في الواقع ، تقدر شركة برايس ووترهاوس كوبرز أن تأثير الذكاء الاصطناعي على الاقتصاد العالمي قد يصل إلى ما يزيد عن 15 تريليون دولار بحلول عام 2030.
 |
هناك عدد قليل جدًا من التقنيات التي يمكن أن يكون لها هذا النوع من التأثير على العالم في المستقبل القريب. |
اقرأ ما إذا كنت تريد فهم أكبر الاتجاهات في نظام الذكاء الاصطناعي والتعلم الآلي.
1. يدعم التعلم العميق تحليل البيانات المتعمق
ربما كانت أكبر ثورة في مجال الذكاء الاصطناعي هي التعلم العميق.
التعلم العميق هو مجموعة فرعية من التعلم الآلي. وهي في الأساس طريقة للآلات لتقليد دماغ الإنسان .
يفعلون ذلك عن طريق إنشاء طبقات من الشبكات العصبية الاصطناعية (كما هو الحال في أدمغتنا) واستخدامها لمعالجة كميات كبيرة من البيانات غير المهيكلة.
يتيح ذلك للآلة معرفة كيفية تصنيف أو تحليل المدخلات دون أن تتم برمجتها للتعامل مع مهام محددة.
بينما كان المفهوم موجودًا منذ فترة ، بدأت "ثورة" التعلم العميق بالفعل في عام 2012.
استخدم فريق يتنافس في تحدي Kaggle التعلم العميق للكشف عن الآثار السلبية للمواد الكيميائية في الأدوات المنزلية.
منذ هذا الاختراق ، انتشر استخدام ML.
تشير IFI Claims Patent Services إلى أن عدد براءات اختراع التعلم الآلي ينمو بمعدل نمو سنوي مركب بلغ 46.01٪ .
تعد حالات استخدام التعلم العميق هائلة ، وتمتد عبر جميع الصناعات وتتراوح من الصيانة التنبؤية إلى استراتيجية المنتج.
بالعودة إلى عام 2018 ، وجدت شركة McKinsey أنه يمكن استخدام التعلم العميق لتحسين النتائج في 69٪ من حالات الاستخدام.
لكن التبني أصعب مما يبدو. في عام 2020 ، ما زالت شركة McKinsey تفيد بأن 16٪ فقط من المؤسسات لديها برامج تعلم عميق متقدمة تجاوزت مراحل التجربة الأولية.
قد يكون هذا على وشك أن يتغير.
يمكن أن تستفيد كل صناعة في العالم تقريبًا من التعلم العميق . في الواقع ، بدأت العديد من المنتجات الحديثة في الاعتماد عليها.
خذ على سبيل المثال ، السيارات ذاتية القيادة.
المشكلة الرئيسية التي تواجه صناعة السيارات المستقلة هي السيناريوهات غير المسبوقة.
تستخدم العديد من الشركات الخرائط ثلاثية الأبعاد أو بيانات القيادة السابقة لتدريب مركباتهم. عندما يحدث موقف غريب على الطريق ، فإن السيارة لا تعرف كيف تتفاعل.
لكن التعلم العميق يمكن أن يسمح للسيارات المستقلة بإجراء اتصالات والتعلم بطرق لا تتضمن سيناريوهات سابقة.
تقوم بعض شركات القيادة الذاتية الأكثر تقدمًا بالفعل بتطبيق التعلم العميق في منتجاتها.
قال المؤسس المشارك لشركة Cruise مؤخرًا إنهم يعتزمون أن يكونوا شركة أصلية في الذكاء الاصطناعي . البرامج التي تتعلم من تلقاء نفسها ضرورية لمستقبل القيادة الذاتية.
استحوذت جنرال موتورز على Cruise مقابل 1 مليار دولار في عام 2016. وفي عام 2020 ، قبلت الشركة استثمارات من Microsoft و Honda وغيرهما قيمت شركة GM التابعة بأكثر من 30 مليار دولار .
يمكنك أيضًا قياس الإمكانات المستقبلية للتعلم العميق من خلال النظر إلى من يعمل عليها.
وليس عليك أن تنظر بعيدًا لترى أن العديد من أكبر شركات التكنولوجيا في العالم تستثمر بكثافة في التعلم العميق.
خذ روبوتات المحادثة ، على سبيل المثال. لسنوات ، كانت روبوتات المحادثة معطلة ، وتقدم ردودًا متكررة ، ولا تبدو بشرية.
ولكن الآن ، تدعي Google أنها أنشأت أفضل روبوت محادثة في العالم.
يستخدم Google Meena شبكة عصبية (مدربة على قاعدة بيانات ضخمة لوسائل التواصل الاجتماعي ومحادثات الإنترنت) لفهم سياق المحادثة فعليًا.
