قناة علوم عظيمة على اليوتيوب

أخرى

تكتيك سهل يساعد على تقليص التحيز في الذكاء الاصطناعي

هذا المقال يخضع للمعالجة الالية من طرف كشًاف، إذا كانت لديك أي ملاحظات عليه لا تتردد في مراسلتنا.

وضع حرج...

التحيز جزء عبر الطبيعة البشرية، ولحتى الإنسان ي الآلات فقد نقل التحيز إليها بشجميع غير متعمد. في وقتنا الحالي، يستحيل عدم رؤية تأثيرات وتداعيات تحيز البشر بحق بعضهم البعض، والآن تم إضافة تحيز الآلات إلى المعادلة ما جعلنا في وضع خطر للغاية. 
الضرر وخطورة التحيز الآلي مشجميعة عبر شقين، الشق الأول هو التأثير، فالإنسان يثق بموضوعية الذكاء الاصطناعي بشجميع كبير جداً وبالتالي إذا لم يتم رصد التحيز الذي تم إدخاله خلال عملية التدريب فإذا المشجميعة ستتضاعف. الشق الثاني يتعلق بالأتمتة، ففي بعض الأحيان يتم توصيل نماذج الذكاء الاصطناعي بوظيفة برمجية ما يؤدي الى أتمتمة التحيز، وهذا يجعلنا في وضع حرج للغاية. 
كيف من الممكن أن يوظف نموذج VRIO في خلق الميزة التنافسية للشركاتيا ترى؟
هل تعلم ماذا يعني تحيز الذكاء الاصطناعييا ترى؟ 
 
تحيز الذكاء الاصطناعي هو حين تقوم الخوارزميات خصوصاً تلك التي تعتمد على الدراسة العميق، بالتمييز بين الأشخاص على أساس العرق أو الجنس وغيرها. وكما تجاوز وقلنا التحيز يتسرب إلى الخوارزميات عبر خلال بيانات التدريب أو خلال عملية إعداد البيانات. 
على سبيل المثال إذا تم تغذية خوارزمية الدراسة العميق بصور الوجوه ذات البشرة الفاتحة أكثر مما يتم تغذيتها بصور الوجوه ذات البشرة الداكنة فحينها التحيز سيكون لأصحاب البشرة الفاتحة. كما يمكن إدخال التحيز خلال فترة إعداد البيانات، والتي تتضمن تحديد السمات التي ترغب للخوارزمية حتى تضعها في الاعتبار.
لما لا يتم بجميع بساطة إزالة المتغيرات الحساسة عبر البياناتيا ترى؟ 
السؤال المباشر الذي قد يخطر على بال أي إنسان كان هو عن سبب عدم القيام بإزالة المتغييرات الحساسة عبر البيانات عبر أجل التمضية جميعياً على التحيزيا ترى؟ 
في الواقع الأمر ليس بهذا البساطة والتخلص عبر المتغيرات الحساسة لا يحل المشجميعة. حتى لو تم التخلص عبر المتغيرات الحساسة فإذا إرتباطها ببيانات أخرى سيبقى، فالبيانات تعبير عن مجموعة عبر المعلومات والأرقام والنتائج المرتبطة ببعضها البعض ووسائل الدراسة الآلي يمكنها حتى تستنتج ،عن طريق الاحتمالات، المتغيرات الخفية أي التي تم التخلص منها. فخوارزميات الدراسة الآلي قادرة وبجميع بساطة على إعادة تعريف البيانات عبر خلال بيانات أخرى موجودة فيها وبالتالي  ستبني حكمها على معطيات متحيزة. 
الشركات الناشئة في عصر كورونا: حان الوقت للتفكير كـ«الجمال»
«اختبار التذوق الأعمى» للتمضية على التحيز 
اختبار التذوق الأعمى موجود منذ عقود وهو تذوق شيء ما عبر دون معهدة ماهيته وتقييمه بالاعتماد على حاسة التذوق فقط. 
في السبيعينيات راج اختبار تذوق أعمى لكوكا كولا وبيبسي، أي تحديد أي مشروب يفضلون عبر دون معهدة الإسم (الهوية). النتيجة كانت حتى الغالبية فضلت بيبسي على كوكا كولا، ولكن على أرض الواقع وبمجرد معهدة «الماركة» فإذا التحيز كان يصب لصالح كوكا كولا على حساب منافسه. 

