10 حالات استخدام يومية للتعلم الآلي

التعلم الآلي (ML)—فرع من فروع الذكاء الاصطناعي (AI) الذي تتعلم فيه الآلات من مجموعات البيانات والتجارب السابقة من خلال التعرف على الأنماط وتنتج التنبؤات—هو صناعة عالمية بقيمة 21 مليار دولار أمريكي، ومن المتوقع أن تبلغ قيمة هذه الصناعة 209 مليارات دولار أمريكي  (محتوى الرابط موجود خارج موقع ibm.com) بحلول  عام 2029. إليك بعض التطبيقات الواقعية للتعلم الآلي التي أصبحت جزءًا من حياتنا اليومية.

وفقًا لمجلة Forbes (محتوى الرابط موجود خارج موقع ibm.com)، تعطي فرق التسويق والمبيعات الأولوية للذكاء الاصطناعي والتعلم الآلي (ML) أكثر من أي قسم آخر في المؤسسة. يستخدم المسوقون التعلم الآلي (ML) في توليد العملاء المحتملين، وتحليل البيانات، وتحسين نتائج البحث عبر الإنترنت، وتعزيز إستراتيجيات تحسين محركات البحث (SEO). على سبيل المثال، يستخدمه الكثيرون للتواصل مع المستخدمين الذين يتركون المنتجات في سلة التسوق الخاصة بهم أو يغادرون الموقع الإلكتروني.

تستخدم خوارزميات التعلم الآلي (ML) وعلوم البيانات في محركات التوصية على مواقع مثل Amazon وNetflix وStitchFix لتقديم توصيات بناءً على ذوق المستخدم وسجل تصفحه وسلة التسوق. كما يسهم التعلم الآلي (ML) أيضًا في دفع المبادرات التسويقية المخصصة من خلال تحديد العروض التي قد تلبي اهتمامات عملاء معينين. بعد ذلك، يمكنه تخصيص مواد تسويقية لتتناسب مع تلك الاهتمامات. يمكن للتعلم الآلي (ML) أيضًا مراقبة الحملة بدقة عن طريق التحقق من معدلات الفتح والنقر، فضلاً عن مقاييس أخرى.

لا يقتصر دور التعلم الآلي على فهم ما يقوله العملاء فحسب، بل يمكنه أيضاً فهم نبرة صوتهم وتوجيههم إلى وكلاء خدمة العملاء المناسبين لدعم العملاء. تستخدم الاستعلامات القائمة على الصوت معالجة اللغة الطبيعية (NLP) وتحليل المشاعر للتعرف على الكلام.

عادة ما تتعامل روبوتات المحادثة مع الاستعلامات النصية، وهي وكلاء افتراضيون توفرها معظم الشركات على مواقعها للتجارة الإلكترونية. تضمن روبوتات المحادثة هذه عدم اضطرار العملاء إلى الانتظار، حيث يمكنهم الحصول على اهتمام فوري حتى مع وجود عدد كبير من العملاء في الوقت نفسه، مما يسهم في تحسين تجربة العملاء بشكل إيجابي. اكتشف أحد البنوك الذي يستخدم نظام Watsonx Assistant لخدمة العملاء أن روبوت المحادثة قد أجاب عن 96% من جميع استفسارات العملاء بشكل صحيح وسريع ومتسق، وبلغات متعددة.

تستخدم الشركات التعلم الآلي (ML) لرصد ردود العملاء وتعليقاتهم. يساعد التعلم الآلي (ML) الشركات أيضًا في التنبؤ وتقليل معدل فقدان العملاء (معدل فقدان الشركة للعملاء)، وهو استخدام شائع للبيانات الكبيرة.

إنه التعلم الآلي (ML) الذي يدعم المهام التي يقوم بها المساعدون الشخصيون الافتراضيون أو المساعدون الصوتيون، مثل Alexa من Amazon و Siri من Apple. يمكن أن يتضمن هذا الاتصال التعرف على الكلام أو تحويل الكلام إلى نص أو البرمجة اللغوية العصبية أو تحويل النص إلى كلام. عندما يسأل شخص مساعدًا شخصيًا افتراضيًا سؤالًا، يبحث التعلم الآلي (ML) عن الإجابة أو يتذكر أسئلة مماثلة طرحها الشخص من قبل.

