أصبح المستقبل القريب الذي يصوره الإنسان الآلي يعتمد بشكل كبير على قدرتنا على نشر الذكاء الاصطناعي (AI) بنجاح ، ومع ذلك فإن تحويل الآلات إلى أجهزة تستطيع التفكير والتنبؤ ليس سهلاً كما قد يبدو ، فلا يمكن تحقيق الذكاء الاصطناعي القوي إلا من خلال التعلم الآلي (ML) لمساعدة الآلات على الفهم كما يفعل البشر.
ما هو التعلم الآلي
التعلم الآلي أو Machine Learning (ML) هو تطبيق للذكاء الاصطناعي يمكّن الأنظمة من التعلم والتحسين من التجربة دون أن تتم برمجتها بشكل مخصص للقيام بمهمة ما ، حيث يعتمد التعلم الآلي على تطوير برامج الكمبيوتر و تمكينها من الوصول إلى البيانات وتحليلها واستخدامها للتعلم بشكل ذاتي.
يركز التعلم الآلي على استخدام البيانات والخوارزميات لتقليد الطريقة التي يتعلم بها البشر ، وتحسين دقتها تدريجيًا من خلال التعامل مع البيانات المدخلة وبناء المعرفة.
صاغ مصطلح “التعلم الآلي” آرثر صموئيل وهو عالم الكمبيوتر في IBM ورائد في الذكاء الاصطناعي وألعاب الكمبيوتر ، فقد صمم صموئيل برنامج كمبيوتر للعب لعبة الداما حيث كانت فكرته تعتمد على التعلم بالتجربة فكلما زاد تشغيل البرنامج ، زاد تعلمه من التجربة ، باستخدام الخوارزميات لعمل تنبؤات.
أهمية التعلم الآلي
كتخصص ، يستكشف التعلم الآلي تحليل وبناء الخوارزميات التي يمكنها التعلم من البيانات والتنبؤ بها.
أثبت التعلم الآلي أهميته لأنه يمكن أن يحل المشاكل بسرعة وحجم لا يمكن أن يستطيع فعله العقل البشري وحده ، فمع الكميات الهائلة من القدرة الحسابية لمهمة واحدة أو مهام محددة متعددة ، يمكن تدريب الآلات على تحديد الأنماط والعلاقات بين بيانات الإدخال وأتمتة العمليات الروتينية مما يؤدي الى تطور ونمو الأعمال بسرعة وفتح آفاق جديدة وحل مشكلات صعبة.
يمكن القول أن التعلم الآلي اصبح مهمًا لأنه يمنح الشركات و المؤسسات وجهة نظر حول اتجاهات سلوك العملاء وطريقة سير الأعمال بالاضافة الى امكانية تطوير منتجات جديدة ، اليوم تقوم الشركات الكبيرة مثل Facebook و Google و Uber بالاعتماد على التعلم الآلي كجزءًا أساسيًا من عملياتها ، حيث أصبح التعلم الآلي عاملاً تنافسيًا مهمًا للعديد من الشركات.
كيف يعمل التعلم الآلي
الفكرة الرئيسة وراء التعلم الآلي تتمثل في علاقة رياضية قائمة بين أي مزيج من بيانات المدخلات والمخرجات ، فنموذج التعلم الآلي لا يعرف هذه العلاقة بشكل مسبق، ولكنه يستطيع أن يخمن إذا تم تزويده بمجموعات بيانات كافية ، وهذا يعني أن كل خوارزميه للتعلم الآلي تبنى على أساس دالة رياضية قابلة للتعديل.
بشكل عام يتم تقسيم نظام التعلم لخوارزمية التعلم الآلي إلى ثلاثة أجزاء رئيسية :
عملية اتخاذ القرار: بشكل عام ، تُستخدم خوارزميات التعلم الآلي لعمل تنبؤ أو تصنيف معين بناء على بيانات الإدخال / المدخلات
دالة الخطأ: تقوم دالة الخطأ بتقييم التنبؤ بالنموذج ، إذا كانت هناك أمثلة معروفة ، يمكن لدالة الخطأ إجراء مقارنة لتقييم دقة النموذج.
