دليل التعلم الآلي في وسائل التواصل الاجتماعي: 2026

ملخص سريع: تُشغّل تقنيات التعلّم الآلي أهم وظائف منصات التواصل الاجتماعي، بدءًا من تصفية الرسائل المزعجة وتوصيات المحتوى، وصولًا إلى تحليل المشاعر واستهداف الإعلانات. ومن خلال تحليل أنماط مليارات تفاعلات المستخدمين، تُشكّل خوارزميات التعلّم الآلي ما يراه المستخدمون، وكيفية مكافحة المنصات للمحتوى الضار، وكيفية وصول المعلنين إلى جمهورهم، كل ذلك مع طرح تساؤلات مهمة حول التحيز والخصوصية وشفافية الخوارزميات.

تعالج منصات التواصل الاجتماعي بيتابايتات من البيانات يومياً. وبدون التعلم الآلي، ستنهار منصات مثل فيسبوك، وإنستغرام، وتيك توك، ولينكد إن تحت وطأة الرسائل المزعجة، وخطاب الكراهية، والمحتوى غير ذي الصلة الذي يغمر مليارات الصفحات.

لكن الأمر المهم هو: أن التعلم الآلي لا يقتصر دوره على الحفاظ على عمل المنصات فحسب، بل إنه يحدد تجربة المستخدم بأكملها.

في كل مرة تقرر فيها منصة ما أي منشور يظهر في أعلى صفحة الأخبار، أو تصنف رسالة ما على أنها بريد مزعج، أو تقترح اتصالاً جديداً، تتخذ خوارزميات التعلم الآلي قرارات سريعة جداً بناءً على أنماط مُكتشفة عبر مجموعات بيانات ضخمة. تتعلم هذه الخوارزميات باستمرار من سلوك المستخدم - النقرات، والإعجابات، والمشاركات، والوقت المُستغرق - وتُعدّل توقعاتها وفقاً لذلك.

تُظهر الدراسات الاستقصائية على مستوى العالم أن 391% من الشركات الصغيرة والمتوسطة تستخدم تطبيقات الذكاء الاصطناعي حاليًا، مقارنةً بـ 261% في عام 2024. وقد تجاوزت هذه التقنية بكثير نطاق الشركات العملاقة في مجال التكنولوجيا. ومع ذلك، فإن هذا الانتشار الواسع النطاق يُثير تدقيقًا متزايدًا: فقد وصلت المخاوف بشأن التحيز وانتهاكات الخصوصية والتأثير المجتمعي للخوارزميات إلى الوكالات الحكومية والمؤسسات الأكاديمية في جميع أنحاء العالم.

ما هو التعلم الآلي؟

يُعدّ التعلّم الآلي فرعاً من فروع الذكاء الاصطناعي، يمكّن الحواسيب من التعلّم من البيانات دون الحاجة إلى برمجتها خصيصاً لكل سيناريو. فبدلاً من اتباع قواعد جامدة، تحدد خوارزميات التعلّم الآلي الأنماط، وتتنبأ بالنتائج، وتتحسن بمرور الوقت كلما عالجت المزيد من المعلومات.

لنأخذ مثالاً على كشف الرسائل المزعجة. لا يقوم المهندسون بكتابة قواعد لكل رسالة مزعجة محتملة. بدلاً من ذلك، يقومون بتدريب نموذج تعلم آلي على آلاف الأمثلة - سواء كانت رسائل مزعجة أو رسائل شرعية - ويتعلم النموذج التمييز بين النوعين.

ثلاثة أنواع رئيسية من التعلم الآلي تُشغّل تطبيقات وسائل التواصل الاجتماعي:

• التعلم الخاضع للإشراف: يتم تدريب الخوارزمية على البيانات المصنفة (مثل المنشورات المصنفة على أنها بريد مزعج أو ليست بريدًا مزعجًا) وتتعلم التنبؤ بالتصنيفات للبيانات الجديدة.
• التعلم غير الخاضع للإشراف: تجد الخوارزمية أنماطًا خفية في البيانات غير المصنفة، مثل تجميع المستخدمين ذوي الاهتمامات المتشابهة.
• التعلم المعزز: تتعلم الخوارزمية من خلال التجربة والخطأ، وتتلقى مكافآت مقابل السلوكيات المرغوبة - المستخدمة في تحسين ترتيب الخلاصات لزيادة التفاعل إلى أقصى حد.

