هل لا يزال التعلم الآلي التقليدي ذا صلة؟

في السنوات الأخيرة، أظهر الذكاء الاصطناعي التوليدي نتائج واعدة في حل مهام الذكاء الاصطناعي المعقدة. نماذج الذكاء الاصطناعي الحديثة مثل شات جي بي تي, الشاعر, المكالمات, دال-E.3و SAM لقد أظهروا قدرات رائعة في حل المشكلات متعددة التخصصات مثل الإجابة على الأسئلة المرئية والتجزئة والتفكير وإنشاء المحتوى.

علاوة على ذلك، متعدد الوسائط AI ظهرت تقنيات قادرة على معالجة طرائق البيانات المتعددة، أي النصوص والصور والصوت والفيديو في وقت واحد. ومع هذه التطورات، من الطبيعي أن نتساءل: هل نقترب من نهاية العالم؟ التعلم الآلي التقليدي (مل)؟

في هذه المقالة، سنلقي نظرة على حالة مشهد التعلم الآلي التقليدي فيما يتعلق بابتكارات الذكاء الاصطناعي التوليدية الحديثة.

ما هو التعلم الآلي التقليدي؟ - ما هي حدوده؟

يعد التعلم الآلي التقليدي مصطلحًا واسعًا يغطي مجموعة واسعة من الخوارزميات التي تعتمد بشكل أساسي على الإحصائيات. النوعان الرئيسيان لخوارزميات ML التقليدية هما خاضعة للإشراف وغير خاضعة للرقابة. تم تصميم هذه الخوارزميات لتطوير نماذج من مجموعات البيانات المنظمة.

تتضمن خوارزميات التعلم الآلي التقليدية القياسية ما يلي:

• خوارزميات الانحدار مثل الخطي، واللاسو، والتلال.
• K-يعني التجميع.
• تحليل المكونات الرئيسية (PCA).
• دعم آلات المتجهات (SVM).
• الخوارزميات المبنية على الأشجار مثل أشجار القرار والغابة العشوائية.
• تعزيز النماذج مثل تعزيز التدرج و XGBoost.

حدود التعلم الآلي التقليدي

ML التقليدي له القيود التالية:

1. قابلية محدودة للتوسع: غالبًا ما تحتاج هذه النماذج إلى المساعدة في التوسع باستخدام مجموعات البيانات الكبيرة والمتنوعة.
2. المعالجة المسبقة للبيانات وهندسة الميزات: يتطلب تعلم الآلة التقليدي معالجة مسبقة واسعة النطاق لتحويل مجموعات البيانات وفقًا لمتطلبات النموذج. كما يمكن أن تستغرق هندسة الميزات وقتًا طويلاً وتتطلب تكرارات متعددة لالتقاط العلاقات المعقدة بين ميزات البيانات.
3. البيانات عالية الأبعاد وغير المنظمة: يواجه تعلم الآلة التقليدي صعوبة في التعامل مع أنواع البيانات المعقدة مثل الصور والصوت ومقاطع الفيديو والمستندات.
4. القدرة على التكيف مع البيانات غير المرئية: قد لا تتكيف هذه النماذج بشكل جيد مع بيانات العالم الحقيقي التي لم تكن جزءًا منها بيانات التدريب.

الشبكة العصبية: الانتقال من التعلم الآلي إلى التعلم العميق وما بعده

تعد نماذج الشبكة العصبية (NN) أكثر تعقيدًا بكثير من نماذج التعلم الآلي التقليدية. أبسط NN – متعدد الطبقات الإدراك الحسي (MLP) يتكون من عدة خلايا عصبية متصلة ببعضها البعض لفهم المعلومات وأداء المهام، على غرار كيفية عمل الدماغ البشري.

لقد شكل التقدم في تقنيات الشبكات العصبية الأساس للانتقال من التعلم الآلي إلى التعلم العميق. على سبيل المثال، يُطلق على NN المستخدم في مهام رؤية الكمبيوتر (اكتشاف الكائنات وتجزئة الصورة). الشبكات العصبية التلافيفية (CNN)، مثل AlexNet, ريسنيتو YOLO.

اليوم، تأخذ تكنولوجيا الذكاء الاصطناعي التوليدي تقنيات الشبكات العصبية خطوة أخرى إلى الأمام، مما يسمح لها بالتفوق في مجالات الذكاء الاصطناعي المختلفة. على سبيل المثال، تُعرف الشبكات العصبية المستخدمة لمهام معالجة اللغة الطبيعية (مثل تلخيص النص والإجابة على الأسئلة والترجمة) باسم محولات. تشمل نماذج المحولات البارزة بيرت, GPT-4و T5. تخلق هذه النماذج تأثيرًا على صناعات تتراوح بين الرعاية الصحية وتجارة التجزئة والتسويق تمويل، الخ.

هل ما زلنا بحاجة إلى خوارزميات التعلم الآلي التقليدية؟

في حين أن الشبكات العصبية ومتغيراتها الحديثة مثل المحولات قد حظيت بالكثير من الاهتمام، إلا أن أساليب تعلم الآلة التقليدية تظل حاسمة. دعونا نلقي نظرة على سبب استمرار أهميتها.

1. متطلبات بيانات أبسط

تتطلب الشبكات العصبية مجموعات بيانات كبيرة للتدريب، في حين يمكن لنماذج تعلم الآلة تحقيق نتائج مهمة باستخدام مجموعات بيانات أصغر وأبسط. وبالتالي، يتم تفضيل تعلم الآلة على التعلم العميق لمجموعات البيانات المنظمة الأصغر والعكس صحيح.

2. البساطة وقابلية التفسير

نماذج التعلم الآلي التقليدية مبنية على نماذج إحصائية واحتمالية أبسط. على سبيل المثال، الخط الأنسب في الانحدارالخطي يحدد العلاقة بين المدخلات والمخرجات باستخدام طريقة المربعات الصغرى، وهي عملية إحصائية.

وبالمثل، تستفيد أشجار القرار من المبادئ الاحتمالية لتصنيف البيانات. يوفر استخدام مثل هذه المبادئ إمكانية التفسير ويسهل على ممارسي الذكاء الاصطناعي فهم طريقة عمل خوارزميات تعلم الآلة.

بنيات NN الحديثة مثل نماذج المحولات والانتشار (تُستخدم عادةً لتوليد الصور مثل انتشار مستقر or ميدجورني) لها بنية شبكة معقدة متعددة الطبقات. يتطلب فهم مثل هذه الشبكات فهمًا للمفاهيم الرياضية المتقدمة. ولهذا السبب يشار إليها أيضًا باسم "الصناديق السوداء".

3. كفاءة الموارد

يتم تدريب الشبكات العصبية الحديثة مثل نماذج اللغات الكبيرة (LLMs) على مجموعات من وحدات معالجة الرسومات باهظة الثمن وفقًا لمتطلباتها الحسابية. على سبيل المثال، تم تدريب GPT4 عليه 25000 وحدة معالجة رسومات نفيديا لمدة 90 إلى 100 أيام.

ومع ذلك، فإن الأجهزة باهظة الثمن ووقت التدريب الطويل ليسا ممكنين لكل ممارس أو فريق للذكاء الاصطناعي. من ناحية أخرى، تسمح الكفاءة الحسابية لخوارزميات التعلم الآلي التقليدية للممارسين بتحقيق نتائج ذات معنى حتى مع الموارد المحدودة.

4. ليست كل المشاكل تحتاج إلى التعلم العميق

تعلم عميق ليس الحل المطلق لجميع المشاكل. توجد سيناريوهات معينة يتفوق فيها التعلم الآلي على التعلم العميق.

على سبيل المثال ، في التشخيص الطبي والتشخيص مع بيانات محدودة، خوارزمية ML ل إكتشاف عيب خلقي مثل REMED يقدم نتائج أفضل من التعلم العميق. وبالمثل، يعد التعلم الآلي التقليدي مهمًا في السيناريوهات ذات القدرة الحسابية المنخفضة حل مرن وفعال.

في المقام الأول، يعتمد اختيار النموذج الأفضل لأي مشكلة على احتياجات المنظمة أو الممارس وطبيعة المشكلة المطروحة.

التعلم الآلي في عام 2023

الصورة التي تم إنشاؤها باستخدام ليوناردو AI

في عام 2023، سيستمر التعلم الآلي التقليدي في التطور ويتنافس مع التعلم العميق والذكاء الاصطناعي التوليدي. وله العديد من الاستخدامات في الصناعة، خاصة عند التعامل مع مجموعات البيانات المنظمة.

على سبيل المثال، العديد من السلع الاستهلاكية سريعة الحركة (FMCG) تتعامل الشركات مع كميات كبيرة من البيانات الجدولية التي تعتمد على خوارزميات التعلم الآلي للمهام الهامة مثل توصيات المنتجات المخصصة، وتحسين الأسعار، وإدارة المخزون، وتحسين سلسلة التوريد.

علاوة على ذلك، كثير نماذج الرؤية واللغة لا تزال تعتمد على التقنيات التقليدية، وتقدم حلولاً في الأساليب الهجينة والتطبيقات الناشئة. على سبيل المثال، دراسة حديثة بعنوان "هل نحتاج حقًا إلى نماذج التعلم العميق للتنبؤ بالسلاسل الزمنية؟"ناقش كيف تكون أشجار الانحدار المعززة للتدرج (GBRTs) أكثر كفاءة التنبؤ بالسلسلة الزمنية من الشبكات العصبية العميقة.

تظل قابلية تفسير تعلم الآلة ذات قيمة عالية مع تقنيات مثل الشكل (شروحات شابلي المضافة) و الجير (التفسيرات المحلية القابلة للتفسير الحيادية). تشرح هذه التقنيات نماذج تعلم الآلة المعقدة وتوفر رؤى حول تنبؤاتها، وبالتالي تساعد ممارسي تعلم الآلة على فهم نماذجهم بشكل أفضل.

وأخيرًا، يظل التعلم الآلي التقليدي حلاً قويًا للصناعات المتنوعة التي تعالج قابلية التوسع وتعقيد البيانات وقيود الموارد. لا يمكن استبدال هذه الخوارزميات لتحليل البيانات والنمذجة التنبؤية وستظل جزءًا من ترسانة عالم البيانات.

إذا كانت مثل هذه المواضيع تثير اهتمامك، فاستكشفها توحيد الذكاء الاصطناعي لمزيد من الرؤى.