تعتبر الخوارزميات الجينية من أكثر الخوارزميات التطورية شعبية نظرًا لتنوع تطبيقاتها. بحيث نجد أن الغالبية العظمى من المشاكل التحسينية المعروفة استخدمت هذه الخوارزميات لحلها. إضافة لذلك، نجد أن الخوارزميات الجينية ترتكز على مفهوم الساكنة، وبالتالي عدد كبير من الخوارزميات التطورية مبنية بشكل جزئي أو كلي على الخوارزميات الجينية.
أصل الخوارزميات الجينية
الخوارزميات الجينية، التي تم تطويرها على يد العالم جون هولند وزملائه في فترة الستينيات والسبعينيات، هي نموذج أو تجريد للتطور الطبيعي المبني على نظرية الانتقاء الطبيعي لتشارلز داروين. على الأرجح كان هولند أول من استخدم عمليات التقاطع، والدمج، والتحور، والانتقاء في دراسة الأنظمة التكيفية والاصطناعية. هذه العمليات تعتبر العمود الفقري للخوارزميات الجينية، بكونها استراتيجية لحل المشاكل.
تطبيقات الخوارزمية الجينية
تم تطوير وتطبيق عدد كبير من تحورات الخوارزميات الجينية، على نطاق واسع، لحل مختلف المشاكل التحسينية. من مسألة تلوين المخطط graph coloring إلي التعرف على الأنماط pattern recognition. ومن الأنظمة غير المتصلة discrete systems مثل مشكلة البائع المتجول traveling salesman problem إلي المستمرة continuous systems مثل التصميم الفعال للأجنحة الحاملة في الهندسة الجوية airfoil efficient design. ومن الأسواق المالية إلي الأمثلة متعددة الأهداف multi-objective engineering.
مميزات الخوارزميات الجينية
للخوارزميات الجينية أفضلية كبيرة في التعامل مع مجموعة المشاكل. بحيث تتميز بقدرتها على معالجة المشاكل ذات الملائمة المتغيرة زمنيًا. كما تتميز بمعالجة المشاكل المستمرة وغير المستمرة، والخطية وغير الخطية، حتى المشاكل التي تتعرض للتشويش خلال فترة التنفيد. أي عند تغير فضاء الحلول بفعل طفيلي خارجي.
عيوب الخوارزمية الجينية
للخوارزميات الجينية أيضًا بعض العيوب، فصياغة دالة حساب معامل الملائمة fitness function، واستخدام حجم الساكنة، واختيار المعاملات الهامة مثل معدل التطفر والتقاطع، ومعايير انتقاء الساكنة الجديدة يجب أن يتم بعناية وحذر فائقين. فأي اختيار غير مناسب يمكن أن يجعل التقارب صعبًا أو مستحيلًا، أو سيؤدي ببساطة إلى نتائج لا معنى لها.
لكن على الرغم من وجود هذه العيوب، تبقى الخوارزميات الجينية من أكثر الخوارزميات التطورية استعمالاً، إن لم تكن أكثرها.
آلية عمل الخوارزميات الجينية
تحاكي الخوارزميات الجينية عملية الانتقاء الطبيعي. مما يعني أن الأنواع التي يمكنها التكيف مع التغيرات في بيئتها قادرة على البقاء والتكاثر ونقل جيناتها إلى الجيل التالي. باختصار، تعتمد الخوارزمية الجينية على مفهوم “البقاء للأصلح”. حيث يتكون كل جيل من مجموعة من الأفراد، ويمثل كل فرد نقطة في فضاء الحلول الممكنة. يتم تمثيل كل فرد كسلسلة من الأحرف أو الأعداد الحقيقية أو الأعداد الصحيحة الطبيعية أو بتات bits. هذه السلسلة مماثلة لمفهوم الكروموسوم.
يتنافس أفراد الساكنة على حقوق التزاوج أي حق الخضوع لعمليات التقاطع crossover والتطفر mutation.
الأفراد الأكثر ملائمة أي الأصلح fittest ينتجون الحصة الأكبر من الجيل التالي.
تنتقل جينات الأباء عبر الأجيال، ويبقى الأفضل، مما يصقل أفراد الساكنة جيلًا بعد جيل.
لا يعني الانتقال من جيل إلي جيل اندثار الآباء. فرغم أن متوسط الملائمة لكل جيل يكون أكبر من الذي سبقه، لكن يمكن أن يكون معامل ملائمة فرد أفضل من الأبناء.
معامل الملائمة
يمنح معامل الكفائة لكل فرد من أفراد ساكنة الجيل الحالي بحيث يمثل هذا المعامل قدرة كل فرد على التنافس من أجل البقاء و الاستمرار إلي الجيل التالي.يمكن اعتبار الأفراد ذوي الملائمة العالية أو المثلى في الخوارزميات الجينية خالدين، بحيث يستمرون من جيل إلي جيل رفقة خلفهم. لكون سعة الجيل ثابتة، فعند إنشاء ساكنة جديدة يتم ترتيب أفراد الساكنة الكلية حسب معامل كفاءتهم وقص الساكنة الأقل ملائمة للإبقاء على الحجم الكلي ثابتًا.
كل جيل جديد لديه في المتوسط ”جينات أفضل” أكثر من الأجيال السابقة، نظرًا لكون متوسط اللياقة أعلى. وبالتالي فإن كل جيل جديد لديه “حلول جزئية” أفضل من الأجيال السابقة. وعند توقف معامل الملائمة عن الارتفاع لعدد من الأجيال المتتالية، يحدث إقرار التقارب. أي أن الساكنة الناتجة هي الأمثل والفرد الأكثر ملائمة هو الحل.
العمليات الأساسية في الخوارزميات الجينية
عملية الانتقاء selection
أساس هذا المفهوم هو اختيار الأفراد ذوي الملائمة الأعلى وتخويلهم الحصول على فرص أعلى لتمرير جيناتهم للجيل التالي. أي الخضوع لعدد أكبر من عمليات الدمج والتطفر.
عملية الدمج أو التقاطع crossover
تكافئ هذه العملية مفهوم التزاوج بين أفراد الساكنة. تتمثل في اختيار فردين من الساكنة الحالية وتحديد عدد من الجينات عشوائيًا وتمريرها للخلف (الأبناء). بالطبع عدد جينات الأباء هو نفسه عدد جينات الأبناء ولكون الاختيار عشوائي لا يكون عدد الجينات من الأم أو الأب نفسه عدد الجينات من الأب أو الأم. أي التوزيع ليس 50 | 50.
يمكن تبني هذا المفهوم بطريقتين مختلفتين الأولى عند الدمج نقوم بتغيير أحد جينات الخلف بطريقة عشوائية. والثانية بدلًا من تغيير الخلف مباشرة، نقوم بنسخه وتغيير جين من جينات النسخة، ما ينتج فردين مختلفين في جين واحد.
before mutation: قبل الطفرة. after mutation: بعد الطفرة.
نظريًا، لتكون الخوارزمية جيدة يجب أن تكون نتيجتها مستقلة عن نقطة الانطلاق. لكن للتجربة رأي أخر، فنتيجة الخوارزميات المعتمدة على التخمين و العشوائية ترتكز بطريقة شبه كلية على نقطة الإنطلاق، أي الساكنة البدئية في حالة الخوارزميات التحسينية المستوحاة من الطبيعة.
فعلى سبيل المثال، إن كان التمثيل الطبوغرافي لفضاء الحلول الممكنة عبارة عن تلين (مثنى تلال)، إحداهما متمركز في وسط الفضاء ويغطي أغلب مساحة الفضاء. والأخر منحصر في منطقة محددة داخل التل الأول، ولكن ليس في المركز. فلنسقط هذا التمثيل على أرض الواقع لنجعله لعبة إيجاد كنز، والساكنة البدئية هي اللاعبين. كل لاعب مغمض العينين، أي طريقته الوحيدة للتنقل هي الشعور بالانحدار بواسطة قدميه، ويمكنه التقدم فقط للأعلى أو للأمام إن لم يكن هناك انحدار.
كما يمكن للاعبين إعطاء تلميحات لبعضهم البعض، ولكن تلك التلميحات يمكن أن تكون صحيحة أو خاطئة. في هذه الحالة ندرك أن توزيع اللاعبين جد مهم. ذلك لأنه إن كان الكنز على قمة التل الأول فسيسير الجميع نحو قمته، نظرًا لتغطيته أغلب مساحة الفضاء وهذا جيد. لكن إن كانت أعلى نقطة في التل الثاني أي قمته هي الحل الأمثل لمشكلتنا أي مكان الكنز، فمن الصعب للغاية أن يصلها أي لاعب إن لم يكن توزيعهم ملائمًا.
الشيء الذي لا نستطيع تجنبه في أغلب المشاكل الحقيقية لكوننا غير قادرين على تمثيل فضاءات الاحتمالات ودراستها وتوزيع اللاعبين حول التل الذي يتواجد عليه الكنز. وبالتالي فأغلب اللاعبين في تلك الحالة سيتحركون نحو أعلى نقطة في التل الأول وسيتجاهلون التل الثاني لكونه منحدر وانحداره مرتكز في مساحة معينة. فإن لم يوضع أي لاعب بالقرب منه فلن يشعر أحد بانحداره.
المشاكل الحقيقية
في المشاكل الحقيقية لا يوجد تلين فقط، وتوزيع التلال يمكن أن يكون جد عشوائي وغير جيد. فمن الممكن أن يكون التل الذي يتواجد على قمته الكنز مرتكز ومتركز في أحد أركان الفضاء. ما يجعل من احتمالية وجود لاعب بقربه أمر غير مرجح، وبالتالي لن يتقدم أحد باتجاهه. هنا ندرك أن حجم وعشوائية توزيع الساكنة البدئية هي جد مهمة لوصول أحد اللاعبين للكنز، أي في الخوارزميات التحسينية تقارب أحد أفراد الساكنة بإتجاه الحل الأمثل.
يجدر الذكر أن هذه الفضاءات جد شاسعة فمحاولة استكشافها ستستهلك قوة حوسبية هائلة، لأن هذه الأخير عبارة عن فضاءات تجمع جميع الاحتمالات الممكنة. فإن لم يكن للمشكل الذي نعالجه خصائص مميزة تساعدنا في إيجاد تلميحات مرشدة لطريقة البحث فلن يختلف استكشاف الفضاء عن محاولة حل المشكل بالقوة الغاشمة أي حساب جميع الاحتمالات الممكنة ومقارنتها. كما أن الحل الأمثل ليس دائمًا هدفًا بل الهدف هو حل مقبول حسب شروط التجربة. أيضًا حجم الساكنة والتكرارات يمكنانا من التقارب وإيجاد الحل الأمثل رغم عدم وجود تلميحات تساعدنا في حل المشكل.
كيف نعالج المشاكل التي تواجهنا في وضع الساكنة البدئية؟
لعلاج المشاكل التي نواجهها في وضع الساكنة البدئية لا يسعنا إلا دراسة الخوارزمية بالمحاولة والخطأ. وذلك بتنفيذ الخوارزمية التحسينية، لحل نسخة مصغرة من المشكل لعدد من المرات باستخدام إعدادات بدئية مختلفة عند كل استعمال. الشيء الذي يخولنا لاستنتاج عدد من القيم الإحصائية مثل المتوسط والانحراف المعياري. تلك القيم الإحصائية تخولنا معرفة الإعدادات المثلى لاستخدام الخوارزمية لحل المشكل الأكبر. النسخة المصغرة هنا تعني نفس المشكل لكن بعدد مدخلات أصغر أي فضاء احتمالات صغير نستطيع التغلب عليه بالقوة الغاشمة في مدة زمنية معقولة لاستخدامه لدراسة الفعالية. كذلك يمكننا تنفيذ الخوارزمية لمدة طويلة بحيث ‘تنسى’ حالتها البدئية. الشيء الذي لا يكون ممكنًا دائمًا، وبالتالي تتقارب نحو الحل الأمثل، وذلك بطريقة مستقلة عن الساكنة البدئية. لكن مشكل هذه المقاربة هو أن سرعة التقارب تكون بطيئة للغاية. وبالتالي عدد التكرارات سيكون كبير، ما سيستهلك قوة حوسبية ضخمة.
عمليًا، نميل في استخدامنا لأغلب الخوارزميات لاستعمال المقاربة المثلى تجريبيا. والتي تساعدنا على الحصول على ساكنة بدئية موزعة بشكل جيد على مختلف نقاط فضاء الحلول الممكنة بطريقة عشوائية ومتنوعة.
كيفية تحقيق العشوائية
أحد أصعب الأجزاء في توليد الأعداد العشوائية يرجع لكون الحواسب تكرر عدد من الخطوات المبرمجة لتنفيذها، وليس لتوليد خطوات. لذا فمن المستحيل توليد شيئ لا نستطيع التنبؤ به بواسطتها.
ولهذا ننهج عدد من الطرق الإحصائية لتوليد أعداد شبه عشوائية، مثل التوزيع الطبيعي gaussian distribution، وتوزيع ليفي Lévy distribution، إلخ. يحدث ذلك بالاعتماد على أنماط عشوائية من الطبيعة والتي لا يمكن التنبؤ بها. ورغم كونها منحازة قليلاً، تبقى أفضل من نتائج الخوارزميات القطعية.
