حارس الطيران من MIT: تعزيز سلامة الرحلات باستخدام الذكاء الاصطناعي
طور علماء MIT نظام حارس الطيران، وهو نظام حديث من التعلم العميق مصمم للعمل بجانب الطيارين، مما يحسن بشكل كبير من سلامة الرحلات. يمكن لهذا الذكاء الاصطناعي (AI) المساعد أن يكتشف المواقف الحرجة التي قد تغفل عنها الطيارون ويتدخل لتجنب الحوادث المحتملة.
في قلب حارس الطيران تكمن عمارة مبتكرة من التعلم العميق تُعرف بالشبكات العصبية السائلة (LNN)، التي تم تطويرها في مختبر علوم الحاسوب والذكاء الاصطناعي (CSAIL) بMIT. أظهرت الشبكات العصبية السائلة وعدًا في مجالات متنوعة، خاصة في الحالات التي تتطلب أنظمة ذكاء اصطناعي فعالة وقابلة للفهم، مما يوفر بديلاً جذابًا للنماذج التقليدية للتعلم العميق.
مراقبة انتباه الإنسان وتركيز الذكاء الاصطناعي
يعتمد حارس الطيران على أسلوب مبتكر لتعزيز السلامة خلال الرحلات. يقوم بمراقبة انتباه الطيار وتركيز الذكاء الاصطناعي باستمرار، وكشف الحالات التي يحدث فيها تباين بين الاثنين. إذا أغفل الطيار جانبًا حرجًا، يمكن للنظام الذكاء الاصطناعي أن يتولى السيطرة على المعلمات ذات الصلة للطيران بشكل سلس.
تضمن هذه المنهجية التي تجمع بين الإنسان والآلة بقاء الطيار في القيادة، بينما يتولى الذكاء الاصطناعي تعويض أي عيوب. يوضح رامين حسني، عالم الذكاء الاصطناعي في MIT CSAIL ومشارك في كتابة بحث حارس الطيران، "الهدف هو إنشاء أنظمة تتعاون مع البشر، مما يسمح للذكاء الاصطناعي بتقديم المساعدة في الحالات الصعبة بينما يستفيد من نقاط قوة الإنسان."
على سبيل المثال، في الرحلات على ارتفاع منخفض، يمكن أن تؤدي القوى الجاذبية غير المتوقعة إلى تشويش الطيار. صُمم حارس الطيران ليتولى السيطرة في هذه السيناريوهات. بالمثل، عندما يشعر الطيار بالارتباك بسبب كثرة المعلومات على الشاشة، يمكن للذكاء الاصطناعي تصفية البيانات لتسليط الضوء على الإشارات الحيوية.
تقنيات مراقبة متقدمة
يستخدم حارس الطيران تقنية تتبع العين لتقييم انتباه الإنسان، بينما تُظهر خرائط الحرارة تركيز الذكاء الاصطناعي. عند اكتشاف عدم تطابق، يقوم حارس الطيران بتحليل ما إذا كان الذكاء الاصطناعي قد حدد مشكلة تتطلب اهتمامًا فوريًا.
الذكاء الاصطناعي للتطبيقات الحرجة
مثل العديد من أنظمة التحكم، يتم بناء حارس الطيران على نموذج تعلم تعزيز عميق، حيث يقوم وكيل الذكاء الاصطناعي بمراقبة البيئة واتخاذ إجراءات بناءً على تلك الملاحظات. يتم مكافأة هذا الوكيل على الإجراءات الصحيحة، مما يمكّن الشبكة العصبية من تطوير سياسات اتخاذ قرار فعالة.
ما يميز حارس الطيران هو الشبكات العصبية السائلة في جوهره. تقدم الشبكات العصبية السائلة مستويات أعلى من الشفافية، مما يسمح للمهندسين بفحص عملية صنع القرار للنموذج - وهو تباين صارخ مع أنظمة التعلم العميق التقليدية، التي غالبًا ما تصنف كـ "صناديق سوداء".
"بالنسبة للتطبيقات الحرجة للسلامة، فهم وظائف النظام أمر أساسي، مما يجعل القابلية للتفسير ضرورة"، يذكر حسني.
