يُعد الذكاء الاصطناعي السببي خطوة متقدمة عن الذكاء الاصطناعي التوليدي فيما يتعلق بصنع القرار

إن الاعتماد على نماذج الذكاء الاصطناعي التنبؤية في مختلف مجالات صنع القرار ينطوي على مخاطر عواقب وخيمة، لأنها عادةً ما تعتبر الارتباط دليلاً على السببية. لذا، يجب على صانعي القرار تبني نهج آخر، وهو الذكاء الاصطناعي السببي، الذي يُساعد فيdentالعلاقة بين النتيجة والسبب بدقة. تُعتبر السببية الآن من أهم العناصر المفقودة اللازمة لتحقيق تقدم حقيقي في مجال الذكاء الاصطناعي.

الذكاء الاصطناعي السببي يفهم العلاقة بين السبب والنتيجة

لطالما دعا خبراء المجال إلى تمكين الآلات من تحليل الآثار والأسباب. وتستثمر شركات كبرى مثل جوجل ومايكروسوفت وفيسبوك وأوبر وأمازون بكثافة في الذكاء الاصطناعي السببي، مما أدى إلى تسارع وتيرة البحث في هذا المجال.

أدرجت شركة غارتنر، الرائدة في مجال تحليل التكنولوجيا، الذكاء الاصطناعي السببي ضمن 25 تقنية متطورة لديها القدرة على إحداث تحول جذري في ممارسات الأعمال. ويبدو الآن أن هناك سباقاً محموماً في الصناعة للاستفادة من المزايا الاستثنائية لهذه التقنية من خلال تبنيها مبكراً، ولكن لتحقيق ذلك، من الضروري أولاً بناء بنية تحتية ناضجة للذكاء الاصطناعي السببي.

لتحقيق ذكاء حقيقي، من الضروري إعطاء الأولوية للعلاقة بين السبب والنتيجة. هذه هي المشكلة التي تفتقر إليها أنظمة الذكاء الاصطناعي التنبؤية، ويحاول الخبراء حلها باستخدام الذكاء الاصطناعي السببي. 

نحن البشر أذكى من البيانات لأننا نفهم العلاقة بين السبب والنتيجة، بينما البيانات لا تفهمها. نستخدم قدرتنا على الاستدلال من خلال معرفتنا السببية للتنبؤ بكيفية تأثير فعل معين على أمر ما، فنضع الاستراتيجيات والخطط بناءً على ذلك. نستطيع تخيل نتائج غير مرغوب فيها أو مختلفة عن النتائج المتوقعة بالاعتماد على قدرتنا على الاستدلال السببي. هذه هي الكفاءة البشرية لتحديد سبب حدوث شيء ما على النحو الذي حدث. لذا، فإن الذكاء الاصطناعي الذي يعرف العلاقة بين السبب والنتيجة يمكن أن يمتلك هذه القدرة أيضاً، وهي قدرة بالغة الأهمية في كثير من الأحيان.

المعرفة المتخصصة مطلوبة

من أهم مزايا الذكاء الاصطناعي السببي الاستفادة من المعرفة المتخصصة، التي يمكن الحصول عليها من خبراء المجال ودمجها في عملية النظام. وبهذه الطريقة، يستطيع المبرمجون defiبعض العلاقات وتقييد النموذج ليتوافق مع هذه العلاقات. هذه القدرة تُدمج الخبرة المتخصصة مع التعلم الآلي.

إن اكتشاف العوامل الكامنة ليس الفائدة الوحيدة لاستخدام الذكاء الاصطناعي العرضي؛ بل إنه يجعل من الممكن أيضًا تصميم عمليات يمكنها تغيير النتائج باستخدام خوارزميات الذكاء الاصطناعي العرضي لطرح أسئلة من أجل الاستدلال. 

لنفترض أنك تريد تقييم برنامج تدريبي للمدربين لتحسين كفاءتهم. ما هو المستوى المطلوب من المتدرب لتحسين أدائه؟ أو، على سبيل المثال، يعلم مشرف مصنع أن ارتفاع درجة الحرارة في الحجرة X يؤدي إلى زيادة الضغط في الحجرة Y. يمكن دمج هذه المعرفة البشرية في الذكاء الاصطناعي لضمان التزام النظام بهذه المعايير دائمًا. 

الحالية أنظمة الذكاء الاصطناعي مع القيم الإنسانية بشكلٍ فعّال. الذكاء الاصطناعي السببي ذروة الذكاء الاصطناعي القابل للتفسير، ويُعزّز عدالة أنظمة الذكاء الاصطناعي. تُقدّم الأنظمة القائمة على السببية أداءً أفضل، بالإضافة إلى إمكانية تفسير العملية، بينما يُركّز الذكاء الاصطناعي التقليدي على جوانب مُحدّدة من الدقة، ويتجاهل الشفافية. إنّ معرفة إجابات أسئلة "ماذا لو" المُعقّدة تُساعدنا على فهم كيفية عمل العالم الحقيقي، وتُمكّننا من اتخاذ القرارات الصائبة لتحقيق نتائج أفضل.