تجريبيًا، ما هي الطريقة المثلى لوضع الساكنة البدئية؟
هناك طريقتان أساسيتان معتمدتان لتوليد الساكنة البدئية المستعملة في الخوارزميات التحسينية و هما:
الطريقة العشوائية والتي سبق وتحدثنا عنها.
الطريقة الحدسية والتي تستعمل خوارزمية محددة لإنتاج هذه الساكنة البدئية. لكن في أغلب الأحيان يصعب إيجاد خوارزمية مناسبة، وفي أحيان أخرى يكون هذا خيارنا الوحيد.
ملاحظات تجريبية
عند توفر خوارزميات حدسية لإنتاج ساكنة بدئية لخوارزمية المشكل الذي نريد معالجته، نجد أن استخدامها ينقص بشكل حاد من تنوع هذه الساكنة. يحدث هذا رغم عدم قدرتنا من التأكد إن كانت هذه الساكنة مناسبة للتقارب للحل الأمثل أم لا. بالتالي تحدث تضحية بالتنوع من أجل زيادة احتمال التقارب لحل، والذي يمكن ألا يكون الأمثل.
الحلول العشوائية هي الأفضل للتقارب إلي الحل الأمثل نظرا لكون العشوائية تؤدي للتنوع في تغطية فضاء الحلول الممكنة.
نتيجة
يمكن الالتفاف على استخدام الطريقة الحدسية بعدد من الطرق عند عدم جدوى الطريقة العشوائية منها إيجاد عدد من الحلول المحتملة الجيدة بأي طريقة، واستخدامها رفقة عدد من الحلول المحتملة العشوائية لإنتاج ساكنة بدئية جيدة.
وكذلك يمكننا الدمج بين الطريقتين بحيث نقوم بوضع ساكنة عشوائية وإطعامها لخوارزميتنا التحسينية لإنتاج ساكنة جيدة. ثم نستخدمها رفقة ساكنة عشوائية أخرى كمدخل لخوارزميتنا ونعيد الكرة.
الخوارزميات في جوهرها هي عبارة عن سلسلة من التعليمات البسيطة التي يمكن نهجها لتحقيق غاية ما. إذا ما بحثنا، نجد من بينها الخوارزميات العودية وإذا بحثنا بين هذه الأخيرة نجد الخوارزميات التحسينية، مثل الخوارزمية التالية والتي تستخدم لإيجاد الجذور المربعة لأي عدد حقيقي موجب:
ما يحدد كفاءة الخوارزمية هو سرعة تقاربها convergence speed. ومن السهل إثبات صحة أن الجذور المربعة لأي عدد أولي هي أعداد غير كسرية، أي أنها أعداد برقم لا نهائي من الأعداد بعد الفاصلة، وبالتالي لا يمكن حسابها. لكن باستخدام هذه الخوارزمية يمكننا التقارب لإيجاد حل مرضٍ بالدقة التي نريد.
ورغم فعالية الخوارزميات التحسينية إلا أن انتاجها لا يمكن أن يتم إلا بالمحاولة والخطأ. ما يجعل إنتاجها صعبا للغاية ومستحيلًا في بعض الأحيان. ومن هنا يأتي ما اعتدنا عليه منذ الأزل وهو تأملنا الطبيعة واستنباط المنطق وراء أنظمتها لإنتاج خوارزميات جد فعالة لحل عدد لا يحصى من المشاكل. يدعى هذا الحل السحري بالخوارزميات التحسينية المستوحاة من الطبيعة.
فما هي الخوارزميات المستوحاة من الطبيعة؟ و كيف ظهرت؟ وما أبرزها؟ ما هي استعمالاتها؟ وما الخصائص التي تتشارك فيها هذه الخوارزميات؟
ما هي الخوارزميات التحسينية المستوحاة من الطبيعة ؟
الخوارزميات التحسينية المستوحاة من الطبيعة هي مجموعة من الخوارزميات المستنبطة من الظواهر الطبيعية مثل ذكاء السرب، والأنظمة البيولوجية، والتطور الطبيعي، والأنظمة الفيزيائية والكيميائية، إلخ. ويعتبر تطوير هذه الخوارزميات فرعًا مهمًا من فروع الذكاء الاصطناعي، بحيث عرفت تطورًا سريعًا وإقبالًا واسعًا في الثلاثين عام الأخيرة نظرًا لإمكانياتها وتعدد مجالات استعمالها.
ظهور الخوارزميات التحسينية
ظهرت الخوارزميات التحسينية في بداية القرن التاسع عشر على يد عدد من علماء الرياضيات «ك ويستراس K.T.W Weierstrass»، و«شتاينر J. Steiner»، و«هاميلتون W.R.Hamilton»، و«جاكوبي C.G.J Jacobi».
ظهور الخوارزميات التحسينية المستوحاة من الطبيعة
على مر التاريخ وخصوصًا في الفترات الأولى، اعتمدت مقاربتنا نحن البشر في حل المشاكل التي نواجهها ولا تزال على التجربة والخطأ. أي أنها مقاربة تفاعل مع النظام المراد استكشافه خطوة بخطوة metaheuristic approach. فعدد كبير من الاكتشافات تم عن طريق التفكير خارج الصندوق أو بالصدفة، وهذا ما يعنيه الحدس heuristic. ورغم ذلك نجد أن أول استعمال مسجل لاستخدام هذه المقاربة كطريقة علمية رياضية meta-heuristic method لحل المشاكل problem-solving كان على الأرجح خلال فترة الحرب العالمية الثانية على يد عالم الرياضيات والحوسبة الغني عن التعريف «ألان تورنغ». استخدم تورنغ تلك التقنيات لفك تشفير إتصالات الألمان وكسر آلية تشفيرها Enigma. ورغم كون هذه الطريقة غير مضمونة الوصول للنتائج المرجوة إلا أن استعمالها في مشروعه كان نجاحًا باهرًا، ما أعطى دول الحلفاء ورقة رابحة لإنهاء الحرب لصالحهم.
بعدها بسنوات عديدة، وبدءاً من ستينيات القرن الماضي، عاد انتباه الأوساط العلمية لهذه المقاربة بتقديم عدد من الخوارزميات الثورية في مجال التحسين والحساب المعقد. حيث بدأت في هذه الفترة أول الخوارزميات التطورية بالظهور. وفي سنة 1960، اقترح مهندس الطيران حينها «لورانس جيروم فوغل» استخدام التطور المحاكى كعملية تعلم لتطوير ودراسة الذكاء الاصطناعي.
في نفس الوقت، كان العالم والمهندس «جون هولاند John Holland» يعمل رفقة زملائه في جامعة ميشيغان على استكشاف وإنتاج أول الخوارزميات الجينية. وهو ما توج لاحقًا بنشر مجموع أبحاثه في كتابه «Adaptation in natural and artificial systems» سنة 1975. بعدها تم كتابة مئات الكتب وآلاف المقالات عن هذا الموضوع.
الأعوام التي تلت كانت جد حافلة بحيث شهدت تطوير مختلف أنواع الخوارزميات وفتح مجالات بحثية خاصة بكل منها.قاد ذلك الحراك عدد من الرواد مثل عالم الرياضيات «شين شي يانغ Xin-She Yang» مطور خوارزميات مثل «بحث الوقواق CS»، و«خوارزمية الخفاش BA»، و«خوارزمية اليراعة FA»، وغيرهم.
أمثلة على الخوارزميات المستوحاة من الطبيعة
حتى الآن، تم تقديم عدد كبير من الخوارزميات المستنبطة من الطبيعة، رفقة عدد أكبر من متحوراتها الأكثر تخصصًا. يمكن لهذه الخوارزميات أن تستخدم في مختلف المجالات، من بينها نجد:
الخوارزميات الجينية أو Genetic Algorithms، إختصارًا GA.
خوارزميات إستمثال عناصر السرب أو Particle Swarm Optimization، اختصارًا PSO Algorithms.
خوارزمية التطور التافضلي Differential evolution، اختصار DE Algorithm.
خوارزمية التحسين مستعمرة النمل Ant Colony Optimization، اختصارًا ACO Algorithm.
الخوارزمية بحث الوقواق Cuckoo Search، اختصارًا CS Algorithm.
خوارزمية الخفاش Bat Algorithm، اختصارًا BA.
خوارزمية اليراعة Firefly Algorithm، اختصارًا FA.
الخوارزمية المنيعة Immune Algorithm، اختصارًا IA.
خوارزمية التحسين الذئب الرمادي Grey Wolf Optimization، اختصارًا GWO Algorithm.
الخوارزمية البحث التجاذبي Gravitational Search، اختصارًا GS Algorithm.
خوارزمية البحث التناغمي Harmony Search، اختصارًا HS Algorithm.
ما الخصائص المشتركة بين الخوارزميات التحسينية المستوحاة من الطبيعة ؟
عند ملاحظة هذه الخوارزميات نجد أن لها بنية متشابهة رغم أن كل واحدة منها محددة في إطارها الخاص. من بين هذه التشابهات نجد أن المقاربة التي تنتهجها أغلب الخوارزميات التحسينية المستنبطة من الطبيعة في معالجة المشاكل التي صممت لحلها يمكن تلخيصها في أربع خطوات، وهي:
• وضع الساكنة البدئية. لتحقيق هذا، هناك العديد من المقاربات منها الاختيار العشوائي للساكنة 0، … .
في هذه الخطوة يمكننا وضع الساكنة البدئية بالحجم الذي نريد شرط ألا يتعدى السعة القصوى. بحيث أن السعة القصوى هي أقصى ما يمكن أن تعالجه الخوارزمية كمدخل بالحفاظ على سرعة تنفيذ مقبولة. وبالطبع يجب أن تكون هذه السعة أصغر بكثير من حجم مجموعة الساكنة الممكنة، لأن هذا هو المغزى وراء استعمالنا لهذه الخوارزميات.
• حساب معامل التوافق fitness value والتحقق من شروط إنهاء التنفيذ termination conditions. فإضافة إلى تحديد حجم الساكنة البدئية وكيفية بنائها، يجب أيضًا وضع المدخلات مثل المتغيرات التي تتدخل في كيفية التنفيذ وشروط وقف التنفيذ وإرجاع الحل. فأغلب الخوارزميات التحسينية تستعين بشروط للخروج من دورة التنفيذ المتمثلة في البدء، ثم المعالجة، ثم الفلترة. من بين هذه الشروط نجد:
العدد الأقصى للتكرارات.
العدد الأقصى للتكرارات عند عدم تغير الحل المحلي الأمثل Local Optima، أي الفرد صاحب أكبر معامل توافق أو عدد من الأفراد الأكثر توافقًا. فإن لم يتغير لعدد من التكرارات، يتم اعتباره أفضلها كحل أمثل Global Optima. أو أن التقرب للحل الأمثل غير ممكن وفي كلتا الحالتين يتم إرجاع هذا الفرد أو الساكنة الحالية ككل باعتبارها حلًا، ثم وقف التنفيذ.
عتبة الدقة، أي نسبة الدقة التي يحق للخوارزمية عند تحققها وقف التنفيذ. وعند هذه الخطوة نقوم بفلترة الساكنة الناتجة عن الخطوة الثالثة وذلك بترتيبها أولًا حسب معامل توافقها وأخذ الأكثر توافقًا. وحجم الساكنة الذي نأخذه هنا لا يمكن أن يكون إلا أصغر من أو يساوي السعة القصوى.
يحسب معامل الكفاءة أو التوافق fitness value باستعمال دالة نعرفها حسب الحاجة. على سبيل المثال، حساب المسافة بين النقطة والتي تليها إن كانت الساكنة عبارة عن سلسلة من النقط في فضاء متجهي وجمعها كمعامل توافق.
•تحديث الساكنة باستخدام عدد من العمليات من بينها الدمج والتحوير. فعند عدم تحقيق أي شرط من شروط الخروج، تستمر سلسلة التنفيذ ونتقدم بذلك إلى الخطوة الثالثة والتي يتم خلالها «الدمج- crossover» بشكل عشوائي بين أفراد الساكنة وإضافة الناتج إلي الساكنة الحالية. يمكن أن نفكر في هذا على أنه تزاوج وإنتاج جيل جديد يحمل صفات أسلافه. بعد هذا نقوم بنسخ الساكنة ووضع طفرات عشوائية بها random mutations ونضيفها بدورها إلي الساكنة الكلية. ونعود بعدها للخطوه الثانية.
•إرجاع المخرجات ووقف التنفيذ. فعند تحقق أحد شروط الخروج، يتم إرجاع الساكنة الحالية باعتبارها حلاً وإنهاء التنفيذ.
مفاهيم مهمة لفهم الخوارزميات المستوحاة من الطبيعة
• الطريقة «الحدسية – heuristic» هي مقاربة لحل المشاكل باستعمال طرق فعالة لكن غير مضمونة النتائج أو عقلانية في بعض الأحيان. لكن الحدسية فعالة وكافية لتحقيق المقاربة approximation وللوصول لنتائج سريعة وتحقيق أهداف متعددة على المدى القصير.
