كتب – رامز يوسف:
طور باحثون خوارزمية ذكاء اصطناعي جديدة، Torque Clustering، تحاكي الذكاء الطبيعي بشكل أوثق من الأساليب الحالية. يعزز هذا النهج المتقدم قدرة الذكاء الاصطناعي على التعلم وتحديد الأنماط في البيانات بشكل مستقل، دون تدخل بشري.
صُمم Torque Clustering لتحليل مجموعات البيانات الكبيرة بكفاءة عبر مجالات مختلفة، بما في ذلك علوم الأحياء والكيمياء والفلك والنفس والتمويل والطب. من خلال الكشف عن الأنماط المخفية، يمكن أن توفر رؤى قيمة، مثل اكتشاف اتجاهات الأمراض، وتحديد الأنشطة الاحتيالية، وفهم السلوك البشري.
قال الباحثون “في الطبيعة، تتعلم الحيوانات من خلال مراقبة بيئتها واستكشافها والتفاعل معها، دون تعليمات صريحة. والموجة التالية من الذكاء الاصطناعي: التعلم غير الخاضع للإشراف، تهدف إلى محاكاة هذا النهج”.
تعتمد جميع تقنيات الذكاء الاصطناعي الحالية تقريبًا على “التعلم الخاضع للإشراف”، وهي طريقة تدريب الذكاء الاصطناعي التي تتطلب تصنيف كميات كبيرة من البيانات بواسطة إنسان باستخدام فئات أو قيم محددة مسبقًا، حتى يتمكن الذكاء الاصطناعي من التنبؤ ورؤية العلاقات.
التعلم الخاضع للإشراف له عدد من القيود. تصنيف البيانات مكلف ويستغرق وقتًا طويلاً وغالبًا ما يكون غير عملي للمهام المعقدة أو واسعة النطاق. على النقيض من ذلك، يعمل التعلم غير الخاضع للإشراف بدون بيانات مصنفة، ويكشف عن الهياكل والأنماط المتأصلة داخل مجموعات البيانات.
تتفوق خوارزمية Torque Clustering على طرق التعلم التقليدية غير الخاضعة للإشراف، ما يوفر تحولًا نموذجيًا محتملًا. إنها مستقلة تمامًا وخالية من المعلمات ويمكنها معالجة مجموعات بيانات كبيرة بكفاءة حسابية استثنائية.
واختبرت خوارزمية Torque Clustering بدقة على 1000 مجموعة بيانات متنوعة، وحققت متوسط درجة معلومات متبادلة معدلة (AMI) – مقياس لنتائج التجميع – بنسبة 97.7٪. وبالمقارنة، فإن الطرق الحديثة الأخرى تحقق درجات في نطاق 80٪ فقط.
قال المؤلف الأول الدكتور جيه يانج: “ما يميز Torque Clustering هو أساسها في المفهوم الفيزيائي لعزم الدوران، ما يمكنها من تحديد المجموعات بشكل مستقل والتكيف بسلاسة مع أنواع البيانات المتنوعة، مع أشكال وكثافات ودرجات ضوضاء مختلفة”.
يضيف “استوحيت من توازن عزم الدوران في التفاعلات الجاذبية عندما تندمج المجرات. وتستند إلى خاصيتين طبيعيتين للكون: الكتلة والمسافة. يضيف هذا الارتباط بالفيزياء طبقة أساسية من الأهمية العلمية لهذه الطريقة.
قال الدكتور يانج: “مُنحت جائزة نوبل في الفيزياء العام الماضي لاكتشافات أساسية تمكن التعلم الآلي الخاضع للإشراف باستخدام الشبكات العصبية الاصطناعية. التعلم الآلي غير الخاضع للإشراف – المستوحى من مبدأ عزم الدوران – لديه القدرة على إحداث تأثير مماثل”.
يمكن أن يدعم تجميع عزم الدوران تطوير الذكاء الاصطناعي العام، وخاصة في مجال الروبوتات والأنظمة المستقلة، من خلال المساعدة في تحسين الحركة والتحكم واتخاذ القرار. ومن المقرر أن يعيد تعريف مشهد التعلم غير الخاضع للإشراف، ما يمهد الطريق للذكاء الاصطناعي المستقل حقًا. وتم توفير الكود مفتوح المصدر للباحثين.
اقرأ أيضا:
