ما أحب أن أعرضه هو كيف يمكن للذكاء الاصطناعي أن يعمل على الهياكل الخفية للعالم من حولنا. إن كل شيء تقريبًا قابل للقياس الكمي، وبالتالي يمكن وصفه في علاقات إحصائية - إذا كان X ثم Y. ما نراه يحدث في الوقت الحالي - طفرة الذكاء الاصطناعي - هو نتيجة للبيانات المتاحة بسهولة أكبر (والموثوقة) من خلال الإنترنت، وزيادة القدرة الحاسوبية، وأخيرًا تطوير خوارزميات تحليل البيانات الذكية والفعالة على مدى عقد من الزمن. لا أكثر ولا أقل.
10 يناير 2024
الذكاء الاصطناعي وصناعة الساعات - مقدمة
ماركوس سيمز @Siemswatches
جامع، ومؤلف، ومحلل بيانات
الذكاء الاصطناعي وصناعة الساعات:
- مقدمة - مقابلة ChatGPT - نظرة على المجتمع -
الذكاء الاصطناعي ظاهرة ذات أهمية متزايدة في حياتنا جميعًا. فهي تنزلق أكثر فأكثر من العالم المهني المجرد إلى تجربتنا اليومية وروتيننا اليومي. ونجد تقارير حول هذه المسألة تظهر بشكل متزايد في عالم الساعات أيضًا (على سبيل المثال [هنا] أو [هنا] أو [ هنا ] أو [ هنا ] أو [هنا]). وعادةً ما تُقابل كل هذه التطورات بالكثير من الضجة والحماس... ربما لسببين رئيسيين:
أولاً، إن رؤية صناعة تقليدية وعريقة مثل صناعة الساعات تبدأ في استخدام الذكاء الاصطناعي على نطاق أوسع يبدو أمراً سريالياً بعد أن بدا أنها انتقلت عبر الزمن دون تغيير لقرون. وثانياً، لأن 99.9% منا (بمن فيهم أنا) لا يعرفون حقاً ما الذي يحدث عندما نكتب استعلاماً في ChatGPT وما شابه ذلك.
صورة مولدة بالذكاء الاصطناعي (DeepAI) لذكاء اصطناعي يعمل في صناعة الساعات.
على الرغم من أن الذكاء الاصطناعي هو أحد أكثر تقنياتنا تقدمًا، إلا أنه يجلب معه جانبًا أسطوريًا. ربما يشبه إلى حد كبير ما شعر به الناس عندما واجهوا لأول مرة الاكتشافات التي تفيد بأن عالمنا يتكون بالكامل من جسيمات مصغرة أو أن أدمغتنا (وبالتالي نحن) تعمل من خلال دوائر كهربائية كيميائية. علينا أولاً أن نصدق العلماء الأفراد قبل أن نتمكن من فهمها كمجتمع.
ومع ذلك، طالما بقي الذكاء الاصطناعي في عالم المخلوقات الأسطورية، فلن نتمكن من تقييم ما إذا كان تطبيق جديد في مجال الساعات - سواء كان موقعاً إلكترونياً أو تصميماً أو أداة - جديداً حقاً ومفيداً محتملًا أو مجرد لعبة. سنكون مثل دوروثي التي تتبع طريق الذكاء الاصطناعي إلى أي ساحر يعدنا بما نريد. لكن أرنا الحذاء الأحمر! بدلًا من ذلك، دعونا نأخذ هذا المسعى ونحاول أن نفهم بشكل أفضل ما هو الذكاء الاصطناعي وما هو، وما يمكن استخدامه من أجله.
"Captcha التعلم الآلي" لراندال مونرو (xkccd).
1) الذكاء الاصطناعي - المعنى
أعتقد أن الكثير من القوة التي تصيبنا بالرهبة تكمن بالفعل في الاسم. ربما يكون الذكاء أحد أكثر الخصائص التي تربطنا كبشر بأنفسنا والتي نعتبرها أكثر ما يميزنا عن بقية المملكة الحيوانية[1]. إنها كلمة لها وزن كبير. لكن ما قد ننسبه إلى الكلمة وما يتم فعله في الواقع في أبحاث وتطبيقات الذكاء الاصطناعي قد يفترقان بشدة.
