أساسيات الذكاء الاصطناعي
ما هو التعلم الآلي؟
أضف Unite.AI إلى مصادرك المفضلة على Google
التعلم الآلي (ML) هو فرع من الذكاء الاصطناعي يتعلم فيه النظام الأنماط من البيانات ليتمكن من إجراء التنبؤات أو التصنيفات أو التوصيات أو اتخاذ القرارات دون أن يكتب المطور قاعدة منفصلة لكل حالة محتملة. النتيجة ليست آلة “تفكر” كإنسان. إنه نموذج إحصائي يربط المدخلات بالمخرجات المفيدة ويمكن تقييمه على بيانات لم يرها أثناء التدريب.
يأتي التعلم الآلي ضمن المجال الأوسع للذكاء الاصطناعي، بينما يُعد التعلم العميق عائلة من طرق التعلم الآلي المبنية على الشبكات العصبية متعددة الطبقات. هذا التمييز مهم: ليس كل نظام ذكاء اصطناعي يستخدم التعلم الآلي، وليس كل مشكلة تعلم آلي تتطلب شبكة عصبية.
النقاط الرئيسية
- يتعلم التعلم الآلي علاقة من الأمثلة بدلاً من الاعتماد فقط على القواعد المكتوبة يدويًا.
- يجب أن يعمم النموذج المفيد على بيانات جديدة، لا أن يحفظ مجموعة التدريب فقط.
- التعلم المراقب، غير المراقب، شبه المراقب، التعلم الذاتي، وتعلم التعزيز يحلّون أنواعًا مختلفة من المشكلات.
- جودة البيانات، تصميم التقييم، والمراقبة مهمة بقدر أهمية الخوارزمية.
كيف يعمل التعلم الآلي
يمكن فهم معظم مشاريع التعلم الآلي كسلسلة من ست مراحل:
- تحديد المهمة. تحديد ما يجب أن يتنبأ به النظام أو يكتشفه وما يعنيه النجاح في التطبيق الحقيقي.
- جمع وتحضير البيانات. تنظيف السجلات، معالجة القيم المفقودة، إنشاء ميزات مفيدة، وتوثيق مصدر البيانات.
- تقسيم البيانات. تُستخدم مجموعة التدريب لتدريب النموذج، وتساعد مجموعة التحقق في اختيار الإعدادات، وتُوفر مجموعة الاختبار تقديرًا نهائيًا على بيانات غير مُستعملة.
- تدريب النموذج. تقوم الخوارزمية بضبط معلمات النموذج لتقليل دالة الخسارة أو تحقيق هدف تعلم آخر.
- تقييم العمومية. يجب أن تعكس المقاييس المهمة، توازن الفئات، تكاليف الأخطاء، والسكان الذين سيعمل النموذج عليهم.
- النشر والمراقبة. قد تتغير البيانات في العالم الحقيقي، لذا تراقب الفرق الانحراف، تدهور الأداء، الانحياز، والأعطال التشغيلية.
عادةً ما تُسمى المتغيرات التي تُزود النموذج بها بـ “الميزات”. في التعلم المراقب، يُطلق على الإجابة المطلوبة اسم “العلامة” أو “الهدف”. تُشفّر معلمات النموذج المتعلمة علاقة بين الميزات والمخرجات؛ فهي ليست قاعدة بيانات من القواعد الصريحة.
نماذج التعلم الرئيسية
التعلم المراقب
في التعلم المراقب، تشمل الأمثلة كلًا من المدخلات والأهداف المعروفة. يتنبأ نموذج التصنيف بالفئات، مثل ما إذا كانت المعاملة احتيالية. يتنبأ نموذج الانحدار بقيمة مستمرة، مثل الطلب المتوقع على الطاقة.
تشمل الخوارزميات المراقبة الشائعة أشجار القرار، آلات المتجهات الداعمة، أقرب الجيران، الانحدار الخطي واللوجستي، الأشجار المعززة بالتدرج، والشبكات العصبية. عتبة التصنيف مثل 0.5 هي قرار يُختار بعد أن ينتج النموذج درجة أو احتمال؛ ليست خاصية ثابتة للانحدار اللوجستي.
التعلم غير المراقب
يعمل التعلم غير المراقب مع بيانات لا تتضمن علامات هدف. قد يكون الهدف إيجاد التجمعات، اكتشاف الملاحظات غير العادية، تقدير توزيع، أو إنشاء تمثيل منخفض الأبعاد. التجمع هو مجموعة يُقترحها قاعدة تشابه؛ ولا تُعد تلقائيًا فئة ذات معنى في العالم الحقيقي.
تشمل الأمثلة تجميع K-means، تحليل المكونات الرئيسية، تقدير الكثافة، وبعض أشكال المشفرات الذاتية. يتعلم المشفر الذاتي إعادة بناء مدخلاته عبر تمثيل مضغوط. ولا يُنشئ تلقائيًا علامات الحقيقة الأرضية.
التعلم شبه المراقب والتعلم الذاتي
التعلم شبه المراقب يجمع مجموعة بيانات مصنفة صغيرة مع مجموعة بيانات غير مصنفة أكبر. التعلم الذاتي يُنشئ إشارة تدريب من البيانات نفسها — على سبيل المثال، توقع الكلمات المحجوبة أو مطابقة وجهتين مُحوّلتين لنفس الصورة. يُعد التعلم الذاتي محورًا للعديد من خطوط أنابيب التحويلية والنماذج الأساسية الحديثة لأنه يمكنه استخدام مجموعات ضخمة من النصوص أو الصور أو الصوت أو الفيديو دون أن يقوم شخص بوسم كل مثال.
التعلم التعزيزي
في التعلم التعزيزي، يتخذ الوكيل إجراءات في بيئة ويتلقى مكافآت أو تكاليف. الهدف هو تعلم سياسة تُعظم المكافأة التراكمية المتوقعة. يختلف ذلك عن التعلم المراقب لأن الإجراء الصحيح لا يُقدم لكل حالة، ويمكن للإجراء أن يؤثر على البيانات التي يواجهها الوكيل لاحقًا.
التدريب، التحقق، والعمومية
يمكن للنموذج الذي يحقق أداءً جيدًا على أمثلة التدريب أن يفشل على بيانات جديدة. يُعرف هذا الفشل باسم الإفراط في التخصيص. تقلل الفرق ذلك من خلال سعة نموذج مناسبة، التنظيم، التحقق المتقاطع، توسيع البيانات، منع التسرب، ومجموعة اختبار مستقلة حقًا.
لا توجد مقياس واحد لكل مهمة تعلم آلي. قد يتطلب التصنيف الدقة، الاسترجاع، مقياس F1، المعايرة، أو مقياسًا مرجحًا بالتكلفة بدلاً من الدقة الصافية. قد يستخدم الانحدار متوسط الخطأ المطلق، جذر متوسط الخطأ التربيعي، أو خسارة خاصة بالمجال. يتطلب التجميع أشكالًا مختلفة من التقييم الداخلي أو المُصادق عليه خارجيًا. يجب أن يعكس المقياس ما يعنيه الخطأ للمستخدم أو المؤسسة.
خوارزميات التعلم الآلي أدوات، ليست ضمانات
تحمل الخوارزمية افتراضات. تفترض النماذج الخطية شكلًا معينًا من العلاقة. يفترض أقرب الجيران أن المسافة المختارة تمثل تشابهًا ذا معنى. يفترض نايف بايز أن الميزات مستقلة شرطيًا بالنسبة للفئة. تقسم أشجار القرار مساحة الميزات باستخدام قواعد تقسيم مُتعلمة؛ تحتوي أوراقها على تنبؤات تستند إلى مجموعات من ملاحظات التدريب بدلاً من ملاحظة واحدة بالضرورة.
لذلك يعتمد اختيار النموذج على حجم البيانات، أنواع الميزات، متطلبات الكمون، احتياجات التفسير، وتكلفة الأخطاء. يمكن لنموذج أبسط أن يتفوق على نموذج أكبر عندما تكون البيانات محدودة أو تفضّل القيود التشغيلية السرعة والشفافية.
أين يُستخدم التعلم الآلي
يدعم التعلم الآلي ترتيب البحث، التوصيات، التنبؤ، اكتشاف الشذوذ، الترجمة، التعرف على الكلام، رؤية الحاسوب، الصيانة التنبؤية، اكتشاف الاحتيال، والتحليل العلمي. يمكن لنفس التقنيات أيضًا تضخيم التحيز التاريخي، كشف المعلومات الحساسة، أو السلوك غير المتوقع عند حدوث تحول في التوزيع. يتطلب النشر المسؤول توثيقًا، إشرافًا بشريًا عند الحاجة، اختبار أمان، ومراقبة مستمرة.
من تعريف المشكلة إلى تجربة تعلم آلي صالحة
يجب أن يبدأ مشروع التعلم الآلي بقرار ونتيجة قابلة للقياس، وليس بخوارزمية. عرّف وحدة التنبؤ، الهدف، وقت الملاحظة، وقت القرار، الميزات المتاحة، وتكلفة كل خطأ. على سبيل المثال، في نموذج فقدان العملاء، سيؤدي استخدام الأحداث المسجلة بعد الإلغاء إلى تسريب الإجابة. ضع قاعدة بسيطة أو خط أساس إحصائي، ثم قسّم البيانات حسب الوقت أو العميل أو الموقع أو أي حد آخر يعكس النشر. يمكن أن تُضعف تقسيمات الصفوف العشوائية ملاحظات متقاربة جدًا في مجموعتي التدريب والاختبار وتنتج درجة مضللة.
تحويل الميزات (Feature engineering) يحول السجلات الخام إلى تمثيلات يمكن للنموذج استخدامها، لكن كل ميزة تحتاج إلى أصل وضمان التوافر. يُجرى التطبيع، المفردات، الإكمال، وتقليل الأبعاد فقط على بيانات التدريب، ثم يُطبق التحول المتعلم على بيانات التحقق والاختبار. يقدّر التحقق المتقاطع التباين عبر العينات؛ تدعم مجموعة الاختبار النهائية غير المُستعملة قرار الإصدار. اختر المقاييس وفقًا للعواقب: الدقة والاسترجاع لأخطاء التصنيف غير المتساوية، المعايرة عندما تقود الاحتمالات إلى اتخاذ إجراءات، ومقاييس مرجحة بالتكلفة أو الفائدة عندما يكون للخطأ تأثيرات تشغيلية مختلفة.
النشر، المراقبة، والتشغيل المسؤول
تُعيد الاستدلال في الإنتاج تطبيق التحويل الكامل أثناء التدريب وتُعيد توقعًا ضمن قيود الكمون، السعة، وتوافر الخدمة. احزم ما قبل المعالجة مع النموذج، تحقق من مخططات الإدخال، أصدِر النسخ الإصدارية للملفات، وقارن النتائج بين التنفيذات غير المتصلة والعمليات الحية. اختر عتبة باستخدام سعة التشغيل ومقايضة الأخطاء بدلاً من الاعتماد على 0.5 افتراضيًا. انشر عبر تقييم الظل، مجموعة محدودة، أو تجربة مع مقاييس الحواجز. احتفظ بخيار تراجع حتمي ومسار إرجاع للخطأ في الاعتماديات أو سلوك غير مقبول.
