التحديات التي تواجه الذكاء الاصطناعي في العلوم والهندسة
أحد الاحتمالات المثيرة التي يقدمها الذكاء الاصطناعي (AI) هو قدرته على حل بعض أكثر المشاكل صعوبة وأهمية التي تواجه مجالات العلوم والهندسة.
من شأن الذكاء الاصطناعي والعلم أن يكمل كل منهما الآخر بشكل جيد للغاية، حيث يبحث الأول عن أنماط في البيانات والآخر مخصص لاكتشاف المبادئ الأساسية التي تؤدي إلى ظهور تلك الأنماط.
ونتيجة لذلك، فإن الذكاء الاصطناعي والعلم قادران على إطلاق العنان بشكل كبير لإنتاجية البحث العلمي ووتيرة الابتكار في الهندسة. على سبيل المثال:
- علم الأحياء: توفر نماذج الذكاء الاصطناعي مثل AlphaFold من DeepMind الفرصة لاكتشاف بنية البروتينات وتصنيفها، مما يسمح للمهنيين بإطلاق العنان لعدد لا يحصى من الأدوية والأدوية الجديدة.
- الفيزياء: تظهر نماذج الذكاء الاصطناعي كأفضل المرشحين للتعامل مع التحديات الحاسمة في تحقيق الاندماج النووي، مثل التنبؤات في الوقت الحقيقي لحالات البلازما المستقبلية أثناء التجارب وتحسين معايرة المعدات.
- الطب: تعد نماذج الذكاء الاصطناعي أيضًا أدوات ممتازة للتصوير الطبي والتشخيص، مع إمكانية تشخيص حالات مثل الخرف أو الزهايمر في وقت أبكر بكثير من أي طريقة أخرى معروفة.
- علم المواد: تعد نماذج الذكاء الاصطناعي فعالة للغاية في التنبؤ بخصائص المواد الجديدة، واكتشاف طرق جديدة لتركيب المواد ونمذجة كيفية أداء المواد في الظروف القاسية.
هذه الابتكارات التكنولوجية العميقة الرئيسية لديها القدرة على تغيير العالم.
ومع ذلك، لتحقيق هذه الأهداف، يواجه علماء البيانات ومهندسو التعلم الآلي بعض التحديات الكبيرة التي تنتظرهم للتأكد من أن نماذجهم وبنيتهم التحتية تحقق التغيير الذي يريدون رؤيته.
التفسير
يتمثل جزء أساسي من المنهج العلمي في القدرة على تفسير كل من طريقة العمل ونتيجة التجربة وشرحها. هذا ضروري لتمكين الفرق الأخرى من تكرار التجربة والتحقق من النتائج.
كما يسمح لغير الخبراء وأفراد الجمهور بفهم طبيعة وإمكانات النتائج. إذا تعذر تفسير التجربة أو شرحها بسهولة، فمن المحتمل أن تكون هناك مشكلة كبيرة في إجراء مزيد من الاختبارات لاكتشاف ما وكذلك في الترويج له وتسويقه تجاريًا.
عندما يتعلق الأمر بنماذج الذكاء الاصطناعي القائمة على الشبكات العصبية، يجب علينا أيضًا التعامل مع الاستدلالات كتجارب.
على الرغم من أن النموذج ينتج تقنيًا استنتاجًا بناءً على الأنماط التي لاحظها، غالبًا ما توجد درجة من العشوائية والتباين يمكن توقعها في الإخراج المعني. هذا يعني أن فهم استنتاجات النموذج يتطلب القدرة على فهم الخطوات الوسيطة ومنطق النموذج.
هذه مشكلة تواجه العديد من نماذج الذكاء الاصطناعي التي تستفيد من الشبكات العصبية، حيث يعمل العديد منها حاليًا كـ “مربعات سوداء” – لم يتم تصنيف الخطوات بين إدخال البيانات ومخرجات البيانات، وليس هناك إمكانية لشرح “سبب” انجذابها نحو استنتاج خاص.
كما يمكنك أن تتخيل، فهذه مشكلة رئيسية عندما يتعلق الأمر بجعل استنتاجات نموذج الذكاء الاصطناعي قابلة للتفسير.
