ما المقصود بتعلم الآلة؟
التعلم الآلي هو عِلم تطوير الخوارزميات والنماذج الإحصائية التي تستخدمها أنظمة الحاسوب لأداء المهام بدون تعليمات واضحة، اعتمادًا على الأنماط والاستدلال بدلاً من ذلك. وتستخدم أنظمة الحاسوب لوغاريتمات التعلم الآلي لمعالجة كميات كبيرة من البيانات السابقة والتعرّف على أنماط البيانات. وهذا يسمح لها بتوقع النتائج بصورة أكثر دقة من مجموعة بيانات مدخلة معينة. على سبيل المثال، يمكن لعلماء البيانات تدريب تطبيق طبي على تشخيص مرض السرطان من صور الأشعة السينية عن طريق تخزين ملايين الصور المفحوصة والتشخيصات المقابلة.
ما أهمية التعلم الآلي؟
يساعد التعلم الآلي الأعمال عن طريق دفع عجلة النمو وفتح سبل إيرادات جديدة وحل مشكلات صعبة. فالبيانات هي القوة المحركة الحاسمة وراء صنع القرار التجاري، ولكن في الأحوال التقليدية، كانت تستخدم الشركات البيانات من مصادر مختلفة، مثل ملاحظات العملاء والموظفين والوضع المالي. وتعمل أبحاث التعلم الآلي على أتمتة هذه العملية وتحسينها. عن طريق استخدام البرمجيات التي تحلل كميات هائلة من البيانات بسرعات عالية، تستطيع الأعمال تحقيق النتائج بصورة أسرع.
أين يُستخدم التعلم الآلي؟
دعنا نلقِ نظرة إلى تطبيقات التعلم الآلي في بعض المجالات الأساسية:
التصنيع
يستطيع التعلم الآلي دعم الصيانة التنبئية ومراقبة الجودة والأبحاث الابتكارية في قطاع التصنيع. وتساعد تكنولوجيا التعلم الآلي أيضًا الشركات في تحسين الحلول اللوجستية، بما في ذلك الأصول وسلسلة الإمداد وإدارة المخزون. على سبيل المثال، عملاق التصنيع 3M تستخدم AWS Machine Learning لابتكار ورق السنفرة. تعمل لوغاريتمات التعلم الآلي على تمكين الباحثين في 3M من تحليل كيف يمكن للتغيرات الطفيفة في الشكل والحجم والاتجاه أن تحسِّن إمكانية الكشط والاستدامة. وتغذي تلك الاقتراحات عملية التصنيع.
الرعاية الصحية وعلوم الحياة
إن انتشار المستشعرات والأجهزة التي يمكن ارتداؤها قد أنشأ كمًا هائلاً من البيانات الصحية. وتستطيع برامج التعلم الآلي تحليل هذه المعلومات ودعم الأطباء في التشخيص والعلاج في الوقت الفعلي. يطور باحثو التعلم الآلي الحلول التي تكتشف الأورام السرطانية وتشخِّص أمراض العين، ما يؤثر بشكل بالغ في نتائج الصحة البشرية. على سبيل المثال، قامت Cambia Health Solutions باستخدام AWS Machine Learning لدعم الشركات الناشئة في قطاع الرعاية الصحية حيث تستطيع أتمتة علاج النساء الحوامل وتخصيصه.
الخدمات المالية
تحسِّن مشروعات التعلم الآلي في القطاع المالي تحليلات المخاطر والتنظيم. وتستطيع تكنولوجيا التعلم الآلي السماح للمستثمرين بالتعرّف على الفرص الجديدة عن طريق تحليل حركات سوق الأسهم أو تقييم صناديق التحوط أو معايرة المحافظ المالية. بالإضافة إلى ذلك، يمكن للتعلم الآلي المساعدة في التعرّف على عملاء القروض عاليّ المخاطر والتخفيف من علامات الاحتيال. تستخدم رائدة البرمجيات المالية Intuit نظام AWS Machine Learning، Amazon Textract، لإنشاء إدارة مالية أكثر تخصيصًا ومساعدة المستخدمين النهائيين في تحسين وضعهم المالي.
البيع بالتجزئة
يمكن استخدام التعلم الآلي في قطاع تجارة التجزئة من أجل تحسين خدمة العملاء وإدارة الأسهم وزيادة المبيعات والتسويق متعدد القنوات. على سبيل المثال، خفضت Amazon Fulfillment (AFT) تكاليف بنيتها الأساسية بمعدل 40% باستخدام نموذج تعلّم آلة الغرض منه تحديد المخزون الذي يكون في غير موضعه. ويساعدها ذلك في الوفاء بوعد Amazon المتمثل في سرعة توفر العنصر للعملاء ووصوله في الموعد المناسب، وذلك على الرغم من معالجة ملايين الشحنات العالمية سنويًا.
الوسائط الإعلامية والترفيه
تتحول الشركات الترفيهية إلى التعلم الآلي لتحسين فهمها لجماهيرها المستهدفة وتقديم محتوى جذاب ومخصص عند الطلب. وتُنشر لوغاريتمات التعلم الآلي للمساعدة في تصميم إعلانات الأعمال الفنية والإعلانات الأخرى، ولتزويد العملاء بتوصيات مخصصة للمحتوى، ولتبسيط عملية الإنتاج.
على سبيل المثال، تقوم Disney باستخدام AWS Deep Learning في أرشفة مكتبة الوسائط لديها. وتوسم أدوات التعلم الآلي من AWS محتوى الوسائط بعلامات وتصفه وتفرزه تلقائيًا، ما يمكِّن الكتّاب وصانعي الرسوم المتحركة في Disney من البحث عن شخصيات Disney ومعرفة معلومات عنها بشكل سريع.
ما طريقة عمل التعلم الآلي؟
الفكرة الرئيسة وراء التعلم الآلي تتمثل في علاقة رياضية قائمة بين أي مزيج من بيانات المدخلات والمخرجات. لا يعرف نموذج التعلم الآلي هذه العلاقة بشكل مسبق، ولكنه يستطيع أن يخمن إذا تم تزويده بمجموعات بيانات كافية. وهذا يعني أن كل لوغاريتم للتعلم الآلي يُبنى على أساس دالة رياضية قابلة للتعديل. ويمكن فهم المبدأ الأساسي هكذا:
- نحن "ندرب" اللوغاريتم عن طريق تزويده بمجموعات المدخلات/المخرجات (i,o) التالية – (2,10)، و(5,19)، و(9,31)
- يحسب اللوغاريتم العلاقة بين المدخلات والمخرجات لتكون: o=3*i+4
- ثم نعطه المدخل 7، ونطلب منه أن يتوقع المخرج. وهو يستطيع تحديد أن المخرج هو 25.
من خلال هذا الفهم الأساسي، يركز التعلم الآلي في المبدأ الذي ينص على أن كل نقاط البيانات المعقدة يمكن ربطها رياضيًا عن طريق أنظمة الحاسوب ما دامت مزودة بالقدر الكافي من البيانات وقدرة الحوسبة على معالجة هذه البيانات. لذلك، دقة المخرج تربطه علاقة طردية بحجم المدخل المُعطى.
ما أنواع لوغاريتمات التعلم الآلي؟
يمكن تصنيف اللوغاريتمات إلى أربعة أساليب تعلم فريدة اعتمادًا على المخرج المتوقع ونوع المدخل.
- التعلم الآلي تحت الإشراف
- التعلم الآلي بدون إشراف
- التعلم تحت الإشراف الجزئي
- التعلم الآلي المعزز
1. التعلم الآلي تحت الإشراف
يزود علماء البيانات اللوغاريتمات ببيانات تدريب مسماة ومعرَّفة من أجل تقييم العلاقات. وتحدد عينة البيانات كلاً من المدخلات والمخرجات للوغاريتم. على سبيل المثال، يتم التعليق على صور الأرقام المكتوبة باليد لتحديد أي رقم تقابله. يستطيع نظام التعلم تحت الإشراف التعرّف على مجموعات البكسل والأشكال المرتبطة بكل رقم، في حالة تزويده بما يكفي من الأمثلة. وسيتعرف في النهاية على الأرقام المكتوبة يدويًا، ويميز بسهولة بين العدد 9 و4 أو 6 و8.
وتُعد البساطة وسهولة التصميم من مواطن قوة أسلوب التعلم تحت الإشراف هذا. وهو مفيد عند التنبؤ بمجموعة محدودة من النتائج المحتملة، أو تقسيم البيانات إلى فئات، أو جمع النتائج من لوغاريتمين آخرين من لوغاريتمات التعلم الآلي. ولكن، من الصعب تسمية ملايين من مجموعات البيانات غير المسماة. لنتمعن النظر أكثر في هذا الأمر:
ما المقصود بتسمية البيانات؟
تسمية البيانات هي عملية يتم فيها تصنيف بيانات المدخلات بالنسبة لقيم المخرجات المعرّفة المقابلة لها. يلزم تسمية بيانات التدريب بالنسبة لأسلوب التعلم تحت الإشراف. على سبيل المثال، ملايين من صور التفاح والموز يجب وسمها بعلامة باستخدام الكلمتين "تفاح" أو "موز". ثم تستطيع تطبيقات التعلم الآلي استخدام بيانات التدريب هذه لتخمين اسم الفاكهة عند إعطائها صورة فاكهة. ولكن تسمية ملايين من البيانات الجديدة يمكن أن تُعد مهمة صعبة تستغرق الكثير من الوقت. ويمكن لخدمات العمل الجماعي، مثل Amazon Mechanical Turk، أن تتغلب على هذه المحدودية التي تتصف بها لوغاريتمات التعلم تحت الإشراف إلى حد ما. وتوفر هذه الخدمات الوصول إلى مجموعة كبيرة من العمالة ميسورة التكلفة المنتشرة في جميع أنحاء العالم، ما يجعل استحواذ البيانات أقل صعوبة.
2. التعلم الآلي بدون إشراف
تتدرب لوغاريتمات التعلم بدون إشراف على البيانات غير المسماة. ويمكنها فحص البيانات الجديدة لتحاول تأسيس روابط ذات مغزى بين المدخلات والمخرجات مسبقة التحديد. وتستطيع أن تكشف عن الأنماط وتصنِّف البيانات. على سبيل المثال، يمكن للوغاريتمات التعلم بدون إشراف تجميع المقالات الإخبارية من المواقع الإخبارية المختلفة تحت فئات شائعة، مثل الرياضة والجريمة، إلخ. ويمكنها أن تستخدم معالجة اللغة الطبيعية لفهم المعاني والعواطف التي تحتويها المقالة. ففي قطاع تجارة التجزئة، يستطيع التعلم الآلي بدون إشراف العثور على أنماط في مشتريات العملاء وتوفير نتائج تحليل البيانات، مثل "على الأرجح أن يشتري العميل الخبز إذا اشترى الزبدة أيضًا".
يُعد التعلم بدون إشراف مفيدًا للتعرف على الأنماط، والكشف عن القيم الشاذة، وتجميع البيانات إلى فئات بشكل تلقائي. وبما أن بيانات التدريب لا تتطلب التسمية، فإن الإعداد يكون سهلاً. يمكن استخدام هذه اللوغاريتمات أيضًا لتنقيح البيانات ومعالجتها من أجل بناء النماذج بشكل تلقائي بعد ذلك. ما يقيد هذا الأسلوب هو أنه لا يستطيع أن يقدم تنبؤات دقيقة. بالإضافة إلى ذلك، لا يمكنه تمييز الأنواع المحددة من نتائج البيانات بشكل مستقل.
3. التعلم تحت الإشراف الجزئي
كما يوحي الاسم، يجمع هذا الأسلوب بين أسلوبي التعلم تحت الإشراف والتعلم بدون إشراف. ويعتمد هذا الأسلوب على استخدام كم صغير من البيانات المسماة وكم كبير من البيانات غير المسماة لتدريب الأنظمة. أولاً، تُستخدم البيانات المسماة لتدريب خوارزمية التعلم الآلي جزئيًا. وبعد ذلك، تقوم هذه الخوارزمية المدرَّبة جزئيًا بتسمية البيانات غير المسماة. ويُطلق على هذه العملية اسم التسمية المستعارة. ومن ثم يُعاد تدريب هذا النموذج على مزيج من البيانات الناتجة بدون برمجة صريحة.
الميزة في هذه الطريقة هي أنها لا تتطلب منك توفير كم كبير من البيانات المسماة. وهي طريقة سهلة عند العمل على بيانات مثل الوثائق الطويلة التي من المفترض أن تستغرق وقتًا طويلاً جدًا لكي يقرأها البشر ويسموها.
4. التعلم المعزز
التعلم المعزز هو أسلوب يتم فيه إرفاق قيم معطاة بأنواع مختلفة من الخطوات التي يجب على اللوغاريتم المرور بها. لذا، هدف النموذج هو تجميع أكبر قدر من نقاط المعطيات والوصول في النهاية إلى هدف نهائي. وكانت تنحصر معظم التطبيقات العملية للتعلم المعزز في العقد الماضي في عالم ألعاب الفيديو. وقد حققت لوغاريتمات التعلم المعزز المتطورة نتائج مذهلة في الألعاب الكلاسيكية والحديثة، وغالبًا ما تتفوق على نظرائها من البشر بفارق كبير.
على الرغم من أن هذا الأسلوب يعمل على أفضل نحو في بيئات البيانات غير اليقينية والمعقدة، فإنه نادرًا ما يتم تطبيقه في سياقات الأعمال. فهو ليس فعّالاً بالنسبة للمهام المعرَّفة جيدًا، ويمكن أن يؤثر تحيز المطوِّر في النتائج. بما أن عالِم البيانات هو مَن يصمم المعطيات، فإن بإمكانه التأثير في النتائج.
هل نماذج التعلم الآلي حتمية؟
إذا كان مخرج نظام ما قابلاً للتنبؤ، فيمكن القول إذًا إن النظام حتمي. تستجيب معظم التطبيقات البرمجية بشكل متوقع لإجراء المستخدم، لذا يمكنك القول إنه "إذا فعل المستخدم ذلك، فسوف يحصل على هذا". ولكن تتعلم لوغاريتمات التعلم الآلي من خلال الملاحظة إلى جانب التجارب. لذلك، فهي احتمالية بطبيعتها. وتتغير العبارة الآن إلى "إذا فعل المستخدم ذلك، فمن المحتمل بنسبة كذا% أن يحدث هذا".
في التعلم الآلي، الحتمية هي إستراتيجية مستخدمة في أثناء تطبيق أساليب التعلم الموضحة أعلاه. أي من أساليب التدريب تحت الإشراف وبدون إشراف وغيرها يمكن جعلها حتمية اعتمادًا على النتائج المطلوبة من جانب الأعمال. إن السؤال البحثي واستعادة البيانات والتنظيم وقرارات التخزين تحدد ما إذا كان سيتم اعتماد إستراتيجية حتمية أم غير حتمية.
النهج الحتمي مقابل النهج غير الحتمي
يركز النهج الحتمي في حجم البيانات التي يتم جمعها ودقتها، لذا الكفاءة تكون لها الأولوية عن عدم اليقين. من ناحية أخرى، العملية غير الحتمية (أو الاحتمالية) مصممة للتعامل مع عامل الاحتمال. وتتكامل الأدوات المدمجة في لوغاريتمات التعلم الآلي للمساعدة في تحديد حجم عدم اليقين والتعرُّف عليه وقياسه في أثناء التعلم والملاحظة.
ما المقصود بالتعلم العميق؟
التعلم العميق هو أحد أنواع تقنية التعلم الآلي، الذي يشبه طريقة عمل الدماغ البشري. تحلل لوغاريتمات التعلم العميق البيانات باستخدام هيكل منطقي مماثل لذلك الذي يستخدمه البشر. ويستخدم التعلم العميق أنظمة ذكية تُسمى الشبكات العصبونية الاصطناعية لمعالجة المعلومات في طبقات. وتتدفق البيانات من طبقة المدخلات خلال عدة طبقات من الشبكات العصبونية المخفية "العميقة" قبل أن تصل إلى طبقة المخرجات. وتدعم الطبقات المخفية الإضافية التعلم الذي له إمكانية أقوى من نماذج التعلم الآلي القياسية.
ما المقصود بالشبكة العصبونية الاصطناعية؟
طبقات التعلم العميق هي عبارة عن عُقد من الشبكات العصبونية الاصطناعية (ANN)، التي تعمل مثل عصبونات الدماغ البشري. يمكن أن تكون العُقد مزيجًا من الأجهزة والبرمجيات. وتتألف كل طبقة في لوغاريتم التعلم العميق من عُقد شبكات عصبونية اصطناعية. وتتصل كل عقدة (أو عصبون اصطناعي) بأخرى، ويكون لها رقم محسوب مرتبط وعدد حدي. وترسل العقدة رقمها المحسوب بصفته مدخلاً إلى عقدة الطبقة التالية عند تنشيطها. ولا يتم تنشيطها إلا إذا كان مخرجها يفوق القيمة الحدية المحددة. وإلا، فلن يتم تمرير أي بيانات.
ما المقصود برؤية الحاسوب؟
رؤية الحاسوب هي تطبيق واقعي للتعلم العميق. على غرار الذكاء الاصطناعي الذي يمكِّن الحواسيب من التفكير، تمكِّن رؤية الحاسوب الحواسيب من الرؤية والملاحظة والاستجابة. تستخدم السيارات ذاتية القيادة رؤية الحاسوب لـ "قراءة" إشارات المرور. تلتقط كاميرا السيارة صورة لإشارة المرور. وتُرسل هذه الصورة إلى لوغاريتم التعلم العميق في السيارة. وتكتشف الطبقة المخفية الأولى الحواف، وتميز الثانية الألوان، بينما تتعرف الثالثة على تفاصيل حروف الأبجدية الموضحة على إشارة المرور. ويتنبأ اللوغاريتم بأن الإشارة تُقرأ "توقف"، وتستجيب السيارة عن طريق إحداث آلية المكابح.
هل التعلم الآلي والتعلم العميق شيء واحد؟
التعلم العميق هو مجموعة فرعية من التعلم الآلي. يمكن اعتبار لوغاريتمات التعلم العميق تطورًا متطورًا ومعقدًا رياضيًا للوغاريتمات التعلم الآلي.
هل التعلم الآلي والذكاء الاصطناعي شيء واحد؟
الإجابة القصيرة هي كلا. في حين أن مصطلحي التعلم الآلي والذكاء الاصطناعي (AI) يمكن استخدامهما بصورة متبادلة، فهما ليسا الشيء نفسه. فإن الذكاء الاصطناعي مصطلح جامع للإستراتيجيات والتقنيات المختلفة المستخدمة لجعل الآلات أكثر شبهًا بالإنسان. ويتضمن الذكاء الاصطناعي أي شيء بدءًا من أدوات المساعدة الذكية، مثل Alexa، إلى المكانس الكهربائية الآلية والسيارات ذاتية القيادة. أما التعلم الآلي، فهو أحد الفروع العديدة للذكاء الاصطناعي. على الرغم من أن التعلم الآلي عبارة عن ذكاء اصطناعي، فإن جميع أنشطة الذكاء الاصطناعي لا يمكن إدراجها تحت مسمى التعلم الآلي.
هل التعلم الآلي وعلم البيانات شيء واحد؟
كلا، التعلم الآلي وعلم البيانات ليسا شيئًا واحدًا. علم البيانات هو مجال دراسة يستخدم نهجًا علميًا لاستخراج المعاني والرؤى من البيانات. ويستخدم علماء البيانات مجموعة متنوعة من الأدوات لتحليل البيانات، وما التعلم الآلي إلا أداة منها. يفهم علماء البيانات الصورة الأكبر المحيطة بالبيانات، مثل النموذج التجاري، والنطاق، وجمع البيانات، في حين التعلم الآلي هو عملية حوسبة لا تتعامل إلا مع مسودة البيانات.
ما المزايا والعيوب المرتبطة بالتعلم الآلي؟
ألقِ نظرة إلى بعض الأمور التي يستطيع التعلم الآلي فعلها والأمور التي يتعذر عليه فعلها:
مزايا نماذج التعلم الآلي:
- تستطيع التعرف على اتجاهات البيانات وأنماطها التي ربما لن يستطيع البشر اكتشافها.
- تستطيع العمل بدون تدخل بشري بعد الإعداد. على سبيل المثال، التعلم الآلي في برمجيات الأمن السيبراني يستطيع مراقبة الحالات غير الطبيعية والتعرف عليها في حركة مرور الشبكة بدون أي مدخلات من جانب المسؤول.
- يمكن أن تصبح النتائج أكثر دقة بمرور الوقت.
- تستطيع التعامل مع مجموعة متنوعة من تنسيقات البيانات في بيئات ديناميكية وذات أحجام عالية ومعقدة.
عيوب نماذج التعلم الآلي:
- يُعد التدريب الأولي عملية مكلفة ومستغرقة للوقت. قد يصعب تنفيذها في حالة عدم توافر بيانات كافية.
- هي عملية كثيفة الحوسبة تتطلب استثمارًا مبدئيًا كبيرًا إذا كانت الأجهزة مُعدة في المقر.
- قد يكون من الصعب تفسير النتائج بشكل صحيح وإزالة عدم اليقين بدون مساعدة الخبراء.
كيف تستطيع حلول التعلم الآلي من Amazon مساعدتك؟
تضع AWS حلول التعلم الآلي بين يدي كل مطوِّر وعالِم بيانات ومستخدم أعمال. توفر خدمات Amazon Machine Learning بنيةً أساسيةً عالية الأداة وميسورة التكلفة وقابلة للتوسع لاستيفاء احتياجات الأعمال.
هل أنت مبتدئ؟
تعرّف على تعلّم الآلة من خلال أدوات تعليمية عملية مثل AWS DeepRacer وAWS DeepComposer وAWS DeepLens.
ألديك أرشيف بيانات حالي؟
استخدم Amazon SageMaker Ground Truth في تدفقات سير عمل تسمية البيانات المدمجة التي تدعم مقاطع الفيديو والصور والنصوص.
ألديك أنظمة تعلم آلي حالية؟
استخدم Amazon SageMaker Clarify لاكتشاف التحيز واستخدم Amazon SageMaker Debugger لمراقبة الأداء وتحسينه.
أتريد تطبيق التعلم العميق؟
استخدم Amazon SageMaker Distributed Training في التدريب التلقائي لنماذج التعلّم العميق الكبيرة. سجّل للحصول على حساب مجاني لتبدأ رحلة تعلّم الآلة اليوم!