لأنه من الناحية العملية ما الذكاء الاصطناعي هو التنبؤ بالنتائج بناءً على البيانات التي تم تدريبه عليها (المزيد عن ذلك أدناه). بعبارة أخرى، هي طريقة إحصائية لتحديد الأنماط وقياسها. لا أكثر ولا أقل. وبهذه الطريقة يمكن أن تعمل بالفعل مثل الدماغ البشري. نحن أيضًا نسعى للعثور على الأنماط في العالم من حولنا، وبمجرد العثور عليها يصعب علينا عدم رؤيتها بعد الآن. خذ المثال التالي لكلب الدلماسي:
رذاذ أبيض وأسود - هل يمكنك اكتشاف الكلب الدلماسي؟ الصورة بإذن من قاعدة بيانات مايكل باخ.
عند رؤية الصورة للمرة الأولى يبدو كل شيء مثل بقع عشوائية بالأبيض والأسود. في مرحلة ما تظهر هياكل مثل شجرة في الخلفية وطريق وربما أوراق الشجر. من الصعب جداً العثور على الكلب (كلب دالماسي) ولكن بمجرد أن تراه، لا يمكنك عدم رؤيته بعد ذلك. ومع ذلك، هذا هو دماغك الذي يضع نظامًا للمساحة الفارغة بين البقع السوداء... بالمعنى الدقيق للكلمة لا يوجد كلب.
هذا التحديد للنمط - حتى على المستوى المجرد - ليس ذكاءً، بل هو ارتباط. سواء كان الربط بين النقاط والكلب؛ أو بين شروق الشمس والشعور بالدفء؛ أو بين سوق الساعات وارتفاع أسعار التجزئة؛ أو بين طول الإنسان ووزنه؛ إلخ. وبالتالي، يمكن فهمه بشكل أفضل على أنه تعلم - أو بالمصطلح الأكثر شيوعًا للطرق المستخدمة لتوليد الذكاء الاصطناعي على أنه التعلم الآلي. وأجد أن هذه الصياغة تستوعب الجوهر بشكل أفضل. فالأمر لا يتطلب كائنًا حيًا (أو آلة) متطورًا للغاية لإنشاء ارتباطات وتعلم... إنها مجرد علاقة إحصائية بين شيئين.
البقاء مع الكلاب... حتى المحفزات العشوائية تمامًا يمكن أن تقترن وترتبط ببعضها البعض. نعلم جميعًا (نأمل) من المدرسة الثانوية عن التكييف الكلاسيكي، وقد ذكر إيفان بافلوف هذا الشكل من أشكال التعلّم الإحصائي بالفعل في عام 1897. الصورة بإذن من نظرية الاتصال.
2) الذكاء الاصطناعي - الأساسيات
إذن كيف يمكن للآلة أن "تتعلم" وما الذي يتطلبه الأمر لبناء الذكاء الاصطناعي الخاص بك[2]? أزعم أن الأمر كله يتلخص في ثلاثة مكونات وخطوات رئيسية:
- بيانات التدريب
- متغير للتنبؤ
- نموذج يربط بين الاثنين
بتفصيل الأمر على هذا النحو، لم يعد الأمر يبدو كالسحر، أليس كذلك؟ ولكن دعونا نوضح أكثر ما أعنيه بهذه المكونات الثلاثة ونلعب لعبة كم تساوي ساعتي؟
لقد قمنا أيضًا بتغطيتك إذا لم تكن مهتمًا نظريًا فقط بهذا السؤال... "4 نصائح لتقييم ساعتك العتيقة: دليل المبتدئين" - مقطع فيديو عن الاستدلال بواسطة فيليكس Goldammer.
أولاً، التنبؤ... يمكن أن يتم على أي شيء مجهول تريد أن تصفه: ما هي الحركة التي ستقوم بها في لعب الشطرنج، هل الشخص الذي أمامك مريض أم لا، ما هو الرد الصحيح على سؤالك، هل سيكون تصميم الساعة الجديد ناجحاً؟ أو كما في مثالنا الصغير هنا كم تبلغ قيمة ساعتي؟ الشيء الوحيد المهم هنا هو أن السؤال الدلالي الذي تطرحه يمكن أن يكون له إجابات قابلة للقياس الكمي (هنا: السعر باليورو).
