ريكي كوستا، الرئيس التنفيذي لشركة Quantum Stat – سلسلة المقابلات

ريكي كوستا هو الرئيس التنفيذي لشركة Quantum Stat، وهي شركة تقدم حلولاً للأعمال في مجال معالجة اللغة الطبيعية و مبادرات الذكاء الاصطناعي

ما الذي جعلك مهتمًا بالذكاء الاصطناعي في البداية؟

الصدفة. كنت أقرأ كتابًا عن الاحتمالات عندما وجدت نظرية مشهورة. في ذلك الوقت، كنت أتساءل ببراءة إذا كان يمكنني تطبيق هذه النظرية على مشكلة لغة طبيعية كنت أحاول حلها في العمل. оказалось أن الخوارزمية موجودة بالفعل، ولكنني لم أكن أعرف ذلك، وهي تسمى خوارزمية بايز النائي، وهي نموذج توليدي بسيط يستخدم في التعلم الآلي الكلاسيكي. هذه النظرية كانت نظرية بايز. شعرت أن هذه الصدفة كانت دلالة، وغرسات بذرة من الفضول لتعلم المزيد.

كيف وجدت نفسك في منصب الرئيس التنفيذي لشركة Quantum Stat، وهي شركة تقدم حلولاً لمعالجة اللغة الطبيعية؟

عندما تحدث ثورة في تكنولوجيا جديدة، تكون بعض الشركات أكثر ترددًا من غيرها عند مواجهة المجهول. بدأت شركتي لأن متابعة المجهول ممتعة بالنسبة لي. كما شعرت أنه الوقت المناسب للانطلاق في مجال معالجة اللغة الطبيعية، بالنظر إلى جميع الأبحاث الرائعة التي ظهرت في السنوات القليلة الماضية. مجتمع معالجة اللغة الطبيعية لديه القدرة الآن على تحقيق المزيد مع أقل من قبل، بفضل ظهور تقنيات معالجة اللغة الطبيعية الجديدة التي تتطلب بيانات أقل لتحقيق أداء أفضل.

لمن قد لا يكونوا على دراية بهذا المجال، هل يمكنك أن تشاركنا ما تفعله معالجة اللغة الطبيعية؟

معالجة اللغة الطبيعية هي مجال فرعي من الذكاء الاصطناعي والتحليلات التي تحاول فهم اللغة الطبيعية في النص أو الكلام أو التعلم المتعدد الوسائط (نص وصور/فيديو) وحسابها إلى الحد الذي تقدم فيه رؤى قيمة أو خدمات قيمة. يمكن أن تأتي القيمة من زوايا متعددة، من استرجاع المعلومات في نظام الملفات الداخلي للشركة، إلى تصنيف المشاعر في الأخبار، أو بوت تويتر GPT-2 الذي يساعد في التسويق عبر وسائل التواصل الاجتماعي (مثل الذي بنيناه قبل عدة أسابيع).

هل تشعر أن فهم الدماغ وعلم النفس البشري هو ميزة عند محاولة فهم وتوسيع مجال معالجة اللغة الطبيعية؟

هذا مخالف، ولكن للأسف لا. تشبيه العصبونات والشبكات العصبونية العميقة هو فقط للتفسير وإثارة الفهم. يمكن أن يتعلم المرء الكثير من علم التعقيد والهندسة. الصعوبة في فهم كيفية عمل الدماغ تكمن في أننا نتعامل مع نظام معقد. “الذكاء” هو ظاهرة متأصلة من تعقيد الدماغ وتفاعله مع بيئته، ومن الصعب تحديده. العلوم الاجتماعية، مثل علم النفس، التي تعتمد على “التقليل” (من أعلى إلى أسفل) لا تعمل في هذا الإطار المعقد. هنا الفهم: تخيل شخصًا يحاول تقليل أغنية “دعها تكون” إلى سلم دو الكبير. لا يوجد شيء في ذلك السلم يمكن أن يتنبأ بظهور “دعها تكون” منه. نفس الشيء ينطبق على شخص يحاول تقليل السلوك إلى نشاط عصبي في الدماغ.