أصبح التعلم العميق، وهو شكل أكثر تقدماً من التعلم الآلي باستخدام الشبكات العصبية ذات الطبقات المتعددة، بارزاً بشكل خاص في التعرف على الصور وتحليل الفيديو ومعالجة اللغة الطبيعية على منصات التواصل الاجتماعي.

التطبيقات الأساسية للتعلم الآلي على منصات التواصل الاجتماعي

تستخدم شركات التواصل الاجتماعي تقنيات التعلم الآلي في كل ميزة تقريبًا يتفاعل معها المستخدمون يوميًا. وهنا يكمن التأثير الأكبر لهذه الخوارزميات.

توصيات المحتوى وترتيب الخلاصات

لقد ولّى زمن عرض المحتوى بترتيب زمني. تستخدم المنصات الحديثة خوارزميات تصنيف متطورة تتنبأ بالمنشورات أو مقاطع الفيديو أو الإعلانات التي ستحافظ على تفاعل المستخدمين لأطول فترة ممكنة.

تحلل أنظمة التوصية هذه مئات الإشارات: من نشر المحتوى، ومتى نُشر، وعدد التفاعلات التي تلقاها، وكيف تفاعل معه مستخدمون مشابهون، وكيف تفاعل المستخدم الحالي مع محتوى مشابه في الماضي. تعالج الشبكات العصبية هذه المعلومات لإنشاء موجز مخصص لكل مستخدم.

أظهرت أبحاث جامعة ستانفورد أن دمج القيم الديمقراطية في خوارزميات تصنيف المحتوى يمكن أن يقلل من العداء الحزبي. ولا يقتصر التحدي على الجانب التقني فحسب، بل يتعلق أيضاً بتضمين القيم المجتمعية في الأنظمة التي تُحسّن مقاييس التفاعل.

بصراحة: غالبًا ما يتعارض تحسين التفاعل مع رفاهية المستخدم. قد تُروّج الخوارزميات التي تزيد من وقت المشاهدة لمحتوى مثير للجدل أو مُثير للفتنة لأنه يُثير ردود فعل أقوى.

الكشف عن الرسائل المزعجة ومراقبة المحتوى

يُعدّ فلترة الرسائل المزعجة أحد أقدم وأنجح تطبيقات التعلّم الآلي في وسائل التواصل الاجتماعي. تقوم المنصات بتدريب المصنفات على ملايين الأمثلة لتحديد الرسائل المزعجة والحسابات المزيفة والروابط الضارة وإزالتها تلقائيًا.

تقوم نماذج معالجة اللغة الطبيعية بتحليل النصوص بحثًا عن مؤشرات البريد العشوائي، مثل عناوين المواقع المشبوهة والعبارات المتكررة وأنماط النشر غير المعتادة. بينما تقوم نماذج رؤية الحاسوب بفحص الصور بحثًا عن المحتوى المحظور. تعمل هذه الأنظمة في الوقت الفعلي، حيث تقوم بتصفية مليارات الرسائل قبل وصولها إلى المستخدمين.

أصبحت عملية مراقبة المحتوى أكثر تعقيداً بكثير. تستخدم المنصات الآن تقنيات التعلم الآلي للكشف عن خطاب الكراهية، والمعلومات المضللة، ومحتوى إيذاء الذات، وحملات التلاعب المنسقة. لكن هذه الأنظمة لا تزال بعيدة عن الكمال.

يُعد السياق عاملاً بالغ الأهمية في إدارة المحتوى، وتواجه نماذج التعلم الآلي صعوبة في فهم الفروق الدقيقة والسخرية والسياق الثقافي. ووفقًا لتقرير موظفي لجنة التجارة الفيدرالية لعام 2024 (المنشور في 19 سبتمبر 2024)، انخرطت شركات التواصل الاجتماعي الكبرى وشركات بث الفيديو في مراقبة واسعة النطاق للمستخدمين دون توفير ضمانات كافية، لا سيما للمستخدمين الأصغر سنًا.