يستخدم التعلم الآلي (ML) أيضًا في روبوتات المحادثة، مثل تلك المستخدمة في Facebook Messenger وSlack. في Facebook Messenger، يعمل التعلم الآلي (ML) على تشغيل روبوتات المحادثة لخدمة العملاء. تنشئ الشركات روبوتات محادثة هناك لضمان الاستجابة السريعة، وتقديم عرض شرائح الصور وأزرار دعوة العملاء لاتخاذ إجراء، ومساعدة العملاء في العثور على الخيارات القريبة أو تتبع الشحنات، والسماح بإجراء عمليات شراء آمنة. كما يستخدم Facebook التعلم الآلي (ML) لمراقبة محادثات Messenger للكشف عن الاحتيالات أو الاتصالات غير المرغوب فيها، على سبيل المثال، عندما يرسل شخص بالغ عددًا كبيرًا من طلبات الصداقة أو الرسائل إلى الأشخاص تحت سن 18.

تدعم تقنية التعلم الآلي في منصة Slack معالجة الفيديو وكتابة نسخة خطية من محتوى صوتي والترجمة المرئية المباشرة التي يمكن البحث عنها بسهولة باستخدام الكلمات الرئيسية، كما تساعد أيضًا في التنبؤ بمعدلات ترك الموظفين للعمل. قامت بعض الشركات أيضًا بإعداد روبوتات محادثة على منصة Slack، باستخدام تقنيات التعلم الآلي للإجابة على الأسئلة والطلبات.

تعمل خوارزميات التعلم الآلي (ML) في Gmail من Google على أتمتة تصفية البريد الإلكتروني للعملاء إلى فئات أساسية واجتماعية وترويجية مع اكتشاف الرسائل غير المرغوب فيها وإعادة توجيهها إلى مجلد الرسائل غير المرغوب فيها. تجاوزًا "لقواعد" تطبيقات البريد الإلكتروني، يمكن لأدوات التعلم الآلي (ML) أيضًا أتمتة إدارة البريد الإلكتروني من خلال تصنيف الرسائل لتوجيهها للأشخاص المناسبين بسرعة لاتخاذ إجراءات بشكل أسرع، ونقل المرفقات إلى الأماكن الصحيحة، وغير ذلك. على سبيل المثال، أدوات أتمتة إدارة البريد الإلكتروني مثل Levity  (محتوى الرابط موجود خارج موقع ibm.com)، يستخدم التعلم الآلي (ML) لتحديد الرسائل باستخدام خوارزميات تصنيف النصوص وفرزها. يتيح لك ذلك صياغة ردود مخصصة بناءً على التصنيف، مما يوفر الوقت ويساعدك في تحسين معدل التحويل.

تُستخدم تقنيات التعلم الآلي في مجال الأمن الإلكتروني بأربع طرق رئيسية:

1. يُستخدم التعلم الآلي (ML) والتعرف على الوجوه كطرق للمصادقة لحماية أمان الشركات.
2. قد تستخدم برامج مكافحة الفيروسات تقنيات الذكاء الاصطناعي والتعلم الآلي (ML) لاكتشاف البرمجيات الخبيثة وحظرها. 
3. يستخدم التعلم المعزز التعلم الآلي (ML) لتدريب النماذج على تحديد الهجمات الإلكترونية والاستجابة لها واكتشاف الاختراقات.
4. تُستخدم خوارزميات تصنيف التعلم الآلي (ML) أيضًا لتصنيف الأحداث على أنها احتيال، وتصنيف هجمات التصيد، وغيرها.

يُستخدم التعلم الآلي (ML) والتعلم العميق على نطاق واسع في الخدمات المصرفية، على سبيل المثال، في كشف الاحتيال. تدرب البنوك والمؤسسات المالية نماذج التعلم الآلي (ML) للتعرف على المعاملات الإلكترونية المشبوهة والمعاملات غير المعتادة التي تتطلب إجراء تحقيق إضافي. تستخدم البنوك والمقرضون الآخرون خوارزميات تصنيف التعلم الآلي (ML) والنماذج التنبؤية لتحديد من سيقدمون لهم القروض.

تستخدم العديد من معاملات سوق الأوراق المالية التعلم الآلي (ML). يستخدم الذكاء الاصطناعي والتعلم الآلي عقودًا من بيانات سوق الأسهم لتوقع الاتجاهات واقتراح ما إذا كان يجب الشراء أو البيع. كما يمكن للتعلم الآلي (ML) إجراء التداول الخوارزمي من دون تدخل بشري. يتم إجراء ما يقرب من 60-73% من تداولات سوق الأوراق المالية ((محتوى الرابط موجود خارج موقع ibm.com)،) من خلال خوارزميات يمكنها التداول بكميات كبيرة وبسرعة عالية. ويمكن لخوارزميات التعلم الآلي التنبؤ بالأنماط، وتحسين الدقة، وخفض التكاليف وتقليل مخاطر الخطأ البشري.

عملت منظمة Change Machine غير الربحية المتخصصة في مجال التكنولوجيا مع شركة IBM لبناء محرك توصيات مدعوم بالذكاء الاصطناعي باستخدام IBM Cloud Pak® for Data يساعد المدربين الماليين على إيجاد منتجات التكنولوجيا المالية الأنسب لأهداف عملائها. يقول David Bautista، مدير تطوير المنتجات في شركة Change Machine: "لقد علمتنا المشاركة مع IBM كيفية الاستفادة من بياناتنا بطرق جديدة وكيفية بناء إطار عمل لإنشاء نماذج التعلم الآلي وإدارتها".

أدى تطور التعلم الآلي إلى تدريب الآلات على التعرف على الأنماط، والذي يُستخدم الآن أحيانًا في تصوير الإشعاعي. تُستخدم رؤية الكمبيوتر المدعومة بالذكاء الاصطناعي (محتوى الرابط موجود خارج موقع ibm.com) لتحليل صور الثدي وللكشف المبكر عن سرطان الرئة. قد يغفل الأطباء عن 40% (الرابط يفتح خارج ibm.com)  من حالات الكشف عن سرطان الثدي عند فحص صور الأشعة السينية للثدي، ويمكن للتعلم الآلي تحسين هذه النسبة. يُستخدم الذكاء الاصطناعي لتصنيف الأورام، واكتشاف الكسور العظمية الدقيقة، وتشخيص الاضطرابات العصبية.

يستخدم التعلم الآلي (ML) أحيانًا لفحص السجلات والنتائج الطبية التاريخية للمريض لإنشاء خطط علاج جديدة. في الأبحاث الوراثية وتعديل الجينات وتسلسل الجينوم، يُستخدَم التعلم الآلي (ML) لتحديد كيفية تأثير الجينات في الصحة. فيمكن للتعلم الآلي (ML) تحديد العلامات الوراثية والجينات التي ستستجيب لعلاج أو عقار معين أو لن تستجيب له، وقد تسبب آثارًا جانبية خطرة لدى بعض الأشخاص. يمكن أن تؤدي هذه التحليلات المتقدمة إلى توصيات مخصصة للأدوية أو العلاج بناءً على البيانات .

يمكن تسريع عملية اكتشاف الأدوية الجديدة وتصنيعها، والتي عادةً ما تمر عبر اختبارات معقدة ومكلفة وتستغرق وقتًا طويلاً، وذلك باستخدام التعلم الآلي. تستخدم شركة Pfizer (الرابط موجود خارج ibm.com) قدرات التعلم الآلي الخاصة بشركة IBM Watson لاختيار أفضل المرشحين للتجارب السريرية في أبحاثها المتعلقة بعلاج الأورام المناعي. ويستخدم نظام Geisinger الصحي الذكاء الاصطناعي والتعلم الآلي في بياناته السريرية للمساعدة على منع الوفيات الناجمة عن تسمم الدم. إنهم يعملون مع فريق Data Science and AI Elite من IBM لبناء نماذج تتنبأ بالمرضى الأكثر عرضة لخطر الإصابة بتسمم الدم، ما يساعدهم على تحديد أولويات الرعاية، وتقليل حالات الدخول إلى المستشفى الخطيرة والمكلفة، وخفض معدل الوفيات بسبب تسمم الدم.

يؤثر التعلم الآلي (ML) بشكل كبير على وسائل النقل هذه الأيام. فعلى سبيل المثال، يستخدم برنامج خرائط Google خوارزميات التعلم الآلي (ML) للتحقق من حالات حركة المرور الحالية، وتحديد أسرع الطرق، واقتراح أماكن "لاستكشاف مكان قريب" وتقدير أوقات الوصول.

تستخدم تطبيقات مشاركة الركوب مثل Uber وLyft التعلم الآلي (ML) لمطابقة الركاب والسائقين، وتحديد الأسعار، وفحص حركة المرور، وتحليل ظروف حركة المرور في الوقت الحقيقي، مثل خرائط جوجل، لتحسين مسار القيادة والتنبؤ بالوقت المقدر للوصول.

تغذي رؤية الكمبيوتر السيارات ذاتية القيادة. فتمكِّن خوارزمية التعلم الآلي (ML) غير الخاضعة للإشراف السيارات ذاتية القيادة من جمع البيانات من الكاميرات وأجهزة الاستشعار لمعرفة ما يحدث حولها، وتتيح اتخاذ القرارات الواجب اتخاذها في الوقت الفعلي.

