أحدث الأخبار مع #UTS
الموجز
٠٨-٠٣-٢٠٢٥
- رياضة
- الموجز
موعد مباراة الوداد ضد الفتح الرباطي في الدوري المغربي والقنوات الناقلة
يترقب محبو كرة القدم، واصطدم الفريق الأول لكرة القدم بنادي الوداد البيضاوي، مع نظيره الفتح الرباطي، في فعاليات الجولة 24 من بطولة الدوري المغربي. لا يفوتك ويقدم لكم موقع موعد مباراة الوداد ضد الفتح الرباطي وتقرر أن يكون موعد مباراة الوداد ضد الفتح الرباطي، مساء يوم الاثنين الموافق 10 مارس الجاري، على ملعب العربي الزاولي. وتنطلق صافرتها، في تمام الساعة الثانية عشر بعد منتصف الليل بتوقيت مصر، و في تمام الواحدة بعد منتصف الليل بتوقيت مكة المكرمة والدوحة. القنوات الناقلة لمباراة الوداد والفتح الرباطي وتذاع مباراة الوداد والفتح القادمة في الدوري المغربي، عبر شاشة الرياضية المغربية، ويأتي ترددها على النحو التالي.. القمر الصناعي هو: نايل سات. التردد القناة: 11476. معدل الاستقطاب: عمودي. معدل الترميز: 27500. معامل تصحيح الخطأ: 3/4. الجودة: HD. وتبدأ مباريات الجولة 24 من بطولة الدوري المغربي، مساء يوم السبت الموافق 8 مارس الجاري، بمواجهة السالمي ضد أولمبيك أسفي. بينما تقام مباراة نهضة بركان والمغرب التطواني، مساء يوم الاثنين المقبل، في تمام الساعة الثانية عشر بعد منتصف الليل. موعد مباراة الوداد ضد الفتح في الدوري المغربي والقنوات الناقلة ترتيب الدوري المغربي 2024-2025 ويأتي جدول ترتيب الدوري المغربي قبل هذه المباراة كالآتي: نهضة بركان / 56 نقطة الوداد الرياضي / 41 نقطة نادي نهضة خميس الزمامرة / 40 نقطة. الفتح الرباطي / 39 نقطة. الجيش الملكي / 39 نقطة. المغرب الفاسي / 37 نقطة. الرجاء / 33 نقطة. أولمبيك أسفى / 32 نقطة الدفاع الجديدي / 31 نقطة النادي المكناسي / 30 نقطة اتحاد طنجة / 29 نقطة UTS .. السابعة والعشرون نقطة حسنية أكادير / 22 نقطة. السالمي / 22 نقطة المغرب التطواني / 15 نقطة. شباب المحمدية / 4 نقاط. اقرأ أيضًا:
تونس الرقمية
٢٠-٠٢-٢٠٢٥
- علوم
- تونس الرقمية
باحثون يطوّرون خوارزمية ذكاء اصطناعي قادرة على التعلم واتخاذ القرارات مثل البشر !
