كانت جميع التوقعات بشأن تطور الذكاء الاصطناعي في عام 2018 صحيحة، وقد حددوا هدفًا لعام 2019.

بقلم سوبر نيرو

نُقدّم خمسة تنبؤات لعلوم البيانات والتعلم الآلي والذكاء الاصطناعي في عام ٢٠١٩. كما نُلقي نظرة على تنبؤات العام الماضي لمعرفة أيّها تحقق بالفعل.

بقلم ويليام فورهيس  

مدير التحرير، DataScienceCentral؛ الرئيس والمدير العلمي للبيانات في شركة Data-Magnum؛ رئيس مجلس إدارة EB5C

مراجعة سريعة لتوقعات العام الماضي 

التنبؤ الأول: سيصبح بناء النماذج وإعداد البيانات أكثر أتمتة. سيتم دمج عمليات علوم البيانات الأكبر حجمًا على منصة واحدة. هناك حاجة إلى عدد قليل من علماء البيانات للقيام بالعديد من الوظائف. 

هذا صحيح، مع التكامل الشامل على منصات التحليلات المتقدمة، يتزايد علم البيانات بدون أكواد. 

التنبؤ الثاني: سوف يتجه علم البيانات نحو التخصص، ولن يكون هناك عالم بيانات "متكامل". 

كما خمنت بشكل صحيح. في الوقت الحاضر، يولي الناس اهتمامًا أكبر لمهندسي البيانات مقارنة بعلماء البيانات. لأن مهندسي البيانات أكثر عملية. 

التنبؤ 3: سيكون العلماء غير المتخصصين في البيانات أكثر قدرة على إجراء تحليلات معقدة وذات حجم كبير مقارنة بعلماء البيانات.

هذه هي الحقيقة. وكما يتضح من شعبية Data Viz وVisual Analytics، فإن العلماء غير المتخصصين في البيانات يحصلون على قيمة أكبر من أدوات علوم البيانات المتطورة. 

التنبؤ رقم 4: التعلم العميق سيكون صعبًا. لا يتمتع العديد من علماء البيانات بالمهارة في هذا المجال، وهو ما سيحد من تطبيق الذكاء الاصطناعي ما لم يتم تبسيط منصات التعلم العميق وإنتاجها بشكل أكثر فعالية.

لقد أطلقت كل من مايكروسوفت وجوجل منصات التعلم العميق التلقائية، بدءًا من التعلم الانتقالي والانتقال إلى AutoDL الكامل (التعلم الآلي التلقائي). هناك أيضًا بعض منصات AutoDL المتكاملة. على سبيل المثال، يحتوي موقع one clicks.ai على منصة AutoML وAutoDL كاملة. أطلقت شركة Gartner مؤخرًا على شركة DimensionalMechanics، التي تمتلك منصة AutoDL، اسم "أفضل خمس شركات رائجة". 

التنبؤ الخامس: على الرغم من الضجيج الإعلامي، فإن انتشار الذكاء الاصطناعي والتعلم العميق ومدى تأثيرهما العميق على السوق سيكون مخيبا للآمال.

بصرف النظر عن التطور السريع لروبوتات المحادثة، فإن تطبيق الذكاء الاصطناعي في الواقع محدود للغاية. لقد تم تضخيم الذكاء الاصطناعي. في الشركات الفعلية، نسبة الشركات التي تستخدم الذكاء الاصطناعي والتعلم الآلي صغيرة جدًا.

التنبؤ السادس: سوف يبدأ الجمهور (والحكومات) في دراسة الآثار الاجتماعية والخصوصية للذكاء الاصطناعي بشكل جدي. 

إذا نظرنا إلى بعض تصرفات حكومة الولايات المتحدة والاتحاد الأوروبي، يمكننا أن نرى أن هذه القضايا تؤخذ على محمل الجد، مثل لوائح الخصوصية القادمة في كاليفورنيا وتصريحات أستراليا المناهضة للتشفير. 

ليس من المستغرب أن تكون جميع توقعاتنا الستة في العام الماضي صحيحة. ورغم أن بعض وجهات النظر لا تزال كما هي هذا العام، فإننا لا نزال نحاول تقديم بعض التوقعات والتحليلات الأكثر تحديدا. 

توقعات لعام 2019 

التنبؤ الأول: ستصبح البيانات أكثر أهمية من الخوارزميات 

لم تكن هناك أي اختراقات كبيرة في خوارزميات التعلم العميق والتعلم الآلي الكلاسيكي لأكثر من عام. تم استخدام نسخة محسنة قليلاً من الشبكات التلافيفية الزمنية (TCNs) بدلاً من الشبكات العصبية المتكررة لتقليل زمن الوصول في معالجة اللغة الطبيعية، ولكن لم يكن هناك أي ابتكار على الإطلاق. إن الخوارزميات الجيدة إما أن تكون معروفة بالفعل أو يمكن تطويرها باستخدام التعلم الآلي التلقائي. 

في هذه المرحلة، يعد الحصول على كمية كبيرة من البيانات عالية الجودة هو مفتاح التحول الرقمي للشركة. وقد أدى هذا أيضًا إلى المنافسة والفرص في حلول توفير البيانات، والتي يمكن تقسيمها تقريبًا إلى الاتجاهات التالية.

الاتجاه الأول هو كيفية الحصول على بيانات التدريب المصنفة بدقة. تعمل الشركات مثل Figure Eight التي تعمل على تصنيف البيانات على الترويج لاستراتيجيات فعالة من حيث التكلفة وذكية. على سبيل المثال، يمكن للتعلم النشط أن يتخذ أفضل قرار بين تصنيف البيانات وضمان دقة النموذج.

الاتجاه الثاني هو الوصول إلى بيانات الطرف الثالث. دخلت خدمات مثل DymstData إلى هذا المجال كمراكز تبادل لمئات مقدمي البيانات الإضافيين. كما أن لديهم أيضًا دور حماية معلومات التعريف الشخصية الحساسة، ويمكن لمستخدميهم فرض أدوار للوصول إلى معلومات حساسة معينة، وهو أمر مهم بشكل خاص في الخدمات المالية والرعاية الصحية. 

الاتجاه الثالث هو تتبع وتسجيل مصدر البيانات في النموذج تلقائيًا. وخاصة عندما يتم دمج البيانات المتدفقة من مصادر متعددة وتغييرها في الوقت الفعلي، فإن معرفة مصدر البيانات وكيفية استخدامها يعد جانبًا مهمًا. وتقوم شركة Tibco وبعض منصات التحليلات الأخرى بدمج هذه الوظيفة. 

التنبؤ الثاني: سيصبح كل شيء أسهل مع نقل الذكاء الاصطناعي/التعلم الآلي منصات التحليلات إلى برامج خاصة بالصناعة أو العملية. 

عند النظر إلى مشهد الشركات الناشئة في مجال الذكاء الاصطناعي والتعلم الآلي، تتحول المنافسة نحو الصناعات أو التطبيقات المحددة. تُركز هذه البرامج، أو المنصات الصغيرة، على حل المشكلات الخاصة بالصناعة في مختلف الشركات، مثل التسويق، ومبيعات B2B، والرعاية الصحية، والتكنولوجيا المالية، وغيرها من التجمعات المحددة.

تُركز هذه التطبيقات الجديدة على تضمين الذكاء الاصطناعي/التعلم الآلي، بحيث عندما تقوم المؤسسة بالتحديث، لا تحتاج إلى دعم مجموعة داخلية كبيرة من علماء البيانات وتعتمد فقط على هؤلاء المطورين. 

يسمي البعض هذا الأمر تسليع الذكاء الاصطناعي والتعلم الآلي، ولكن من الأفضل أن نسميه احترافية الذكاء الاصطناعي والتعلم الآلي. 

إن هذا التحول يشبه التحول من تحويل العمليات (إعادة الهندسة) إلى تخطيط موارد المؤسسات (ERPs) في أواخر التسعينيات. في ذلك الوقت، دعت إعادة الهندسة الشركات إلى استخدام حلول تكنولوجيا المعلومات المعقدة التي تم تطويرها خصيصًا لتحسين العمليات، مما فتح الباب أمام شركات ERP وCRM المتكاملة الكبرى مثل Oracle وPeopleSoft وSAP وغيرها. 

يسعى جميع البائعين الجدد إلى توفير حلول واسعة النطاق في أسواقهم المحددة، ولكنهم ينتهي بهم الأمر حتمًا بمنصات تخطيط موارد المؤسسات (ERP) أصغر حجمًا. 

راقب أيضًا الشركات المتوسطة والصغيرة التي لا تمتلك فرقًا كبيرة لعلوم البيانات أو تعتمد كليًا على نماذج تم تطويرها خصيصًا لتسريع تبني الذكاء الاصطناعي/التعلم الآلي. 

التنبؤ الثالث: صعود مهندسي البيانات ومحللي البيانات 

ولكن هذا لا يعني أن العالم قد تخلى عن علماء البيانات. لا يزال الأمر يتطلب عملية. ولكن عندما تفتقر إلى مهارات معينة، فإن السوق يملأ الفجوة بطرق مختلفة. 

وتتمثل إحدى الطرق لتحقيق ذلك في تطبيقات الذكاء الاصطناعي الخاصة بالصناعة والعمليات المذكورة أعلاه، والتي لا تتطلب عدداً كبيراً من علماء البيانات الداخليين.

النهج الثاني هو منصات التعلم الآلي (AML) الناشئة بسرعة. وهذا أكثر كفاءة في علم البيانات ويعني أن عددًا أقل من علماء البيانات يمكنهم القيام بالكثير من العمل.

وبما أن عدد النماذج يتزايد بدلاً من أن يتناقص، فسوف يؤدي هذا إلى تحويل عبء العمل إلى مهندسي البيانات الذين يتمتعون بكلتا المهارتين.

أولاً، كان قادرًا على إنشاء البنية التحتية المطلوبة لعلم البيانات، مثل بحيرة البيانات ومثيلات Spark. 

والثاني هو أخذ النماذج والتأكد من تنفيذها في النظام التشغيلي وتتبع الدقة والتحديث.

كما أن بعض مهندسي البيانات مسؤولون أيضًا عن عمليات البيانات، وضمان نظافة تدفقات البيانات ومعالجتها مسبقًا.

هناك اتجاه آخر في منصات التحليلات وهو نمو أدوات التحليلات المرئية وتصور البيانات. اليوم، أصبحت معظم هذه الأدوات متكاملة بشكل كامل مع مجموعات أدوات علوم البيانات، مما يتيح لمحللي البيانات ومديري العمليات استخراج المزيد من القيمة وحتى توجيه العمل التحليلي. لن تحل هذه الأدوات محل علماء البيانات، ولكنها ستعزز الدور الذي تلعبه التحليلات المتقدمة داخل الفرق. 

التنبؤ الرابع: الرقائق العصبية: الذكاء الاصطناعي وإنترنت الأشياء يتقدمان نحو الصدارة

إن هاتين التقنيتين المختلفتين في حالة شبه ناضجة في نفس الوقت لحل مشكلة طويلة الأمد - زمن الوصول. 

على سبيل المثال، فكر في الأمر عندما تريد ترجمة كلمة أو نص أو صورة باستخدام جهازك المحمول، حيث يرسل جهازك هذه الإشارة مرة أخرى إلى التطبيق حيث تتم الترجمة في سحابة الترجمة ثم مرة أخرى إلى جهازك. 

انتقلت Google وخدمات الترجمة الفورية الأخرى من RNN إلى بنية CNN المتخصصة، أي شبكة ملتوية زمنية، لأن RNN لا تتكيف بشكل جيد مع MPP، ولكن CNN تتكيف. يؤدي هذا التحويل إلى تقليل زمن الوصول، ولكن الإشارة تظل سليمة. 

إحدى التقنيات التي من شأنها حل هذه المشكلة هي شبكات الجيل الخامس. يعلم الجميع أن تقنية الجيل الخامس ستكون سريعة، لكن فائدتها الحقيقية تكمن في قدرتها على حمل كميات أكبر من حركة المرور.

الحل الثاني هو تقديم شرائح عصبية جديدة (وتسمى أيضًا الشبكات العصبية المتصاعدة). قد يكون هذا البناء الشبكي العصبي هو المفتاح لتحقيق الذكاء الاصطناعي العام (AGI). ولكن هذا سيستغرق بعض الوقت.

في الوقت الحالي، تعمل شركات تصنيع الرقائق الكبرى وبعض الشركات الناشئة على تطوير رقائق مخصصة للشبكات العصبية النبضية، والتي تم تحسينها لشبكات CNN وRNN، وبعضها تم تحسينه أيضًا لتحقيق استهلاك منخفض للغاية للطاقة. 

وبدمج هذه القدرات، ستنتقل عملية التعلم العميق إلى الرقائق الموجودة على حافة الشبكة. وسيكون من المثير للاهتمام أن نرى كيف ستتطور تقنية إنترنت الأشياء وتطبيقات تدفق البيانات الأخرى بدءًا من هذا العام. 

التنبؤ رقم 5: سوف تندمج أطر عمل الذكاء الاصطناعي المختلفة مع بعضها البعض

في الوقت الحاضر، أصبحت نماذج النص والصوت والصورة والفيديو سائدة، لكن تطويرها لا يزال يواجه عقبات كبيرة. لأن النماذج المبنية على إطار عمل واحد (مثل Caffe2، وPyTorch، وApache MXNet، وMicrosoft Cognitive Toolkit، وTensorFlow) لا يمكن نقلها بسهولة إلى إطار عمل آخر.

ولحسن الحظ، فقد أدى هذا أيضًا إلى بعض الابتكارات. على سبيل المثال، تعاونت AWS وFacebook وMicrosoft لبناء Open Neural Network Exchange (ONNX)، الذي يتيح للنماذج التفاعل عبر أطر عمل مختلفة.

مع زيادة عدد النماذج المشتركة بين المطورين والتطبيقات والأجهزة، ستكون ONNX تقنية رئيسية هذا العام. 

هذا هو التنبؤ لهذا العام. فقط انتظر حتى العام المقبل لكي تنظر إلى الوراء وترى كيف يختلف هذا المجال عما تخيلته.