عملية تحسين النموذج: إذا كان النموذج يمكن أن يتلاءم بشكل أفضل مع نقاط البيانات في مجموعة التدريب ، فسيتم تعديل الأوزان لتقليل التناقض بين المثال المعروف وتقدير النموذج “المخرجات”. ستقوم الخوارزمية بتكرار عملية “التقييم والتحسين” هذه ، وتحديث الأوزان بشكل مستقل حتى يتم الوصول إلى الدقة المطلوبة.
مثال:
- إذا قمنا بتدريب الخوارزمية عن طريق تزويدها بمجموعات المدخلات/المخرجات (i,o) التالية – (2,10)، و(5,19)، و(9,31)
- تقوم الخوارزمية بحساب العلاقة بين المدخلات والمخرجات لتكون: o=3*i+4
- ثم نعطها المدخل 7، ونطلب منها أن تتوقع المخرج ، بحسب المدخلات يمكن للخوارزمية تحديد أن المخرج هو 25.
يركز التعلم الآلي في المبدأ الذي ينص على أن كل نقاط البيانات المعقدة يمكن ربطها رياضيًا عن طريق أنظمة الحاسوب ما دامت مزودة بالقدر الكافي من البيانات وقدرة الحوسبة على معالجة هذه البيانات ،لذلك فإن دقة المخرج تربطه علاقة طردية بحجم المدخل المُعطى.
أنواع البيانات المستخدمة في خوارزميات التعلم الآلي :
البيانات المسماة : وهي بيانات تضم غالباََ جميع بيانات الإدخال والإخراج، و تكون في نمط يمكن للآلة قراءته بشكل واضح ، هذا النوع من البيانات يتطلب جهوداََ كبيرة من مهندسي التعلم الآلي حيث يتعين عليهم تسمية جميع البيانات بشكل صحيح.
البيانات غير المسماة : هذا النوع من البيانات يحتوي على معلومة واحدة وقد لا يحتوي على أي معلومة، ولكنه نموذج يمكن قراءته آليًا، وفي هذا النوع من البيانات لا يوجد حاجة للعمل البشري ولكنه يتطلب حلول أخرى قد تكون معقدة بعض الشيء
الأنواع الأربعة للتعلم الآلي
وبحسب أنواع البيانات يمكن تقسيم خوارزميات التعلم الآلي الى 4 انواع رئيسية وهي :
- التعلم تحت الإشراف – Supervised Learning
- التعليم الغير خاضع للإشراف – Unsupervised learning
- التعلم شبه الخاضع للإشراف – Semi-supervised learning
- التعلم المعزز – Reinforcement learning
لنلقي نظرة على كل نوع على حدة :
1- التعلم الخاضع للإشراف:
تطبق خوارزميات التعلم الآلي الخاضعة للإشراف – Supervised Learning ما تم تعلمه في الماضي على البيانات الجديدة باستخدام الأمثلة المصنفة للتنبؤ بالأحداث المستقبلية.
ففي هذا النوع من التعلم الآلي ، يقوم علماء البيانات بتزويد الخوارزميات ببيانات التدريب المحددة وتحديد المتغيرات التي يريدون من الخوارزمية تقييمها ، حيث يتم في هذا النوع تحديد كل من المدخلات المحددة والمخرجات المطلوبة من الخوارزمية.
بشكل آخر : في التعلم الخاضع للإشراف ، يتمثل هدفنا في تعلم وظيفة التعيين (f) ، والتي تشير إلى القدرة على فهم كيفية مطابقة المدخلات (X) مع المخرجات (Y) باستخدام البيانات المتاحة.
عندما يتم تدريب النماذج على هذه الأمثلة ، يمكننا استخدامها لعمل تنبؤات جديدة بشأن البيانات غير المرئية
خوارزميات التعلم الخاضعة للإشراف جيدة للمهام التالية:
- Binary classification : التصنيف الثنائي و يقوم بتقسيم البيانات إلى فئتين
- Multi-class classification: التصنيف متعدد الفئات ويقوم بالاختيار بين أكثر من نوعين من الإجابات.
- Regression modeling: نموذج الانحدار ويقوم بالتنبؤ بالقيم المستمرة مثل توقع حالة الطقس
- Ensembling: التجميع وهو الجمع بين تنبؤات نماذج التعلم الآلي المتعددة لإنتاج تنبؤ دقيق.
يمكن أن تكون التسميات المتوقعة أرقامًا أو تصنيفات على سبيل المثال إذا كنا نتوقع” أسعار” فإن الناتج سيكون رقمًا في هذه الحالة النموذج هو نموذج انحدار ، لكن إذا كنا نتوقع ما إذا كان البريد الإلكتروني بريدًا عشوائيًا أم لا ، فإن المخرجات عبارة عن فئة والنموذج هو نموذج تصنيف.
أمثلة على التعلم الخاضع للإشراف
1- أسعار المنازل : أحد الأمثلة العملية للتعلم تحت الإشراف هو توقع أسعار المساكن ، حيث يتم تحقيق ذلك عن طريق ادخال بيانات حول المنازل مثل المساحة بالقدم المربع ، وعدد الغرف ، والميزات ، وما إذا كان المنزل به حديقة أم لا وغيرها ، نحتاج بعد ذلك إلى معرفة أسعار هذه المنازل ، فمن خلال الاستفادة من البيانات الواردة من آلاف المنازل ومميزاتها وأسعارها ، يمكننا الآن تدريب نموذج التعلم الآلي الخاضع للإشراف للتنبؤ بسعر منزل جديد اعتماداََ على الأمثلة التي تعلمها النموذج.
2- معرفة الطقس : لعمل تنبؤات صحيحة للطقس نحتاج إلى مراعاة المعلمات المختلفة ، بما في ذلك بيانات درجة الحرارة ، وهطول الأمطار ، والرياح ، والرطوبة ، وما إلى ذلك.
يعد توقع درجة حرارة اليوم مشكلة انحدار ، حيث تكون تسميات المخرجات عبارة عن متغيرات مستمرة ، في المقابل فإن التنبؤ بما إذا كان سيتساقط الثلج أم لا غدًا يمثل مشكلة تصنيف ثنائية.
3-من هم العملاء غير الراضين : أحد الموضوعات الشائعة بشكل خاص في تصنيف النص هو التنبؤ بمشاعر جزء من النص ، مثل تغريدة أو مراجعة منتج ، و تستخدم مشكلة تصنيف النص بشكل كبير في التجارة الإلكترونية لمساعدة الشركات على تحديد التعليقات السلبية التي يدلي بها العملاء.
2- التعلم الآلي غير الخاضع للإشراف
يستخدم التعلم غير الخاضع للإشراف خوارزميات – Unsupervised learning التعلم الآلي لتحليل مجموعات البيانات غير المصنفة وتجميعها حيث تكتشف هذه الخوارزميات الأنماط الخفية أو مجموعات البيانات دون الحاجة إلى تدخل بشري.
هذا يعني ببساطة أننا وحدنا ونحتاج إلى معرفة النتائج بأنفسنا من خلال استخلاص النتائج من الملاحظات في بيانات الإدخال.
خوارزميات التعلم غير الخاضعة للإشراف جيدة للمهام التالية :
- Clustering: التجميع وهو تقسيم مجموعة البيانات إلى مجموعات بناءً على التشابه.
- Anomaly detection: تحديد نقاط البيانات غير المعتادة في مجموعة البيانات.
- Association mining: تحديد مجموعات العناصر في مجموعة البيانات التي تحدث بشكل متكرر معًا.
- Dimensionality reduction: تقليل عدد المتغيرات في مجموعة البيانات.
