اختر منطقتك 
نجح فريق بحثي من جامعة ميونخ التقنية في تطوير طريقة جديدة لتدريب الشبكات العصبية الصناعية بدون الحاجة إلى الحوسبة المكثفة المكلفة في الطاقة والموارد.
ووفقا للنتائج التي عُرضت في مؤتمر “نيور آي بي إس 2023” وفي الدراسة المنشورة حديثا، فإن هذه الطريقة الجديدة لا تعتمد على أساليب التحسين التقليدية، بل تتبع نهجا جديدا يجعلها أسرع بنحو 100 مرة، وبالتالي تكون أكثر كفاءة في استهلاك الطاقة.
ويقول محمد خليف أستاذ علوم الحاسب في الأكاديمية العربية للعلوم والتكنولوجيا والنقل البحري بمصر في تصريحات حصرية للجزيرة نت “يمكن اعتبار هذه المنهجية تغييرا جذريا، ولكنها لا تزال في بدايتها، إنها أشبه بشخص يفهم جيدا ويعرف أين يبحث ليجد الإجابة، معتمدا على تخمين ذكي، وقد تمثل نقلة من الاعتماد على كمّ البيانات إلى التركيز على نوعية وذكاء عملية التعلم”.
عقل حاسوبي بتكلفة باهظة
أصبحت تطبيقات الذكاء الاصطناعي مثل النماذج اللغوية الضخمة “شات جي بي تي” و”جيميناي” وغيرها جزءا لا يتجزأ من حياتنا اليومية، وتوفر مراكز البيانات -التي تستهلك كميات هائلة من الطاقة- قدرات الحوسبة والتخزين والنقل اللازمة لعمل تلك النماذج.
وفي ألمانيا وحدها، بلغ هذا الاستهلاك نحو 16 مليار كيلوواط/ ساعة في عام 2020، أي ما يعادل قرابة 1% من إجمالي استهلاك الطاقة في البلاد، ومن المتوقع أن يصل هذا الرقم إلى 22 مليار كيلوواط/ ساعة العام الجاري.
الشبكات العصبية هي الأساس الذي تقوم عليه مهام تقنيات الذكاء الاصطناعي الحديثة مثل الترجمة الآلية والتعرف على الصور والنماذج اللغوية الضخمة، وتعمل من خلال مجموعة ضخمة من “العُقد” أو “الخلايا العصبية” الصناعية المترابطة، حيث يتم تمرير الإشارات وتعديلها بناء على “أوزان” محددة.
وعادة ما تكون عملية “تدريب” هذه الشبكات مكلفة وطويلة، إذ تعتمد على إعطاء الشبكة آلاف أو ملايين الأمثلة، وتحديث الأوزان تدريجيا عبر عمليات حسابية مكررة تتطلب قوة حوسبة هائلة.
وتتم عملية التعلم هذه من خلال وجود نموذج رياضي أو احتمالي في القلب من الشبكة العصبية تتم تغذيته بكميات كبيرة من الأمثلة، ويتعلم النموذج من هذه الأمثلة وينشئ أنماطا أو نماذج داخلية، بحيث إذا واجه بيانات جديدة شبيهة أو مقاربة لهذه الأنماط يستطيع تصنيفها بدقة، بحسب خليف.
ويضيف خليف “يمكن تشبيه ذلك بعملية تعلم الطفل الصغير الذي يكتسب الخبرات والتجارب من خلال ملاحظة وسماع وتكرار الأحداث المحيطة به، مثل تناول الطعام، ومراقبة أفعال والديه وأصدقائه، ومشاهدة التلفزيون، ويكتسب الطفل الخبرات باستمرار، مما يمكنه لاحقا من فهم الأمور بنفسه بناء على المعلومات التي تلقاها سابقا”.
الكيف وليس الكم
وبدلا من توزيع الأوزان في النماذج الرياضية عشوائيا أو تحسينها تكراريا تعتمد الطريقة الجديدة على تحديد النقاط الأكثر تأثيرا في بيانات التدريب، وتحديدا تلك التي تُظهر تغيرات سريعة في القيم أو الفئات، أي ذات التأثير الأقوى، وبالتالي تُستخدم هذه النقاط لتوليد الأوزان مباشرة دون الحاجة إلى التدريب التكراري التقليدي، مما يجعل عملية تحديد الأوزان الضرورية للنموذج تتم بأقل قدر من القدرة الحاسوبية، وهو ما يتيح تدريب الشبكات العصبية بسرعة أكبر وباستهلاك أقل للطاقة.
ومع تعقّد التطبيقات الحديثة -من السيارات ذاتية القيادة والمساعد الذكي إلى الطب الشخصي- يصبح تقليص زمن التدريب واستهلاك الطاقة أولوية، إذ لا تعتمد الطريقة الجديدة على تغذية النموذج بكل الأمثلة الممكنة كما هو الحال في النهج التقليدي.
ويقول خليف “الطريقة الاحتمالية الجديدة أشبه بشخص يستطيع استخدام حدسه وخبراته ليركز على الاحتمالات الأكثر ترجيحا بدلا من تجربة كل شيء، فبدلا من المحاولة في كل الاتجاهات الممكنة يحاول النموذج السير في الاتجاه الصحيح منذ البداية”، وهذا لا يعني فقط تقليل الجهد، بل أيضا تقليل استهلاك الطاقة والموارد وجعل الذكاء الاصطناعي أكثر استدامة.
وأظهرت تجارب الفريق البحثي أن النموذج الناتج عن هذه الطريقة يحقق دقة مماثلة تقريبا لتلك التي تحصل عليها من خلال التدريب التقليدي، بل ويتفوق عليها في بعض المهام، كما أن الوقت اللازم لبناء الشبكة يمكن أن ينخفض من ساعات أو أيام إلى دقائق أو ثوانٍ دون الحاجة إلى حواسيب فائقة.
حرمان من الذكاء الاصطناعي
ويقول خليف “من الممكن أن يصبح مجال الذكاء الاصطناعي أكثر شمولا وتنوعا، وأن تتقلص الفجوة بين الدول المتقدمة والدول غير المتقدمة في هذا المجال”، إذ إن واحدة من أهم مزايا هذه المنهجية الجديدة هي ديمقراطيتها، فمن خلال تقليل الحاجة إلى حواسيب عملاقة وشرائح متقدمة وطاقة هائلة تفتح تلك المنهجية الجديدة الأبواب أمام باحثين من جامعات في دول نامية أو حتى أفراد بموارد محدودة للولوج إلى عالم الذكاء الاصطناعي وبناء نماذجهم الخاصة.
لكن رغم الإمكانيات الواعدة هناك بعض القيود، فحتى الآن لا يمكن استخدام هذه المنهجية بطريقة مباشرة مع بعض أنواع الشبكات العصبية المخصصة لتحليل الصور والفيديوهات والتعرف على الوجوه أو لتلك المخصصة لمعالجة اللغة الطبيعية.
ومع ذلك، يعتقد الباحثون أن النهج الجديد يمكن أن يُستخدم كنقطة انطلاق للتدريب، مما يوفر الوقت والموارد في المراحل الأولى.
ويختم خليف “إذا أثبتت هذه المنهجية نجاحها في التطبيقات الواقعية فبالتأكيد سترغب كل شركة وكل صناعة في استخدامها، كما ستفيد الشركات الصغيرة، وقد تصبح متاحة للاستخدام في المنازل والهواتف المحمولة ولدى الأشخاص العاديين”.
إن الجمع بين الكفاءة في الأداء والبساطة في التنفيذ دون التفريط في الدقة هو لب التطوير، ففي عالم يتزايد اعتماده على تقنيات الذكاء الاصطناعي يعد تقليل الأثر البيئي وتوسيع دائرة المشاركة البحثية رهانا حقيقيا على مستقبل أكثر استدامة وعدالة.
ومع استمرار التجارب والتقييمات ربما نجد قريبا نماذج مدعومة بهذه المنهجية في هواتفنا وسياراتنا وحياتنا اليومية بذكاء لا يستهلك الكوكب، بل يخدمه.
