تعرف على أحدث طرق القراصنة لسرقة بيانات وأموال المستخدمين

يوظفون أحدث الأفلام السينمائية المرتقبة وتطبيقات الدردشة النصية عبر الهواتف الجوالة

احتيالات مالية لإيهام المستخدمين بتحميل أحدث الأفلام
احتيالات مالية لإيهام المستخدمين بتحميل أحدث الأفلام
TT

تعرف على أحدث طرق القراصنة لسرقة بيانات وأموال المستخدمين

احتيالات مالية لإيهام المستخدمين بتحميل أحدث الأفلام
احتيالات مالية لإيهام المستخدمين بتحميل أحدث الأفلام

قد تتخيل القراصنة على شكل مخترقين محترفين أمام شاشات كبيرة في غرف معتمة يحاولون الدخول إلى جهاز ما. ولكن بعضهم ابتكر طرقا غريبة تسمح لهم باختراق الأجهزة أو سرقة المعلومات والمال. ونذكر في هذا الموضوع مجموعة من تلك الطرق وسبل الحماية، وذلك لتلافي الوقوع بها.
تصيد الأفلام السينمائية
واحدة من الطرق الحديثة هي استغلال وجود الناس في المنازل ومشاهدة الأفلام عبر الإنترنت عوضاً عن الذهاب إلى صالات السينما، وخصوصاً كبرى الأفلام التي تطلق عبر محطات البث الرقمي في اليوم الأول للإطلاق العالمي. ومن تلك الأفلام Black Widow الذي أثار اهتمام الناس بمشاهدته قبل إطلاقه الشهر الماضي. وقامت مجموعات عديدة بإيجاد مواقع وهمية تعرض الدقائق الأولى من الفيلم، وتطلب من المستخدم الدفع لقاء إكمال المشاهدة. ولدى إدخال بيانات البطاقات الائتمانية، يتفاجأ المستخدمون بعدها بدقائق بأن المبلغ قد تم خصمه بالفعل، ولكنهم لا يستطيعون إكمال المشاهدة. ويتزايد اهتمام القراصنة بوسيلة الاحتيال هذه مع طرح الأفلام ذات الشهرة الكبيرة، وخصوصاً مع بثها عبر الإنترنت عبر القنوات الرسمية التي تطلب اشتراكات شهرية والتي قد لا يرغب المستخدم الاشتراك بها، بل يرغب بمشاهدة ذلك الفيلم فقط.
ولحماية نفسك، ينصح بمراقبة عنوان الموقع الذي يدعي بث الفيلم، والتأكد من صحة اسم الموقع المستهدف، إذ تقوم العديد من المواقع باستبدال مواضع بعض الأحرف في اسم وعنوان الموقع وتقديم تصميم صفحة مطابق لصفحة الموقع الحقيقي، الأمر الذي يجعل المستخدم يظن أنه يقوم بتحميل الفيلم من موقع رسمي. ويجب كذلك الانتباه إلى اسم وامتداد الملف الذي يتم تحميله للمشاهدة، ذلك أن امتدادات الأفلام التي سيتم تحميلها هي AVI أو MP4 أو MKV أو M4V أو MPEG أو MOV أو WMV أو AVCHD أو FLV أو F4V أو WEBM أو DRC أو VOB أو MTS أو M2TS أو TS أو QT أو VIV أو ASF أو AMV أو، أما إن كان امتداد الملف هو EXE أو MSI، فإنه على الأرجح برنامج خبيث سيصيب كومبيوترك ويعبث به. كما ينصح باستخدام برامج الحماية من الفيروسات التي تقوم بفحص أي ملف فور تحميله وإشعار المستخدم ما إذا كان الملف يشكل خطرا أم لا. كما ينصح بالابتعاد عن أي مواقع تعدك بتقديم مشاهدة مسبقة لأي فيلم قبل موعد إطلاقه الرسمي.
تطبيقات التراسل
وعرضت دراسة لمنصة Kaspersky Internet Security for Android تطبيقات المراسلة على الهواتف الجوالة الأكثر استهدافا في نشاط المحتالين من مجرمي الإنترنت، حيث أرسل المحتالون الكمية الأكبر من الروابط الخبيثة المكتشفة بين ديسمبر (كانون الأول) 2020 ومايو (أيار) 2021 إلى المستخدمين عبر تطبيق «واتساب» بنسبة 84.9 في المائة، يليه «تيليغرام» بنسبة 5.7 في المائة، ثم تطبيق «فايبر» بنسبة 4.9 في المائة، ثم «غوغل هانغاوتس» بأقل من 1 في المائة. وكانت روسيا البلد الذي شهد أكبر عدد من هجمات التصيد عبر هذه التطبيقات بنسبة 46 في المائة ثم البرازيل 15 في المائة والهند 7 في المائة، حيث تم رصد 480 محاولة تصيد يوميا في أنحاء العالم خلال تلك الفترة.
