تعلم الاّلة الأرشيف

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]

https://img-cdn.tnwcdn.com/image?fit=1280%2C720&url=https%3A%2F%2Fcdn0.tnwcdn.com%2Fwp-content%2Fblogs.dir%2F1%2Ffiles%2F2021%2F08%2FUntitled-design-2-2.jpg&signature=8abb90e5eac84daa03def3beab2ec611

تناسب طردي وعكسي للهجمات الإرهابية

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.

مصادر

[1] neural

[2] science advances

[3] hindawi

[4] tech xplore

[5] التحالف الإسلامي العسكري لمحاربة الإرهاب

[6] IJACSA

هذه المقالة هي الجزء 10 من 17 في سلسلة مقدمة في علم البيانات وتطبيقاته

تُعتبر البيانات مصدرًا قيمًا في سوق الأعمال. وتعد معرفة كيفية اتخاذ قرار بناءً على البيانات والتواصل من خلال هذه البيانات من المهارات الضرورية للموظفين ولأصحاب العمل في المستقبل، والتي تعرف باسم « Business Analytics – تحليل الأعمال». تحليل الأعمال هو استخدام الرياضيات والإحصاء للحصول على معنى من البيانات لخلق قرارات أفضل للعمل. فهل يساعد تحليل الأعمال في اتخاذ القرارات؟

ينقسم تحليل الأعمال إلى ٣ أنواع:

وصفي: وهو الرجوع الى بيانات قديمة للتعرف على أشكال واتجاهات جديدة.
تنبؤي: الحصول على نتائج مستقبلية من البيانات وإعطاء إشارات للمستقبل.
نظري: تقنيات لتحديد الناتج الأفضل من كل الخيارات المتاحة.

كيف تستفيد الشركات من تحليل الأعمال؟

أولًا: تخطيط مكان العمل (مايكروسوفت نموذجًا)

يؤدي تخطيط مكان العمل بناءً على البيانات المتاحة غالبًا إلى توفير التكاليف والوقت. على سبيل المثال، ترى شركة مايكروسوفت أن التفاعل وجهًا لوجه بين الموظفين يمكن أن يحسّن من أداء الموظف ويوفر الأموال. افترضت الشركة أن تحويل الموظفين من ٥ مبانٍ إلى ٤ مبانٍ يمكن أن يزيد التعاون ويقلل المسافات لحضور الاجتماعات. اعتمدت هذه الاقتراحات على دراسة سابقة أوضحت أن التعاون يزداد بين الموظفين عندما يصبحون أكثر قربًا من بعضهم. وبالفعل قامت الشركة بالتغييرات واتضح من النتائج أن نقصان ٤٦٪ من وقت السفر للاجتماعات مما أدى إلى توفير ١٠٠ ساعة أسبوعيًا، كما وفر سنويًا ما يُقدر ب ٥٢٠ ألف دولار. قل وقت الاجتماعات أيضًا من ٨٥ ساعة إلى ٧٧ ساعة. ونقص عدد الاجتماعات إلى ١٤ اجتماعًا بعد وصوله إلى ١٨ ساعة لكل شخص. أدى إعادة التوزيع في النهاية إلى زيادة التعاون وتحسين كفاءة العمل.

ثانيًا: تحسين خدمة العملاء (أوبر نموذجًا)

أكدت شركة أوبر على أهمية خدمة العملاء وأولوية رضا العملاء عن الخدمة. في عام 2018، طورت الشركة أداة «Customer Obsession Ticket Assistant» وهي أداة تستخدم تقنيات تعلم الآلة ومعالجة اللغة لمساعدة الموظفين على زيادة الدقة والسرعة ومساعدة موظفي الدعم للرد على الحجز. وأصبح لها تأثير إيجابي، حيث قل وقت الانتظار بنسبة ١٠٪.

حاول المهندسون تطوير ميزات أكثر، حيث طوروا نسخة مُعدلَة من الأداة اعتمادًا على التعلم العميق. ثم قارنوا بين الأداة الأولى والأداة المُعدلَة باستخدام الإحصاء. بدأ المهندسون بالعمل على مجموعتين؛ استخدمت إحداهما الأداة الأولى واستخدمت الثانية الأداة المُعدلَة. اتضح أن الأداة الثانية تعمل على تقليل الوقت اللازم أكثر من الأولى بنسبة ٧٪، مما يؤدي إلى خدمة أفضل وارتفاع معدلات رضا العملاء. وما زالت تظهر الإمكانات للتطوير أكثر فأكثر باستخدام تحليل الأعمال.

ثالثًا: فهم سلوك العملاء وتفضيلاتهم (بلو أبرون نموذجًا)

بدأت شركة «Blue Apron – بلو أبرون»، وهي شركة توصيل وجبات طعام في الولايات المتحدة، بنشر قوائم الطعام الخاصة بها كل أسبوع على وسائل التواصل الاجتماعي. وعلى أساس تفضيلات العملاء يتم تجهيز الوجبات اعتمادًا على نتائج تحليل الأعمال والإحصاء التنبؤية، لتجنب فساد المنتج ومشاكل تجهيز الطلبات. تتعرف الشركة على تفضيلات العملاء من خلال:

تفضيلات العميل الحالية والظروف المحيطة به من خلال التفاعل في وسائل التواصل الاجتماعي.
فواتير سابقة وصلت للعميل.
البيع الموسمي: أي متابعة أوقات زيادة مبيعات منتج ما وانخفاض مبيعات آخر.

وبالفعل زادت دقة معرفة العميل بنسبة ٦٪ عما سبق، كما توفرت كثير من الأموال للشركة وقل فساد المنتجات وانتظم تجهيز الطلبات.

نستنتج من ذلك أن اتخاذ القرارات المبني على البيانات يعطي نتيجة أفضل من القرارات غير المبنية على أسس قوية. لذا إذا كنت في اجتماع ما وعلى وشك اتخاذ قرار وكان قرارك معتمدًا على البيانات بتحليل دقيق أنصحك بأن تكون مُصر على قرارك إذا لم يكن هناك تعارض. ويجب أن يكون العمل وفقًا لما تقترحه البيانات وتحليلاتها من ركائز العمل داخل المؤسسات.

المصادر:

Harvard Business School online
Learning Hub