المحتوى
إنّ تأثير الذكاء الاِصطناعي مؤخراً على الاِقتصاد وجميع مجالات العمل مثير للإعجاب.
اِعتباراً من عام (2022)، اِستخدمت (37%) من الشركات بالفعل خدمات الذكاء الاِصطناعي وما زالت تفعل ذلك.
كذلك وفقاً لـِ (Forbes)؛
- سيصبح الذكاء الاِصطناعي صناعة بقيمة (15.7) تريليون دولار بحلول عام (2030).
- وستصل الاِستثمارات إلى حوالي (500) مليار دولار بحلول عام (2024).
مع توقّع العديد من الشركات أنَّ اِستخدام الذكاء الاصطناعي يمكن أن يعزِّز إنتاجية الأعمال بنسبة تصل إلى (40%)، فقد تضخّمت الزيادة الهائلة في عدد الشركات الناشئة في مجال الذكاء الاِصطناعي (14) مرّة منذ عام (2000).
ولكن مع هذه الزيادة الهائلة باِستخدام تقنيّات الذكاء الاِصطناعي، لا بدّ من وجود تحدّيات وعقبات تواجه تطوير هذه التقنيات.
في مقالنا هذا سنتحدّث عن أبرز هذه التّحديات:
1. خصوصية البيانات ومخاوف الأمان المتعلقة بالذكاء الاصطناعي
إحدى العقبات الرئيسية التي تواجه تقنيات الذكاء الاِصطناعي، هي القوانين المتعلّقة بتخزين البيانات واِستخدامها. حيث يُعدّ توافر البيانات والموارد لتدريب نماذج التعلّم العميق هو العامل الأكثر أهميّة والواجب مراعاته بدّقة.
بطبيعة الحال، نحتاج إلى بيانات لتدريب الذكاء الاصطناعي؛
- من أين تأتي هذه البيانات؟
- وكيف نستخدمها؟
يتمّ إنشاء هذه البيانات بواسطة ملايين المستخدمين حول العالم، وبالتالي قد يكون هناك خطر من إساءة اِستخدامها.
يعود هذا إلى أنّنا نتعامل الآن مع بيانات بحجم الكوكب. مع هذا الكمّ الهائل من المعلومات المتدفقة من جميع الاتجاهات، سيكون هناك بالتأكيد بعض حالات تسرُّب للبيانات.
يمكن بسهولة تحدّي الاِستخدام غير الخاضع للرقابة لبيانات العملاء، كبيانات تدريبية لتطبيقات الذكاء الاصطناعي من خلال تغيير قوانين أمان البيانات في البلدان في جميع أنحاء العالم.
أثارت سياسات معالجة البيانات المثيرة للجدل من قبل شركات مثل ميتا (Meta)، المخاوف من تجاوزات الشركات ومخاوف متعلقة بالخصوصيّة.
لذلك، عند تطوير تطبيق بواسطة الذكاء الاِصطناعي (AI)، ضع في الاِعتبار متطلبات الخصوصية وحماية البيانات، مثل:
- القانون العام لحماية البيانات (GDPR) في تشريعات الاتحاد الأوروبي.
- آليات الأمان مثل التشفير من طرف إلى طرف.
- المصادقة الثنائية.
2. الحوسبة وحاجة الذكاء الاصطناعي لها
تُعدّ كمية الطاقة التي تستخدمها هذه الخوارزميات، عاملاً يُبعد معظم المطوّرين. إنَّ التعلم الآلي والتعلم العميق من أُسس الذكاء الاصطناعي التي تتطلّب عدداً متزايداً من المعالجات ووحدات معالجة الرسومات للعمل بكفاءة.
يوجد العديد من المجالات التي تحتاج إلى قدرات حاسوبية عالية الأداء، لتنفيذ العمل مثل تتبّع الكويكبات ونشر الرعاية الصحية وتتبّع الأجسام الكونية وغير ذلك الكثير.
إنّها تستلزم قدرة معالجة الحواسيب العملاقة. ولكن بسبب الكلفة المرتفعة لهذه الحواسيب، يُشكّل هذا الأمر تحدٍّ واضح للذكاء الاصطناعي.
لكن يمكننا القول، أنَّ توفُّر الحوسبة السحابية وأنظمة المعالجة المتوازية، يساعد مطوّري أنظمة الذكاء الاصطناعي بشكل أكثر فاعلية. وعلى الرّغم من ذلك، مع زيادة تدفق كميّات غير مسبوقة من البيانات وزيادة الخوارزميات المعقدة بسرعة، لا يستطيع الجميع تحمُّل هذه التكاليف.
3. عدم موثوقية البيانات الناتجة عن الذكاء الاصطناعي
مع توسّع اِعتماد الذكاء الاصطناعي (AI) عبر قطّاعات الأعمال، يتّسع النقاش العام حول حدوده وقابليّته للتأثر بالمخالفات والتحيّزات البشرية.
هناك بعض المخاوف التي أثارتها التغطية الإعلامية المكثفة، حول قابلية الذكاء الاصطناعي للخطأ بعد قيامه بنتائج مذهلة مع مهام تبدو وكأنها أصلية مثل فهم اللغة أو التعرف على الوجه وغيرها.
مع هذه المخاوف، لا تزال العلامات التجارية تجد صعوبة في الوثوق بالحلول القائمة على الذكاء الاصطناعي.
- أحد أهمّ العوامل التي تسبب قلق من الذكاء الاصطناعي، هو الطبيعة غير المعروفة لكيفية توقّع هذه الأنظمة للمخرجات. يصعب على الشخص العادي أن يفهم كيف يمكن لمجموعة معيّنة من المدخلات أن تبتكر حلولاً لأنواع مختلفة من المشاكل!
- ينتج أيضاً الشك في البيانات عندما لا يعتقد المستخدمون النهائيون أنَّ شركاتهم لديها بيانات جيّدة بما يكفي للتعامل مع الذكاء الاصطناعي. ويمكن إرجاع شكوكهم إلى محاولات سابقة غير مجدية مع الذكاء الاصطناعي بسبب جودة البيانات الرديئة.
بالتالي، نجد أنَّ الثقة في الذكاء الاِصطناعي تتضاءل.
إنَّ البيانات الجيدة والمهارات الصحيحة في التعامل معها، جميعها مكونات هامّة للكشف عن النقاط العمياء المحتملة في جمع البيانات أو تحديد معايير النجاح.
4. المعرفة المحدودة بالذكاء الاصطناعي
على الرغم من وجود العديد من الأماكن حيثُ يمكننا اِستخدام الذكاء الاصطناعي كبديل أفضل للأنظمة التقليدية. المشكلة الحقيقية هي معرفة الذكاء الاصطناعي.
بصرف النظر عن متابعي التطورات التكنولوجية وطلاب الجامعات والباحثين، لا يوجد سوى عدد محدود من الأشخاص الذين يدركون إمكانات الذكاء الاصطناعي.
على سبيل المثال:
- هناك العديد من الشركات الصغيرة والمتوسطة التي يمكن جدولة أعمالها.
- أو تعلم طرق مبتكرة لزيادة إنتاجها.
- بالإضافة إلى تعلّم وفهم سلوك المستهلك والتفاعل مع السوق بفعالية وكفاءة.
كما أنَّ الكثير من المستخدمين ليسوا على دراية بمقدمي الخدمات مثل (Google Cloud) و (Amazon Web Services) وغيرها في صناعة التكنولوجيا.
5. لا تصل دقة الذكاء الاصطناعي إلى المستوى البشري
يُعدّ هذا أحد أهم التحديات في مجال الذكاء الاصطناعي، وهو التحدِّي الذي أبقى الباحثين على أهبّة الاِستعداد لخدمات الذكاء الاصطناعي في الشركات الناشئة. قد تفتخر هذه الشركات بدقّة تزيد عن (90%)، لكن يمكن للبشر أن يفعلوا ما هو أفضل في كل هذه السيناريوهات.
على سبيل المثال، دع الذكاء الاصطناعي يتنبّأ بما إذا كانت الصورة لكلب أم قطة. يمكن للإنسان أن يتعرف الجواب الصحيح في كل مرة تقريباً، ويمسح بدقة مذهلة تزيد عن (99%).
يتطلَّب نموذج التعلم العميق للوصول إلى أداء مشابه للبشر:
- ضبطاً دقيقاً جيداً.
- مجموعة بيانات كبيرة.
- خوارزمية دقيقة ومحددة جيداً.
- قوة حوسبة كبيرة.
- تدريب غير منقطع للبيانات.
- إجراء اِختبارات لهذه البيانات.
