تعلم الآلة وتعريفه :
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي (AI)، وهو يركز على تعليم أجهزة الكمبيوتر للتعلم من البيانات والتحسين مع الخبرة . بدلا من برمجتها صراحة للقيام بذلك، في تدريب الآلة، يتم تدريب الخوارزميات على العثور على الأنماط والارتباطات في مجموعات البيانات الكبيرة. وعلى اتخاذ أفضل القرارات ، والتنبؤات على أساس ذلك التحليل، تعمل تطبيقات تدريب الآلة . على تحسين استخدامها وتصبح أكثر دقة كلما زادت البيانات التي يمكنها الوصول إليها.
تطبيقات تدريب الآلة حولنا جميعًا ، في منازلنا وعربات التسوق الخاصة بنا ووسائل الترفيه لدينا والرعاية الصحية لدينا.
كيف يرتبط تدريب الآلة بالذكاء الاصطناعي؟
التعلم الآلي ، ومكوناته من التعلم العميق والشبكات العصبية ، كلها تناسب مجموعات فرعية متحدة المركز من الذكاء الاصطناعي. يعالج الذكاء الاصطناعي، البيانات لاتخاذ القرارات والتنبؤات. لا تسمح خوارزميات تدريب الآلة للذكاء الاصطناعي، بمعالجة تلك البيانات فحسب. بل باستخدامها للتعلم والحصول على ذكاء، دون الحاجة إلى أي برمجة إضافية. الذكاء الاصطناعي، هو الأصل لجميع المجموعات الفرعية لتعلم الآلة تحته. ضمن المجموعة الفرعية الأولى تدريب الآلة، ضمن ذلك التعلم العميق، ثم الشبكات العصبية داخل ذلك.
ما هي الشبكة العصبية؟
يتم تصميم شبكة عصبية اصطناعية (ANN)، على الخلايا العصبية في الدماغ البيولوجي، تسمى الخلايا العصبية الاصطناعية. العقد وتتجمع معا في طبقات متعددة، وتعمل بالتوازي، عندما يتلقى عصبون اصطناعي إشارة عددية. يقوم بمعالجته ، وإشارة الخلايا العصبية الأخرى المتصلة به. كما هو الحال في الدماغ البشري، فإن التعزيز العصبي ، يؤدي إلى تحسين التعرف على الأنماط، والخبرة، والتعلم العام.
ما هو التعلم العميق؟
ويطلق على هذا النوع من التعلم الآلي ، اسم “عميق” لأنه يتضمن العديد من طبقات الشبكة العصبية ، والأحجام الضخمة من البيانات المعقدة والمتباينة، لتحقيق التعلم العميق. يشارك النظام مع طبقات متعددة في الشبكة، واستخراج المخرجات ذات المستوى الأعلى على نحو متزايد. على سبيل المثال، نظام التعلم العميق، الذي يقوم بمعالجة صور الطبيعة والبحث عن Gloriosa daisies . سوف يتعرف – في الطبقة الأولى – على نبات، وعندما يتحرك عبر الطبقات العصبية. فإنه سيحدد بعد ذلك زهرة، ثم ديزي، وأخيرا غلوريوسا ديزي. ومن أمثلة تطبيقات التعلم العميق التعرف على الكلام وتصنيف الصور والتحليل الصيدلاني.
كيف يعمل تدريب الآلة؟
يتكون تدريب الآلة من أنواع مختلفة من نماذج التعلم الآلي، وذلك باستخدام تقنيات خوارزميات مختلفة. واعتمادًا على طبيعة البيانات والنتيجة المطلوبة، يمكن استخدام أحد نماذج التعلم الأربعة. تحت الإشراف أو غير المراقب أو شبه المراقب أو التعزيز، داخل كل نموذج من تلك النماذج، يمكن تطبيق واحدة أو أكثر من التقنيات الخوارزمية. بالنسبة لمجموعات البيانات المستخدمة والنتائج المقصودة، يتم تصميم خوارزميات تدريب الآلة . بشكل أساسي لتصنيف الأشياء وإيجاد الأنماط والتنبؤ بالنتائج واتخاذ قرارات مستنيرة، يمكن استخدام الخوارزميات واحدة . في وقت واحد أو مجتمعة لتحقيق أفضل دقة ممكنة عندما تكون البيانات معقدة وغير متوقعة أكثر.
ما هو التعلم تحت الإشراف؟
التعلم المشرف هو الأول من بين نماذج تدريب الآلة الأربعة، في خوارزميات التعلم الخاضعة للإشراف، يتم تعليم الآلة عن طريق المثال. تتكون نماذج التعلم الخاضعة للرقابة، من أزواج بيانات “المدخلات” و”المخرجات”، حيث تتم تسمية الناتج بالقيمة المطلوبة. على سبيل المثال، لنقول أن الهدف هو أن تخبر الآلة، الفرق بين الدعيسات والجمهرات. يتضمن زوج واحد من بيانات المدخلات الثنائية، صورة لديزي وصورة من البانسي. والنتيجة المرجوة لذلك الزوج بالذات هي انتقاء الديزي، لذلك سيتم تحديده مسبقاً على أنه النتيجة الصحيحة.
عن طريق الخوارزمية، يقوم النظام بتجميع كل بيانات التدريب هذه مع مرور الوقت ويبدأ في تحديد أوجه التشابه، والاختلاف والنقاط المنطقية الأخرى . حتى يتمكن من التنبؤ بالإجابات عن الأسئلة الداهية، أو المقنعة في حد ذاتها. وهو ما يعادل إعطاء الطفل مجموعة من المشاكل مع مفتاح إجابة، ثم يطلب منهم إظهار عملهم وشرح منطقهم. تستخدم نماذج التعلم الخاضعة للرقابة في العديد من التطبيقات، التي نتفاعل معها كل يوم، مثل . محركات التوصية للمنتجات، وتطبيقات تحليل الحركة المرورية مثل Waze، والتي تتوقع أسرع مسار في أوقات مختلفة من اليوم.
ما هو التعلم غير المراقب؟
التعلم غير المراقب هو الثاني من بين نماذج التعلم الآلي الأربعة، في نماذج التعلم غير الخاضعة للرقابة، لا يوجد مفتاح للإجابة. تقوم الآلة بدراسة بيانات المدخلات، التي يكون الكثير منها غير مسمى وغير منظم . وتبدأ في تحديد الأنماط والارتباطات، باستخدام جميع البيانات ذات الصلة التي يمكن الوصول إليها. في العديد من الطرق، يتم تصميم التعلم غير الخاضع للإشراف على كيفية مراقبة البشر للعالم. نستخدم الحدس والخبرة لتجميع الأشياء معًا. وبينما نختبر المزيد والمزيد من الأمثلة على شيء ما، تصبح قدرتنا على تصنيفه وتحديده دقيقة بشكل متزايد. بالنسبة للآلات، يتم تحديد “الخبرة” بكمية البيانات التي يتم إدخالها وتوفيرها. وتشمل الأمثلة الشائعة لتطبيقات التعلم غير الخاضعة للإشراف التعرف على الوجه، وتحليل التسلسل الجيني، وأبحاث السوق، والأمن السيبراني.
ما هو التعلم شبه المشرف؟
التعلم شبه المشرف هو الثالث من بين النماذج الأربعة للتعلم الآلي، في عالم مثالي، سيتم تنظيم جميع البيانات وتسميتها قبل إدخالها في نظام. ولكن بما أن ذلك غير ممكن، فمن الواضح أن التعلم شبه المراقب، يصبح حلا عمليا عندما توجد كميات هائلة من البيانات الخام غير المنظمة. يتكون هذا النموذج من إدخال كميات صغيرة من البيانات المسماة لزيادة مجموعات البيانات غير المسماة. بشكل أساسي، تعمل البيانات المسماة على إعطاء بداية تشغيل للنظام، ويمكن أن تحسن إلى حد كبير من سرعة التعلم ودقته. تقوم خوارزمية التعلم شبه الخاضعة للإشراف بتوجيه الجهاز لتحليل البيانات المسماة للخصائص المرتبطة التي يمكن تطبيقها على البيانات غير المسماة.
