يساعد الذكاء الاصطناعي اليوم الأطباء في تشخيص الأمراض ويساعد الطيارين لقيادة طائرات تجارية ومخططي المدن في التنبأ بحركة المرور. ولكن رغم ما تفعله أنظمة الذكاء الاصطناعي إلا أن علماء الكمبيوتر الذين صمموها ربما لا يعرفون بالضبط كيف تفعل ذلك. هذا لأن الذكاء الاصطناعي غالبًا ما يعلم نفسه بنفسه، وذلك باستخدام مجموعة بسيطة من التعليمات لإنشاء مَصفُوفة فريدة من القواعد والاستراتيجيات. إذن كيف تتعلم الآلة بالضبط؟
Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn?
هناك العديد من الطرق المختلفة لبناء برامج التعليم الذاتي. لكنها تعتمد كلها على الأنواع الأساسية الثلاثة للتعلم الآلي: التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف والتعلم المعزز. لرؤية كيف تعمل هذه الأنواع علينا تخيل أن الباحثين يحاولون جمع المعلومات من حزمة بيانات طبية تحتوي على آلاف الملفات الشخصية للمرضى.
There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles.
أولاً، التعلم غير الخاضع للإشراف. سيكون هذا النهج مثاليًا لتحليل جميع الملفات الشخصية للعثور على أوجه التشابه العامة والأنماط المفيدة. قد يكون لدى بعض المرضى أعراض مرضية مماثلة، أو ربما ينتج عن العلاج مجموعات محددة من الآثار الجانبية. يمكن استخدام هذا النهج الشامل للبحث عن الأنماط لتحديد أوجه التشابه بين ملفات التعريف لمختلف المرضى والعثور على الأنماط الظاهرة، كل ذلك بدون توجيه بشري.
First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations, or perhaps a treatment produces specific sets of side effects. This broad pattern-seeking approach can be used to identify similarities between patient profiles and find emerging patterns, all without human guidance.
لكن لنتخيل أن الأطباء يبحثون عن شيء أكثر تحديدًا. يريد هؤلاء الأطباء إنشاء خوارزمية لتشخيص حالة معينة. فيبدأون بجمع مجموعتين من البيانات - أي الصور الطبية ونتائج الاختبارات من المرضى الأصحاء والأشخاص الذين تم تشخيصهم بالحالة. ثم يُدخلون هذه البيانات في برنامج مصمم لتحديد سمات مشتركة بين المرضى ولا توجد لدى المرضى الأصحاء. بناءً على عدد المرات التي يرى فيها ميزات معينة، سيقوم البرنامج بتعيين قيم للأهمية التشخيصية لتلك الميزات، فيُنشأ خوارزمية لتشخيص المرضى في المستقبل. ولكن على عكس التعلم غير الخاضع للإشراف، للأطباء وعلماء الكمبيوتر دور فعال فيما سيحدث بعد ذلك. سيقوم الأطباء بإجراء التشخيص النهائي والتحقق من دقة تنبؤات الخوارزمية. ثم يمكن لعلماء الكمبيوتر استخدام مجموعات البيانات المُحدَّثة لضبط إعدادات البرنامج وتحسين دقته. هذا النهج العملي يسمى التعلم تحت الإشراف.
But let's imagine doctors are looking for something more specific. These physicians want to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features shared by the sick patients but not the healthy patients. Based on how frequently it sees certain features, the program will assign values to those features’ diagnostic significance, generating an algorithm for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have an active role in what happens next. Doctors will make the final diagnosis and check the accuracy of the algorithm’s prediction. Then computer scientists can use the updated datasets to adjust the program’s parameters and improve its accuracy. This hands-on approach is called supervised learning.
لنفترض أن هؤلاء الأطباء يريدون تصميم خوارزمية أخرى لإعطاء نصائح عن خطط العلاج. بما أن هذه الخطط ستُنفذ على مراحل، وقد تتغير بناءً على استجابة كل فرد للعلاج، يقرر الأطباء استخدام التعلم المعزز. يستخدم هذا البرنامج نهجًا تكراريًا لجمع التعليقات والآراء حول الأدوية والجرعات والعلاجات الأكثر فعالية. ثم يقارن تلك البيانات بملف التعريف لكل مريض لإنشاء خطة علاج فريدة ومثالية. مع تقدم العلاج وتلقي البرنامج المزيد من التعليقات وردود الفعل، يمكنه تحديث الخطة باستمرار لكل مريض. لا تعتبر أي من هذه التقنيات الثلاثة أذكى بطبيعتها من التقنيات الأخرى. بينما يتطلب البعض تدخلًا بشريًا أكثر أو أقل، لكل التقنيات نقاط القوة والضعف الخاصة بها مما يجعلها الأنسب لأداء مهام معينة. ولكن باستخدامها معًا يمكن للباحثين بناء أنظمة ذكاء اصطناعي معقدة، حيث يمكن للبرامج الفردية الإشراف وتعليم بعضها البعض. فمثلًا عندما يجد برنامج التعلم غير الخاضع للإشراف مجموعات من المرضى المتشابهين، يمكنه إرسال تلك البيانات إلى برنامج تعلم خاضع للإشراف مرتبط به. يمكن لهذا البرنامج بعد ذلك دمج هذه المعلومات في تنبؤاته. أو قد تحاكي العشرات من برامج التعلم المعزز النتائج المحتملة للمرضى لجمع الملاحظات حول خطط العلاج المختلفة.
Now, let’s say these doctors want to design another algorithm to recommend treatment plans. Since these plans will be implemented in stages, and they may change depending on each individual's response to treatments, the doctors decide to use reinforcement learning. This program uses an iterative approach to gather feedback about which medications, dosages and treatments are most effective. Then, it compares that data against each patient’s profile to create their unique, optimal treatment plan. As the treatments progress and the program receives more feedback, it can constantly update the plan for each patient. None of these three techniques are inherently smarter than any other. While some require more or less human intervention, they all have their own strengths and weaknesses which makes them best suited for certain tasks. However, by using them together, researchers can build complex AI systems, where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes
هناك طرق عديدة لإنشاء أنظمة التعلم الآلي هذه، وقد تكون أكثر النماذج المبشرة بِالخير هي تلك التي تحاكي العلاقة بين الخلايا العصبية في الدماغ. يمكن لهذه الشبكات العصبية الاصطناعية أن تستخدم ملايين الاتصالات لمعالجة المهام الصعبة مثل التعرف على الصور والتعرف على الكلام، وترجمة اللغة حتى. ومع ذلك فكلما أصبحت هذه النماذج ذاتية التوجيه أكثر إلا وزادت الصعوبة أمام علماء الكمبيوتر لتحديد كيفية وصول هذه الخوارزميات ذاتية التعلم إلى حلها. يبحث الباحثون بالفعل عن طرق لجعل التعلم الآلي أكثر شفافية. ولكن مع زيادة مشاركة الذكاء الاصطناعي في حياتنا اليومية، يصبح لهذه القرارات الغامضة تأثيرات كبيرة متزايدة على عملنا وصحتنا وسلامتنا. لذا بينما تستمر الآلات في تعلم كيفية التحقيق والتفاوض والتواصل، يجب علينا أيضًا التفكير في تعليمها كيف تُعلم بعضها البعض للعمل وفق نظم أخلاقية.
to collect feedback about different treatment plans. There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives, these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate and communicate,