إنّ سوق البيانات الكبيرة والتحليلات في تغير مستمر تزامناً مع خلق الذكاء الاصطناعي – مثل: التعلم الآلي machine learning والتعلم العميق deep learning – لرُؤى تجارية جديدة.
ولذلك عقدت شركة O’Reilly مؤتمر Strata Data conferences، ناقشت فيه كيف أن الذكاء الاصطناعي يُغير من طريقة تعامل الشركات مع هذه البيانات، وذلك في نطاق واسع من الصناعات.
وفيما يلي أربعة محاور نوقشت في المؤتمر، وتُطبق عالمياً في مختلف الصناعات والشركات باختلاف أحجامها:
مقال اخر: 5 خرافاتٍ التصقت بالذكاء الصناعي AI
شارك ليفان Li Fan رئيس قسم الهندسة في شبكة Pinterest ، التحديات التي تعوق إنشاء محرك اكتشاف بصري،
وعرَّف هذه التحديات بأنه يجب تسمية الصورة، وفهم ما تحتويه، والأسلوب الذي يُمكن أن يُفهم من الصورة.
ويُعد تحديد خصائص الصورة أمراً ضرورياً؛ لتقديم تجربة جيدة للمستخدم، فعلي سبيل المثال: لو كان هناك غرفة معيشة بها عدة عناصر،
فإن شركة Pinterest تستخدم تقنية الرؤية الحاسوبية computer vision technology،
لتحديد العناصر الموجودة في الصورة، حيثُ تقوم بتقسيم الصورة، وفهم عناصرها، ثم تقترح عليك أشياء مشابهة لتأخذها في الاعتبار.
وحيث أنه يوجد أكثر من 100 مليار منشور في قاعدة البيانات، لا تستطيع Pinterest أن تُرتب كل منشور لكل مستخدم في وقتها،
ولإتمام هذا العمل الشاق، تستخدم Pinterest محرك توصية يعتمد على الرسم البياني حيث يقوم بفلترة التوصيات أو الاقتراحات لكل مستخدم.
وتستخدم Pinterest آلة كنموذج، لتحديد مدى الترابط بين المستخدم والمنشور. هي تبدو كأنها عملية تصنيف بسيطة،
ولكن هذا النظام لا يقوم فقط بتحديد العنصر – كتحديد وجود كرسي مثلاً في ملايين من الصور- ولكن يجب عليه أيضاً أن يفهم أسلوب العنصر،
وهو ما يتطلب من Pinterest أن تُكوِّن علامات مميزة لكي تُساعد على اقتراح صورة اعتماداً على ذوق المستخدم.
يظهر الدور البشري عندما يقوم متخصصي البيانات بالتحقق من صحة البيانات وتسميتها.
ولتحسين النتائج يتم إدراج البيانات في النموذج وإعادة تدريبها باستمرار ولذلك هذه العملية يتشارك فيها كلاً من: الإنسان المتمثل في موظفي Pinterest، والآلة المتمثلة في خوارزميات الكمبيوتر.
لذلك قيل أنّ هُناك دور مشترك بين الإنسان والآلة،
وقد كتب Paul Daugherty رئيس قسم التكنولوجيا والابتكار في شركة Accenture عن هذا الدور في كتابه Human + Machine. يحكي فيه عن العمل في عصر الذكاء الاصطناعي.
قال كل من Dinesh Nirmal من شركة IBM وO’Reilly’s Ben Lorica: ” إنّ إعداد البيانات لإدخالها في النماذج الرياضية كان بمثابة عنق الزجاجة الرئيسي في الذكاء الاصطناعي”.
وركز Nirmal في كلامه على تفعيل الذكاء الاصطناعي. وشرح كيف أن التعلم الآلي في وقتنا الحالي يكشف عن الافتراضات المتضمنة في العمليات التجارية، وفي النماذج نفسها التي تسبب سوء فهم باهظ الثمن ويستهلك الكثير من الوقت.
تُعد حالة البيانات هي المشكلة الكبيرة التي تواجهه الشركات منذ وقت طويل،
لأن الشركات تسعى إلى دمج الكثير من البيانات من مختلف قواعد البيانات الداخلية والخارجية.
وقد تحدثت شركة IBM عن الحاجة إلى إعداد البيانات قبل إدخالها وضرورة وجود نظام لإدارة الذكاء الاصطناعي.
يقول Ben Lorica أن هناك وظيفة داخل نظام علم الذكاء الاصطناعي والبيانات تُسمى مهندس البيانات.
مهندس البيانات هو الذي يساعد في إعداد البيانات لعلماء البيانات، لاستخدامها في عملية تدريب الخوارزميات.
وصف Michael Chui من معهد McKinsey’s Global Institute التغير الذي أحدثة الذكاء الاصطناعي في كافة أنواع الوظائف.
وأشار إلى أن الذكاء الاصطناعي قد لا يحل محل الإنسان بشكل كامل، ولكنه سيقضي علي المهام النمطية والمتكررة في جميع الوظائف.
وهو ما سيُمكن موظفي الشركة من التركيز على الوظائف الأكثر أهمية.
ولكن على أي حال هذه النتيجة لن تكون إيجابية إلا إذا ركز الأفراد -والشركات التي توظفهم- على تطوير مهارات جديدة.
وبطبيعة الحال فإنه من غير المحتمل أن يكون لدى الموظفين دوافع ذاتية لقضاء الليل وعطلات نهاية الأسبوع في تعلم مهارات جديدة.
لذلك سيتطلب الأمر جهداً من قسم الموارد البشرية والقيادة العليا للشركة لدمج التعليم التكنولوجي في العمل الأسبوعي للموظف.
حيثُ أن إعادة تدريب القوى العاملة يجب أن يكون على رأس الأولويات داخل المنظمات.
إذا اشتريت مطرقة، فأنت تريد أن يكون كل شيء مسمارًا.
يقول Tobias Ternstrom مدير منتجات شركة مايكروسوفت أن هناك تحدي مُلح يواجهه كل مشتري التكنولوجيا في أي صناعة،
وهو أن الشركات تُريد شراء أداة واحدة للقيام بالعمل. وحذر Ternstrom من طغيان محاولة استخدام برنامج واحد أو خوارزمية واحدة لحل جميع مشاكل البيانات.
وأشار إلى أنّ أفضل النتائج تأتي من دراسة جميع الخيارات، واختيار الأدوات المناسبة للوظيفة المناسبة.
5.التعلم الآلي machine learning يُمكن أن يبدأ من التعلم النقلي Transfer learning.
هل سمعت عن التعلم النقلي من قبل؟
إن لم تكن سمعت عنه فلا بأس، ستسمع عنه الآن.
تختصر الشركات عملية تطوير الخوارزميات عن طريق استخدام نموذج – يُستخدم لمهمة معينة – كبداية لإنتاج نموذج جديد يقوم بمهمة مختلفة.
فعلى سبيل المثال تستخدم مؤسسة الطب الدقيق Precision Medicine نظام التعرف على الصور في ImageNet،
كنقطة بداية يتم عليه تصميم خوارزميات تكتشف مرض الزهايمر في صور التصوير بالرنين المغناطيسي.
ويُستخدم التعلم النقلي لتسريع التدريب، وتحسين أداء نموذج التعلم العميق