أعلن باحثون من معهد MIT عن ابتكار تقني جديد يعالج أحد التحديات الأساسية في تعلم الآلة، مما قد يمهد الطريق لنماذج ذكاء اصطناعي أكثر دقة وأقل تكلفة. الطريقة الجديدة تعالج البيانات المتماثلة بكفاءة غير مسبوقة، وتعد بانطلاقة كبيرة نحو تطوير تطبيقات أكثر مرونة وتوفيرًا في استهلاك الموارد.
ما الذي يجعل هذا الابتكار مختلفًا من معهد MIT؟
هل يمكن لـالذكاء الاصطناعي أن يتعرف على الشيء ذاته رغم تغيّر زاويته أو اتجاهه؟ حتى اليوم، كانت هذه المهمة صعبة على الكثير من النماذج. لكن فريقًا من الباحثين في معهد MIT قلب الموازين بابتكار طريقة ثورية لمعالجة البيانات المتماثلة.
المشكلة الرئيسية أن نماذج الذكاء الاصطناعي التقليدية قد تفشل في تمييز كائن معين إذا تم تدويره أو تغيّر شكله الظاهري قليلاً، مثل جزيء كيميائي أو خريطة مناخية. الباحث “بهرز طهماسيبي” يوضح أن التماثلات تحمل معلومات طبيعية مهمة، وإذا لم نأخذها بعين الاعتبار، نفقد الكثير من دقة النموذج.
الحل الجديد هو خوارزمية مدمجة بمفاهيم من الجبر والهندسة، قادرة على التعلم من البيانات المتماثلة دون تجاهل بنيتها. النتائج؟ نماذج تتعلم بسرعة أكبر، وتحتاج إلى بيانات أقل للتدريب، وتُظهر دقة أعلى في التعامل مع التحديات المعقدة.
على سبيل المثال، يمكن استخدام هذه الخوارزمية في اكتشاف مواد جديدة بفعالية أكبر، أو فهم أنماط مناخية معقدة، أو حتى التعرف على ظواهر فلكية نادرة بدقة أكبر وموارد أقل.
إذا كنت من المهتمين بمجال الذكاء الاصطناعي أو لديك مشاريع تعتمد على تحليل البيانات، فتابع هذا النوع من الابتكارات. استخدام خوارزميات تعزز الكفاءة وتقلل الحاجة للبيانات قد يُحدث فرقًا كبيرًا في الأداء والتكلفة.
لمتابعة المزيد من الأخبار التقنية الحصرية، انضم إلى متابعينا، ولا تنسَ مشاركتنا رأيك في التعليقات. التقنية تتطور بسرعة، ونحن هنا لنقدّم لك كل جديد بأسلوب بسيط وواضح.