تحليل المشاعر

تستخدم منصات التواصل الاجتماعي والعلامات التجارية تحليل المشاعر لقياس الرأي العام من خلال المنشورات والتعليقات والتقييمات. تصنف نماذج التعلم الآلي النصوص إلى إيجابية أو سلبية أو محايدة، وتكتشف بشكل متزايد مشاعر محددة مثل الغضب أو الفرح أو الإحباط.

تساعد هذه الإمكانية المنصات على تحديد الأزمات الناشئة، وتتبع سمعة العلامة التجارية، وفهم ردود فعل الجمهور على المحتوى. وتراقب فرق التسويق الرأي العام حول الحملات. بينما تعطي فرق خدمة العملاء الأولوية للتعليقات السلبية التي تتطلب اهتماماً فورياً.

تعتمد هذه التقنية على معالجة اللغة الطبيعية ونماذج التعلم العميق المدربة على مجموعات ضخمة من النصوص المصنفة. ويجب أن تتعامل هذه النماذج مع اللغة العامية والرموز التعبيرية والاختصارات واللغة المتطورة باستمرار للمجتمعات الإلكترونية.

الإعلانات الموجهة

تُضفي تقنيات التعلّم الآلي دقةً فائقةً على الإعلانات عبر وسائل التواصل الاجتماعي. إذ تُنشئ المنصات ملفات تعريف تفصيلية للمستخدمين استنادًا إلى بياناتهم الديموغرافية واهتماماتهم وسلوكيات تصفحهم وأنماط تفاعلهم. ويستهدف المعلنون شرائح جمهور محددة، بينما تعمل خوارزميات التعلّم الآلي على تحسين عرض الإعلانات لزيادة معدلات التحويل إلى أقصى حد.

تُحدد نماذج التشابه العملاء المحتملين الجدد الذين يشبهون العملاء الحاليين. ويقوم تحسين الإعلانات الديناميكي باختبار صيغ إعلانية مختلفة تلقائيًا، ويعرض النسخة الأفضل أداءً لكل شريحة من المستخدمين. كما تحدد خوارزميات تحسين عروض الأسعار السعر الأمثل لكل ظهور إعلاني.

أثارت لجنة التجارة الفيدرالية مخاوف بشأن ممارسات التسعير القائمة على المراقبة، مشيرةً إلى إمكانية استخدام بيانات شخصية مثل الموقع الجغرافي الدقيق أو سجل تصفح الإنترنت لتحديد أسعار فردية للمستهلكين. وكشفت نتائج اللجنة لعام 2024 أن هذه الممارسات أكثر انتشارًا مما كان يُعتقد سابقًا.

يفرض قانون الاتحاد الأوروبي بشأن الذكاء الاصطناعي، الذي بدأ تطبيقه في 1 أغسطس 2024، متطلبات صارمة على أنظمة الذكاء الاصطناعي عالية المخاطر، بما في ذلك تلك المستخدمة في الإعلانات الموجهة. وقد يؤدي عدم الامتثال إلى عقوبات كبيرة، مع تطبيق هياكل متدرجة بناءً على خطورة المخالفة وحجم المؤسسة.

التعرف على الوجوه ووضع علامات على الصور

تُمكّن الشبكات العصبية الالتفافية من وضع علامات تلقائية على الأشخاص في الصور، مما يُسهّل على المستخدمين تنظيم محتواهم والبحث فيه. وتكتشف هذه النماذج الوجوه، وتتعرف على الأفراد، بل وتستنتج سمات مثل العمر أو الحالة المزاجية.

أثارت هذه التقنية جدلاً واسعاً حول الخصوصية. وتفرض العديد من السلطات القضائية قيوداً على استخدام تقنية التعرف على الوجه دون موافقة صريحة. وقد عدّلت المنصات خصائصها تبعاً لذلك، حيث قام بعضها بتعطيل خاصية الوسم التلقائي افتراضياً.