يبحث حسني في الشبكات العصبية السائلة منذ عام 2020، وقد نالت أعمالهم السابقة في نظام التحكم بالطائرات بدون طيار تقديرًا في علم الروبوتات. الآن، يقومون بتطوير هذه التقنيات لتطبيقات العالم الواقعي.
ميزة أخرى مهمة للشبكات العصبية السائلة هي قدرتها على تعلم العلاقات السببية من البيانات. غالبًا ما ترسم الشبكات العصبية التقليدية علاقات غير صحيحة أو سطحية، مما يؤدي إلى أخطاء في التطبيقات الواقعية. بالمقابل، يمكن للشبكات العصبية السائلة التفاعل مع البيانات لاستكشاف السيناريوهات المتناقضة وفهم علاقات السبب والنتيجة، مما يعزز قدرتها على التحمل.
"لفهم الهدف الحقيقي من المهمة، يجب عليك التعلم بما يتجاوز الميزات الإحصائية البسيطة؛ إن فهم السبب والنتيجة هو أمر حيوي"، يلاحظ حسني.
حلول ذكاء اصطناعي مدمجة وفعّالة
تتألق الشبكات العصبية السائلة أيضًا في مدى تراصها. على عكس الشبكات التقليدية للتعلم العميق، يمكن للشبكات العصبية السائلة إنجاز المهام المعقدة باستخدام عدد أقل بكثير من وحدات المعالجة الحسابية. تمكّن هذه الكفاءة من تشغيلها على أجهزة ذات قدرات معالجة محدودة.
يوضح حسني، "مع توسيع أنظمة الذكاء الاصطناعي، تزداد قوتها، لكنها تصبح أكثر صعوبة في التوزيع على الأجهزة الحديثة."
في البحث السابق، أظهر فريق MIT CSAIL أن شبكة عصبية سائلة تحتوي على 19 خلية عصبية فقط يمكن أن تتعلم مهمة عادةً ما تتطلب 100,000 خلية عصبية في شبكة عصبية عميقة تقليدية، مما يبرز أهمية التراص لتطبيقات الحوسبة الطرفية مثل السيارات ذاتية القيادة والطائرات بدون طيار والطيران، حيث تكون اتخاذ القرار في الوقت الحقيقي أمرًا حيويًا.
توسيع نطاق حارس الطيران والشبكات العصبية السائلة
يتصور حسني أن المعرفة المكتسبة من تطوير حارس الطيران يمكن تطبيقها في سيناريوهات متنوعة حيث يدعم الذكاء الاصطناعي التعاون بين البشر. تشمل هذه التطبيقات تنسيق المهام في برامج محددة وصولاً إلى مجالات أكثر تعقيدًا مثل الجراحة الآلية والقيادة الذاتية.
"يمكن تعميم التطبيقات عبر مجالات متعددة"، يؤكد حسني.
يمكن أن تغذي الشبكات العصبية السائلة أيضًا ظهور الوكلاء المستقلين، خاصة في سياق نماذج اللغة الكبيرة. يمكنها تعزيز وكالات الذكاء الاصطناعي القادرة على اتخاذ قرارات مستنيرة وشرحها للأشخاص، مما يضمن توافق أهدافهم بشكل فعال.
"تعمل الشبكات العصبية السائلة كنظم معالجة إشارات شاملة"، يشرح حسني. "بغض النظر عن المدخلات - سواء كانت فيديو، صوت، نص، أو بيانات زمنية - يمكن للشبكات العصبية السائلة إنشاء نماذج متنوعة، مما يفتح آفاقاً لتطوير النماذج التنبؤية، والاستقلالية، وتطبيقات الذكاء الاصطناعي التوليدية."
يقارن حسني المسار الحالي للشبكات العصبية السائلة بلحظة محورية قبل إصدار ورقة "المحول" التحولية في عام 2016، التي وضعت الأسس لنماذج اللغة الكبيرة مثل ChatGPT. نحن الآن على وشك فتح الإمكانات الكاملة للشبكات العصبية السائلة، مما يمهد الطريق لأنظمة ذكاء اصطناعي متقدمة على الأجهزة الطرفية مثل الهواتف الذكية وأجهزة الكمبيوتر الشخصية.
"هذا نموذج أساسي لظهور جيل جديد من أنظمة الذكاء الاصطناعي"، يؤكد حسني. "عصر جديد من الابتكار في الأفق."
قائمة الترتيب
