يتطّورُ أداءُ أنظمةِ الحواسيبِ لمهامِها في مجالِ التعلُّمِ الآلي Machine Learning تطوُّراً ملحوظاً، وها هي تستعدُّ للسيطرةِ وتغيرِ مسارِ عالمِ الاقتصاد مثلما فعلتْ المحركاتُ البخاريةُ والكهرباءُ في الماضي. لقد تفوقَتْ الحواسيبُ علينا في الكثير من المهام، لكنها غيرُ قادرةٍ على السيطرةِ على جميعِ وظائفِنا حتى الآن على الأقل، هذا ما يقوله (توم ميتشل) من جامعة (كارنيغي ميلون) و(إيريك برينجولفسون) من معهد التكنولوجيا في ماساتشوستس MIT في تعليقٍ نُشر في الطبعة رقم 22 في شهرِ كانونَ الأول (ديسمبر) من مجلة Science.
أسفرتْ التطوراتُ السريعةُ في مجال التعلُّم الآلي ML -وهو أحدُ عناصرِ الذكاء الصنعي AI- عن تحسيناتٍ حديثةٍ في تقنياتِ التعرّفِ على الوجوه وفهمِ اللغة الطبيعيّة ورؤيةِ الحاسوب، ويُستخدم التعلُّمُ الآليُّ عملياً على نطاقٍ واسعٍ للكشف عن عملياتِ الاحتيالِ المتعلقةِ ببطاقاتِ الائتمان، ونُظُمِ التوصياتِ، وتحليلِ الأسواقِ الماليّة، وكذلك في تشخيصِ الأمراض وغيرها.
قد يصعُبُ التنبؤُ بمدى تأثيرِ التعلُّم الآلي في وظيفةٍ أو مهنةٍ معينةٍ لأنه يميلُ إلى أتمتةِ المهامِ الفرديةِ أو شبهِ الآلية، لكنَّ الوظائفَ غالباً ما تنطوي على مهامَ متعددةٍ، يمكن استخدام التعلُّم الآلي في بعضِها فقط.
وفي وقتٍ سابقٍ من هذا العام على سبيل المثال، أظهرَ الباحثونَ أن أحدَ برامج التعلُّمِ الآلي قادرٌ على الكشفِ عن سرطانِ الجلد على نحوٍ أفضلَ من طبيبِ الأمراض الجلدية، لكن هذا لا يعني أنه سوف يحُلُّ محلَّ أطباءِ الجلد الذين يفعلون أشياءَ كثيرةً غيرَ تقيّيمِ الآفات، ويقول (ميتشل): “أعتقد أنَّ ما سيحدثُ لأطباء الأمراض الجلدية هو أنهم سيصبحون أفضلَ وسيُتاحُ لهم المزيدُ من الوقت للتعامل مع المرضى، لأنه من الصعب أتمتةُ المهامِ التي تتطلبُ التفاعلَ مع الناس”.
كما تتضمنُ المهامُ التي يمكن للتعلُّمِ الآلي أن يؤديَها الكثيرَ من البيانات، فعلى سبيل المثال، لتعلُّمِ كيفية اكتشاف سرطان الجلد، كان يجب على برامج التعلُّم الآلي دراسةُ أكثرَ من 130،000 من الأمثلةِ الموضِّحةِ للآفات الجلدية، وبالمثل، يمكن تدريبُ برامجِ كشفِ عملياتِ الاحتيال الخاصةِ ببطاقات الائتمان بمئاتِ الملايينَ من الأمثلة.
يمكن أن يُشكِّلَ التعلُّمُ الآليُّ عامِلاً جوهرياً في تغييرِ المهامِ الموجودةِ بالفعل على الإنترنت، مثل الجدولة، فالوظائفُ التي لا تتطلبُ مهارةً يدويةً أو مهاراتٍ بدنيةً أو تنقُّلاً هي أيضاً أكثرُ ملاءَمةً للتعلُّم الآلي. تُعدُّ المهامُ التي تتطلبُ اتخاذَ قراراتٍ سريعةً استنادًا إلى البيانات مناسبةً لبرامج التعلُّمِ الآلي، ولكن ذلك غيرُ صحيحٍ إذا كان القرارُ يعتمدُ على سلاسلَ طويلةٍ من التفكير، أو المعرفةِ الخلفيةِ المتنوعة، أو الحِسِّ السليم.
وبالطبع فإن التعلُّمَ الآليَّ ليس خياراً جيداً إذا كان المستخدمُ يحتاجُ إلى شرحٍ مفصَّلٍ لكيفية اتخاذ القرار. وبعبارةٍ أخرى، قد يكونُ التعلُّم الآليُّ أفضلَ من الطبيبِ في الكشفِ عن سرطان الجلد، ولكن طبيبَ الأمراضِ الجلدية أفضلُ في شرحِ الأسبابِ وراءَ كونِ الآفة سرطانيةً أم لا، ومع ذلك، يجري العملُ على أنظمةِ تعلُّمٍ آليٍّ “قابلةٍ للتفسير” إذا صحَّ التعبير.
وعلى الرَّغم من أنَّ الآثارَ الاقتصاديةَ التي يُحدِثُها الـتعلُّمُ الآلي، لا يشكِّلُ هذا تهديداً فعلياً لأعمالنا، لكنّ ذلك قد يغدو واقعاً بمجرد أن يتأصلَ التعلُّمُ الآليُّ في حياتِنا اليومية.