الذكاء الاصطناعي يلتقي بلوكتشين الإيثريوم: المدخلات العالمية تتطلب شفافية مناسبة | رأي

أصبحت جميع الصناعات تعتمد بشكل أكبر على الذكاء الاصطناعي لدعم العمليات اليومية. حتى في مجال الكريبتو، كان الذكاء الاصطناعي محركًا للتبني. ومع ذلك، تحت السطح، فإن الآليات التي تشغل الذكاء الاصطناعي معيبة بشدة، مما يخلق تحيزًا وتمييزًا في صنع القرار. إذا تُركت دون معالجة، فسيحد ذلك من إمكانات التكنولوجيا ويقوض الغرض منها في الأسواق الرئيسية.

يكمن حل هذا التحدي في البلوكشين. إن الاستفادة من نفس التكنولوجيا اللامركزية التي تمكن من زيادة الشفافية في المعاملات يمكن أن تمكن أيضًا من زيادة العدالة في كيفية بناء الذكاء الاصطناعي وعمله.

مصدر التحيز

ينبع تحيز الذكاء الاصطناعي من البيانات الأساسية المستخدمة لإعلام التكنولوجيا. هذه البيانات - التي يمكن أن تشمل كل شيء من المقاطع الصوتية إلى المحتوى المكتوب - تحتاج إلى "تصنيف" حتى يتمكن الذكاء الاصطناعي من فهم المعلومات ومعالجتها. ومع ذلك، أظهرت الدراسات أن ما يصل إلى 38٪ من البيانات يمكن أن تحتوي على تحيزات قد تعزز الصور النمطية القائمة على الجنس أو العرق.

تستمر الأبحاث الأكثر حداثة في تأكيد المشكلة. على سبيل المثال، وجدت دراسة أجريت عام 2024 حول نماذج التعرف على تعبيرات الوجه أن الغضب تم تصنيفه بشكل خاطئ على أنه اشمئزاز 2.1 مرة أكثر في الإناث السود منه في الإناث البيض. بالإضافة إلى ذلك، حددت مراجعة معيارية أجراها المعهد الوطني للمعايير والتكنولوجيا (NIST) في عام 2019 أن العديد من خوارزميات التعرف على الوجه التجارية تحدد بشكل غير دقيق الوجوه السوداء أو الآسيوية بشكل متكرر من 10 إلى 100 مرة أكثر من الوجوه البيضاء، مما يسلط الضوء على كيف تؤدي مجموعات البيانات المنحرفة إلى معدلات خطأ أعلى بشكل غير متناسب للمجموعات التي لا تحظى بتمثيل كافٍ.

هنا تأتي المناقشات حول استخدام الذكاء الاصطناعي "أخلاقيًا" في الواجهة. لسوء الحظ، يتم إلغاء أولوية هذا الموضوع من خلال التنظيم والاعتقاد المتصور بأن النهج الأخلاقي للذكاء الاصطناعي سيحد من الربحية. هذا يعني في النهاية أن الحصول على مصادر أخلاقية وتصنيف بيانات الذكاء الاصطناعي من غير المرجح أن يأتي من الحكومات في أي وقت قريب. يجب على القطاع مراقبة نفسه إذا كان يأمل في إنشاء موثوقية طويلة الأمد.

لامركزية مصادر البيانات

يتطلب التغلب على تحيز الذكاء الاصطناعي الحصول على "بيانات حدودية": مجموعات بيانات متنوعة عالية الجودة تم إنشاؤها بواسطة أفراد حقيقيين من مجتمعات غير ممثلة بشكل كافٍ، والتي يمكنها التقاط الفروق الدقيقة التي تفتقدها مجموعات البيانات القديمة باستمرار. من خلال إشراك المساهمين من خلفيات متنوعة، تصبح مجموعات البيانات الناتجة ليست أكثر شمولاً فحسب، بل أكثر دقة أيضًا. يقدم البلوكشين أداة قوية في تعزيز هذا النهج.

يساعد دمج البلوكشين في عملية تعليق البيانات اللامركزية على تمكين والتحقق من التعويض العادل للمساهمين. إنه يجلب إمكانية التتبع الكاملة لكل إدخال بيانات، مما يسمح بإسناد واضح، وإشراف أفضل على تدفقات البيانات، وضوابط أكثر صرامة بناءً على حساسية مشروع معين. تضمن هذه الشفافية أن البيانات يتم الحصول عليها بشكل أخلاقي، وقابلة للتدقيق، ومتوافقة مع المعايير التنظيمية، مما يعالج قضايا طويلة الأمد من الاستغلال، وعدم الاتساق، والغموض في خطوط أنابيب بيانات الذكاء الاصطناعي التقليدية.

خلق الفرص

تتجاوز الفرصة العدالة، حيث يخلق التصنيف القائم على البلوكشين أيضًا إمكانات نمو قوية للاقتصادات الناشئة. بحلول عام 2028، من المتوقع أن يصل سوق تعليق البيانات العالمي إلى 8.22 مليار دولار. ومع ذلك، قد يقلل هذا من تقدير الإمكانات الحقيقية للقطاع، نظرًا للانتشار السريع لتقنيات الذكاء الاصطناعي، والأداء المخيب للآمال لبيانات التدريب الاصطناعية، والطلب المتزايد على بيانات تدريب عالية الجودة. بالنسبة للمتبنين الأوائل، خاصة في المناطق ذات البنية التحتية الحالية المحدودة، يمثل هذا فرصة نادرة لتشكيل طبقة حاسمة من اقتصاد الذكاء الاصطناعي مع تحقيق عوائد اقتصادية ذات مغزى.

لا تزال النقاشات مستمرة حول سرقة الذكاء الاصطناعي للوظائف من العمال البشريين، مع تكهن البعض بأنه يمكن فقدان ما يصل إلى 800 مليون وظيفة. في الوقت نفسه، ستعطي المؤسسات الأولوية بشكل متزايد لمجموعات البيانات القوية لضمان تفوق أدوات الذكاء الاصطناعي على الموظفين البشريين، مما يخلق مساحة جديدة للأفراد لكسب الدخل من خلال تصنيف البيانات وتمكين ظهور قوى إقليمية جديدة في هذا القطاع الخدمي.

عائد مستقر

يتجاوز استخدام البلوكشين في تصنيف الذكاء الاصطناعي شفافية الدفع. إن الاستفادة من أصل ثابت، مثل العملة المستقرة، يعني أن المستخدمين سيتم تعويضهم بشكل عادل بغض النظر عن موقعهم.

في كثير من الأحيان، تم الاستعانة بمصادر خارجية للأدوار كثيفة العمل اليدوي في الأسواق الناشئة، مع قيام الشركات بتقويض بعضها البعض لتلقي الأعمال. في حين أن العمليات القديمة قد تعيق القطاعات الراسخة مثل التصنيع والزراعة، فإن المشهد الناشئ لتصنيف الذكاء الاصطناعي لا يحتاج إلى أن يقع ضحية لهذه الممارسة غير العادلة. يعني نظام الدفع بالعملة المستقرة في النهاية المساواة عبر الأسواق، مما يمكّن الاقتصادات الناشئة من تدفق دخل يمكن أن ينافس أجورهم المعيشية الوطنية.

مربح وعادل

أولئك الذين لديهم أفضل البيانات سيكون لديهم أفضل ذكاء اصطناعي. تمامًا كما تنافست الأسواق المالية ذات مرة إلى الميلي ثانية للحصول على اتصالات إنترنت أسرع، حيث تترجم حتى التأخيرات الصغيرة إلى ملايين في المكاسب أو الخسائر، يعتمد الذكاء الاصطناعي الآن على جودة بيانات التدريب الخاصة به. حتى التحسينات المتواضعة في الدقة يمكن أن تدفع الأداء الهائل والمزايا الاقتصادية على نطاق واسع، مما يجعل مجموعات البيانات المتنوعة واللامركزية ساحة المعركة الحاسمة التالية في سلسلة توريد الذكاء الاصطناعي. البيانات هي المكان الذي يمكن أن يكون لتقارب الويب 2 والويب 3 أحد أكبر تأثيراته وأكثرها فورية، ليس من خلال إزاحة الأنظمة القديمة، ولكن من خلال تكميلها وتعزيزها.

من غير المتوقع أن يحل الويب 3 محل