وتفوقت تطبيقات المراسلة عبر شبكات التواصل الاجتماعي من حيث الشعبية بين المستخدمين بنسبة 20 في المائة في العام 2020 وأصبحت أكثر الأدوات شيوعا للتواصل. وبلغ عدد مستخدمي تطبيقات المراسلة في العالم 2.7 مليار شخص في العام 2020، ومن المتوقع أن ينمو هذا الرقم إلى 3.1 مليار شخص بحلول العام 2023، أي ما يقرب من 40 في المائة من سكان العالم.
وقدم تطبيق Kaspersky Internet Security for Android ميزة «التراسل الآمن» بهدف منع المستخدمين من فتح الروابط الخبيثة التي يتلقونها في تطبيقات المراسلة وعبر الرسائل النصية القصيرة، حيث تم تسجيل ما مجموعه 91.242 محاولة تصيد مكتشفة حول العالم بين ديسمبر (كانون الأول) 2020 ومايو (أيار) 2021 جراء نقر المستخدمين على روابط التصيد في تطبيقات المراسلة. ويرجع السبب في كون التصيد في تطبيقات المراسلة إحدى أكثر الأدوات التخريبية شيوعا بين المحتالين إلى الشعبية الواسعة لهذه التطبيقات بين الجمهور، فضلا عن القدرة على استغلال وظائف التطبيقات نفسها لتنفيذ الهجمات.
ونظرا لأن «واتساب» هو تطبيق المراسلة الأكثر شيوعا على مستوى العالم، فسجل مشاركة أكبر عدد من الروابط الخبيثة. وكانت أكبر الحصص من رسائل التصيد في روسيا 42 في المائة والبرازيل 17 في المائة والهند 7 في المائة. وكان مستخدمو «تيليغرام» من بين أقل المستخدمين تعرضاً لتهديد التصيد، ولكن توزيعهم الجغرافي كان مشابها لـ«واتساب»، حيث تم اكتشاف أكبر عدد من الروابط الخبيثة في روسيا 56 في المائة (قد ترجع الأرقام المرتفعة في روسيا إلى ارتفاع شعبية التطبيق في ذلك البلد) والهند 6 في المائة وتركيا 4 في المائة. وحدثت أقل محاولات التصيد المكتشفة في تطبيقي «فايبر» و«غوغل هانغاوتس»، ولكن الفارق الرئيسي بينهما يكمن في الدول التي انتشرت المحاولات فيها، إذ حصلت أعلى المحاولات عبر «فايبر» في روسيا بنسبة 89 في المائة، ثم أوكرانيا 5 في المائة وبيلاروسيا 2 في المائة، أما غالبية المحاولات المكتشفة في «غوغل هانغاوتس» فحدثت في الولايات المتحدة وفرنسا بنسبة 39 في المائة لكل منهما.
كشف التصيد
وتعتبر اليقظة والحرص على استخدام التقنيات الموثوق بها الخاصة بكشف محاولات التصيد ومنعها من أهم السبل لمكافحة هذا النوع من التهديدات في تطبيقات المراسلة. ويمكن اتباع النصائح التالية لخفض خطر الوقوع ضحية لعمليات التصيد وتلقي الروابط الخبيثة عبر تطبيقات المراسلة: ابحث عن الأخطاء الإملائية أو غيرها من الأمور الغريبة في الروابط الواردة حتى لو كان المرسل من اسم شخص تعرفه. وإذا وصلتك رسالة من أحد الأصدقاء المقربين، فتذكر إمكانية أن يكون حسابه مخترقا حتى وإن بدت الرسالة ودية، واتصل به هاتفيا للتأكد من أنه أرسل لك ذلك الرابط بالفعل. كما ينصح بتثبيت تطبيقات أمنية موثوقة.
وكثيرا ما يستخدم المتصيدون تطبيقات المراسلة للتواصل مع المستخدمين بعد العثور على أرقامهم من مصادر رسمية (كمتاجر التسوق وخدمات حجز أماكن الإقامة، وذلك بعد سرقة البيانات أو حتى شراء تلك البيانات منها)، واستخدامها كوسيلة للتواصل معك باستخدام رسائل خبيثة. وحتى إذا بدت الرسائل ومواقع الويب حقيقية، فإن الروابط على الأرجح ستحتوي على أخطاء إملائية يمكن أن توجهك إلى موقع مختلف.


مقالات ذات صلة

«ميتا» تطور نظارات ذكية تدعم العدسات الطبية لتوسيع الاستخدام اليومي

تكنولوجيا دمج العدسات الطبية في التصميم يجعل النظارات الذكية أقرب إلى الاستخدام اليومي بدلاً من كونها جهازاً إضافياً (ميتا)

«ميتا» تطور نظارات ذكية تدعم العدسات الطبية لتوسيع الاستخدام اليومي

تدعم نظارات "ميتا" الذكية العدسات الطبية لتوسيع الاستخدام لكنها تواجه تحديات في القيمة اليومية والخصوصية واعتماد المستخدمين على نطاق واسع.

نسيم رمضان (لندن)
تكنولوجيا يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

تُظهر دراسة أن الروبوتات يمكنها تعلم مهارات حركية معقدة من بيانات غير مكتملة ما يفتح آفاقاً جديدة لتدريب الذكاء الاصطناعي.

نسيم رمضان (لندن)
خاص النمو المتسارع للبيانات يفرض تحديات جديدة على البنية التحتية من حيث الكفاءة والاستدامة (غيتي)

خاص الذكاء الاصطناعي وواقع البيانات... هل تواكب البنية التحتية هذا التسارع؟

يفرض تسارع الذكاء الاصطناعي ضغطاً على البنية التحتية، حيث يصبح تخزين البيانات وكفاءته واستدامته عاملاً حاسماً في القدرة على التوسع.

نسيم رمضان (لندن)
تكنولوجيا تتيح «غوغل» ميزة استيراد الذاكرة في «جيميناي» لنقل التفضيلات والسياق الشخصي من تطبيقات ذكاء اصطناعي أخرى (شاترستوك)

«غوغل» تتيح نقل سجل المحادثات والتفضيلات إلى «جيميناي»

«غوغل» تطلق استيراد الذاكرة في «جيميناي»، لنقل السياق والتفضيلات بين تطبيقات الذكاء الاصطناعي، وتعزيز تجربة شخصية مستمرة للمستخدمين.

نسيم رمضان (لندن)
تكنولوجيا يمكن للحوسبة الكمومية فك أعقد تشفير للبيانات في ثوان، ويسعى "كروم" لتغيير جذري ضد ذلك

كيف تعيد «غوغل» و«ميتا» صياغة مستقبلنا الرقمي؟

في وقت يتسارع فيه الزمن التقني نحو آفاق غير مسبوقة، لم تعد كبرى شركات التقنية تكتفي بتقديم خدمات تقليدية، بل باتت تخوض صراعاً مزدوجاً: الأول «دفاعي»

خلدون غسان سعيد (جدة)

«ميتا» تطور نظارات ذكية تدعم العدسات الطبية لتوسيع الاستخدام اليومي

دمج العدسات الطبية في التصميم يجعل النظارات الذكية أقرب إلى الاستخدام اليومي بدلاً من كونها جهازاً إضافياً (ميتا)
دمج العدسات الطبية في التصميم يجعل النظارات الذكية أقرب إلى الاستخدام اليومي بدلاً من كونها جهازاً إضافياً (ميتا)
TT

«ميتا» تطور نظارات ذكية تدعم العدسات الطبية لتوسيع الاستخدام اليومي

دمج العدسات الطبية في التصميم يجعل النظارات الذكية أقرب إلى الاستخدام اليومي بدلاً من كونها جهازاً إضافياً (ميتا)
دمج العدسات الطبية في التصميم يجعل النظارات الذكية أقرب إلى الاستخدام اليومي بدلاً من كونها جهازاً إضافياً (ميتا)

تدعم نظارات «ميتا» الذكية العدسات الطبية لتوسيع الاستخدام، لكنها تواجه تحديات في القيمة اليومية والخصوصية، واعتماد المستخدمين على نطاق واسع.

لطالما بقيت النظارات الذكية تقنية متقدمة، لكنها غالباً بعيدة عن الاستخدام اليومي الفعلي، لسبب بسيط، وهو أن معظم الناس الذين يرتدون نظارات يحتاجون إلى تصحيح البصر. ومن دون معالجة هذه النقطة، تبقى أي تقنية قابلة للارتداء محدودة الانتشار.

تحاول شركة «ميتا» تغيير هذا الواقع، عبر تطوير جيل جديد من النظارات المدعومة بالذكاء الاصطناعي والمصممة منذ البداية لاستيعاب العدسات الطبية، تسعى الشركة إلى مواءمة التكنولوجيا مع أحد أبسط متطلبات الرؤية.

عنصر أساسي في التصميم

في الإصدارات السابقة، كانت العدسات الطبية تُعامل غالباً كإضافة لاحقة، يتم تكييفها مع التصميم بدلاً من دمجها فيه. أما في النماذج الجديدة، فقد أصبحت جزءاً من التصميم الأساسي، حيث تم تطوير الإطارات لتناسب مجموعة واسعة من درجات النظر. هذا التحول ليس تفصيلاً تقنياً فحسب. فمع اعتماد مليارات الأشخاص حول العالم على النظارات الطبية، فإن أي جهاز لا يراعي هذا الاحتياج سيبقى خارج الاستخدام اليومي. ومن خلال دمج التصحيح البصري في التصميم، تحاول «ميتا» تحويل النظارات الذكية من منتج تقني إلى أداة يومية.

تستمر النظارات في تقديم مجموعة من الوظائف المعروفة، كالتواصل دون استخدام اليدين، والتقاط الصور وتشغيل الصوت والتفاعل مع مساعد ذكي. لكن الجديد هنا لا يكمن في الوظائف بحد ذاتها، بل في توسيع نطاق المستخدمين المحتملين. فبدلاً من أن تكون هذه النظارات خياراً إضافياً، تصبح قابلة للاستخدام بديلاً مباشراً للنظارات التقليدية. وهذا يغيّر طبيعة التبني من تجربة تقنية إلى جزء من الروتين اليومي.

توسيع قاعدة المستخدمين لا يعتمد فقط على التقنية بل على توافقها مع احتياجات الحياة اليومية (ميتا)

سوق تنمو... وتحديات قائمة

يأتي هذا التوجه في وقت تشهد فيه سوق النظارات الذكية نمواً متزايداً، مع دخول شركات تقنية كبرى واستكشافها لهذا المجال. لكن التحديات الأساسية لا تزال قائمة. من الناحية التقنية، لا تزال قيود، مثل عمر البطارية، وقدرة المعالجة، والاتصال تؤثر على الأداء. أما من ناحية المستخدم، فالتحدي الأكبر يكمن في مدى اندماج هذه الأجهزة في الحياة اليومية دون إحداث احتكاك. كما أن إضافة العدسات الطبية تعالج جزءاً من المشكلة، لكنها لا تقدم حلاً كاملاً.

تعتمد قيمة النظارات الذكية إلى حد كبير على كيفية استخدامها. تُعد الوظائف الحالية مثل التقاط الصور والحصول على معلومات أو التفاعل مع الرسائل مفيدة، لكنها لم تصل بعد إلى مستوى الضرورة اليومية لمعظم المستخدمين. في المقابل، تظهر إمكانات أوضح في الاستخدامات المتخصصة، مثل مساعدة الأشخاص ذوي الإعاقة البصرية على فهم محيطهم. هذه التطبيقات تعكس قدرة حقيقية للتقنية، لكنها لا تزال محدودة من حيث الانتشار.

نجاح النظارات الذكية يعتمد على تكامل التجربة بين العتاد والبرمجيات والذكاء الاصطناعي (ميتا)

الخصوصية... العامل الحاسم

إلى جانب التحديات التقنية، تبقى مسألة الخصوصية من أبرز العوامل المؤثرة في مستقبل هذه الأجهزة. فالقدرة على التقاط الصور أو الفيديو بشكل غير ملحوظ تثير تساؤلات حول الموافقة والرقابة، خصوصاً في الأماكن العامة. هذه المخاوف لا تتعلق بالقوانين فقط، بل بكيفية تقبل المجتمع لمثل هذه الأجهزة. وقد يكون هذا العامل الاجتماعي أكثر تأثيراً في تبني التكنولوجيا من أي تطور تقني بحد ذاته.

من جهاز إلى منصة

تعكس هذه الخطوة تحولاً أوسع في كيفية تقديم الأجهزة القابلة للارتداء. فبدلاً من التركيز على العتاد فقط، تتجه الشركات نحو بناء منظومات متكاملة تجمع بين الذكاء الاصطناعي والبرمجيات والخدمات. في هذا السياق، لا تمثل العدسات الطبية مجرد تحسين بصري، بل تصبح جزءاً من محاولة أوسع لتقليل الحواجز بين المستخدم والتكنولوجيا، وجعلها أكثر اندماجاً في الحياة اليومية.

لا تعني هذه التطورات أن النظارات الذكية أصبحت منتجاً ناضجاً بالكامل. لكنها تمثل خطوة نحو جعلها أكثر واقعية وقابلية للاستخدام.

فمن خلال معالجة أحد أهم العوائق العملية، تقترب «ميتا» من تحويل الفكرة إلى منتج يومي. ومع ذلك، يبقى نجاح هذه الأجهزة مرتبطاً بعوامل أوسع، تشمل القبول الاجتماعي، والقيمة الفعلية للمستخدم، وتطور التجربة. قد يكون إدخال العدسات الطبية خطوة ضرورية لكنها ليست كافية بمفردها لجعل النظارات الذكية جزءاً أساسياً من الحياة اليومية.


لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
TT

لم يعد الطبيب وحده… كيف يشارك الذكاء الاصطناعي في القرار الطبي؟

تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)
تتجه الرعاية الصحية نحو دمج مصادر بيانات متعددة لتكوين فهم أكثر شمولاً لحالة المريض (شاترستوك)

لم يعد الحديث عن الذكاء الاصطناعي في قطاع الرعاية الصحية يدور حول وعود مستقبلية أو تحولات مفاجئة، بل بات أقرب إلى مسار تطور تدريجي يعيد تعريف كيفية فهم المرض وعلاجه وإدارة الأنظمة الصحية. ففي عام 2026، تتجه الصناعة نحو مرحلة أكثر نضجاً، حيث تتحول البيانات من مجرد مورد داعم إلى بنية أساسية تقود القرارات والابتكار.

هذا التحول لا يقوم على تقنية واحدة، بل على تقاطع عدة اتجاهات كتكامل البيانات وتطور النماذج التحليلية وتوسع استخدام الذكاء الاصطناعي في العمليات اليومية، وظهور بيئات تنظيمية تسمح بتجريب هذه التقنيات دون الإخلال بالمعايير.

يتوسع دور الذكاء الاصطناعي ليصبح جزءاً من دعم القرار السريري وتحسين دقة التشخيص والعلاج

من بيانات متفرقة إلى منظومات متكاملة

أحد أبرز التغيرات يتمثل في كيفية التعامل مع البيانات الصحية. فبدلاً من الاعتماد على مصادر منفصلة، يتجه القطاع نحو دمج تدفقات متعددة تشمل الجينوم، والتصوير الطبي والسجلات السريرية والبيانات الناتجة عن الأجهزة القابلة للارتداء.

هذا التحول نحو البيانات المتعددة الوسائط لا يهدف فقط إلى زيادة حجم المعلومات، بل إلى وضعها في سياق متكامل يسمح بفهم أعمق للحالة الصحية لكل مريض. ومع تزايد هذا التكامل، تصبح هندسة البيانات نفسها عاملاً حاسماً في نجاح التحليل، وليس مجرد خطوة تقنية في الخلفية.

