تعمل جامعة الملك عبدالله للعلوم والتقنية «كاوست» وضمن فريق من الباحثين، على تطوير خوارزمية جديدة تكشف سبب وتأثير مجموعات البيانات الكبيرة مما يمهّد الطريق أمام إحداث ثورة حقيقية في مسيرة الذكاء الاصطناعي.
وأوضح أستاذ العلوم البيولوجية وعلوم الكمبيوتر رئيس مختبر نظم الحياة بالجامعة البروفيسور جاسبر تيجنر أنه على الرغم من التقدم المنجز حديثاً في الذكاء الاصطناعي إلا أنه تسخير ذكاء الآلة للأغراض العامة مازال بعيداً، بما فيها قدرة الآلة على التفكير وتعلم مهام مختلفة مضيفاً أنه يكمن جزء من هذا التحدي في الكشف عن ما هو أبعد من التقاط الأنماط، نحو تقنيات من شأنها اكتشاف النماذج التوليدية الأساسية والآليات السببية وراء الأنماط.
وقال تيجنر: هناك حاجة لاستقصاء أنواع جديدة من تقنيات التعلم الآلي الأساسية تتجاوز البنى الحالية، مثل الشبكات العصبية العميقة وتوفّر طريقتنا إطاراً لبناء أنظمة خوارزمية قادرة على تفكيك العلاقة السببية انطلاقاً من الملاحظة، ويجري تطوير تقنيات التعلم الآلي وتكنولوجيات الذكاء الاصطناعي في كل مكان، وتطبيقها في الصناعة والعلوم والمجتمع، وتشمل الأمثلة على ذلك، الأنظمة المتخصصة للتعرف على الكلام، والتطبيقات الطبية، والمعاملات عبر الإنترنت، والتي يشار إليها عادة باسم الذكاء الاصطناعي الضيق.
ويعد التعلم الآلي الحديث مهماً في مساعدة العلماء على فرز مجموعات البيانات الضخمة التي يصعب التعامل معها حيث يهدف النهج الجديد إلى بناء نماذج خوارزمية أساسية يمكنها أن تولّد البيانات لمساعدة العلماء على الكشف عن ديناميكية السبب والنتيجة، الأمر الذي من شأنه أن يساعد الباحثين عبر مجموعة كبيرة من المجالات العلمية، بما في ذلك علم الأحياء الخلوي وعلم الوراثة، على الإجابة عن الأسئلة التي لا يستطيع التعلم الآلي المعهود حالياً أن يجيب عنها.
بدوره قال استشاري الأبحاث في مختبر نظم الحياة في الجامعة هيكتور زينل: يمكن لهذه التقنية أن تزود أساليب التعلم الآلي الحالية بقدرات تكميلية متقدمة، للتعامل بشكل أفضل مع التجريد والاستدلال والمفاهيم، مثل السبب والنتيجة، والتي لا تستطيع الطرق الأخرى التعامل معها حالياً، بما في ذلك طرق التعلم العميق.
وأوضح أستاذ العلوم البيولوجية وعلوم الكمبيوتر رئيس مختبر نظم الحياة بالجامعة البروفيسور جاسبر تيجنر أنه على الرغم من التقدم المنجز حديثاً في الذكاء الاصطناعي إلا أنه تسخير ذكاء الآلة للأغراض العامة مازال بعيداً، بما فيها قدرة الآلة على التفكير وتعلم مهام مختلفة مضيفاً أنه يكمن جزء من هذا التحدي في الكشف عن ما هو أبعد من التقاط الأنماط، نحو تقنيات من شأنها اكتشاف النماذج التوليدية الأساسية والآليات السببية وراء الأنماط.
وقال تيجنر: هناك حاجة لاستقصاء أنواع جديدة من تقنيات التعلم الآلي الأساسية تتجاوز البنى الحالية، مثل الشبكات العصبية العميقة وتوفّر طريقتنا إطاراً لبناء أنظمة خوارزمية قادرة على تفكيك العلاقة السببية انطلاقاً من الملاحظة، ويجري تطوير تقنيات التعلم الآلي وتكنولوجيات الذكاء الاصطناعي في كل مكان، وتطبيقها في الصناعة والعلوم والمجتمع، وتشمل الأمثلة على ذلك، الأنظمة المتخصصة للتعرف على الكلام، والتطبيقات الطبية، والمعاملات عبر الإنترنت، والتي يشار إليها عادة باسم الذكاء الاصطناعي الضيق.
ويعد التعلم الآلي الحديث مهماً في مساعدة العلماء على فرز مجموعات البيانات الضخمة التي يصعب التعامل معها حيث يهدف النهج الجديد إلى بناء نماذج خوارزمية أساسية يمكنها أن تولّد البيانات لمساعدة العلماء على الكشف عن ديناميكية السبب والنتيجة، الأمر الذي من شأنه أن يساعد الباحثين عبر مجموعة كبيرة من المجالات العلمية، بما في ذلك علم الأحياء الخلوي وعلم الوراثة، على الإجابة عن الأسئلة التي لا يستطيع التعلم الآلي المعهود حالياً أن يجيب عنها.
بدوره قال استشاري الأبحاث في مختبر نظم الحياة في الجامعة هيكتور زينل: يمكن لهذه التقنية أن تزود أساليب التعلم الآلي الحالية بقدرات تكميلية متقدمة، للتعامل بشكل أفضل مع التجريد والاستدلال والمفاهيم، مثل السبب والنتيجة، والتي لا تستطيع الطرق الأخرى التعامل معها حالياً، بما في ذلك طرق التعلم العميق.