ما هو التعلم الآلي؟ وكيف تعلم خوارزميات التعلم الآلي ؟

في صيف عام 1955 ، أثناء التخطيط لورشة عمل مشهورة الآن في كلية دارتموث ، صاغ جون مكارثي مصطلح “الذكاء الاصطناعي” لوصف مجال جديد من علوم الكمبيوتر. بدلاً من كتابة البرامج التي تخبر الكمبيوتر بكيفية تنفيذ مهمة محددة ، تعهد مكارثي أنه وزملاؤه سيتبعون بدلاً من ذلك خوارزميات يمكنها تعليم أنفسهم كيفية القيام بذلك. كان الهدف هو إنشاء أجهزة كمبيوتر يمكنها مراقبة العالم ومن ثم اتخاذ قرارات بناءً على تلك الملاحظات – لإثبات ، أي ذكاء فطري.

كان السؤال كيف نحقق هذا الهدف. ركزت الجهود المبكرة في المقام الأول على ما يعرف بالذكاء الاصطناعي الرمزي ، والذي حاول تعليم أجهزة الكمبيوتر كيفية التفكير بشكل مجرد.

لكن النهج السائد اليوم هو التعلم الآلي ، الذي يعتمد على الإحصائيات بدلاً من ذلك. على الرغم من أن هذا النهج يعود إلى الخمسينيات من القرن الماضي – كان أحد الحاضرين في دارتموث ، آرثر صامويلز ، أول من وصف عمله بأنه “التعلم الآلي” – إلا أنه لم يكن لدى أجهزة الكمبيوتر ما يكفي من التخزين وقوة المعالجة حتى العقود القليلة الماضية النهج للعمل بشكل جيد.

أدى ظهور الحوسبة السحابية والرقائق المخصصة إلى تحقيق تقدم كبير بعد الاختراق ، حيث أعلنت مراكز الأبحاث مثل OpenAI أو DeepMind عن تطورات جديدة مذهلة على ما يبدو كل أسبوع.

جعل النجاح الاستثنائي للتعلم الآلي منه الطريقة الافتراضية المختارة للباحثين والخبراء في مجال الذكاء الاصطناعي. في الواقع ، أصبح التعلم الآلي الآن شائعًا لدرجة أنه أصبح مرادفًا للذكاء الاصطناعي نفسه. نتيجة لذلك ، ليس من الممكن استخلاص الآثار المترتبة على الذكاء الاصطناعي دون فهم كيفية عمل التعلم الآلي – وكذلك كيف لا يعمل.

ما هو التعلم الآلي؟

التعلم الآلي هو أحد فروع الذكاء الاصطناعي الذي يوفر للآلات القدرة على التعلم تلقائيًا من البيانات والتجارب السابقة مع تحديد الأنماط لعمل تنبؤات بأقل تدخل بشري.

تمكّن أساليب التعلم الآلي أجهزة الكمبيوتر من العمل بشكل مستقل دون الحاجة إلى برمجة واضحة. يتم تغذية تطبيقات التعلم الآلي ببيانات جديدة ، ويمكنها التعلم والنمو والتطور والتكيف بشكل مستقل.

يستمد التعلم الآلي معلومات ثاقبة من كميات كبيرة من البيانات من خلال الاستفادة من الخوارزميات لتحديد الأنماط والتعلم في عملية تكرارية. تستخدم خوارزميات التعلم الآلي طرق الحساب للتعلم مباشرة من البيانات بدلاً من الاعتماد على أي معادلة محددة مسبقًا قد تكون بمثابة نموذج.

يتحسن أداء خوارزميات التعلم الآلي بشكل تكيفي مع زيادة عدد العينات المتاحة أثناء عمليات “التعلم”. على سبيل المثال ، يعد التعلم العميق مجالًا فرعيًا للتعلم الآلي الذي يقوم بتدريب أجهزة الكمبيوتر لتقليد السمات البشرية الطبيعية مثل التعلم من الأمثلة. يوفر معلمات أداء أفضل من خوارزميات التعلم الآلي التقليدية.

في حين أن التعلم الآلي ليس مفهومًا جديدًا – يعود تاريخه إلى الحرب العالمية الثانية عندما تم استخدام آلة Enigma – فإن القدرة على تطبيق الحسابات الرياضية المعقدة تلقائيًا على أحجام وأنواع متزايدة من البيانات المتاحة هي تطور حديث نسبيًا.

