باحثون سابقون من Google و Apple يطلقون Trajectory لذكاء اصطناعي مع التعلم المستمر

أسس باحثون سابقون من Google و Apple شركة ناشئة تدعى Trajectory لإنشاء أنظمة ذكاء اصطناعي تتعلم بشكل مستمر من بيانات المستخدمين. معتقدهم الرئيسي: يمكن لدورات التكرار السريعة أن تحل إحدى المشاكل الرئيسية للذكاء الاصطناعي الحديث.

لماذا النهج الحالي لا يعمل

تعاني معظم منتجات الذكاء الاصطناعي من قيد أساسي: عدم وجود حلقة تغذية راجعة سريعة. تبدو العملية النموذجية كما يلي: يقوم الباحثون بتدريب نموذج على بيانات تاريخية، وتقوم فريق المنتج بنشره في الإنتاج، ثم تنتظر الشركة لأشهر حتى تتراكم بيانات جديدة لإعادة التدريب. خلال هذا الوقت، يتدهور النموذج، يواجه المستخدمون أخطاء، وتتغير توزيع البيانات. تعتقد Trajectory أن هذا خطأ جوهري. إذا كان النظام قادراً على التعلم في الوقت الفعلي، فيمكنه التكيف بسرعة كبيرة مع السيناريوهات والأخطاء الجديدة.

الإلهام من التطوير السريع

تماماً كما يمكن للمطور إجراء تغيير في بضع ساعات ونشره في الإنتاج والحصول على تعليقات، يجب أن يكون نظام الذكاء الاصطناعي قادراً على تحديث أوزانه بناءً على بيانات المستخدمين الحية. بدلاً من دورة 'أشهر من التخطيط والتدريب والنشر' — دقائق بين ملاحظة مشكلة وإصلاحها.

مزايا هذا النهج:

• يتم تحديث النموذج في الوقت الفعلي بناءً على البيانات الجديدة
• كشف الأخطاء وإصلاحها في ساعات وليس أشهر
• التكيف مع احتياجات كل مستخدم أو عميل محددة
• تقليل خطر تدهور النموذج في الإنتاج
• تقليل تكاليف إعادة التدريب والنشر

كيف يمكن أن يعمل هذا تقنياً

تعمل Trajectory على بنية معمارية حيث لا يقوم النموذج بمجرد عمل تنبؤ، بل يتعلم في نفس الوقت من نتيجة هذا التنبؤ. يتطلب هذا حل عدة مشاكل غير بديهية. الأول هو التحقق من البيانات. كيف تميز إشارة مفيدة عن الضوضاء؟ إذا نقر المستخدم على زر عن طريق الخطأ، فلا يجب أن يدرب النموذج. الثانية هي مراقبة الجودة. كيف تمنع النموذج من التعلم من أخطائه الخاصة؟ الثالثة هي قابلية التوسع. كيف تعمل هذه البنية المعمارية عندما يقوم ملايين المستخدمين بتوليد البيانات في نفس الوقت؟ ستحصل الشركات التي يمكنها حل هذه التحديات على ميزة ضخمة في سرعة التكرار وجودة المنتج.

ماذا يعني هذا للصناعة

إذا أثبت رؤية Trajectory أنها قابلة للتحقق، فقد تعيد تعريف معنى 'نشر الذكاء الاصطناعي في الإنتاج'. بدلاً من استثمار لمرة واحدة في تدريب النموذج، يمكن للشركات إطلاق منتجات ذكاء اصطناعي كائنات حية تنمو وتتكيف مع الواقعيات الجديدة. سيتطلب هذا أدوات جديدة وممارسات أفضل جديدة وثقافة تطوير جديدة، لكن المكاسب المحتملة ضخمة.