البشر جيدون جدًا في اكتشاف الأنماط، أو تكرار الميزات التي يمكن للناس التعرف عليها. على سبيل المثال، أبحر البولينيزيون القدماء عبر المحيط الهادئ من خلال التعرف على العديد من الأنماط، بدءًا من مجموعات النجوم وحتى الأنماط الأكثر دقة مثل اتجاهات وأحجام أمواج المحيط.
في الآونة الأخيرة، بدأ علماء الرياضيات مثلي في دراسة مجموعات كبيرة من الأشياء التي ليس لها أنماط من نوع معين. ما هو الحجم الذي يمكن أن يصل إليه حجم المجموعات قبل ظهور نمط محدد في مكان ما في المجموعة؟ إن فهم مثل هذه السيناريوهات يمكن أن يكون له آثار كبيرة على أرض الواقع: على سبيل المثال، ما هو أقل عدد من حالات فشل الخادم التي قد تؤدي إلى قطع الإنترنت؟
اقترح البحث الذي أجراه عالم الرياضيات جوردان إلينبرغ في جامعة ويسكونسن والباحثون في Deep Mind التابع لشركة Google نهجًا جديدًا لهذه المشكلة. يستخدم عملهم الذكاء الاصطناعي للعثور على مجموعات كبيرة لا تحتوي على نمط محدد، مما يمكن أن يساعدنا على فهم بعض السيناريوهات الأسوأ.
الأنماط في مجموعة لعبة الورق
يمكن توضيح فكرة المجموعات غير المزخرفة من خلال لعبة ورق شائعة تسمى Set. في هذه اللعبة، يقوم اللاعبون بوضع 12 بطاقة مكشوفة. تحتوي كل بطاقة على صورة بسيطة مختلفة. وهي تختلف من حيث العدد واللون والشكل والتظليل. يمكن أن تحتوي كل من هذه الميزات الأربع على واحدة من ثلاث قيم.
يتسابق اللاعبون للبحث عن “المجموعات”، وهي مجموعات مكونة من ثلاث بطاقات تكون كل ميزة فيها إما متماثلة أو مختلفة في كل بطاقة. على سبيل المثال، تشكل البطاقات التي تحتوي على ماسة حمراء صلبة، واثنين من الماسات الخضراء الصلبة، وثلاثة ماسات أرجوانية صلبة مجموعة: جميع البطاقات الثلاثة لها أرقام مختلفة (واحد، اثنان، ثلاثة)، نفس التظليل (صلبة)، وألوان مختلفة (أحمر، أخضر، الأرجواني) ونفس الشكل (الماس).
عادةً ما يكون العثور على مجموعة أمرًا ممكنًا، ولكن ليس دائمًا. إذا لم يتمكن أي من اللاعبين من العثور على مجموعة من 12 بطاقة على الطاولة، فسيقومون بقلب ثلاث بطاقات أخرى. لكنهم ما زالوا غير قادرين على العثور على مجموعة من هذه البطاقات الـ 15. يستمر اللاعبون في قلب البطاقات، ثلاثًا في كل مرة، حتى يكتشف شخص ما المجموعة.
إذن ما هو الحد الأقصى لعدد البطاقات التي يمكنك وضعها دون تشكيل مجموعة؟
في عام 1971، أظهر عالم الرياضيات جوزيبي بيليجرينو أن أكبر مجموعة من البطاقات بدون مجموعة هي 20. ولكن إذا اخترت 20 بطاقة بشكل عشوائي، فإن “عدم وجود مجموعة” لن يحدث إلا مرة واحدة في تريليون مرة. والعثور على هذه المجموعات “غير المحددة” يمثل مشكلة يصعب حلها للغاية.
العثور على “لا توجد مجموعة” باستخدام الذكاء الاصطناعي
إذا أردت العثور على أصغر مجموعة من البطاقات بدون مجموعة، فيمكنك من حيث المبدأ إجراء بحث شامل لكل مجموعة ممكنة من البطاقات المختارة من مجموعة البطاقات المكونة من 81 بطاقة. ولكن هناك عددا هائلا من الاحتمالات – في حدود 1024 (هذا هو “1” متبوعًا بـ 24 صفرًا). وإذا قمت بزيادة عدد ميزات البطاقات من أربعة إلى ثمانية، على سبيل المثال، فإن تعقيد المشكلة سوف يربك أي جهاز كمبيوتر يقوم ببحث شامل عن المجموعات “غير المحددة”.
