ذكاء اصطناعي يستحق مكانه

ثمّة ضغط لإضافة تعلّم الآلة إلى الأشياء. بعضه فرصة حقيقية. وكثير منه حلٌّ يبحث عن مشكلة.

السؤال الجدير بالطرح أولاً

ليس هل نستطيع نمذجة هذا بل ما الذي يجب أن يكون صحيحاً ليستحق هذا العمل؟

وعادةً ثلاثة أمور: أن يتكرّر القرار بما يكفي ليُهمّ أتمتته؛ وأن يكون النمط قابلاً للتعلّم فعلاً من بيانات تستطيع الحصول عليها؛ وأن يتصرّف أحدهم تصرّفاً مختلفاً بسبب المُخرَج.

فأسقِط واحداً منها ينتج المشروع شيئاً قابلاً للدفاع تقنياً لا يستخدمه أحد.

الحلول البسيطة مبخوسة القدر

محرّك قواعد يلتقط 85% من الحالات، ويستطيع خبير المجال قراءته وتصحيحه، أفضل كثيراً في الغالب من نموذج يبلغ 90% لا يستطيع أحد تفسير خطئه.

وتضيق الفجوة أكثر متى حُسبت التكلفة الحقيقية للنموذج: بيانات مصنّفة، وبنية تقييم، ومراقبة، وإعادة تدريب، وعبء المناوبة لنظام يتدهور بصمت. تلك تكاليف حقيقية ومتكرّرة، ونادراً ما تظهر في المقارنة الأولى.

وأحياناً تكون التوصية الصادقة نموذجَ إدخال أفضل، أو قاعدة تحقّق، أو حذف خطوة. وهي نصيحة أقل إثارةً في بذلها وأنفع في تلقّيها.

أين يستحق مكانه فعلاً

يتفوّق تعلّم الآلة حقاً حيث تصير القواعد غير قابلة للإدارة: مهام الإدراك كتحديد العيوب في صور الفحص، والمسائل ذات السمات الكثيرة ضعيفة الدلالة، والأنماط المتغيّرة التي تحتاج إعادة تعلّم دورية، والحالات التي يهمّ فيها ترتيب مجموعة كبيرة أكثر من الدقة في أي عنصر مفرد.

والخيط الجامع أن حدّ القرار حقيقي لكنه أعقد من أن يُكتب.

النشر بداية العمل

النموذج الذي يؤدي جيداً في التقييم اجتاز الجزء السهل. ثم يلقى انجراف البيانات، وتغيّر صيغة في نظام سابق، وحالات حافة لم يخطر لأحد تصنيفها، ومستخدمين يكيّفون سلوكهم معه.

فقبل الإطلاق، كن واضحاً في: ما الذي يُراقَب، وأي عتبة تستدعي التحقيق، ومن يملكه، وكيف تجري إعادة التدريب، وكيف يُتراجَع. فبدون ذلك لم تُطلق نظاماً، بل أطلقت التزاماً بمقاييس أولية جيدة.

المعيار

كل مكوّن مضاف عليه أن يبرّر كلفة صيانته ما دام يعمل. وهذا المعيار، إن طُبّق بصدق، يستبعد كثيراً من المقترحات — ويجعل الناجي منها أرجح كثيراً أن يظلّ يقدّم قيمة بعد سنتين.