يتم نشر الشبكات العصبية الاصطناعية بشكل مكثف من خلال منصات التواصل الاجتماعي مثل تويتر وفيسبوك للتوصية بالمحتوى الذي يطابق تفضيلات المستخدم. هذه العملية كثيفة الاستهلاك للطاقة وتولد انبعاثات كربونية ثقيلة. لذلك، يوصي الباحثون باستخدام التكنولوجيا حيث تفيد المصلحة العامة أكثر من هدر طاقات هائلة لإرسال الإعلانات ومحتوى التفضيلات إلى المستخدمين.
يحذر العلماء من أن الشبكات العصبية التي تقف وراء استهداف الإعلانات المتطورة على وسائل التواصل الاجتماعي قد تبتلع شبكة الطاقة بالكامل، من دون أن تصل أبداً إلى حيث يريد منشئوها. كما أن هذه الشبكات تولد انبعاثات كربونية هائلة وتؤثر على البيئة وتغير المناخ بطريقة لم تكن ملحوظة قبل الآن من قبل المستخدمين العاديين ومن قبل منشئي هذه المواقع.
يتم نشر الشبكات العصبية الاصطناعية بشكل مكثف من خلال منصات التواصل الاجتماعي مثل تويتر Twitter وفيسبوك Facebook للتوصية بالمحتوى الذي يطابق تفضيلات المستخدم. هذه العملية كثيفة الاستهلاك للطاقة وتولد انبعاثات كربونية ثقيلة. في الواقع، يمكن استخدام إمدادات الطاقة في العالم بالكامل لتدريب شبكة عصبية واحدة. لذلك، يوصي الباحثون الذين أجروا هذه الدراسة الجديدة باستخدام التكنولوجيا حيث تفيد المصلحة العامة أكثر من هدر طاقات هائلة لإرسال الإعلانات ومحتوى التفضيلات إلى المستخدمين.
الشبكات العصبية الاصطناعية هي أنظمة حوسبة مستوحاة من الدماغ يمكن تدريبها على حل المهام المعقدة بشكل أفضل من البشر.
تُستخدم هذه الشبكات بشكل متكرر في وسائل التواصل الاجتماعي والبث المباشر والألعاب عبر الإنترنت والمناطق التي يتم فيها استهداف المستخدمين بالمشاركات أو الأفلام أو الألعاب الممتعة أو أي محتوى آخر يطابق تفضيلاتهم الفردية، والهدف ربحي طبعاً وغايته النهائية بث الإعلانات التي يقوم عليها تحقيق الأرباح لهذه المواقع. في أماكن أخرى تُستخدم الشبكات العصبية في الرعاية الصحية للتعرف على الأورام في التصوير المقطعي المحوسب، من بين أشياء أخرى ذات أهمية وفائدة كبيرة كدراسة حالة الطقس والتنبؤ بالكوارث الطبيعية والمساعدة في الملاحة الجوية والبحرية.
في حين أن التكنولوجيا فعالة بشكل لا يصدق، يعتقد باحث دانماركي شارك في هذه الدراسة الجديدة أنه لا ينبغي إساءة استخدامها. أظهر مؤلفو الدراسة أنه يمكن استخدام كل طاقة العالم لتدريب شبكة عصبية واحدة دون تحقيق الكمال على الإطلاق.
يقول الباحث: المشكلة هي أنه يمكن استخدام كمية لا حصر لها من الطاقة، على سبيل المثال، لتدريب هذه الشبكات العصبية فقط لتوجيه الإعلانات إلينا. لن تتوقف الشبكة أبداً عن التدريب والتحسين. إنها مثل ثقب أسود يبتلع أي طاقة ترميها. يشرح ميكيل أبراهامسن، الأستاذ المساعد في قسم علوم الكمبيوتر في جامعة كوبنهاغن، ميكيل أبراهامسن.
لذلك، يجب نشر هذه التكنولوجيا بحكمة ودراسة بعناية قبل كل استخدام، حيث قد تكفي الحلول الأبسط والأكثر كفاءة في استخدام الطاقة.
يوضح أبراهامسن: من المهم بالنسبة إلينا أن نفكر في مكان استخدام الشبكات العصبية، وذلك لتوفير أكبر قيمة لنا نحن البشر. سيرى البعض أن الشبكات العصبية مناسبة بشكل أفضل لمسح الصور الطبية للأورام بدلاً من استهدافنا بالإعلانات والمنتجات على وسائل التواصل الاجتماعي الخاصة بنا ومنصات التدفق. في بعض الحالات، قد يكون المرء قادراً على القيام بأساليب أقل كثافة في استخدام الموارد، مثل مهام الانحدار أو مجموعات القرارات العشوائية.
