مقدمة

الذكاء الصنعي (AI) هو الحدود الرقمية الجديدة التي تؤثر تأثيرًا بالغًا في العالم، إنه أداة لتحسين الحياة البشرية وليس تهديدها، ومن أهم إيجابياته تحريرنا من قيود العمل والسماح بتكريس المزيد من الوقت للإبداع، ومن ثَم أن نكون أكثر إنتاجية وأقل تبعيّة للروتين، فبتحرُّرنا من الرتابة يمكننا إطلاق العنان لمهاراتنا.

ثبت أن للذكاء الصنعي دورًا هامًّا في القضاء على الهدر وتبسيط الإجراءات، والتعامل مع القرارات البسيطة والرتيبة؛ أي إنه قادر على تغيير كل جانب من جوانب الأعمال تقريبًا، وبفضل هذه التقانة يرى الكثير من المديرين التنفيذيين لكبرى الشركات العالمية أنه يمكن للاقتصاد العالمي أن ينمو بمقدار 15.7 تريليون دولار بحلول عام 2030.

لم يعد الذكاء الصنعي مقتصرًا على الهاتف الذكي أو الألعاب الإلكترونية ووسائل الترفيه، بل غدا عنصرًا أساسيًّا في معظم القطاعات، ومن ذلك البحث الطبي وتشخيص الأمراض، والمركبات الذاتية القيادة، والمراقبة الأمنية، وإصدار الأحكام الجنائية، والحروب ...

مزايا الذكاء الصنعي واضحة، لكن لا يمكن تجاهل قيوده، قد نحتاج إلى تحول عميق في الطريقة التي نرى بها قيمة حياتنا من أجل إحراز أي تقدم كبير في هذا المجال.

واقع الذكاء الصنعي في عالم الأعمال

لا يعرف العديد من قادة ومديري الأعمال كيفية تنفيذ الذكاء الصنعي، فالسؤال: "كيف؟" يجعل من الصعب تنفيذ أي تقنية جديدة - الذكاء الصنعي ليس استثناءً- وكل شركة متهيبة من هذه التقانة تطرح الأسئلة التالية وتجيب عليها بطرائق مختلفة:

• كيف نطور استراتيجية ذكاء صنعي؟
• كيف نجد خبراء في هذا المجال أو ندرب الموظفين الحاليين عليه؟
• ماذا يجب أن نفعل بالمعطيات للاستفادة منها في مهام الذكاء الصنعي؟ 
• كيف نضمن موثوقية وسلامة الذكاء الصنعي؟

قد تكون التقانة اليوم قادرة على أتمتة العمل الذي نقوم به، وهي لا تسرق منا وظائفنا، بل تتيح لنا فرصة القيام بأعمالنا بأسلوب أفضل، مما يجعل العمل الروتيني ممتعًا ونصبح أكثر استقلالية وحرية في البحث عن حلول ووضع معايير جديدة والوصول إلى دور مرموق في عملنا.

نتيجة للاقتصاد الرقمي - وليس استعمال تقنيات الذكاء الصنعي فقط - ستتغير مفاهيم الملكية الفكرية الراسخة، وكذلك براءات الاختراع والتصاميم والأعمال المختلفة. فالأهداف الأساسية لنظام الملكية الفكرية هي تشجيع التقانات الجديدة والأعمال الإبداعية وإنشاء قاعدة اقتصادية مستدامة للاختراع والإبداع، لكن المعطيات - التي هي عماد الذكاء الصنعي - يجب أن تكون متاحة دون قيود للتمكن من تطوير الذكاء الصنعي والتطبيقات الأخرى.

مثلًا تولِّد علوم الحياة كمياتٍ هائلةً من المعطيات المفيدة، لكنها لا تولِّد اختراعًا بالمعنى التقليدي، ويجب تحديد حقوق الملكية والالتزامات المترتبة عليها.