وعلى ما يبدو ، يتواصل موقع Google Meena بطريقة قريبة بشكل مثير للإعجاب من المعايير البشرية.
كما سنناقش أدناه ، فإن برامج التعلم العميق نفسها تقود أيضًا الابتكار في أشياء مثل معالجة اللغة الطبيعية (NLP) والرعاية الصحية.
على سبيل المثال ، تحتوي خوارزمية معالجة اللغة الطبيعية GPT-3 الخاصة بـ OpenAI على "خلايا عصبية" أكثر من الدماغ البشري .
2. تحفز معالجة اللغة الطبيعية حالات استخدام جديدة للذكاء الاصطناعي
القليل من الأشياء في صناعة الذكاء الاصطناعي / تعلم الآلة لها استخدامات تجارية واعدة أكثر من معالجة اللغة الطبيعية (NLP).
عالمنا ملفوف في النص. يعد تحليل المستندات والنصوص وتنسيقها وترجمتها واستخدامها أمرًا ضروريًا لجميع أنواع الأعمال في جميع أنحاء العالم.
وهي ليست مجرد كلمات. يتم استخدام البرمجة اللغوية العصبية وسيُستخدم لتحليل البيانات بطرق تختلف كثيرًا عن الأساليب الإحصائية السابقة التي استخدمناها.
إذن ، ما هو البرمجة اللغوية العصبية؟
حسنًا ، إنها في الأساس طريقة تستخدمها أجهزة الكمبيوتر للتحدث بلغتنا .
في الماضي ، كان على أجهزة الكمبيوتر ترجمة لغتنا البشرية إلى رمز. ولكن باستخدام البرمجة اللغوية العصبية ، ستكون الآلات قادرة على اكتساب الذكاء من بياناتنا لأنها في حالتها الطبيعية.
أنشأ البشر 2.5 كوينتيليون بايت من البيانات يوميًا في عام 2020. ويتكون الكثير من هذا من نصوص يمكن للبشر قراءتها.
يتم استخدام البرمجة اللغوية العصبية من قبل الشركات في جميع أنحاء العالم لتحديد شعور النص ، وتصنيف النص ، واستخراج المعنى والكلمات الرئيسية من النص ، وتحليل النص.
في عام 2019 ، طور Facebook برنامج NLP الذي احتل المركز الأول في مسابقة ترجمة اللغة.
وتستخدم أدوات مثل Grammarly منذ فترة طويلة معالجة اللغات الطبيعية لتحسين القواعد عبر مجموعة من البيئات الرقمية.
في المجال القانوني والتجاري ، بدأت عشرات الشركات في استخدام البرمجة اللغوية العصبية لتحليل العقود القانونية الكثيفة ، بالإضافة إلى إنشاء عقود جديدة.
على سبيل المثال ، تستخدم شركة الاكتشاف الإلكتروني Epiq الآن البرمجة اللغوية العصبية لتحليل مئات العقود للعملاء في غضون دقائق.
و Epiq ليس الوحيد. تستخدم الشركات الناشئة مثل ThoughtRiver و Kira Systems و Luminance نوعًا من البرمجة اللغوية العصبية لتحليل المستندات القانونية بسرعة.
والآن ، يتم استخدام البرمجة اللغوية العصبية لإنشاء مستندات ومقالات جديدة تمامًا.
صدم GPT-3 من OpenAI العالم بظهوره لأول مرة في عام 2020.
يمكن لبرنامج البرمجة اللغوية العصبية (NLP) إنشاء نصوص تقرأ تمامًا مثل الكتاب البشريين.
اليوم ، تدعي شركة OpenAI أنها تنتج ما يقرب من 4.5 مليار كلمة يوميًا .
يتم استخدام برنامج البرمجة اللغوية العصبية (NLP) بواسطة أكثر من 300 تطبيق ، حيث يستخدمه الآلاف من المطورين لإنشاء المحتوى.
في غضون عام واحد فقط ، يُقدر أن GPT-3 ينتج ما لا يقل عن ضعف كمية المحتوى التي تنتجها جميع مدونات WordPress على الإنترنت.
هذا مثير للإعجاب بشكل خاص بالنظر إلى أن WordPress يدعم ما يقرب من 40 ٪ من الإنترنت.
لا تزال التطورات في البرمجة اللغوية العصبية في بداياتها ، وستتحسن الابتكارات مثل GPT-3 بمرور الوقت.
3. الذكاء الاصطناعي والتعلم الآلي يطلقان ثورة في مجال الرعاية الصحية
على مدار العام الماضي ، على وجه الخصوص ، كان الذكاء الاصطناعي والتعلم الآلي بمثابة تحولات لا تصدق في صناعة الرعاية الصحية.