طوّر مجموعة من الباحثين في جامعة سيدني للتكنولوجيا (UTS) خوارزمية ذكاء اصطناعي جديدة تُسمى (Torque Clustering)، تُحدث نقلة نوعية في مجال التعلم غير الخاضع للإشراف – وهو أحد فروع الذكاء الاصطناعي الواعدة – وذلك من خلال محاكاة الذكاء الطبيعي. فعلى عكس الأساليب التقليدية التي تعتمد على المراقبة والإشراف، تحدد هذه الخوارزمية الأنماط دون الحاجة إلى بيانات مصنفة يدويًا، مما يجعلها أكثر كفاءة وقابلية للتطوير، وقد حققت هذه الخوارزمية دقة بلغت 97.7% في الاختبارات، متفوقة على الخوارزميات الحالية. ولكن ما التعلم غير الخاضع للإشراف؟ على عكس التعلم الخاضع للإشراف، الذي يعتمد على بيانات مصنفة سابقًا، يسمح التعلم غير الخاضع للإشراف للذكاء الاصطناعي بتحديد الأنماط والعلاقات في البيانات بشكل مستقل، دون الحاجة إلى تدخل بشري، وهذا يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المصنفة التي يصعب على البشر تحليلها. ابتكار ذكاء اصطناعي مستوحى من الفيزياء: استوحى الباحثون خوارزمية (Torque Clustering) من مفهوم عزم الدوران في الفيزياء، لتحقيق فهم أعمق للبيانات، وتعتمد هذه الخوارزمية المبتكرة على فكرة بسيطة لكنها فعالة، وهي أن الأجسام ذات الكتلة الكبيرة تجذب الأجسام الصغيرة تمامًا كما تتجمع البيانات المتشابهة لتشكيل عناقيد أو مجموعات متماسكة. وقال البروفيسور (تشين تنج لين) من جامعة سيدني للتكنولوجيا (UTS): 'تتعلم الحيوانات في الطبيعة من خلال مراقبة بيئتها واستكشافها والتفاعل معها، دون الحاجة إلى تعليمات صريحة، ويهدف الجيل القادم من الذكاء الاصطناعي، الذي يعتمد على نهج التعلم غير الخاضع للإشراف، إلى محاكاة هذه الطريقة الطبيعية في التعلم'. وأشار البروفيسور لين إلى أن جميع تقنيات الذكاء الاصطناعي الحالية تقريبًا تعتمد على التعلم الخاضع للإشراف، وهي طريقة تدريب الذكاء الاصطناعي التي تتطلب تصنيف كميات كبيرة من البيانات يدويًا باستخدام فئات أو قيم محددة سابقًا، حتى يتمكن الذكاء الاصطناعي من التنبؤ ورؤية العلاقات، ولكن هذه العملية مكلفة وتستغرق وقتًا طويلًا، وغالبًا ما تكون غير عملية للمهام المعقدة أو واسعة النطاق، وعلى النقيض من ذلك، يعمل التعلم غير الخاضع للإشراف دون الحاجة إلى بيانات مصنفة، ويكشف عن الأنماط والعلاقات الخفية في البيانات بشكل مستقل، مما يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المهيكلة. أداء مذهل: نشر الباحثون في جامعة سيدني للتكنولوجيا تفاصيل خوارزمية (Torque Clustering) في ورقة بحثية في دورية (IEEE Transactions on Pattern Analysis and Machine Intelligence)، وهي مجلة رائدة في مجال الذكاء الاصطناعي. وأظهرت الورقة أن الخوارزمية تتفوق على طرق التعلم التقليدية، مما يُبشِّر بتحول نموذجي محتمل في هذا المجال، فهي مستقلة تمامًا وخالية من المعلمات، كما أنها قادرة على معالجة مجموعات بيانات كبيرة بكفاءة حسابية استثنائية. وقد خضعت الخوارزمية لاختبارات مكثفة على 1000 مجموعة بيانات متنوعة، وحققت دقة بلغت 97.7% وفقًا لمقياس (AMI) – وهو معيار يقيس جودة تجميع البيانات – في حين لم تتجاوز الخوارزميات الأخرى المتقدمة في هذا المجال دقة تبلغ 80%. ويؤكد هذا التفوق أن خوارزمية (Torque Clustering) قد تكون حجر الأساس لثورة في التعلم غير الخاضع للإشراف، الأمر الذي سيؤدي إلى تحسينات جذرية في أداء أنظمة الذكاء الاصطناعي. وأكد الدكتور جيه يانج، المؤلف الرئيسي للورقة البحثية، أهمية الإلهام الفيزيائي وراء خوارزمية (Torque Clustering)، قائلًا: 'تتميز هذه الخوارزمية بأنها مستوحاة من مفهوم فيزيائي أساسي وهو عزم الدوران، مما يمنحها القدرة على تحديد المجموعات بنحو مستقل والتكيف بمرونة مع مختلف أنواع البيانات، حتى تلك التي تتسم بأشكال أو مستويات ضوضاء متنوعة'. وأضاف الدكتور يانج موضحًا: 'لقد استوحينا هذه الخوارزمية من آلية توازن عزم الدوران، التي تحدث في أثناء اندماج المجرّات بفعل الجاذبية، وتقوم الخوارزمية على خاصيتين أساسيتين في الكون، وهما الكتلة والمسافة. ويضفي هذا الارتباط الوثيق بمبادئ الفيزياء على هذه الخوارزمية أهمية علمية كبيرة، ويجعلها منافسًا قويًا للأساليب الحالية في مجال الذكاء الاصطناعي'. وفي معرض حديثه عن إمكانات الخوارزمية، قال الدكتور يانج: 'نظرًا إلى أن جائزة نوبل في الفيزياء قد مُنحت في العام الماضي لاكتشافات فتحت الباب أمام استخدام التعلم الآلي الخاضع للإشراف مع الشبكات العصبية الاصطناعية، فإننا نؤمن بأن التعلم الآلي غير الخاضع للإشراف، والمستوحى من مبدأ عزم الدوران، يحمل في طياته إمكانات مماثلة لإحداث تأثير كبير في مجال الذكاء الاصطناعي'. تطبيقات واسعة: صمم الباحثون خوارزمية (Torque Clustering) لتحليل مجموعات البيانات الكبيرة بكفاءة عبر مختلف المجالات، بما يشمل: علم الأحياء: اكتشاف توجهات الأمراض وتحديد الجينات المرتبطة بها. الكيمياء: فهم التفاعلات الكيميائية وتطوير مواد جديدة. علم الفلك: تحليل البيانات الفلكية الضخمة واكتشاف أنماط جديدة في الكون. علم النفس: فهم السلوك البشري وتحديد العوامل المؤثرة فيه. التمويل: تحديد الأنشطة الاحتيالية وتحليل الأسواق المالية. الطب: تشخيص الأمراض وتطوير علاجات جديدة. الوصول إلى مرحلة الذكاء الاصطناعي العام: تتمتع خوارزمية (Torque Clustering) بإمكانيات واسعة قد تساهم في تطوير الذكاء الاصطناعي العام، وخاصة في مجال الروبوتات والأنظمة المستقلة وذلك من خلال: تحسين الحركة: تساهم الخوارزمية في تطوير قدرة الروبوتات على الحركة في البيئات المعقدة بطريقة أكثر سلاسة وفعالية، مما يجعلها قادرة على التنقل واتخاذ المسارات المناسبة بشكل أكثر ذكاءً. تعزيز التحكم: تحسن الخوارزمية قدرة الروبوتات والأنظمة المستقلة على التحكم في أدائها ووظائفها المختلفة، مما يسمح لها بالاستجابة بدقة عالية للمتغيرات البيئية واتخاذ القرارات المناسبة في الوقت المناسب. دعم اتخاذ القرار: تقدم الخوارزمية للأنظمة المستقلة بيانات مفصلة ودقيقة تساعدها في اتخاذ قرارات مستنيرة بنحو أكثر فعالية، مما يحسن أداءها في المواقف المعقدة. وبفضل هذه الإمكانيات، يتوقع الباحثون أن خوارزمية (Torque Clustering) ستعيد