في الواقع، هذا يخاطر بالحد من القدرة على فهم ما يفعله النموذج لعلماء البيانات الذين يطورون النماذج، ومهندسي devops المسؤولين عن نشرها على البنية التحتية للحوسبة والتخزين الخاصة بهم.
وهذا بدوره يخلق حاجزًا أمام قدرة المجتمع العلمي على التحقق من النتائج ومراجعتها من قبل الأقران.
لكنها أيضًا مشكلة عندما يتعلق الأمر بمحاولات نشر أو تسويق أو تطبيق ثمار البحث خارج المختبر.
سيجد الباحثون الذين يرغبون في إشراك المنظمين أو العملاء صعوبة في الحصول على موافقة لفكرتهم إذا لم يتمكنوا من شرح سبب وكيفية تبرير اكتشافهم بلغة الشخص العادي.
ثم هناك مسألة ضمان أن الابتكار آمن للاستخدام من قبل الجمهور، خاصة عندما يتعلق الأمر بالابتكارات البيولوجية أو الطبية.
قابلية اعادة الأنتاج
مبدأ أساسي آخر في المنهج العلمي هو القدرة على إعادة إنتاج نتائج التجربة. تسمح القدرة على إعادة إنتاج التجربة للعلماء بالتحقق من أن النتيجة ليست تزويرًا أو صدفة، وأن التفسير المفترض لظاهرة ما دقيق.
يوفر هذا طريقة “للتحقق مرة أخرى” من نتائج التجربة، مما يضمن أن المجتمع الأكاديمي الأوسع والجمهور يمكن أن يثقوا في دقة التجربة.
ومع ذلك، فإن الذكاء الاصطناعي لديه مشكلة كبيرة في هذا الصدد.
يمكن أن تؤدي التعديلات الطفيفة في كود النموذج وهيكله، أو الاختلافات الطفيفة في بيانات التدريب التي يتم تغذيتها، أو الاختلافات في البنية التحتية التي تم نشرها عليها إلى نماذج تنتج مخرجات مختلفة بشكل ملحوظ.
هذا يمكن أن يجعل من الصعب الثقة في نتائج النموذج.
لكن مشكلة التكاثر أيضًا يمكن أن تجعل من الصعب للغاية توسيع نطاق النموذج. إذا كان النموذج غير مرن في الكود أو البنية التحتية أو المدخلات الخاصة به، فمن الصعب جدًا نشره خارج بيئة البحث التي تم إنشاؤها فيها.
هذه مشكلة كبيرة لنقل الابتكارات من المختبر إلى الصناعة والمجتمع ككل.
الهروب من القبضة النظرية
القضية التالية أقل وجودية – الطبيعة الجنينية للحقل.
تُنشر الأوراق باستمرار حول الاستفادة من الذكاء الاصطناعي في العلوم والهندسة، لكن العديد منها لا يزال نظريًا للغاية ولا يهتم كثيرًا بترجمة التطورات في المختبر إلى حالات استخدام عملية في العالم الحقيقي.
هذه مرحلة حتمية ومهمة لمعظم التقنيات الجديدة، لكنها توضح حالة الذكاء الاصطناعي في العلوم والهندسة.
إن الذكاء الاصطناعي حاليًا على وشك إجراء اكتشافات هائلة، لكن معظم الباحثين ما زالوا يتعاملون معه كأداة للاستخدام في سياق المختبر فقط، بدلاً من توليد ابتكارات تحويلية لاستخدامها خارج مكاتب الباحثين.
في نهاية المطاف، هذه مشكلة عابرة، ولكن التحول في العقلية بعيدًا عن النظرية والتوجه نحو الاهتمامات التشغيلية والتنفيذية سيكون مفتاحًا لتحقيق إمكانات الذكاء الاصطناعي في هذا المجال، وفي مواجهة التحديات الرئيسية مثل القابلية للتفسير والتكرار.
في النهاية، يعد الذكاء الاصطناعي بمساعدتنا في تحقيق اختراقات كبيرة في العلوم والهندسة إذا أخذنا مسألة توسيع نطاقها خارج نطاق المختبر على محمل الجد.
المصدر: venturebeat
شاهد المزيد:
