في البرمجيات التقليدية، نخبر الحاسوب بما يجب فعله خطوة بخطوة من خلال قواعد محددة. أما في تعلم الآلة، فنحن نزود الحاسوب بالعديد من الأمثلة ونتركه يستنبط القواعد بنفسه. ويعد تعلم الآلة الفرع الأكثر استخداماً من الذكاء الاصطناعي اليوم.
مثال بسيط: مرشح البريد العشوائي
إن كتابة كل قاعدة تحدد ما إذا كان البريد الإلكتروني عشوائياً (spam) أم لا هو أمر مستحيل عملياً. بدلاً من ذلك، يتم عرض آلاف رسائل البريد الإلكتروني المصنفة كـ "بريد عشوائي" أو "بريد عادي" على النظام. يتعلم النموذج الأنماط الموجودة في هذه الأمثلة ويصبح قادراً على تصنيف رسائل بريد إلكتروني جديدة لم يراها من قبل.
ثلاثة أنواع رئيسية من التعلم
- التعلم الخاضع للإشراف (Supervised learning): يتم تدريب النموذج على أمثلة ذات إجابات صحيحة معروفة. ومن الأمثلة على ذلك: التنبؤ بأسعار المنازل، والتعرف على الأشياء في الصور، وكشف البريد العشوائي.
- التعلم غير الخاضع للإشراف (Unsupervised learning): يكتشف النموذج مجموعات وهياكل خفية في بيانات غير مصنفة، مثل تجميع العملاء بناءً على سلوك تسوق متشابه.
- التعلم التعزيزي (Reinforcement learning): يتعلم النموذج أفضل استراتيجية من خلال التجربة والخطأ، بتوجيه من المكافآت والعقوبات. وتستخدم أنظمة الذكاء الاصطناعي المخصصة للألعاب وبعض تطبيقات الروبوتات هذه الطريقة.
التعلم العميق والشبكات العصبية
التعلم العميق هو نهج في تعلم الآلة مستوحى من طريقة عمل الدماغ، حيث يستخدم "شبكات عصبية اصطناعية" متعددة الطبقات. وبفضل البيانات الضخمة والمعالجات القوية، حقق هذا النهج تقدماً كبيراً في التعرف على الكلام، ومعالجة الصور، والترجمة، والمساعدات الدردشية المولدة للنصوص.
أمثلة من الحياة اليومية
- الترشيحات في منصات الفيديو والموسيقى
- فتح الهاتف عن طريق التعرف على الوجه والتجميع التلقائي في معرض الصور
- كشف البنوك للمعاملات المشبوهة
- توقعات حركة المرور في تطبيقات الخرائط
- الترجمة الآلية والمساعدات الصوتية
القيود والمخاطر
- جودة البيانات: جودة النموذج تعتمد كلياً على جودة البيانات التي تدرب عليها؛ فالبيانات الناقصة أو الخاطئة تؤدي إلى نتائج خاطئة.
- الانحياز: يمكن أن تنعكس الانحيازات الاجتماعية الموجودة في بيانات التدريب على النموذج، ولهذا السبب يعد بناء أنظمة عادلة وشفافة مجالاً بحثياً مهماً.
- القابلية للتفسير: قد يكون من الصعب فهم كيف تصل بعض النماذج المعقدة إلى قرار معين.
- الخصوصية: تتطلب طريقة استخدام البيانات الشخصية في التدريب عناية قانونية وأخلاقية.
كيف يتم تدريب النموذج واختباره؟
في مشاريع تعلم الآلة، يتم عادةً تقسيم البيانات إلى ثلاثة أجزاء. هذا التقسيم هو الطريقة الأساسية لمعرفة ما إذا كان النموذج قد تعلم حقاً:
- بيانات التدريب (Training data): مجموعة البيانات الرئيسية التي يتعلم منها النموذج الأنماط؛ ويذهب إليها الجزء الأكبر من البيانات.
- بيانات التحقق (Validation data): تُستخدم أثناء التدريب لاختيار إعدادات النموذج ومقارنة المحاولات المختلفة.
- بيانات الاختبار (Test data): تُستخدم مرة واحدة في النهاية لقياس مدى أداء النموذج على بيانات لم يراها من قبل.
عندما تكون البيانات محدودة، تقوم طريقة "التحقق المتقاطع" (cross-validation) بتقسيم البيانات إلى عدة أجزاء واستخدام كل جزء بدوره للاختبار، بحيث لا تعتمد النتيجة على تقسيم واحد محظوظ.
فرط التخصيص: النموذج الذي يحفظ
من أكثر المشكلات شيوعاً في تعلم الآلة هي "فرط التخصيص" (overfitting). في هذه الحالة، لا يحفظ النموذج القواعد العامة في بيانات التدريب فحسب، بل يحفظ أيضاً تفاصيلها العشوائية والضوضاء الموجودة بها. ونتيجة لذلك، يبدو أداؤه مثالياً تقريباً على بيانات التدريب، لكن أداءه ينخفض بشكل ملحوظ عند التعامل مع بيانات جديدة. الأمر يشبه تماماً طالباً يحفظ أسئلة السنوات الماضية دون فهم المادة، ثم يعجز عن الإجابة على سؤال جديد. وتعد طرق جمع بيانات أكثر وتنوعاً، وعدم جعل النموذج أكثر تعقيداً من اللازم، وإيقاف التدريب عندما يبدأ الأداء في بيانات التحقق بالانخفاض، من الوسائل الشائعة للحد من فرط التخصيص.
الأسئلة الشائعة
هل الذكاء الاصطناعي وتعلم الآلة شيء واحد؟
لا. الذكاء الاصطناعي مجال واسع يشمل الأنظمة التي تتصرف بذكاء؛ أما تعلم الآلة فهو أحد أكثر الطرق شيوعاً ضمن هذا المجال.
ماذا أحتاج لتعلم تعلم الآلة؟
تعد الإحصاءات الأساسية، والجبر الخطي، ولغة برمجة (عادةً بايثون Python) بداية جيدة. وتتوفر العديد من الموارد المجانية عبر الإنترنت.
المصادر وقراءات إضافية
- جوجل – دورة مكثفة في تعلم الآلة (مجموعات البيانات وفرط التخصيص)
- جودفيلو، إي.، وبنجيو، واي.، وكورفيل، إيه. (2016)، التعلم العميق، مطبعة معهد ماساتشوستس للتكنولوجيا (MIT Press)
- وثائق scikit-learn – التحقق المتقاطع: تقييم أداء المقدر
اترك تعليقاً
لن يتم نشر عنوان بريدك الإلكتروني. الحقول المطلوبة مشار إليها بـ *