تشكيل مشهد التعلم غير الخاضع للإشراف، وتمهد الطريق نحو تحقيق الهدف المنشود وهو تطوير ذكاء اصطناعي مستقل بشكل كامل قادر على التعلم والتطور باستمرار دون تدخل بشري. وتجدر الإشارة إلى أن الباحثين قد أتاحوا الكود المصدري لهذه الخوارزمية لعموم الباحثين مما يمكّن المجتمع العلمي من الاستفادة منها وتطويرها وتوسيع تطبيقاتها في مختلف المجالات. لمتابعة كلّ المستجدّات في مختلف المجالات في تونس
جريدة أكاديميا
٢٠-٠٢-٢٠٢٥
- علوم
- جريدة أكاديميا
إنجاز تاريخي جديد.. باحثون يطوّرون خوارزمية ذكاء اصطناعي تتعلم مثل البشر
طوّر مجموعة من الباحثين في جامعة سيدني للتكنولوجيا (UTS) خوارزمية ذكاء اصطناعي جديدة تُسمى (Torque Clustering)، تُحدث نقلة نوعية في مجال التعلم غير الخاضع للإشراف – وهو أحد فروع الذكاء الاصطناعي الواعدة – وذلك من خلال محاكاة الذكاء الطبيعي. فعلى عكس الأساليب التقليدية التي تعتمد على المراقبة والإشراف، تحدد هذه الخوارزمية الأنماط دون الحاجة إلى بيانات مصنفة يدويًا، مما يجعلها أكثر كفاءة وقابلية للتطوير، وقد حققت هذه الخوارزمية دقة بلغت 97.7% في الاختبارات، متفوقة على الخوارزميات الحالية. ولكن ما التعلم غير الخاضع للإشراف؟ على عكس التعلم الخاضع للإشراف، الذي يعتمد على بيانات مصنفة سابقًا، يسمح التعلم غير الخاضع للإشراف للذكاء الاصطناعي بتحديد الأنماط والعلاقات في البيانات بشكل مستقل، دون الحاجة إلى تدخل بشري، وهذا يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المصنفة التي يصعب على البشر تحليلها. ابتكار ذكاء اصطناعي مستوحى من الفيزياء: استوحى الباحثون خوارزمية (Torque Clustering) من مفهوم عزم الدوران في الفيزياء، لتحقيق فهم أعمق للبيانات، وتعتمد هذه الخوارزمية المبتكرة على فكرة بسيطة لكنها فعالة، وهي أن الأجسام ذات الكتلة الكبيرة تجذب الأجسام الصغيرة تمامًا كما تتجمع البيانات المتشابهة لتشكيل عناقيد أو مجموعات متماسكة. وقال البروفيسور تشين تنج لين من جامعة سيدني للتكنولوجيا (UTS): 'تتعلم الحيوانات في الطبيعة من خلال مراقبة بيئتها واستكشافها والتفاعل معها، دون الحاجة إلى تعليمات صريحة، ويهدف الجيل القادم من الذكاء الاصطناعي، الذي يعتمد على نهج التعلم غير الخاضع للإشراف، إلى محاكاة هذه الطريقة الطبيعية في التعلم'. وأشار البروفيسور لين إلى أن جميع تقنيات الذكاء الاصطناعي الحالية تقريبًا تعتمد على التعلم الخاضع للإشراف، وهي طريقة تدريب الذكاء الاصطناعي التي تتطلب تصنيف كميات كبيرة من البيانات يدويًا باستخدام فئات أو قيم محددة سابقًا، حتى يتمكن الذكاء الاصطناعي من التنبؤ ورؤية العلاقات، ولكن هذه العملية مكلفة وتستغرق وقتًا طويلًا، وغالبًا ما تكون غير عملية للمهام المعقدة أو واسعة النطاق، وعلى النقيض من ذلك، يعمل التعلم غير الخاضع للإشراف دون الحاجة إلى بيانات مصنفة، ويكشف عن الأنماط والعلاقات الخفية في البيانات بشكل مستقل، مما يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المهيكلة. أداء مذهل: نشر الباحثون في جامعة سيدني