دراسة نظرية
يقدم ميكيل أبراهامسن، جنباً إلى جنب مع باحثين من ألمانيا وهولندا، تفسيراً نظرياً لحقيقة أن الشبكات العصبية التي تستخدمها وسائل التواصل الاجتماعي، من بين أمور أخرى، تستخدم كميات هائلة من الطاقة لأنه لا يمكن أبداً تدريبها بشكل مثالي.
أثبت الباحثون أن تدريب الشبكة العصبية ينتمي إلى فئة تعقيد أثقل مما كان يعتقد سابقاً. يجب نقل الشبكات العصبية إلى فئة التعقيد النظرية الوجودية للواقع ثلاثي الأبعاد بدلاً من الطبقة الأخف، والمعروفة باسم NP.
تحتوي هذه الفئة الجديدة على مسائل مشابهة لحل الكثير من المعادلات التربيعية ذات المجاهيل المتعددة المتزامنة، وهو أمر مستحيل عملياً.
تدريب لانهائي
يتم تدريب الشبكات العصبية عن طريق تغذية البيانات لها. قد تكون هذه الصور الممسوحة ضوئياً للأورام، والتي من خلالها تتعلم الشبكة العصبية اكتشاف السرطان لدى المريض.
من حيث المبدأ، يمكن أن يستمر هذا التدريب إلى أجل غير مسمى. في دراستهم الجديدة، أظهر الباحثون أن هذه حفرة لا نهاية لها، لأن العملية تصبح مثل حل المعادلات المتقدمة للغاية مع العديد من المجاهيل.
يشرح ميكيل أبراهامسن: يمكن لأفضل خوارزميات اليوم إدارة ما يصل إلى ثمانية مجاهيل فقط، بينما يمكن إعداد الشبكات العصبية للنظر في عدة مليارات من المعلمات. لذلك، قد لا يتم العثور على حل مثالي أبداً أثناء تدريب الشبكة، حتى لو كان سيتم استخدام مصدر الطاقة العالمي بالكامل. تصبح الشبكات العصبية أسوأ بشكل تدريجي في استخدام الطاقة المقدمة لها.
ويضيف: الأمور تصبح أبطأ وأبطأ أثناء تدريبنا للشبكات العصبية. على سبيل المثال، يمكنهم الحصول على دقة 80 في المائة بعد يوم واحد، ولكن بعد شهر كامل أو أكثر تمكنا من الوصول إلى 85 في المائة. لذلك يحصل المرء على قدر أقل وأقل من الطاقة المستخدمة في التدريب، بينما لا يحقق الكمال أبداً. إنها مثل الثقب الأسود.. يبتلع طاقة بلا توقف وبعد مدة معينة لا تحسن هذه الطاقة المقدمة من كفاءة تدريب هذه الشبكات العصبية.
هذه الشهية للطاقة مألوفة لباحثي الذكاء الاصطناعي، لكنها تظل غير معروفة إلى حد ما لمعظم الناس العاديين. وبسبب ذلك، قال أبراهامسن إن الجمهور لم يدرك بعد مدى الضرر الذي يمكن أن تسببه هذه الشبكات العصبية.
كثير من الناس لا يدركون أنه يمكن تدريب الشبكات إلى أجل غير مسمى، ولهذا السبب يعتقد أبراهامسن أننا بحاجة إلى التركيز على شهيتها الشديدة للطاقة ومحاولة البحث عن وسائل للحد منها.
يقول أبراهامسن: لا يعرف المستخدم العادي المقدار الهائل للطاقة الذي يستهلكه عند تسجيل الدخول إلى فيسبوك أو تويتر مثلاً، عند مقارنتها بأشياء ملموسة أكثر، على سبيل المثال، وعينا بتأثيرات الرحلات الجوية العابرة للقارات أو شراء الملابس وتأثيره على استهلاك الطاقة والبيئة عموماً. لذا، يجب أن نفتح أعيننا ونتنبه إلى أي درجة تلوث هذه التكنولوجيا مناخنا وتؤثر عليها.
ما هي الشبكة العصبية؟
الشبكة العصبية هي أنموذج تعلم آلي مستوحى من نشاط الخلايا العصبية في الدماغ البشري ويمكن تدريبه لأداء مهام معقدة على مستويات فائقة الكفاءة. تحتوي الشبكات العصبية على الكثير من المعلمات التي يجب تعديلها لتوفير مخرجات ذات مغزى - وهي عملية تسمى التدريب. عادةً ما يتم تدريب الشبكات العصبية باستخدام خوارزمية تعرف باسم backpropagation، والتي تعدل المعلمات تدريجياً في الاتجاه الصحيح.
تم إصدار هذه الدراسة في مؤتمر NeurIPS العام الماضي.
----