روبوتات الدردشة وخدمة العملاء

تستخدم العديد من منصات التواصل الاجتماعي روبوتات محادثة مدعومة بتقنيات التعلم الآلي للتعامل مع استفسارات العملاء، وتقديم ردود آلية، وتوجيه المشكلات المعقدة إلى موظفين بشريين. وتعتمد هذه الأنظمة على فهم اللغة الطبيعية لتفسير أسئلة المستخدمين وتقديم ردود مناسبة.

أدى ظهور نماذج اللغة الضخمة إلى تحسين قدرات روبوتات المحادثة بشكل كبير. فالذكاء الاصطناعي الحديث للمحادثة قادر على التعامل مع الاستفسارات الدقيقة، والحفاظ على السياق عبر مراحل المحادثة المتعددة، بل وحتى إظهار سمات شخصية تتوافق مع هوية العلامة التجارية.

قم ببناء نماذج تحليل وسائل التواصل الاجتماعي باستخدام الذكاء الاصطناعي المتفوق

تُنتج منصات التواصل الاجتماعي تدفقات مستمرة من البيانات السلوكية وبيانات التفاعل والبيانات النصية التي يمكن أن تدعم تحليل التعلم الآلي. متفوقة الذكاء الاصطناعي تساعد المؤسسات في هيكلة مشاريع الذكاء الاصطناعي التي تركز على المراقبة والتصنيف والتنبؤ وتحليل البيانات الاجتماعية. وتشمل خدماتها هندسة التعلم الآلي، ومعالجة اللغات الطبيعية، والاستشارات في مجال الذكاء الاصطناعي، وعلم البيانات، وتطبيق برامج الذكاء الاصطناعي.

بإمكان شركة AI Superior دعم مشاريع التعلم الآلي لوسائل التواصل الاجتماعي من خلال:

• معالجة مجموعات بيانات المشاركة والتفاعل
• تطوير نماذج التنبؤ والتصنيف
• تطبيق أساليب معالجة اللغة الطبيعية على المحتوى النصي
• بناء أنظمة إثبات المفهوم التحليلية
• تقييم موثوقية النموذج وجودة التحليل
• دعم التكامل في عمليات إعداد التقارير والمراقبة

بالنسبة لتطبيقات وسائل التواصل الاجتماعي، قد ينطبق هذا على تحليل المشاعر، وتقسيم الجمهور، والتنبؤ بالتفاعل، ومراقبة المحتوى، وتحليل الاتجاهات.

👉تواصل مع شركة AI Superior لمراجعة المتطلبات التحليلية ونطاق المشروع.

تقنيات التعلم الآلي التي تدعم وسائل التواصل الاجتماعي

تُعالج مناهج التعلم الآلي المختلفة مشاكل مختلفة عبر منصات التواصل الاجتماعي. إليكم أهم هذه التقنيات.

الشبكات العصبية والتعلم العميق

تتفوق الشبكات العصبية العميقة في المهام التي تتطلب التعرف على الأنماط في البيانات المعقدة عالية الأبعاد. تعالج الشبكات العصبية الالتفافية الصور والفيديوهات. أما الشبكات العصبية المتكررة والمحولات فتتعامل مع البيانات المتسلسلة مثل النصوص وتفاعلات السلاسل الزمنية.

تتطلب هذه النماذج موارد حاسوبية هائلة. وقد حددت الأبحاث المتعلقة بأنظمة بيانات التعلم الآلي القابلة للتوسع تحديات تتعلق بكفاءة مجموعات بيانات التدريب. وقد حققت أنظمة التخزين المؤقت الذكية، مثل Shift، تخفيضات كبيرة في موارد التخزين من خلال تحسين كيفية معالجة البيانات أثناء تدريب النموذج.

معالجة اللغة الطبيعية

تُمكّن معالجة اللغة الطبيعية الآلات من فهم اللغة البشرية وتفسيرها وتوليدها. وتستخدم منصات التواصل الاجتماعي معالجة اللغة الطبيعية لتحليل المشاعر، ومراقبة المحتوى، والترجمة، وواجهات المحادثة.

أحدثت نماذج المحولات مثل BERT وGPT ثورة في معالجة اللغات الطبيعية من خلال قدرتها على استيعاب السياق والمعنى الدلالي بشكل أفضل بكثير من الأساليب السابقة. وتُشغّل هذه النماذج كل شيء بدءًا من ملخصات المحتوى الآلية وصولًا إلى الكشف المتطور عن البريد العشوائي.