ذكاء قادر على التكيف

إن كان البشر يترددون في اتخاذ بعض القرارات فلِمَ لا نأخذ من الآلات معلومات قد لا يعرفها البشر، خاصة في الحالات التي تنطوي على معلومات متضاربة؟ إن أدوات الذكاء الصنعي تستطيع تحديد مقدار عدم اليقين لتطلب التدخل البشري عند الضرورة.

إن أراد العلماء زيادة دقة القرارات، ومدى الثقة التي يمكن أن تمنح للذكاء الصنعي بتمكينه لأن يكون واعيًا قادرًا على التكيف، فقد يساعدون في تحديد مقدار الارتباك الذي قد يحدث عند اختبار العينات.

يتعين على آليات اتخاذ القرار في عالم الذكاء الصنعي معالجة المزيد من المعطيات لتصبح أكثر دقة، ويطور الذكاء الصنعي قواعده الخاصة بالاستفادة من التجربة المستقاة من البيئة؛ حيث ينشأ عن ذلك سلوك مكتسب ذكي.

يفسر الخبراء معضلة الذكاء الصنعي بمثال “مشكلة وسيلة النقل” في حالة وقوع حادث، هل يتم احتجاز وسيلة النقل الذاتية القيادة لتقدم للمحاكمة؟ أم يحتجز الزبون الذي قام بالدفع واشترى التذكرة؟

هل من المقبول أن تقرر وسيلة النقل في حالة اضطرارية، الاختيار بين رجل بالغ وطفل، ومَن يكون الضحية بينهما؟ أخلاقيًّا، يجب أن ننقذ الطفل، هذا ما يتوقعه الجميع، ولكن كيف سيتخذ الذكاء الصنعي قراره؟

أصبحت خوارزميات البرامج معقدة جدًّا، حتى إن مطوِّريها لا يعرفون كيف تتوصل إلى الإجابات في معظم الحالات، فالشبكات العصبونية اليوم مصممة لتقلد الطريقة التي يفكر بها الدماغ البشري، وتتضمن أعدادًا كبيرة من المعالجات المترابطة التي يمكنها التعامل مع كميات هائلة من المعطيات وتحديد الأنماط بين الملايين من المتغيرات بواسطة التعلم الآلي، والأهم من ذلك، قدرتها على التكيف والاستجابة لما تعلمته، من تنبؤات الطقس إلى تحديد الأعراض الأكثر دقة لأمراض السرطان- كوفيد19 وغيرها من الأمراض والأوبئة.

نحن نوكل يوميًّا جوانب رئيسة في حياتنا إلى التقانة، وهذا مما يزيد من اعتمادنا عليها في اتخاذ قرارات حاسمة. فمَن المسؤول عندما تكون النتائج سلبية؟

تنحصر مهمة المطور في كتابة البرامج وتزويدها بالمعطيات، الذكاء الصنعي هو من يقرر بعد هذا الآلية التي تُستعمل فيها تلك المعطيات.

لا تستند تطبيقات الذكاء الصنعي - عند تصميمها - على آلية اجتماعية، بل على قوانين روبوتية فقط لا تكفي لاعتبار آلة الذكاء الصنعي كيانًا قانونيًّا، ومن ثَم فهي فوق المحاسبة القانونية من الناحية التقنية.

يتعين على آليات اتخاذ القرار في عالم الذكاء الصنعي معالجة المزيد من المعطيات لتصبح أكثر دقة.

كيفية توسيع نطاق حلول الذكاء الصنعي

مع تزايد الحلول القائمة على الذكاء الصنعي، في المختبرات والمكاتب والمشافي والمصانع ومواقع البناء، ظهرت حاجة إلى نهج جديد؛ فنحن لا نحدد الأحداث المحتملة فحسب، بل نتحدث عما يجب أن يحدث في مجال الذكاء الصنعي بفضل جهود الشركات الرائدة في تقانة الذكاء.

تركز تلك الشركات على 6 مجالات رئيسية للتطوير في الذكاء الصنعي:

1. عائد الاستثمار (ROI)، وتسريع وتيرة تطبيق هذه التقانة.
2. تدريب الأشخاص ومحترفي الذكاء الصنعي على التعاون فيما بينهم.
3. الثقة.
4. إعداد المعطيات، ومن ذلك التجميع والترميز.
5. تحديث الذكاء الصنعي، وذلك بتخصيص وتحسين جودة الخدمات/السلع.
6. تقارب ودمج الذكاء الصنعي مع التحليلات وإنترنت الأشياء والتقانات الأخرى.

