خمسة أنواع للتعلم الآلي يجب معرفتها

يمكن لتقنيات التعلم الآلي (ML) أن تدفع عملية اتخاذ القرار في جميع المجالات تقريبًا، بداية من الرعاية الصحية وانتقالاً إلى الموارد البشرية وصولاً إلى التمويل وفي عدد لا يحصى من حالات الاستخدام، مثل الرؤية الحاسوبية، والنماذج اللغوية الكبيرة (LLMs)، والتعرف على الكلام، والسيارات ذاتية القيادة وغير ذلك الكثير.

ومع ذلك، فإن التأثير المتزايد للتعلم الآلي ليس خاليًا من التعقيدات. غالبًا ما يتم تجميع مجموعات بيانات التحقق والتدريب التي تدعم تقنية التعلم الآلي (ML) بواسطة البشر، والبشر عرضة للتحيز والخطأ. حتى في الحالات التي لا يكون فيها نموذج التعلّم الآلي في حد ذاته متحيزاً أو معيباً، فإن نشره في السياق الخاطئ يمكن أن يؤدي إلى أخطاء ذات عواقب ضارة غير مقصودة.

لهذا السبب يمكن أن يكون تنويع استخدام الذكاء الاصطناعي والتعلّم الآلي في المؤسسات أمراً لا يقدر بثمن للحفاظ على الميزة التنافسية. يتمتع كل نوع ونوع فرعي من خوارزميات التعلّم الآلي بمزايا وقدرات فريدة يمكن للفرق الاستفادة منها في مهام مختلفة. سنناقش هنا الأنواع الخمسة الرئيسية وتطبيقاتها.

التعلم الآلي (ML) هو فرع من علوم الكمبيوتر وعلوم البيانات والذكاء الاصطناعي (AI) الذي يتيح للأنظمة التعلم والتحسين من البيانات دون تدخلات برمجية إضافية.

بدلاً من استخدام التعليمات الصريحة لتحسين الأداء، تعتمد نماذج التعلّم الآلي على الخوارزميات والنماذج الإحصائية التي تنشر المهام بناءً على أنماط البيانات والاستدلالات. بعبارة أخرى، يستفيد التعلم الآلي من بيانات المدخلات للتنبؤ بالمخرجات، مع تحديث المخرجات باستمرار عند توفر بيانات جديدة.

على سبيل المثال، على مواقع البيع بالتجزئة، تؤثر خوارزميات التعلم الآلي على قرارات الشراء لدى المستهلكين من خلال تقديم توصيات بناءً على سجل الشراء السابق. تعتمد العديد من منصات التجارة الإلكترونية للبيع بالتجزئة - بما في ذلك منصات IBM وAmazon وGoogle وMeta وNetflix - على الشبكات العصبية الاصطناعية (ANNs) لتقديم توصيات مخصصة. ويستغل تجار التجزئة في كثير من الأحيان البيانات الواردة من روبوتات المحادثة والمساعدين الافتراضيين، بالتنسيق مع تكنولوجيا التعلم الآلي ومعالجة اللغة الطبيعية (NLP)، لأتمتة تجارب التسوق للمستخدمين.

تنقسم خوارزميات التعلّم الآلي إلى خمس فئات كبرى هي: التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم شبه الخاضع للإشراف، والتعلّم الخاضع للإشراف الذاتي، والتعلّم المعزز.

التعلم الآلي الخاضع للإشراف هو نوع من التعلم الآلي حيث يتم فيه تدريب النموذج على مجموعة بيانات مصنفة (أي أن متغير الهدف أو النتيجة معروف). على سبيل المثال، إذا كان علماء البيانات يبنون نموذجًا للتنبؤ بالأعاصير، فقد تتضمن متغيرات المدخلات التاريخ والموقع ودرجة الحرارة وأنماط تدفق الرياح وغيرها، وستكون المخرجات هي النشاط الفعلي للإعصار المسجل في تلك الأيام.

يستخدم التعلم الخاضع للإشراف بشكل شائع لتقييم المخاطر والتعرف على الصور والتحليلات التنبؤية واكتشاف الاحتيال، ويضم عدة أنواع من الخوارزميات.

• خوارزميات الانحدار- توقع قيم المخرجات من خلال تحديد العلاقات الخطية بين القيم الحقيقية أو المستمرة (على سبيل المثال، درجة الحرارة، الراتب). تشتمل خوارزميات الانحدار على الانحدار الخطي والغابة العشوائية وتعزيز التدرج، بالإضافة إلى أنواع فرعية أخرى.
• خوارزميات التصنيف - التنبؤ بمتغيرات المخرجات الفئوية (على سبيل المثال، "غير مرغوب فيه" أو "ليس غير مرغوب فيه") من خلال تصنيف أجزاء من البيانات المدخلة. وتتضمن خوارزميات التصنيف الانحدار اللوجستي وخوارزمية KNN (ﺨﻭﺍﺭﺯﻤﻴﺔ ﺍﻟﺠﺎﺭ ﺍﻷﻗﺭﺏ) وآلات ناقلات الدعم (SVMs)، وغيرها.
• مصنِّفات بايز الساذجة- تعمل على تمكين مهام التصنيف لمجموعات البيانات الكبيرة. كما أنها جزء من عائلة من خوارزميات التعلم التوليدي التي تقوم بنمذجة توزيع المدخلات لتصنيف أو فئة معينة. تتضمن خوارزميات بايز الساذجة أشجار القرار، والتي يمكنها في الواقع استيعاب كل من خوارزميات الانحدار والتصنيف.
• الشبكات العصبية- تحاكي الطريقة التي يعمل بها الدماغ البشري، مع عدد كبير من عقد المعالجة المرتبطة التي يمكنها تسهيل العمليات مثل ترجمة اللغة الطبيعية، والتعرف على الصور، والتعرف على الكلام وإنشاء الصور.
• خوارزميات الغابة العشوائية- التنبؤ بقيمة أو فئة من خلال الجمع بين النتائج من عدد من أشجار القرار.

تستخلص خوارزميات التعلم غير الخاضع للإشراف - مثل Apriori ونماذج الخليط الغاوسي (GMMs) وتحليل المكونات الأساسية (PCA) - استنتاجات من مجموعات البيانات غير المصنّفة (غير الموسومة)، مما يسهل تحليل البيانات الاستكشافية وتمكين التعرف على الأنماط والنمذجة التنبؤية.

الطريقة الأكثر شيوعًا للتعلم غير الخاضع للإشراف هي تحليل المجموعات، والتي تستخدم خوارزميات التجميع لتصنيف نقاط البيانات وفقًا لتشابه القيمة (كما هو الحال في تقسيم العملاء أو اكتشاف الحالات الشاذة). تسمح خوارزميات الارتباط لعلماء البيانات بتحديد الارتباطات بين كائنات البيانات داخل قواعد البيانات الكبيرة، مما يسهل تصور البيانات وتقليل الأبعاد.

• تجميع K-means- يعيّن نقاط البيانات في مجموعات K، حيث يتم تجميع نقاط البيانات الأقرب إلى مركز معين تحت نفس الفئة، وتمثل K مجموعات بناءً على حجمها ومستوى دقتها. يُستخدم تجميع K-means بشكل شائع لتجزئة السوق وتجميع المستندات وتجزئة الصور وضغط الصور.
• التجميع الهرمي- يصف مجموعة من أساليب التجميع، بما في ذلك التجميع التكتلي - حيث يتم عزل نقاط البيانات في البداية في مجموعات ثم يتم دمجها بشكل متكرر بناء على التشابه حتى تبقى مجموعة واحدة - والتجميع المثير للانقسام - حيث يتم تقسيم مجموعة بيانات واحدة بناء على الاختلافات بين نقاط البيانات.
• التجميع الاحتمالي— يساعد في حل مشاكل تقدير الكثافة أو التجميع "الناعم" عن طريق تجميع نقاط البيانات بناء على احتمالية انتمائها إلى توزيع معين.

غالبًا ما تكون نماذج التعلم الآلي غير الخاضعة للإشراف وراء أنواع أنظمة التوصيات "العملاء الذين اشتروا هذا اشتروا أيضًا...".

يتيح التعلم الخاضع للإشراف الذاتي (SSL) للنماذج إمكانية تدريب نفسها على البيانات غير المصنفة، بدلاً من طلب مجموعات بيانات ضخمة مشروحة و/أو مصنفة. تتعلم خوارزميات SSL، والتي تسمى أيضًا خوارزميات التعلم التنبؤي أو خوارزميات التعلم المسبق أو التنبؤي، جزءًا من المدخلات من جزء آخر، وتقوم تلقائيًا بتوليد تسميات وتحويل المشاكل غير الخاضعة للإشراف إلى مشاكل خاضعة للإشراف. هذه الخوارزميات مفيدة بشكل خاص لوظائف مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية، حيث يمكن أن يكون حجم بيانات التدريب المصنفة اللازمة لتدريب النماذج كبيرًا بشكل استثنائي (في بعض الأحيان عملاق).

التعلم المعزز، ويُسمَّى أيضًا التعلم المعزز من ردود الفعل البشرية (RLHF)، هو نوع من البرمجة الديناميكية التي تدرب الخوارزميات باستخدام نظام الثواب والعقاب. لنشر التعلم المعزز، يتخذ الوكيل إجراءات في بيئة معينة للوصول إلى هدف محدد مسبقًا. تتم مكافأة الوكيل أو معاقبته على أفعاله بناءً على مقياس محدد (عادةً ما يكون نقاطًا)، مما يشجع الوكيل على مواصلة الممارسات الجيدة والتخلي عن الممارسات السيئة. مع التكرار، يتعلم الوكيل أفضل الاستراتيجيات.

تُعد خوارزميات التعلّم المعزز شائعة في تطوير ألعاب الفيديو، وكثيراً ما تُستخدم لتعليم الروبوتات كيفية محاكاة المهام البشرية.

يقدم النوع الخامس من أساليب التعلم الآلي مزيجًا بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.

يتم تدريب خوارزميات التعلّم شبه الخاضع للإشراف على مجموعة بيانات صغيرة مصنّفة ومجموعة بيانات كبيرة غير مصنّفة، حيث توجه البيانات المصنّفة عملية التعلّم لمجموعة البيانات الأكبر غير المصنّفة. قد يستخدم نموذج التعلّم شبه الخاضع للإشراف التعلّمَ غير الخاضع للإشراف لتحديد مجموعات البيانات ثم استخدام التعلّم الخاضع للإشراف لتصنيف المجموعات.

الشبكات التنافسية التوليدية (GANs) - أداة التعلم العميق التي تولد بيانات غير مصنفة من خلال تدريب شبكتين عصبيتين - هي مثال على التعلم الآلي شبه الخاضع للإشراف.

بغض النظر عن النوع، يمكن لنماذج التعلم الآلي استخلاص رؤى البيانات من بيانات المؤسسة، ولكن ضعفها أمام التحيز البشري/البيانات يجعل ممارسات الذكاء الاصطناعي المسؤولة ضرورة تنظيمية.

يتفاعل الجميع تقريباً، من المطورين إلى المستخدمين إلى إلى الجهات التنظيمية، مع تطبيقات التعلم الآلي في مرحلة ما، سواء كانوا يتفاعلون مباشرةً مع تقنية الذكاء الاصطناعي أم لا. ومع ذلك، فإن اعتماد تقنيات التعلم الآلي في تسارع مستمر. فقد بلغت قيمة سوق التعلم الآلي العالمي 19 مليار دولار أمريكي في عام 2022، ومن المتوقع أن تصل إلى 188 مليار دولار أمريكي بحلول عام 2030، بمعدل نمو سنوي مركب يتجاوز 37%.

إن حجم اعتماد التعلم الآلي وتأثيره المتزايد على الأعمال يجعل من فهم تقنيات الذكاء الاصطناعي والتعلم الآلي التزاماً مستمراً - وذا أهمية حيوية - يتطلب مراقبة يقظة وتعديلات في الوقت المناسب بالتزامن مع تطور التقنيات. باستخدام استوديو الذكاء الاصطناعي في IBM watsonx.ai، يمكن للمطورين إدارة خوارزميات وعمليات التعلّم الآلي بسهولة.

يُعد IBM watsonx.ai جزءًا من محفظة منتجات الذكاء الاصطناعي IBM watsonx™، ويجمع بين قدرات الذكاء الاصطناعي التوليدي الجديدة واستوديو مؤسسي من الجيل التالي، لمساعدة مطوري الذكاء الاصطناعي على تدريب نماذج الذكاء الاصطناعي والتحقق من صحتها وضبطها ونشرها وذلك باستخدام كمية بيانات أقل ووقت أقصر. يوفر watsonx.ai للفِرق خصائص متقدمة لتوليد البيانات وتصنيفها، مما يُمكّن المؤسسات من الاستفادة من الرؤى المستخلصة من البيانات لتحقيق أداء أمثل لتطبيقات الذكاء الاصطناعي في العالم الحقيقي.

في عصر انتشار البيانات، أصبح الذكاء الاصطناعي والتعلم الآلي جزءًا لا يتجزأ من عمليات الأعمال اليومية بقدر ما هو جزء لا يتجزأ من الابتكار التكنولوجي والمنافسة التجارية. ولكن باعتباره ركيزة من الركائز الجديدة للمجتمع الحديث، فإنه يمثل أيضًا فرصة لتنويع البنى التحتية لتكنولوجيا المعلومات للمؤسسات وإنشاء تقنيات تعمل لصالح الشركات والأشخاص الذين يعتمدون عليها.