يكتسب الذكاء الاصطناعي المرتكز على البيانات زخمًا بين المهندسين. بينما تقليديًا ، تم استخدام النهج المتمحور حول النموذج لتحسين الدقة لمجموعة متنوعة من التطبيقات ، فإن زيادة البيانات المتاحة اليوم وفوائد استخدام البيانات الموثوقة تقود المهندسين إلى إعادة تقييم أولوياتهم وسير العمل. نظرًا لأن أداء النموذج يعتمد بشدة على جودة البيانات التي يتم تدريبه عليها ، فقد مكّن تركيز البيانات هذا المهندسين من تحسين دقة النموذج بدون العملية الدائرية لتعديل المعلمات باستمرار.
من خلال تحسين جودة البيانات ودقة النموذج ، يسمح الذكاء الاصطناعي المرتكز على البيانات بمجالات جديدة من التطبيق ويفتح فرصًا جديدة في مجال الهندسة - من اتصالات 5G إلى LiDAR ، وتصوير الأجهزة الطبية ، وتقديرات حالة الشحن ، وغير ذلك الكثير.
انضم إلينا في مؤتمر حوكمة البيانات وجودة المعلومات
تعلم من العشرات من دراسات الحالة الواقعية والبرامج التعليمية والندوات والمزيد - 5-9 ديسمبر 2022 في واشنطن العاصمة (سجل بحلول 7 أكتوبر لتوفير ما يصل إلى 400 دولار!)
بينما أثبت الفحص الدقيق للبيانات دائمًا أنه مهم للنمذجة الناجحة ، يكمن التحدي الحديث في تحديد كيفية تقدم الذكاء الاصطناعي المرتكز على البيانات لحل مشكلات التطبيق المحددة ، وما هي التقنيات والأدوات المتاحة للقيام بذلك. يمنح الذكاء الاصطناعي المرتكز على البيانات المهندسين الوصول إلى قدرات جديدة من حيث الإجابات التي يمكن العثور عليها والقضايا التي يمكن معالجتها.
أفضل الممارسات للذكاء الاصطناعي المرتكز على البيانات
لتحقيق نتائج دقيقة ، يؤكد المهندسون بشكل متزايد على تحسين جودة البيانات التي يتم إدخالها في النموذج. ولكن مع استمرار الذكاء الاصطناعي المرتكز على البيانات في تحقيق نتائج نموذجية محسّنة ، من المهم ملاحظة أنه حتى الآن ، لا توجد معايير عالمية لدرجة البيانات اللازمة للحفاظ على نموذج ذكاء اصطناعي ناجح. في المقابل ، يجب على المهندسين أن يتذكروا أن الذكاء الاصطناعي المرتكز على البيانات ديناميكي ، وستختلف الاحتياجات بناءً على التطبيق والنتيجة المرجوة عبر الصناعات.
في النهاية ، يتطلب ذلك اتباع نهج متعدد الأوجه لتحسين البيانات لضمان الدقة العالية. نظرًا لأن المزيد من المهندسين يطبقون الذكاء الاصطناعي المرتكز على البيانات في عملياتهم ، فهناك العديد من أفضل الممارسات التي تستفيد منها الصناعة لضمان الدقة المثلى. وتشمل هذه النمذجة ذات الترتيب المنخفض ، ومزامنة البيانات ، والتشويه الرقمي ، واكتشاف كائن الصورة.
مع التركيز المتجدد على إدخال البيانات في النموذج ، يتجه المهندسون بشكل متزايد إلى النمذجة ذات الترتيب المنخفض. يتيح ذلك للنموذج أن يعمل بشكل أسرع ويشغل "مساحة أقل" على المستوى الحسابي. جودة البيانات يتم الحفاظ عليها ، مع احتساب بعض الخسائر الطفيفة في الإخلاص. من خلال تصنيف الصور ، يمكن للمهندسين سد أي فجوات محتملة في بيانات التدريب ، عن طريق إعادة جمع بيانات الصورة الأصلية أو زيادتها لتطوير نسخ جديدة وضمان حجم كبير لتدريب النماذج بشكل كافٍ. وتضمن مزامنة البيانات بدورها أن البيانات المستخدمة تتوافق مع الاحتياجات المحددة للتطبيق. إذا قام المهندسون ببناء نموذج ذكاء اصطناعي يقوم بالتنبؤات كل ساعة ، فسيتطلب ذلك مدخلات بيانات كل ساعة لتدريب وتوجيه أدائه.
