عدالة الذكاء الاصطناعي بقلم :ايهاب محمد زايد-مصر

ايهاب زايد يكتب عن عدالة الذكاء الاصطناعي

معلومة تهمك

عدالة الذكاء الاصطناعي
كتب :ايهاب محمد زايد-مصر
ذكاء اصطناعي رمزي دقيق لتقييم أسرع وأفضل لعدالة الذكاء الاصطناعي. تسمح لغة البرمجة الاحتمالية بإجابات سريعة وخالية من الأخطاء لمشاكل الذكاء الاصطناعي الصعبة ، بما في ذلك الإنصاف. يقول باحثو معهد ماساتشوستس للتكنولوجيا إن لغة البرمجة الاحتمالية الجديدة الخاصة بهم يمكنها تقييم عدالة خوارزميات الذكاء الاصطناعي بسرعة وبدقة.
يستخدم نظام العدالة والبنوك والشركات الخاصة الخوارزميات لاتخاذ قرارات لها تأثيرات عميقة على حياة الناس. لسوء الحظ ، تكون هذه الخوارزميات متحيزة في بعض الأحيان – وتؤثر بشكل غير متناسب على الأشخاص الملونين وكذلك الأفراد في الفئات ذات الدخل المنخفض عند التقدم بطلب للحصول على قروض أو وظائف ، أو حتى عندما تقرر المحاكم الكفالة التي يجب تحديدها أثناء انتظار الشخص للمحاكمة.
طور باحثو معهد ماساتشوستس للتكنولوجيا لغة برمجة ذكاء اصطناعي جديدة يمكنها تقييم عدالة الخوارزميات بشكل أكثر دقة وبسرعة أكبر من البدائل المتاحة.
إن لغة Sum-Product الاحتمالية (SPPL) هي نظام برمجة احتمالي. تعد البرمجة الاحتمالية مجالًا ناشئًا عند تقاطع لغات البرمجة والذكاء الاصطناعي الذي يهدف إلى جعل أنظمة الذكاء الاصطناعي أسهل في التطوير ، مع نجاحات مبكرة في رؤية الكمبيوتر وتنظيف البيانات المنطقية ونمذجة البيانات الآلية.
تسهل لغات البرمجة الاحتمالية على المبرمجين تحديد النماذج الاحتمالية وتنفيذ الاستدلال الاحتمالي – أي العمل بشكل عكسي لاستنتاج التفسيرات المحتملة للبيانات المرصودة.
هناك أنظمة سابقة يمكنها حل العديد من أسئلة الإنصاف. نظامنا ليس الأول. ولكن نظرًا لأن نظامنا متخصص ومُحسَّن لفئة معينة من النماذج ، فيمكنه تقديم حلول أسرع بآلاف المرات “، كما يقول فراس سعد ، طالب دكتوراه في الهندسة الكهربائية وعلوم الكمبيوتر (EECS) والمؤلف الأول في ورقة بحثية حديثة تصف الشغل. يضيف سعد أن التسريع ليس بالأمر الهين: يمكن أن يكون النظام أسرع بـ 3000 مرة من الطرق السابقة.
تقدم SPPL حلولاً سريعة ودقيقة لأسئلة الاستدلال الاحتمالي مثل “ما مدى احتمال أن يوصي النموذج بقرض لشخص فوق سن الأربعين؟” أو “إنشاء 1000 مقدم طلب للحصول على قروض اصطناعية ، جميعهم دون سن 30 ، ستتم الموافقة على قروضهم”. تستند نتائج الاستدلال هذه إلى برامج SPPL التي تقوم بتشفير النماذج الاحتمالية لأنواع المتقدمين المحتملة ، ودليلًا ، وكذلك كيفية تصنيفهم. تتضمن أسئلة الإنصاف التي يمكن أن يجيب عليها برنامج SPPL “هل هناك فرق بين احتمال التوصية بقرض لمقدم طلب مهاجر وغير مهاجر له نفس الوضع الاجتماعي والاقتصادي؟” أو “ما هو احتمال التوظيف ، بالنظر إلى أن المرشح مؤهل للوظيفة ومن مجموعة ممثلة تمثيلا ناقصا؟”
يختلف SPPL عن معظم لغات البرمجة الاحتمالية ، حيث يسمح SPPL للمستخدمين فقط بكتابة البرامج الاحتمالية التي يمكن أن تقدم تلقائيًا نتائج استدلال احتمالي دقيقة. يتيح SPPL أيضًا للمستخدمين التحقق من مدى سرعة الاستدلال ، وبالتالي تجنب كتابة برامج بطيئة. في المقابل ، تسمح لغات البرمجة الاحتمالية الأخرى مثل Gen و Pyro للمستخدمين بتدوين البرامج الاحتمالية حيث تكون الطرق الوحيدة المعروفة للاستدلال تقريبية – أي أن النتائج تتضمن أخطاء يصعب وصف طبيعتها وحجمها.