في الوقت نفسه، يتوسع دور الذكاء الاصطناعي من كونه أداة تحليل إلى شريك في اتخاذ القرار. فأنظمة دعم القرار السريري المدعومة بالذكاء الاصطناعي أصبحت قادرة على تحسين دقة التشخيص وتقديم توصيات علاجية أكثر تخصيصاً، مدعومة ببيانات واسعة النطاق. لكن هذا لا يعني استبدال الطبيب، بل إعادة توزيع الأدوار. فالأنظمة الذكية تبرز المخاطر وتقدم الخيارات، بينما يبقى القرار النهائي بيد الإنسان. هذا التوازن بين الأتمتة والحكم البشري يشكل أحد ملامح المرحلة الحالية في تطور الرعاية الصحية.

الرعاية تتجاوز المستشفى

من التحولات اللافتة أيضاً انتقال الرعاية الصحية تدريجياً من المؤسسات إلى المنازل. فمع تزايد استخدام أجهزة إنترنت الأشياء وتقنيات المراقبة عن بُعد، أصبح من الممكن متابعة المرضى بشكل مستمر، خصوصاً في حالات الأمراض المزمنة. هذه النماذج الجديدة لا تقتصر على تقليل التكاليف، بل تهدف إلى تحسين النتائج الصحية من خلال التدخل المبكر. ومع ذلك، لا تزال هذه المقاربات في مراحل التوسع التدريجي، حيث يتم اختبارها عبر مشاريع تجريبية قبل تعميمها على نطاق واسع.

يساهم الذكاء الاصطناعي في تسريع اكتشاف الأدوية وتحسين كفاءة التجارب السريرية (شاترستوك)

تسريع الابتكار عبر بيئات تنظيمية مرنة

في موازاة ذلك، بدأت الجهات التنظيمية تلعب دوراً أكثر مرونة في دعم الابتكار. إذ ظهرت بيئات تجريبية تسمح باختبار نماذج الذكاء الاصطناعي باستخدام بيانات اصطناعية أو محاكاة، ما يسرّع عملية التحقق دون تعريض خصوصية المرضى للخطر. هذا النهج يعكس تحولاً في طريقة تنظيم القطاع، من نموذج يعتمد على الموافقة المسبقة فقط، إلى نموذج يوازن بين التجريب والرقابة.

على مستوى البحث العلمي، تبرز تقنيات جديدة مثل التعلم الآلي الكمي، التي تُستخدم لتحسين التنبؤ بسلامة الأدوية في مراحل مبكرة. هذه الأدوات قد تقلل من معدلات الفشل في التجارب ما قبل السريرية، وهو أحد أكبر التحديات في تطوير الأدوية. إلى جانب ذلك، يساهم الذكاء الاصطناعي في تحليل التفاعلات الجزيئية وتسريع اكتشاف المركبات الدوائية، ما يقلص الوقت والتكلفة في المراحل الأولى من البحث.

بعيداً عن الاستخدامات الطبية المباشرة، يتوسع حضور الذكاء الاصطناعي في العمليات الإدارية والتشغيلية. فبحلول عام 2026، يُتوقع أن تعتمد المؤسسات الصحية بشكل متزايد على أنظمة ذكاء اصطناعي لإدارة مهام مثل الفوترة، وسير العمل، وتحسين الكفاءة. هذا التوجه يشير إلى أن الذكاء الاصطناعي لم يعد مجرد أداة متخصصة، بل أصبح جزءاً من البنية التشغيلية اليومية، على غرار الأنظمة السحابية أو إدارة علاقات العملاء.

تتزايد أهمية الرعاية الصحية المنزلية المدعومة بالمراقبة عن بُعد وتقنيات إنترنت الأشياء (شاترستوك)

جودة البيانات... العامل الحاسم

رغم هذا التوسع، تبرز حقيقة أساسية: نجاح الذكاء الاصطناعي في الرعاية الصحية يعتمد بدرجة كبيرة على جودة البيانات. فحتى أكثر النماذج تقدماً لا يمكنها تقديم نتائج دقيقة إذا كانت البيانات غير مكتملة أو غير متسقة. وفي هذا السياق، تصبح القدرة على جمع بيانات عالية الجودة، وربطها بشكل متكامل، عاملاً حاسماً في تحديد الجهات القادرة على تحقيق قيمة حقيقية من هذه التقنيات.

