fbpx

ما هو الـ Machine Learning وأهميته وما علاقته بالذكاء الاصطناعي

دعونا نعترف ان التعلم الآلي أو الـ Machine Learning  يُمكّن أجهزة الكمبيوتر من التعامل مع المهام التي لا يمكن ان يتم التعامل معها الا بواسطة الإنسان.

من قيادة السيارات إلى ترجمة الكلام أو التحدث مع الروبوتات بطريقة آدمية، يقوم التعلم الآلي معتمداً على قدرات الذكاء الاصطناعي بمساعد البرامج والآلات على فهم العالم الحقيقي الفوضوي وغير المتوقع والتعامل معه.

ما هو الـ Machine Learning وأهميته ؟!

ببساطة , التعلم الآلي هو عملية تعليم الكمبيوتر والآلات كيفية إجراء تنبؤات دقيقة عند تغذيتهم بالبيانات.

هذه التنبؤات يمكن أن تكون :

  • الإجابة على ما إذا كانت نوع الفاكهة الموجودة في صورة هي عبارة عن موزة أو تفاحة! ،
  • القدرة في التعرف على الأشخاص الذين يعبرون الطريق أمام سيارة ذاتية القيادة !،
  • معرفة سواء كان استخدام كلمة Book في جملة تتعلق بكتاب ورقي أو تتعلق بالرغبة في حجز الفنادق لأن الكلمة تحمل معنيين!
  • معرفة ما إذا كان البريد الإلكتروني غير مرغوب فيه او لابد من الرد عليه كما هو الحال بتطبيق Gmail الجديد.

الاختلاف الرئيسي بينه وبين برامج الكمبيوتر التقليدية هو أن المطور البشري للبرنامج لم يكتب رمزًا او كود برمجي يرشد البرنامج إلى معرفة الفرق بين الموز والتفاح.

بدلاً من ذلك ، طريقة برمجة البرامج التي تعمل تقنية التعلم الآلي أو Machine Learning تقوم بتدريب الآلات والبرامج على كيفية التمييز بشكل موثوق بين الفاكهة عن طريق تدريبها على كمية كبيرة من البيانات.

إذاً البيانات أو الكثير من البيانات ، هي المفتاح لجعل التعلم الآلي أو الـ Machine Learning ممكنًا.

ما هو الفرق بين الذكاء الاصطناعي والـ Machine Learning؟

قد يكون التعلم الآلي قد حقق نجاحًا هائلًا في الوقت الحالي، ولكنه يعتبر مجرد طريقة واحدة من طرق تحقيق الذكاء الاصطناعي.

عند بدء مجال الذكاء الاصطناعي في الخمسينيات ، تم تعريف الذكاء الاصطناعي بأنه الآلة القادرة على القيام بمهمة معينة تتطلب عادة الذكاء البشري للقيام بها.

سوف تُظهِر أنظمة الذكاء الاصطناعي بوجه عام بعض السمات التالية على الأقل: التخطيط ، والتعلم ، والتفكير ، وحل المشكلات ، وتمثيل المعرفة ، والإدراك ، والحركة ، والتلاعب ، الذكاء الاجتماعي والإبداع.

جنبا إلى جنب مع التعلم الآلي ، هناك العديد من الطرق الأخرى المستخدمة لبناء أنظمة الذكاء الاصطناعي ، بما في ذلك الحوسبة التطورية ما تسمى evolutionary computation ، حيث تخضع الخوارزميات لطفرات عشوائية بين الأجيال في محاولة “لتطور” الحلول المثلى. وأيضا أنظمة الخبراء ما تسمى expert systems ، حيث تتم برمجة الحواسيب مع القواعد التي تسمح لهم لتقليد سلوك الإنسنان البشري في مجال معين ، على سبيل المثال نظام الطيار الآلي.