أمثلة على التعلم غير الخاضع للإشراف
1- البحث عن شرائح العملاء : التجميع “Clustering” هو أسلوب غير خاضع للإشراف حيث يكون الهدف هو العثور على مجموعات أو مجموعات طبيعية في مساحة وتفسير بيانات الإدخال.
يستخدم التجميع بشكل كبير لتحديد شرائح العملاء في بيانات التسويق حيث تساعد القدرة على تحديد شرائح مختلفة من العملاء فرق التسويق على التعامل مع شرائح العملاء هذه بطرق مختلفة ، تشمل هذه الشرائح ( الجنس والموقع والعمر والتعليم و الدخل وما إلى ذلك.)
2- التقليل من تعقيد المشكلة
تقليل الأبعاد هو أسلوب تعليمي غير خاضع للإشراف يستخدم عندما يكون الهدف هو تقليل عدد المتغيرات العشوائية التي تكون قيد الدراسة
على سبيل المثال : نفترض أننا نريد التنبؤ بمدى قدرة مقدم الطلب على سداد قرض من منظور البنك ، هنا نحتاج إلى مساعدة البنك في إعداد نظام التعلم الآلي بحيث يمكن منح كل قرض للمتقدمين الذين يمكنهم سداد القرض ،
نحتاج إلى الكثير من المعلومات حول كل تطبيق لعمل تنبؤات ، هناك بعض المتطلبات الأساسية حول المتقدمين مثل متوسط الدخل الشهري للطلب ، والديون ، وتاريخ الائتمان ، وغيرها من معلومات الهامة.
لكن عادةً ما تجمع البنوك المزيد من المعلومات من المتقدمين عند تلقي طلباتهم مثل العمر والجنس فهذه المعلومات على الأغلب لا تعتبر هامة لتحديد هل يمكن للشخص سداد القرض أم لا.
من المهم أن نفهم أنه ليست كل ميزة تضيف قيمة لحل المشكلة لذلك يعد التخلص من هذه الميزات جزءًا أساسيًا من التعلم الآلي ، ففي اختيار الميزة “Feature selection” يتم استبعاد مجموعة فرعية من مجموعة الميزات الأصلية ما يجعل نتائج التعلم الآلي أقوى وأكثر دقة.
3-التعلم شبه الخاضع للإشراف
يتضمن هذا النوع للتعلم الآلي مزيجًا من النوعين السابقين ، حيث قد يقوم علماء البيانات بتغذية خوارزمية يتم تصنيفها في الغالب ببيانات التدريب ، ولكن يكون للنموذج الحرية لاستكشاف البيانات بمفرده وتطوير فهمه الخاص لمجموعة البيانات.
يعمل التعلم شبه الخاضع للإشراف – Semi-supervised learning من خلال علماء البيانات على تغذية كمية صغيرة من بيانات التدريب المسمى إلى خوارزمية ، من هذه البيانات تتعلم الخوارزمية أبعاد مجموعة البيانات ، والتي يمكن أن تطبقها بعد ذلك على البيانات الجديدة غير المسماة
يتحسن أداء الخوارزميات عادة عندما تتدرب على مجموعات البيانات المصنفة لكن تصنيف البيانات عادة ما يحتاج الى الكثير من الوقت والتكلفة ، هنا يكون التعلم شبه الخاضع للإشراف حلاَ وسط بين أداء التعلم الخاضع للإشراف وكفاءة التعلم غير الخاضع للإشراف
أمثلة على التعلم شبه الخاضع للإشراف
1- التعرف على الكلام :التعرف على الكلام – Speech recognition : وهي قدرة تستخدم معالجة اللغة الطبيعية (NLP) لترجمة الكلام البشري إلى نص مكتوب ، أصبحت العديد من الأجهزة المحمولة تدمج ميزة التعرف على الكلام في أنظمتها لإجراء بحث صوتي – على سبيل المثال نظام Siri — أو تحسين إمكانية الوصول للرسائل النصية.
