ويلسون بانغ، مؤلف مشارك في كتاب Real World AI – سلسلة المقابلات

انضم ويلسون بانغ إلى Appen في نوفمبر 2018 كمسؤول تقني ويشرف على منتجات الشركة وتقنياتها. يمتلك ويلسون أكثر من تسعة عشر عامًا من الخبرة في هندسة البرمجيات وعلوم البيانات. قبل انضمامه إلى Appen، كان ويلسون مدير البيانات في شركة Ctrip في الصين، ثاني أكبر شركة سفر عبر الإنترنت في العالم، حيث قاد مهندسي البيانات والتحليلات ومديري منتجات البيانات والعلماء لتحسين تجربة المستخدم وزيادة الكفاءة التشغيلية التي نمت الأعمال. قبل ذلك، كان مديرًا تنفيذيًا للهندسة في شركة eBay في كاليفورنيا وقدم القيادة في مجالات مختلفة، بما في ذلك خدمة البيانات والحلول وعلوم البحث وتكنولوجيا التسويق وأنظمة الفواتير. عمل كمعماري في IBM قبل انضمامه إلى eBay، حيث بنى حلول تقنية لمختلف العملاء. حصل ويلسون على شهادات الماجستير والبكالوريوس في الهندسة الكهربائية من جامعة تشجيانغ في الصين.

نناقش كتابه الجديد: العالم الحقيقي للذكاء الاصطناعي: دليل عملي لتعلم الآلة المسؤول

توصف كيف أن أحد أول دروسك مع تعلم الآلة عندما قادت فرق علوم البحث في eBay كان فهم أهمية معرفة المعايير التي يجب قياسها. المثال المذكور هو كيف أن المعيار “الشراءات لكل جلسة” فشل في أخذ القيمة النقدية للعنصر في الاعتبار. كيف يمكن للشركات فهم أفضل معايير يجب قياسها لتجنب مشاكل مماثلة؟

ابداً بأهداف فريقك المنسوبة إلى نموذج الذكاء الاصطناعي – في حالتنا، أردنا دفع المزيد من الإيرادات مع تعلم الآلة. عند ربط المعايير بالأهداف، فكر فيما سيكون لهذه المعايير من آليات، بمجرد إطلاق النموذج وبدء الناس في التفاعل معه، وكذلك احرص على ملاحظة افتراضاتك. في حالتنا، افترضنا أن النموذج سوف يضمن الإيرادات، ولكن عدد الشراءات لكل جلسة لم يترجم إلى ذلك، لأن النموذج كان يضمن عددًا كبيرًا من مبيعات القيمة المنخفضة، وفي النهاية لم نكن najن أكثر أموالًا. بمجرد أن أدركنا ذلك، تمكنا من تغيير المعايير وتوجيه النموذج في الاتجاه الصحيح. لذا، فإن تحديد المعايير المتفصلة، بالإضافة إلى ملاحظة الافتراضات، أمر بالغ الأهمية لنجاح المشروع.

ماذا تعلمت شخصيًا من البحث والكتابة في هذا الكتاب؟

لدينا الكثير من المشاكل التي يمكن حلها بواسطة الذكاء الاصطناعي من الشركات والصناعات المختلفة. يمكن أن تكون الحالات الاستخدامية مختلفة جدًا، ويمكن أن يكون حل الذكاء الاصطناعي مختلفًا، ويمكن أن تكون البيانات المستخدمة لتدريب حل الذكاء الاصطناعي مختلفة. ومع ذلك، بغض النظر عن هذه الاختلافات، فإن الأخطاء التي يرتكبها الناس خلال رحلتهم مع الذكاء الاصطناعي متشابهة جدًا. حدثت هذه الأخطاء مرة بعد مرة في جميع أنواع الشركات ومن جميع الصناعات.

شاركنا بعض أفضل الممارسات عند تنفيذ مشاريع الذكاء الاصطناعي مع الأمل في مساعدة المزيد من الناس والشركات على تجنب هذه الأخطاء واكتساب الثقة لتنفيذ الذكاء الاصطناعي المسؤول.

