التعلم الآلي

menu icon

التعلم الآلي

تقدم هذه المقدمة للتعلم الآلي لمحة عامة عن تاريخه وتعريفاته الهامة وتطبيقاته واهتماماته في مجال الأعمال اليوم.

ما هو التعلم الآلي؟

التعلم الآلي هو أحد فروع الذكاء الاصطناعي (AI) وعلوم الحاسب الذي يركز على استخدام البيانات والخوارزميات لمحاكاة الطريقة التي يتعلم بها البشر وتحسين دقته تدريجيا.

تمتلك شركة IBM تاريخا غنيا مع التعلم الآلي. ويرجع الفضل لأحد علمائها، آرثر صموئيل، في صياغة مصطلح "التعلم الآلي" في أبحاثه (PDF‏، 481 كيلوبايت) (الرابط موجود خارج IBM) حول لعبة الداما. ولقد لعب روبرت نيلي، الذي نصب نفسه سيد لعبة الداما، اللعبة على حاسوب IBM 7094 في عام 1962 وخسر أمامه. بالمقارنة مع ما يمكن القيام به اليوم، يبدو هذا العمل الفذ تافها تقريبا، ولكنه يعتبر معلما رئيسيا في مجال الذكاء الاصطناعي. على مدار العقدين المقبلين، ستتيح التطورات التكنولوجية المتعلقة بالتخزين وقوة التشغيل بعض المنتجات المبتكرة التي نعرفها ونحبها اليوم، مثل محرك توصيات Netflix أو السيارات ذاتية القيادة.

يعد التعلم الآلي مكونا هاما في المجال المتنامي لعلم البيانات. ومن خلال استخدام الطرق الإحصائية، يتم تدريب الخوارزميات على إجراء التصنيفات أو التنبؤات، والكشف عن الرؤى الرئيسية في مشروعات استخراج البيانات. تؤدي هذه الرؤى فيما بعد إلى اتخاذ القرارات داخل التطبيقات والأعمال، مما يؤثر بشكل مثالي على مقاييس النمو الرئيسية. ومع استمرار توسع البيانات الضخمة ونموها، سيزداد الطلب على علماء البيانات في السوق، الأمر الذي يتطلب منهم المساعدة في تحديد أهم الأسئلة المتعلقة بالأعمال ومن ثم البيانات اللازمة للإجابة عليها.

التعلم الآلي مقابل التعلم العميق مقابل الشبكات العصبية

نظرا لأنه عادة ما يتم استخدام التعلم العميق والتعلم الآلي بشكل متبادل، فإنه تجدر الإشارة إلى الفروق الدقيقة بينهما. يعد كل من التعلم الآلي والتعلم العميق والشبكات العصبية مجالات فرعية للذكاء الاصطناعي. ومع ذلك، فإن التعلم العميق هو في الواقع مجال فرعي للتعلم الآلي، والشبكات العصبية هي مجال فرعي للتعلم العميق.

الطريقة التي يختلف بها التعلم العميق والتعلم الآلي هي في كيفية تعلم كل خوارزمية. يقوم التعلم العميق بالتشغيل الآلي لجزء كبير من استخراج الخصائص من العملية، مما يلغي بعض التدخل البشري اليدوي المطلوب ويمكن من استخدام مجموعات بيانات أكبر. يمكنك التفكير في التعلم العميق على أنه "تعلم آلي قابل للتطوير" كما لاحظ ليكس فريدمان في محاضرة معهد ماساتشوستس للتكنولوجيا (00:30) (الرابط موجود خارج IBM). يعتمد التعلم الآلي التقليدي أو "غير العميق" بشكل أكبر على التدخل البشري للتعلم. يحدد الخبراء البشريون مجموعة من الخصائص لفهم الاختلافات بين مدخلات البيانات، والتي تتطلب عادة المزيد من البيانات المهيكلة للتعلم.