اليوم ، مع ظهور البيانات الضخمة وإنترنت الأشياء والحوسبة في كل مكان ، أصبح التعلم الآلي ضروريًا لحل المشكلات في العديد من المجالات ، مثل:

• التمويل الحسابي (حساب الائتمان ، التداول الحسابي)
• الرؤية الحاسوبية (التعرف على الوجه ، تتبع الحركة ، كشف الأشياء)
• البيولوجيا الحاسوبية (تسلسل الحمض النووي ، اكتشاف أورام المخ ، اكتشاف الأدوية)
• السيارات والطيران والتصنيع (الصيانة التنبؤية)
• معالجة اللغة الطبيعية (التعرف على الصوت)

كيف يعمل التعلم الآلي؟

يتم تشكيل خوارزميات التعلم الآلي في مجموعة بيانات تدريبية لإنشاء نموذج. نظرًا لإدخال بيانات الإدخال الجديدة إلى خوارزمية التعلم الآلي المدربة ، فإنها تستخدم النموذج المطور لعمل تنبؤ.

ملاحظة: يوضح الرسم التوضيحي أعلاه سيناريو حالة استخدام عالية المستوى. ومع ذلك ، قد تتضمن أمثلة التعلم الآلي النموذجية العديد من العوامل والمتغيرات والخطوات الأخرى.

علاوة على ذلك ، يتم التحقق من التنبؤ للتأكد من دقته. بناءً على دقتها ، يتم نشر خوارزمية التعلم الآلي أو تدريبها بشكل متكرر باستخدام مجموعة بيانات تدريب معززة حتى يتم تحقيق الدقة المطلوبة.

أنواع التعلم الآلي

يمكن تدريب خوارزميات التعلم الآلي بعدة طرق ، ولكل طريقة مزاياها وعيوبها. بناءً على أساليب وطرق التعلم هذه ، يتم تصنيف التعلم الآلي على نطاق واسع إلى أربعة أنواع رئيسية:

1.التعلم الآلي الخاضع للإشراف

يتضمن هذا النوع من التعلم الآلي الإشراف ، حيث يتم تدريب الآلات على مجموعات البيانات ذات العلامات وتمكينها من التنبؤ بالمخرجات بناءً على التدريب المقدم. تحدد مجموعة البيانات المسماة تعيين بعض معلمات الإدخال والإخراج بالفعل. وبالتالي ، يتم تدريب الآلة على المدخلات والمخرجات المقابلة. يتم تصنيع جهاز للتنبؤ بالنتيجة باستخدام مجموعة بيانات الاختبار في المراحل اللاحقة.

على سبيل المثال ، ضع في اعتبارك مجموعة بيانات إدخال لصور الببغاء والغراب. في البداية ، يتم تدريب الآلة على فهم الصور ، بما في ذلك لون الببغاء والغراب والعينين والشكل والحجم. بعد التدريب ، يتم توفير صورة إدخال لببغاء ، ومن المتوقع أن تحدد الآلة الكائن والتنبؤ بالإخراج. تتحقق الآلة المدربة من الميزات المختلفة للكائن ، مثل اللون والعينين والشكل وما إلى ذلك ، في الصورة المدخلة ، لعمل توقع نهائي. هذه هي عملية تحديد الكائن في التعلم الآلي الخاضع للإشراف.

الهدف الأساسي من أسلوب التعلم الخاضع للإشراف هو تعيين متغير الإدخال (أ) مع متغير المخرجات (ب). يتم تصنيف التعلم الآلي الخاضع للإشراف إلى فئتين رئيسيتين:

• التصنيف:

يشير هذا إلى الخوارزميات التي تعالج مشاكل التصنيف حيث يكون متغير المخرجات فئويًا ؛ على سبيل المثال ، نعم أو لا ، صواب أو خطأ ، ذكر أو أنثى ، إلخ. تتجلى التطبيقات الواقعية لهذه الفئة في اكتشاف البريد العشوائي وتصفية البريد الإلكتروني.