2- خدمة العملاء : في خدمة العملاء تحل روبوتات الدردشة عبر الإنترنت محل الوكلاء البشريين على طول رحلة العميل ، حيث تجيب روبوتات الدردشة على الأسئلة الشائعة (FAQs) حول موضوعات مثل الشحن ، أو تقدم نصائح مخصصة ، أو بيع المنتجات أو اقتراح الأحجام للمستخدمين بالإضافة الى المهام التي يقوم بها عادة المساعدين الافتراضيين والمساعدين الصوتيين.
3- كشف الاحتيال : يمكن للبنوك والمؤسسات المالية الأخرى استخدام التعلم الآلي لاكتشاف المعاملات المشبوهة.
4- التداول الآلي في الأسهم : تم تصميم منصات التداول عالية التردد التي تعتمد على الذكاء الاصطناعي لتحسين محافظ الأسهم ، مما يجعل الآلاف أو حتى ملايين الصفقات تتم يوميًا دون تدخل بشري.
5- تصنيف محتوى الويب : تُستخدم أشكال التعلم شبه الخاضع للإشراف لفهرسة محتوى الويب وتصنيفه بهدف تحسين تجربة المستخدم ، واظهار النتائج المتعلقة بعمليات البحث.
4- التعلم المعزز
يستخدم علماء البيانات عادةً التعلم المعزز- Reinforcement learning لتعليم الآلة لإكمال عملية متعددة الخطوات لها قواعد محددة بوضوح ، حيث يبرمج علماء البيانات خوارزمية لإكمال مهمة ما وإعطائها إشارات إيجابية أو سلبية على كيفية إكمال المهمة ولكن بالنسبة للجزء الأكبر ، تقرر الخوارزمية من تلقاء نفسها الخطوات التي يجب اتخاذها على طول الطريق.
أمثلة على التعلم المعزز
- الروبوتات: يمكن أن تتعلم الروبوتات أداء المهام في العالم الحقيقي باستخدام هذه التقنية.
- العاب الفيديو: تم استخدام التعلم المعزز لتعليم الروبوتات لعب عدد من ألعاب الفيديو.
- إدارة الموارد: بالنظر إلى الموارد المتاحة والهدف المحدد ، يمكن أن يساعد التعلم المعزز المؤسسات التخطيط حول كيفية تخصيص الموارد وإدارتها.
مميزات التعلم الآلي
1. يحدد بسهولة الاتجاهات والأنماط : يمكن للتعلم الآلي مراجعة كميات كبيرة من البيانات واكتشاف اتجاهات وأنماط محددة قد لا تكون واضحة للبشر على سبيل المثال “في المتاجر الإلكترونية يمكن لخوارزمية التعلم الآلي دراسة وتحليل سلوك العملاء بدقة كبيرة “
2. لا حاجة إلى تدخل بشري (أتمتة) : نظرًا لأن التعلم الالي يعني منح الآلات القدرة على التعلم ، فإنه يتيح لها إجراء تنبؤات وكذلك تحسين الخوارزميات بنفسها ، من الأمثلة الشائعة على ذلك برامج مكافحة الفيروسات حيث تتعلم الخوارزميات التعرف على التهديدات الجديدة و تصفيتها ، و يعتبر أيضًا جيدًا في التعرف على البريد العشوائي.
3. التحسين المستمر : مع اكتساب خوارزميات ML الخبرة ، فإنها تستمر في التحسن من حيث الدقة والكفاءة ما يتيح لها اتخاذ قرارات أفضل، فمع استمرار زيادة حجم البيانات تتعلم الخوارزميات إجراء تنبؤات أكثر دقة بشكل أسرع.
4. التعامل مع البيانات المختلفة : تعد خوارزميات التعلم الآلي جيدة في التعامل مع البيانات متعددة الأبعاد والمتنوعة حيث يمكنها القيام بذلك في بيئات ديناميكية أو غامضة.