الترشيح التعاوني

تعتمد أنظمة التوصية على الترشيح التعاوني من خلال اكتشاف أنماط في تفاعلات المستخدمين مع العناصر. فإذا أعجب المستخدمان (أ) و(ب) بالعناصر 1 و2 و3، وأعجب المستخدم (أ) أيضاً بالعنصر 4، فإن الخوارزمية توصي المستخدم (ب) بالعنصر 4.

يُسهم هذا النهج في اقتراح الأصدقاء، وتوصيات المحتوى، والاستهداف القائم على الاهتمامات. لكنه قد يُؤدي إلى ظهور فقاعات تصفية ومخاوف تتعلق بالخصوصية عندما يكشف الاستدلال عن سمات حساسة تخص المستخدمين.

خوارزميات التجميع

تُصنّف تقنيات التجميع غير الخاضعة للإشراف المستخدمين أو المحتوى المتشابه معًا دون استخدام تصنيفات مُحددة مسبقًا. وتساعد خوارزميات التجميع K-means والتجميع الهرمي والأساليب القائمة على الكثافة المنصات على تقسيم الجمهور، والكشف عن شبكات الروبوتات المنسقة، وتحديد المواضيع الناشئة.

أظهرت الأبحاث أن التجميع يمكن أن يكشف كيف تنتشر المعلومات المضللة عبر مجتمعات متميزة، مما يساعد المنصات على استهداف التدخلات بشكل أكثر فعالية.

تحدي الثقة: التحيز والإنصاف والشفافية

ترث أنظمة التعلم الآلي تحيزات من بيانات التدريب وخيارات التصميم. وعندما تستخدم منصات التواصل الاجتماعي خوارزميات متحيزة على نطاق واسع، قد تكون العواقب وخيمة، مثل استهداف الإعلانات بشكل تمييزي، ومراقبة المحتوى بشكل غير عادل، وتضخيم الصور النمطية الضارة.

طوّر باحثون من جامعة ولاية بنسلفانيا إطار عمل FairGNN، المصمم لإزالة التحيز من توصيات التواصل عبر الشبكات الاجتماعية. وقد نشر مختبر D-Lab التابع لمعهد ماساتشوستس للتكنولوجيا إرشادات حول الإنصاف والاستخدام الأمثل للتعلم الآلي، مشيرًا إلى أن التطبيق غير السليم قد يؤدي إلى تحيز كبير أو استبعاد فئات معينة.

يمثل المعايرة أحد مناهج تحقيق العدالة. وكما تشير أبحاث بروكينغز، تتطلب المعايرة أن تكون الاحتمالات المتوقعة دقيقة لكل فئة ديموغرافية - فإذا توقع نظام ما احتمال 70% لنتيجة إيجابية لمجموعة معينة، فيجب أن يكون لـ 70% من الحالات في تلك المجموعة نتائج إيجابية بالفعل.

لكن مهلاً. غالباً ما تتعارض تعريفات العدالة المختلفة فيما بينها. فالتركيز على معيار عدالة واحد قد يؤدي إلى تدهور معيار آخر. لا يوجد حلٌّ شامل.

تؤكد إلهام طباسي، كبيرة مستشاري الذكاء الاصطناعي في المعهد الوطني للمعايير والتكنولوجيا (NIST) وقائدة برنامج الذكاء الاصطناعي الجدير بالثقة والمسؤول، على أنه مع ازدياد شيوع أدوات الذكاء الاصطناعي التوليدي، يصبح من الضروري دراسة تأثيرها على الأفراد والمجتمع دراسة متأنية. وقد اختيرت ضمن قائمة مجلة تايم لأكثر 100 شخصية مؤثرة في مجال الذكاء الاصطناعي في سبتمبر 2023.

لا تزال الشفافية تشكل تحديًا رئيسيًا آخر. تعمل معظم خوارزميات وسائل التواصل الاجتماعي كصناديق سوداء، فلا يعرف المستخدمون سبب ظهور محتوى أو إعلانات معينة لهم، ويواجه صناع المحتوى صعوبة في فهم معايير الترتيب. هذا الغموض يغذي انعدام الثقة ونظريات المؤامرة.