راقب جودة الإدخال، انحراف الميزات، توزيع التنبؤات، المعايرة، نتائج الفئات الفرعية، الكمون، التكلفة، والملصقات المؤكدة عندما تصل في النهاية. يُعد الانحراف إشارة للتحقق، وليس دليلًا تلقائيًا على أن إعادة التدريب ستحقق فائدة. تتطلب إعادة التدريب بيانات مُراجعة، اختبارات قابلة للتكرار، موافقة، ومقارنة مع النموذج الحالي الرائد. وثّق الاستخدامات المقصودة وغير الصالحة، حقوق البيانات، الخصوصية، الأمان، التدخل البشري، والطعون حيث يتأثر الأشخاص. التعلم الآلي هو نظام قرار مُصان؛ ملف النموذج هو مجرد مكوّن قابل للاستبدال.
مثال عملي: التنبؤ بفشل المعدات
يحدد المُصنِّع تنبؤًا واحدًا لكل آلة‑يوم: ما إذا كان فشل مُؤكَّد سيحدث خلال سبعة أيام باستخدام بيانات الاستشعار المتوفرة فقط في بداية ذلك اليوم. يقسم البيانات حسب الآلة والوقت، يقارنها بالقواعد المستندة إلى العمر والعتبة، يُجري ما قبل المعالجة على بيانات التدريب، ويُقيم استرجاع الأحداث، الإنذارات الكاذبة، زمن التحذير المسبق، المعايرة، وسعة الصيانة. تُنمذج استبدال المستشعرات والإغلاق المخطط كالسياق التشغيلي بدلاً من اعتبارها ملاحظات عادية.
يعمل النموذج أولًا في وضع الظل. تُظهر الإنذارات بيانات الاستشعار المساهمة وعدم اليقين، لكن الصيانة تقرر ما إذا كان يجب الفحص. تصبح النتائج والأسباب المؤكدة علامات مُحكومة؛ عدم وجود أمر عمل لا يُفترض أنه يعني عدم وجود فشل. يستخدم نشر متدرج حدود الإنذارات وتراجعًا يدويًا، بينما تُتابع المراقبة صحة المستشعر، انحراف الإدخال، الدقة المُراجعة، وقت التعطيل، والصيانة غير الضرورية. تُجرى إعادة التدريب فقط بعد أن تُظهر مراجعة البيانات والعتبة تحسنًا محتملًا على النظام الحالي المُنشر.
دليل التنفيذ والاستعداد التشغيلي
يتطلب اتخاذ قرار إنتاجي أكثر من مجرد عرض ناجح. عرّف المستخدمين المستهدفين، بيئة التشغيل، المدخلات، المخرجات، الاعتماديات، المالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدَّرة قبل الضبط. اختبر الحالات العادية، ظروف الحدود، المدخلات المشوهة أو المفقودة، تحول التوزيع، انقطاع الاعتماديات، سوء الاستخدام، والمجموعات أو البيئات الأكثر احتمالًا لتكون غير مُخدَّمة. قس جودة المهمة مع المعايرة أو عدم اليقين، الكمون، السعة، تكلفة الموارد، إمكانية الوصول، الخصوصية، والأمان. سجِّل كل تحويل وعتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة والتمييز بين الأدلة والنموذج الأولي الجذاب.
قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، التراجع، والتقاعد. استخدم نشرًا متدرجًا، احفظ خيارًا احتياطيًا آمنًا، وتحقق من المراقبة عبر إدخال أعطال متعمدة. يجب أن تكشف بيانات التليمترية التشغيلية عن جودة الإدخال، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماديات، التدخلات البشرية، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات الإنذار ومسؤول الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرار الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات أو المستخدمون أو النماذج أو البائعون أو السياسات أو الأجهزة أو الأهداف. يحتاج النظام المُصان أيضًا إلى توثيق استعادة، تعلم من الحوادث، إجراءات الحذف والاحتفاظ، ونقطة واضحة يجب عندها تعطيله أو استبداله.
المراجع الأساسية
