باحثون سابقون في Google وApple يطلقون Trajectory لبناء أنظمة ذكاء اصطناعي ذات تعلّم مستمر

أسّس باحثون سابقون في Google وApple شركة Trajectory الناشئة لبناء أنظمة ذكاء اصطناعي تتعلم باستمرار من بيانات المستخدمين. وتقوم قناعتهم الأساسية على أن دورة التكرار السريعة يمكن أن تحل إحدى أبرز مشكلات الذكاء الاصطناعي الحديث.

لماذا لا ينجح النهج الحالي

تعاني معظم منتجات الذكاء الاصطناعي من عيب جوهري واحد: غياب حلقة تغذية راجعة (feedback loop) سريعة. وتسير العملية المعتادة على النحو التالي: يدرّب الباحثون النموذج على بيانات تاريخية، ثم يطرحه مدير المنتج في بيئة الإنتاج (production)، وبعدها تنتظر الشركة أشهراً حتى تتراكم بيانات جديدة لإعادة التدريب. وخلال هذه الفترة يتدهور أداء النموذج، ويصطدم المستخدمون بالأخطاء، ويتغير توزيع البيانات.

وترى Trajectory أن هذا النهج خاطئ من أساسه. فإذا كان بإمكان النظام أن يتعلم في الوقت الفعلي، فيمكنه أن يتكيف شبه فوري مع السيناريوهات والأخطاء الجديدة.

إلهام من التطوير السريع

كما يستطيع المطوّر خلال ساعات إدخال تعديل ونشره في بيئة الإنتاج والحصول على تغذية راجعة، ينبغي لنظام الذكاء الاصطناعي أن يكون قادراً على تحديث أوزانه استناداً إلى بيانات المستخدمين الحية. وبدلاً من دورة «أشهر من التخطيط، ثم التدريب، ثم النشر» (deploy)، تصبح المدة الفاصلة بين رصد المشكلة وإصلاحها دقائق.

مزايا هذا النهج:

• يتحدث النموذج في الوقت الفعلي استناداً إلى بيانات جديدة
• اكتشاف الأخطاء وإصلاحها خلال ساعات لا أشهر
• التكيف مع خصوصية كل مستخدم أو عميل
• خفض خطر تدهور النموذج في بيئة الإنتاج
• تقليص تكاليف إعادة التدريب وإعادة النشر

كيف قد يبدو ذلك من الناحية التقنية

تعمل Trajectory على بنية لا يكتفي فيها النموذج بإصدار تنبؤ، بل يستوعب في الوقت نفسه نتيجة هذا التنبؤ. ويتطلب ذلك حل عدة مشكلات معقدة.

الأولى هي التحقق من صحة البيانات. كيف نميّز الإشارة (signal) المفيدة من الضوضاء (noise)؟ فإذا ضغط المستخدم على زر عن طريق الخطأ، فلا ينبغي أن يؤثر ذلك في تدريب النموذج.

الثانية هي مراقبة الجودة. كيف نتجنب أن يبدأ النموذج بالتعلم من أخطائه هو؟

الثالثة هي القدرة على التوسع. كيف ستعمل هذه البنية حين يولّد ملايين المستخدمين البيانات في وقت واحد؟

والشركات التي ستتمكن من حل هذه المسائل ستحصل على ميزة كبيرة في سرعة التكرار وجودة المنتج.

ماذا يعني ذلك للقطاع

إذا تبيّن أن رؤية Trajectory قابلة للتحقيق، فقد تعيد تعريف معنى «نشر الذكاء الاصطناعي في بيئة الإنتاج». فبدلاً من استثمار لمرة واحدة في تدريب النموذج، ستتمكن الشركات من إطلاق منتجات ذكاء اصطناعي أشبه بكائنات حية تنمو وتتكيف مع الواقع الجديد.

وسيتطلب ذلك أدوات جديدة وممارسات مثلى (best practices) جديدة وثقافة تطوير جديدة، لكن المكاسب المحتملة كبيرة.