ما هي الأنواع الرئيسية من التعلُم الآلي؟

ينقسم التعلم الآلي Machine Learning عمومًا إلى فئتين رئيسيتين: التعلم تحت إشراف ودون إشراف.

ما هو التعلم تحت الإشراف؟

هذه الفئة من التعلم بتم فيها تعليم الآلات عن طريق الأمثلة.

أثناء التدريب على التعلم تحت الإشراف ، تتعرض الأنظمة لكميات كبيرة من البيانات التي تم تسميتها سابقاً ، على سبيل المثال صور أرقام مكتوبة بخط اليد تشرح العدد الذي تتوافق معه. وبالنظر إلى  أكثر من مثال اي أكثر من ورقة مكتوبة بخط اليد  ، سيتعلم النظام او الآلة بالنظام الخاضع للإشراف التعرف على مجموعات البكسل والأشكال المرتبطة بكل رقم ، وفي النهاية يتمكن من التعرف على الأرقام المكتوبة بخط اليد ، فيكون قادراً  على التمييز بشكل موثوق بين الأرقام 9 و 4 أو 6 و 8.

ومع ذلك ، فإن تدريب هذه الأنظمة يتطلب عادةً كميات هائلة من البيانات المصنفة ، مع بعض الأنظمة التي يجب أن تتعرض لملايين من الأمثلة لإتقان مهمة ما.

نتيجة لذلك ، يمكن أن تكون مجموعات البيانات المستخدمة لتدريب هذه الأنظمة كبيرة جدا، مع وجود  Google’s Open Images Dataset  والذييحتوي على حوالي 9 ملايين صورة ، وحاوية الفيديوهات المسماة بـ  YouTube-8M والذي يربط 7 ملايين من مقاطع الفيديو التي تم تسميتها مسبقا بـ ImageNet ، وهو أحد قواعد البيانات من هذا النوع, و بعد أكثر من 14 مليون صورة مصنفة مسبقاً يستمر حجم مجموعات بيانات التدريب في النمو.

مع إعلان Facebook مؤخرًا أنها جمعت 3.5 مليار صورة متاحة للجمهور على Instagram باستخدام علامات تصنيف أو مايسمى بـ HashTag ## مرفقة بكل صورة كتسميات. وقد أدى استخدام مليار من هذه الصور لتدريب نظام التعرف على الصور إلى تحقيق مستويات قياسية من الدقة – تبلغ 85.4 بالمائة – على مقياس ImageNet.

وكثيرا ما تتم العملية الشاقة لوضع العلامات والتصنيفات على مجموعات البيانات المستخدمة في التدريب باستخدام خدمات الحشد او ما تسمى بـ crowdworking services، مثل شركة Amazon Mechanical Turk ، التي توفر الوصول إلى مجموعة كبيرة من العمالة منخفضة التكلفة المنتشرة في جميع أنحاء العالم. على سبيل المثال ، تم وضع ImageNet معًا على مدار عامين من قبل ما يقرب من 50000 شخص ، تم تعيينهم أساسًا من خلال شركة Amazon Mechanical Turk.

ما هو التعلم بدون إشراف؟

في المقابل ، خوارزميات مهام التعلم غير الخاضعة للرقابة تأتي عن طريق محاولة الآلات لتحديد أوجه التشابه بين البيانات وتقسيم تلك البيانات إلى فئات ,مثال على ذلك:

  • Airbnb والذي يقوم بتجميع المنازل المتوفرة للإيجار من الحي المجاور لك.
  • تجميع أخبار Google معًا حول مواضيع مماثلة كل يوم.

لم يتم تصميم الخوارزمية تلك لتحديد أنواع معينة من البيانات ، بل يتم البحث ببساطة عن البيانات التي يمكن تجميعها من خلال أوجه التشابه بينها.

ما هو التعلم شبه المُشرَف عليه؟

قد تتناقص أهمية المجموعات الضخمة من البيانات المصنفة مسبقاً لتغذية أنظمة التعلُم بمرور الوقت ، نظرًا لارتفاع أهمية التعلم شبة المُشرَف عليه.

كما يوحي الاسم ، هذا الأسلوب هو مزيج من النهج بين التعلم تحت إشراف وبدون إشراف. تعتمد التقنية هذه على استخدام كمية صغيرة من البيانات الموصَّفة و المصنفة ومقدار كبير من البيانات غير المسموح بها لتدريب الأنظمة. يتم استخدام البيانات المصنّفة لتدريب نموذج من الآلات بشكل جزئي ، ومن ثم يتم استخدام هذا النموذج المدرّب جزئيًا لتمييز البيانات غير المصنّفة ، وهي عملية تسمى تسمية زائفة أو pseudo-labelling. ثم يتم التدريب  على المزيج الناتج من البيانات المصنّفة والبيانات الغير مصنّفة .

إذا أصبح التعلم شبه شبة المُشرَف عليه فعالاً مثل التعلم تحت الإشراف ، فإن الوصول إلى كميات هائلة من طاقة الحوسبة او computing power قد يصبح في نهاية الأمر أكثر أهمية لنجاح تدريب أنظمة تعلم الآلة من الوصول إلى مجموعات البيانات الكبيرة والمصنّفة.

ما هو التعلم التعزيزي؟

طريقة لفهم التعلم التعزيزي هي التفكير في كيف يمكن لشخص ما أن يتعلم ان يلعب لعبة كمبيوتر قديمة جداً لأول مرة ، عندما لا يكون على دراية بالقواعد أو كيفية التحكم في اللعبة. في حين أن هذا الشخص قد يكون مبتدأ وانها أول مرة يقوم باللعب ، ففي نهاية المطاف ، من خلال النظر إلى العلاقة بين الأزرار التي يضغط عليها ، وما يحدث على الشاشة والنتيجة داخل اللعبة ، فإن أدائهم سيكون أفضل وأفضل مع مرور الوقت.

من الأمثلة على التعلم التعزيزي Google DeepMind’s ، والتي قامت بالتفوق على البشر في مجموعة واسعة من ألعاب الفيديو القديمة. يتم تغذية النظام بمواصفات كل إنش من كل لعبة ويحدد المعلومات المختلفة عن حالة اللعبة ، مثل المسافة بين الكائنات على الشاشة. ثم ينظر في كيفية ارتباط حالة اللعبة والخطوات التي تقوم بها في اللعبة بالنتيجة التي تحققها.

من خلال اللعب لفترة كبيرة على نفس اللعبة ، يقوم النظام في نهاية المطاف ببناء نموذج من الإجراءات والخطوات التي من شأنها أن تزيد نتيجة النجاح في إنهاء اللعبة أفضل من الإنسان .

دعونا نرى كيف يعمل كل نظام من أنظمة التعلم الآلي

كيف يعمل التعلم الآلي تحت الإشراف؟

يبدأ كل شيء بتدريب الآلات التي يتم تعليمها عن طريق الـ  Machine Learning (نموذج التعلم الآلي)، وهي وظيفة رياضية قادرة على تعديل طريقة عملها بشكل متكرر حتى تتمكن الآلات من إجراء تنبؤات دقيقة عند إعطائها بيانات جديدة.

قبل بدء التدريب ، يجب عليك أولاً اختيار البيانات التي يجب جمعها وتحديد ميزاتها المهمة.

يتم إعطاء مثال مبسط بشكل كبير على ميزات البيانات في هذا الشرح من Google ، حيث يتم تدريب نموذج التعلم الآلي (الآلات التي يتم تعليمها) للتعرف على الفرق بين البيبسي و المياه المعدنية مثلاً ، استنادًا إلى ميزتين ، لون المشروبات وحجمها.

يتم تصنيف كل مشروب على أنه بيبسي أو مياه، ثم يتم جمع البيانات ذات الصلة بينهم ، باستخدام مقياس spectrometer لقياس لونها ومقياس hydrometer لقياس محتواها.

هناك نقطة مهمة يجب ملاحظتها وهي أن البيانات يجب أن تكون متوازنة.

ثم يتم تقسيم البيانات المُجمّعة ، إلى نسبة أكبر للتدريب نحو 70 في المائة ، ونسبة أصغر للتقييم على سبيل المثال 30 في المائة المتبقية. تسمح بيانات التقييم هذه باختبار النموذج المدرّب (الآلة أو البرنامج) لمعرفة مدى حسن أدائه على بيانات العالم الحقيقي.

قبل بدء التدريب ، ستكون هناك أيضًا خطوة لإعداد البيانات وتهيئتها للالة المدرّبة ، حيث سيتم تنفيذ عمليات مثل إلغاء البيانات المكررة وتصحيح الأخطاء.

ستكون الخطوة التالية اختيار نموذج مناسب للتعلم الآلي من مجموعة البيانات الكبيرة المتاحة. ولكل منها نقاط قوة ونقاط ضعف تعتمد على نوع البيانات ، على سبيل المثال ، يناسب بعضها معالجة الصور ، والبعض الآخر للنص ، والبعض الآخر إلى بيانات رقمية بحتة.

كيف يعمل تدريب Machine Learning تحت الإشراف للآلة او البرنامج؟

في الأساس ، تتضمن عملية تدريب الآله التي نريد تعليمها تلقائيًا كيفية تعديل وظائفها بشكل تلقائي حتى تتمكن من إجراء تنبؤات دقيقة من البيانات ، كما الحال في مثال جوجل السابق Google .

من الطرق الجيدة لشرح عملية التدريب هو أخذ مثال على ذلك باستخدام نموذج بسيط للتعلم الآلي ، يعرف باسم الانحدار الخطي مع انحدار متدرج (linear regression with gradient descent). في المثال التالي ، يتم استخدام (نموذج التعلم الآلي) لتقدير عدد المثلجات التي سيتم بيعها بناءً على درجة الحرارة الخارجية.

تخيل انه يتم أخذ جميع البيانات السابقة التي توضح مبيعات الآيس كريم ودرجات الحرارة الخارجية ، وتخطيط تلك البيانات مع بعضها البعض على رسم بياني مبعثر.

للتنبؤ بكيفية بيع العديد من الآيس كريم في المستقبل بناء على درجة الحرارة الخارجية ، يمكنك رسم خط يمر عبر جميع هذه النقاط ، كما الرسم التوضيحي أدناه.

وبمجرد الانتهاء من ذلك ، يمكن توقع مبيعات الآيس كريم في أي درجة حرارة من خلال إيجاد النقطة التي يمر بها الخط خلال درجة حرارة معينة وقراءة مجموع المبيعات المتوقعة عند تلك النقطة.

لماذا الـ Machine Learning مجال ناجح للغاية؟

في حين أن مجال التعلم الآلي ليس من المجالات الحديثة جداً ، إلا أن الاهتمام بهذا المجال قد انفجر في عالم الصناعات التكنولوجية الحديثة في السنوات الأخيرة فقط.

يأتي هذا الانتشار على خلفية نجاح التعلم العميق أو الـ Deep learning من كسر الأرقام القياسية في مجالات كثيرة مثل إجراء المحادثات الكلامية مثل البشر والتعرف على اللغات المختلفة ودوره الرائع في علوم الكمبيوتر.

ترجع هذه النجاحات  في المقام الأول إلى عاملين:

  • ، أحدهما هو الكميات الهائلة من الصور والكلام والفيديوهات والنصوص المتاحة على شبكة الإنترنت الذي يمكن للباحثين استخدامها في تدريب أنظمة التعلم الآلي.
  • العامل الآخر هو السرعة الهائلة التي توفرها المعالجات والتي تساعد في تلك المجالات بشكل كبير ،وأيضاً سرعات معالجة الرسومات الحديثة (GPUs) ، والتي يمكن ربطها ببعضها البعض في مجموعات لتشكيل مراكز لتعلم الآلات.