وكما تم استكشافه بعمق في هذه الورقة البحثية في معهد ماساتشوستس للتكنولوجيا، هناك، مع ذلك، مخاطر مرتبطة بهذا النموذج. حيث يتم تعلم العيوب في البيانات المسماة وتكرارها من قبل النظام. تضمن الشركات الأكثر نجاحًا في استخدام التعلم، شبه المشرف وجود بروتوكولات أفضل الممارسات. يستخدم التعلم شبه المشرف في التحليل اللغوي، والكلام، والبحوث الطبية المعقدة مثل تصنيف البروتين، والكشف عن الاحتيال على مستوى عال.
ما هو التعلم بالتعزيز؟
التعلم المعزز هو النموذج الرابع لتعلم الآلة، في التعلم تحت الإشراف، يتم إعطاء الجهاز مفتاح الإجابة ويتعلم من خلال إيجاد الارتباطات بين جميع النتائج الصحيحة. لا يتضمن نموذج التعليم المعزز مفتاح إجابة، بل يُدخل مجموعة من الإجراءات والقواعد والحالات النهائية المحتملة المسموح بها. عندما يكون الهدف المطلوب من الخوارزمية ثابت أو ثنائي، يمكن للآلات التعلم عن طريق المثال. ولكن في الحالات التي تكون فيها النتيجة المرجوة قابلة للتغيير، يجب أن يتعلم النظام بالتجربة والمكافأة. في نماذج التعليم المعزز، تكون “المكافأة” رقمية وتتم برمجتها في الخوارزمية كشيء يسعى النظام إلى جمعه.
في العديد من الطرق، هذا النموذج مماثل لتعليم شخص ما كيفية لعب الشطرنج. بالتأكيد، سيكون من المستحيل محاولة إظهار كل تحرك محتمل لهم. بدلاً من ذلك، تقوم بشرح القواعد وهي تبني مهارتها من خلال الممارسة، تأتي المكافآت على شكل ليس فقط الفوز في اللعبة. ولكن أيضا الحصول على قطع الخصم، وتشمل تطبيقات التعليم المعزز ، تقديم عطاءات الأسعار التلقائية لمشتري الإعلانات عبر الإنترنت. وتطوير ألعاب الكمبيوتر، والتجارة في سوق الأسهم عالية المخاطر.
تدريب الآلة في المؤسسة قيد التنفيذ :
تتعرف خوارزميات التعلم الآلي على الأنماط والارتباطات، مما يعني أنها جيدة جدًا في تحليل عائد الاستثمار الخاص بها. وبالنسبة للشركات التي تستثمر في تقنيات تدريب الآلة، تسمح هذه الميزة بإجراء تقييم فوري تقريبًا للتأثير التشغيلي. وفيما يلي مجرد عينة صغيرة من بعض المجالات المتنامية لتطبيقات التعلم الآلي للمؤسسات.
محركات التوصية:
من عام 2009 إلى عام 2017، ارتفع عدد الأسر الأمريكية التي تشترك في خدمات بث الفيديو بنسبة 450٪. كما نشرت مقالة عام 2020 في مجلة فوربس تقريرًا ، عن زيادة في أعداد استخدام الفيديو التي تصل إلى 70%. محركات التوصية لديها تطبيقات عبر العديد من منصات البيع بالتجزئة والتسوق، لكنها بالتأكيد تأتي إلى نفسها مع بث الموسيقى وخدمات الفيديو.
التسويق الديناميكي:
يتطلب إنشاء الفرص التسويقية والتعريف بها ، من خلال مخطط المبيعات القدرة على تجميع وتحليل أكبر قدر ممكن من بيانات العميل. يولد المستهلكون الحديثون، كمية هائلة من البيانات المتنوعة وغير المنظمة ، من نصوص الدردشة إلى تحميلات الصور. يساعد استخدام تطبيقات تدريب الآلة، المسوقين على فهم هذه البيانات . واستخدامها لتقديم محتوى التسويق المخصص والتفاعل في الوقت الفعلي ، مع العملاء والفرص التسويقية.
تخطيط موارد المؤسسة وأتمتة العمليات:
تحتوي قواعد بيانات تخطيط موارد المؤسسة على مجموعات بيانات واسعة ومتباينة، والتي قد تشمل إحصائيات أداء المبيعات. ومراجعات المستهلكين، وتقارير اتجاهات السوق، وسجلات إدارة سلسلة التوريد. يمكن استخدام خوارزميات تدريب الآلة، للعثور على الارتباطات والأنماط في مثل هذه البيانات. ويمكن بعد ذلك استخدام تلك الرؤى لإبلاغ كل مجال من مجالات الأعمال تقريبًا، بما في ذلك تحسين تدفقات عمل أجهزة إنترنت الأشياء (IoT). داخل الشبكة أو أفضل الطرق لأتمتة المهام المتكررة أو المعرضة للأخطاء.
الصيانة التنبؤية:
تقوم سلاسل التوريد الحديثة والمصانع الذكية بالاستفادة بشكل متزايد من أجهزة وآلات إنترنت الأشياء، بالإضافة إلى الاتصال السحابي عبر جميع أساطيلها وعملياتها. ويمكن أن تؤدي الأعطال وأوجه القصور إلى تكاليف هائلة وتعطل شديد. عند تجميع بيانات الصيانة والإصلاح يدويًا، فمن المستحيل تقريبًا التنبؤ بالمشكلات المحتملة – ناهيك عن أتمتة العمليات للتنبؤ بها ومنعها. يمكن تركيب مستشعرات بوابة إنترنت الأشياء حتى الآلات التناظرية منذ عقود، مما يوفر الرؤية والكفاءة في جميع الأعمال.
تحديات تدريب الآلة :
ويشير عالم البيانات وخريج جامعة هارفارد تايلر فيجان في كتابه “الارتباطات الزائفة” إلى أن “ليست كل الارتباطات مؤشرا على وجود علاقة سببية أساسية”. ولتوضيح ذلك، فإنه يتضمن رسم بياني يظهر وجود علاقة قوية على ما يبدو بين استهلاك السمن ومعدل الطلاق في ولاية مين. وبطبيعة الحال، فإن هذا الرسم يهدف إلى وضع نقطة فكاهية. ومع ذلك، من الناحية الأكثر جدية، فإن تطبيقات التعلم الآلي معرضة لكلٍ من التحيز والخطأ البشري والخوارزمي. وبسبب ميلهم إلى التعلم والتكيف، يمكن للأخطاء والارتباطات الزائفة نشر النتائج وتلويثها بسرعة عبر الشبكة العصبية.
ويأتي تحد إضافي من نماذج التعلم الآلي، حيث تكون الخوارزمية ومخرجاتها معقدة للغاية بحيث لا يمكن تفسيرها أو فهمها من قبل البشر. وهذا ما يسمى نموذج “الصندوق الأسود” وهو يعرض الشركات للخطر عندما تجد نفسها غير قادرة على تحديد كيف ولماذا الخوارزمية وصلت إلى استنتاج أو قرار معين.
لحسن الحظ، مع زيادة تعقيد مجموعات البيانات وخوارزميات تعلم الآلة، وكذلك الأدوات والموارد المتاحة لإدارة المخاطر. تعمل أفضل الشركات على القضاء على الخطأ والتحيز من خلال وضع مبادئ توجيهية حوكمة الذكاء الاصطناعي وبروتوكولات أفضل الممارسات القوية والمحدثة.
