خوارزمية جديدة تحل مشكلة التماثل في تعلم الآلة بدقة وكفاءة

نجح فريق بحثي من معهد MIT في تطوير تقنية جديدة تسمح بالتعامل الفعّال مع البيانات المتماثلة داخل نماذج الذكاء الاصطناعي، وهو ما يمثل خطوة علمية تفتح المجال أمام تحسين دقة الخوارزميات وتقليل حجمها وكلفتها التشغيلية، حيث ترتكز التقنية على خوارزمية تدمج بين مفاهيم رياضية في الجبر والهندسة وتتعامل بمرونة مع أنماط البيانات المتكررة دون تجاهل بنيتها الداخلية.

مشكلة التماثل

واجهت نماذج الذكاء الاصطناعي منذ نشأتها صعوبة في التعرّف على التماثلات داخل البيانات، إذ كان النموذج قد يخطئ في التعامل مع كائن مكرر بزوايا مختلفة، فيحسبه عنصرًا مختلفًا بدلًا من إدراك أنه مجرد تدوير لنفس الكائن، ما يؤثر على دقة النتائج وكفاءة الأداء، ويؤدي إلى مضاعفة الحاجة إلى بيانات أكثر لتدريب النماذج على الحالات المتشابهة، وهو ما يزيد التكاليف ويقلل فعالية المعالجة.

وأوضح الباحث المشارك بهرز طهماسيبي، وهو طالب دراسات عليا في معهد MIT، أن التماثلات في البيانات ليست تشويشًا بل دليلًا مهمًا يُعبّر عن قوانين الطبيعة، مؤكدًا أن إدخال هذا الوعي البنيوي في تصميم النماذج يمكن أن يحسن من قدرتها على التعلّم والفهم، وأضاف أن الفريق أثبت رياضيًا أنه من الممكن تطوير خوارزميات تتعامل بكفاءة مضمونة مع البيانات المتماثلة.

خوارزمية جديدة

اعتمد الفريق على صياغة خوارزمية مستحدثة تتجاوز الطرق التقليدية المستخدمة في شبكات Graph Neural Networks، والتي رغم كفاءتها الظاهرة في التعامل مع التماثل، لم تكن مفهومة بالكامل من حيث سبب فعاليتها، وبدلًا من ذلك، دمج الفريق أفكارًا من فروع رياضية دقيقة لتكوين نموذج قادر على استيعاب التماثلات بدقة مع احترام الهيكل الرياضي الكامن خلف البيانات.

وتبيّن أن هذه المقاربة تحسّن نتائج التدريب بشكل كبير، إذ تقلل الحاجة إلى كميات ضخمة من البيانات، وتتيح الوصول إلى نماذج أصغر حجمًا وأكثر مرونة، كما تُسرّع من وقت المعالجة دون التضحية بالدقة، وهو ما يجعل هذه الطريقة أكثر ملاءمة للتطبيقات التي تعتمد على الموارد المحدودة مثل الأجهزة المحمولة أو الأنظمة منخفضة الاستهلاك.

تطبيقات واعدة

يتوقع الباحثون أن تفتح هذه التقنية الباب أمام تحسينات جذرية في عدة مجالات تطبيقية، منها اكتشاف المواد الجديدة باستخدام تحليل التركيبات الكيميائية المعقدة، أو التعرف على الظواهر الفلكية النادرة من خلال تحليل صور الفضاء، إضافة إلى تحسين نماذج المناخ عبر فهم أنماط البيانات المتماثلة في درجات الحرارة وحركات الرياح.

وقد جرى عرض البحث خلال جلسات المؤتمر الدولي لتعلم الآلة، وحظي باهتمام واسع من الباحثين المتخصصين في بنية النماذج وخوارزميات التحسين، ويأمل الفريق في تطوير نسخ تطبيقية من الخوارزمية الجديدة لاستخدامها داخل الشركات والمؤسسات التي تسعى لخفض كلفة التشغيل مع الحفاظ على مستوى الدقة.

ويرى الفريق أن تطوير نماذج أخف وأكثر قدرة على فهم التماثل قد يكون خطوة محورية في بناء أنظمة ذكاء اصطناعي أكثر إنسانية، وذات كفاءة تشغيلية قابلة للتوسيع دون الحاجة إلى طاقة حسابية ضخمة، وهو ما يتماشى مع الاتجاه العالمي نحو تقليل استهلاك الموارد وتوسيع قدرة النماذج على التعلم المستمر.