تتضمن بعض خوارزميات التصنيف المعروفة خوارزمية Random Forest ، وخوارزمية شجرة القرار ، وخوارزمية الانحدار اللوجستي ، وخوارزمية آلة المتجهات الداعمة.

• الانحدار:

تعالج خوارزميات الانحدار مشاكل الانحدار حيث يكون لمتغيرات الإدخال والإخراج علاقة خطية. من المعروف أن هذه تتنبأ بمتغيرات الإخراج المستمرة. تشمل الأمثلة التنبؤ بالطقس ، وتحليل اتجاهات السوق ، وما إلى ذلك.

تتضمن خوارزميات الانحدار الشائعة خوارزمية الانحدار الخطي البسيط وخوارزمية الانحدار متعدد المتغيرات وخوارزمية شجرة القرار وانحدار لاسو.

2.التعلم الآلي غير الخاضع للإشراف

يشير التعلم غير الخاضع للإشراف إلى أسلوب التعلم الذي لا يخضع للإشراف. هنا ، يتم تدريب الآلة باستخدام مجموعة بيانات غير مسماة ويتم تمكينها للتنبؤ بالإخراج دون أي إشراف. تهدف خوارزمية التعلم غير الخاضعة للإشراف إلى تجميع مجموعة البيانات غير المصنفة بناءً على أوجه التشابه والاختلاف والأنماط في الإدخال.

على سبيل المثال ، ضع في اعتبارك مجموعة بيانات إدخال لصور حاوية مليئة بالفاكهة. هنا ، الصور غير معروفة لنموذج التعلم الآلي. عندما نقوم بإدخال مجموعة البيانات في نموذج التعلم الآلي، فإن مهمة النموذج هي تحديد نمط الكائنات ، مثل اللون أو الشكل أو الاختلافات التي تظهر في الصور المدخلة وتصنيفها. عند التصنيف ، يتنبأ الجهاز بعد ذلك بالإخراج حيث يتم اختباره باستخدام مجموعة بيانات الاختبار.

يتم تصنيف التعلم الآلي غير الخاضع للإشراف إلى نوعين:

• التجميع:

يشير أسلوب التجميع إلى تجميع الكائنات في مجموعات بناءً على معلمات مثل أوجه التشابه أو الاختلافات بين الكائنات. على سبيل المثال ، تجميع العملاء حسب المنتجات التي يشترونها.

تتضمن بعض خوارزميات التجميع المعروفة خوارزمية K-Means Clustering ، وخوارزمية متوسط التحول ، وخوارزمية DBSCAN ، وتحليل المكونات الرئيسية ، وتحليل المكونات المستقلة.

• الارتباط:

يشير التعلم الجماعي إلى تحديد العلاقات النموذجية بين متغيرات مجموعة بيانات كبيرة. يحدد تبعية عناصر البيانات المختلفة وخرائط المتغيرات المرتبطة. تشمل التطبيقات النموذجية التنقيب عن استخدام الويب وتحليل بيانات السوق.

تتضمن الخوارزميات الشائعة التي تتبع قواعد الارتباط خوارزمية Apriori ، وخوارزمية Eclat ، وخوارزمية FP-Growth.

3.التعلم شبه تحت الإشراف

يشتمل التعلم شبه الخاضع للإشراف على خصائص التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف. يستخدم مزيجًا من مجموعات البيانات المصنفة وغير المسماة لتدريب الخوارزميات الخاصة به. باستخدام كلا النوعين من مجموعات البيانات ، يتغلب التعلم شبه الخاضع للإشراف على عيوب الخيارات المذكورة أعلاه.

ضع في اعتبارك مثالًا لطالب جامعي. يُطلق على الطالب الذي يتعلم مفهومًا تحت إشراف المعلم في الكلية “التعلم الخاضع للإشراف”. في التعلم غير الخاضع للإشراف ، يتعلم الطالب ذاتيًا نفس المفهوم في المنزل دون توجيه من المعلم. وفي الوقت نفسه ، فإن الطالب الذي يراجع المفهوم بعد التعلم تحت إشراف معلم في الكلية هو شكل من أشكال التعلم شبه الخاضعة للإشراف.

4.التعلم المعزز

التعلم المعزز هو عملية قائمة على التغذية الراجعة. هنا ، يقوم مكون الذكاء الاصطناعي تلقائيًا بتقييم محيطه من خلال طريقة التشغيل والتجربة ، واتخاذ الإجراءات ، والتعلم من التجارب ، وتحسين الأداء. يكافأ المكون على كل عمل جيد ويعاقب على كل خطوة خاطئة. وبالتالي ، يهدف عنصر التعلم المعزز إلى تعظيم المكافآت من خلال أداء الإجراءات الجيدة.

على عكس التعلم الخاضع للإشراف ، يفتقر التعلم المعزز إلى البيانات المصنفة ، ويتعلم الوكلاء من خلال التجارب فقط. ضع في اعتبارك ألعاب الفيديو. هنا ، تحدد اللعبة البيئة ، وتحدد كل حركة لعامل التعزيز حالتها. يحق للوكيل تلقي ردود الفعل من خلال العقوبة والمكافآت ، مما يؤثر على النتيجة الإجمالية للعبة. الهدف النهائي للوكيل هو تحقيق درجة عالية.

يتم تطبيق التعلم المعزز عبر مجالات مختلفة مثل نظرية الألعاب ونظرية المعلومات والأنظمة متعددة العوامل. ينقسم التعلم المعزز كذلك إلى نوعين من الأساليب أو الخوارزميات:

• التعلم التعزيزي الإيجابي: يشير هذا إلى إضافة حافز معزز بعد سلوك معين للعامل ، مما يزيد من احتمالية حدوث السلوك مرة أخرى في المستقبل ، على سبيل المثال ، إضافة مكافأة بعد السلوك.
• التعلم التعزيزي السلبي: يشير التعلم التعزيزي السلبي إلى تقوية سلوك معين يتجنب النتائج السلبية.

أفضل 5 تطبيقات لتعلم الآلة

أدركت قطاعات الصناعة التي تتعامل مع كميات كبيرة من البيانات أهمية وقيمة تكنولوجيا التعلم الآلي. نظرًا لأن التعلم الآلي يستمد الرؤى من البيانات في الوقت الفعلي ، يمكن للمؤسسات التي تستخدمها العمل بكفاءة والحصول على ميزة على منافسيها.

تستفيد كل صناعة في هذا العالم الرقمي سريع الخطى بشكل كبير من تقنية التعلم الآلي. هنا ، نلقي نظرة على أهم خمسة قطاعات لتطبيق التعلم الآلي.

1.صناعة الرعاية الصحية

يتم اعتماد التعلم الآلي بشكل متزايد في صناعة الرعاية الصحية ، حيث يُمنح الائتمان للأجهزة والأجهزة القابلة للارتداء مثل أجهزة تتبع اللياقة البدنية القابلة للارتداء ، والساعات الصحية الذكية ، وما إلى ذلك. تراقب جميع هذه الأجهزة البيانات الصحية للمستخدمين لتقييم صحتهم في الوقت الفعلي.

علاوة على ذلك ، تساعد التكنولوجيا الممارسين الطبيين في تحليل الاتجاهات أو الإبلاغ عن الأحداث التي قد تساعد في تحسين تشخيص المريض وعلاجه. تسمح خوارزميات التعلم الآلي للخبراء الطبيين بالتنبؤ بعمر المريض الذي يعاني من مرض قاتل بدقة متزايدة.

بالإضافة إلى ذلك ، يساهم التعلم الآلي بشكل كبير في مجالين:

• اكتشاف الأدوية: تصنيع أو اكتشاف دواء جديد مكلف ويستغرق عملية طويلة. يساعد التعلم الآلي في تسريع الخطوات المتضمنة في مثل هذه العملية متعددة الخطوات. على سبيل المثال ، تستخدم شركة Pfizer نظام Watson الخاص بشركة IBM لتحليل كميات هائلة من البيانات المتباينة لاكتشاف الأدوية.
• العلاج المخصص: يواجه مصنعو الأدوية تحديًا شديدًا يتمثل في التحقق من فعالية دواء معين على كتلة كبيرة من السكان. وذلك لأن الدواء يعمل فقط على مجموعة صغيرة في التجارب السريرية وربما يسبب آثارًا جانبية على بعض الموضوعات.