• «الأدلة العلياmetaheuristic» وهي في علم الحاسوب والرياضيات إجراءات أو إرشادات عالية المستوى مصممة لإيجاد أو إبتكار أو اختيار طريقة بحث خوارزمية «حدسية» قادرة على توفير حل مقبول لمشكلة تحسينية. نلجأ إليها خاصة عند عدم توافر معلومات أو قوة حوسبية كافية تخولنا استخدام الطرق التقليدية.
أهم التحديات التي تواجه الخوارزميات المستوحاة من الطبيعة
عرفت الثلاثون سنة الأخيرة تقديم عدد كبير من خوارزميات الأدلة العليا meta-heuristic Algorithms بحيت نجد أن هذا الإنتاج متطورًا بشكل أسي أي بسرعة متضاعفة. ما جعلنا نرى في الآونة الأخيرة صدور خوارزميات الأدلة العليا بشكل يومي، وهو ما دفع بدوره تطوير الخوارزميات التحسينية والخوارزميات التحسينية المستوحاة من الطبيعة لمنحى أسي كذلك. أسهم ذلك بشكل كبير في تقديم حلول ناجحة وفعالة للمشاكل التحسينية في مجال الذكاء الاصطناعي وعدد من المجالات الهندسية الأخرى.
لكن رغم هذا التقدم الكبير و النجاح الباهر الذي حققته هذه الخوارزميات وهذا المجال البحثي، لا يزال هناك تحديات كبيرة أمامه والتي يمكن تلخيصها في أربع نقط أساسية:
• نقص البحث الكافي في النظريات البنيوية والأدوات التي تستخدمها هذه الخوارزميات مثل:
°الميكانيزمات التي تبنى عليها هذه الخوارزميات، فهي ما زالت غير واضحة أو مفهومة تمامًا حتى اليوم. ما يستدعي تعاونًا بين المطورين والعلماء المختصين في البيولوجيا والظواهر الطبيعية كون كل هذه الخوارزميات تم اقتراحها من طرف علماء حوسبة، ومهندسين.
°وضع أساس صلب من النظريات الرياضية لدعم الخوارزميات التحسينية المستنبطة من الطبيعة، مثل تحليل التعقيد الزمني time complexity، واختبار التقارب convergence proof. ومن المهم تقديم نظرية رياضية شاملة للموازنة بين التناقض بين التقارب لحل محلي convergence to a local optima وبطء التقارب slow convergence.
• نجد أن الخوارزميات التحسينية المستوحاة من الطبيعة أقل قدرة على حل المشاكل التحسينية المستمرة Continuous optimization problems في البيئات الحقيقة المعقدة. وهنا نجد أن البيئات التي نطبق عليها هذه الخوارزميات هي في الأصل معقدة، متعددة الأبعاد و الأهداف، وتهدد الدقة ومستهلكة للوقت. وفي بعض الأحيان تكون دالة تقييم الملائمة غير محددة. لذا فهذا النوع من المشاكل يشكل تحدياً كبيراً للخوارزميات التحسينية ككل رغم الجهود التي بذلت لتجاوزها.
• لا يوجد الكثير من الدراسات المشتركة inter-disciplinary researchs بينها وبين المجالات المستخدمة فيها والمجالات ذات الصلة، وذلك رغم كونها تحمل إمكانات كبيرة ذات فائدة مشتركة.
• لم يتم بذل مجهود كاف لتطبيق الخوارزميات التحسينية المستنبطة من الطبيعة في المجالات التي تستفيد منها بشكل لائق. بحيث أنها تستخدم عشوائيًا في عدد من التطبيقات دون دراسة كفاءتها لحل المشاكل ومقارنتها بالخوارزميات الأخرى فقط لكون المشرف على الدراسة قرر ذلك من تلقاء نفسه.
إمكانات خوارزميات الطبيعة
من هنا يتضح لنا أن التوجه البحثي المستقبلي في مجال الخوارزميات التحسينية يجب أن يتمحور حول معالجة هذه المشاكل؛ و ذلك بتقوية تحليل نظري متين لهذه الخوارزميات.
كما نحتاج إلى تصميم خوارزميات تحسينية أكثر تخصصًا لحل المشاكل التحسينية المعقدة، ذات الملائمة المتغيرة زمنيًا، وذات النطاق الواسع، وغيرها. كما نحتاج إلى دمج هذا المجال البحثي بمجالات أخرى. ولا يخلو هذا من فرصص دمج بتطبيقات معينة لتحسين سرعة التقارب وتحقيق أداء أفضل.
مجالات استخدام الخوارزميات التحسينية
تستخدم الخوارزميات التحسينية و بالتالي الخوارزميات المستلهمة من الطبيعة منها في عدد من المجالات للتعامل مع عدد من المشاكل العملية. ففي ظل تطور الحوسبة، أصبحت الخوارزميات التحسينية أكثر أهمية ورواجًا في عدد من المجالات الهندسية. ومن استعمالاتها نجد:
الطرق التحسينية الكلاسيكية في الحساب Optimization methods.
الأنظمة المعلوماتية Information systems.
هندسة التصنيع و الأنظمة الصناعية Industrial Engineering and Manufacturing systems.
التصميم الهندسي Engineering design.
سلسلة الإنتاج Supply chain management.
الفلترة الرقمية Digital filter design.
معالجة الصور Image processing.
تعلم الآلة Machine learning.
تصميم المفاضلات والمكاملات الرقمية Digital integrator and differentiator design.
يعاني ١ من كل ٤٤ طفل من اضطرابات التوحد، وتظهر النسبة مختلفة بين الذكور والإناث؛ حيث أن نسبة إصابة الذكور ٤ أضعاف الإناث. التوحد ليس نوعًا واحدًا، ولكنه عديد من الأنواع. ويشير التوحد أو اضطراب طيف التوحد إلى مدى واسع من التحديات التي يواجهها الشخص المُصاب به على سبيل المثال، المهارات الاجتماعية والسلوكيات المتكررة والكلام والتواصل. وينتج التوحد في الغالب عن مزيج من العوامل الجينية والبيئية، ولأن كل نوع مختلف فكل شخص يعاني من التوحد لديه نقاط قوته ونقاط ضعفه الخاصة به. [1] الطريقة التي يتعلم ويفكر بها ويحل المشاكل لها مدى واسع من مهارة عالية إلى تحدي قوي. حيث أن البعض يحتاج إلى دعم في ممارسة الأنشطة اليومية، والبعض يحتاج إلى دعم أقل، والبعض الآخر يعيش بمفرده ولا يحتاج إلى أي دعم.
أهم مشاكل التشخيص المتأخر للتوحد
تظهر علامات التوحد بعد سنتين إلى ٣ سنوات على الأطفال، وقليلًا ما قد تظهر في عمر سنة ونصف وهذه نسبة لا تكاد تُذكر، وبعض الأشخاص لا يتم تشخيصهم إلا بعد عمر ١٢ سنة. بالإضافة إلى أنه لا يوجد تحليل خاص بالتوحد عن طريق علامة معينة أو إنزيمات تظهر عند المريض، ولكن يشخص الأطباء المرض فقط بملاحظة سلوكيات وتطور نمو الطفل. [2]
ينتج عن ذلك مشاكل متعددة لمصابي التوحد، حيث أثبتت النتائج والأبحاث أن التدخل مبكرًا يؤدي إلى نتائح إيجابية مؤخرًا في حياة هؤلاء الأشخاص.
مساهمة الذكاء الاصطناعي في تشخيص التوحد
أنشأ علماء من جامعة استانفورد خوارزمية تستخدم الصور الناتجة عن التصوير الإشعاعي لإيجاد أشكال منتظمة لنشاط الدماغ تبين وجود التوحد أو عدم وجوده. وتتنبأ أيضًا الخوارزمية بحدة أعراض المرض. وبالتالي سيؤدي ذلك إلى تشخيص مبكر، وأدوية متخصصة، وفهم أشمل وأوسع لأصل التوحد في الدماغ.
تعمل الخوارزمية على البيانات التي تم تجميعها من خلال الأشعة، ومن ثم تقوم هذه الصور بعمل أشكال لنشاط الدماغ، وبرسم هذه الأنشطة بمرور الوقت وبالاستعانة بمناطق عديدة في الدماغ تولد الخوارزمية بصمة لنشاط الدماغ في الشخص المُصاب بالتوحد، وتكون بصمة فريدة من نوعها لكل شخص مصاب مثل البصمة العادية. ومع ذلك تشترك بصمات الدماغ في مميزات متشابهة مما يسمح بفرزها وتصنيفها.
وفي دراسة جديدة عملت الخوارزمية على صور أشعة ١١٠٠ مريض، وبدقة ٨٢٪ حددت الخوارزمية الأشخاص المصابين بالتوحد. [3]
البيانات الضخمة
دخل علم البيانات الضخمة في التوحد، حيث تم تجميع صور للأشعة من كل أنحاء العالم لعمل قاعدة بيانات ضخمة. والمرحلة الثانية هي التعامل بكفاءة مع تعقيدات واختلافات البيانات حيث بدأ العالم سوبيكار ورفاقه بخوارزمية للتعرف على الصور. ثم تم تطويرها بواسطة شركات تكنولوجية. تنمو الخوارزمية باستمرار في التعامل مع الاختلاف في الصور، على سبيل المثال صور للقطط والكلاب بالخوارزمية. حيث تُلتقط العديد من الصور من زوايا مختلفة وألوان مختلفة لرفع كفاءة التعرف عليها.
ركز العلماء على أكثر ٣ مناطق في الدماغ تتغير وتتفاعل مع بعضها البعض وهي المناطق الأكثر تأثرًا في مرضى التوحد. وهذه المناطق الثلاثة هي:
الجزء الأمامي من القشرة الحزامية: وتكون نشطة في الوضع العادي للإنسان وأي مشكلة بها تكون دليل تنبؤ قوي على التوحد.
بشرة الفص الجبهي الظهرية والجانبية
التلم الصدغي العلوي وهو الجزء الذي يتعامل مع أصوات البشر.
سيتم تطوير هذه الخوارزمية بشكل أكبر لتعمل على التفرقة بين الأدمغة شديدة التشابه. وتعمل أيضًا على اكتشاف الاضطراب في عمر سنة أو قد تصل كفاءتها إلى الاكتشاف في عمر ٦ شهور، لأن الاكتشاف المبكر خطوة قوية لتحقيق نتائج أفضل.
تحدثنا عزيزي القارئ عن الصراع الكمي في مقالات سابقة ووضحنا شراسته. فتحدي IBM للحوسبة الكمية في 2021 خير مثال، الذي شارك فيه 3100 مشارك من 94 دولة عن تطبيقات الحواسيب الكمية باستخدام Qiskit. إذ لم يقتصر التحدي على الحوسبة الكمية وكيفية استخدام Qiskit. بل في أي شيء متعلق بالحوسبة الكمية في الصناعة وذلك بتطبيق تكنولوجيا الكم في المجالات العلمية مثل الكيمياء والتعلم الآلي وغيرها وساهم أكثر من 1293 مشارك في تقديم مشاركة واحدة على الأقل لها أثرها وشاركت دول عدة جديدة في المنافسة وكانت السعودية هي الدولة الوحيدة في الشرق الأوسط. إذ حاز الدكتور إبراهيم المسلم على المركز الثاني عالميًا ونال المركز الأول «نافان بنشاشتابوسه-Naphan Bencgasattabuse» من كوريا الجنوبية. [1]
وكما للحوسبة التقليدية لغات برمجة تتعامل بها، أيضًا للحواسيب الكمية لغات. وهنا سيدور حديثنا حول ما هي لغات البرمجة الكمية؟ وكيف يمكنك ممارسة الحوسبة الكمية والتلاعب بالـ Quibts وبالتأكيد تبادر إلى ذهنك سؤال، ما الـ Qiskit؟ كل ذلك وأكثر سنجيب عنه في هذا المقال، فهيا بنا…
ما هو Qiskit؟
يمنح عملاقة التكنولوجيا مثل Google وIBM المستخدمون الذين لديهم شغف تعلم الحوسبة الكمية فرصة لمعرفة كيفية برمجة ومعالجة الدوائر الكمية. باستخدام لغات البرمجة الكمية ولتعلم فحص مفاهيم الحوسبة الكمية مثل التراكب والتشابك والتلاعب بالـ Qubits وإدارة الأجهزة الكمية والتحقق من الخوارزميات…
فـ Qiskit هو SDK -مجموعة أدوات تطوير البرامج في حزمة واحدة قابلة للتثبيت- مفتوح المصدر للعمل على الحواسيب الكمية من IBM. إذ يُترجم لغات البرمجة الشائعة مثل Python للآلة الكمية وأي شخص خارج مختبرات IBM يمكنه استخدامه. إذ تعد أداة تعليمية ممتازة لتطوير فهمك عمليًا حول المفاهيم الكمية، يوجد كذلك Cirq وهو من شركة Google ومشابه لـ Qiskit.
