تسهم في زيادة الناتج المحلي للدول «DTMs».. ثورة الذكاء الاصطناعي القادمة

مع معدل نمو سنوي مركب يبلغ 44٪ ، يجذب سوق الذكاء الاصطناعي والتعلم الآلي اهتمامًا مستمرًا من المديرين التنفيذيين في جميع الصناعات، ومع توقعات البعض، فإن الذكاء الاصطناعي سيزيد الناتج المحلي الإجمالي لبعض الاقتصادات المحلية بنسبة 26٪ بحلول عام 2030 .

ومن بين الباحثين في مجال الذكاء الاصطناعي وعلماء البيانات ، تتمثل إحدى أهم الخطوات لضمان وفاء الذكاء الاصطناعي بوعد زيادة النمو والإنتاجية في توسيع نطاق وقدرات النماذج المتاحة للمؤسسات ، فيما يحتل تطوير وتدريب ونشر النماذج التوليدية العميقة (DGM) على رأس جدول الأعمال – والتي أعتبرها من أكثر النماذج إثارة للاستخدام في الصناعة.. لكن لماذا؟

ما هي  DTMs؟

ربما تكون قد شاهدت بالفعل نتائج DTM أثناء العمل – إنها في الواقع نفس النوع من نماذج الذكاء الاصطناعي التي تنتج التزييف العميق ، أو الفن الانطباعي ، ولطالما أثارت DTMs الأكاديميين والباحثين في معامل الكمبيوتر لأنها تجمع بين تقنيتين مهمتين للغاية تمثلان التقاء التعلم العميق ، والنمذجة الاحتمالية ، وهما يمثلان النموذج التوليدي ، والشبكات العصبية.

وإحدى فئتين رئيسيتين لنماذج الذكاء الاصطناعي ، النموذج التوليدي ، كما يوحي الاسم ، هو نموذج يمكنه أخذ مجموعة بيانات وإنشاء نقاط بيانات جديدة بناءً على المدخلات التي تلقاها حتى الآن ، وهذا على النقيض من النماذج التمييزية الأكثر شيوعًا – والأكثر سهولة في التطوير – ، والتي تنظر إلى نقطة بيانات في مجموعة بيانات ثم تسميتها أو تصنيفها.

ويشير الحرف “D” في “DTM” إلى حقيقة أنها ليست مجرد نماذج توليدية ، ولكنها تستخدم أيضًا شبكات عصبية عميقة ، والشبكات العصبية هي هياكل حاسوبية تمنح البرامج القدرة على تعلم أنماط جديدة بمرور الوقت – ما يجعل الشبكة العصبية “عميقة” ، وهو زيادة مستوى التعقيد الناتج عن “طبقات” متعددة مخفية من الاستنتاجات بين المدخلات ومخرجات النموذج هو تقدم ، حيث يمنح هذا العمق الشبكات العصبية العميقة القدرة على العمل مع مجموعات البيانات المعقدة للغاية مع العديد من المتغيرات.

و هذا يعني أن DTMs هي نماذج يمكنها إنشاء نقاط بيانات جديدة بناءً على البيانات التي يتم إدخالها فيها ، ويمكنها التعامل مع مجموعات البيانات والموضوعات المعقدة بشكل خاص.

وتمتلك DTMs بالفعل بعض الاستخدامات الإبداعية والخيالية البارزة ، مثل التزييف العميق أو توليد الفن ، ومع ذلك ، فإن النطاق الكامل المحتمل للتطبيقات التجارية والصناعية لمصفوفة يتبع نزوحا واسعا ، كما ويعد بتحويل العديد من القطاعات ، فعلى سبيل المثال ، ضع في اعتبارك مشكلة طي البروتين ، حيث يتيح لنا طي البروتين – اكتشاف البنية ثلاثية الأبعاد للبروتينات – ومن ثم اكتشاف الأدوية والمركبات التي تتفاعل مع أنواع مختلفة من الأنسجة البشرية.

ويعد هذا أمرًا مهمًا لاكتشاف الأدوية والابتكار الطبي ، ولكن اكتشاف كيف تنثني البروتينات أمر صعب للغاية لأن العلماء يجب أن يذوبوا ويبلوروا البروتينات قبل التحليل ، مما يعني أن العملية الكاملة لبروتين واحد يمكن أن تستغرق أسابيع أو شهور.

ونماذج التعلم العميق التقليدية ليست كافية أيضًا لمعالجة مشكلة طي البروتين ، حيث ينصب تركيزها في المقام الأول على تصنيف مجموعات البيانات الموجودة بدلاً من القدرة على توليد نتائجها الخاصة.

وفي المقابل ، استخدم فريق DeepMind العام الماضي نموذج AlphaFold  للتنبؤ بشكل موثوق بكيفية طي البروتينات استنادًا فقط إلى البيانات المتعلقة بتركيبها الكيميائي ، مع القدرة على توليد النتائج في غضون ساعات أو دقائق ، تبين أن AlphaFold لديه القدرة على توفير شهور من العمل المخبري وتسريع البحث بشكل كبير في أي مجال من مجالات البيولوجيا تقريبًا.

يأت هذا بالتزامن مع ظهور مصفوفات تتبع النزوح (DTM) في مناطق أخرى ، ففي الشهر الماضي أصدرت DeepMind AlphaCode ، وهو نموذج ذكاء اصطناعي AI لتوليد الكود ، وقد تفوق بنجاح على المطور المتوسط ​​في الاختبارات ، ويمكن رؤية قابلية تطبيق DTMs في مجالات بعيدة مثل الفيزياء ، أو النمذجة المالية ، أو الخدمات اللوجستية ، من خلال القدرة على تعلم الأنماط الدقيقة والمعقدة التي لا يستطيع البشر وشبكات التعلم العميق الأخرى تمييزها ،لذا فمن المتوقع في المستقبل القريب أن يحقق DTMs نتائج مدهشة وثاقبة في أي مجال تقريبًا وبكافة مناحي الحياة.