للتكنولوجيا تفاصيل خوارزمية (Torque Clustering) في ورقة بحثية في دورية (IEEE Transactions on Pattern Analysis and Machine Intelligence)، وهي مجلة رائدة في مجال الذكاء الاصطناعي. وأظهرت الورقة أن الخوارزمية تتفوق على طرق التعلم التقليدية، مما يُبشِّر بتحول نموذجي محتمل في هذا المجال، فهي مستقلة تمامًا وخالية من المعلمات، كما أنها قادرة على معالجة مجموعات بيانات كبيرة بكفاءة حسابية استثنائية. وقد خضعت الخوارزمية لاختبارات مكثفة على 1000 مجموعة بيانات متنوعة، وحققت دقة بلغت 97.7% وفقًا لمقياس (AMI) – وهو معيار يقيس جودة تجميع البيانات – في حين لم تتجاوز الخوارزميات الأخرى المتقدمة في هذا المجال دقة تبلغ 80%. ويؤكد هذا التفوق أن خوارزمية (Torque Clustering) قد تكون حجر الأساس لثورة في التعلم غير الخاضع للإشراف، الأمر الذي سيؤدي إلى تحسينات جذرية في أداء أنظمة الذكاء الاصطناعي. وأكد الدكتور جيه يانج، المؤلف الرئيسي للورقة البحثية، أهمية الإلهام الفيزيائي وراء خوارزمية (Torque Clustering)، قائلًا: 'تتميز هذه الخوارزمية بأنها مستوحاة من مفهوم فيزيائي أساسي وهو عزم الدوران، مما يمنحها القدرة على تحديد المجموعات بنحو مستقل والتكيف بمرونة مع مختلف أنواع البيانات، حتى تلك التي تتسم بأشكال أو مستويات ضوضاء متنوعة'. وأضاف الدكتور يانج موضحًا: 'لقد استوحينا هذه الخوارزمية من آلية توازن عزم الدوران، التي تحدث في أثناء اندماج المجرّات بفعل الجاذبية، وتقوم الخوارزمية على خاصيتين أساسيتين في الكون، وهما الكتلة والمسافة. ويضفي هذا الارتباط الوثيق بمبادئ الفيزياء على هذه الخوارزمية أهمية علمية كبيرة، ويجعلها منافسًا قويًا للأساليب الحالية في مجال الذكاء الاصطناعي'. وفي معرض حديثه عن إمكانات الخوارزمية، قال الدكتور يانج: 'نظرًا إلى أن جائزة نوبل في الفيزياء قد مُنحت في العام الماضي لاكتشافات فتحت الباب أمام استخدام التعلم الآلي الخاضع للإشراف مع الشبكات العصبية الاصطناعية، فإننا نؤمن بأن التعلم الآلي غير الخاضع للإشراف، والمستوحى من مبدأ عزم الدوران، يحمل في طياته إمكانات مماثلة لإحداث تأثير كبير في مجال الذكاء الاصطناعي'. تطبيقات واسعة: صمم الباحثون خوارزمية (Torque Clustering) لتحليل مجموعات البيانات الكبيرة بكفاءة عبر مختلف المجالات، بما يشمل: علم الأحياء: اكتشاف توجهات الأمراض وتحديد الجينات المرتبطة بها. اكتشاف توجهات الأمراض وتحديد الجينات المرتبطة بها. الكيمياء: فهم التفاعلات الكيميائية وتطوير مواد جديدة. فهم التفاعلات الكيميائية وتطوير مواد جديدة. علم الفلك: تحليل البيانات الفلكية الضخمة واكتشاف أنماط جديدة في الكون. تحليل البيانات الفلكية الضخمة واكتشاف أنماط جديدة في الكون. علم النفس: فهم السلوك البشري وتحديد العوامل المؤثرة فيه. فهم السلوك البشري وتحديد العوامل المؤثرة فيه. التمويل: تحديد الأنشطة الاحتيالية وتحليل الأسواق المالية. تحديد الأنشطة الاحتيالية وتحليل الأسواق المالية. الطب: تشخيص الأمراض وتطوير علاجات جديدة. الوصول إلى مرحلة الذكاء الاصطناعي