لمعالجة هذه المشكلات ، تعاونت شركات مثل Genentech مع GNS Healthcare للاستفادة من منصات التعلم الآلي ومحاكاة الذكاء الاصطناعي ، وابتكار علاجات طبية حيوية لمعالجة هذه المشكلات. تبحث تقنية التعلم الآلي عن علامات استجابة المرضى من خلال تحليل الجينات الفردية ، والتي توفر العلاجات المستهدفة للمرضى.

2.قطاع التمويل

اليوم ، تستخدم العديد من المؤسسات المالية والبنوك تقنية التعلم الآلي للتعامل مع الأنشطة الاحتيالية واستخلاص رؤى أساسية من كميات هائلة من البيانات. تساعد الرؤى المشتقة من التعلم الآلي في تحديد فرص الاستثمار التي تسمح للمستثمرين بتقرير وقت التداول.

علاوة على ذلك ، تساعد أساليب التنقيب عن البيانات أنظمة المراقبة الإلكترونية في التركيز على إشارات التحذير من الأنشطة الاحتيالية ، وبالتالي تحييدها. دخلت العديد من المؤسسات المالية بالفعل في شراكة مع شركات التكنولوجيا للاستفادة من مزايا التعلم الآلي.

على سبيل المثال،

• دخل سيتي بنك في شراكة مع شركة الكشف عن الاحتيال فيدزاي للتعامل مع عمليات الاحتيال المصرفي عبر الإنترنت وشخصًا.
• يستخدم PayPal العديد من أدوات التعلم الآلي للتمييز بين المعاملات المشروعة والاحتيالية بين المشترين والبائعين.

3.قطاع البيع التجزئة

تستخدم مواقع البيع بالتجزئة التعلم الآلي على نطاق واسع للتوصية بالعناصر بناءً على سجل شراء المستخدمين. يستخدم تجار التجزئة تقنيات تعلم الآلة للحصول على البيانات وتحليلها وتقديم تجارب تسوق مخصصة لعملائهم. كما يقومون بتنفيذ التعلم الآلي للحملات التسويقية ورؤى العملاء وتخطيط سلع العملاء وتحسين الأسعار.

عندما تتصفح العناصر على Amazon ، فإن توصيات المنتج التي تراها على الصفحة الرئيسية تنتج من خوارزميات التعلم الآلي. تستخدم أمازون شبكات عصبية اصطناعية (ANN) لتقديم توصيات ذكية ومخصصة ذات صلة بالعملاء استنادًا إلى سجل الشراء الأخير والتعليقات والإشارات المرجعية والأنشطة الأخرى عبر الإنترنت.

تعتمد Netflix و YouTube بشكل كبير على أنظمة التوصية لاقتراح العروض ومقاطع الفيديو لمستخدميها بناءً على سجل المشاهدة الخاص بهم.

علاوة على ذلك ، فإن مواقع البيع بالتجزئة مدعومة أيضًا بمساعدين افتراضيين أو روبوتات محادثة للمحادثة تستفيد من التعلم الآلي ومعالجة اللغة الطبيعية (NLP) وفهم اللغة الطبيعية (NLU) لأتمتة تجارب التسوق للعملاء.

4.صناعة السفر

يلعب التعلم الآلي دورًا محوريًا في توسيع نطاق صناعة السفر. تتمتع الألعاب التي تقدمها Uber و Ola وحتى السيارات ذاتية القيادة بخلفية قوية للتعلم الآلي.

ضع في اعتبارك خوارزمية التعلم الآلي من Uber التي تتعامل مع التسعير الديناميكي لركوبهم. تستخدم أوبر نموذجًا للتعلم الآلي يسمى “Geosurge” لإدارة معلمات التسعير الديناميكي. يستخدم النمذجة التنبؤية في الوقت الحقيقي لأنماط حركة المرور والعرض والطلب. إذا تأخرت عن اجتماع وتحتاج إلى حجز Uber في منطقة مزدحمة ، يبدأ نموذج التسعير الديناميكي ، ويمكنك الحصول على مشوار Uber على الفور ولكنك ستحتاج إلى دفع ضعف الأجرة العادية.

أنظر أيضاً:

• ما هو التعلم العميق؟
• التعلم العميق في الذكاء الاصطناعي

أسئلة وأجوبة حول الذكاء الاصطناعي