حقق باحثون في جامعة سيدني للتكنولوجيا (UTS) تقدمًا بارزًا في الذكاء الاصطناعي، مع تطوير خوارزمية جديدة تحمل اسم Torque Clustering، والتي تعد نقلة نوعية في التعلم غير الخاضع للإشراف. هذه التقنية الجديدة تستلهم مبادئها من الفيزياء، وتتيح للذكاء الاصطناعي تحليل البيانات والكشف عن الأنماط من دون الحاجة إلى تصنيف مسبق، مما يجعلها أكثر كفاءة ومرونة مقارنة بالأساليب التقليدية.
بعيدًا عن الأساليب التي تعتمد على إدخال بيانات مصنفة يدويًا، تعمل هذه الخوارزمية على التعرف على الروابط بين البيانات بشكل مستقل، ما يمنحها دقة عالية بلغت 97.7٪ وفقًا لاختبارات معيارية، متجاوزة بذلك الخوارزميات الحالية التي لا تتخطى دقتها 80٪.
مفهوم مبتكر مستوحى من الفيزياء
استلهم الباحثون فكرة Torque Clustering من مبدأ عزم الدوران في الفيزياء، حيث تم تصميمها بطريقة تجعل البيانات المتشابهة تتجمع تلقائيًا ضمن مجموعات محددة، تمامًا كما تتفاعل الأجسام ذات الكتل المختلفة في الفضاء تحت تأثير الجاذبية. هذه الآلية تمنحها قدرة فائقة على تحليل البيانات الضخمة والتعامل مع أنماط معقدة دون الحاجة إلى إشراف بشري.
البروفيسور تشين تنج لين، أحد الباحثين في المشروع، أوضح أن هذه الخوارزمية تحاكي الطريقة التي تتعلم بها الكائنات الحية من بيئاتها دون الحاجة إلى توجيه مباشر، وهو ما يمكن أن يغير مستقبل الذكاء الاصطناعي بشكل جذري.
تفوق على الأساليب التقليدية
تعتمد معظم تقنيات الذكاء الاصطناعي الحالية على التعلم الخاضع للإشراف، حيث يتم تدريب الأنظمة على بيانات مصنفة يدويًا، وهي عملية تستغرق وقتًا طويلًا وتكلف موارد هائلة. أما Torque Clustering فتعمل باستقلالية تامة، وتحدد الأنماط بشكل ذاتي، مما يجعلها أكثر ملاءمة للمجالات التي تتطلب معالجة كميات ضخمة من البيانات غير المصنفة.
الدكتور جيه يانج، المؤلف الرئيسي للدراسة، أشار إلى أن هذه الخوارزمية تتميز بالمرونة وتتكيف مع مختلف أنواع البيانات، بما في ذلك البيانات التي تحتوي على مستويات ضوضاء عالية أو أشكال غير منتظمة، ما يمنحها قدرة تحليلية فائقة مقارنة بالخوارزميات التقليدية.
تطبيقات واسعة في مختلف المجالات
تفتح خوارزمية Torque Clustering الباب أمام استخدامات واسعة في عدة مجالات علمية وتقنية، حيث يمكنها إحداث ثورة في تحليل البيانات في مجالات مثل:
الطب: المساعدة في تشخيص الأمراض وتحديد العوامل الوراثية المرتبطة بها.
علم الفلك: تحليل البيانات الفلكية واكتشاف أنماط غير مرصودة سابقًا.
التمويل: التنبؤ بالاتجاهات الاقتصادية واكتشاف الأنشطة الاحتيالية.
علم النفس: دراسة السلوك البشري وفهم العوامل التي تؤثر عليه.
مستقبل الذكاء الاصطناعي المستقل
يؤمن الباحثون بأن Torque Clustering يمكن أن تشكل حجر الأساس لجيل جديد من أنظمة الذكاء الاصطناعي القادرة على التعلم والتطور دون تدخل بشري. مع استمرار البحث والتطوير، من المتوقع أن تعزز هذه التقنية قدرة الروبوتات والأنظمة المستقلة على اتخاذ قرارات أكثر دقة، وتحسين أدائها في البيئات المعقدة.
ونظرًا للأهمية العلمية لهذه الخوارزمية، فقد أتاح الباحثون الكود المصدري الخاص بها للمجتمع العلمي، ما يفتح المجال أمام مزيد من التطوير والابتكار في هذا المجال الواعد.
إرسال تعليق