1. توفير العائد على الاستثمار (ROI)

تقوم الشركات الرائدة بتسويق نماذج الذكاء الصنعي الخاصة بها لتحسين عملية صنع القرار وتوفير تحليلات تنبؤية للموارد البشرية في جميع المراتب الوظيفية، فإذا كانت جادة بشأن الذكاء الصنعي فهي بحاجة إلى إضفاء الطابع الرسمي على نهجها والتأكد أن لديها الكفاءات اللازمة لتكرار المشاريع الناجحة (والصغيرة) وتوسيع نطاقها.

لا يوجد الكثير من خوارزميات الذكاء الصنعي وهذه حقيقة مثيرة للاهتمام قد تفاجئ رجال الأعمال، حيث يمكن أن تحل نفس الخوارزمية معظم مشاكل العمل التي يكون الذكاء الصنعي مناسبًا لها، لذلك إذا تم تنفيذها بنجاح في مجال عمل واحد، فيمكن استعمالها في مجالات أخرى أيضًا.

على سبيل المثال، يتعين على أي شركة معالجة الفواتير للدفع باستعمال أدوات الذكاء الصنعي التي تستخرج المعلومات تلقائيًّا من الفواتير أيًّا كان نموذجها، يمكن أتمتة هذه العملية لتخفيض التكاليف وتقصير زمن الفوترة (معالجة الفاتورة).

يمكن بعد ذلك تعديل مكونات الذكاء الصنعي والاستفادة منها في تسريع العمليات الأخرى التي تتعامل أيضًا مع كميات كبيرة من المعطيات غير المهيكلة وشبه المهيكلة، كما هو الحال في الكثير من المجالات مثل خدمة العملاء، والتسويق، والضرائب، وإدارة سلسلة التوريد (SCM).

الهدف هو بناء مجموعة من الكتل الإنشائية القابلة لإعادة الاستعمال لتقديم عائد استثمار سريع وتسريع قابلية التوسع بإنشاء هيكل تنظيمي متعدد الوظائف لتطوير استراتيجية واضحة لاستعمال الذكاء الصنعي.

2. تدريب الأشخاص ومحترفي الذكاء الصنعي على مهارات التعاون

أصبح تدريب غير المتخصصين في الذكاء الصنعي للعمل بهذه التقانة عنصرًا مهمًّا في استراتيجية الموارد البشرية التي توفر ثلاثة مستويات من مهارات الذكاء الصنعي وتخلق ظروفًا للتعاون الناجح بين المستعملين والمطورين والمتخصصين في استخراج المعطيات، ومع ازدياد انتشار الذكاء الصنعي سيحتاج معظم موظفو الشركات إلى التدريب لإتقان استعمال التطبيقات التي تعمل بالذكاء الصنعي وإدارة المعطيات بشكل صحيح وطلب مساعدة الخبراء عند الحاجة.

يجب أن تخضع مجموعة أكثر تخصصًا (ربما 5-10٪ من الموظفين) لتدريب إضافي ليصبحوا مطورين متخصصين في مجال الأعمال من بين الأشخاص المعتمدين في تشكيلات مجموعات المعطيات والعمل عن كثب مع متخصصي الذكاء الصنعي لتطوير تطبيقات جديدة تعتمد على الذكاء الصنعي.

مجموعة صغيرة ولكنها مهمة جدًّا من المهندسين والمتخصصين في استخراج المعطيات ستقوم بالعمل المعقد المتمثل في بناء تطبيقات الذكاء الصنعي ونشرها وإدارتها.

