توقعات الخبراء لمسار الذكاء الاصطناعي في عام 2020

قامت VentureBeat مؤخرًا بمقابلة خمسة من أذكى العقول الخبيرة في مجال الذكاء الاصطناعي وسألتهم عن توقعاتهم لمسار الذكاء الاصطناعي خلال العام القادم. وكان الأفراد الذين تمت مقابلتهم لتوقعاتهم هم:

• سوميث تشينتالا، مبتكر PyTorch.
• سيليست كيد، أستاذة الذكاء الاصطناعي في جامعة كاليفورنيا.
• جيف دين، رئيس قسم الذكاء الاصطناعي في جوجل.
• أنيما أناندكومار، مدير أبحاث التعلم الآلي في نفيديا.
• داريو جيل، مدير أبحاث آي بي إم.

سوميث تشينتالا

توقعت تشينتالا، مبتكر PyTorch، الذي يُعتبر الإطار الأكثر شعبية للتعلم الآلي في الوقت الحالي، أن عام 2020 سيشهد زيادة في الحاجة إلى معززات الشبكات العصبية وأساليب تعزيز سرعات تدريب النماذج. وتوقع تشينتالا أن السنوات القليلة القادمة ستركز على كيفية استخدام وحدات معالجة الرسومات بفعالية وكيف يمكن إجراء التجميع تلقائيًا لأجهزة جديدة. بالإضافة إلى ذلك، توقع تشينتالا أن يبدأ مجتمع الذكاء الاصطناعي في متابعة أساليب أخرى لقياس أداء الذكاء الاصطناعي بشكل أكثر حزمًا، مع وضع أقل أهمية على الدقة النقية. وتشمل العوامل التي يجب مراعاتها أمورًا مثل كمية الطاقة اللازمة لتدريب نموذج، وكيف يمكن استخدام الذكاء الاصطناعي لبناء نوع المجتمع الذي نريده، وكيف يمكن تفسير إخراج الشبكة بسهولة لمنفذوها البشر.

سيليست كيد

قضت سيليست كيد معظم مسيرتها المهنية الأخيرة في الدعوة إلى مزيد من المسؤولية من قبل مصممي الخوارزميات ومنصات التكنولوجيا وأنظمة توصية المحتوى. وقد جادلت كيد في كثير من الأحيان بأن الأنظمة المصممة لتعظيم المشاركة يمكن أن تؤدي إلى آثار جادة فيما يتعلق بكيفية تكوين الناس آراءهم ومعتقداتهم. ويتلقى المزيد من الاهتمام لاستخدام الخوارزميات والأنظمة الذكية بشكل أخلاقي، وتوقعت كيد أن عام 2020 سيشهد زيادة في الوعي حول كيفية تأثير أدوات التكنولوجيا ومنصاتها على حياة الناس وقراراتهم، بالإضافة إلى رفض فكرة أن أدوات التكنولوجيا يمكن أن تكون محايدة في التصميم.

“نحن بحاجة حقًا إلى تقدير المسؤولية التي ت伴ي ذلك، كمجتمع وخاصة كأشخاص يعملون على هذه الأدوات،” قالت كيد.

جيف دين

توقع جيف دين، رئيس قسم الذكاء الاصطناعي في جوجل، أن عام 2020 سيشهد تقدمًا في التعلم متعدد الوسائط والتعلم متعدد المهام. التعلم متعدد الوسائط هو عندما يتم تدريب الذكاء الاصطناعي على أنواع متعددة من الوسائط في وقت واحد، بينما يهدف التعلم متعدد المهام إلى تمكين الذكاء الاصطناعي من التدريب على مهام متعددة في وقت واحد. وتوقع دين أيضًا تقدمًا إضافيًا في نماذج معالجة اللغة الطبيعية القائمة على Transformer، مثل خوارزمية BERT التابعة لجوجل والنمذج الأخرى التي تصدرت قوائم GLUE. وأشار دين أيضًا إلى رغبته في أن يرى أقل رغبة في إنشاء نماذج الأداء المتقدم على مستوى الدولة وزيادة الرغبة في إنشاء نماذج أكثر متانةและมرونة.

أنيما أناندكومار

توقعت أناندكومار أن مجتمع الذكاء الاصطناعي سيتعامل مع العديد من التحديات في عام 2020، لا سيما الحاجة إلى مجموعات بيانات أكثر تنوعًا وضمان خصوصية الأشخاص عند التدريب على البيانات. وأوضحت أناندكومار أنه بينما تحصل التعرف على الوجه على معظم الاهتمام، هناك العديد من المجالات التي يمكن أن تنتهك فيها خصوصية الأشخاص، ويمكن أن تصل هذه القضايا إلى صدارة المناقشة خلال عام 2020.

كما توقع أناندكومار تقدمًا إضافيًا في نماذج معالجة اللغة الطبيعية القائمة على Transformer.

“نحن لا تزال غير موجودين في مرحلة توليد الحوار التفاعلي الذي يمكنه تتبع والمشاركة في محادثات طبيعية. لذا أعتقد أنه سيكون هناك محاولات أكثر جديّة في عام 2020 في هذا الاتجاه،” قالت.

وأخيرًا، توقع أناندكومار أن السنة القادمة سترى المزيد من التطوير في الخوارزمية التكرارية والتدريب الذاتي. تسمح هذه أساليب التدريب لأنظمة الذكاء الاصطناعي بالتدريب الذاتي في بعض الجوانب، ويمكن أن تساعد على إنشاء نماذج يمكنها التحسين من خلال التدريب الذاتي على البيانات غير الم علّمة.

داريو جيل

توقع جيل أن عام 2020 سيشهد المزيد من التقدم نحو إنشاء الذكاء الاصطناعي بطريقة أكثر كفاءة حسابيًا، نظرًا لأن الطريقة الحالية لتدريب الشبكات العصبية العميقة غير فعالة في العديد من الجوانب. وبسبب ذلك، توقع جيل أن السنة سترى تقدمًا فيما يتعلق بإنشاء هياكل دقة مخفضة وعمليات تدريب أكثر كفاءة بشكل عام. كما توقع جيل، مثل بعض الخبراء الآخرين الذين تمت مقابلتهم، أن يبدأ الباحثون في عام 2020 في التركيز على معايير أخرى إلى جانب الدقة. وأعرب جيل عن اهتمامه بالذكاء الاصطناعي الرمزي العصبي، حيث تقوم آي بي إم بفحص طرق إنشاء نماذج البرمجة الاحتمالية باستخدام المناهج الرمزية العصبية. وأخيرًا، شدد جيل على أهمية جعل الذكاء الاصطناعي أكثر سهولة الوصول إليه للأشخاص المهتمين بالتعلم الآلي وإزالة تصور أن العمل مع الذكاء الاصطناعي وعلوم البيانات يحتاج إلى عباقرة فقط.

“إذا تركناها كمنطقة أسطورية، هذا مجال الذكاء الاصطناعي، الذي يمكن الوصول إليه فقط من قبل الدكاترة الذين يعملون عليه، فإنه لا يساهم في تبنيه،” قال جيل.