قدّمت بعض المنصات أدوات للشفافية توضح أسباب التوصية بمحتوى معين. لكن الشفافية الحقيقية تتطلب أكثر من مجرد عرض بعض المؤشرات، فهي تستلزم أنظمة ذكاء اصطناعي قابلة للتفسير قادرة على شرح منطق اتخاذ القرار بعبارات يفهمها الإنسان.

مخاوف تتعلق بالخصوصية وجمع البيانات

يعتمد التعلم الآلي على البيانات - كميات هائلة منها. تجمع منصات التواصل الاجتماعي معلومات مفصلة للغاية حول سلوك المستخدمين وعلاقاتهم وتفضيلاتهم وأنشطتهم داخل المنصة وخارجها.

خلص تقرير موظفي لجنة التجارة الفيدرالية لعام 2024 (المنشور في 19 سبتمبر/أيلول 2024) إلى أن شركات التواصل الاجتماعي الكبرى وشركات بث الفيديو تمارس مراقبة واسعة النطاق للمستخدمين مع ضوابط خصوصية متساهلة. وأوصى التقرير بتقييد الاحتفاظ بالبيانات ومشاركتها، والحد من الإعلانات الموجهة، وتعزيز حماية المراهقين.

يتعارض تقليل البيانات بشكل مباشر مع أداء التعلم الآلي. فزيادة البيانات عادةً ما تؤدي إلى تنبؤات أفضل. لكن جمع البيانات المفرطة والاحتفاظ بها يُنشئ مخاطر تتعلق بالخصوصية، وثغرات أمنية، واحتمالية إساءة استخدامها.

تتطور الأطر التنظيمية بسرعة. يصنف قانون الذكاء الاصطناعي في الاتحاد الأوروبي أنظمة الذكاء الاصطناعي حسب مستوى المخاطر، ويفرض متطلبات صارمة على التطبيقات عالية المخاطر. تمنح قوانين الخصوصية في كاليفورنيا المستخدمين الحق في معرفة البيانات التي يتم جمعها وطلب حذفها. تجبر هذه اللوائح المنصات على إعادة النظر في ممارسات البيانات.

تُقدّم الخصوصية التفاضلية أحد الأساليب التقنية، وهو إضافة تشويش مُعاير بدقة إلى مجموعات البيانات لحماية خصوصية الأفراد مع الحفاظ على الفائدة الإحصائية. يُمكّن التعلّم الموحّد من تدريب النماذج دون مركزية بيانات المستخدم. لكن هذه التقنيات تنطوي على مفاضلات في الدقة يجب على المنصات موازنتها بعناية.

أمثلة واقعية عبر منصات رئيسية

تستخدم كل منصة تواصل اجتماعي رئيسية تقنيات التعلم الآلي بشكل مختلف بناءً على خصائصها وأهدافها الفريدة:

• فيسبوك/ميتا: تستخدم هذه التقنية التعلم العميق لترتيب الأخبار، ومراقبة المحتوى، واستهداف الإعلانات، وترجمة اللغات. يستخدم أكثر من 961 مليار شركة صغيرة وسائل التواصل الاجتماعي، مما يعكس الدور المحوري الذي تلعبه هذه المنصات في عملياتها التجارية ونطاق وصولها.
• انستقرام: تستخدم هذه المنصة تقنية رؤية الحاسوب لتصنيف الصور، واقتراح الوسوم، والكشف عن انتهاكات السياسات. كما تُسهم خوارزميات التوصية في تحسين تجربة المستخدم من خلال صفحة الاستكشاف وقسم "ريلز".
• تويتر/X: يستخدم هذا النظام تقنيات التعلم الآلي للكشف عن المواضيع الرائجة، وتحديد البرامج الآلية، وترتيب المواضيع حسب التسلسل الزمني. كما يساعد تحليل المشاعر في تحديد المضايقات والمحادثات المسيئة التي تتطلب الإشراف.
• ينكدين: يستفيد من نظام التصفية التعاونية لتقديم توصيات الاتصال ومطابقة الوظائف. تعمل اقتراحات تأييد المهارات وترتيب الخلاصات على تحسين التواصل المهني.
• تيك توك: ربما تكون صفحة "For You" على TikTok هي الأكثر استخدامًا لخوارزميات التوصية، حيث تستخدم التعلم المعزز لزيادة وقت المشاهدة إلى أقصى حد من خلال توصيات الفيديو الشخصية للغاية بناءً على إشارات التفاعل الدقيقة.
• يوتيوب: يجمع هذا النظام بين عدة أنظمة تعلم آلي، أحدها لتوليد المرشحين، وآخر للتصنيف، وثالث لفلترة المحتوى المحظور. وتؤثر قرارات إلغاء الربح والتوصية بشكل كبير على سبل عيش صناع المحتوى.

