المشفرات في الذكاء الاصطناعي: كيف تطورت من أنظمة بسيطة إلى أنظمة متعددة الأنماط

أجهزة التشفير نادراً ما تكون محط الأضواء، مع أنه من خلالها يبدأ «الفهم» للبيانات في أنظمة الذكاء الاصطناعي الحديثة. على مدى السنوات، تطورت من محولات الفئات البسيطة إلى أساس النماذج التي تلتقط السياق وتعمل مع الصور وتجمع أنواعاً متعددة من البيانات في إجابة واحدة.

من الأرقام إلى المعنى

في الأيام الأولى للتعلم الآلي، كانت أجهزة التشفير بمثابة حل تقني أكثر من أي شيء يشبه الذكاء. كان المطورون يحولون يدويّاً فئات مثل «صغير» و«متوسط» و«كبير» إلى أرقام لكي تستطيع الخوارزميات معالجتها. كان هذا النهج مفيداً لكن محدوداً جداً: لم يكن النظام يفهم العلاقات بين الكائنات، بل كان يعالج جداول من الأرقام ببساطة. لهذا السبب، كانت الأنظمة الأولى للتوصيات تستطيع اقتراح المنتجات بناءً على قوانين صارمة، لكنها لم تكن تلتقط الاهتمامات المجاورة للمستخدم إلا إذا تم ترميزها مسبقاً في الحل المنطقي.

تغيرت الحالة عندما دخلت الشبكات العصبية إلى الساحة بشكل كامل. بدلاً من وصف الميزات يدويّاً، بدأت النماذج بالتعلم مباشرة من البيانات. في الرؤية الحاسوبية، كان هذا يعني أن النظام لم يعد بحاجة إلى شرح خطوة بخطوة كيف تبدو الشوارب والأذنان وذيل القطة: بل يستخرج الأنماط من آلاف الصور. حدث تحول مماثل في معالجة اللغة الطبيعية. بدأت الكلمات تُمثَّل بموجهات تعكس ليس فقط شكلها بل أيضاً علاقاتها الدلالية، مما سمح لأنظمة البحث واللغة بالتعرف على التشابه بين صيغ مختلفة للفكرة ذاتها.

القفزة الكبيرة التالية

جاءت مرحلة جادة من التطور مع أجهزة التشفير التلقائي. تبدو مهمتها بسيطة: ضغط البيانات ثم إعادة بنائها. لكن لكي ينجح هذا، يجب أن يفهم النموذج أي من الميزات مهمة فعلاً وأي الضوضاء يمكن تجاهلها. عملياً، ثبت أن هذا مفيد للغاية. في الخدمات المالية، تساعد هذه النماذج على اكتشاف العمليات المريبة لأنها تفهم جيداً كيف يبدو السلوك الطبيعي وتلتقط الانحرافات بسرعة. ينطبق المبدأ ذاته على تخزين الصور، حيث يكون من المهم تقليل حجم الملف دون فقدان التفاصيل الرئيسية.

جاء الانقطاع التالي مع ظهور المحولات. ميزتها أنها تنظر إلى بيانات الإدخال ليس عنصراً واحداً في المرة، بل فوراً في سياق السلسلة بأكملها. بالنسبة للغة، هذا مهم بشكل خاص: معنى الجملة غالباً ما يعتمد ليس على الكلمات الفردية بل على كيفية ارتباطها داخل الجملة. بفضل هذا، أصبحت أجهزة التشفير في المحولات أساس الروبوتات الحوارية والترجمة الفورية والإدخال الصوتي والبحث الذي يفهم النية بشكل أفضل بدلاً من مجرد التطابق الحرفي للاستعلامات.

حيث يظهر هذا بالفعل

اليوم، أجهزة التشفير مدرجة بعمق في الخدمات الرقمية اليومية بحيث لا يلاحظ معظم المستخدمين عملها. لا تولد الإجابة النهائية على مرأى من المستخدم، لكنها هي التي تحول تدفقات الإشارات الخام—النصوص والصور والسجل البحثي وظروف الطرق أو الصور الطبية—إلى شكل يستطيع النظام الذكي التعامل معه.

• تحلل منصات البث نماذج المشاهدة وتتنبأ بشكل متزايد بدقة بما سيريد الشخص مشاهدته بعد ذلك.
• تجمع خدمات الملاحة بيانات حركة المرور وظروف الطرق وسلوك السائقين لاكتشاف الاختناقات مبكراً واقتراح مسارات أسرع.
• تستخدم الأنظمة الطبية أجهزة التشفير لتحليل الصور وتمييز المناطق التي يجب على الطبيب فحصها بعناية أكبر.
• في التجارة الإلكترونية، تساعد أجهزة التشفير على البحث عن منتجات مشابهة ليس فقط بالكلمات الرئيسية بل أيضاً بالصورة.

المرحلة الجديدة الأكثر ملحوظة هي أجهزة التشفير المتعددة الأشكال. تستطيع معالجة النصوص والصور وأنواع بيانات أخرى في نفس الوقت، وربطها في تمثيل واحد. يفتح هذا سيناريوهات أكثر طبيعية: يصور المستخدم نباتاً ويسأل فوراً عن كيفية العناية به؛ يحمل صورة لشيء أعجبه ويحصل على مجموعة مختارة من المنتجات المشابهة؛ يعرض صورة وثيقة ويطلب شرحاً موجزاً لمحتواها. كلما دمجت هذه النماذج الإشارات المختلفة بشكل أفضل، اقتربت الواجهات أكثر من طريقة إدراك الإنسان للمعلومات.

ماذا يعني كل هذا

يُظهِر تطور أجهزة التشفير أن التقدم الرئيسي في الذكاء الاصطناعي لا يحدث فقط على مستوى الإجابات المصقولة، بل أيضاً في كيفية فهم النظام للعالم بشكل عام. في السنوات القادمة، ستكون المواضيع الرئيسية الكفاءة والتخصيص والتعدد الشكلي، لكن إلى جانب ذلك ستبقى أسئلة تكلفة الحوسبة والخصوصية والانحيازات في البيانات. بشكل متزايد، تحدد جودة أجهزة التشفير مدى فائدة ودقة وأمان الطبقة التالية من منتجات الذكاء الاصطناعي.