تتجه الأنظار اليوم نحو تقدم التكنولوجيا في مجال الذكاء الاصطناعي، ولكن هل نحن نبني أنظمة تتسم بالعدالة والشمولية؟ في هذا السياق، تمثل الشبكات العصبية النابضة (Spiking Neural Networks - SNNs) حلاً واعدًا، ولكن التحديات الحالية تتطلب مزيدًا من التحقيقات.

وفي دراسة جديدة، تم تقديم المعيار الأول لتقييم العدالة في هذه الشبكات، مع التركيز على ثلاثة أبعاد رئيسية تعكس واقع البيانات: 1) فجوات التغطية الديموغرافية في بيانات التدريب، 2) تسرب الميزات الزائفة (مثل استخدام لون البشرة كبديل لتمييز الصفوف)، و3) عدم تطابق بيئات النشر (مثل الأجهزة المحدودة من حيث الترميز النابض).

استخدمت هذه الدراسة أربعة مجموعات بيانات ديموغرافية مختلفة، مع تحكم في إدخال التحيز، بالإضافة إلى ثلاثة محاكيات للأجهزة العصبية منها Loihi 2 وSpiNNaker. تم تنفيذ تقييمات موحدة لـ 12 نموذجًا من SNNs، مما أظهر تفاوتات كبيرة: إذ سجّلت النماذج المدربة على بيانات متحيزة معدلات إيجابية خاطئة أعلى بنسبة 23% لمجموعات معينة.

كما كانت هناك تأثيرات مقلقة جراء قيود الأجهزة، إذ أدت العوائق مثل انخفاض دقة النبضة إلى تفاقم الفجوات في الأداء بنسبة تصل إلى 41% في البيئات المحدودة الموارد.

تتطلب الاستراتيجيات الحالية لمكافحة التحيز في SNNs المعتمدة على السحابة إعادة التفكير عند تطبيقها في أجهزة تحتاج إلى كفاءة عالية، مما يبرز الحاجة إلى مبادئ التصميم المشترك التي تعمل على تحسين العدالة والكفاءة في نفس الوقت. من خلال دمج أبحاث العدالة الخوارزمية مع الهندسة العصبية، يوفر هذا المعيار آفاقًا جديدة لأنظمة SNNs الموثوقة في مجالات حيوية مثل الرعاية الصحية والأنظمة الذاتية.