العام: تتمتع خوارزمية (Torque Clustering) بإمكانيات واسعة قد تساهم في تطوير الذكاء الاصطناعي العام وخاصة في مجال الروبوتات والأنظمة المستقلة وذلك من خلال: تحسين الحركة: تساهم الخوارزمية في تطوير قدرة الروبوتات على الحركة في البيئات المعقدة بطريقة أكثر سلاسة وفعالية، مما يجعلها قادرة على التنقل واتخاذ المسارات المناسبة بشكل أكثر ذكاءً. تساهم الخوارزمية في تطوير قدرة الروبوتات على الحركة في البيئات المعقدة بطريقة أكثر سلاسة وفعالية، مما يجعلها قادرة على التنقل واتخاذ المسارات المناسبة بشكل أكثر ذكاءً. تعزيز التحكم: تحسن الخوارزمية قدرة الروبوتات والأنظمة المستقلة على التحكم في أدائها ووظائفها المختلفة، مما يسمح لها بالاستجابة بدقة عالية للمتغيرات البيئية واتخاذ القرارات المناسبة في الوقت المناسب. تحسن الخوارزمية قدرة الروبوتات والأنظمة المستقلة على التحكم في أدائها ووظائفها المختلفة، مما يسمح لها بالاستجابة بدقة عالية للمتغيرات البيئية واتخاذ القرارات المناسبة في الوقت المناسب. دعم اتخاذ القرار: تقدم الخوارزمية للأنظمة المستقلة بيانات مفصلة ودقيقة تساعدها في اتخاذ قرارات مستنيرة بنحو أكثر فعالية، مما يحسن أداءها في المواقف المعقدة. وبفضل هذه الإمكانيات، يتوقع الباحثون أن خوارزمية (Torque Clustering) ستعيد تشكيل مشهد التعلم غير الخاضع للإشراف، وتمهد الطريق نحو تحقيق الهدف المنشود وهو تطوير ذكاء اصطناعي مستقل بشكل كامل قادر على التعلم والتطور باستمرار دون تدخل بشري. وتجدر الإشارة إلى أن الباحثين قد أتاحوا الكود المصدري لهذه الخوارزمية لعموم الباحثين مما يمكّن المجتمع العلمي من الاستفادة منها وتطويرها وتوسيع تطبيقاتها في مختلف المجالات.
البوابة العربية للأخبار التقنية
١٨-٠٢-٢٠٢٥
- علوم
- البوابة العربية للأخبار التقنية
إنجاز تاريخي جديد.. باحثون يطوّرون خوارزمية ذكاء اصطناعي تتعلم مثل البشر
طوّر مجموعة من الباحثين في جامعة سيدني للتكنولوجيا (UTS) خوارزمية ذكاء اصطناعي جديدة تُسمى (Torque Clustering)، تُحدث نقلة نوعية في مجال التعلم غير الخاضع للإشراف – وهو أحد فروع الذكاء الاصطناعي الواعدة – وذلك من خلال محاكاة الذكاء الطبيعي. فعلى عكس الأساليب التقليدية التي تعتمد على المراقبة والإشراف، تحدد هذه الخوارزمية الأنماط دون الحاجة إلى بيانات مصنفة يدويًا، مما يجعلها أكثر كفاءة وقابلية للتطوير، وقد حققت هذه الخوارزمية، دقة بلغت 97.7% في الاختبارات، متفوقة على الخوارزميات الحالية. ولكن ما التعلم غير الخاضع للإشراف؟ على عكس التعلم الخاضع للإشراف، الذي يعتمد على بيانات مصنفة سابقًا، يسمح التعلم غير الخاضع للإشراف للذكاء الاصطناعي بتحديد الأنماط والعلاقات في البيانات بشكل مستقل، دون الحاجة إلى تدخل بشري، وهذا يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المصنفة التي يصعب على البشر تحليلها. ابتكار ذكاء اصطناعي مستوحى من الفيزياء: استوحى الباحثون خوارزمية (Torque Clustering) من مفهوم عزم الدوران في الفيزياء، لتحقيق فهم أعمق للبيانات، وتعتمد