وكما هو الحال في أي تحول رقمي، لا تخلو هذه التطورات من تحديات. فزيادة الاعتماد على البيانات تثير قضايا تتعلق بالخصوصية، وأمن المعلومات، وإمكانية إساءة الاستخدام. ولهذا، يترافق التوسع في استخدام الذكاء الاصطناعي مع استثمارات موازية في الحوكمة والامتثال، لضمان تحقيق الفوائد دون تعريض النظام لمخاطر جديدة.

نحو نموذج جديد للرعاية الصحية

ما يتضح من هذه الاتجاهات هو أن قطاع الرعاية الصحية لا يشهد ثورة مفاجئة، بل تحولاً تدريجياً يعيد بناء أسسه. فبدلاً من الاعتماد على تدخلات متأخرة، يتجه النظام نحو الوقاية والتنبؤ، مدعوماً ببيانات متكاملة ونماذج تحليلية متقدمة.

في هذا النموذج، لا تكون البيانات مجرد سجل للماضي، بل أداة لتوقع المستقبل. ولا يكون الذكاء الاصطناعي بديلاً عن الإنسان، بل امتداد لقدراته.

وبينما لا تزال العديد من هذه التحولات في مراحلها الأولى، فإن الاتجاه العام يبدو واضحاً: مستقبل الرعاية الصحية سيُبنى على البيانات، لكن قيمته الحقيقية ستعتمد على كيفية استخدامها.


تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
TT

تعليم روبوت بشري مهارات لعب التنس… من بيانات غير كاملة

يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)
يمكن للروبوتات تعلم مهارات حركية معقدة باستخدام بيانات بشرية غير مكتملة بدلاً من الاعتماد على بيانات مثالية (المصدر)

في مسار تطوير الروبوتات البشرية، ظل التحدي الأكبر يتمثل في تعليم الآلات مهارات حركية معقدة تحاكي الإنسان. فالمهام التي تبدو طبيعية للبشر، مثل الجري أو القفز أو حتى لعب التنس، تتطلب تنسيقاً دقيقاً بين التوازن، والتوقيت، واتخاذ القرار في أجزاء من الثانية. تقليد هذه القدرات آلياً لم يكن ممكناً إلا في بيئات محدودة، وغالباً عبر بيانات مثالية يصعب الحصول عليها في الواقع.

لكن دراسة حديثة تقترح مساراً مختلفاً: ماذا لو لم تعد الحاجة إلى بيانات مثالية شرطاً أساسياً لتعليم الروبوتات؟

يركز البحث على تطوير نموذج لتعليم روبوت بشري مهارات لعب التنس، باستخدام بيانات حركة بشرية غير مكتملة أو غير دقيقة. وبدلاً من الاعتماد على تسجيلات كاملة ومضبوطة للحركات، يعمل النظام على استغلال مقاطع جزئية من البيانات، ثم إعادة تركيبها لبناء سلوك حركي متكامل.

يعتمد النموذج على تقسيم الحركات إلى مقاطع صغيرة وإعادة تركيبها لتكوين سلوك متكامل (المصدر)

من البيانات المثالية إلى البيانات الواقعية

تقليدياً، تعتمد أنظمة التعلم الحركي للروبوتات على بيانات عالية الجودة، يتم التقاطها باستخدام أنظمة متقدمة لتتبع الحركة. هذه البيانات توفر وصفاً دقيقاً لكل حركة، لكنها مكلفة وصعبة التوسّع، كما أنها لا تعكس دائماً تعقيد العالم الحقيقي. في المقابل، ينطلق هذا البحث من فرضية مختلفة، حيث إن البيانات الواقعية حتى وإن كانت غير كاملة، يمكن أن تكون كافية لتعليم مهارات معقدة، إذا تم التعامل معها بطريقة مناسبة.

وهنا، لا يحاول النموذج «تنقية» البيانات بقدر ما يعمل على فهم الأنماط الكامنة فيها، واستنتاج كيفية تحويلها إلى حركات قابلة للتنفيذ.

نموذج يتعلم من أجزاء متفرقة

يعتمد النظام المقترح على تقسيم البيانات الحركية إلى مقاطع صغيرة، تمثل كل منها جزءاً من حركة أكبر. ثم يقوم بربط هذه الأجزاء معاً داخل بيئة محاكاة، بحيث يتعلم الروبوت كيفية الانتقال من حركة إلى أخرى بسلاسة. هذه المقاربة تشبه إلى حد ما الطريقة التي يتعلم بها الإنسان مهارة جديدة، حيث يتم الجمع بين تجارب جزئية لتشكيل أداء متكامل. والنتيجة هي نموذج قادر على توليد حركات ديناميكية، دون الحاجة إلى مسار واحد محدد مسبقاً.

التنس كنموذج لاختبار التعقيد

اختار الباحثون لعبة التنس كبيئة اختبار، نظراً لما تتطلبه من تنسيق بين الحركة والإدراك. فالتعامل مع كرة متحركة يستدعي تقدير السرعة والاتجاه، واتخاذ قرار فوري بشأن كيفية الرد، ثم تنفيذ الحركة بدقة. في التجارب، تمكّن الروبوت من تعلم ضرب الكرة والتفاعل مع مواقف مختلفة، بما في ذلك الحفاظ على تبادل الكرات في بعض الحالات. ويشير ذلك إلى أن النموذج لا يقتصر على تكرار حركات محفوظة، بل يطوّر استجابة قابلة للتكيف مع السياق.

اختيار التنس كنموذج يبرز قدرة النظام على التنسيق بين الإدراك والحركة في بيئة ديناميكية (المصدر)

فجوة بين المحاكاة والواقع

كما هو الحال في كثير من أبحاث الروبوتات، يعتمد جزء كبير من التدريب على بيئات محاكاة. هذه البيئات تتيح تسريع عملية التعلم وتقليل المخاطر، لكنها لا تعكس دائماً تعقيدات العالم الحقيقي.

لذلك، يمثل نقل المهارات من المحاكاة إلى الواقع أحد التحديات الأساسية. وقد عمل الباحثون على تقليل هذه الفجوة عبر تصميم النموذج بحيث يأخذ في الاعتبار التباين وعدم الدقة في البيانات، وهو ما يجعله أكثر قدرة على التكيف عند التطبيق العملي.

ما الذي يتغير فعلاً؟

لا تكمن أهمية هذا البحث في قدرة الروبوت على لعب التنس بحد ذاتها، بل في ما تشير إليه من تحول أوسع في منهجية التعلم. فإذا كان بالإمكان تدريب الأنظمة على مهارات معقدة باستخدام بيانات غير مثالية، فإن ذلك يفتح الباب أمام استخدام مصادر بيانات أكثر تنوعاً، مثل الفيديوهات العامة أو التسجيلات غير المنظمة. وهذا بدوره قد يسرّع تطوير ما يُعرف بـ«الذكاء الاصطناعي المجسّد»، حيث تتفاعل الأنظمة مع العالم الفيزيائي بشكل مباشر.

حدود وتحديات قائمة

مع ذلك، لا تزال هذه المقاربة في مراحلها الأولى. فالروبوت لا يصل إلى مستوى الأداء البشري، ولا تزال قدرته على التعامل مع مواقف غير متوقعة محدودة. كما أن الاعتماد على المحاكاة يفرض قيوداً على مدى تعميم النتائج. لكن رغم هذه التحديات، يقدم البحث دليلاً على أن الطريق نحو تعليم الروبوتات قد لا يمر عبر الكمال، بل عبر القدرة على الاستفادة من النقص.

يشير هذا التوجه إلى إعادة التفكير في العلاقة بين البيانات والتعلم. فبدلاً من السعي إلى جمع بيانات مثالية ومكتملة، قد يكون التركيز مستقبلاً على تطوير نماذج قادرة على التعلم من الواقع كما هو بما يحمله من نقص وتباين. وفي هذا السياق، لا يمثل التنس سوى مثال تجريبي. أما الهدف الأوسع، فهو تمكين الروبوتات من اكتساب مهارات حركية متنوعة، تتراوح بين العمل الصناعي والخدمات اليومية.