حتى تعمل هذه الفرق الثلاثة معًا ستحتاج إلى تحديد المهارات والأدوار الجديدة تحديدًا منهجيًّا: ما نوع العمل الذي يجب على المستعملين والمطورين القيام به؟ ما هي التطبيقات التي تتطلب متخصصي استخراج المعطيات ذوي الخبرة؟ ستحتاج أيضًا إلى نفس الأسلوب المنهجي لتكليف الأشخاص لملء هذه الأدوار داخليًّا وخارجيًّا، ولجمع مختلف الفِرَق معًا.

 يجب أن تتناول برامج التدريب المستمر للشركات كلًّا من المهارات الفنية والممارسات الرقمية، وسيكون من الضروري تغيير نظام مؤشرات الكفاءة وأجور العمال وفقًا لذلك.

3. الثقة

لن تكون هناك قدرة على جني فوائد الذكاء الصنعي بشكل كامل إلا إذا اكتسب الثقة به. هناك قلق متزايد بشأن الآثار المحتملة للذكاء الصنعي من حيث خصوصية المعطيات والأمن السيبراني والتوظيف وعدم المساواة والبيئة. تم تطوير أداة أطلق عليها اسم الثقة العميقة (Deep Trust) تحدد موثوقية المعطيات والتنبؤات التي تقدمها خوارزميات الذكاء الصنعي.

يَسُوق مطورو هذه الأداة مثالَ السيارات الذاتية القيادة ويتحدثون عن أحد المعوقات الرئيسية التي تحول دون اعتمادها في حالة اتخاذ قرارات مستقلة لتعرُّف الأشياء التي تظهر على الطريق فجأة، وتمييز المطبات والأشياء عن الحيوانات الأليفة والأطفال، واتخاذ قرارات معيَّنة إن رأت سيارة أخرى تنحرف في اتجاهها فهل تصطدم السيارة الذاتية القيادة بالسيارة القادمة أم تنحرف لتصدم ما تعتبره جمادًا أو طفلًا؟

تطوير ذكاء صنعي جدير بالثقة يتم بالتأكيد على عنصرين: الأول، احترام الحقوق واللوائح المعمول بها والمبادئ والقيم الأساسية وضمان الغرض الأخلاقي. الثاني، الموثوقية التقانية لتجنب الضرر غير المقصود الناجم عن الضعف التقاني. الذكاء الصنعي الجدير بالثقة، وفقا لهذين العنصرين، هو ذكاء صنعي أخلاقي وقانوني.

4. إعداد البيانات (التجميع والترجمة والترميز) للتعلم الآلي

يتمثل التحدي الأكبر عند التعامل مع المعطيات بإطار الذكاء الصنعي في دمج نظم الذكاء الصنعي والتحليلات لاستخراج رؤى ذات قيمة من المعطيات، يتحقق هذا الهدف باستعمال الذكاء الصنعي جنبًا إلى جنب مع المعطيات والتحليلات لإدارة المخاطر، ومساعدة الموظفين على اتخاذ القرارات، وأتمتة عمليات العملاء، وغيرها...

يوفر الذكاء الصنعي إجابة للسؤال الآتي: كيف نحصل على قيمة من المعطيات الضخمة؟ ومع ذلك، فإن هذا يثير مشكلة كبيرة، فالشركات لا تضع الأساس اللازم للذكاء الصنعي للعمل بنجاح.

 

يجري تدريب الذكاء الصنعي لحل مشاكل العمل على معطيات قد لا تمتلكها الشركات، وبفضل الأساليب الجديدة للتعلم المعزز والخالي من الهدر، يمكن للذكاء الصنعي إنشاء معطياته الخاصة من عدد صغير من العيِّنات. ومن الممكن أيضًا نقل النماذج من مهمة فيها الكثير من المعطيات إلى أخرى ليس فيها معطيات كافية، ويمكن للذكاء الصنعي أحيانًا تجميع معطيات التعلم الخاصة به لإنشاء معطيات مركبة لتدريب الذكاء الصنعي باستعمال التقنيات الآتية:

• التعلم المعزز Reinforcement Learning والتعلم النشط :

هو تعليمٌ عن طريق التفاعل مع البيئة بواسطة أحداث متعاقبة فضلًا عن التعليم الصريح، تنفذ هذه التقانة بواسطة إطار رياضي إحصائي هو خطوات قرار العالم ماركوف (MDPs).

يتكون نموذج التعليم المعزز الأساسي من مجموعة حالات البيئة S "environment states " ومجموعة من الأحداث actions" A" ومجموعة من المدرجات المكافآت Rewards" R " ...

يتفاعل عميل اتخاذ القرار مع البيئة من أجل زيادة المكافأة التي ينالها بمرور الزمن بالخطوات التالية:

• في أي زمن "t" يتحسس العميل حالة البيئة "st" ومجموعة الأحداث الممكنة (A(st...
• نختار حدثًا "a" بحيث يكون (A(st ينتمي إلى a، و نسجل الحالة الجديدة من البيئة st+1، والمكافأة الجديدة rt+1.
• بالاعتماد على هذه التفاعلات مع البيئة الأسلوب π بحيث (π : S --> A) الذي يزيد كمية المكافأة R = r0 + r1 + r2 + ... + rn ، في حالة العملية MDPs)) "خطوات قرار ماركوف".

تركز طريقة التعليم المعزز على مسائل من نوع التعليم وصناعة القرار التي تختلف اختلافًا تامًّا عن اتخاذ القرار والتي تواجهنا في الحياة اليومية العادية، فهو تقانة يتم فيها تعلم: ماذا يجب على العميل Agent أن يفعل؟ وكيف يقوم بتحويل مجموعة من المعطيات أو الملاحظات في وسط ما (بيئة) إلى أفعال بحيث يحصل على أكبر ربح ممكن؟

من أمثلتها: روبوت مسؤول عن تنظيف أرضية غرفة ما (مكنسة كهربائية)، يقوم الروبوت بأخذ قرارات مثل الانتقال من مكان إلى آخر مع الأخذ في الحسبان كمية الشحن الموجودة في البطارية، أو التنظيف باتجاه مقبس الشحن الكهربائي عند انخفاض الطاقة. وبذلك يحصُل العميل على ربح إضافي عند التنظيف في طريق العودة دون أن ينتهي شحنه الكهربائي بعيدًا عن المقبس مما يسبب خسارة كبيرة له.

 

في لعبة الشطرنج يقوم اللاعب بتحريك القطع على الرقعة بناءً على عدة خيارات مبنية على البيئة، ولا يمكن توليد معطيات تدريبية لجميع الحركات الممكنة لأن فضاء البحث سيكون كبيرًا جدًّا وشجرة القرار للحركات ستنمو أسيًّا لكل حركة ممكنة، لذلك صُنِّفت هذه المسألة على أنها تعليم معزز؛ أي إن اللاعب سيقوم بانتقاء حركاته لتحقيق هدف واضح مثل عدم خسارة قطعة له من دون مقابل مكافئ، يمكن التعبير عن هذه المقارنة بقيمة عددية تكون الأكبر للجائزة التي سيحصل عليها اللاعب عند حصار ملك الخصم، وسيكون هدفه في اللعبة الوصول إلى هذا الهدف.

• شبكات الخصومة التوليدية ((GANs:

ابتكرها "إيان جودفيلو"(Ian Goodfellow)، وهو باحث في تعلم الآلة في عام 2014 لتحاكي القدرات البشرية، وفيها نموذجان من الشبكات العصبية الصنعية مبنيان على خوارزميتين متنافستين للذكاء الصنعي؛ الأولى تسمى المُمَيِّز أو المدقق (Discriminator) والأخرى تسمى المولِّد (Generator). تُلقَّم هاتان الشبكتان بمجموعة من المعطيات وتتولى الشبكة التوليدية إنتاج خرجٍ صنعيٍّ، صور مثلًا، تكون واقعية جدًّا، وتتولى الشبكة التمييزية مقارنتها بالصور الحقيقية من المعطيات الأصلية في محاولة لتحديد: أيهما الحقيقية وأيهما المزيفة أو الوهمية؟ وعليه تضبط الشبكة التوليدية وسطاءها parameters لإنشاء صور جديدة، يمكن الاستعانة بشبكات الخصومة التوليدية في ألعاب الفيديو والموضة والكتابة بخط اليد والأبحاث الطبية والصور الفلكية وتطوير العلوم عمومًا 