كان التقدم في مجال الذكاء الاصطناعي مكونًا رئيسيًا في التعامل مع الوباء العالمي. ومع ظهور الطب عن بعد وغيره من ابتكارات التكنولوجيا الصحية ، سيصبح الذكاء الاصطناعي أكثر أهمية.
كشف عام 2020 أيضًا عن مشاكل في صناعة الرعاية الصحية حيث تعمل حاليًا.
على سبيل المثال ، أدى COVID-19 إلى تفاقم المشاكل المرتبطة بنقص الممرضات والعاملين في مجال الرعاية الصحية.
ومع ذلك ، تتطلع بعض مبادرات الذكاء الاصطناعي إلى حل هذه المشكلة.
وفقًا لـ Accenture ، يمكن للذكاء الاصطناعي أن يسمح للممرضات بالتعامل مع طلب المرضى المحتجزين بنسبة 20٪ خلال السنوات القليلة المقبلة.
ربما هذا هو السبب في أن 90٪ من المستشفيات لديها نوع من مبادرات الذكاء الاصطناعي المخطط لها في المستقبل القريب. هذه زيادة هائلة ، مقارنة بأقل من نصف جميع المستشفيات في عام 2019.
كان عام 2020 أيضًا عامًا قياسيًا في الاستثمار في الرعاية الصحية . وأظهر الربع الأول من عام 2021 نموًا هائلاً أيضًا.
في الربع الأول من عام 2021 ، تم استثمار 2.5 مليار دولار (أكثر من ضعف الربع الأول من عام 2020) في شركات الرعاية الصحية الناشئة التي تركز على الذكاء الاصطناعي.
ووفقًا لـ CB Insights ، تم ذكر الذكاء الاصطناعي والتعلم الآلي في الرعاية الصحية في أكثر من 2000 مكالمة أرباح في الربع الأول.
Insitro هي واحدة من أكثر الشركات ابتكارًا في دمج التعلم الآلي والرعاية الصحية .
تستخدم الشركة التعلم الآلي لتحليل مجموعات البيانات البيولوجية الكبيرة.
جمعت Insitro 400 مليون دولار في سلسلة C في عام 2021.
وقد أبرمت عقودًا مع شركات تصنيع الأدوية الكبيرة مثل Bristol-Meyers Squibb و Gilead لإجراء أبحاث عن الأدوية التي يحركها ML.
Strive Health هي شركة أخرى مدفوعة بالذكاء الاصطناعي وتحدث موجات في صناعة الرعاية الصحية.
تركز الشركة على الرعاية الوقائية للكلى.
يصيب مرض الكلى ما يقرب من 37 مليون شخص . وفقط 10٪ من المصابين بشكل مزمن يدركون أنهم مصابون بالمرض.
تحاول Strive Health منع أمراض الكلى المزمنة باستخدام تقنية الذكاء الاصطناعي التي يمكنها التنبؤ بتطور أمراض الكلى بدقة تزيد عن 95٪.
جمعت Strive مؤخرًا 140 مليون دولار من ذراع شركة Alphabet ، من بين مستثمرين آخرين.
ربما لم يأتِ أحد أكثر الابتكارات إثارة للإعجاب من شركة ناشئة ، بل من شركة تقنية كبيرة لا ترتبط حتى بصناعة الرعاية الصحية.
أنشأ مشروع DeepMind التابع لشركة Google برنامج AlphaFold في عام 2018.
يستخدم AlphaFold تقنية التعلم العميق DeepMind للتنبؤ بهياكل البروتين.
ببساطة ، سلاسل الأحماض الأمينية في أجسامنا تطوى بطرق مختلفة لتشكيل هياكل بروتينية مختلفة .
يمكن أن يكون فهم هذه الهياكل والتنبؤ بها مفتاحًا لفهم الأمراض الوراثية وغيرها من المشكلات.
يمكن أن يتحول البروتين إلى ما يقرب من 200 مليون تكوين مختلف ، مما يجعل من المستحيل تصنيف الهياكل المختلفة بناءً على الملاحظة.
هذا هو المكان الذي يأتي فيه AlphaFold والتعلم العميق.
كان أداء AlphaFold 2 الأحدث من Google أفضل من أي منافس آخر هناك عندما يتعلق الأمر بالتنبؤ بهياكل البروتين المستقبلية.
بمرور الوقت ، تأمل مبادرات الذكاء الاصطناعي مثل AlphaFold و Insitro في تغيير طريقة تعاملنا مع الأمراض وإدارتها.
4. الذكاء المعزز يحسن صنع القرار البشري
منذ ظهور الذكاء الاصطناعي ، كان الناس قلقين بشأن استبدالهم.