الخلاصة هي حتى إزالة المعلومات المتعلقة بالهوية، في هذه الحالة، غلاف كوكا كولا، أزال التحيز بشجميع جميعي ودفع الناس للإعتماد على حاسة التذوق فقط. 
وعليه  اختبار التذوق الأعمى قلل عبر نسبة التحيز لدى البشر عبر خلال إزالة معلومات التعريف الرئيسية عبر عملية التقييم، ويمكن اعتماد نهج مشابه للتخلص عبر التحيز عند الآلات. ولكن لا يجب التوقف هنا، لأنه كما تجاوز وذكرنا، إزالة الهوية لن يحل المشجميعة، فهناك مسارات أخرى إضافية يجب اعتمادها سواء لناحية التجربة والتقييم والتعديل. 
دراسة حالة: التحيز في تكرار نتائج الدراسات الفهمية 
في عالم الطب والعلوم يتم نشر نتائج التجارب السريرية، ثم تقوم مجموعة عبر الفهماء بتقييمها عبر أجل تحديد قابلية تكرارها على أرض الواقع. والنتيجة هي حتى  ٨٦٪ عبر الدراسات الفهمية المنشورة في مجال الأدوية وفهم الأحياء والعلوم الإجتماعية غير قابلة للتكرار، وفق تقييمات الفهماء، ما يؤدي الى خسائر سنوية تقدر ٢٨ بليون دولار كما أنها تؤخر عمليات أساسية وهامة وحيوية للبشر مثل إكتشاف اللقاحات وإكتشاف علاجات لبعض الأمراض كما حصل خلال جائحة كورونا. 
المشجميعة الأساسية هنا تتمحور حول التحيز، فحين يقوم الفهماء بمراجعات التنائج  فالهجريزقد يحدث على المعطيات الكمية مع تجاهل جميعيا للمعطيات النوعية، أي منح الأرقام أبرزية على حساب الجميعمات.مراجعات البشر بدروها تتأثر بالهوية، كإسم الجامعة التي أجرت بالبحث مثلاً. هذه الصورة يتم نقلها الى أجهزة الذكاء الإصطناعي التي تقيم بتحيز مماثل لتحيز البشر. للتخلص عبر التحيز، فإذا إختبار التذوق الأعمى يعني التخلص عبر الهوية، ثم الاعتماد على البيانات النوعية لدعم أو نقض البيانات الكمية عبر خلال مسار عبر محدد قائم على التجربة والتدقيق والمقارنة. 
تطبيق منهجية «التذوق الأعمى» في عالم الأعمال 
اختبار التذوق الأعمى يمكن تطبيقه في عالم الأعمال لتقليص التحيز عبر أجل الحصول على نتائج أفضل. لنأخذ على سبيل المثال ما يحدث عند تحليل الأداء المالي للشركات الكبرى أمام المساهمين والمحللين. «الجمهور»هنا سيستخدم المضمون للتبؤ بأداء الشركة المستقبلي والذي  يؤثر بسرعة وبقوة على أسعار الأسهم .
ولكن المتلقي البشري متحيز فهو يميل لإستخدام الأرقام التي تم عرضها، وليس البيانات النوعية ، كما أنه يميل لمنح هوية الإنسان المتحدث أبرزية كبرى، مثلاً التحيز سيكون لجيف بيزوس أو إيلون ماسك ولما يقولونه مقارنة بغيرهم الأقل شهرة. 
أنظمة الذكاء الاصطناعي يمكنها حتى تنظر إلى هل تعلم ماذا يعني أبعد عبر المعلومات التي تحفز التحيز والتعامل مع العوامل النصية «الجميعمات وليس الأرقام» وغيرها عبر العوامل الأخرى  لتقديم تقييمات موضوعية يمكن الإستناد عليها لإتخاذ القرارات حين يتم تدريبها بشجميع سليم. 
لما وضعت قمة العشرين الابتكار ضمن أبرز ملفاتها وكيف من الممكن أن يطبق واقعيايا ترى؟