لكن وجب التنبيه أنه على الأقل وجب أن تكون لديك خلفية جيدة حتى تستطع البدء فهو مناسب لفئات مثل الخبراء في مجالات الكيمياء والذكاء الاصطناعي والمطوريين الذين لديهم معرفة بالدوائر الكمية ويودون في اختبار مزايا الكم وخبراء ميكانيكا الكم. [4,3]
علاقات لغات البرمجة الكلاسيكية باللغات الكمية؟
كما نحن البشر نتحدث بلغات مختلفة فالحواسيب لها لغاتها. تتيح لغات البرمجة في الحواسيب التقليدية إعطاء تعليمات للحاسوب بلغة يفهمها. فلغة البرمجة الكمية هي تلك التي يمكن استخدامها لكتابة برامج الحاسوب الكمي. فنظرًا لأن التحكم في أي آلة يكون بواسطة جهاز كلاسيكي. فإن لغات البرمجة الكمية الحالية تتضمن هياكل تحكم كلاسيكية أيضًا وتسمح بعملها على البيانات الكلاسيكية والكمية فسنجد لغة Python من اللغات المستخدمة والأساسية وكذلك C وJavascript وغيرهم. [2]
ما هي البيئات التي تتيح لك ممارسة الحوسبة الكمية؟
كما ذكرنا فور معرفتك بالأساسيات البرمجية وتعلم اللغات الكلاسيكية؛ يمكنك البدء مباشرةً في بيئات ستوفر لك التعامل مثل Qiskit وCirq. وإليك في السطور الآتية بعض لغات البرمجة الكمية المهمة في تنمية تدريبك على الحوسبة الكمية بجانب اللغات الكلاسيكية.
أشهر لغات البرمجة في الحوسبة الكمية
هنالك نوعان من لغات البرمجة الكمية، الأول لغات البرمجة الأساسية وتتكون من تعليمات تُنفذ خطوة بخطوة وتشمل اللغات الأساسية في الحواسيب الكلاسيكية مثل Python وC وJavascript وPascal، وإليك ثلاثة من أشهر اللغات [5]:
لغة QCL
هي واحدة من أولى لغات البرمجة الكمية وتشبه لغة C وPascal من حيث بناء الجملة Syntax وأنواع البيانات. فهي لغة تحكم عالية المستوى ومستقلة عن بنية الحواسيب الكمية ويمكن للمبرمجين الجمع بين كود C كلاسيكي وكود كمي… [8]
لغة QMASM
نشأت QMASM كلغة لتعريف الدائرة الكمية ومع تطور الحساب الكمي، اعتُمدت اللغة كطريقة لتحديد الدوائر الكمية كمدخلات في الحاسوب الكمي. لوصف العمليات على الـ Qubits وهي منخفضة المستوى، فتستخدم لوصف الدوائر البسيطة نسبيًا وهنالك لغات أخرى عالية المستوى مثل لغات سنذكرهم في السطور القادمة. [6] التي بإمكانها التعامل مع مليارات من Qubits.
لغة Silq
نشرت في عام 2020 وهي لغة عالية المستوى من ETH Zurich في سويسرا وتُحدث باستمرار. نبع الاحتياج لتلك اللغة لملاحظة الباحثين أن كل لغات البرمجة السابقة منخفضة المستوى خاصة في التعامل مع الـ Quibts. ففي كل مرة وجب عليك التفكير في جميع القيم الناشئة من العملية التي تقوم بها وذلك يستغرق وقتًا وينتج عن ذلك بالتأكيد أخطاء. [7]
النوع الثاني هو لغات البرمجة الوظيفية وهي لا تعتمد على تنفيذ التعليمات خطوة بخطوة بل على الدوال الرياضية. أي يتم تحويل المخرجات باستخدام تحويلات رياضية وتعد أقل شيوعًا من اللغات الأساسية وإليك أشهر اللغات:
لغة QML
هي لغة تعريفية مصممة لوصف واجهة مستخدم البرنامج ونُشرت في عام 2007 وتشبه Haskell وتُستخدم لغة Javascript كلغة برمجة نصية في QML وقبل التعمق فيها وجب أن تكون كما ذكرنا مرارنا لديك خلفية برمجية [9] وفهم للغات الويب الأخرى مثل HTML وCSS…
لغتا QPL وQFC
هما لغتان من لغات البرمجة الكمية حددهما «بيتر سيلينجر-Peter Selinger» وتعمل كل منهم على البيانات الكمية والكلاسيكية. [10]
لغة Quipper
هي لغة شهيرة ذات مستوى عال، وتستخدم لوصف الدوائر عالية المستوى ومعالجتها وتحوي مكتبات واسعة من الدوال الكمية بما في ذلك مكتبات الأعداد الصحيحة الكمية وتحويل فورييه الكمي ومكتبات لتحليل دقيق للدوائر والعديد من المزايا. [11]
فيما تتميز لغة Twist؟
هناك عزيزي القارئ العديد من اللغات لكن تحدثنا عن الأحدث والأشهر ولنختم جزء اللغات بلغة Twist التي أثارت ضجة في عامنا هذا 2022، فما هي تلك اللغة وما المميز فيها؟
سعى علماء من علوم الحاسوب والذكاء الاصطناعي CSAIL التابع لمعهد ماساتشوستس للتكنولوجيا إلى إنشاء لغة خاصة بهم للحوسبة الكمية وتسمى (Twist). وتستطيع تلك اللغة أن تصف أجزاء البيانات المتشابكة في برامج الكم والتحقق منها. ويمكن للمبرمج الكلاسيكي فهمها وتستخدم اللغة مفهوم يسمى Purity أو النقاء ويفرض ذلك المفهوم عدم وجود التشابك وينتج عنه برامج أكثر سهولة والأخطاء أقل بكثير. فالمميز هنا أنه لطالما تطلبت برمجة الحواسيب الكمية فهم للتشابك ولكن تأتي Twist لتسهل الأمر على المبرمجين بفرضها عدم وجوده بمفهوم Purity. إضافة إلى أن اللغات البرمجية الكمية لا تزل تربط عمليات منخفضة المستوى معًا مستبعدة أحيانًا معايير مهمة مثل أنواع البيانات… لكن التحدي الذي تتخذه Twist حاليًا هو تسهيل البرمجة الكمية. نهاية فقد دعمت الجهود عليها جزئيًا من قبل MIT-IBM Waston AI lab والمؤسسة الوطنية للعلوم ومكتب البحوث البحرية. [12]
أحدثت فكرة استخدام الواقع الافتراضي في مجال الطب ثورة علمية في السنوات الأربع الأخيرة. بالإضافة لسباق في الابتكارات والأفكار والتي دفعت مجال الطب والرعاية الصحية خطوات إضافية إلى الأمام. وازدادت بشكل كبير في السنتين الأخيرتين خصوصًا بعد جائحة كورونا وظهور فكرة الاستطباب عن بعد.
تطبيقات الواقع الافتراضي في الطب
تتيح محاكاة العمل الجراحي قبل إجراءه الإحاطة بجميع الاحتمالات الوارد حدوثها أثناء العمل الجراحي، وبالتالي زيادة عامل الأمان وتقليل المفاجآت.
يتيح الواقع الافتراضي مكاملة المعلومات التي يحصل عليها الأطباء بشكل منفصل، مثل صور «الرنين المغناطيسي – MRI» وصور «الطبقي المحوري – CT» والتحاليل الدموية وغيرها من المعلومات. بعدذلك يقوم النظام بتوليد محاكاة بصرية تفاعلية لهذه المعلومات على شكل جسد افتراضي، يستطيع الأطباء من خلالها تتبع الحالة المرضية بدقة عالية.
علاج الأمراض النفسية مثل الرهاب، يمكن استخدام الواقع الافتراضي لعلاج حالات الرهاب المختلفة، حيث تستخدم هذه التقنية لمساعدة المرضى في التغلب على مخاوفهم وعيش حياة أفضل. وقد أظهرت هذه الطريقة نتائج واعدة في علاج الأشخاص الذين يعانون من مخاوف من المرتفعات أو العناكب أو الأماكن المغلقة وغيرها.
العلاج الفيزيائي أو العلاج الطبيعي، يساهم الواقع الافتراضي في تسريع العلاج الفيزيائي وجعله أسهل، وذلك لأنه يصرف تركيز المريض عن الألم الذي يعاني منه. حيث يستهدف الواقع الافتراضي إدراك المستخدم وبالتالي سوف يركز على المكان الذي انتقل إليه وليس على الألم.وأيضا يساعد من ناحية إجراء العلاج وذلك عن طريق وضع مسار افتراضي يجب على المريض أن يسلكه بطريقة معينة تجعله يقوم بالحركات اللازمة. [1]
ومن الحالات التي يساعد استخدام الواقع الافتراضي في علاجها:
التواء الكاحل.
آلام الكتف.
معالجة ما بعد جراحة الكاحل، الركبة أو الورك.
آلام الظهر والرقبة والفقرات.
فوائد استخدام الواقع الافتراضي في الطب
1- يتيح للكوادر الجديدة المزيد من التدريب
استخدام الواقع الافتراضي يعطي درجة حرية كبيرة أثناء تدريب المتعلم. وبناءًا على ذلك فإنه يتيح للطبيب أن يتدرب على إجراء العملية بسهولة تامة بعيدًا عن أي ضغط نفسي قد ينتج عند التدريب الواقعي.
2- الاستطباب عن بعد
فتح استخدام الواقع الافتراضي في الطب المجال أمام تطور الاستطباب عن بعد، فأصبح الطبيب قادرًا على إجراء العملية من منزله باستخدام غرفة توفر بيئة افتراضية تحاكي غرفة العمليات الحقيقية وبمساعدة روبوتات جراحية خاصة موجودة في غرفة العمليات الواقعية.
3- جمع البيانات
يساعد في تجميع البيانات في صورة واحدة مما يسهل على الأطباء معرفة تفاصيل المرض بسرعة أكبر.[2]
شركات تقدم خدمات الواقع الافتراضي ضمن مجال الطب
1- «FundementalVR»
شركة رائدة في استخدام الواقع الافتراضي في التعليم والتدريب الطبي. تقوم بتوفير تدريب الأطباء حديثي التخرج على إجراء العمليات الجراحية بواسطة بيئة افتراضية تفاعلية ومتكاملة ومشابهة جدا للعمليات الواقعية. يمكن زيارة الموقع من هنا.
2- «Karuna Labs»
تقدم هذه الشركة خدمات لعلاج الآلام المزمنة بوساطة بيئة افتراضية خاصة تتيح للمريض تلقي العلاج ضمن العيادة أو في المنزل لكنشرط أن يملك أدوات الواقع البيئة الافتراضية. يمكن زيارة الموقع من هنا.
3- «OxfordVR»
شركة تقدم خدمات لعلاج الأمراض النفسية وخاصة حالات الرهاب والخوف، مثل حالات الخوف من المرتفعات، وقد وجد أن العلاج بهذه الطريقة قد خفض حوالي 68% من المشاكل عند المرضى خلال أسبوع واحد بمعدل ساعتين يوميًا. يمكن زيارة الموقع من هنا.
4- «EchoPixel»
تقدم هذه الشركة خدمة فريدة تدعى «True3D» وتقوم بتجميع البيانات والصور الطبية للمريض وتعالجها وتولد صورة تفاعلية للمريض، يمكن للأطباء التعامل معها و إجراء تجارب عليها قبل التنفيذ على المريض[3]. يمكن زيارة الموقع من هنا.
إن استخدام الواقع الافتراضي في مجال الطب يفتح العديد من المجالات لتطوير القطاع الصحي أكثر فأكثر. ومع ذلك قد يحتاج للمزيد من الوقت لكي يدخل بشكل أوسع وأكثر وثوقية.
يعد مجال التعليم من أهم المجالات التي تأثرت بالتطور الرقمي، فعاصرنا انتقال التعليم من الكتب المطبوعة إلى الكتب والنصوص الرقمية. وبعد جائحة الكورونا لجأ العالم إلى التعليم عن بعد باستخدام تقنيات الفيديو. والآن يدخل الواقع الافتراضي في هذا المجال لدفعه خطوة جديدة إلى الأمام.
التعليم التقليدي والتعليم باستخدام الواقع الافتراضي
في دراسة أجرتها «جامعة وارويك -University of Warwick » وجِد أن الطلاب الذين استخدموا الواقع الافتراضي في التعلّم كانوا أكثر قدرة على تذكر المعلومات المشروحة لهم. بالإضافة لانطباعهم الإيجابي مقارنة بطرق التعليم التقليدية.[1]
إيجابيات استخدام الواقع الافتراضي في التعليم
يضيف استخدام الواقع الافتراضي العديد من الإيجابيات على أسلوب التعليم وأهمها:
1- التعلّم بالتجربة
توجد العديد من التجارب التي يصعب على الطلاب إجراءها بسبب نقص المعدات أو عدم القدرة على توفير الموارد. لذلك يتيح الواقع الافتراضي إجراء التجربة في بيئة افتراضية توفر جميع اللوازم لأداء التجربة لجميع الطلاب.
2- التطوير الإبداعي
بسبب درجة الحرية الكبيرة التي يوفرّها الواقع الافتراضي فإنه يعطي مجال واسع للطلاب بتطوير الجانب الإبداعي لهم. مثلًا يمكن للطالب أن يقوم بتجارب قد يكون من الصعب إجراءها في الواقع لقلة التجهيزات أو سعر المواد المرتفع. أيضًا يعطي الطالب المزيد من الوقت لإجراء التجارب، مما ينعكس إيجابيا على تفكيره وعلى تجاربه.