وبينما لا يزال البعض غير موافق ، يعتقد العديد من المعلقين أن الذكاء الاصطناعي سيزيد الذكاء البشري في المستقبل.
هذا ما يعرف بالذكاء المعزز.
وتوقعت جارتنر أن زيادة الذكاء الاصطناعي ستضيف أكثر من 2 تريليون دولار إلى الاقتصاد الأمريكي في عام 2021.
يتزايد أيضًا الطلب على التعزيز البشري للذكاء الاصطناعي.
في عام 2020 ، أصدرت Amazon Web Services ما تسميه A2I - وهي منصة حيث يمكن للمطورين العثور على بشر لمراجعة نماذج وأنظمة الذكاء الاصطناعي الخاصة بهم.
كما توضح أمازون ، فأنت في بعض الأحيان تحتاج إلى إنسان لمراجعة نتائج ومهام معينة لاكتشاف الأخطاء أو المشكلات التي لا تستطيع الآلة القيام بها.
5. محاولات TinyML لدمج ML و IoT
على مدى السنوات العديدة الماضية ، أصبحت قوة الحوسبة لخوارزميات التعلم الآلي أكبر من أن تستضيفها على جهاز محلي.
لكن الأجهزة المتطورة التي تجمع البيانات لها قدرة حوسبة محدودة. لهذا السبب ، أصبح من الضروري تطوير خوارزميات ML التي يمكن أن تعمل بذاكرة محلية قليلة أو قوة حاسوبية.
تأمل TinyML في حل هذه المشكلة.
بشكل أساسي ، تحدد TinyML أي خوارزمية للتعلم الآلي يمكن أن تعمل على نوع من الأجهزة المضمنة أو جهاز الحافة في نظام إنترنت الأشياء.
كان على الأجهزة تقليديًا جمع الكثير من البيانات غير المفيدة. ثم أرسلها إلى مزود السحابة بحيث يمكن تحليلها بواسطة خوارزميات ML.
يمكن لـ TinyML تغيير هذا عن طريق حل مشكلتين في وقت واحد.
أولاً ، يسمح لأجهزة إنترنت الأشياء بتحليل البيانات باستخدام طاقة محدودة وقوة حاسوبية. وثانيًا ، يسمح لهذه الأجهزة بجمع البيانات المفيدة فقط.
يمكنك أن ترى هذا في الأجهزة اليومية بالفعل. على سبيل المثال ، قد تحتوي معظم الهواتف الذكية ومكبرات الصوت المنزلية على ما يسمى كلمات "التنبيه".
تجبر هذه الكلمات (أو الكلمات الرئيسية الأخرى ، مثل اسم الجهاز) الجهاز على جمع البيانات فقط عندما يحتاج (أي بيانات مفيدة).
بأي طريقة تنظر إليها ، سيكون سوق الحوسبة المتطورة ضخمًا (تتراوح التوقعات من حوالي 40 إلى 60 مليار دولار بحلول أواخر عام 2020).
ومن المرجح أن يكون TinyML هو القوة الدافعة للسوق بأكمله.
تبلغ تكلفة وحدة التحكم الدقيقة النموذجية (أجهزة الكمبيوتر الصغيرة التي تشغل الأجهزة المحلية مثل الطابعات وأجهزة استشعار المصنع) حوالي 60 سنتًا لكل وحدة .
إذا كان المزيد والمزيد من هذه الأجهزة الرخيصة قادرة على تشغيل نماذج التعلم الآلي على الحافة ، فيمكن عندئذٍ جمع الكثير من البيانات وتحليلها بسعر رخيص جدًا.
لحسن الحظ بالنسبة لاقتصاد إنترنت الأشياء ، تتوقع ABI Research أنه سيكون هناك ما يقرب من 2.5 مليار جهاز يتم شحنها بحلول عام 2030 والتي سيكون لها قدرات TinyML.
وبينما لا تزال الخوارزميات مدربة عادة على خوادم أكبر ، يتوقع العديد من الخبراء أنه في غضون خمس سنوات سيتم تدريب النماذج على الأجهزة المتطورة أيضًا.
خاتمة
هذه هي أهم اتجاهات الذكاء الاصطناعي والتعلم الآلي التي يجب البحث عنها خلال السنوات القليلة المقبلة.
لا شك أن الذكاء الاصطناعي والتعلم الآلي سيغيران طريقة عملنا في العالم.
ويرتبط العديد من هذه التغييرات بأشكال جديدة لجمع البيانات وتحليلها.
مع جمع المزيد من البيانات الجديدة (إلى حد كبير عبر إنترنت الأشياء) ، ستغير مبادرات الذكاء الاصطناعي والتعلم الآلي الجديدة كيفية استخدامنا لتلك البيانات.