لماذا البيانات الكبيرة مهمة جدًا في التعلم العميق ومعالجة اللغة الطبيعية بشكل خاص؟

كما هو الحال الآن، لأن نماذج التعلم العميق تُقدم بين البيانات، كلما زادت البيانات التي يتم تغذيتها إلى النموذج، زادت الحالات النادرة التي سيراها عند إجراء استدلال في البرية. هذا الهيكل “يشجع” على استخدام مجموعات بيانات كبيرة لتحسين دقة الإخراج. ومع ذلك، إذا كنا نريد تحقيق سلوك أكثر ذكاءً من نماذج الذكاء الاصطناعي، يجب أن ننظر إلى ما وراء كمية البيانات التي لدينا، وننظر إلى كيف يمكننا تحسين قدرة نموذجنا على التفكير بشكل أكثر كفاءة، وهو ما لا يجب أن يتطلب الكثير من البيانات من الناحية النظرية. من منظور التعقيد، تجارب Automata الخلوي التي أجراها الفيزيائيون جون فون نيومان وستيفن وولفرام في القرن الماضي تظهر أن التعقيد يمكن أن يظهر من شرایط بسيطة وقواعد. ما هي هذه الشروط/القواعد فيما يتعلق بالذكاء الاصطناعي، هو ما يبحث عنه الجميع.

لقد أطلقت مؤخرًا قاعدة بيانات “Big Bad NLP”. ما هي هذه القاعدة وكيف تهم الأشخاص في صناعة الذكاء الاصطناعي؟

تم إنشاء هذه القاعدة لتوفير وصول سهل لمطوري معالجة اللغة الطبيعية إلى جميع مجموعات البيانات ذات الصلة في الصناعة. تساعد هذه القاعدة في فهرسة مجموعات البيانات، مما يؤدي إلى تأثير ثانوي هو القدرة على استعلام المستخدمين. معالجة البيانات تأخذ معظم الوقت في خط أنابيب النشر، وتحاول هذه القاعدة التخفيف من هذه المشكلة قدر الإمكان. بالإضافة إلى ذلك، إنها منصة مجانية للجميع، سواء كانوا باحثين أكاديميين أو ممارسين أو خبراء مستقلين في الذكاء الاصطناعي الذين يريدون الحصول على أحدث المعلومات حول بيانات معالجة اللغة الطبيعية. الرابط

تُقدم Quantum Stat حاليًا حلولاً شاملة. ما هي بعض هذه الحلول؟

نساعد الشركات على تسهيل خط أنابيب نمذجة معالجة اللغة الطبيعية من خلال تقديم التطوير في أي مرحلة. يمكننا تغطية مجموعة واسعة من الخدمات، من تنظيف البيانات في مرحلة المعالجة المسبقة إلى نشر نموذج الخادم في الإنتاج (تظهر هذه الخدمات أيضًا على صفحتنا الرئيسية). لا تصل جميع مشاريع الذكاء الاصطناعي إلى النجاح بسبب الطبيعة غير المعروفة لكيفية عمل بياناتك/هيكل المشروع مع نموذج متقدم. نظرًا لهذه الشكوك، توفر خدماتنا للشركات فرصة للاستمرار في مشاريعها بنسبة صغيرة من تكلفة توظيف مهندس تعلم آلي بدوام كامل.

ما هي أحدث التطورات في الذكاء الاصطناعي التي تجدها أكثر إثارة للاهتمام؟

أهم تطور حديث هو نموذج الترانسفورمر، قد سمعت به: BERT و RoBERTa و ALBERT و T5 وغيرها. هذه نماذج الترانسفورمر جذابة لأنها تسمح للباحثين بتحقيق أداء على مستوى الدولة مع مجموعات بيانات أصغر. قبل الترانسفورمر، كان مطلوبًا من المطور الحصول على مجموعة بيانات كبيرة جدًا لتدريب نموذج من الصفر. منذ أن يتم تدريب هذه الترانسفورمر مسبقًا على مليارات الكلمات، فهي تسمح بمزيد من التكرار السريع لمشاريع الذكاء الاصطناعي، وهذا ما نعمل عليه حاليًا.

هل هناك أي شيء آخر تود مشاركته حول Quantum Stat؟

نحن نعمل على مشروع جديد يتعلق بتحليل المشاعر السوق المالية، والذي سيتم إطلاقه قريبًا. لقد استخدمنا عدة ترنسفورميرات لتقديم رؤى غير مسبوقة حول كيفية تطور الأخبار المالية في الوقت الفعلي. انتظر!

لمعرفة المزيد، زور Quantum Stat أو اقرأ مقالتنا حول قاعدة بيانات Big Bad NLP.