تعاظم دور البيانات الضخمة في مواجهة كورونا
الخميس - 23 يوليو 2020
Thu - 23 Jul 2020
كان العالم يبدو غارقا بالفعل فيما لديه من أحجام ضخمة من البيانات التي لا يدرك جدواها. ثم حينما تم سك مصطلح البيانات الضخمة، انتبه الجميع إلى أن ما لديهم من البيانات المخزنة يمثل ثروة عظيمة، يمكن - إذا تم تحليلها بشكل صحيح - الاستفادة منها في إيضاح رؤى جديدة واتخاذ قرارات أكثر رشدا للجهات التي تنتمي إليها هذه البيانات. وسرعان ما أدرك أخصائيو المعلومات أن مهمة غربلة وتحليل هذا الكم الضخم من البيانات لا يقدر عليها العقل البشري، وهو ما أوجد الحاجة إلى تطوير خوارزميات الذكاء الاصطناعي لإنجاز تلك المهمة.
لذا، فإن قدرة الذكاء الاصطناعي على العمل بشكل يواكب متطلبات تحليل البيانات الضخمة هي السبب الرئيس الذي يجعلهما لا ينفصلان في كثير من التطبيقات. فالبيانات الضخمة هي شريان حياة الذكاء الاصطناعي، فهو يحتاج إلى التعلم منها ليتمكن من أداء وظيفته، أي لكي يكون أكثر ذكاء. وعلى الجانب الآخر فإن البيانات الضخمة تزداد فائدتها إذا تم استخدامها في خوارزميات الذكاء الاصطناعي.
وقد لعبت التقنيتان دورا مهما في مكافحة فيروس كورونا المستجد، حيث تم إجراء عديد من الأعمال البحثية التي قامت باستخدامهما في بناء نماذج تنبؤية تفيد في الإنذار المبكر باحتمالات انتشاره، وهو ما يفيد الحكومات والهيئات الصحية في مراقبة تفشي الفيروس مستقبلا، وكذلك في رصد وتتبع انتشاره في الوقت الحقيقي، خاصة في الأماكن القريبة من مركز الوباء، وتخطيط تدخلات الصحة العامة وفقا لذلك.
كما ظهر دورهما في دعم عمليات التشخيص المبكر للحالات المصابة بالفيروس وتحديد نوع العلاج المطلوب، وفي دعم هيئات الصحة العامة من خلال تطبيقات تعمل على الهواتف النقالة لكي تساعد على تقييم المخاطر وفهم الجوانب المختلفة المتعلقة بانتشار الوباء، مثل الوعي الصحي وسلوكيات السكان وغير ذلك.
ولكن لم يكن استخدام هذه التقنيات أمرا ميسورا في كل الأحوال. فنظرا لأن خوارزميات الذكاء الاصطناعي هي نوع من الأنظمة «المدربة» وليس «المبرمجة» فغالبا ما تتطلب كميات هائلة من البيانات الضخمة المصنفة كي تكون قادرة على أداء المهام المعقدة بدقة. فبعض التطبيقات على سبيل المثال تحتاج إلى آلاف - وربما ملايين - السجلات لكي يصل أداؤها إلى مستوى البشر، وهي سجلات لا يمكن توفيرها بالمرة في بعض المجالات، أو قد لا تكون متاحة ببساطة في مجالات أخرى. ومثال على ذلك: بيانات التجارب السريرية المحدودة للتنبؤ بنتائج العلاج بدقة أكبر.
ورغم ذلك، فقد كان لهذه التقنيات دور كبير في توفير مؤشرات تسهم في سرعة الاستجابة للمتغيرات، وتظهر معلومات مخفية ذات مغزى طبي لصانعي السياسات وللأطقم الطبية.
لذا، فإن قدرة الذكاء الاصطناعي على العمل بشكل يواكب متطلبات تحليل البيانات الضخمة هي السبب الرئيس الذي يجعلهما لا ينفصلان في كثير من التطبيقات. فالبيانات الضخمة هي شريان حياة الذكاء الاصطناعي، فهو يحتاج إلى التعلم منها ليتمكن من أداء وظيفته، أي لكي يكون أكثر ذكاء. وعلى الجانب الآخر فإن البيانات الضخمة تزداد فائدتها إذا تم استخدامها في خوارزميات الذكاء الاصطناعي.
وقد لعبت التقنيتان دورا مهما في مكافحة فيروس كورونا المستجد، حيث تم إجراء عديد من الأعمال البحثية التي قامت باستخدامهما في بناء نماذج تنبؤية تفيد في الإنذار المبكر باحتمالات انتشاره، وهو ما يفيد الحكومات والهيئات الصحية في مراقبة تفشي الفيروس مستقبلا، وكذلك في رصد وتتبع انتشاره في الوقت الحقيقي، خاصة في الأماكن القريبة من مركز الوباء، وتخطيط تدخلات الصحة العامة وفقا لذلك.
كما ظهر دورهما في دعم عمليات التشخيص المبكر للحالات المصابة بالفيروس وتحديد نوع العلاج المطلوب، وفي دعم هيئات الصحة العامة من خلال تطبيقات تعمل على الهواتف النقالة لكي تساعد على تقييم المخاطر وفهم الجوانب المختلفة المتعلقة بانتشار الوباء، مثل الوعي الصحي وسلوكيات السكان وغير ذلك.
ولكن لم يكن استخدام هذه التقنيات أمرا ميسورا في كل الأحوال. فنظرا لأن خوارزميات الذكاء الاصطناعي هي نوع من الأنظمة «المدربة» وليس «المبرمجة» فغالبا ما تتطلب كميات هائلة من البيانات الضخمة المصنفة كي تكون قادرة على أداء المهام المعقدة بدقة. فبعض التطبيقات على سبيل المثال تحتاج إلى آلاف - وربما ملايين - السجلات لكي يصل أداؤها إلى مستوى البشر، وهي سجلات لا يمكن توفيرها بالمرة في بعض المجالات، أو قد لا تكون متاحة ببساطة في مجالات أخرى. ومثال على ذلك: بيانات التجارب السريرية المحدودة للتنبؤ بنتائج العلاج بدقة أكبر.
ورغم ذلك، فقد كان لهذه التقنيات دور كبير في توفير مؤشرات تسهم في سرعة الاستجابة للمتغيرات، وتظهر معلومات مخفية ذات مغزى طبي لصانعي السياسات وللأطقم الطبية.