يمكن للتعلم الآلي "العميق" الاستفادة من مجموعات البيانات المصنفة، والمعروفة أيضا باسم التعلم الخاضع للإشراف، لإفادة خوارزميته، ولكنه لا يتطلب بالضرورة مجموعة بيانات مصنفة. فهو يمكنه استيعاب البيانات غير المهيكلة في شكلها الأولي (مثل النصوص والصور)، ويمكنه آليا تحديد مجموعة الخصائص التي تميز تصنيفات البيانات المختلفة عن بعضها البعض. على عكس التعلم الآلي، لا يتطلب الأمر تدخلا بشريا لمعالجة البيانات، مما يسمح لنا بتوسيع نطاق التعلم الآلي بطرق أكثر إثارة للاهتمام. ويرجع الفضل في التعلم العميق والشبكات العصبية في المقام الأول إلى التقدم المتسارع في مجالات، مثل الرؤية الحاسوبية ومعالجة اللغة الطبيعية والتعرف على الكلام.

تتكون الشبكات العصبية، أو الشبكات العصبية الاصطناعية (ANN)، من طبقات العقدة، التي تحتوي على طبقة مدخلات، وطبقة واحدة أو أكثر من الطبقات المخفية، وطبقة مخرجات. كل عقدة، أو خلية عصبية اصطناعية، ترتبط بأخرى ويكون لها حمل وحد مرتبطين بها. إذا كانت مخرجات أي عقدة فردية أعلى من قيمة الحد المحددة، فانه يتم تفعيل هذه العقدة، وإرسال البيانات إلى الطبقة التالية من الشبكة. خلاف ذلك، لن يتم تمرير أي بيانات إلى الطبقة التالية من الشبكة. يشير مصطلح "العميق" في التعلم العميق فقط إلى عمق الطبقات في الشبكة العصبية. يمكن اعتبار الشبكة العصبية التي تتكون من أكثر من ثلاث طبقات — والتي ستكون شاملة للمدخلات والمخرجات — خوارزمية تعلم عميق أو شبكة عصبية عميقة. الشبكة العصبية التي لديها فقط طبقتين أو ثلاث طبقات هي مجرد شبكة عصبية أساسية.

ارجع إلى المدونة "الذكاء الاصطناعي مقابل التعلم الآلي مقابل التعلم العميق مقابل الشبكات العصبية: ما الفرق؟" لإلقاء نظرة عن قرب على كيفية ارتباط المفاهيم المختلفة.

كيف يعمل التعلم الآلي

جامعة UC Berkeley (الرابط موجود خارج IBM) تقسم نظام التعلم لخوارزمية التعلم الآلي إلى ثلاثة أجزاء رئيسية.

  1. عملية اتخاذ القرار: بشكل عام، تستخدم خوارزميات التعلم الآلي في إجراء التنبؤ أو التصنيف. بناءا على بعض بيانات المدخلات، والتي يمكن تصنيفها أو عدم تصنيفها، ستقوم الخوارزمية الخاصة بك بتقديم تقدير حول أحد الأنماط في البيانات.
  2. دالة الخطأ: تعمل دالة الخطأ على تقييم التنبؤ بالنموذج. إذا كانت هناك أمثلة معروفة، يمكن لدالة الخطأ إجراء مقارنة لتقييم دقة النموذج.
  3. عملية تحسين النموذج: إذا كان النموذج يمكن أن يتناسب بشكل أفضل مع نقاط البيانات في مجموعة التدريب، فسيتم ضبط الأحمال لتقليل التفاوت بين المثال المعروف وتقدير النموذج. ستقوم الخوارزمية بتكرار عملية التقييم والتشغيل الأمثل هذه، وتحديث الأحمال بشكل مستقل حتى يتم استيفاء حد الدقة.

طرق التعلم الآلي

تنقسم مصنفات التعلم الآلي إلى ثلاث تصنيفات أساسية.

التعلم الآلي الخاضع للإشراف

التعلم الخاضع للإشراف، المعروف أيضا باسم التعلم الآلي الخاضع للإشراف، يتم تعريفه من خلال استخدامه لمجموعات البيانات المصنفة لتدريب الخوارزميات التي تقوم بتصنيف البيانات أو التنبؤ بالنتائج بدقة. ومع إدخال بيانات المدخلات في النموذج، فإنه يقوم بضبط أحماله حتى يتم تجهيزه بشكل مناسب. يحدث هذا كجزء من عملية التحقق من الصلاحية الشاملة لضمان تجنب النموذج للتجهيز الزائد أو غير المناسب. يساعد التعلم الخاضع للإشراف المؤسسات على حل مجموعة متنوعة من المشاكل في العالم الحقيقي على نطاق واسع، مثل تصنيف البريد غير الهام في حافظة منفصلة عن صندوق الوارد الخاص بك. وتشمل بعض الطرق المستخدمة في التعلم الخاضع للإشراف الشبكات العصبية، ومصنف بايز الساذج، والانحدار الخطي، والانحدار اللوجستي، والغابات العشوائية، وآلة متجه الدعم (SVM)، والمزيد.

التعلم الآلي غير الخاضع للإشراف

يستخدم التعلم غير الخاضع للإشراف، المعروف أيضا باسم التعلم الآلي غير الخاضع للإشراف، خوارزميات التعلم الآلي لتحليل مجموعات البيانات غير المصنفة وتجميعها. تقوم هذه الخوارزميات باكتشاف الأنماط المخفية أو مجموعات البيانات دون الحاجة إلى تدخل بشري. وقدرته على اكتشاف أوجه التشابه والاختلاف في المعلومات تجعل منه الحل الأمثل لتحليل البيانات الاستكشافية، واستراتيجيات البيع العابر، وتجزئة العملاء، والتعرف على الصور والأنماط. يتم استخدامه أيضا لتقليل عدد الخصائص في نموذج من خلال عملية تقليل الأبعاد؛ يعد تحليل العنصر الرئيسي (PCA) وتجزيء القيمة المفردة (SVD) نهجين شائعين لهذا الأمر. تشمل الخوارزميات الأخرى المستخدمة في التعلم غير الخاضع للإشراف الشبكات العصبية والخوارزمية التصنيفية وطرق التجميع الاحتمالية والمزيد.

التعلم شبه الخاضع للإشراف

يوفر التعلم شبه الخاضع للإشراف وسيطا بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. وخلال التدريب، يستخدم مجموعة بيانات مصنفة أصغر لتوجيه التصنيف واستخراج الخصائص من مجموعة بيانات أكبر غير مصنفة. يمكن للتعلم شبه الخاضع للإشراف أن يحل مشكلة عدم وجود بيانات مصنفة كافية (أو عدم القدرة على تحمل تصنيف بيانات كافية) لتدريب خوارزمية تعلم خاضعة للإشراف.

للتعمق في الاختلافات بين هذه الأساليب، راجع "التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما هو الفرق؟"

التعلم الآلي المعزز

التعلم الآلي المعزز هو نموذج سلوكي للتعلم الآلي مشابه للتعلم الخاضع للإشراف، لكن الخوارزمية لم يتم تدريبها باستخدام البيانات النموذجية. يقوم هذا النموذج بالتعلم أثناء عمله من خلال التجربة والخطأ. وسيتم تعزيز سلسلة من النتائج الناجحة لوضع أفضل توصية أو سياسة لمشكلة معينة.

نظام IBM Watson®‎ الذي فاز في تحدي Jeopardy!‎ عام 2011 هو مثال جيد. استخدم النظام التعلم المعزز لتحديد ما إذا كان سيتم محاولة الرد (أو السؤال، كما هو)، وأي مربع سيتم تحديده على اللوحة، ومقدار الرهان — خاصة في الزوجي اليومي.

تعرف على المزيد حول التعلم المعزز.

حالات استخدام التعلم الآلي في العالم الحقيقي

فيما يلي بعض الأمثلة على التعلم الآلي التي قد تواجهها كل يوم:

التعرف على الكلام: يعرف أيضا باسم التعرف الآلي على الكلام (ASR)، أو التعرف على الكلام بواسطة الحاسب، أو تحويل الكلام إلى نص، وهو عبارة عن إمكانية تستخدم معالجة اللغة الطبيعية (NLP) لمعالجة الكلام البشري وتحويله إلى نسق مكتوب. العديد من الأجهزة المحمولة تدمج إمكانية التعرف على الكلام في أنظمتها لإجراء بحث صوتي - على سبيل المثال، Siri — أو توفير المزيد من إمكانية التوصل حول الرسائل النصية.

خدمة العملاء: تحل روبوتات المحادثة عبر الإنترنت محل الوكلاء البشريين على طول رحلة العميل. وهي تجيب على الأسئلة التي يكثر طرحها (FAQs) حول موضوعات، مثل الشحن، أو تقدم نصائح شخصية، أو منتجات البيع العابر، أو تقترح الأحجام للمستخدمين، وتغير طريقة تفكيرنا في مشاركة العملاء عبر مواقع الإنترنت ومنصات التواصل الاجتماعي. ومن الأمثلة على ذلك روبوتات تبادل الرسائل على مواقع التجارة الإلكترونية مع وكلاء افتراضيين، وتطبيقات تبادل الرسائل، مثل Slack وFacebook Messenger، والمهام التي يقوم بها عادة المساعدون الافتراضيون والمساعدون الصوتيون.

الرؤية الحاسوبية: تمكن تقنية الذكاء الاصطناعي هذه أجهزة الحاسب والأنظمة من استخلاص معلومات ذات مغزى من الصور الرقمية ومقاطع الفيديو والمدخلات المرئية الأخرى، وبناءا على هذه المدخلات، يمكنها اتخاذ تصرفات. هذه القدرة على تقديم توصيات تميزها عن مهام التعرف على الصور. وبواسطة الشبكات العصبية الالتفافية، يكون للرؤية الحاسوبية تطبيقات ضمن تعليم الصور في وسائل التواصل الاجتماعي، والتصوير الإشعاعي في مجال الرعاية الصحية، والسيارات ذاتية القيادة في صناعة السيارات.

محركات التوصية: باستخدام بيانات سلوك الاستهلاك السابقة، يمكن أن تساعد خوارزميات الذكاء الاصطناعي في اكتشاف اتجاهات البيانات التي يمكن استخدامها لتطوير استراتيجيات البيع العابر بشكل أكثر فعالية. وهي تستخدم لتقديم توصيات إضافية ذات صلة للعملاء أثناء عملية الدفع لتجار التجزئة عبر الإنترنت.

التداول الآلي للمخزون: تم تصميم منصات التداول عالية التردد التي تعتمد على الذكاء الاصطناعي لتحسين محافظ الأسهم، مما يساعد في إجراء آلاف أو حتى ملايين الصفقات يوميا دون تدخل بشري.

تحديات التعلم الآلي

مع تقدم تكنولوجيا التعلم الآلي، فقد جعلت حياتنا أسهل بالتأكيد. ومع ذلك، فإن تطبيق التعلم الآلي داخل الأعمال قد أثار أيضا عددا من المخاوف الأخلاقية المتعلقة بتقنيات الذكاء الاصطناعي. تشمل بعض هذه المخاوف:

التفرد التكنولوجي

بينما يحظى هذا الموضوع بالكثير من الاهتمام العام، فإن العديد من الباحثين لا يشعرون بالقلق إزاء فكرة تفوق الذكاء الاصطناعي على الذكاء البشري في المستقبل القريب أو العاجل. يشار إلى هذا أيضا باسم الذكاء الفائق، والذي يعرفه نيك بوستروم بأنه "أي فكر يتفوق بشكل كبير على أفضل العقول البشرية في كل مجال تقريبا، بما في ذلك الإبداع العلمي والحكمة العامة والمهارات الاجتماعية". وعلى الرغم من حقيقة أن الذكاء الاصطناعي القوي والذكاء الفائق ليسا وشيكا الحدوث في المجتمع، فإن فكرة ذلك تثير بعض التساؤلات المثيرة للاهتمام في الوقت الذي ننظر فيه إلى استخدام الأنظمة الذاتية، مثل السيارات ذاتية القيادة. من غير الواقعي التفكير بأن السيارة ذاتية القيادة لن تتعرض أبدا لحادث، ولكن من هو المسؤول والمسؤول في ظل هذه الظروف؟ هل ينبغي لنا أن نواصل ملاحقة المركبات ذاتية القيادة، أم أننا نحد من تكامل هذه التكنولوجيا لصنع مركبات شبه ذاتية فقط تعزز السلامة بين السائقين؟ لا تزال هيئة المحلفين خارج هذا الموضوع، ولكن هذه هي أنواع المناقشات الأخلاقية التي تحدث مع تطور تكنولوجيا الذكاء الاصطناعي الجديدة والمبتكرة.

تأثير الذكاء الاصطناعي على الوظائف:

في حين أن الكثير من التصورات العامة حول الذكاء الاصطناعي تتمحور حول فقدان الوظائف، فإنه ربما ينبغي إعادة صياغة هذا الأمر. مع كل تكنولوجيا جديدة تحدث اضطراب، نرى أن الطلب في السوق على أدوار وظيفية محددة يتغير. على سبيل المثال، عندما ننظر إلى صناعة السيارات، تتحول العديد من الشركات المصنعة، مثل جنرال موتورز، إلى التركيز على إنتاج السيارات الكهربائية لتتماشى مع المبادرات الخضراء. لن تذهب صناعة الطاقة بعيدا، ولكن مصدر الطاقة يتحول من اقتصاد الوقود إلى الاقتصاد الكهربائي. وينبغي النظر إلى الذكاء الاصطناعي بطريقة مماثلة، حيث سيحول الذكاء الاصطناعي الطلب على الوظائف إلى مجالات أخرى. ستكون هناك حاجة إلى وجود أفراد للمساعدة في إدارة هذه الأنظمة مع نمو البيانات وتغيرها كل يوم. وستظل هناك حاجة إلى موارد لمعالجة المشاكل الأكثر تعقيدا داخل الصناعات التي يرجح أن تتأثر بتغييرات الطلب على الوظائف، مثل خدمة العملاء. يتمثل الجانب الهام للذكاء الاصطناعي وأثره على سوق العمل في مساعدة الأفراد على الانتقال إلى هذه المجالات الجديدة لطلب السوق.

الخصوصية:

تميل الخصوصية إلى أن تناقش في سياق خصوصية البيانات وحماية البيانات وأمن البيانات، وقد سمحت هذه الاهتمامات لواضعي السياسات باتخاذ المزيد من الخطوات في السنوات الأخيرة. على سبيل المثال، في عام 2016، تم وضع تشريع GDPR لحماية البيانات الشخصية للأشخاص في الاتحاد الأوروبي والمنطقة الاقتصادية الأوروبية، مما يمنح الأفراد مزيدا من التحكم في بياناتهم. في الولايات المتحدة، تعمل الولايات الفردية على وضع سياسات، مثل قانون خصوصية المستهلك في كاليفورنيا (CCPA)، الذي يلزم الشركات بإبلاغ المستهلكين عن جمع بياناتهم. وقد أجبر هذا التشريع الأخير الشركات على إعادة التفكير في كيفية تخزين واستخدام بيانات التعريف الشخصية (PII). نتيجة لذلك، أصبحت الاستثمارات في مجال الأمن أولوية متزايدة للأعمال في سعيها إلى القضاء على أي نقاط ضعف وفرص للمراقبة والاختراق والهجمات الإلكترونية.

التحيز والتمييز:

أثارت حالات التحيز والتمييز عبر عدد من الأنظمة الذكية العديد من الأسئلة الأخلاقية فيما يتعلق باستخدام الذكاء الاصطناعي. كيف يمكننا الحماية من التحيز والتمييز في حين أن بيانات التدريب نفسها تؤدي إلى التحيز؟ في حين أن الشركات عادة ما يكون لديها نوايا حسنة حول جهودها في التشغيل الآلي، فإن وكالة رويترز (الرابط يوجد خارج IBM) تسلط الضوء على بعض العواقب غير المتوقعة المترتبة على دمج الذكاء الاصطناعي في ممارسات التوظيف. وفي إطار جهود التشغيل الآلي للعمليات وتبسيطها، كانت شركة Amazon منحازة عن غير قصد لشغل وظائف تقنية مفتوحة بحسب نوع الجنس، وتعين عليها نهاية المطاف إلغاء المشروع. ومع ظهور مثل هذه الأحداث، فقد أثارت مجلة Harvard Business Review (الرابط يوجد خارج IBM) أسئلة أخرى محددة حول استخدام الذكاء الاصطناعي في إطار ممارسات التوظيف، مثل البيانات التي يجب أن تكون قادرا على استخدامها عند تقييم أحد المرشحين لوظيفة.

لا يقتصر التحيز والتمييز على وظيفة الموارد البشرية أيضا؛ بل يمكن العثور عليه في عدد من التطبيقات من برامج التعرف على الوجه إلى خوارزميات الوسائط الاجتماعية.

ونظرا لأن الأعمال أصبحت أكثر وعيا بمخاطر الذكاء الاصطناعي، فقد أصبحت أيضا أكثر نشاطا في هذا النقاش حول أخلاقيات وقيم الذكاء الاصطناعي. على سبيل المثال، في العام الماضي، قال الرئيس التنفيذي لشركة IBM، آرفيند كريشنا، إن شركة IBM قد أنهت منتجاتها الخاصة بالتعرف على الوجه والتحليل، مشددا على أن "شركة IBM تعارض بشدة ولن تتغاضى عن استخدامات أي تقنية، بما في ذلك تقنية التعرف على الوجه التي يقدمها بائعون آخرون لأغراض المراقبة الجماعية، والتنميط العنصري، وانتهاكات حقوق الإنسان والحريات الأساسية، أو أي غرض لا يتوافق مع قيمها ومبادئها الخاصة بالثقة والشفافية".

لقراءة المزيد حول هذا الموضوع، تحقق من مدونة سياسة IBM، ونقل وجهة نظرها حول "نهج التنظيم الدقيق لمراقبة صادرات تكنولوجيا التعرف على الوجه."

المسؤولية

نظرا لعدم وجود تشريعات هامة لتنظيم ممارسات الذكاء الاصطناعي، فإنه لا توجد آلية إنفاذ حقيقية لضمان ممارسة الذكاء الاصطناعي الأخلاقي. تكون الدوافع الحالية للشركات للالتزام بهذه المبادئ التوجيهية هي العواقب السلبية لنظام الذكاء الاصطناعي غير الأخلاقي على المحصلة النهائية. لسد هذه الفجوة، ظهرت أطر أخلاقية كجزء من التعاون بين علماء الأخلاق والباحثين للتحكم في بناء وتوزيع نماذج الذكاء الاصطناعي داخل المجتمع. و لكن في الوقت الحالي، تعمل هذه الأطر للتوجيه فقط، وتظهر الأبحاث (الرابط يوجد خارج IBM) ‏(PDF‏، 984 كيلوبايت) أن الجمع بين المسؤولية الموزعة وعدم التبصر في العواقب المحتملة لا يساعد بالضرورة على منع الضرر الذي يلحق بالمجتمع.

لقراءة المزيد عن موقف IBM حول أخلاقيات الذكاء الاصطناعي، اقرأ المزيد هنا.

التعلم الآلي وIBM Cloud

IBM Watson Machine Learning يدعم دورة حياة التعلم الآلي من البداية إلى النهاية. وهو متاح في مجموعة من العروض التي تتيح لك ببناء نماذج التعلم الآلي أينما كانت بياناتك ونشرها في أي مكان في بيئتك متعددة الأوساط السحابية المختلطة.

يساعد IBM Watson Machine Learning على IBM Cloud Pak for Data فرق علم بيانات المؤسسة والذكاء الاصطناعي على تسريع تطوير ونشر الذكاء الاصطناعي في أي مكان، على منصة البيانات والذكاء الاصطناعي السحابية الأصلية. يعد IBM Watson Machine Learning Cloud، وهو خدمة مدارة في بيئة تشغيل IBM Cloud، أسرع طريقة لنقل النماذج من التجربة على سطح المكتب إلى النشر لأحجام عمل الإنتاج. بالنسبة للفرق الأصغر التي تتطلع إلى توسيع نطاق عمليات نشر التعلم الآلي، يوفر IBM Watson Machine Learning Server عملية تركيب بسيطة على أي بيئة سحابية خاصة أو عامة.

للبدء، يجب التسجيل للحصول على IBMid ولانشاء حساب IBM Cloud الخاص بك.