هذه الخوارزمية المبتكرة على فكرة بسيطة لكنها فعالة، وهي أن الأجسامذات الكتلة الكبيرة تجذب الأجسام الصغيرة تمامًا كما تتجمع البيانات المتشابهة لتشكيل عناقيد أو مجموعات متماسكة. وقال البروفيسور (تشين تنج لين) من جامعة سيدني للتكنولوجيا (UTS): ' تتعلم الحيوانات في الطبيعة من خلال مراقبة بيئتها واستكشافها والتفاعل معها، دون الحاجة إلى تعليمات صريحة، ويهدف الجيل القادم من الذكاء الاصطناعي، الذي يعتمد على نهج التعلم غير الخاضع للإشراف، إلى محاكاة هذه الطريقة الطبيعية في التعلم'. وأشار البروفيسور لين إلى أن جميع تقنيات الذكاء الاصطناعي الحالية تقريبًا تعتمد على التعلم الخاضع للإشراف، وهي طريقة تدريب الذكاء الاصطناعي التي تتطلب تصنيف كميات كبيرة من البيانات يدويًا باستخدام فئات أو قيم محددة سابقًا، حتى يتمكن الذكاء الاصطناعي من التنبؤ ورؤية العلاقات، ولكن هذه العملية مكلفة وتستغرق وقتًا طويلًا، وغالبًا ما تكون غير عملية للمهام المعقدة أو واسعة النطاق، وعلى النقيض من ذلك، يعمل التعلم غير الخاضع للإشراف دون الحاجة إلى بيانات مصنفة، ويكشف عن الأنماط والعلاقات الخفية في البيانات بشكل مستقل، مما يجعله أكثر كفاءة وقابلية للتطوير، خاصة في التعامل مع كميات ضخمة من البيانات غير المهيكلة. أداء مذهل: نشر الباحثون في جامعة سيدني للتكنولوجيا تفاصيل خوارزمية (Torque Clustering ) في ورقة بحثية في دورية (IEEE Transactions on Pattern Analysis and Machine Intelligence)، وهي مجلة رائدة في مجال الذكاء الاصطناعي. وأظهرت الورقة أن الخوارزمية تتفوق على طرق التعلم التقليدية، مما يُبشِّر بتحول نموذجي محتمل في هذا المجال، فهي مستقلة تمامًا وخالية من المعلمات، كما أنها قادرة على معالجة مجموعات بيانات كبيرة بكفاءة حسابية استثنائية. وقد خضعت الخوارزمية لاختبارات مكثفة على 1000 مجموعة بيانات متنوعة، وحققت دقة بلغت 97.7% وفقًا لمقياس (AMI) – وهو معيار يقيس جودة تجميع البيانات – في حين لم تتجاوز الخوارزميات الأخرى المتقدمة في هذا المجال دقة تبلغ 80%. ويؤكد هذا التفوق أن خوارزمية (Torque Clustering) قد تكون حجر الأساس لثورة في التعلم غير الخاضع للإشراف، الأمر الذي سيؤدي إلى تحسينات جذرية في أداء أنظمة الذكاء الاصطناعي. وأكد الدكتور جيه يانج، المؤلف الرئيسي للورقة البحثية، أهمية الإلهام الفيزيائي وراء خوارزمية (Torque Clustering)، قائلًا: 'تتميز هذه الخوارزمية بأنها مستوحاة من مفهوم فيزيائي أساسي وهو عزم الدوران، مما يمنحها القدرة على تحديد المجموعات بنحو مستقل والتكيف بمرونة مع مختلف أنواع البيانات، حتى تلك التي تتسم بأشكال أو مستويات ضوضاء متنوعة'. وأضاف الدكتور يانج موضحًا: 'لقد استوحينا هذه الخوارزمية من آلية توازن عزم الدوران، التي تحدث أثناء اندماج المجرات بفعل الجاذبية، وتقوم الخوارزمية على خاصيتين أساسيتين في الكون، وهما الكتلة والمسافة. ويضفي هذا الارتباط الوثيق بمبادئ الفيزياء على هذه الخوارزمية أهمية علمية كبيرة، ويجعلها منافسًا قويًا للأساليب الحالية في مجال الذكاء