• التوائم الرقمية “الزيف العميق” (Deep Fake):

تُستعمل لإنتاج فيديو أو التعديل على محتواه تعديلًا كاملًا ليستعرض شيئًا لم يكن موجودًا فيه بالأصل، تعود تسمية هذه التقنية إلى حساب في موقع التواصل الاجتماعي الإخباري ريديت Reddit كان يحمل اسم deepfakes، استعمل تقنيات الذكاء الصنعي للتعلم العميق من أجل العبث بوجوه النجوم والمشاهير وإدخالهم في فيديوهات لا علاقة لهم فيها، ولذلك، فإنّ التسمية جاءت لتجمع بين تقنيات التعلم العميق والتزييف.

• النمذجة الاحتمالية  probabilistic modeling:

هي مفتاح الذكاء الصنعي وواحدة من أقوى الأدوات لمحلل المعطيات، ويتطلب استعمالها التمكن من نظرية الاحتمالات والإحصاءات الرياضية، إضافة إلى معرفة تفاصيل عمل خوارزميات الاشتقاق البايزي التقريبية، مما يجعل عتبة الدخول عالية جدًّا.

على سبيل المثال، يمكن توضيح أنه خلال خمس سنوات سيكون وضع شيء ما في حالة سيئة باحتمال نسبته ٪65، وهناك احتمال بنسبة ٪35 في أن يبقى في حالة جيدة، هذه الاحتمالات حيوية لتطوير نماذج تقييم المخاطر؛ إذا كان صناع القرار مهتمين بالقيمة الرقمية لمؤشرات الأداء فعليهم استعمال خوارزميات تعلم الانحدار.

 

5. تحديث الذكاء الصنعي من خلال التخصيص وتحسين الجودة:

يستفيد العديد من الشركات من الذكاء الصنعي لتحسين الكفاءة التشغيلية وزيادة جودة خدمة العملاء، ومن ثَم تحسين الإيرادات الإجمالية. في عام 2019 بدأ البعض في التخطيط أو تطوير نماذج أعمال ذكاء صنعي جديدة واستكشاف فرص إيرادات جديدة.

يأتي التأثير الأكبر لاستعمال الذكاء الصنعي من زيادة الإنتاجية، حيث تَستعمل الشركات الذكاء الصنعي لأتمتة العمليات ومساعدة الموظفين على اتخاذ القرارات. تبين أن أسرع المكاسب كانت في مجالات الرعاية الطبية وتجارة التجزئة والسيارات.

يمكّن الذكاء الصنعي في الرعاية الطبية من استعمال نماذج أعمال جديدة بناءً على مراقبة معطيات نمط حياة المريض، وتشخيص السرطان والأمراض الأخرى بشكل أسرع وأكثر دقة، وتقديم تأمين صحي شخصي وقابل للتكيف.

يَستعمل تجار التجزئة الذكاء الصنعي للتنبؤ بالاتجاهات ودفع الأعمال بما يتناسب معها؛ فالبيع بالتجزئة الفائق بمساعدة الذكاء الصنعي والأتمتة سيمكّن تجار التجزئة من تقديم المزيد من المنتجات والخدمات المخصصة لمستهلك معيَّن.

-6التقارب والجمع بين الذكاء الصنعي والتحليلات وإنترنت الأشياء والتقانات الأخرى:

يتم تعزيز قوة الذكاء الصنعي بدرجة أكبر عند استعماله مع تقنيات أخرى مثل التحليلات وتخطيط موارد المؤسسات (ERP) وإنترنت الأشياء (IoT) وسلسلة الكتل (Blockchain) والحوسبة الكمومية (Quantum computing).

للتقارب بين الذكاء الصنعي وإنترنت الأشياء فوائد عظيمة حيث تمتلك المؤسسات الكبيرة الملايين من أجهزة الاستشعار المتصلة بإنترنت الأشياء وتجمع المعلومات من معدات الشركة وأجهزة العملاء، ليؤدي الذكاء الصنعي والتحليلات دورًا مهمًّا في تحديد الأنماط ضمن كمية هائلة من المعطيات لمجموعة متنوعة من المهام، من صيانة النظام إلى تحليل عمليات التسويق، وتساعد المعالجات الدقيقة للذكاء الصنعي المدمجة مباشرة في أجهزة إنترنت الأشياء لجمع المعطيات في هذا المجال على التعامل مع هذا الأمر.

عند دمج الذكاء الصنعي مع التقانات والنظم المتقدمة التي تعمل على مدار الساعة، يتعين على خوارزميات الذكاء الصنعي تلقي معطيات جديدة باستمرار للتدريب، وإلا ستعمل نماذج الذكاء الصنعي على معطيات قديمة مما يؤدي إلى انخفاض أداء وكفاءة الذكاء الصنعي، ستحتاج نماذج الذكاء الصنعي أيضًا إلى اختبارها وتحديثها واستبدالها بانتظام.

عند دمج الذكاء الصنعي مع التقانات والأنظمة المتقدمة التي تعمل على مدار الساعة، يتعين على خوارزميات الذكاء الصنعي تلقي بيانات جديدة باستمرار للتدريب، وإلا ستعمل نماذج الذكاء الصنعي على بيانات قديمة مما يؤدي إلى انخفاض أداء وكفاءة الذكاء الصنعي، ستحتاج نماذج الذكاء الصنعي أيضًا إلى اختبارها وتحديثها واستبدالها بانتظام

خاتمة

يعتمد عالمنا المستقبلي على الشركات التي تبتكر تقانات المستقبل من خلال رؤيتها ومهاراتها وفهمها للأمن السيبراني وأخلاقياته. والثقة في هذا كله هي حجر الزاوية في شتى القطاعات المستهدفة بالذكاء لا سيما النقل (للحد من الحوادث المرورية والتكاليف التشغيلية)، والصحة (لتقليل نسبة الأمراض المزمنة والخطيرة)، والفضاء (لإجراء التجارب الدقيقة وتقليل نسب الأخطاء الباهظة التكلفة)، والطاقة المتجددة (بإدارة المرافق والاستهلاك الذكي لها)، والمياه (بإجراء التحاليل والدراسات الدقيقة لتوفير الموارد لا سيما في المناطق العطشى)، وتقانة المعلومات (برفع نسبة الإنتاج ودعم القرارات)، والتعليم (بترشيد الإنفاق وتقليل التكاليف وزيادة الرغبة في التعلم)، والبيئة (بزيادة نسبة التشجير وزراعة النباتات الملائمة للمناطق ووضع خطط زراعية ناجعة)، وقطاع المرور (بتطوير حلول وقائية كالتنبؤ بالحوادث والازدحام المروري، ووضع سياسات مرورية أكثر فاعلية(.

لا يمكن للذكاء الصنعي اتخاذ قرارات أخلاقية ما لم تتم برمجته للقيام بذلك، وحتى إذا تم وضع معايير وقيود أخلاقية من فريق يضم المئات من الباحثين، سيكون التنبؤ بنوع القرار الذي سيُتَّخذ في كل موقف على حدة شبه مستحيل.

الشيء الوحيد الذي يمكن ضمانه هو التعلم العميق الذي يمكّن الذكاء الصنعي من العمل بناء على حصيلة المعارف والمعطيات، والأهم من ذلك رسم الخطوط الحمراء التي لا يمكنه تجاوزها.

 

المراجع                                                                  

1- https://www.pwc.ru/ru/publications/artustry-intelligence-predicted- 2019.html#closing

 2- https://www.pwc.ru/ru/assets/digital/executive-summary.pdf

3- https://www.un.org/ar/58597

4- https://www.information-age.com

5-https://unitx.io/wp-content/uploads/2020/07/UnitX-Retail-AR-WhitePaper.pdf

6-https://www.arabicprogrammer.com