يحب علماء الرياضيات التفكير في المشكلات الصعبة حسابيًا مثل هذه. هذه المشاكل المعقدة، إذا تم التعامل معها بالطريقة الصحيحة، يمكن أن تصبح قابلة للحل.
من الأسهل العثور على أفضل السيناريوهات – هنا، يعني ذلك أقل عدد من البطاقات التي يمكن أن تحتوي على مجموعة. ولكن كان هناك عدد قليل من الاستراتيجيات المعروفة التي يمكنها استكشاف السيناريوهات السيئة – هنا، يعني ذلك مجموعة كبيرة من البطاقات التي لا تحتوي على مجموعة.
تعامل إلينبيرج ومعاونوه مع السيناريو السيئ باستخدام نوع من الذكاء الاصطناعي يسمى نماذج اللغة الكبيرة، أو LLMs. كتب الباحثون أولاً برامج كمبيوتر تولد بعض الأمثلة لمجموعات كثيرة لا تحتوي على أي مجموعة. تحتوي هذه المجموعات عادةً على “بطاقات” تحتوي على أكثر من أربع ميزات.
ثم قاموا بتغذية هذه البرامج إلى LLM، الذي سرعان ما تعلم كيفية كتابة العديد من البرامج المشابهة واختيار البرامج التي تؤدي إلى أكبر المجموعات الحرة للخضوع للعملية مرة أخرى. إن تكرار هذه العملية من خلال التغيير والتبديل المتكرر للبرامج الأكثر نجاحًا يمكّنهم من العثور على مجموعات أكبر وأكبر خالية من المجموعات.
تسمح هذه الطريقة للأشخاص باستكشاف المجموعات غير المنتظمة – في هذه الحالة، مجموعات البطاقات التي لا تحتوي على أي مجموعة – بطريقة جديدة تمامًا. وهو لا يضمن أن الباحثين سوف يجدون السيناريو الأسوأ على الإطلاق، لكنهم سيجدون سيناريوهات أسوأ بكثير مما قد ينتج عن جيل عشوائي.
يمكن أن يساعد عملهم الباحثين على فهم كيفية محاذاة الأحداث بطريقة تؤدي إلى فشل كارثي.
على سبيل المثال، ما مدى تعرض الشبكة الكهربائية للمهاجم الخبيث الذي يدمر محطات فرعية محددة؟ لنفترض أن مجموعة سيئة من المحطات الفرعية هي تلك التي لا تشكل فيها شبكة متصلة. السيناريو الأسوأ الآن هو وجود عدد كبير جدًا من المحطات الفرعية التي، عند جمعها معًا، لا تزال لا تنتج شبكة متصلة. تشكل كمية المحطات الفرعية المستبعدة من هذه المجموعة أصغر عدد يحتاجه الممثل الخبيث لتدميره لفصل الشبكة عن عمد.
يوضح عمل إلينبيرج ومعاونيه طريقة أخرى تجعل الذكاء الاصطناعي أداة قوية للغاية. ولكن لحل مشاكل معقدة للغاية، على الأقل في الوقت الحالي، لا يزال الأمر يحتاج إلى براعة بشرية لتوجيهه.
تم إعادة نشر هذا المقال من The Conversation، وهي منظمة إخبارية مستقلة غير ربحية تقدم لك حقائق وتحليلات لمساعدتك على فهم عالمنا المعقد.
كتب بواسطة: جون إدوارد مكارثي، الآداب والعلوم في جامعة واشنطن في سانت لويس.
اقرأ أكثر:
يتم دعم جون إدوارد مكارثي جزئيًا من خلال منحة مؤسسة العلوم الوطنية DMS 2054199. أي آراء ونتائج واستنتاجات أو توصيات تم التعبير عنها في هذه المادة هي آراء المؤلف ولا تعكس بالضرورة آراء المؤسسة الوطنية للعلوم.