي المحدود أو الضعيف موجود بالفعل وواسع الانتشار. وفيما يتعلق بتأثيره المُحتمَل، فليس هناك ما يُمكننا أن نصِفه بأنه محدود أو ضعيف. لذلك، فإنه من الضروري جدًّا أن نُحلِّل ونُناقش العديد من القضايا الأخلاقية التي أثارتها تقنيات تعلُّم الآلة وغيرها من تقنيات الذكاء الاصطناعي وتطبيقاتها. وهذا هو موضوع الفصول القادمة.