التحديات والقيود

على الرغم من القدرات الملحوظة، إلا أن التعلم الآلي في وسائل التواصل الاجتماعي يواجه قيودًا كبيرة.

الحجم والتكلفة الحسابية

يتطلب تدريب النماذج المتطورة بنية تحتية ضخمة بحجم مراكز البيانات تضم آلاف المعالجات المتخصصة. وقد ازداد التدقيق في استهلاك الطاقة والأثر البيئي لتدريب النماذج الكبيرة.

تُعدّ تكاليف الاستدلال مهمة أيضاً. فتقديم تنبؤات مُخصصة لمليارات المستخدمين في الوقت الفعلي يتطلب موارد حاسوبية هائلة. وتعمل المنصات باستمرار على تحسين النماذج لزيادة الكفاءة دون التضحية بالكثير من الدقة.

الهجمات العدائية

يقوم المتسللون باستمرار بفحص أنظمة التعلم الآلي بحثًا عن الثغرات الأمنية. ويصمم مرسلو الرسائل المزعجة رسائل مصممة لتجنب الكشف. وتستغل حملات التلاعب المنسقة خوارزميات التوصية. وتشكل الأمثلة الخصومية - وهي مدخلات مصممة خصيصًا لخداع النماذج - مخاطر أمنية.

لا تنتهي سباقات التسلح بين أنظمة الدفاع عن المنصات والتقنيات المعادية. يجب أن تتكيف النماذج باستمرار مع التهديدات الناشئة.

السياق والفروق الثقافية الدقيقة

تواجه نماذج التعلم الآلي صعوبة في فهم المعنى المرتبط بالسياق. فالسخرية والتهكم والإشارات الثقافية واللغة العامية المحلية غالباً ما تُربك الأنظمة الآلية. ويختلف تعريف خطاب الكراهية باختلاف الثقافات والسياقات.

تُقوّض أخطاء إدارة المحتوى - سواءً كانت إيجابية خاطئة أو سلبية خاطئة - الثقة. فالتصفية المفرطة تُكمّم أفواه الناس وتُسكت التعبير المشروع، بينما تسمح التصفية غير الكافية بانتشار الضرر.

فقاعات التصفية وغرف الصدى

قد تُنشئ خوارزميات التوصية التي تُحسّن التفاعل، دون قصد، فقاعات تصفية - بيئات يواجه فيها المستخدمون في الغالب معلومات تؤكد معتقداتهم الحالية. وهذا قد يزيد من الاستقطاب ويحد من التعرض لوجهات نظر متنوعة.

أثبت باحثون من جامعة ستانفورد أن دمج القيم الديمقراطية في خوارزميات التصنيف يمكن أن يقلل من العداء الحزبي. ويكمن التحدي في تحديد هذه القيم وتطبيقها على نطاق واسع.

مستقبل التعلم الآلي في وسائل التواصل الاجتماعي

ستشكل عدة اتجاهات الجيل القادم من منصات التواصل الاجتماعي المدعومة بتقنية التعلم الآلي.

الذكاء الاصطناعي متعدد الوسائط

ستدمج الأنظمة المستقبلية النصوص والصور والفيديوهات والصوتيات وأنواع البيانات الأخرى بسلاسة. وستفهم النماذج المحتوى بشكل شامل بدلاً من معالجة كل نمط على حدة. وهذا يتيح فهمًا أعمق للمحتوى وتوصيات أكثر دقة.

