يصبح التعلم المتعدد الوضعية بارزًا بين مطورو الذكاء الاصطناعي

Venture Beat (VB) خصص واحد من تقاريره الأسبوعية لمزايا التعلم المتعدد الوضعية في تطوير الذكاء الاصطناعي. وكان محفزه تقرير من ABI Research حول الموضوع.

تقع الفكرة الرئيسية في حقيقة أن “المجموعات البيانية هي الحجارة الأساسية لأنظمة الذكاء الاصطناعي”، وأن بدون مجموعات البيانية، “لا يمكن للنماذج تعلم العلاقات التي تخبر توقعاتها.” وتتنبأ تقرير ABI بأن “في حين سيزداد إجمالي عدد 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 يrepresent هذا تبديدًا كبيرًا للوقت والطاقة والموارد، “بدلاً من دمج الجيجابايت إلى البيتابايت 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 الوضعية، منهجية يمكن أن توحّد البيانات “من حساسات ومُدخلات مختلفة في نظام واحد. يمكن أن يحمل التعلم المتعدد الوضعية معلومات أو اتجاهات مُكملة، والتي غالبًا ما تظهر فقط عند تضمينها جميعًا في عملية التعلم.”

يقدم VB مثالًا قابلاً للتطبيق يأخذ في الاعتبار الصور والتعليقات النصية. “إذا كانت كلمات مختلفة متوافقة مع صور متشابهة، فمن المحتمل أن تستخدم 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 توقع كائنات الصورة من التعليقات النصية، وبالفعل، أثبتت مجموعة من الأدب الأكاديمي أن هذا هو الحال.”

على الرغم من المزايا المحتملة، يلاحظ ABI أن حتى عمالقة التكنولوجيا مثل IBM و Microsoft و Amazon و Google لا يزالون يركزون في الغالب على الأنظمة غير المتوافقة. وواحدة من الأسباب هي التحديات التي تمثلها مثل هذه التحول.

ومع ذلك، يتوقع باحثو ABI أن “يزداد إجمالي عدد الأجهزة المُشحّنة من 3.94 مليون في عام 2017 إلى 514.12 مليون في عام 2023، مدفوعًا بالاعتماد في قطاعات الروبوتات والاستهلاك والرعاية الصحية والوسائط والترفيه.” ومن بين الأمثلة على الشركات التي تطبق بالفعل التعلم المتعدد الوضعية يذكر Waymo الذي يستخدم هذه المناهج لإنشاء “مركبات ذاتية القيادة شديدة الوعي”، و Intel Labs، حيث يعمل فريق الهندسة في الشركة على “تحقيق تقنيات لتقسيم بيانات الحساسات في البيئات الحقيقية”.

أوضح Omesh Tickoo، مهندس رئيسي في Intel Labs، لVB أن “ما فعلناه هو استخدام تقنيات لتحديد السياق مثل وقت اليوم، بنينا نظامًا يخبرك متى تكون بيانات الحساسات ليست من أعلى جودة. مع قيمة الثقة هذه، يزن الحساسات المختلفة عند فترات زمنية مختلفة ويفضل المزيج الصحيح لإعطائنا الإجابة التي نبحث عنها.”

يلاحظ VB أن سوف يبقى التعلم غير المتوافق سائدًا حيث يكون فعالًا للغاية – في التطبيقات مثل التعرف على الصور ومعالجة اللغة الطبيعية. وفي الوقت نفسه يتنبأ بأن “随ما يصبح الإلكترونيات أرخص وت trởى الحوسبة أكثر قابلية للتطوير، سوف يزداد التعلم المتعدد الوضعية في الأهمية فقط.”