ثانياً، للتنبؤ بالنتيجة تحتاج إلى معلومات ذات صلة. على سبيل المثال، تعتمد قيمة الساعة العتيقة على حالتها وندرتها وتعقيداتها وسمعة العلامة التجارية وما إلى ذلك. والأهم من ذلك، لا يمكنك أن تأخذ أي نوع من المعلومات... على سبيل المثال لون الحزام أو اسم والدة المصمم قبل الزواج لا ينبغي أن يكون ذا أهمية هنا.
ثالثاً، الربط بين المعلومات المُدخَلة والتنبؤ بالمخرجات. هذا الجزء الثالث هو العملية الإحصائية التي نطلق عليها كلاسيكياً اسم التعلم الآلي وبالتالي الجانب المركزي للذكاء الاصطناعي. يجب أن يتم تدريب هذا الربط (أو النموذج) على معلومات المدخلات - في مثالنا - عدة ساعات وأسعارها المعروفة. لذلك قد نرى أن - في المتوسط(!) - أن الساعات التي تكون في حالة أفضل تكون قيمتها أعلى، وأن بعض العلامات التجارية أكثر رواجًا وتضيف علاوة على الأسعار، وأن التعقيدات عادةً ما تكلف أكثر قليلاً، وما إلى ذلك.
عندما تسأل إريك ويند من رياح عتيقة ما هو المهم عند تقييم الساعة: "الحالة والحالة, الحالة!". الصورة بإذن من إسكواير.
هذا هو وصف دلالي لتفاعل قابل للقياس الكمي الذي يتم تعلمه آلياً بين عوامل السوق على سعر الساعات. إنه وصف مبسط للغاية لما يحدث على سبيل المثال في OpenAI و ChatGPT أو الذكاء الاصطناعي لتوليد الصور، ولكن هذا ما يحدث في جوهره أيضًا*. لكننا سنتطرق إلى هذه التطبيقات بعد قليل.
3) الذكاء الاصطناعي - نماذج مختلفة
والآن دعنا نتعمق سريعاً في الجزء الأوسط - نموذج التعلم الآلي وافتراضاته. هناك طرق عديدة لكيفية استنتاج النتيجة من مجموعة من المعلومات. أكثرها بساطة هي العلاقة الرتيبة (الخطية أحياناً)، على سبيل المثال: كلما كانت الحالة أفضل كلما ارتفع سعر الساعة:
الشكل 1. (لعبة-) أمثلة على سيناريوهات حيث التعلُّم الآلي يمكن تطبيق الخوارزميات. تصوّر النقاط الملونة الساعات المنفردة، والخط المتقطع يشير إلى التنبؤ من الخوارزمية. تنبؤ تدريجي للسعر بناءً على الحالة (يسار) وحدود للتنبؤ بالاحتفاظ/بيع الساعة بناءً على التعلق العاطفي ووقت المعصم الذي تحصل عليه كل قطعة (يمين). البيانات الموضحة خيالية وتهدف فقط للمساعدة في السياق.
يصف الخط المتقطع في الشكل توقع النموذج. على سبيل المثال قد تكون العلاقة خطية بنسبة 1 إلى 1 والسعر = الشرط * ثابت. ربما تكون هناك بعض التأثيرات التي تتجاوز الخطية وتكون العلاقة أسية إلى حد ما - إذا قمت بزيادة الشرط في الطرف الأعلى قليلًا فإنه يزيد السعر بشكل كبير... هذه العلاقة الدقيقة بين السعر والشرط هي ما يمكن تعلمه في العملية من الآلة**.
4) الذكاء الاصطناعي - الخوارزميات الحديثة
كل هذه الأساليب البسيطة التي قدمتها للتو تعود إلى قرن من الزمن، وهي أساس تجربتنا الحديثة مع الذكاء الاصطناعي. جاء أحد أقدم تطبيقات التعلم الآلي على نطاق واسع خلال الحرب العالمية الأولى... حيث قدم تشارلز سبيرمان تحليل العوامل لتبسيط كميات كبيرة من الأسئلة والمهام النفسية وحدد - بشكل مثير للاهتمام - معيارًا عامًا للذكاء[3]. ثم استُخدم هذا القياس الكمي الأول للذكاء بعد ذلك لتقييم الجنود البريطانيين وإيجاد ضباط مناسبين في صفوفهم بعيدًا عن النظام الأرستقراطي القديم الذي كان سائدًا.
يمكنك العثور على "تاريخ موجز للذكاء الاصطناعي" التي تغطي آخر 70 عاماً من التطورات الرئيسية التي شهدتها BootstrapLabs خلال السنوات السبعين الماضية هنا.
في السبعينيات والثمانينيات من القرن الماضي تم تقديم تطبيقات تستخدم تعديلًا طفيفًا لهذه الطرق - الشبكات العصبية الاصطناعية***. هنا، يتم هنا ترجيح (نموذج) كائن مُدخل بجميع سماته للتنبؤ برد فعل. على سبيل المثال لدينا ساعة تظهر لنا عدة ميزات - الحجم والعمر والمادة والحالة والعلامة التجارية وما إلى ذلك. - والتي نسميها مجتمعة طبقة. وبترجيح هذه الميزات يمكننا (في عالم محسّن) تقدير أفضل سعر بيع لها. وبالتالي فهو امتداد للتقدير الخطي من الأعلى.
الشكل 2. رسم تخطيطي لبنية الشبكة العصبية الاصطناعية بطبقة واحدة. العمارة هي فقط لتصوير الحدس و"أسماء الطبقات" في الأسفل هي أدوات مساعدة للذاكرة وليست قيوداً أو نتائج نمذجة فعلية.
يمكن لهذه "البنية البسيطة للغاية" أن تربط بين المدخلات (ساعة) والمخرجات (سعرها)... مرة أخرى يتم تعلم هذه العلاقة على الآلاف والآلاف من الساعات ذات الأسعار المعروفة قبل أن يتم تطبيقها للتنبؤ بسعر ساعة غير موجودة بالفعل في قاعدة البيانات. كما أنها ستتضمن دائمًا بعض الأخطاء، أي معلمات غير معروفة مثل مزاج مقدمي العروض في المزاد على سبيل المثال.
تخيل الآن أنه ليس لديك طبقة واحدة فقط تعطيك مخرجات مباشرة ولكن هذه الطبقة تغذي معلوماتها إلى طبقة أخرى "أعمق". الطبقة الأعمق تحدد العلاقات بين الملامح، وطبقة أخرى أعمق بعد ذلك ملامح الملامح وطبقة أخرى بعد ذلك وبعد ذلك وبعد ذلك... كل منها تلخص وتلخص مدخلاتها من خلال علاقات الملامح من الطبقة السابقة...
الشكل 3. رسم تخطيطي لبنية الشبكة العصبية الاصطناعية مع عدة طبقات "مخفية". الهندسة المعمارية هي فقط لتصوير الحدس و"أسماء الطبقات" في الأسفل هي أدوات مساعدة للذاكرة وليست قيودًا أو نتائج نمذجة فعلية.
يمكنك أيضًا التفكير في كل طبقة وكل تجريد بمعنى اللغة (نماذج اللغة الكبيرة). الطبقة الأولى تصف الحروف، والطبقة الثانية العلاقة بين الحروف وبالتالي "المقاطع". والطبقة الثالثة هي العلاقة بين المقاطع -> الكلمات، والطبقة الرابعة هي الكلمات -> العبارات أو الجمل ثم إلى الفقرات والمعنى المجرد*4. هذه التجريدات - التي يمكن تعلمها أيضًا من الخوارزمية دون تقييدها - هي الميزة الرئيسية لهذه "الشبكات العصبية العميقة" على كل شيء في مجال الذكاء الاصطناعي جاء من قبل.
إن التشبيه الجيد لبنية الطبقات العميقة للذكاء الاصطناعي هو حبكة فيلم كريستوفر نولان "Inception" من عام 2010. كل طبقة في الأسفل تشبه حلمًا آخر في حلم... ويصبح الأمر أكثر عبثية وسريالية مع كل حلم. صورة هيكل الحبكة المرسومة باليد للفيلم من كريستوفر نولان نفسه.
بالطبع هذه التسميات للطبقات المختلفة تخطيطية بحتة. فالكلمات والجمل والفقرات هي كيانات يمكننا فهمها من تجربتنا اليومية. لكن النموذج الإحصائي سيبني تمثيلًا تجريديًا للغاية لن يتبع فهمنا المقيد. ومع ذلك، فإن هذه الطبقات العميقة من التجريد هي السبب في قدرتنا على إجراء محادثة مع ChatGPT والخوارزميات المماثلة[4]. وهذا يعني أن الخوارزمية لا تحتاج إلى أن تكون قد شاهدت فقرة أو جملة أو سؤالًا معينًا من قبل لفهم معناه، لأنها تستطيع إيجاد علاقات تعريفية من مقتطفات نصية أخرى.