الخطأ من الاستدلال الاحتمالي التقريبي مقبول في العديد من تطبيقات الذكاء الاصطناعي. لكن من غير المرغوب فيه وجود أخطاء في الاستدلال تؤدي إلى إفساد النتائج في التطبيقات ذات التأثير الاجتماعي للذكاء الاصطناعي ، مثل صنع القرار الآلي ، وخاصة في تحليل الإنصاف.
يقول جان بابتيست تريستان ، الأستاذ المساعد في كلية بوسطن وعالم الأبحاث السابق في مختبرات أوراكل ، والذي لم يشارك في البحث الجديد ، “لقد عملت على تحليل الإنصاف في الأوساط الأكاديمية وفي بيئات الصناعة الواقعية واسعة النطاق . يوفر SPPL مرونة وموثوقية محسّنة على PPLs الأخرى في هذه الفئة الصعبة والمهمة من المشكلات بسبب تعبير اللغة ودلالاتها الدقيقة والبسيطة وسرعة وسلامة محرك الاستدلال الرمزي الدقيق. ”
يتجنب SPPL الأخطاء عن طريق التقييد بفئة مصممة بعناية من النماذج التي لا تزال تتضمن فئة واسعة من خوارزميات الذكاء الاصطناعي ، بما في ذلك مصنفات شجرة القرار التي تُستخدم على نطاق واسع في اتخاذ القرارات الحسابية. يعمل SPPL عن طريق تجميع البرامج الاحتمالية في بنية بيانات متخصصة تسمى “تعبير المنتج الإجمالي”.
يبني SPPL أيضًا على الموضوع الناشئ المتمثل في استخدام الدوائر الاحتمالية كتمثيل يتيح الاستدلال الاحتمالي الفعال. يمتد هذا النهج العمل السابق على شبكات مجموع المنتج إلى النماذج والاستفسارات المعبر عنها عبر لغة البرمجة الاحتمالية. ومع ذلك ، يلاحظ سعد أن هذا النهج يأتي مع قيود: “SPPL أسرع بشكل كبير في تحليل عدالة شجرة القرار ، على سبيل المثال ، لكنها لا تستطيع تحليل نماذج مثل الشبكات العصبية. يمكن للأنظمة الأخرى تحليل كل من الشبكات العصبية وأشجار القرار ، لكنها تميل إلى أن تكون أبطأ وتعطي إجابات غير دقيقة “.
يقول فيكاش مانسينجكا ، عالم الأبحاث الرئيسي في معهد ماساتشوستس للتكنولوجيا وكاتب الورقة البحثية: “يُظهر SPPL أن الاستدلال الاحتمالي الدقيق عملي ، وليس فقط ممكنًا من الناحية النظرية ، لفئة واسعة من البرامج الاحتمالية”. “في مختبري ، رأينا استدلالًا رمزيًا يتحسن في سرعة القيادة والدقة في مهام الاستدلال الأخرى التي تعاملنا معها سابقًا عبر مونت كارلو التقريبي وخوارزميات التعلم العميق. كما أننا نطبق SPPL على البرامج الاحتمالية التي تم تعلمها من قواعد بيانات العالم الحقيقي ، لتقدير احتمالية الأحداث النادرة ، وإنشاء بيانات الوكيل التركيبية مع وجود قيود ، وفحص البيانات تلقائيًا بحثًا عن الانحرافات المحتملة “.
تم تقديم لغة البرمجة الاحتمالية الجديدة الخاصة بـ SPPL في يونيو في المؤتمر الدولي ACM SIGPLAN حول تصميم لغة البرمجة وتنفيذها (PLDI) ، في ورقة شارك سعد في تأليفها مع أستاذ MIT EECS مارتن رينارد ومانسينغكا. يتم تنفيذ SPPL في Python وهو متاح مفتوح المصدر.
المصدر
https://news.mit.edu/

تنبيه هام، المنشور يعبر عن رأي الكاتب ويتحمل مسؤوليته، دون ادنى مسؤولية علي الجريدة

تنبيه

احصل على تحديثات في الوقت الفعلي مباشرة على جهازك ، اشترك الآن.

معلومة تهمك

2 تعليقات
  1. […] عدالة الذكاء الاصطناعي بقلم :ايهاب محمد زايد-مصر […]

  2. […] عدالة الذكاء الاصطناعي بقلم :ايهاب محمد زايد-مصر […]

اترك رد

لن يتم نشر عنوان بريدك الإلكتروني.

%d مدونون معجبون بهذه: