هل لا يزال التعلم الآلي التقليدي مهمًا؟

في السنوات الأخيرة ، أظهر الذكاء الاصطناعي التوليدي نتائج واعدة في حل المهام المعقدة للذكاء الاصطناعي. النماذج الحديثة مثل ChatGPT و Bard و LLaMA و DALL-E.3 و SAM قد أظهرت قدرات ملحوظة في حل مشاكل متعددة التخصصات مثل الإجابة على الأسئلة البصرية والتقسيم والاستدلال وتوليد المحتوى.

علاوة على ذلك ، ظهرت تقنيات الذكاء الاصطناعي متعدد الوسائط ، القادرة على معالجة عدة أنواع من البيانات ، مثل النصوص والصور والصوت والفيديو في نفس الوقت. مع هذه التطورات ، من الطبيعي أن نتساءل: هل نحن مقتربون من نهاية التعلم الآلي التقليدي (ML)؟

في هذه المقالة ، سننظر في حالة مشهد التعلم الآلي التقليدي فيما يتعلق بالابتكارات الحديثة في الذكاء الاصطناعي التوليدي.

ما هو التعلم الآلي التقليدي؟ – ما هي حدوده؟

التعلم الآلي التقليدي هو مصطلح واسع يغطي مجموعة واسعة من الخوارزميات التي تدفعها في الغالب الإحصاءات. هناك نوعان رئيسيان من خوارزميات التعلم الآلي التقليدي: التعلم الخاضع للإشراف وغير الخاضع للإشراف. هذه الخوارزميات مصممة لتطوير نماذج من مجموعات بيانات منظَّمة.

تشمل الخوارزميات التقليدية للتعلم الآلي:

• خوارزميات الانحدار مثل الخطي ولاسو وريدج.
• خوارزمية تجميع المتوسطات K ‏(K-means).
• تحليل المكونات الرئيسية (PCA).
• آلات الدعم المتجه (SVM).
• خوارزميات شجرة مثل شجرة القرار والغابة العشوائية.
• نماذج التعزيز مثل التعزيز المتدرج وXGBoost.

حدود التعلم الآلي التقليدي

التعلم الآلي التقليدي له حدود كما يلي:

1. القدرة على التوسع المحدودة: هذه النماذج في كثير من الأحيان تحتاج إلى مساعدة للتوسع مع مجموعات بيانات كبيرة ومتنوعة.
2. المعالجة المسبقة للبيانات وهندسة الميزات: التعلم الآلي التقليدي يتطلب معالجة متقدمة لتحويل مجموعات البيانات وفقًا لمتطلبات النموذج. بالإضافة إلى ذلك ، قد تستغرق هندسة الميزات وقتًا طويلًا ويتطلب عدة تجارب لالتقاط العلاقات المعقدة بين ميزات البيانات.
3. بيانات عالية الأبعاد وغير منظَّمة: التعلم الآلي التقليدي يصعب معالجته مع أنواع بيانات معقدة مثل الصور والصوت والفيديوهات والوثائق.
4. التكيف مع البيانات غير المرئية: هذه النماذج قد لا تتكيف جيدًا مع البيانات الحقيقية التي لم تكن جزءًا من بيانات التدريب.

شبكة عصبونية: الانتقال من التعلم الآلي إلى التعلم العميق وما بعده

نماذج الشبكات العصبونية أكثر تعقيدًا من نماذج التعلم الآلي التقليدي. النموذج الأكثر بساطة – الإدراك متعدد الطبقات (MLP) – يتكون من عدة عصبونات متصلة معًا لفهم المعلومات وتنفيذ المهام ، بشكل مشابه لطريقة عمل الدماغ البشري.

التقدم في تقنيات الشبكات العصبونية شكل الأساس للانتقال من التعلم الآلي إلى التعلم العميق. على سبيل المثال ، الشبكات العصبونية المستخدمة في مهام الرؤية (كالتعرف على الكائنات والتقسيم) تسمى الشبكات العصبية الالتفافية (CNN) ، مثل AlexNet و ResNet و YOLO.

اليوم ، تقنية الذكاء الاصطناعي التوليدي تأخذ تقنيات الشبكات العصبونية خطوة إلى الأمام ، مما يسمح لها بالتفوق في مجالات الذكاء الاصطناعي المختلفة. على سبيل المثال ، الشبكات العصبونية المستخدمة في مهام معالجة اللغة الطبيعية (مثل تلخيص النصوص والإجابة على الأسئلة والترجمة) تعرف باسم الترانسفورمر. النماذج البارزة للترانسفورمر تشمل BERT و GPT-4 و T5. هذه النماذج تؤثر على الصناعات التي تتراوح من الرعاية الصحية والتجزئة والتسويق والتمويل، وغيرها.

هل ما زالنا بحاجة إلى خوارزميات التعلم الآلي التقليدي؟

رغم أن حصلت الشبكات العصبونية وأشكالها الحديثة على الكثير من الاهتمام ، فإن أساليب التعلم الآلي التقليدي لا تزال حاسمة. دعونا نرى لماذا لا تزال هذه الأساليب ذات صلة.

1. متطلبات البيانات البسيطة

الشبكات العصبونية تتطلب مجموعات بيانات كبيرة للتدريب ، بينما يمكن للنماذج التقليدية تحقيق نتائج ملحوظة مع مجموعات بيانات أصغر وأبسط. لذلك ، يفضل التعلم الآلي التقليدي على التعلم العميق لمجموعات البيانات الصغيرة والمنظَّمة، والعكس في الظروف المقابلة.

2. البساطة والقابلية للتفسير

نماذج التعلم الآلي التقليدي مبنية على أساس نماذج إحصائية واحتمالية أبسط. على سبيل المثال ، خط أفضل ملاءمة في الانحدار الخطي يحدد العلاقة بين الإدخال والإخراج باستخدام طريقة المربعات الصغرى ، وهي عملية إحصائية.

كما أن أشجار القرار تستخدم مبادئ احتمالية لتصنيف البيانات. استخدام هذه المبادئ يقدم قابلية التفسير ويجعل من السهل على ممارسي الذكاء الاصطناعي فهم كيفية عمل خوارزميات التعلم الآلي.

الهياكل الحديثة للشبكات العصبونية مثل الترانسفورمر ونمذجة الانتشار (المستخدمة عادةً لتوليد الصور مثل الانتشار المستقر أو Midjourney) لها بنية شبكية متعددة الطبقات المعقدة. فهم هذه الشبكات يتطلب فهم مفاهيم رياضية متقدمة. لذلك ، يُطلق عليها أيضًا اسم “الصندوق الأسود”.

3. الكفاءة في الموارد

الشبكات العصبونية الحديثة مثل نماذج اللغة الكبيرة (LLM) يتم تدريبها على مجموعات من وحدات معالجة الرسومات المكلفة وفقًا لمتطلبات الحوسبة. على سبيل المثال ، ورد أن GPT4 دُرِّب على 25000 وحدة معالجة رسومات من نوع Nvidia لمدة 90 إلى 100 يوم.

ومع ذلك ، الأجهزة المكلفة وأوقات التدريب الطويلة ليست ميسورة التكلفة لكل ممارس أو فريق ذكاء اصطناعي. من ناحية أخرى ، الكفاءة الحاسوبية لخوارزميات التعلم الآلي التقليدي تسمح للممارسين بالحصول على نتائج ملحوظة حتى مع الموارد المحدودة.

4. ليس كل المشاكل تحتاج إلى التعلم العميق

التعلم العميق ليس الحل المطلق لجميع المشاكل. هناك سيناريوهات معينة حيث يتفوق التعلم الآلي على التعلم العميق.

على سبيل المثال ، في التشخيص الطبي والتنبؤ بمسار المرض مع بيانات محدودة ، يؤدي خوارزمية التعلم الآلي لتحديد الشذوذ مثل REMED أفضل من التعلم العميق. بشكل مماثل ، التعلم الآلي التقليدي مهم في السيناريوهات التي تتميز بقدرة حوسبة منخفضة بوصفه حلًا مرنًا وفعّالًا.

بشكل أساسي ، اختيار أفضل نموذج لأي مشكلة يعتمد على احتياجات المنظمة أو الممارس وطبيعة المشكلة المحددة.

التعلم الآلي في عام 2023

صورة تم إنشاؤها باستخدام Leonardo AI

في عام 2023 ، يظل التعلم الآلي التقليدي يتطور ويتنافس مع التعلم العميق والذكاء الاصطناعي التوليدي. له استخدامات عديدة في الصناعة ، خاصة عند التعامل مع مجموعات بيانات منظَّمة.

على سبيل المثال ، تعامل العديد من شركات السلع الاستهلاكية السريعة مع كميات كبيرة من البيانات الجدولية التي تعتمد على خوارزميات التعلم الآلي لمهام حرجة مثل التوصيات الشخصية للسلع وتحسين الأسعار وتنظيم المخزون وتحسين سلسلة التوريد.

علاوة على ذلك ، لا تزال العديد من نماذج الرؤية واللغة تستند إلى تقنيات تقليدية ، وتقدم حلولًا في نهج هجين وتطبيقات ناشئة. على سبيل المثال ، دراسة حديثة بعنوان “هل نحتاج حقًا إلى نماذج التعلم العميق للتنبؤ بالسلاسل الزمنية؟” ناقشت كيف أن أشجار الانحدار المعزَّز بالتدرج (GBRTs) أكثر كفاءة في التنبؤ بالسلاسل الزمنية من الشبكات العصبونية العميقة.

لا تزال قابلية تفسير التعلم الآلي التقليدي قيمة كبيرة مع تقنيات مثل SHAP (التوضيحات الإضافية لشابلي) و LIME (التفسيرات المحلية القابلة للتأويل والمستقلة عن النموذج). هذه التقنيات تفسر نماذج التعلم الآلي المعقدة وتوفر رؤى حول تنبؤاتها ، مما يساعد ممارسي التعلم الآلي على فهم نماذجهم بشكل أفضل.

أخيرًا ، يظل التعلم الآلي التقليدي حلًا قويًا للصناعات المتنوعة التي تتعامل مع التوسع في البيانات وتعقيدها وقيود الموارد. هذه الخوارزميات لا يمكن استبدالها لتحليل البيانات ونمذجة التنبؤ وستظل جزءًا من أدوات عالم البيانات.

إذا كانت مواضيع مثل هذه تثير فضولك ، فاستكشف Unite AI لمزيد من الاكتشافات.