تعلُّم آلي

ماذا يعني التعلم الآلي (ML)؟

التعلّم الآلي (ML) Machine Learning هو فئة فرعية من الذكاء الاصطناعي (AI) الذي يبني نماذج خوارزمية لتحديد الأنماط والعلاقات في البيانات. وفي هذا السياق، فإن كلمة آلة هي مرادف لبرنامج كمبيوتر وكلمة تعلّم تصف كيف تصبح خوارزميات تعلّم الآلة أكثر دقة كلما تلقت بيانات إضافية.

إن مفهوم التعلم الآلي ليس جديدًا، ولكن تطبيقه العملي في مجال الأعمال لم يكن ممكنًا من الناحية العملية حتى ظهور الإنترنت والتطورات الأخيرة في تحليلات البيانات الضخمة والحوسبة السحابية. وذلك لأن تدريب خوارزمية تعلّم الآلة للعثور على الأنماط في البيانات يتطلب الكثير من موارد الحوسبة والوصول إلى البيانات الضخمة.

يُستخدم مصطلحا الذكاء الاصطناعي والتعلم الآلي في بعض الأحيان كمرادفين لأن معظم مبادرات الذكاء الاصطناعي كانت حتى وقت قريب ضيقة النطاق، وكانت معظم نماذج التعلم الآلي مصممة لأداء مهمة واحدة، وتستخدم التعلم تحت الإشراف وتتطلب مجموعات بيانات كبيرة ومُعلّمة للتدريب. واليوم، يمكن استخدام أتمتة العمليات الروبوتية (RPA) لأتمتة عملية المعالجة المسبقة للبيانات وجعل تدريب خوارزمية التعلم الآلي أسرع بكثير.

شرح Techopedia للتعلم الآلي (ML)

تتطلب نماذج التعلم الآلي عالية الجودة بيانات تدريب عالية الجودة والوصول إلى مجموعات كبيرة من البيانات من أجل استخراج الميزات الأكثر صلة بأهداف العمل المحددة والكشف عن الارتباطات ذات المغزى.

نماذج التعلم الآلي

نموذج تعلّم الآلة هو ببساطة ناتج خوارزمية تعلّم الآلة التي تم تشغيلها على البيانات. تتضمن الخطوات المتبعة في بناء نموذج التعلم الآلي ما يلي:

• جمع بيانات التدريب.
• إعداد البيانات للتدريب.
• تحديد خوارزمية التعلم التي يجب استخدامها.
• تدريب خوارزمية التعلّم.
• تقييم مخرجات خوارزمية التعلم.
• تعديل المتغيرات (المعلمات الفائقة hyperparameters) التي تحكم عملية التدريب من أجل تحسين المخرجات إذا لزم الأمر.

في إعدادات التعلم الآلي النموذجية، تتطلب خوارزميات التعلم الآلي الخاضعة للإشراف مجموعة بيانات تتألف من أمثلة حيث يتكون كل مثال من مدخلات ومخرجات. في مثل هذا الإعداد، يتمثل الهدف النموذجي لتدريب خوارزمية تعلّم الآلة في تحديث معلمات النموذج التنبؤي لضمان أن تنتج أشجار قرارات النموذج النتائج المرجوة باستمرار. وهنا يأتي دور الإنتروبيا.

الإنتروبيا Entropy هي صيغة رياضية تُستخدم لقياس الاضطراب والعشوائية في نظام مغلق. في مشاريع التعلّم الآلي، يتمثل أحد الأهداف المهمة في التأكد من بقاء الإنتروبيا منخفضة قدر الإمكان لأن هذا المقياس سيحدد كيفية اختيار أشجار القرار في النموذج لتقسيم البيانات.

تدريب التعلم الآلي

هناك ثلاثة أنواع رئيسية من الخوارزميات المستخدمة لتدريب نماذج التعلم الآلي: التعلم الموّجه والتعلم غير الموّجه والتعلم المعزز.

• التعلّم الموجه Supervised learning – يتم إعطاء الخوارزمية بيانات تدريب مصنفة (المدخلات) وتُعرض عليها الإجابة الصحيحة (المخرجات). يستخدم هذا النوع من خوارزميات التعلّم النتائج من مجموعات البيانات التاريخية للتنبؤ بقيم المخرجات للبيانات الجديدة الواردة.
• التعلّم غير الموجه Unsupervised learning – يتم إعطاء الخوارزمية بيانات تدريب غير مصنفة. بدلًا من أن يُطلب منها التنبؤ بالمخرجات الصحيحة، يستخدم هذا النوع من خوارزميات التعلّم بيانات التدريب لاكتشاف الأنماط التي يمكن تطبيقها بعد ذلك على مجموعات أخرى من البيانات التي تظهر سلوكًا مشابهًا. في بعض الحالات، قد يكون من الضروري استخدام كمية صغيرة من البيانات المصنفة مع كمية أكبر من البيانات غير المصنفة أثناء التدريب. غالبًا ما يشار إلى هذا النوع من التدريب باسم التعلّم الآلي شبه الخاضع للإشراف.
• التعلّم المعزز Reinforcement learning – بدلاً من إعطاء بيانات التدريب، يتم إعطاء الخوارزمية إشارة مكافأة وتبحث عن أنماط في البيانات التي ستعطي المكافأة. غالبًا ما يتم اشتقاق مدخلات هذا النوع من خوارزمية التعلّم من تفاعل خوارزمية التعلّم مع بيئة مادية أو رقمية.

ما الذي يسبب التحيز في التعلم الآلي؟

هناك رغبة متزايدة من قبل عامة الناس في أن يكون الذكاء الاصطناعي – وخوارزميات التعلم الآلي على وجه الخصوص – شفافاً وقابلاً للتفسير، ولكن شفافية الخوارزميات في التعلم الآلي قد تكون أكثر تعقيداً من مجرد مشاركة الخوارزمية التي تم استخدامها للتنبؤ بتوقع معين.

يتفاجأ العديد من الأشخاص الجدد في مجال تعلّم الآلة عندما يكتشفون أن الخوارزميات الرياضية ليست هي السرية، بل إن معظم خوارزميات تعلّم الآلة الشائعة المستخدمة اليوم متاحة مجاناً. فبيانات التدريب هي التي لها قيمة الملكية وليس الخوارزمية المستخدمة.

لسوء الحظ، نظرًا لأن البيانات المستخدمة لتدريب خوارزمية التعلّم يتم اختيارها من قبل إنسان، يمكن أن يؤدي ذلك عن غير قصد إلى إدخال تحيز في نموذج التعلّم الآلي الذي يتم بناؤه. كما أن الطبيعة التكرارية لخوارزميات التعلم يمكن أن تجعل من الصعب على مهندسي التعلم الآلي العودة إلى الوراء وتتبع المنطق وراء تنبؤ معين.

عندما يكون من الممكن لعالم البيانات أو مهندس التعلّم الآلي أن يشرح كيف تم إجراء تنبؤ معين، يمكن الإشارة إلى نموذج التعلّم الآلي على أنه ذكاء اصطناعي قابل للتفسير. عندما لا يكون من الممكن الكشف عن كيفية إجراء تنبؤ معين – إما لأن العمليات الحسابية معقدة للغاية أو لأن بيانات التدريب مملوكة – يمكن الإشارة إلى نموذج التعلم الآلي باسم الصندوق الأسود للذكاء الاصطناعي.

عمليات التعلم الآلي MLops

يشرف على مشاريع التعلم الآلي عادةً علماء البيانات ومهندسو التعلم الآلي. عادةً ما تتضمن وظيفة عالم البيانات عادةً إنشاء فرضية وكتابة التعليمات البرمجية التي نأمل أن تثبت صحة الفرضية. بينما تركز وظيفة مهندس التعلم الآلي على عمليات التعلم الآلي (MLOps).

عمليات تعلّم الآلة هي نهج لإدارة دورة حياة نموذج تعلّم الآلة بالكامل – بما في ذلك التدريب والضبط والاستخدام اليومي في بيئة الإنتاج والتقاعد النهائي. لهذا السبب يحتاج مهندسو تعلُّم الآلة إلى معرفة عملية بنمذجة البيانات وهندسة الميزات والبرمجة – بالإضافة إلى امتلاك خلفية قوية في الرياضيات والإحصاء.

من الناحية المثالية، سيتعاون علماء البيانات ومهندسو التعلم الآلي في نفس المؤسسة عند تحديد نوع خوارزمية التعلم التي ستعمل بشكل أفضل لحل مشكلة عمل معينة، ولكن في بعض الصناعات تقتصر وظيفة مهندس التعلم الآلي على تحديد البيانات التي يجب استخدامها للتدريب وكيفية التحقق من صحة نتائج نموذج التعلم الآلي.