5. له تطبيقات واسعة : أصبح التعلم الآلي يدخل في مختلف المجالات فلو كان لديك متجر الكتروني أو مقدم رعاية صحية او تمتلك شركة ما فيمكنك أن تجعل ML يعمل من أجلك
عيوب التعلم الآلي
1. الحصول على البيانات : يدور المفهوم الكامل للتعلم الآلي حول تحديد البيانات المفيدة ، ستكون النتيجة غير صحيحة إذا لم يتم توفير مصدر بيانات موثوق ،جودة البيانات مهمة أيضا، اضافة لذلك إذا احتاج المستخدم أو المؤسسة إلى مزيد من البيانات عالية الجودة سيتطلب ذلك الانتظار ما يؤدي إلى تأخير في تقديم الإخراج ، لذلك يعتمد التعلم الآلي بشكل كبير على البيانات وجودتها.
2. الوقت والموارد : تظل البيانات التي تعالجها الآلات ضخمة من حيث الكمية وتختلف بشكل كبير بحسب كل خوارزمية ، تتطلب الآلات وقتًا حتى تتمكن خوارزميتها من التكيف مع البيئة وتعلمها حيث تعتبر عمليات التشغيل التجريبية مكلفة لأنها ستكلف من حيث الوقت والنفقات.
3. النتائج و التفسيرات : واحدة من أكبر عيوب التعلم الآلي هي أن البيانات المفسرة / المخرجات التي نحصل عليها لا يمكن أن تكون دقيقة بنسبة 100%، دائما سيكون هناك درجة من عدم الدقة.
4. ارتفاع فرص الخطأ: الخطأ المرتكب خلال المراحل الأولى كبير ، وإذا لم يتم تصحيحه في البداية سيؤدي إلى نتائج قد تكون كارثية ، لذلك يجب التعامل مع التحيز والخطأ بشكل منفصل ، فالتعلم الآلي يعتمد على عاملين هما البيانات والخوارزمية ، وأي خطأ في أي متغيرات سيكون له تأثيرات كبيرة على النتائج والمخرجات.
5. مكلف للغاية : التعلم الآلي مكلف للغاية ، ولا يمكن لأي شخص امتلاكه ، تمتلكه في الغالب الوكالات الحكومية والشركات الكبرى ، يجب إتاحتها للجميع لاستخدامها على نطاق واسع.
اقرأ أيضاََ : التعلم الآلي التعلم العميق والبرمجة اللغوية العصبية ! العمود الفقري للذكاء الاصطناعي
الخاتمة :
التعلم الآلي هو أحد مجالات علوم الكمبيوتر ، والذي أصبح الآن شائعًا نظرًا لانخفاض تكلفة الأجهزة والمعالجة والتكنولوجيا السحابية والتخزين والحجم المتزايد للبيانات الناتجة عن البيانات الضخمة.
يقوم علماء البيانات بجمع واستكشاف وتنظيف والتحقق من سلامة البيانات باستخدام الرياضيات والإحصاءات ومهارات الهندسة الحسابية لبناء النماذج ، مثل التنبؤ بسلوك المستهلك أو تحديد شرائح العملاء ، بعد ذلك يمكنهم تنفيذ هذه النماذج باستخدام خوارزميات التعلم الآلي ، لذلك أصبح التعلم الآلي أمرًا لا غنى عنه للبيانات الضخمة.
تطورت تطبيقات التعلم الآلي في العديد من مجالات الأنشطة البشرية مثل الصحة والتعليم والترفيه والاحتيال والصناعة ، نتج عن هذه المجالات تطوير خوارزميات تسمح بتحليل كميات كبيرة من البيانات ، مع نتائج سريعة ودقيقة وتنبؤات تولد القرارات دون تدخل بشري.
اقرأ أيضاََ : +45 مصطلحًا في الذكاء الاصطناعي يجب أن يعرفها كل مهتم في هذا المجال
اقرأ أيضاََ : دليلك لتصبح مهندساََ في مجال الذكاء الاصطناعي – المهارات المطلوبة والفرص المتاحة