تكامل الذكاء الاصطناعي التوليدي

تُحدث النماذج التوليدية تحولاً جذرياً في وسائل التواصل الاجتماعي من خلال إنشاء المحتوى بمساعدة الذكاء الاصطناعي، والردود الآلية، وأدوات الإبداع المُحسّنة. ولكن كما تؤكد إلهام طباسي، مستشارة المعهد الوطني للمعايير والتكنولوجيا، يجب أن يُراعي تطبيق هذه النماذج بعناية تأثيراتها على الأفراد والمجتمع.

تُشكّل تقنيات التزييف العميق والوسائط الاصطناعية تحديات في الكشف عنها. ستحتاج المنصات إلى أنظمة قوية للتمييز بين المحتوى الأصلي والمحتوى المُولّد بالذكاء الاصطناعي، مع دعم الاستخدامات الإبداعية المشروعة.

شهادة الذكاء الاصطناعي الأخلاقي

تُقدّم شهادة CertifAIED من معهد مهندسي الكهرباء والإلكترونيات (IEEE) للمؤسسات منهجًا عمليًا لتطبيق الذكاء الاصطناعي بشكل مسؤول. ومع تزايد الضغوط التنظيمية، قد تحتاج المنصات إلى إثبات امتثالها من خلال عمليات اعتماد رسمية.

تتطور باستمرار معايير الصناعة المتعلقة بالإنصاف والشفافية والمساءلة في أنظمة التعلم الآلي. وتشير أبحاث معهد بروكينغز إلى أن المعايير قد تلعب دوراً إلى جانب التنظيم في ضمان عدالة التعلم الآلي.

الشبكات الاجتماعية اللامركزية

تُشكّل المنصات اللامركزية الناشئة تحدياً لنموذج جمع البيانات المركزي. وقد تُتيح تقنيات التعلّم الموحّد والحفاظ على الخصوصية إمكانية تخصيص المحتوى دون جمع بيانات على نطاق واسع.

تحكم المستخدم والشفافية

سيدفع الضغط من الجهات التنظيمية والمستخدمين المنصات نحو مزيد من الشفافية في الخوارزميات وتحكم المستخدمين. وقد تصبح الميزات التي تتيح للمستخدمين فهم وتعديل إشارات الترتيب، أو إلغاء الاشتراك في استخدامات معينة للبيانات، أو اختيار خوارزميات بديلة، ميزات قياسية.

أفضل الممارسات للتعلم الآلي المسؤول في وسائل التواصل الاجتماعي

ينبغي على المنظمات التي تستخدم التعلم الآلي في السياقات الاجتماعية اتباع عدة مبادئ أساسية:

• اختبار التحيز: قم بإجراء تدقيق دوري للنماذج للتحقق من وجود تأثيرات متباينة بين الفئات الديموغرافية. اختبرها على مجموعات بيانات متنوعة تمثل فئات المستخدمين الفعلية.
• الإشراف البشري: يجب إشراك العنصر البشري في اتخاذ القرارات المصيرية. ينبغي للأنظمة الآلية أن تُعزز الحكم البشري في إدارة المحتوى بدلاً من أن تحل محله.
• توثيق شفاف: وثّق بيانات التدريب، وبنية النموذج، والقيود المعروفة، وحالات الاستخدام المقصودة. اجعل هذه المعلومات متاحة لأصحاب المصلحة.
• الخصوصية بالتصميم: قلل من جمع البيانات إلى الحد الضروري. طبق ضوابط وصول قوية. أدمج حماية الخصوصية في الأنظمة منذ البداية بدلاً من إضافتها لاحقاً.
• المراقبة المستمرة: تتغير أنظمة التعلم الآلي بمرور الوقت مع تغير توزيعات البيانات. لذا، راقب الأداء باستمرار وأعد تدريب النماذج بانتظام.
• إشراك أصحاب المصلحة: إشراك أصحاب المصلحة المتنوعين - بما في ذلك المجتمعات المتضررة - في قرارات التصميم التي تشكل الأنظمة الخوارزمية.

الأسئلة الشائعة