مع تحسن جودة البيانات ، ستتحسن أيضًا قدرة المهندسين على معالجة التحيز. تسهل البيانات المحسنة التعرف على التحيز ، وتزويد المهندسين بالرؤى اللازمة لضمان جمع البيانات الكافية لتقديم نتيجة تمثيلية في المجالات الحيوية مثل الرعاية الصحية.
مجالات جديدة للابتكار
أدى هذا التركيز المتزايد على البيانات ، ونتائج النموذج المحسّنة التي تجلبها ، إلى جلب الطبيعة الديناميكية للذكاء الاصطناعي المرتكز على البيانات إلى مجالات معينة من التطبيقات المتخصصة عبر طيف الصناعة. اللاسلكي هو أحد الأمثلة على ذلك. هنا ، جلبت تقنيات تحسين البيانات نهجًا جديدًا لتصميم مرشحات التشوه الرقمي ، والتي تعدل بشكل استباقي الإشارات للوصول إلى مستوى ضوضاء مريح في وجود المرشح المتنافس. ضمن LiDAR ، تُظهر حالات الاستخدام كيف يمكن للذكاء الاصطناعي المرتكز على البيانات تقييم وتنظيف البيانات المعرضة للخطأ والمستشعرات عن طريق تحريك المستشعرات بالقرب من وظائفها ومستويات الأداء المقصودة. عند القيام بذلك ، يمكن للمهندسين تصحيح البيانات الحية والتشغيلية ، ولكنها غير صحيحة بشكل حاسم.
من منظور تطبيق الرعاية الصحية ، فإن التصوير بالأجهزة الطبية يشمل أيضًا هذا المجال. من خلال إقران بيانات الصورة والإشارة ، يمكن للمهندسين ضبط آلات التصوير ثلاثية الأبعاد لإجراء تحليل أكثر دقة للورم وقياس صحة الرئة ، مع تطبيقات إضافية لفحص COVID-3.
مثال آخر هو هندسة السيارات ، حيث يتم تطبيق الذكاء الاصطناعي المرتكز على البيانات لبناء صورة أوضح لبيانات مستشعر البطارية مثل الفولتية ومتوسط درجة الحرارة. وهذا يتيح حالة أفضل لتقدير الشحنة ، والتي تشكل مكونًا حيويًا في تصميم وتحسين بطاريات السيارات الكهربائية.
هناك عدد من أدوات إعداد البيانات والقائمة على التجارب التي يمكن أن تساعد المهندسين في تنفيذ مركزية البيانات في نماذج الذكاء الاصطناعي. يجلب الذكاء الاصطناعي المرتكز على البيانات تعديل الكود والتشفير إلى مقدمة عملية التصميم ، حيث يظل رمز النموذج ثابتًا في الغالب. يجد المهندسون قيمة في تطبيقات إعداد البيانات التي تتيح وضع علامات بيانات سريعة ومؤتمتة ، إلى جانب مكتبات المعالجة المسبقة المستخدمة غالبًا في التطبيقات التي تعتمد على بيانات الإشارة.
تأجيج مستقبل مرتكز على البيانات
مع استمرار البحث في الذكاء الاصطناعي المرتكز على البيانات ، هناك عامل آخر لهذا التطور وهو الحاجة إلى مستويات أعلى من التعاون بين الفرق متعددة التخصصات.
مع التركيز الإضافي على التقنية ، يجب أن يدرك المهندسون حقيقة أن النمذجة الفعالة لا تزال تتطلب مشاركة وثيقة بين علماء البيانات قيادة جهود النمذجة والمهندسين الذين يقودون البيانات اللازمة لإنجاحها. من خلال إظهار كيفية إثراء البيانات لدعم إنتاج نموذج قد لا يصنعه المهندسون ، يوفر الذكاء الاصطناعي المرتكز على البيانات طريقًا للتعاون بين الفرق متعددة التخصصات.
يعمل المهندسون عبر الصناعات على تسريع استخدامهم للذكاء الاصطناعي المرتكز على البيانات ، مما يؤدي إلى تحسين جودة البيانات ودقة النموذج. بالإضافة إلى هذه الدقة المتزايدة عبر مجموعة موسعة من التطبيقات ، فإن الذكاء الاصطناعي المرتكز على البيانات لديه القدرة على إحداث تأثير أكبر على المجتمع من خلال زيادة استخدامه والدفع نحو التعاون.