ومع ذلك، كما يمكنك أن تتخيل، للوصول إلى هذه النقطة تحتاج إلى الكثير من قوة المعالجة والبيانات النصية لكي تتعلم الخوارزمية وتعمل. على سبيل المثال تم تدريب ChatGPT 3.5 (الإصدار المجاني) لأسابيع وشهور على آلاف وحدات معالجة الرسوميات مع نصوص مكتوبة وكتب ومواقع إلكترونية، وأخيراً تم دمج التغذية الراجعة من آلاف المشغلين البشريين.
5) الذكاء الاصطناعي - خاتمة حول جوهره
لذا أعتقد أن الجميع يتنفسون الصعداء الآن بعد أن انتهينا من هذا الفصل المكثف من المنهجية. ومع ذلك، آمل أن أتمكن من إيصال الذكاء الاصطناعي و التعلّم الآلي 1) ليسا جديدين، 2) هما في جوهرهما نماذج تنبؤ "بسيطة"، و3) ليسا أداة سحرية مهداة لنا من أسياد الروبوتات لإلهائنا بإعطائنا ملخصات الكتب وتوليد صور لحيواناتنا الأليفة.
صورة تم إنشاؤها بواسطة الذكاء الاصطناعي (DeepAI) لـ "عدة قطارات تروس للساعات تعمل بدوائر الكمبيوتر".
بل أكثر من ذلك بكثير الذكاء الاصطناعي يعمل على البنى الخفية والكامنة للعالم من حولنا. كل شيء تقريبًا قابل للقياس الكمي، وبالتالي يمكن وصفه في علاقات إحصائية - إذا كان X ثم Y. ما نراه يحدث في الوقت الحالي - طفرة الذكاء الاصطناعي - هو نتيجة للبيانات المتاحة بسهولة أكبر من خلال الإنترنت، وزيادة القدرة الحاسوبية، وأخيرًا عقود من تطوير خوارزميات تحليل البيانات الذكية والفعالة. لا أكثر ولا أقل.
في الجزء التالي، أريد أن أتناول بالتفصيل ما يمكن للذكاء الاصطناعي الحديث أن يفعله وما لا يمكن أن يفعله في عالم الساعات المحبوب لدينا. للمساعدة في هذه المناقشة - التخمينية إلى حد كبير - تحدثت أيضًا مع العديد من الخبراء في مجال صناعة الساعات الذين كان لديهم جميعًا بعض التداخل مع عالم التكنولوجيا في الماضي. سيكون ذلك ممتعاً!
* أعتذر بشدة عن الإفراط في التبسيط.
** من خلال نهج تحليل ذكي ولكن ليس ذكاءً تمامًا[1]
*** هناك العديد من الاختلافات التجريبية بين أدمغة الكربون والسيليكون - ولكن دعونا لا نخوض في هذا الأمر. يمكن (في أفضل الأحوال) تسمية الشبكات العصبية الاصطناعية نموذجاً مبسطاً للوظيفة البيولوجية.
*4 يمكنك التفكير في طبقات مماثلة من التجريد أيضًا بمعنى المعالجة البصرية/الصورة. الطبقة الأولى هي الحواف الفاتحة/الداكنة المحصورة في موقع معين، والطبقة التالية يمكن أن تكون الزوايا، والطبقات التالية هي الأشكال الأكثر تعقيداً التي يمكن العثور عليها في أي مكان في المشهد، والطبقات الأخيرة هي هويات الأشياء، والتي يمكن أن تكون مستقلة حتى عن زاوية العرض، إلخ.
المراجع والقراءة الموصى بها
[1] [توصية] حول الذكاء؛ جيف هوكينز وساندرا بلاكسلي، دار سانت مارتينز جريفين للنشر، نيويورك;
[2] [يوصى به في مجال الخيال العلمي] ثلاثية التأسيس (1942-1943)؛ إسحاق أسيموف، مطبعة جنوم;
[3] إثبات وقياس الارتباط بين شيئين (1904)؛ تشارلز سبيرمان، Am. J. Psychol;
[4] [توصية] الإنسان الأكثر إنسانية - ما الذي يعلمنا إياه الذكاء الاصطناعي عن كوننا أحياء؛ براين كريستيان (2011)، مرساة;
جميع الحقوق على النص والرسومات محفوظة للمؤلف.