3- التعليم المرئي
يستطيع المعلّم شرح العديد من الأفكار بطريقة أفضل وأجمل عن طريق إضافة المؤثرات البصرية التي تساعد على ذلك. فمثلًا يستطيع إضافة ألوان تشد الطالب عند شرح فكرة مهمة.
4-المرونة
تعطي مرونة للمعلم بحيث يمكنه إعداد البيئة الافتراضية بما يتناسب مع طبيعة المحاضرة وهذا يوفر سهولة كبيرة في إيصال الفكرة للطلاب.
المواد الدراسية الأكثر استفادة من استخدام الواقع الافتراضي
1- الجغرافيا
على عكس الطريقة التقليدية في تعليم الجغرافيا فإن استخدم الواقع الافتراضي في تعليمها يتيح للطلاب استكشاف وسبر المناطق المختلفة حول العالم، مما يعزز المعلومة ويثبتها في ذهن الطالب بطريقة ممتعة وجميلة. مثلًا يمكن للطالب الذي يعيش في بيئة صحراوية أن يستكشف غابات الأمازون الاستوائية وأن يتفاعل مع عناصرها بشكل كامل.
2- التاريخ
يمكّن الواقع الافتراضي الطلاب من عيش الوقائع التاريخية من جديد والتفاعل معها، كما يمكنهم من استكشاف المدن القديمة للحضارات المندثرة بدلًا من الاكتفاء بالقراءة عنها، الأمر الذي يعزز الفكرة ويثبتها في ذهنه أيضا. مثلًا يمكن للطالب أن يتجول في مدينة بابل القديمة وأن يتجول ضمن أسواقها ويرى حدائقها المعلقة.
3- العلوم
يعد هذا المجال من أهم المجالات التي يخدمها استخدام الواقع الافتراضي، وخصوصا علم الأحياء والكيمياء، ففي علم الأحياء يمكن للطلاب رؤية طبيعة حياة الحيوانات البرية المختلفة عن كثب، كما يمكنهم رؤية دورة حياة الخلية وكيف تعمل أيضًا. في مجال الكيمياء يمكن للطالب إجراء تجارب وتفاعلات كيميائية بحيث يحقق عامل الأمان من جهة، ومن جهة أخرى يوفر مبالغ كبيرة لتوفير المواد الكيميائية المستهلكة عند كل تجربة.
4- التعليم المهني
يساعد تطبيق الواقع الافتراضي في هذا المجال على توفير الكثير من النفقات فمثلًا يمكن الاستغناء عن الرحلات التعليمية إلى المعامل، أو توفير نفقات شراء المحركات أو القطع الإلكترونية، وبدلًا من ذلك يمكن لكل طالب التعامل مع ها بشكل تفاعلي عن طريق الواقع الافتراضي.[2]
تطبيقات الواقع الافتراضي في التعليم
1- « برنامج بعثة غوغل الرائد –Google Expedition Pioneer Program»
يعمل فريق غوغل على تطوير غرفة دراسية تفاعلية تمكن الطلاب من استخدام الواقع الافتراضي بالإضافة إلى الواقع المعزز، للذهاب برحلات تعليمية افتراضية. يتيح هذا التطبيق رؤية 360 درجة للعالم الافتراضي باستخدام نظارات غوغل. يتيح هذا البرنامج أيضا تدريب المعلمين على استخدام الواقع الافتراضي في التعليم وهو مجاني بالكامل. يمكن زيارة الموقع من هنا.
2- « NearPod»
يقدم هذا التطبيق خدمات تعليمية تستخدم الواقع الافتراضي والواقع المعزز بشكل مدمج ويقوم بتوفير رحلات تعليمية افتراضية إلى مواقع ومعالم تاريخية قديمة، بالإضافة إلى مواد تدريسية تخص المراحل من مرحلة رياض الأطفال وحتى مرحلة الثالث الثانوي. هذا التطبيق متكامل مع الأجهزة اللوحية والهواتف الذكية وأجهزة الواقع الافتراضي، يمكن زيارة الموقع من هنا.
3-« Sesqui VR»
يتيح هذا التطبيق بيئة افتراضية تعرض الفنون والابتكارات الكندية، يتضمن تجربة تفاعلية كاملة، بالإضافة إلى قصص تروى للمستخدم أثناء استكشاف البيئة الافتراضية.، يمكن زيارة الموقع من هنا .
4- « ThingLink»
هي مجموعة دروس إضافية مصممة لطلاب المرحلة الابتدائية تغطي العديد من المحاور كالفن واللغات والجغرافيا، ويتيح التطبيق للطلاب السفر عبر بلدان ومناطق العالم. وتعلم شيء من كل بلد[3]، يمكن زيارة الموقع من هنا.
مع تسارع التطور في مجال الواقع الافتراضي ودخوله في مختلف مجالات الحياة ومع زيادة الاعتماد على التعلًم عن بعد، فإن التطلعات إلى نظام تعليم متكامل يعتمد على الواقع الافتراضي بحيث يوفر حرية كبيرة في هذا المجال ويسمح بتجاوز العقبات.
هو أحد الإبداعات التكنولوجية الحديثة التي ازداد استخدامها في الآونة الأخيرة وما زال في ازدياد مع دخولها في العديد من التطبيقات والأعمال. يمكن فهم تعريف هذه التقنية من اسمها، فالواقع المعزز يعتمد على تعزيز الواقع الذي نراه بالعين المجرّدة بمعلومات إضافية كالصوت أو النصوص أو المؤثرات بصرية لتحقيق أهداف معينة.[1]
تطبيقات الواقع المعزز
يتميز الواقع المعزز بسهولة استخدامه عن طريق الهواتف الذكية نظرًا لأنه لا يحتاج إلى تجهيزات كثيرة في أغلب الأحيان مما جعله سهل الاستخدام والتطبيق. ومن أبرز تطبيقاته:
1- أنظمة الملاحة:
يُستخدم الواقع المعزز في أنظمة الملاحة ضمن السفن والطائرات وحتى السيارات ذات خاصية القيادة الذاتية. وذلك لرسم خطوط على مسار المركبة لتحديد الطريق الصحيح تلقائيًا أو عرض معلومات حول المسافات والسرعة والمركبات المجاورة أمام المستخدم وبشكل تفاعلي.
2- الرياضة:
يُستخدم الواقع المعزز بشكل كبير في مباريات كرة القدم. فعند بث المباراة يتم عرض إحصائيات المباراة كالاستحواذ أو جهة هجوم أحد الفرق وحتى تتبع حركة أحد اللاعبين، وتظهر بشكل مؤثرات بصرية تفاعلية وكأنها ضمن الملعب وبين اللاعبين.
3- التسويق:
بعض شركات الأثاث واللوازم المنزلية تتيح للمشتري تطبيق يعتمد الواقع المعزز يوضح كيف قد يبدو الأثاث ضمن منزله قبل شراءه.
4- أنظمة الحرب الالكترونية:
دخل الواقع المعزز بشكل كبير في مجال الحروب الإلكترونية؛ فأصبحنا نراه ضمن الرادارات وأنظمة توجيه الصواريخ والطائرات المسيرة وحتى ضمن الطائرات الحربية. حيث يتيح كشف العدو بشكل تفاعلي أمام أعين الطيّار.
5- الطب:
يستخدم الجرّاحون تطبيقات الواقع المعزز لرؤية الجمجمة والدماغ بشكل ثلاثي الأبعاد قبل البدء بالعمل الجراحي. كما يستخدم الممرضون تطبيق يتيح كشف أماكن الأوردة على الجلد وذلك من أجل التأكد من موقعها قبل الحقن.
6- الألعاب:
لعل أشهرها كان لعبة « Pokemon GO» والتي تعتمد على ملاحقة شخصيات ضمن الواقع ويمكن رؤيتها على شاشة الهاتف ضمن أماكن معينة. [2]
كيف يعمل الواقع المعزز؟
يعتمد عمل وتطبيق الواقع الافتراضي على وجود كاميرا عالية الدقة. لتوضيح الفكرة سوف نعطي مثال لتطبيق للتحكم بالروبوت باستخدام الواقع المعزز، يتكون النظام من ثلاثة أجزاء رئيسية، أولًا العنصر الفيزيائي وهو الروبوت، ثانيًا « التوأم الرقمي-Digital Twin» وهو نسخة رقمية ثلاثية أبعاد عن الروبوت، ثالثًا البرنامج على الهاتف الذكي.
يقوم المعالج بمعالجة الصور الملتقطة من كاميرا الهاتف أو النظارات الذكية. ثم يعمل على تحليلها وإدراك العناصر الموجودة فيها باستخدام تقنيات «منظور الحاسب – Computer Vision» وتقنيات الذكاء الصنعي.
يقوم بمطابقة العنصر مع صورة ثلاثية أبعاد طبق الأصل تسمى بالتوأم الرقمي وفي حال المطابقة يتم تفعيل الواقع المعزز.
يرسل الحساس الموجود ضمن نظام الروبوت المعلومات باستمرار إلى السحابة الالكترونية والتي تحتوي على التوأم الرقمي والذي يحاكي حركة الجزء الحقيقي.
يتم إرسال المعلومات بعد تنظيمها إلى برنامج الهاتف الذكي والذي بدوره يؤدي إلى تغير المعلومات الظاهرة على الشاشة بشكل متزامن مع حركة الجزء الأساسي التي تلتقطها الكاميرا.
يتفاعل المستخدم مع هذا النظام عن طريق أوامر موجودة على الشاشة فعندما يضغط على أمر تحريك معين ينتقل الأمر إلى التوأم الرقمي وبعدها إلى محركات الروبوت الحقيقي. رأينا أن الواقع المعزز يعتمد على الأحداث الواقعية ويضيف إليها معلومات للمساعدة على التحكم أو تحقيق أهداف أخرى.
«الواقع الافتراضي- Virtual Reality »
تطبيق الواقع الافتراضي هو عمليةُ محاكاةٍ لتجربة معينة أو إحساس معين ضمن عالم ثلاثي الأبعاد يتم توليده من قبل معالجات رسومية خاصة. يتفاعل معها المستخدم عن طريق حواسه، وبالتالي يعتمد عمل الواقع الافتراضي على حواس المستخدم وبشكل خاص على البصر والسمع. ويكون المستخدم وكأنه جزء من هذا العالم حيث يتفاعل مع عناصره كما يتفاعل مع عناصر العالم الحقيقي، مثلًا يمكنك القرع على الباب في العالم الافتراضي وتسمع صوت القرع وكأنه حقيقي.
الفرق بين الواقع الافتراضي والواقع المعزز
يتم الخلط غالبًا بين مفهوم الواقع الافتراضي والواقع المعزز، ولكنهما مختلفان بشكل كبير. والاختلاف يبدأ من معنى الاسمين مرورًا بأساليب البرمجة والتطبيق وانتهاءًا بالوظيفة.[3]
تكمن أهم الفروقات في النقاط التالية:
التجهيزات:
يحتاج الواقع الافتراضي للكثير من التجهيزات كأدوات التحكم ويحتاج أيضا لمكان مجهز بحساسات و متعقبات للحركة. بينما قد لا يحتاج الواقع المعزز إلا للهاتف الذكي وأحيانًا إلى نظارات ذكية مقترنة مع الهاتف الذكي.
المعالج:
تطبيقات الواقع الافتراضي تحتاج إلى معالجات عالية الأداء تكون خاصة بها، على عكس تطبيقات الواقع المعزز والتي يمكن تنفيذها عن طريق معالجات الهواتف الذكية.
الوظيفة:
الواقع الافتراضي يتيح للمستخدم خوض تجربة خيالية أو اختبار حالة معينة قبل تنفيذها واقعيًا، بينما الواقع المعزز يهدف إلى تطوير استخدام التطبيقات الواقعية عن طريق إضافة ميزات جديدة لرؤية المستخدم.
يعتمد عمل الواقع الافتراضي بشكل كبير على خداع الحواس والعقل لتوليد الإدراك. ونقصد بالخِدع هنا أن العقل قد أُوهم بأن ما يراه صحيحًا. ويتم تصنيف الخدع إلى ثلاث أنواع سنتحدث عنها في هذا والمقال وهي بمثابة الخدع الثلاث الأساسية لصناعة واقع افتراضي، فما هي؟
الخدع الثلاث الأساسية لصناعة واقع افتراضي
1- خدعة المكان «Place Illusion»
تعمل هذه الخدعة على خلق تأثير أو حالة من الشعور بأن الشخص قد انتقل من مكانه إلى مكان آخر كلياً. لتحقيق هذه الحالة يجب أخذ عدّة عوامل بعين الاعتبار، وهذه العوامل هي:
1- جودة العرض
كما نعلم فإن دقة العرض تلعب دورًا مهمًا في توليد الإدراك، لذلك يجب أن تكون الدقة عالية بالإضافة إلى عامل آخر مهم وهو معدل الإطار. نعلم أن معدل الإطار الطبيعي للعين هو في المجال بين 30 إلى 60 إطار بالثانية، لذلك يجب توليد رسوميات بمعدل إطار بين 75 إلى 120 إطار بالثانية، وكلما زادت القيمة كلما كانت الحركة أقرب إلى الواقعية أكثر.[1]
2- تتبع الحركة وزوايا الميل
تتعلق جودة التتبع بمقياس مهم وهو درجة الحرية التي توفرها أداة التحكم. درجة الحرية هي الحركات والزوايا التي تستطيع الأداة قياسها، وبالتالي كلما زادت كلما كان لدى المستخدم حرية أكبر في الحركة. فمثلًا، لو كان للأداة درجة حرية منخفضة وقام المستخدم بحركة معينة ولم يستجيب لها الجهاز، سيلغى الشعور بالواقعية مباشرةً مما قد يؤثر سلبًا على جودة استخدامه للواقع الافتراضي.
