القاهرة : الأمير كمال فرج.

لا يمكن أن يوجد الذكاء الاصطناعي (AI) بدون بيانات. المعلومات - الحقائق والأرقام والتقارير والاستطلاعات والأرقام في الوقت الفعلي - هي شريان الحياة لهذه التكنولوجيا، ولكن ماذا يحدث للنتائج إذا كانت المدخلات نفسها غير صحيحة؟

ذكر تقرير نشرته مجلة Forbes أن "الذكاء الاصطناعي A.I أصبح أكثر شيوعًا ، ولكن أصبح من الواضح أن البيانات السيئة أو غير المكتملة يمكن أن تحيز التكنولوجيا بشكل غير عادل ضد مجموعات مختلفة من الأشخاص وتنتج نتائج خاطئة".

في إحدى الحالات المعروفة ، توقف بائع تجزئة كبير عبر الإنترنت عن استخدام خوارزمية التوظيف بعد أن اكتشف أن الذكاء الاصطناعي الخاص به. تمت برمجتها لتفضيل السير الذاتية التي تستخدم كلمات "تنفيذ executed" أو "أسر captured" - وهي كلمات أكثر شيوعًا في السير الذاتية التي كتبها الرجال.

في دراسة أخرى، وجد الباحثون في معهد ماساتشوستس للتكنولوجيا أن عددًا من تقنيات التعرف على الوجه كانت متحيزة ضد الأقليات - وخاصة نساء الأقليات - لأن الخوارزميات تم تدريبها على البيانات التي تتكون في الغالب من الوجوه البيضاء الذكور. A.I. لم يكن قادرًا على تحديد النساء أو الأشخاص الملونين بشكل صحيح لأن البيانات المقدمة كانت منحرفة.

يقول داني لانج ، نائب الرئيس الأول للذكاء الاصطناعي في Unity ، الشركة التي تتخذ من سان فرانسيسكو مقراً لها والتي أنشأت منصة لإنشاء وتشغيل محتوى تفاعلي ثلاثي الأبعاد (RT3D) في الوقت الفعلي، وذلك عندما قام A.I. من المتوقع أن يحل المشكلات بناءً على معلومات محدودة ، فإنه يخلق تحيزات.

يوضح لانج: "قد يقوم علماء البيانات فقط بإدخال المعلومات في النظام ويقولون ،" لقد تم ، تم ، "ولا ينتبهون إلى شكل البيانات أو مصدرها". "ولكن ماذا لو كانت البيانات مضللة في المقام الأول؟"

سد فجوات المعلومات

تعتقد الوحدة أن لديها حلًا لبعض مشكلات الإنصاف التي تواجه الذكاء الاصطناعي. باختصار ، تنشئ الشركة بيانات تركيبية - معلومات مصنّعة قد لا تكون موجودة في الحياة الواقعية - لسد فجوات البيانات. نظرًا لخلفية ألعاب Unity ، فإنها تعمل مع الكثير من البيانات المرئية. قد تكون هذه البيانات هي بالضبط ما يحتاجه الذكاء الاصطناعي لمساعدته على التعرف على محيطه ، وبالتالي يكون أكثر فاعلية.

على سبيل المثال ، يشير لانج إلى أن Unity نشطة في مساحة القيادة المستقلة. يجب أن تحدد السيارة ذاتية القيادة الآلاف من الأشياء المختلفة لتعمل بشكل صحيح. يجب أن تتعرف على البشر من جميع الأشكال والألوان: تحتاج السيارة إلى معرفة كيفية استخدام المكابح عندما تعبر فتاة تبلغ من العمر 5 سنوات الشارع ، تمامًا كما يجب أن تتوقف عندما ترى رجلاً يبلغ طوله 6 أقدام. تخلق الوحدة الأشياء والأشخاص من أجل محاكاة الذكاء الاصطناعي. ثم يتعلم من ذلك.

هناك مجال آخر يستخدم البيانات التركيبية وهو البيع بالتجزئة. تستكشف العديد من الشركات تقنية الدفع غير النقدي، والتي من شأنها أن تسمح للعملاء ببساطة بأخذ عنصر من الرف والخروج من المتجر، بينما يتم السحب من بطاقة الائتمان الخاصة بهم تلقائيًا.

لجعل هذا ممكنًا، يجب أن تفهم أجهزة الكمبيوتر سلوك المستهلك، بما في ذلك كيف يلتقط شخص ما عنصرًا من الرف ؟، وماذا يحدث إذا أجرى شخص ما تبديلًا مفاجئًا ، وكيف يخرج الناس من المتجر بأحد العناصر ؟، وأكثر من ذلك. من خلال إنشاء تمثيلات مرئية لكل عنصر في متجر والطرق المختلفة التي يسير بها الأشخاص ويتحركون عبر الممر ، يمكنك تدريب الذكاء الاصطناعي. في كل تفاعل محتمل.

تجنيد فرق متنوعة

البيانات الاصطناعية لها مخاطر. تمامًا كما يمكن للمطورين إنشاء ذكاء اصطناعي غير عادل دون قصد. الأنظمة ، يمكن إنشاء البيانات التركيبية مع التحيزات أيضًا. وفقًا للانج ، فإن أفضل طريقة لتطوير بيانات تركيبية دقيقة وعادلة هي إنشائها مع فريق يفهم التحيز.

يقول لانج: "أنت بحاجة إلى فريق متنوع لضمان أنه عند إنشاء مجموعات البيانات الخاصة بك ، فإنها تعكس العديد من وجهات النظر". "عليك أن تبدأ بالتفكير، ما نوع البيانات المطلوبة هنا؟ ، ماذا يجب ان تكون؟ واستمر في العودة والتفكير في هذه الأنظمة، وكيف يجب تدريبها على عينات مختلفة؟ ".

يضيف لانج أيضًا ما إذا كان A.I. تم تدريبه على البيانات التركيبية أو المعلومات الواقعية ، فالتكنولوجيا جيدة فقط مثل البشر الذين يبرمجونها.

وأضاف إن "الإنصاف في الذكاء الاصطناعي يحول مسؤولية البشر من جمع البيانات آليًا إلى استخدام مهاراتهم البشرية. "يحتاج الأشخاص إلى تقييم ما إذا كانت بيانات التدريب تعكس العالم كما يرغبون في رؤيته".

بغض النظر عن مدى تحسن الذكاء الاصطناعي لا شيء بدون بيانات جيدة. تأكد من أن المعلومات التي تستخدمها غير متحيزة ، وستحصل على النتائج الصحيحة.