ما هي بعض أهم الدروس التي ت希望 أن يتعلمها الناس من قراءة هذا الكتاب؟

نؤمن بصدق أن الاستخدامات المعتكرة والمسؤولة والأخلاقية لتكنولوجيا تعلم الآلة يمكن أن تجعل العالم مكانًا أكثر عدلاً وإنصافًا وشمولية. وعد تكنولوجيا تعلم الآلة بتحويل كل شيء في عالم الأعمال، ولكن لا يجب أن يكون الأمر صعبًا. هناك أساليب وعمليات مجربة يمكن للفرق اتباعها والحصول على الثقة لتنفيذ الإنتاج.

دروس أخرى مهمة هي أن أصحاب الأعمال (مثل مدراء المنتجات) وأعضاء الفريق من الجانب التقني (مثل المهندسين وعلماء البيانات) يحتاجون إلى التحدث بلغة مشتركة. لتنفيذ الذكاء الاصطناعي بنجاح، يجب على القادة جسر الفجوة بين الفرق، وتقديم السياق الكافي لمديري الأعمال والقادة التنفيذيين للتفاوض بكفاءة مع المنفذين التقنيين.

يعتقد الكثير من الناس أولاً بالكود عند التفكير في الذكاء الاصطناعي. واحدة من الدروس الرئيسية في الكتاب هي أن البيانات حاسمة لنجاح نموذج الذكاء الاصطناعي. هناك الكثير من الأمور المتعلقة بالبيانات من جمعها إلى تحديدها وتخزينها، وكل خطوة سوف تؤثر على نجاح النموذج. أكثر عمليات نشر الذكاء الاصطناعي نجاحًا هي تلك التي تضع تركيزًا كبيرًا على البيانات وتسعى جاهدة لتحسين هذا الجانب من نموذجها.

جميع أنواع الذكاء الاصطناعي في العالم الحقيقي تتطلب فريقًا متعددي التخصصات وروحًا مبتكرة.

تمت مناقشة تحديد متى يكون دقة نموذج الذكاء الاصطناعي كافية لدعم استخدام الذكاء الاصطناعي. ما هو أسهل طريقة لتقييم نوع الدقة المطلوبة؟

يعتمد على حالات الاستخدام وتسامح المخاطر. يجب على الفرق التي تطور الذكاء الاصطناعي دائمًا أن يكون لديها مرحلة اختبار لتحديد مستويات الدقة والحدود المقبولة لمؤسستهم وأصحاب المصلحة. في حالات استخدام حياة أو موت – حيث هناك خطر محتمل إذا كان الذكاء الاصطناعي مخطئًا، مثل برامج الحكم، والسيارات ذاتية القيادة، والاستخدامات الطبية، يكون الحد عاليًا جدًا – ويجب على الفرق وضع سبل بديلة في حالة خطأ النماذج.对于 حالات استخدام أكثر تسامحًا، حيث هناك الكثير من الذاتية في اللعب – مثل المحتوى وأهمية البحث أو الإعلانات، يمكن للفرق الاعتماد على تعليقات المستخدمين لاستمرار تعديل نماذجهم حتى أثناء الإنتاج. بالطبع، هناك بعض حالات استخدام عالية المخاطر هنا أيضًا، حيث قد يتم عرض المواد غير القانونية أو غير الأخلاقية على المستخدمين، لذلك يجب وضع سبل بديلة وآليات обратية في مكانها.