مفاتيح رئيسة لإدارة التحيز عند بناء الذكاء الاصطناعي
اختيار نموذج الدراسة السليم للمشجميعة 
هناك سبب لتميز نماذج الذكاء الاصطناعي، فجميع مشجميعة أنت بحاجة الى حلول مختلفة . لا يوجد نموذج واحد يمكن اعتماده عبر أجل تجنب التحيز ولكن هناك عدة دلائل يمكن رصدها مبكراً تدلل على التحيز. 
على سبيل المثال، نماذج الدراسة الخاضعة للإشراف وغير الخاضعة للإشراف فلجميع واحدة منها إيجابيات وسلبيات. يمكن للنماذج غير الخاضعة للإشراف التي تجمع أو تقوم بتقليل الأبعاد حتى تدراسة التحيز عبر مجموعة بياناتها. إذا كان الانتماء إلى المجموعة (أ) يرتبط ارتباطًا وثيقًا بالسلوك (ب) ، فيمكن للنموذج حتى يخلط بين الاثنين. وبينما تسمح النماذج الخاضعة للإشراف بمزيد عبر التحكم في التحيز في اختيار البيانات ، فإذا هذا التحكم يمكن حتى يدخل التحيز البشري في العملية.
قد يظهر عدم التحيز عبر خلال الجهل - باستثناء المعلومات الحساسة عبر النموذج - كحل عملي ، لكنه لا يزال يحتوي على نقاط ضعف وعليه لا يكفي بشجميع منفرد بل يجب دمجه بأمور أخرى. 
وعليه يجب تحديد أفضل نموذج لحالة معينة وإستكشافه عبر جميع الجوانب للعثور على الثغرات وإصلاحها رغم حتى المقاربة هذه تتطلب وقتاً طويلاً لكنها أفضل بكثير عبر اكتشاف المشجميعة بعد البدء بالعمل بنظام الذكاء الاصطناعي. 
اختيار مجموعة بيانات تمثيلية للتدريب 
هناك خيط رفيع يفصل بين البيانات التي يمكنها حتى تؤدي إلى التحيز وبين تلك التي تضمن مرونة في عملية تحليل البيانات. لذلك يجب التأكد عبر حتى بيانات التدريب متنوعة وتتضمن مجموعات مختلفة لناحية التقسيم. التقسيم في البيانات يمكنه حتى يصبح مشجميعة كبيرة لاحقاً طالما لم تكن البيانات العملية مقسمة بالطريقة نفسها. 
لا يفضل أنقد يحدث هناك نماذج مختلفة لمجموعات مختلفة. وفي حان تم الاكتشاف بأنه لا يوجد بيانات كافية لمجموعة واحدة، يمكن استخدام الترجيح لزيادة أبرزيته في التدريب ولكن هذا الأمر يجب حتى يتم بحذر شديد لأنه يمكن حتى يؤدي إلى تحيزات جديدة غير متسقطة. 
مراقبة الأداء باستخدام بيانات حقيقة 
لا يوجد شركة ت ذكاء اصطناعياً متحيزاً بشجميع متعمد، ولكن النماذج المتحيزة هي التي أدت الى ذلك. لهذا السبب يجب محاكاة تطبيقات الواقع قدر الإمكان عند إنشاء الخوارزميات. 
ما يمكن عمله هو الاعتماد على البيانات الإحصائية بالإضافة الى البيانات الحقيقة، مثلاً طالما كان يتم تحديد سمات الأشخاص الذين يتخلفون عن سداد القروض، فإذا رجحت الإحصائيات فئة معينة فحينها يحب العمل على «السبب» وإدخاله في نظام الذكاء الإصطناعي. الغاية هو خلق المساواة في النتائج وضمان تكافؤ الفرص. 
لما يعتبر الاستقرار المالي أحد أبرز عناصر تحقيق النمو الاقتصادييا ترى؟
المصادر: ١-٢ -٣
السابق
تكتيك بسيط يساعد على تقليص التحيز في الذكاء الاصطناعي
التالي
سعر صرف ليرة تركية أمام الدولار تحليل 25 نوفمبر

0 تعليقات

أضف تعليقا

اترك تعليقاً