المرمِّزات في الذكاء الاصطناعي: كيف تطورت من مخططات بسيطة إلى أنظمة متعددة الوسائط

نادرًا ما تتصدر المرمِّزات الاهتمام، مع أن «فهم» البيانات في أنظمة الذكاء الاصطناعي الحديثة يبدأ منها. فعلى مر السنوات، تحولت من أدوات بسيطة لتحويل الفئات إلى أرقام إلى أساس لنماذج تلتقط السياق، وتعمل مع الصور، وتجمع عدة أنواع من البيانات في إجابة واحدة.

من الأرقام إلى المعنى

في المراحل الأولى من تعلم الآلة، كانت المرمِّزات أقرب إلى حل تقني مؤقت منها إلى شيء يشبه الذكاء. فقد كان المطورون يحوّلون يدويًا فئات مثل «صغير» و«متوسط» و«كبير» إلى أرقام كي تتمكن الخوارزمية أصلًا من التعامل معها. كان هذا النهج مفيدًا، لكنه محدود جدًا: فالنظام لم يكن يفهم العلاقات بين الكائنات، بل يعالج جدولًا من الأرقام فحسب. ولهذا كانت آليات التوصية المبكرة تقترح المنتجات وفق قواعد صارمة، لكنها لا تلتقط الاهتمامات المجاورة للمستخدم ما لم تكن مدمجة مسبقًا في المنطق البرمجي.

تغيّر الوضع عندما دخلت الشبكات العصبية المشهد بكامل قوتها. فبدلًا من الوصف اليدوي للخصائص، بدأت النماذج تتعلم من البيانات بنفسها. وفي الرؤية الحاسوبية، يعني ذلك أن النظام لم يعد بحاجة إلى شرح مفصّل لشكل شوارب القطة وأذنيها وذيلها: فهو يستخلص الأنماط من آلاف الصور. وحدث تحول مشابه في معالجة اللغة. فأصبحت الكلمات تُمثَّل بمتجهات تعكس شكلها وروابطها الدلالية معًا، ولذلك تعلمت أنظمة البحث والأنظمة اللغوية رؤية التقارب بين صياغات مختلفة للفكرة نفسها.

القفزة الكبيرة التالية

ترتبط مرحلة مهمة من التطور بالمرمِّزات التلقائية (Autoencoders). تبدو مهمتها بسيطة: ضغط البيانات ثم استعادتها. لكن لكي ينجح ذلك، يجب على النموذج أن يفهم أي الخصائص مهمة فعلًا، وأي ضوضاء يمكن التخلص منها.

وقد أثبت هذا النهج فائدته الكبيرة عمليًا. ففي الخدمات المالية، تساعد هذه النماذج على رصد العمليات المشبوهة، لأنها تعرف جيدًا شكل السلوك الطبيعي، فتكتشف الانحرافات بسرعة. ويعمل المبدأ نفسه في تخزين الصور، حيث يكون من المهم تقليص حجم الملف دون فقدان ملحوظ للتفاصيل الأساسية.

وجاء التحول التالي مع ظهور المحوِّلات (Transformers). تكمن ميزتها في أنها لا تنظر إلى البيانات المُدخلة عنصرًا بعد عنصر، بل ضمن سياق التسلسل كله دفعة واحدة. وهذا مهم بشكل خاص للغة: فمعنى العبارة كثيرًا ما يعتمد لا على الكلمات المنفردة، بل على الروابط بينها داخل الجملة. وبفضل ذلك أصبحت المرمِّزات في المحوِّلات أساسًا لروبوتات الدردشة والترجمة عبر الإنترنت والإدخال الصوتي والبحث الذي يفهم نية المستخدم بشكل أفضل، لا مجرد التطابق الحرفي مع استعلامه.

أين نراها اليوم

أصبحت المرمِّزات اليوم مدمجة في الخدمات الرقمية اليومية إلى حد أن معظم المستخدمين لا يلاحظون عملها. فهي لا تولّد الإجابة النهائية أمام أعينهم، لكنها هي التي تحوّل التدفق الخام من الإشارات، من نص وصورة وسجل مشاهدات وحالة الطرق وصورة طبية، إلى صيغة يستطيع النظام الذكي العمل بها.

• تحلل منصات البث أنماط المشاهدة، وتصبح مع الوقت أدق في توقع ما سيرغب الشخص في تشغيله بعد ذلك.
• تقارن خدمات الملاحة بين حركة المرور وحالة الطرق وسلوك السائقين، لترصد الازدحامات مبكرًا وتقترح مسارات أسرع.
• تستخدم الأنظمة الطبية المرمِّزات لتحليل الصور وإبراز المناطق التي يجدر بالطبيب فحصها بعناية أكبر.
• في التجارة الإلكترونية، تساعد المرمِّزات على البحث عن منتجات مشابهة، لا بالكلمات فقط بل بالصورة أيضًا.

أبرز المراحل الجديدة هي المرمِّزات متعددة الوسائط. فهي قادرة على معالجة النصوص والصور وأنواع أخرى من البيانات في آن واحد، وتربطها في تمثيل واحد. ومن هنا تنشأ سيناريوهات أكثر طبيعية: يلتقط المستخدم صورة لنبتة ويسأل فورًا كيف يعتني بها؛ أو يرفع صورة لقطعة أعجبته فيحصل على مجموعة منتجات مشابهة؛ أو يعرض صورة مستند ويطلب شرحًا موجزًا لمحتواه. وكلما أحسنت هذه النماذج الجمع بين الإشارات المختلفة، اقتربت الواجهات من الطريقة البشرية في إدراك المعلومات.

ماذا يعني ذلك

يُظهر تطور المرمِّزات أن التقدم الرئيسي في الذكاء الاصطناعي لا يحدث على مستوى الإجابات المبهرة فحسب، بل في الطريقة التي يفهم بها النظام العالم أصلًا. وفي السنوات المقبلة ستكون الكفاءة والتخصيص وتعدد الوسائط هي المحاور الرئيسية، لكن ستبقى معها قضايا تكلفة الحوسبة والخصوصية والانحيازات في البيانات. ومن جودة المرمِّزات يتوقف بشكل متزايد مدى فائدة الطبقة التالية من منتجات الذكاء الاصطناعي ودقتها وأمانها.