ما أوجه الاختلاف بين تعلُّم الآلة والتعليم العميق؟
تعلُّم الآلة (ML) هو علم تدريب برنامج أو نظام كمبيوتر لأداء المهام بدون تعليمات صريحة. تستخدم أنظمة الكمبيوتر خوارزميات تعلُّم الآلة لمعالجة كميات كبيرة من البيانات وتحديد أنماط البيانات والتنبؤ بالنتائج الدقيقة لسيناريوهات غير معروفة أو جديدة. التعليم العميق هو مجموعة فرعية من تعلُّم الآلة تستخدم هياكل خوارزمية محددة تُسمى الشبكات العصبونية، مصممة على غرار الدماغ البشري. تحاول طرق التعلُّم العميق أتمتة المهام الأكثر تعقيدًا التي تتطلب عادةً الذكاء البشري. على سبيل المثال، يمكنك استخدام التعليم العميق لوصف الصور أو ترجمة المستندات أو تحويل ملف صوتي إلى نص.
ما أوجه التشابه بين تعلُّم الآلة والتعليم العميق؟
يمكنك استخدام كل من تعلُّم الآلة (ML) والتعليم العميق لتحديد الأنماط في البيانات. يعتمد كلاهما على مجموعات البيانات لتدريب الخوارزميات التي تستند إلى نماذج رياضية معقدة. في أثناء التدريب، تجد الخوارزميات ارتباطات بين المخرجات والإدخالات المعروفة. ويمكن للنماذج بعد ذلك إنشاء المخرجات أو التنبؤ بها تلقائيًا بناءً على إدخالات غير معروفة. على عكس البرمجة التقليدية، تُعد عملية التعلُّم تلقائية أيضًا وتتم بأدنى حد من التدخل البشري.
فيما يلي أوجه التشابه الأخرى بين تعلُّم الآلة والتعليم العميق.
تقنيات الذكاء الاصطناعي
يُعد كل من تعلّم الآلة والتعليم العميق مجموعات فرعية من علم البيانات والذكاء الاصطناعي (AI). يمكن لكليهما إكمال المهام الحاسوبية المعقدة التي لولاهما لكانت تتطلب وقتًا طويلاً وموارد هائلة لتحقيقها من خلال تقنيات البرمجة التقليدية.
الأساس الإحصائي
يستخدم كل من التعليم العميق وتعلُّم الآلة طرقًا إحصائية لتدريب خوارزمياتهما باستخدام مجموعات البيانات. تتضمن هذه التقنيات تحليل التراجع وأشجار القرارات والجبر الخطي وحساب التفاضل والتكامل. يفهم كل من خبراء تعلم الآلة والتعليم العميق الإحصائيات جيدًا.
مجموعات بيانات كبيرة
يتطلب كل من تعلم الآلة والتعليم العميق مجموعات كبيرة من بيانات التدريب عالية الجودة للحصول على تنبؤات أكثر دقة. على سبيل المثال، يتطلب نموذج تعلُّم الآلة حوالي من 50 إلى 100 نقطة بيانات لكل ميزة، بينما يبدأ نموذج التعلم العميق بآلاف نقاط البيانات لكل ميزة.
تطبيقات واسعة النطاق ومتنوعة
تحل حلول التعليم العميق وتعلُّم الآلة المشكلات المعقدة في جميع القطاعات والتطبيقات. قد تستغرق هذه الأنواع من المشكلات وقتًا أطول بكثير لحلها أو تحسينها إذا استخدمت طرق البرمجية والإحصائية التقليدية.
متطلبات الطاقة الحاسوبية
يتطلب تدريب خوارزميات تعلّم الآلة وتشغيلها طاقة حاسوبية كبيرة، وتكون المتطلبات الحاسوبية للتعليم العميق أكثر بسبب زيادة تعقيده. أصبح توفر كليهما للاستخدام الشخصي ممكنًا الآن بسبب التطورات الحديثة في الطاقة الحاسوبية والموارد السحابية.
تحسُّن تدريجي
نظرًا إلى أن حلول تعلُّم الآلة والتعليم العميق تستوعب المزيد من البيانات، فإنها تصبح أكثر دقة في التعرُّف على الأنماط. عند إضافة إدخال إلى النظام، يتحسن النظام باستخدامه باعتباره نقطة بيانات للتدريب.
ما القيود التي واجهها تعلُّم الآلة وأدت إلى تطوير التعليم العميق؟
يتطلب تعلُّم الآلة (ML) التقليدي تفاعلًا بشريًا كبيرًا من خلال هندسة الميزات لتحقيق النتائج. على سبيل المثال، إذا كنت تدرِّب نموذج تعلُّم الآلة لتصنيف صور القطط والكلاب، فإنه يجب عليك تكوينه يدويًا للتعرُّف على ميزات، مثل شكل العين وشكل الذيل وشكل الأذن ومخططات الأنف وما إلى ذلك.
نظرًا إلى أن الهدف من تعلُّم الآلة هو تقليل الحاجة إلى التدخل البشري، فإن تقنيات التعليم العميق تقضي على الحاجة إلى البشر لتصنيف البيانات في كل خطوة.
على الرغم من ظهور التعليم العميق منذ عقود عديدة، فإن أوائل عام 2000 شهدت استكشافًا للمجال بمزيد من التفاصيل من قِبل علماء، مثل يان ليكون ويوشوا بينجيو وجيفري هينتون. على الرغم من تطوير العلماء للتعليم العميق، فإن مجموعات البيانات الكبيرة والمعقدة كانت محدودة خلال هذا الوقت، وكانت طاقة المعالجة المطلوبة لتدريب النماذج باهظة الثمن. على مدار العشرين عامًا الماضية، تحسنت هذه الظروف، وأصبح التعليم العميق الآن صالحًا للاستخدام التجاري.
الاختلافات الأساسية: تعلُّم الآلة والتعليم العميق
يُعد التعليم العميق مجموعة فرعية من تعلّم الآلة. يمكنك اعتباره تقنية متقدمة لتعلّم الآلة (ML). لكل منهما مجموعة متنوعة كبيرة من التطبيقات. ومع ذلك، تتطلب حلول التعليم العميق المزيد من الموارد؛ مجموعات بيانات ومتطلبات بنية تحتية وتكاليف لاحقة أكبر.
يرد فيما يلي اختلافات أخرى بين تعلّم الآلة والتعليم العميق.
حالات الاستخدام المقصود
يعتمد قرار استخدام تعلّم الآلة أو التعليم العميق على نوع البيانات التي تحتاج إلى معالجتها. يحدد تعلّم الآلة الأنماط من البيانات المهيكلة، مثل أنظمة التصنيف والتوصية. على سبيل المثال، يمكن لشركة ما استخدام تعلّم الآلة للتنبؤ بمتى يلغي أحد العملاء الاشتراك بناءً على بيانات سابقة عن إعراض العملاء عن خدمة/منتج معين.
من ناحية أخرى، تُعد حلول التعليم العميق أكثر ملاءمة للبيانات غير المهيكلة، حيث يلزم مستوى عالٍ من التجريد لاستخراج الميزات. تتضمن مهام التعليم العميق تصنيف الصور ومعالجة اللغة الطبيعية، حيث توجد حاجة إلى تحديد العلاقات المعقدة بين كائنات البيانات. على سبيل المثال، يمكن لأحد حلول التعليم العميق تحليل إشارات وسائل التواصل الاجتماعي لتحديد مشاعر المستخدمين.
نهج حل المشكلات
عادةً ما يتطلب تعلّم الآلة (ML) التقليدي هندسة الميزات، حيث يختار البشر يدويًا الميزات ويستخرجونها من البيانات الأولية ويعينون أوزانًا لها. على العكس من ذلك، تقوم حلول التعلم العميق بهندسة الميزات بأقل تدخل بشري.
تُعد بنية الشبكة العصبونية للتعليم العميق أكثر تعقيدًا من حيث التصميم. تُصُمم الطريقة التي تتعلم بها حلول التعلم العميق على غرار كيفية عمل الدماغ البشري، باستخدام عصبونات ممثلة بعُقد. تتكون الشبكات العصبونية العميقة من ثلاث طبقات أو أكثر من العُقد، منها عُقد طبقة الإدخال والإخراج.
في التعليم العميق، تعين كل عقدة في الشبكة العصبونية أوزانًا بشكل مستقل لكل ميزة. وتتدفق المعلومات عبر الشبكة في اتجاه أمامي من الإدخال إلى الإخراج. بعد ذلك، يُحسب الفرق بين المخرج المتوقع والمخرج الفعلي. ويُنشر هذا الخطأ بطريقة الانتشار المُرتد عبر الشبكة لضبط أوزان العصبونات.
بالنظر إلى عملية تعيين الأوزان التلقائية وعمق مستويات البنية والتقنيات المستخدمة، يلزم وجود نموذج لحل عدد أكبر بكثير من العمليات في التعليم العميق مقارنةً بتعلّم الآلة (ML).
طرق التدريب
ينطوي تعلُّم الآلة على أربع طرق تدريب أساسية: التعلُّم الخاضع للإشراف والتعلُّم غير الخاضع للإشراف والتعلُّم الخاضع للإشراف الجزئي والتعلُّم المعزَّز. تشمل طرق التدريب الأخرى نقل التعلُّم والتعلُّم الخاضع للإشراف الذاتي.
في المقابل، تستخدم خوارزميات التعليم العميق عدة أنواع من طرق التدريب الأكثر تعقيدًا. وتشمل هذه الشبكات العصبونية الالتفافية والشبكات العصبونية المتكررة وشبكات الخصومة المولّدة وأدوات الترميز التلقائية.
الأداء
لدى كل من تعلّم الآلة والتعليم العميق حالات استخدام محددة يكون أداء كل منهما فيها أفضل من الآخر.
بالنسبة للمهام الأكثر بساطة، مثل تحديد رسائل البريد العشوائي الواردة الجديدة، يُعد تعلُّم الآلة مناسبًا لها ويتفوق عادةً على حلول التعليم العميق. بالنسبة للمهام الأكثر تعقيدًا، مثل التعرُّف على الصور الطبية، تتفوق حلول التعليم العميق على حلول تعلُّم الآلة؛ نظرًا إلى أنها تستطيع تحديد الحالات غير الطبيعية غير الظاهرة للعين البشرية.
المشاركة البشرية
تتطلب كل من حلول تعلّم الآلة والتعليم العميق مشاركة بشرية كبيرة للعمل. يجب على شخص ما تحديد المشكلة وإعداد البيانات وتحديد النموذج وتدريبه، ثم تقييم الحل وتحسينه ونشره.
يمكن أن يكون تفسير نماذج تعلُّم الآلة أسهل على الأشخاص، لأنها مستمدة من نماذج رياضية أبسط، مثل أشجار القرار.
على العكس من ذلك، تستغرق نماذج التعليم العميق قدرًا كبيرًا من الوقت حتى يحللها شخص ما بالتفصيل، لأن النماذج معقدة رياضيًا. ومع ذلك، فإن الطريقة التي تتعلم بها الشبكات العصبونية تقضي على الحاجة إلى الأشخاص لتصنيف البيانات. يمكنك أيضًا تقليل المشاركة البشرية عن طريق اختيار نماذج ومنصات مُدربة مسبقًا.
متطلبات البنية التحتية
نظرًا إلى أن نماذج التعليم العميق أكثر تعقيدًا وتحتاج إلى مجموعات بيانات أكبر، فهي تتطلب قدرًا أكبر من مساحة التخزين والطاقة الحاسوبية مقارنةً بنماذج تعلُّم الآلة. بينما يمكن تشغيل بيانات تعلُّم الآلة (ML) ونماذجه على مجموعة مثيلات أو خوادم واحدة، غالبًا ما يتطلب نموذج التعليم العميق مجموعات عالية الأداء وبنية تحتية كبيرة أخرى.
يمكن أن تسفر متطلبات البنية التحتية لحلول التعليم العميق عن تكبد تكاليف أعلى بكثير مقارنةً بحلول تعلُّم الآلة. قد لا تكون البنية التحتية المادية في موقع الشركة عملية أو فعَّالة من حيث التكلفة لتشغيل حلول التعليم العميق. يمكنك استخدام البنية التحتية القابلة للتوسع وخدمات التعليم العميق المُدارة بالكامل للتحكم في التكاليف.
ملخص الاختلافات: تعلّم الآلة مقابل التعليم العميق
| تعلّم الآلة |
التعلم العميق |
|
| ما التعريف؟ |
تعلّم الآلة (ML) هو منهجية من منهجيات الذكاء الاصطناعي (AI). لا يُعد كل تعلّم للآلة تعليمًا عميقًا. |
التعليم العميق هو منهجية متقدمة لتعلّم الآلة. يُعد كل تعليم عميق تعلّمًا للآلة. |
| الاستخدام الأنسب |
يُعد تعلّم الآلة أنسب للمهام المحددة جيدًا التي تحتوي على بيانات مهيكلة ومصنفة. |
ويُعد التعليم العميق أنسب للمهام المعقدة التي تتطلب من الآلات فهم البيانات غير المهيكلة. |
| نهج حل المشكلات |
يحل تعلّم الآلة المشكلات من خلال الإحصاء والرياضيات. |
يجمع التعليم العميق بين الإحصاء والرياضيات باستخدام بنية الشبكة العصبونية. |
| التدريب |
يجب عليك تحديد الميزات واستخراجها يدويًا من البيانات الأولية وتعيين أوزان لتدريب نموذج تعلّم الآلة (ML). |
يمكن لنماذج التعليم العميق التعلّم الذاتي باستخدام الملاحظات الناتجة عن الأخطاء المعروفة. |
| الموارد المطلوبة |
يتصف تعلّم الآلة (ML) بأنه أقل تعقيدًا، وينطوي على حجم بيانات أقل. |
أما التعليم العميق، فهو أكثر تعقيدًا وينطوي على حجم بيانات كبير جدًا. |
كيف يمكن لـ AWS دعم متطلبات تعلّم الآلة والتعليم العميق الخاصة بك؟
يتوفر العديد من حلول تعلّم الآلة (ML) والتعليم العميق على Amazon Web Services (AWS). إنها تسمح لك بدمج الذكاء الاصطناعي (AI) في جميع تطبيقاتك وحالات استخدامك.
بالنسبة لتعلّم الآلة التقليدي، تُعد Amazon SageMaker منصة كاملة لإنشاء الخوارزميات وتدريبها ونشرها على بنية تحتية سحابية قوية وقابلة للتوسع.
بالنسبة لمتطلبات التعليم العميق، يمكنك استخدام الخدمات المُدارة بالكامل، مثل ما يلي:
- تساعدك Amazon Comprehend في اكتشاف رؤى قيَّمة من أي نص باستخدام معالجة اللغة الطبيعية، أو Amazon Comprehend Medical للنصوص الطبية الأكثر تعقيدًا.
- تساعدك خدمة الكشف عن الاحتيال في Amazon في اكتشاف العمليات الاحتيالية استنادًا إلى السجلات التاريخية.
- تساعدك Amazon Lex في إنشاء روبوتات دردشة وواجهات محادثة ذكية.
- تساعدك Amazon Personalize في تقسيم العملاء بسرعة وإنشاء أنظمة توصية مُنسَّقة.
- تساعدك Amazon Polly في إنتاج كلمات منطوقة ذات صوت طبيعي من نص الإدخال بعشرات اللغات.
- تساعدك Amazon Rekognition في التعرُّف على الصور المنشأة مسبقًا وتحليل الفيديو.
- تساعدك Amazon Textract في استخراج النص من أي مستند منشأ بواسطة الكمبيوتر أو مكتوب بخط اليد.
ابدأ تعلّم الآلة والتعليم العميق من خلال إنشاء حساب AWS مجاني اليوم.