3- أدوات التحكم
وهذا يتعلق بالبندين المذكورين سابقًا، أي لتحقيق جودة عرض عالية و تتبع حركة دقيق، يجب استخدام أدوات ذات جودة عالية تلبي هذه المطالب للإبقاء على الوهم بدون توليد شكوك حول صحته. أيضًا المؤثرات السمعية ذات أهمية كبيرة لتعزيز الوهم المكاني وتوليد الإدراك المطلوب لدى المستخدم.[2]
2- خدعة المعقولية «Plausibility Illusion»
تعمل هذه الخدعة على مبدأ خلق بيئة معقولة يمكن تصديق وجودها وأن كل ما فيها يحدث فعلاً. وهي أهم نوع من الخدع لأنها تستهدف إدراك الدماغ مباشرة وليس الحواس. مثلًا، لو دخلت لتجريب واقع افتراضي يسمح لك بالسفر إلى بلد آخر، ورأيت مخلوقات غريبة، سوف يدرك دماغك أنه محض خيال ويقوم بإلغاء الإدراك بأن ما تراه واقعي. العوامل المؤثرة بالخداع المكاني تؤثر أيضًا على هذا النوع ولكن من الممكن أن يلغى وهم المعقولية في حالتين:
1- البيئة لا تتجاوب
في حال كانت البيئة الافتراضي لا تتجاوب مع تفاعل المستخدم معها بشكل صحيح وواقعي، سيؤدي هذا إلى خلل في الإدراك فمثلًا، لو كنت تسير في غابة افتراضية وعبرت من خلال شجرة بشكل طبيعي دون الإحساس بعائق يوقفك، فإن عقلك سيلاحظ الخطأ المنطقي الحاصل وسيؤدي هذا إلى إفساد كامل التجربة.
2- حركة العناصر
إذا كانت حركة العناصر عبارة عن حركات مكررة إلى حد كبير أو غير منطقية سيلاحظ العقل الأخطاء المنطقية مباشرةً ويلغي الإدراك فمثلًا، لو كنت في الغابة ولاحظت أن مجموعة من الحيوانات يقومون بنفس الحركات بالضبط دون أي تغيير لمسافة معينة ثم يعودون لنقطة البداية، ستلاحظ الخطأ مباشرةً لأن العشوائية هي سمة الطبيعة. [2]
إن تجنب حدوث هكذا أخطاء يتطلب مقدرة كبيرة على محاكاة الطبيعة ضمن أنظمة الواقع الافتراضي. فالمحاكاة الصحيحة هي نواة النظام وفشلها يؤدي إلى فشله مباشرةً. ولكن ما الفرق بين خدعة المكان وخدعة المعقولية؟
في خدعة المكان وكما ذكرنا سابقًا، يجب أن يشعر المستخدم أنه قد انتقل إلى عالم آخر تمامًا. وفي حال حدوث شيء أدى إلى إفساد هذه الخدعة، فيمكن إعادته لأن الأمر يعتمد على خداع الحواس قبل الدماغ. أما خدعة المعقولية، فهي تعتمد على أن المستخدم يصدق بواقعية وصحة ما يراه. وفي حال حدوث شيء أدى إلى إزالة هذه الخدعة مؤقتًا، فإن العقل سيبدأ بالتشكيك بكل ما يراه بعدها. وبالمحصلة سيركز العقل على ملاحظة الأشياء غير الواقعية، مما يؤدي إلى فشل هذه الخدعة بشكل كامل وصعوبة استرجاعها. [2] لذلك من المهم والضروري العمل على تحقيق أعلى مستويات الدقة عند تصميم أنظمة الواقع الافتراضي.
3-خدعة التجسيد «Embodiment Illusion»
وظيفة هذه الخدعة هي خلق إحساس لدى المستخدم بالانتماء الجسدي بالواقع الافتراضي. ويعتمد هذا بشكل أساسي على تتبع الحركة و زوايا الميل كي تنتقل الحركة الحقيقية بشكل كامل ودقيق إلى الواقع الافتراضي. أحد العوامل الأساسية ضمن هذه الخدعة هو التغذية العكسية اللمسية. تولد التغذية العكسية اللمسية شعور واقعي عند ملامسة العناصر المختلفة ضمن الواقع الافتراضي.[3]
تحقيق التوافق بين الخدع الثلاث مهم بدرجة كبيرة لخلق إدراك قوي بواقعية التجربة. وكما نلاحظ فإن التكامل بين جميع العوامل مهم، وأي خلل في إحداها سيؤدي إلى خلل كامل المنظومة.
بعد إعلان مؤسس فيسبوك (مارك زوكربيرغ) عن اسم الشركة الجديد وشرحه للجيل الجديد من طرق التواصل الاجتماعي عبر الواقع الافتراضي، هل تساءلت ما هو الواقع الافتراضي وما هي تفاصيله؟ في هذا المقال سوف نأخذك في رحلة في هذا العالم لتتعرف عليه وتعلم ماهيته عبر مقدمة في الواقع الافتراضي من خلال 4 أسئلة ضرورية.
1. ما هو الواقع الافتراضي؟
الواقع الافتراضي هو عمليةُ محاكاةٍ لتجربة معينة أو إحساس معين ضمن عالم ثلاثي الأبعاد يتم توليده من قبل معالجات رسومية خاصة، يتفاعل معها المستخدم عن طريق حواسه، وبالتالي يعتمد عمل الواقع الافتراضي على حواس المستخدم وبشكل خاص على البصر والسمع. ويكون المستخدم وكأنه جزء من هذا العالم حيث يتفاعل مع عناصره كما يتفاعل مع عناصر العالم الحقيقي، مثلًا يمكنك القرع على الباب في العالم الافتراضي وتسمع صوت القرع وكأنه حقيقي.[1]
2. كيف يعمل؟
الصعوبة كانت تكمن بتوليد هذا العالم من وجهة نظر المستخدم، أي يجب معرفة كيف يقوم العقل البشري بمعالجة مختلف المدخلات التي يتلقاها من حواس الجسم لتوليد الإدراك، فمثلًا عندما تنظر إلى أي شيء في غرفتك تستطيع معرفته وتمييزه بناءًا على تفاعل سابق معه أو عندما تنظر إلى اتجاه ظل الأشياء تعلم من أي اتجاه يأتي الضوء.[2]
بالاعتماد على الفهم السابق لمنطق العقل في التحليل تم إنشاء بيئة افتراضية تفاعلية، ولكن كيف يصبح المستخدم جزءاً منها وكيف يتحكم بحركته وتفاعله معها؟
بما أن التجربة تعتمد على الحواس فيجب تحقيق عدّة متطلبات تقنية كي نصل إلى ربط كامل بين حواس المستخدم والعالم الافتراضي.
3. كيف يحاكي الواقع الافتراضي حواسنا البشرية؟
أولًا: مجال الرؤية. مجال الرؤية هو الزاوية التي يراها المستخدم من منظوره. فالعين الطبيعية تغطي زاوية تقدر بين 120 إلى 220 درجة. بينما توفر النظارات التي يستخدمها المستخدم حوالي 114 درجة كزاوية رؤية. ويتم العمل على زيادتها لكي تحقق نفس زاوية العين الطبيعية.[2]
ثانيًا: معدل الإطار. وهو معدل الحركة للرسوم في الثانية. وكما نعلم أنه مقياس مهم في عالم الألعاب. وبما أن العالم الافتراضي مبني على الرسوميات ويوجد به الكثير من العناصر التي تتحرك وتتفاعل مع عين المستخدم باستمرار، لذلك يجب توفير معدل إطار مناسب بشكل كافي لكي تظهر وكأن حركتها حقيقية. إذ تميز العين البشرية 30 إلى 60 إطار بالثانية. بينما الواقع الافتراضي يوفر بين 75 إلى 90 إطار بالثانية وأحيانا تصل إلى 120 إطار. يعطي زيادة عدد الإطارات انطباع أكثر واقعية للعناصر المتحركة.[2]
ثالثًا: المؤثرات الصوتية. هي عامل مهم وتعمل بشكل متكامل مع باقي العوامل التي ذكرناها لتوليد إدراك كامل للمجال ثلاثي الأبعاد، ولتحقيق ذلك يجب تحقيق عوامل مكانية، كمراعاة مكان قدوم الصوت، مثلًا الصوت القادم من جهة اليمين، يُسمع عن طريق الأذن اليمنى قبل الأذن اليسرى بفاصل زمني بسيط جداً قد لا ندركه بشكل فعلي ولكنه مهم جدا بالنسبة للدماغ.[2]
رابعًا: تتبع الحركة، تعتمد حركة المستخدم في الواقع الافتراضي على حركته في الواقع وليس على أزرار كما هو الحال في الألعاب الرقمية. ويتم تتبع حركة الجسم أو الرأس عن طريق حساسات تقوم بتجميع معلومات عن زاوية الحركة وإحداثيات الجسم ويتم معالجتها وتنفيذها بحذافيرها في العالم الافتراضي.[2]
خامسًا: الشعور باللمس، مؤخرًا تم الإعلان عن تطوير جلد اصطناعي لهذا الغرض، يرتديه المستخدم، يقوم هذا الجلد بنقل شعور لمس العناصر والأشياء بالعالم الافتراضي إلى جسده كما لو كانت واقعية.
4. ما هي تطبيقات الواقع الافتراضي؟
أولًا: ألعاب الفيديو. من أبرز استخدامات الواقع الافتراضي هي مجال ألعاب الفيديو. وأبرز هذه الألعاب هي Microsoft Flight Simulator والتي تعطيك شعور واقعي بالطيران وسبر بقاع العالم المختلفة. وقد أعلن مارك زوكربيرغ مؤخرًا أنه يتم العمل على تطبيق اللعبة المشهورة (GTA : San Andereas ) في العالم الافتراضي. بالتالي سيتسنى للمستخدمين خوض التجربة كما في اللعبة تمامًا.[3]
ثانيًا: اجتماعات العمل. حيث يتم عقد اجتماعات ضمن الواقع الافتراضي ويكون التفاعل متاح مع جميع الموجودين. لهذا أهمية كبيرة تساعد في تذليل العديد من العقبات بسبب بعد المسافات أو القيود المفروضة بسبب وباء كورونا.[3]
ثالثًا: التدريب الطبي. وهو من أهم المجالات التي سوف يدفع بها العالم الافتراضي خطوات للأمام. حيث سيتاح للأطباء حديثي التخرج والمتدربين على إجراء العمليات الجراحية الحساسة أو العمليات الإسعافية ضمن بيئة افتراضية مخصصة لذلك.[3]
وكما هو الحال في جميع التقنيات الحديثة فهي سيف ذو حدين، ويعتمد ذلك على الطريقة التي يتم استخدامها بها.فالجانب الآخر لهذه التقنية قد يؤدي إلى إدمان عند بعض المستخدمين. إذ يقلل من تفاعل المستخدمين مع العالم الحقيقي، الأمر الذي قد يولد بعض الاضطرابات النفسية والاجتماعية. كما قد يسبب أضرار جسدية بسبب قلة الحركة. كما سيصبح عالم ممتلئ بالخداع، فالعالم الافتراضي يتيح لك أن تصبح ما تريد، وبالتالي قلة قليلة من الناس قد تتواجد ضمنه على حقيقتها.[4]من المتوقع ازدياد الاعتماد على هذه التقنية مع مرور الزمن، بل ويعتقد البعض أن حياتنا ما هي إلا محاكاة بالفعل، فهل ستكون كفؤً لتلبية متطلبات الإنسان المتزايدة أم أنها سوف تفشل مستقبلاً؟
كرة القدم من أهم الصناعات في العالم، هي ليست مجرد لعبة فقط فقد تحولت إلى عالم من الأموال والقرارات الهامة التي تتطلب التقنيات الهامة ومن أهم هذه التقنيات هي علم البيانات. بدأ استخدام علم البيانات في كرة القدم بشكل قد لا يُرى من بعض الأرقام إلى أن أصبح به تتخذ أهم الفرق العالمية القرارات الكبرى داخل الفريق فنيًا وإداريًا. فما هو مستقبل علم البيانات في كرة القدم؟
١. تحويل الكم الهائل من البيانات إلى رسالة بسيطة
عندما يذهب محلل بيانات للعمل مع فريق كرة قدم يُزحم كل من حوله بالبيانات اعتقادًا منه أن ذلك يجعلهم يعتقدون أن هذا المحلل على مستوى متقدم. ولكن البساطة تُفيد أكثر والتركيز على ما يهم الفريق فقط أقوى، ومن الممكن التركيز على أهداف قليلة محددة يجلب نجاح أفضل.
