التعلم المتعدد القياسات يصبح بارزًا بين مطوري الذكاء الاصطناعي

Venture Beat (VB) خصص أحد تقاريره الأسبوعية لمزايا التعلم المتعدد القياسات في تطوير الذكاء الاصطناعي. وكان التحفيز لذلك تقرير من ABI Research حول الموضوع.

المفهوم الرئيسي يكمن في حقيقة أن ” مجموعات البيانات هي الحجارة الأساسية لأنظمة الذكاء الاصطناعي”، وأن بدون مجموعات البيانات، “لا يمكن للنماذج تعلم العلاقات التي تخبرها تنبؤاتها”. وتتنبأ تقرير ABI بأن “في حين سينمو الإجمالي المثبت من أجهزة الذكاء الاصطناعي من 2.69 مليار في عام 2019 إلى 4.47 مليار في عام 2024، فإن القلائل منها سيكونون متوافقين في المدى القصير”.

قد يمثل هذا تبديدًا كبيرًا للوقت والطاقة والموارد، ” بدلاً من الجمع بين الجيجابايت إلى البيتات من البيانات التي تتدفق من خلالها في نموذج أو إطار ذكاء اصطناعي واحد، سوف تعمل بشكل مستقل ومتوافق لجعل المعنى من البيانات التي يتم تغذيتها”.

للتغلب على هذا، يقترح ABI التعلم المتعدد القياسات، وهو منهج يمكن أن يدمج البيانات “من حساسات ومُدخلات مختلفة في نظام واحد. يمكن أن يحمل التعلم المتعدد القياسات معلومات أو اتجاهات مكمّلة، والتي غالبًا ما تظهر فقط عند تضمينها جميعًا في عملية التعلم”.

يقدم VB مثالًا قابلاً للتطبيق يأخذ في الاعتبار الصور والتعليقات النصية. ” إذا تم تجميع كلمات مختلفة مع صور متشابهة، فمن المحتمل أن يتم استخدام هذه الكلمات لوصف نفس الأشياء أو الكائنات. وعلى العكس، إذا ظهرت بعض الكلمات بجانب صور مختلفة، فإن هذا يعني أن هذه الصور تمثل نفس الكائن. وبالتالي، يجب أن يكون من الممكن لنموذج الذكاء الاصطناعي التنبؤ بالكائنات في الصور من خلال الوصف النصي، وبالفعل، أثبتت مجموعة من الأدبيات الأكاديمية أن هذا هو الحال”.

على الرغم من المزايا المحتملة، يشير ABI إلى أن حتى العمالقة التكنولوجية مثل IBM وMicrosoft وAmazon وGoogle لا تزال تركز بشكل رئيسي على الأنظمة غير المتعددة. وواحدة من الأسباب هي التحديات التي تمثلها مثل هذا التحول.

ومع ذلك، يتوقع باحثو ABI أن ” سينمو إجمالي عدد الأجهزة المرسلة من 3.94 مليون في عام 2017 إلى 514.12 مليون في عام 2023، مدفوعًا بالاعتماد في قطاعات الروبوتات والاستهلاك والرعاية الصحية والترفيه والإعلام”. ومن بين الأمثلة على الشركات التي تطبق بالفعل التعلم المتعدد القياسات، يذكرون Waymo التي تستخدم هذه المناهج لبناء “مركبات ذاتية القيادة شديدة الوعي”، و Intel Labs، حيث يبحث فريق الهندسة في الشركة في “تقنيات جمع بيانات الحساسات في البيئات الحقيقية”.

أوضح Omesh Tickoo، مهندس رئيسي في Intel Labs، لVB أن ” ما قمنا به هو استخدام تقنيات لتحديد السياق مثل وقت اليوم، بنينا نظامًا يخبرك متى تكون بيانات الحساسات ليست من أعلى جودة. مع هذا القيمة الثقة، يزن الحساسات المختلفة ضد بعضها البعض في فترات زمنية مختلفة ويتخذ الخليط الصحيح لإعطائنا الإجابة التي نبحث عنها”.

يشير VB إلى أن التعلم غير المتعدد القياسات سوف يبقى سائدًا حيث يكون فعالًا للغاية – في التطبيقات مثل التعرف على الصور ومعالجة اللغة الطبيعية. وفي الوقت نفسه، يتنبأ بأن “مع انخفاض تكلفة الإلكترونيات وزيادة قابلية الحوسبة للتوسع، من المحتمل أن يزداد التعلم المتعدد القياسات أهمية فقط”.