الاصطناعي'. وفي معرض حديثه عن إمكانات الخوارزمية، قال الدكتور يانج: 'نظرًا إلى أن جائزة نوبل في الفيزياء قد مُنحت في العام الماضي لاكتشافات فتحت الباب أمام استخدام التعلم الآلي الخاضع للإشراف مع الشبكات العصبية الاصطناعية، فإننا نؤمن بأن التعلم الآلي غير الخاضع للإشراف، والمستوحى من مبدأ عزم الدوران، يحمل في طياته إمكانات مماثلة لإحداث تأثير كبير في مجال الذكاء الاصطناعي'. تطبيقات واسعة: صمم الباحثون خوارزمية (Torque Clustering) لتحليل مجموعات البيانات الكبيرة بكفاءة عبر مختلف المجالات، بما يشمل: علم الأحياء: اكتشاف توجهات الأمراض وتحديد الجينات المرتبطة بها. اكتشاف توجهات الأمراض وتحديد الجينات المرتبطة بها. الكيمياء: فهم التفاعلات الكيميائية وتطوير مواد جديدة. فهم التفاعلات الكيميائية وتطوير مواد جديدة. علم الفلك: تحليل البيانات الفلكية الضخمة واكتشاف أنماط جديدة في الكون. تحليل البيانات الفلكية الضخمة واكتشاف أنماط جديدة في الكون. علم النفس: فهم السلوك البشري وتحديد العوامل المؤثرة فيه. فهم السلوك البشري وتحديد العوامل المؤثرة فيه. التمويل: تحديد الأنشطة الاحتيالية وتحليل الأسواق المالية. تحديد الأنشطة الاحتيالية وتحليل الأسواق المالية. الطب: تشخيص الأمراض وتطوير علاجات جديدة. الوصول إلى مرحلة الذكاء الاصطناعي العام: تتمتع خوارزمية (Torque Clustering) بإمكانيات واسعة قد تساهم في تطوير الذكاء الاصطناعي العام، وخاصة في مجال الروبوتات والأنظمة المستقلة وذلك من خلال: تحسين الحركة: تساهم الخوارزمية في تطوير قدرة الروبوتات على الحركة في البيئات المعقدة بطريقة أكثر سلاسة وفعالية، مما يجعلها قادرة على التنقل واتخاذ المسارات المناسبة بشكل أكثر ذكاءً. تساهم الخوارزمية في تطوير قدرة الروبوتات على الحركة في البيئات المعقدة بطريقة أكثر سلاسة وفعالية، مما يجعلها قادرة على التنقل واتخاذ المسارات المناسبة بشكل أكثر ذكاءً. تعزيز التحكم: تحسن الخوارزمية قدرة الروبوتات والأنظمة المستقلة على التحكم بأدائها ووظائفها المختلفة، مما يسمح لها بالاستجابة بدقة عالية للمتغيرات البيئية واتخاذ القرارات المناسبة في الوقت المناسب. تحسن الخوارزمية قدرة الروبوتات والأنظمة المستقلة على التحكم بأدائها ووظائفها المختلفة، مما يسمح لها بالاستجابة بدقة عالية للمتغيرات البيئية واتخاذ القرارات المناسبة في الوقت المناسب. دعم اتخاذ القرار: تقدم الخوارزمية للأنظمة المستقلة بيانات مفصلة ودقيقة تساعدها في اتخاذ قرارات مستنيرة بنحو أكثر فعالية، مما يحسن أداءها في المواقف المعقدة. وبفضل هذه الإمكانيات، يتوقع الباحثون أن خوارزمية (Torque Clustering) ستعيد تشكيل مشهد التعلم غير الخاضع للإشراف، وتمهد الطريق نحو تحقيق الهدف المنشود وهو تطوير ذكاء اصطناعي مستقل بشكل كامل قادر على التعلم والتطور باستمرار دون تدخل بشري. وتجدر الإشارة إلى أن الباحثين قد أتاحوا الكود المصدري لهذه الخوارزمية لعموم الباحثين مما يمكن المجتمع العلمي من الاستفادة منها وتطويرها وتوسيع تطبيقاتها في مختلف المجالات.