يمكنك تعريف أهمية تحديد النجاح لمشروع مسبقًا؟

من المهم بدءًا من مشكلة الأعمال وتحديد النجاح مسبقًا، حيث أن هذين الأمرين يذهبان معًا. في المثال المذكور في الكتاب عن تاجر السيارات الذي يستخدم الذكاء الاصطناعي لتحديد الصور، لم يحددوا ما هو النجاح لأنهم لم يحددوا مشكلة أعمال لحلها. النجاح بالنسبة لهم يمكن أن يكون عدة أشياء مختلفة، مما يجعل من الصعب حل المشكلة، حتى لفريق من الناس، ناهيكم عن نموذج تعلم آلة ذو نطاق محدد. إذا حددوا مشكلة أعمال لحلها، مثل تحديد جميع السيارات التي تحتوي على ثقوب لإنشاء قائمة بالمركبات التي تحتاج إلى إصلاح، وحددوا النجاح على أنه تحديد 80% من جميع ثقوب السيارات في المخزون المستخدم، فإذا قاموا بتحديد 85% بدقة، سوف يعتبرون ذلك نجاحًا. ولكن إذا لم يكن هذا النجاح مربوطًا بمشكلة الأعمال، وتأثير الأعمال المباشر، فمن الصعب تقييم المشروع خارج التعريف المتocused لتحديد الدقة في هذه الحالة. هنا، كانت مشكلة الأعمال أكثر تعقيدًا، وتمثلت في تحديد الثقوب في مجرد جزء منها. في حالتهم، كان من الأفضل لهم تحديد النجاح على أنه توفير الوقت والمال في عملية المطالبات أو تحسين عملية الإصلاح بنسبة X%، ثم ترجمة تأثير التحديد إلى نتائج أعمال حقيقية.

ما مدى أهمية ضمان تغطية أمثلة بيانات التدريب جميع حالات الاستخدام التي سوف تحدث في النشر؟

من المهم جدًا أن يتم تدريب النموذج على جميع حالات الاستخدام لتجنب التحيز. ومع ذلك، من المهم ملاحظة أن من المستحيل تغطية جميع حالات الاستخدام في الإنتاج، ويتعين على الفرق التي تبني الذكاء الاصطناعي فهم بيانات الإنتاج، بالإضافة إلى بيانات التدريب، حتى يتمكنوا من تدريب الذكاء الاصطناعي على ما سوف يواجهونه في الإنتاج. الحصول على بيانات التدريب التي تأتي من مجموعات كبيرة ومتنوعة مع حالات استخدام مختلفة سوف يكون حاسمًا لنجاح النموذج. على سبيل المثال، نموذج مدرب لتحديد حيوانات الأليفة في صورة تم تحميلها يجب أن يتم تدريبه على جميع أنواع الحيوانات الأليفة؛ الكلاب، القطط، الطيور، الثدييات الصغيرة، الزواحف، إلخ. إذا تم تدريب النموذج فقط على الكلاب والقطط والطيور، فإذا قام شخص ما بتحميل صورة لقنفذهم، لن يكون النموذج قادرًا على تحديده. بينما هذا مثال بسيط، إنه يظهر كيف أن التدريب على أكبر عدد ممكن من حالات الاستخدام المحتملة أمر بالغ الأهمية لنجاح النموذج.

تمت مناقشة في الكتاب الحاجة إلى تطوير عادات جيدة لصيانة البيانات من الأعلى إلى الأسفل، ما هي بعض الخطوات الأولى لنشر هذه العادة؟

العادات الجيدة لصيانة البيانات سوف تزيد من استخدام البيانات الداخلية وتجهيزها لاستخدامات تعلم الآلة. يجب على الشركة بأكملها أن تصبح جيدة في تنظيم بياناتها ومراقبتها. واحد من الطرق المضمونة لتحقيق ذلك هو جعلها متطلبًا للأعمال وتتبع التنفيذ حتى يكون هناك عدد قليل من التقارير التي تظهر في شكل مهام مخصصة، والفرق تعمل بشكل متزايد مع خطوط البيانات التي يتم توجيهها إلى مستودع مركزي، مع علميات واضحة. ممارسة جيدة أخرى هي الحفاظ على سجل لماذا ومتى تم جمع البيانات وما حدث لها قبل وضعها في قاعدة البيانات، بالإضافة إلى وضع عمليات لتنظيف البيانات غير المستخدمة أو القديمة بشكل دوري.

شكرًا على المقابلة الرائعة، للمقابلين الذين يرغبون في معرفة المزيد، أوصي بقراءة كتاب العالم الحقيقي للذكاء الاصطناعي: دليل عملي لتعلم الآلة المسؤول.