٢. الاهتمام باستقدام اللاعبين المناسبين
للمدرب وجهة نظر صحيحة حينما يقول أن هذا اللاعب جيد أو ذلك اللاعب غير جيد، ولكن في المنطقة الرمادية في الاختلاف وعدم القدرة على التحديد بدقة تكون الإحصاء أكثر قدرة على اتخاذ القرار أفضل من الإنسان. وتحديد ما يستحقه اللاعب سنويًا؛ حيث إن كان هذا اللاعب يجلب لك الفوز في مباراتين فقط يستحق ١٠ مليون يورو، وإن كان لاعب آخر يحقق الفوز في ٤ مباريات يستحق ٢٠ مليون يورو، فتحديد ذلك مهم جدًا للفريق. ولكن إذا أخطأت أكثر من مرة في مثل هذه الأمور سيفتح ذلك لمسار مشكلة مالية كبيرة للمؤسسة. ولقد أصبح خبراء البيانات هم الأفضل عالميًا حاليًا في التوقيع مع اللاعبين طبقًا لتقارير صحفية عديدة من أهمها موقع بي بي سي. [2]
٣. الأولوية في اتخاذ القرارات
تريد أغلب الأندية العالمية الاستثمار في البيانات ولكنها قد لا تعطي الأولوية في اتخاذ القرار لنتائج البيانات. ويوجد العديد من محترفي كرة القدم السابقين ويتخذون القرار بناءً على خبرتهم السابقة في الملاعب. وفي نهاية السنة عندما نريد أن نشاهد تأثير دراسة البيانات قد نجده قليلًا جدًا، ولكن هناك تطورات عديدة في اتخاذ القرارات. وعلى سبيل المثال موقف مدرب فريق تشيلسي عندما عرض عليه محللو البيانات أن كيبا الحارس الثاني في الفريق هو أفضل من ميندي الحارس الأساسي في ضربات الترجيح وبالفعل فازوا في المباراة بفضل كيبا.
٤. تحديد الهدف
حيث من الممكن سؤال محلل بيانات عن احتياج الفريق هل يحتاج الفريق إلى أخصائي تغذية أم تخصص آخر سيفيد أكثر. والتوجه إلى أي اتجاه فهل تقضي وقتًا ومجهودًا أكثر هل في الاستثمار في اللاعبين أم مدربين أم إنشاء ملاعب ومراكز تدريب وهكذا. وكل ذلك يستطيع محلل البيانات وضع إجابة مناسبة له.
حيث مع التطور المستمر لتتبع البيانات يصبح من الأسهل توظيف مواقع اللاعبين في الملعب والشكل الثلاثي للكرة وموقعها مهم في ذلك. وهذا يعتبر بيانات قيمة بشكل لا يصدق. وبالتطور أكثر يتم تطوير تحرك اللاعبين في المساحات والحركة بدون كرة. ولم يصل هذا حتى الآن في أكبر الأندية العالمية مثل ليفربول وأرسنال.
ولقد أصبح وجود الأجهزة للحصول على البيانات مثل ساعات اليد أمرًا اعتياديًا في تدريبات الفرق. [1]
٦. خلق مساحات في الملعب
ما يفرق كرة القدم عن الرياضات الأخرى أنها لعبة تعتمد على المساحات. وتملك اللاعب المساحه يعني ببساطة أنه إذا كانت الكرة في مكان ما أي لاعب سيصل إليها أولًا وتحديد كل موقع على الملعب. ومن أكثر اللاعبين قدرة خارقة في أنه يعرف متى يتحرك ومتى يظل في مكانه هو الأرجنتيني الشهير ميسي. ومن ذلك يصنع فرص ومساحات لزملائه في الملعب، وذلك يعني أن الحركة تفيد وعدم الحركة يفيد في بعض الحالات.
٧. الاستفادة في النقل من الألعاب الأخرى إلى كرة القدم
على سبيل المثال كرة السلة حيث من الممكن تطبيق كيف يستطيع لاعب عمل حاجز على لاعبي الخصم لإعطاء الفرصة لزميله لكي ينطلق إلى الداخل. وأيضًا طريقة استخدام الجسم بشكل قانوني وذلك يحدث في كرة القدم ولكن لا يتم تطبيقه بشكل صحيح.
ومن كرة القدم الأمريكية من الممكن تعلم كيفية الجري في بعض الطرق المحددة في الملعب وفتح المساحات والفرص.
بمعنى أن هناك ٣٠ مهارة يجب أن يتقنها اللاعب في هذا المركز. وليكن اللاعب ميسي جيد في ٢٥ مهارة وغير جيد في ٥ مهارات. فهل نحن بحاجة إلى تقوية مهارة من المهارات الجيدة أم تنميه أحد المهارات غير الجيدة.
ويقتصر العمل بها الآن على لاعب مهاجم يحصل على ٤ فرص محققة لإحراز أهداف فيسجل هدفين فتصبح نسبة التهديف ٥٠٪. [3]
٩. التنبؤ المستقبلي
وهو التحول من الوصف الاحصائي لما حدث في المباريات السابقة إلى التنبؤ بما قد يحدث في المباريات القادمة، وذلك من أهم التقنيات.
١٠. زيادة التفاهم والتواصل
تقليل الفراغات أو المسافات بين محللي البيانات والمدرب أو المدير الرياضي أو مسؤول التعاقدات. وتحويل كل الأسئلة التي يبحث عنها الممارسون للعبة إلى لغة يفهمونها وتحقيق تواصل بشكل أفضل.
الإرهاب هو استخدام التمييز المقصود والقوة غير القانونية لخلق الرعب بين عامة الناس لتحقيق أهداف دينية أو سياسية. في سنة ٢٠١٩م، نُفذت ١٤٢١ حادثة إرهابية تسببت في قتل ٦٣٦٢ شخص منتشرة بشكل أكبر في جنوب آسيا والشرق الأوسط. ويوجد على موقع «Global Terrorism Dataset – GTD» معلومات عن الأعمال الإرهابية منذ سنة ١٩٧٠م إلى ٢٠١٨م بها أكثر من ١٨١ ألف حدث إرهابي. فكيف يساعدنا تعلم الآلة على مقاومة الإرهاب؟
استخدم فريق من الباحثين تعلم الآلة لتوقع واستكشاف الهجمات الإرهابية وتوضح الاختبارات النهائية أن الأنظمة تتنبأ بدقة بالهجمات في المناطق التي تأثرت سابقًا بالإرهاب. ولكن حدوث « black swan – كارثة إرهابية كبرى» لا يمكن توقعها وتنتشر أسرع ما يمكن.
استخدم الباحثون البيانات المتاحة للهجمات التي حدثت من ٢٠٠٢ إلى ٢٠١٦ م في ١٣ منطقة حول العالم.
تستطيع أحد أنظمة الباحثين التنبؤ بالهجمات في غضون أسبوع قبل الحادثة في المناطق التي توجد بها عدد كبير من المناطق التي تعرضت سابقًا للهجمات الإرهابية حيث العراق وجنوب غرب آسيا خطر حدوث هجمات إرهابية يكون بعد ٢٠٠ أسبوع من الحادث الذي سبقه، أما في المناطق الأقل حدوثًا للهجمات فمن المتوقع ٤٠٠ أسبوع لحدوث هجمات بعد آخر هجمة مثل روسيا وشرق أوروبا. [1]
وقد طرحت الدراسات أن الهجمات الإرهابية تتكرر في نفس المكان حيث يتناسب طرديًا مع عدد منفذي الهجمات الإرهابية وتوفير التكلفة للقيام بالعملية والقيمة التي يحصلون عليها.
وتوقع أيضًا الفريق وجود تناسب عكسي بين احتمالية حدوث الهجمات الإرهابية والكثافة السكانية. حيث تُنفذ العمليات في المناطق الأقل كثافة سكانية، وأيضًا تتناسب عكسيًا مع تحضر المكان حيث صعوبة الوصول إلى الأماكن الحضرية.
أهم العوامل المؤثرة التي يدرسها علماء تعلم الآلة في دراسة الهجمات الإرهابية
الانتحارية: هل المُقدِم على العمل لغرض انتحاري أم لديه أهدافًا أخرى؟
تحقيق الهدف: هل نجح المخطط الذي أراده الإرهابيون أم لا؟
نوع السلاح الرئيسي الذي تم استخدامه في العمل:
هل أسلحة بيولوجية أم كيميائية؟
يضربون بالأسلحة أم بالمتفجرات؟
يستخدمون رصاص حقيقي أم غير حقيقي أم أسلحة بيضاء؟
يستخدمون مركبات أم سيارات مفخخة؟
المنطقة: أمريكا الشمالية وأمريكا الوسطى وأمريكا الجنوبية وجنوب غرب آسيا وجنوب آسيا ووسط آسيا وأوروبا وشرق أوروبا والشرق الأوسط وشمال أفريقيا والصحراء الأفريقية وأستراليا وأوقيانوسيا.
النوع: حيث ينقسم الى عدة أقسام منها ما هو اغتيال أو هجوم مسلح أو خطف أو سرقة أو هجوم على منشأة أم غير معروف. [6]
أهم التقنيات المستخدمة
الشبكة العصبونية والتعلم العميق حيث وصلت دقة التنبؤ بانتحارية الأعمال الإرهابية حاليًا إلى ٩٨٪. ووصلت دقة التنبؤ بالنجاح في تنفيذ العملية إلى ٨٧٪ باستخدام الشبكة العصبونية و٩٣٪ بالتعلم العميق. وتحديد نوع السلاح بدقة ٧٣٪ بالشبكة العصبونية، بينما وصلت إلى ٩٤٪ بالتعلم العميق.
أما في تحديد المنطقة المستهدفة فوصلت دقة الشبكة العصبونية إلى ٨١٪، بينما دقة التعلم العميق ٩٧٪. وفي تحديد نوع الهجوم وصلت دقة الشبكة العصبونية إلى ٧٩٪ والتعلم العميق إلى ٩١٪.
فيتضح من ذلك أن كفاءة هذه التقنيات قوية وتتفوق تقنية التعلم العميق أكثر من الشبكة العصبونية.
طريقتان لمنع تفاقم العمليات الإرهابية
حماية المنشآت والأفراد وتحقيق الأمان.
منع الإرهابيين من القيام بمخططهم عن طريق القبض عليهم قبل التنفيذ. [5]
أهم التطبيقات في استخدام تعلم الاّلة في مواجهة الإرهاب
التنبؤ بوقت ومكان الهجمات الإرهابية من خلال محاولة معرفة وسائل التواصل ومعلومات التحويلات المالية المخالفة للقوانين والسفر غير الطبيعي والبحث على الإنترنت.
التعرف على توجهات الأشخاص للتطرف، حيث أن بعض الشركات تبني أنظمة للتعرف على اتجاه الأشخاص عن طريق الفيديوهات التي يشاهدونها ومحاولة مقابلتها بعرض فيديوهات أخرى تواجه ظاهرة التطرف.
محاولة التعرف على الإرهابيين، حيث تم تحليل بيانات ٥٥ مليون هاتف شخصي لأشخاص في باكستان سنة ٢٠٠٧م. ولُُوحظ أن ١٥ ألف شخص في تفكيره أن يصبح إرهابيًا، ولكن هذه العملية قد تكون غير دقيقة وغير مؤكدة وقد تتغير المعلومات من وقت لآخر. [5]
أهم التحديات التي تواجه العلماء في استخدام تعلم الآلة في مواجهة الإرهاب
مشاكل متعلقة بحقوق الإنسان، حيث لا يوجد قانون دولي يُمّكن من مراقبة جميع الأفراد، ووضعهم على اختبارات الذكاء الاصطناعي.
تجميع البيانات قد يكون عشوائيًا وغير دقيقًا.
انعدام الأمان في استخدام البيانات، حيث من الممكن بيع البيانات لجهة أخرى.
انعدام الشفافية.
عدم وجود معايير أساسية مضبوطة.
الشك وعدم التأكد والتحايل على معرفة أمور شخصية و استغلالها.
لعلك سمعت من قبل عن مفهوم التعلم العميق مع عدة مفاهيم أخرى مثل تعلم الآلة والشبكات العصبية الاصطناعية وكثيرًا ما ترتبط هذه المفاهيم ببعضها البعض ويتم ذكرها سويًا عند الحديث عن مجال الذكاء الاصطناعي بشكل عام وتطبيقاته الكثيره، ولكن ماذا تعني هذه المفاهيم بالتحديد؟ وما الفرق بينهما؟
في البداية يشير مفهوم تعلم الآلة إلى التخصص المهتم بدراسة الخوارزميات القائمة على جعل الآلة تتعلم وتتطور بمفردها دون الحاجة إلى أوامر برمجية محددة. حيث يتم إدخال «مجموعة بيانات-data set» إلى تلك الخوارزميات فتحللها وتتعلم منها ومن ثم تقوم ببناء توقعات استنادًا على ما تعلمته. يمثل تخصص تعلم الآلة التقاطع بين علم الحاسب والاحصاء. [1]
مثال بسيط على تطبيق خوارزميات تعلم الآلة هو “المقترحات”. عند استماعك إلى الموسيقى على إحدى منصات الاستماع الشهيرة، ففي زيارتك التالية تجد المزيد من الموسيقى المشابهة والترشيحات ذات الصلة بتاريخ استماعك، حيث قامت خوارزميات تعلم الآلة بتحليل بيانات تاريخ استماعك وتفضيلاتك وقامت بإيجاد الأنماط خلالها ثم ببناء توقعات للعديد من الموسيقى الأخرى التي تناسب ذوقك.