يبدو أنَّ هذا يتطلب الكثير من العمل، وهو في الواقع أصعب بكثير مما يبدو. أنت بحاجة إلى تحسين العمل جنباً إلى جنب مع الآلات الذكية حتى تتمكن من الاِستفادة من هذه التقنيات.
إحدى الطرق التي يمكنك من خلالها تجنب القيام بكل العمل الشاق هي فقط باستخدام مزود خدمات، لأنَّه يتمكَّن من تدريب نماذج محددة للتعلّم العميق باِستخدام نماذج مدربة مسبقاً.
حيث يتمّ تدريبهم على ملايين الصور ويتمّ ضبطهم للحصول على أقصى قدر من الدقة. ولكن المشكلة الحقيقية هي أنَّهم يستمرّون في إظهار الأخطاء وتصحيحها والعمل بجدّ للوصول إلى مستوى الأداء البشري.
6. مشكلة التحيز بناء على البيانات المدخلة فقط
تعتمد الطبيعة الجيدة أو السيئة لنظام الذكاء الاصطناعي، على كمية البيانات التي يتمّ تدريبهم عليها. نتيجةً لذلك، ستكون القدرة على الحصول على بيانات جيدة هي المفتاح لتطوير أنظمة ذكاء اصطناعي مثالية في المستقبل.
تُعدّ أنظمة الذكاء الاصطناعي منحازة، وتحدد بطريقة ما طبيعة ومواصفات عدد محدود من الأشخاص ذوي الاِهتمامات المشتركة على أساس الدين، والعرق، والمجتمع، وغيرها من التحيزات العرقية. لا يمكن إحداث التغيير الحقيقي إلا من خلال تحديد بعض الخوارزميات التي يمكنها تتبع هذه المشكلات بكفاءة.
على سبيل المثال، قاعدة بيانات (ImageNet)، تجد بها الوجوه البيضاء أكثر بكثير من الوجوه غير البيضاء.
وعندما نقوم بتدريب خوارزميات الذكاء الاصطناعي الخاصة بنا على التعرف على ميّزات الوجه باِستخدام قاعدة بيانات لا تتضمن التوازن الصحيح للوجوه؛ فلن تعمل الخوارزمية بشكل جيد على الوجوه غير البيضاء، ممّا يخلُق تحيّزاً داخلياً يمكن أن يكون له تأثير كبير.
من المهم القضاء على أكبر قدر ممكن من التحيُّز أثناء التدريب على الذكاء الاصطناعي، بدلاً من تجاهل ذلك واِفتراض أنَّنا نقوم بتدريب الذكاء الاِصطناعي لدينا ليعكس مجتمعنا بدقة. يبدأ هذا العمل بإدراك اِحتمالية التحيّز في حلول الذكاء الاِصطناعي لدينا.
7. عدم وجود بيانات كافية
نظراً لأنَّ الشركات الكبرى مثل جوجل و فيسبوك و آبل (Apple)، تواجه رسوماً تتعلّق بالِاستخدام غير الأخلاقي لبيانات المستخدم التي تمَّ إنشاؤها. تستخدم دول مختلفة مثل الهند قواعد تقنية صارمة لتقييد هذا الأمر.
بالتالي، تواجه هذه الشركات الآن مشكلة اِستخدام البيانات المحليّة لتطوير التطبيقات للعالم، وهذا من شأنه أن يؤدِّي إلى التحيّز أيضاً.
تُعدّ البيانات جانباً مهمّاً جداً من جوانب الذكاء الاِصطناعي، ويتم اِستخدام البيانات المصنّفة لتدريب الآلات على التعلّم والتنبّؤ. تحاول بعض الشركات اِبتكار منهجيّات جديدة، وتركّز على إنشاء نماذج ذكاء اصطناعي يمكن أن تعطي نتائج دقيقة على الرغم من ندرة البيانات.
الخلاصة
هذه بعض التحديات الرئيسية التي يمكن أن تواجهك عندما يتعلق الأمر بالذكاء الاصطناعي. وعلى الرغم من أن هذه التحديات في الذكاء الاصطناعي تبدو محبطة للغاية، من خلال الجهد الحقيقي يمكن إحداث هذه التغييرات بشكل فعال للغاية.
وفقاً لـ مايكروسوفت (microsoft)، يتعيّن على الجيل القادم من المهندسين تطوير مهاراتهم في هذه التقنيات الجديدة المتطورة ليحظوا بفرصة للعمل مع مؤسسات المستقبل.
