فريق معهد ماساتشوستس للتكنولوجيا يعلّم نماذج الذكاء الاصطناعي ما لم تكن تعرفه بعد.
يتزايد تطبيق الذكاء الاصطناعي (AI) بسرعة ويتشابك بشكل متزايد مع حياتنا اليومية والصناعات الحساسة مثل الرعاية الصحية والاتصالات والطاقة. ولكن مع القوة العظيمة تأتي مسؤولية عظيمة: أنظمة الذكاء الاصطناعي ترتكب أخطاء أحيانًا أو تقدم إجابات غير مؤكدة قد تكون لها عواقب وخيمة.
يقدم Themis AI التابع لمعهد ماساتشوستس للتكنولوجيا (MIT)، والذي شاركت في تأسيسه وقيادته البروفيسورة دانييلا روس من مختبر CSAIL، حلاً رائدًا. تتيح تقنيتهم لنماذج الذكاء الاصطناعي أن 'تعرف ما لا تعرفه'. وهذا يعني أن أنظمة الذكاء الاصطناعي يمكنها الإشارة بنفسها عندما تكون غير متأكدة من تنبؤاتها، مما يمنع الأخطاء قبل أن تسبب الضرر.
لماذا هذا مهم للغاية؟
تُظهر العديد من نماذج الذكاء الاصطناعي، حتى المتقدمة منها، ما يسمى بـ 'الهلوسات' – حيث تقدم إجابات خاطئة أو غير مؤسسة. في القطاعات التي تكون فيها القرارات ذات وزن كبير، مثل التشخيص الطبي أو القيادة الذاتية، يمكن أن يكون لذلك عواقب وخيمة. طور Themis AI منصة Capsa، التي تطبق قياس عدم اليقين (uncertainty quantification): فهي تقيس وتحدد كمية عدم اليقين في مخرجات الذكاء الاصطناعي بطريقة مفصلة وموثوقة.
كيف يعمل ذلك؟
من خلال تزويد النماذج بوعي بالشك (uncertainty awareness)، يمكنها إرفاق مخرجاتها بتصنيف للمخاطر أو الموثوقية. على سبيل المثال: يمكن لسيارة ذاتية القيادة أن تشير إلى أنها غير متأكدة من موقف معين، وبالتالي تفعيل تدخل بشري. هذا لا يزيد من الأمان فحسب، بل يعزز أيضًا ثقة المستخدمين في أنظمة الذكاء الاصطناعي.
- عند التكامل مع PyTorch، يتم تغليف النموذج عبر
capsa_torch.wrapper()حيث يتكون الناتج من التنبؤ والمخاطرة معًا:
بالنسبة لـ NetCare وعملائها، تمثل هذه التقنية خطوة هائلة إلى الأمام. يمكننا تقديم تطبيقات ذكاء اصطناعي ليست ذكية فحسب، بل آمنة وأكثر قابلية للتنبؤ مع تقليل احتمالية الهلوسة. إنها تساعد المؤسسات على اتخاذ قرارات مستنيرة بشكل أفضل وتقليل المخاطر عند دمج الذكاء الاصطناعي في التطبيقات الحيوية للأعمال.
الخلاصة
معهد ماساتشوستس للتكنولوجيا (MIT) الفريق يُظهر أن مستقبل الذكاء الاصطناعي لا يتعلق فقط بأن يصبح أكثر ذكاءً، بل يتعلق بشكل أساسي بالعمل بأمانة وعدالة أكبر. في NetCare، نؤمن بأن الذكاء الاصطناعي يصبح ذا قيمة حقيقية فقط عندما يكون شفافًا بشأن حدوده الخاصة. باستخدام أدوات متقدمة لقياس عدم اليقين (uncertainty quantification) مثل Capsa، يمكنك أيضًا تطبيق هذه الرؤية عمليًا.