تعرف «الشبكة العصبية الاصطناعية-artificial neural network» على أنها قطعة من نظام الحوسبة المصممة لمحاكاة عملية التحليل والمعالجة في مخ الانسان. وحدة المعالجة الأساسية في مخ الانسان هي الخلية العصبية، وتقابلها الخلية العصبية الاصطناعية في الآلة. تَجَمُّع الخلايا العصبية الاصطناعية يعرف بالشبكة العصبية الاصطناعية. [2]
شكل المحاكاة بين الخلية العصبية البيولوجية والاصطناعية
ظهر تخصص التعلم العميق كامتداد وتطور لتعلم الآلة حين عجزت خوارزميات تعلم الآلة التقليدية عن أداء بعض المهام المعقدة. على سبيل المثال، تتطلب خوارزميات تعلم الآلة التقليدية مجموعة بيانات مبسطة ومرتبة للتعلم منها. ولكنها غير قابلة على التعلم من مجموعة البيانات الكبيرة والمعقدة مثل الموجات الصوتية المختلفة وأبعاد الصور وعدد ال pixels بداخلها، لذا تستخدم خوارزميات التعلم العميق للتعامل مع بيانات معقدة كهذه كما في تطبيقات «التعرف على الصوت- voice recognition» التي تستخدمها سيري مساعدة جوجل في التعرف على أصوات محدثيها وتطبيقات «التعرف على الصور- image recognition» المستخدمة من قبل فيسبوك للتعرف على وجوه الأشخاص داخل الصور.
تكوين خوارزمية التعلم العميق
تتكون الخوارزمية من هيكل متعدد الطبقات من الشبكات العصبية الاصطناعية. حيث تكون الطبقة على الطرف الأيسر هي طبقة الإدخال، و الطبقة على الطرف الأيمن هي طبقة الإخراج، وفي الوسط العديد من الطبقات المخفية المسؤولة عن المعالجة. بنية خوارزميات التعلم العميق الطبقية تمكنها من معالجة أفضل للبيانات وأداء أفضل.
نموذج للشبكة العصبية المكونة للتعلم العميق
وبناءً على ذلك، تتطلب خوارزمية التعلم العميق مستوى أقل من التدخل البشري في تحسين نتائج الخوارزمية. حيث تقوم الخوارزمية بالتعلم والتحسين من أخطائها بمفردها. على عكس خوارزمية تعلم الآلة التقليدية التي تتطلب الكثير من التدخل البشري للتعديل والتحسين. [3]
ولكن مع ذلك، ما زالت خوارزميات التعلم العميق قيد التطور. بالرغم من تقدمها والتحسين الملحوظ فيما تقدمه من نتائج وأداء إلى أنها تتطلب الكثير من الوقت وقدره حوسبة عالية لتتعلم من مجموعة البيانات الضخمة وتكوين نموذج قابل للتطبيق.
على الرغم من تقدم خوارزميات وتقنيات عالم الذكاء الاصطناعي والنتائج المبشرة التي تحملها تطبيقاتها إلى أنها لا تزال في مراحلها الأولى وأمامها الكثير من التقدم والفرص.
ربما أصبحت جملة إنترنت الأشياء جملًة اعتيادية، فهو مفهوم ليس قادرًا على تغير حياتنا فقط بل هو قادر على تغير طريقة عملنا أيضًا. هناك الكثير من التساؤلات التي أدت إلى الكثير من التعقيدات. فما هو انترنت الأشياء؟ وهل له تأثير على الإنسان بشكل خاص، وكيف سيؤثر على عملنا؟ وهل هو حقًا الثورة الصناعية الرابعة؟!
مفهوم إنترنت الأشياء
هو مفهوم توصيل أي جهاز طالما أنه يحتوي على مفتاح تشغيل وإيقاف بالإنترنت والأجهزة الأخرى. إنترنت الأشياء عبارة عن شبكة عملاقة من الأشياء والأشخاص المتصلين وكلهم يجمعون البيانات ويشاركونها. يتضمن ذلك عددا غير عاديٍ من الأشياء من جميع الأشكال والأحجام من أفران الميكروويف الذكية التي تطهو طعامك لفترة زمنية مناسبة، إلى السيارات ذاتية القيادة التي تكتشف مستشعراتها المعقدة المسار وتحديد الجهات وغيرها. هو مصطلح يعني ربط كل جهاز بدءًا من جهازك المحمول وصولًا إلى الغسالات حتى آلات صنع القهوة وأي شيء يخطر على بالك الان.
بعض الأمثلة الواقعية
مثلًا يتم ربط ساعة اليد خاصتك بأجهزة الإنارة. مع الوقت تصبح أجهزة الإنارة قادرة على معرفة مواعيد استيقاظك فيتم تشغيل إنارة المنزل بشكل تلقائي دون الرجوع إليك. وأحيانًا يكون لديك اجتماع مع شركة معينة. يتم ربط جدول مواعيدك بالسيارة فستكون قادرة على تحديد المسار والمسافة والمدة اللازمة والزحمة وكل شيء تتخيله. ولو فرضنا جدلًا أن السيارة حددت المسار واكتشفت أنه هناك زحمة. تلقائيًا أنت ستتأخر عن الموعد فستقوم السيارة بإرسال رسالة إلى الشركة بأنك ستتأخر مدة معينة دون الرجوع إليك وأنت تقود. لو أسقطنا هذه الأمثلة على جميع الأجهزة، وكان لها القدرة على تحليل المواقف واتخاذ القرارات المناسبة سنكون قادرين على توفير الكثير من الوقت والجهد بشكل حتمي. فسنكون قادرين على فهم حياتنا وطريقة عملنا بشكل ديناميكي أكثر من خلال ربط كل الأجهزة بالإنترنت.
طريقة عمل إنترنت الأشياء
يتم توصيل الأجهزة ذات المستشعرات المدمجة بمنصة الإنترنت والتي تدمج البيانات من الأجهزة المختلفة مع بعضها، وتطابق جميع التحليلات لمشاركة معلومات مفيدة تلبي احتياجاتك. فهي تحدد بدقة المعلومات وما يمكن تجاهله منها بأمان. يمكن استخدام هذه المعلومات لاكتشاف أنماط حياتك وتقديم التوصيات بما يناسبك واكتشاف المشكلات المحتملة قبل حدوثها.
ثورة إنترنت الأشياء
من ثورة المحركات البخارية إلى ثورة محطات الطاقة واختراع المصباح الكهربائي حتى ثورة التكنولوجيا الرقمية، هل نحن مقبلين إلى ثورة صناعية رابعة تحت مسمى إنترنت الأشياء؟ فعليًا قد بدأت عوالم هذه الثورة بالتشكل. كل شيءٍ يتحول إلى بيانات وتحليلات تنبؤية وروبوتات ستحسن مستقبل الصناعة.
رقمنة الصناعة
تُمكن إنترنت الأشياء الأجهزة من الاتصال وتبادل البيانات في التصنيع. تربط إنترنت الأشياء العمليات بالآلات بالأنظمة بالأشخاص. مما يتيح تكاملًا أفضل لعمليات المصنع وتحقيق مستويات أعلى من الإنتاجية والارتقاء بمستوى التصنيع. معدات المصانع الذكية قادرة على: منع تأخير الإنتاج وتحسين أداء خط الانتاج. تقليل وقت تعطل المعدات وزيادة كفاءة عملية الإسراع في إصلاح المعدات. كلما كانت قاعدة بياناتك أذكى كلما كانت المعدات قادرة على: تخسين سلامة العمال. اكتساب ادارة أفضل للقوى العاملة. زيادة انتاج العاملين وخبراتهم. التقليل من استهلاك الطاقة في المنشآت والمباني.
صنع العلماء نموذجًا لخلية عصبونية اصطناعية من فتحات رقيقة من الجرافين توازي مساحة طبقة من جزيئات الماء. ولكن بدلًا من استخدام الإلكترونات أصبحوا يستخدمون الأيونات مثلما يحدث في دماغ الإنسان.
تعتمد كفاءة دماغ الإنسان بشكل أساسي على الخلية العصبية والقنوات العصبية والأيونات التي تنتقل من خلية لأخرى مرورًا بالقنوات. وسريان الأيونات الناتج من هذه العملية يخلق تيارًا إلكترونيًا يرتفع وينخفض، فتسمح هذه الإشارات بالتواصل بين الخلايا العصبية.
يستطيع الذكاء الاصطناعي فعل ذلك ولكنه يستخدم طاقة أكثر بكثير، تصل إلى عشرات الآلاف من الطاقة التي يستخدمها الدماغ. ويكمن تحدي العلماء في تمكين الذكاء الاصطناعي من القيام بهذه المهام باستخدام طاقة توازي الطاقة التي يستخدمها دماغ الإنسان. بالإضافة إلى أن دراسة علم النانو في السوائل مهمة في هذا البحث؛ لأنه يدرس كيف تتفرق السوائل في قنوات أقل من ١٠٠ نانومتر. وأوضحت دراسات جديدة كيف أن مجالًا كهربائيًا يشبه طبقة وحيدة من جزيئات الماء ويتحول إلى مجموعات.
أهم تطبيقات الشبكات العصبونية الاصطناعية
بدلًا من قراءة وحفظ مجموعات من الكتب أو الذهاب للمدرسة للتعلم. سيكون هناك أجهزة في الدماغ توفر لنا المعلومات حينما نطلبها، وقد يتحقق ذلك بحلول سنة ٢٠٤٠م.
جهاز يُوضع على سطح الدماغ قادر على التواصل مع الخلايا العصبية ويسجل نشاطهم حتى يخبرهم كيف يتصرفون في المواقف التي تواجه الشخص.
واحدة من أهم التطبيقات هي التحفيز العميق للدماغ. حيث تُوضع أقطاب كهربائية في الدماغ لتحفيز مناطق معينة لتقليل اعراض بعض مشاكل الدماغ مثل أمراض الشلل الرعاش والصرع. وقد استخدم أكثر من ١٥٠ ألف شخص حول العالم هذه الخلية العصبية الاصطناعية.
هذا الجهاز يستطيع التحكم في الأعصاب في أجزاء أخرى من الجسم؛ حيث يستخدمه الأطباء لمساعدة الأشخاص المصابين بالشلل على الحركة مرة أخرى.
بالإضافة إلى أن فريق من العلماء من جامعة بنسلفانيا استطاعوا النجاح في تقوية قدرات الذاكرة للأشخاص عن طريق تحفيز مناطق في الدماغ باستخدام الأقطاب الكهربية.
إيلون ماسك صاحب شركة نيورالينك التي تعتبر أشهر الشركات في هذا المجال
هدف هذه الشركة هو دمج الكمبيوتر بدماغ الإنسان، حيث الاستفادة من تطور تفكير الإنسان وتأثيره على تطور التفكير في آلة واحدة تدمج بينهما. تستخدم نيورالينك خطوطًا في الدماغ مرتبطة بجهاز يستطيع دمج نشاط الدماغ مع الخلية العصبية الاصطناعية. وصورت الشركة فيديو لقرد عمره ٩ سنوات يستطيع ممارسة لعبة على الكمبيوتر باستخدام هذه التقنية.
يطور الفريق أيضًا شرائح تُوضع في دماغ الإنسان من خلال إبرة دقيقة جدًا، هدفها مساعدة الشخص على رفع وتحميل المعلومات مباشرة من الدماغ كما في فيلم The Matrix. ويعمل العلماء أيضًا على تصنيع شريحة دقيقة جدًا تساعد على الوصول إلى أماكن معينة في الدماغ وتسهيل الجراحة. فهل ستوافق على جعل دماغك عبارة عن آلة في العقود القادمة؟
بالإضافة إلى القدرة على نقل المعلومات من خلية عصبية اصطناعية إلى أخرى. يقوم بهذا العمل فريق باحثين فرنسي مع علماء من جامعة مانشستر في إنجلترا. والخطوة القادمة هي محاولة إثبات أن هذه الأنظمة تستطيع أن تستخلص خوارزميات تعليمية أساسية، والتي بدورها تعتبر أساسًا لبداية عصر دمج الشبكات العصبية في الدماغ مع الشبكات العصبونية الاصطناعية.
عيوب الشبكات العصبونية الاصطناعية
ولكن ذلك له عيوب؛ حيث من الممكن بيع هذه المعلومات الخطيرة عنك القادمة من الدماغ مباشرة.
ومن الممكن أن تستخدم بشكل أكبر وأساسي في قواعد التوظيف.
