يُمهد النسيان الآلي الطريق لنشر الذكاء الاصطناعي بشكل مسؤول وأخلاقي

في لحظة محورية لمجال الذكاء الاصطناعي (AI)، يتعامل الباحثون مع مشكلة ملحة مرتبطة بالتكنولوجيا - وهي تعليم أنظمة الذكاء الاصطناعي كيفية النسيان. وقد أبرز مؤتمر قمة الذكاء الاصطناعي هذه القضية في الصدارة، مشدداً على أهمية "النسيان الآلي" كأداة حاسمة في التخفيف من المخاطر التي يشكلها الذكاء الاصطناعي. 

مع استمرار دمج الذكاء الاصطناعي في مختلف جوانب المجتمع، فإن فوائده لا يمكن إنكارها، وكذلك المخاطر المحتملة. يسعى هذا المجال البحثي الناشئ إلى معالجة هذه المخاوف من خلال إزالة البيانات المزعجة من نماذج الذكاء الاصطناعي، ولا سيما الشبكات العصبية العميقة (DNNs)، التي تلعب دوراً محورياً في تطبيقات الذكاء الاصطناعي الحديثة، بطريقة فعالة ومنخفضة التكلفة.

يُعد تدريب الشبكات العصبية العميقة الحديثة، بما في ذلك النماذج المعروفة مثل ChatGPT وBard، عملية مكثفة تتطلب موارد حاسوبية ووقتاً كبيرين. تتطلب هذه النماذج، المعروفة باسم نماذج اللغة الكبيرة (LLMs)، كميات هائلة من البيانات والطاقة للتدريب، مما يعادل عشرات جيجاواط/ساعة، وهو مستوى من استهلاك الطاقة يمكن أن يزود آلاف الأسر بالكهرباء لمدة عام. تكمن جوهر المشكلة في حقيقة أن إعادة تدريب أنظمة الذكاء الاصطناعي لنسيان بيانات محددة هي مهمة شاقة ومكلفة من حيث الموارد.

لمعالجة هذا التحدي، ظهر مجال بحثي جديد يُعرف بـ "النسيان الآلي". يعمل الباحثون على تطوير تقنيات تتيح لنماذج الذكاء الاصطناعي نسيان البيانات التي تشكل خطراً على المجتمع بكفاءة، مع الحفاظ على دقة عالية. تقود هذه الجهود التعاون بين خبراء علوم الحاسوب في جامعة واريك وجوجل ديب مايند.

قام البروفيسور بيتر تريانتافيلو من قسم علوم الحاسوب في جامعة واريك مؤخراً بكتابة بحث مشترك بعنوان "نحو النسيان الآلي غير المحدود"، المتاح على خادم ما قبل الطباعة arXiv. ويؤكد على تعق Networks العصبية العميقة (DNNs)، التي يمكن أن تحتوي على تريليونات من المعاملات، مما يجعل من الصعب فهم كيفية ولماذا تحقق هذه النماذج أهدافها. يثير هذا التعقيد، مقترناً بمجموعات البيانات الضخمة التي يتم تدريبها عليها، مخاوف بشأن الأضرار المحتملة التي يمكن أن تسببها الشبكات العصبية العميقة للمجتمع.

معالجة مخاوف التحيز والخصوصية

أحد أهم المخاطر المرتبطة بالشبكات العصبية العميقة (DNNs) هو وجود بيانات متحيزة. يمكن لهذه النماذج أن تعزز الصور النمطية السلبية من خلال التعلم من مجموعات البيانات المثقلة بالتحيزات. على سبيل المثال، قد تربط أنظمة الذكاء الاصطناعي بشكل غير صحيح بين الأطباء والذكور والممرضات والإناث، أو حتى تعزز التحيزات العنصرية. بالإضافة إلى ذلك، قد تدمج الشبكات العصبية العميقة بيانات ذات "تسميات خاطئة"، مثل تصنيف العناصر بشكل غير صحيح، مما قد يكون له آثار خطيرة، خاصة في التطبيقات مثل التعرف على الصور.

علاوة على ذلك، يُعد انتهاك خصوصية الأفراد مصدر قلق كبير. يمنح الحق في النسيان، كما هو منصوص عليه في لوائح مثل اللائحة العامة لحماية البيانات (GDPR)، الأفراد الحق في طلب إزالة بياناتهم من أي مجموعة بيانات أو برنامج ذكاء اصطناعي. يشكل هذا تحدياً كبيراً لعمالقة التكنولوجيا ويؤكد على الحاجة إلى تقنيات فعالة للنسيان الآلي.

وعد النسيان الآلي

أدى البحث الأخير الذي أجراه البروفيسور تريانتافيلو وفريقه إلى خوارزمية "نسيان آلي" مبتكرة. تتيح هذه الخوارزمية للشبكات العصبية العميقة نسيان البيانات المشكلة بشكل انتقائي دون الحاجة إلى إعادة تدريب النموذج بالكامل من الصفر. والأهم من ذلك، أنها تميز بين ثلاثة أنواع مختلفة من البيانات التي تحتاج إلى النسيان: التحيزات، والتسميات الخاطئة، والقضايا المتعلقة بالخصوصية. تقدم هذه الابتكار حلاً عملياً وفعالاً للتخفيف من المخاطر المرتبطة بالذكاء الاصطناعي.

يُصنف الآن النسيان الآلي كأداة حيوية لحماية النشر المسؤول لتكنولوجيا الذكاء الاصطناعي. ومن خلال السماح لأنظمة الذكاء الاصطناعي بنسيان البيانات التي تعزز التحيزات، أو تحتوي على أخطاء، أو تنتهك الخصوصية، يمكن للمجتمع الاستفادة من فوائد الذكاء الاصطناعي دون المساس بالقيم الأخلاقية والمجتمعية.