مع اقتراب استخدام التعلم الآلي بشكل كبير وعلى نطاق واسع ، تقوم الشركات الآن بإنشاء أجهزة متخصصة مصممة لتشغيل وتدريب نماذج التعلم الآلي.

ومن أمثلة هذه المعالجات المخصصة لتعلم الآلات (Google’s Tensor Processing Unit (TPU ، والتي تُقدم أحدث نسخة منها سرعة  هائلة في التعلم الآلي التي تم إنشاؤها باستخدام مكتبة برامج TensorFlow من Google.

لا تستخدم هذه المعالجات لتدريب الآلات مستخدمة Google DeepMind و Google Brain فحسب ، بل أيضًا على تقوم هذه المعالجات بتدريب موقع الترجمة الشهير Google Translate و ميزة التعرف على الصور في موقع Google Photos ، بالإضافة إلى الخدمات التي تتيح للجمهور إنشاء نماذج التعلم الآلي باستخدام TensorFlow Research Cloud من Google .

جدير بالذكر أنه تم الكشف عن الجيل الثاني من هذه المعالجات في مؤتمر I / O في Google في مايو من العام الماضي ، مع مجموعة من هذه الـ TPU الجديدة القادرة على تدريب وتعليم الآلات .

فيما يمكن استخدام تكنولوجيا Machine Learning؟

تستخدم أنظمة التعلم الآلي في كل مكان حولنا ، وهي منشرة بشكل كبير في الإنترنت الحديث الآن.

تُستخدم أنظمة التعلم الآلي لاقتراح المنتج الذي قد ترغب في شرائه بعد ذلك كما هو الحال على Amazon أو الفيديو الذي يمكن ترغب في مشاهدته على Netflix.

كل عملية بحث على موقع Google تقوم باستخدام العديد من أنظمة التعلم الآلي ، لفهم اللغة الموجودة في استفسارك لإظهار نتائج أفضل ، حتى لا يتم خلط عمليات البحث مع بعضها فيعطيك النتيجة المثالية لبحثك ومجال عملية البحث. وبالمثل ، تستخدم أنظمة Gmail للتعرّف على الرسائل غير المرغوب فيها والتعرّف على رسائل الـ SPAM.

من بين أبرز مظاهر قوة التعلم الآلي  الان هم المساعدون الإفتراضيون، مثل :

  1. Siri من Apple
  2. Alexa في Amazon
  3. مساعد Google
  4. Microsoft Cortana.

يعتمد كل منها بشكل كبير على التعلم الآلي من أجل التعرف على الصوت والقدرة على فهم اللغة التي نتكلم بها، بالإضافة للمساعدة في الإجابة على الاستفسارات والأسئلة التي نسألها لهم.

وبدأ استخدام هذه التكنولوجيا في مجالات اكبر من هذا بكثير مثال:

  • استخدامها في السيارات ذاتية القيادة  والطائرات بدون طيار ، وروبوتات الدليفري.
  • استخدامها في التعرف على الكلام واللغة وبرمجة الـ chatbots والروبوتات المساعدة للبشر .
  • يتم استخدامها في تقنية التعرف على الوجوه  في بعض البلدان مثل الصين.
  • مساعدة أخصائي الأشعة على انتقاء الأورام بالأشعة السينية ، مما يساعد الباحثين في تحديد التسلسلات الجينية المتعلقة بالأمراض وتحديد الجزيئات التي يمكن أن تؤدي إلى استخدام أدوية أكثر فاعلية.
  • استخدامها في إنترنت الأشياء

وأمثلة أخرى كثرة لا يمكن حصرها.

Leave a comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.