يدير التعلم الآلي (ML) الكثير مما يحدث على هواتفنا الذكية. تتحكم خوارزميات التعلم الآلي (ML) في التعرّف على الوجه الذي نعتمد عليه لتشغيل هواتفنا. فهي تدير المساعدين الصوتيين الذين يضبطون المنبهات ويكتبون الرسائل. وتشمل هذه التطبيقات Siri من Apple، وAlexa من Amazon، وGoogle Assistant، وCortana من Microsoft، والتي تستخدم البرمجة اللغوية العصبية للتعرّف على ما نقوله والاستجابة له بشكل مناسب.

تستفيد الشركات أيضًا من التعلم الآلي (ML) في كاميرات الهواتف الذكية. حيث يُحلل التعلم الآلي (ML) الصور ويحسنها باستخدام مصنفات الصور، ويكتشف الأجسام (أو الوجوه) في الصور، ويمكنه حتى استخدام الشبكات العصبية الاصطناعية لتحسين الصورة أو توسيعها من خلال التنبؤ بما يوجد خارج حدودها.

نرى الكثير من استخدامات التعلم الآلي (ML) على منصات التواصل الاجتماعي اليوم:

• تستخدم وسائل التواصل الاجتماعي، مثل Facebook، تستخدم التعلم الآلي (ML) في الكشف عن الوجوه والتعرف على الصور لتقديم اقتراحات لتحديد الأصدقاء بشكل تلقائي. بعد ذلك، يقترح على مستخدم الوسائط الاجتماعية وضع علامة على هذا الفرد.
• يستخدم LinkedIn التعلم الآلي (ML) لتصفية العناصر في خلاصة الأخبار، وإجراء توصيات التوظيف واقتراحات للاتصال بالآخرين.
• يستخدم Spotify نماذج التعلم الآلي (ML) لإنشاء توصيات الأغاني الخاصة بها.
• يستخدم Google Translate معالجة اللغة الطبيعية لترجمة الكلمات عبر أكثر من 130 لغة. وفي بعض اللغات، يمكنه تقديم ترجمات عبر الصورة والصوت في "وضع المحادثة" ومن خلال صور الفيديو الحية باستخدام وضع الواقع المعزز.

يمكن أن يساعد الذكاء الاصطناعي في وضع إستراتيجيات التطبيقات الحالية وتحديثها وبنائها وإدارتها أيضًا، مما يعزز من الكفاءة ويوفر فرصًا جديدة للابتكار. أجرت مقاطعة سونوما وكاليفورنيا استشارات مع IBM لمطابقة المواطنين المشردين مع الموارد المتاحة في نظام متكامل يسمى ACCESS Sonoma. قالت كارولين شتايتس، مديرة الابتكار في قسم تقنية المعلومات المركزية بمقاطعة سونوما: "بفضل التصميم المفتوح الذي قدمته IBM، والذي يمكن نقله واستخدامه بسهولة، تمكنا من تحميل 91,000 عميل وربطهم عبر أربعة أنظمة رئيسية في غضون أربعة أشهر." "هذا جدول زمني رائع." وضعوا 35% من المشردين في مساكن، وهو معدل أعلى بأربع مرات من المعدل الوطني، وفي غضون عامين خفضت المقاطعة عدد المشردين بنسبة تسعة بالمائة.

إننا في شركة IBM نجمع بين قوة التعلم الآلي والذكاء الاصطناعي، حيث يظهر ذلك جليًا في IBM watsonx، وهو الاستوديو الجديد الخاص بنا لنماذج الأساس والذكاء الاصطناعي التوليدي والتعلم الآلي.

تمثل Watsonx منصة بيانات وذكاء اصطناعي من الجيل التالي صُمِّمت خصوصًا لمساعدة المؤسسات على مضاعفة قوة الذكاء الاصطناعي للأعمال. حيث تحتوي المنصة على ثلاثة عناصر قوية: استوديو watsonx.ai لنماذج الأساس الجديدة، والذكاء الاصطناعي التوليدي والتعلم الآلي؛ ومخزن Watsonx.data المناسب للغرض لملاءمة مرونة بحيرة البيانات وأداء مستودع البيانات؛ ومجموعة أدوات Watsonx.governance لتمكين سير عمل الذكاء الاصطناعي القائم على المسؤولية والشفافية والقدرة على التفسير.

من خلال هذا التعاون، يوفر watsonx للمؤسسات القدرة على:

1. تدريب الذكاء الاصطناعي وضبطه ونشره عبر جميع جوانب عملك باستخدام  watsonx.ai
2. توسيع أحمال تشغيل الذكاء الاصطناعي لجميع بياناتك في أي مكان باستخدام watsonx.data
3. تمكين سير عمل البيانات والذكاء الاصطناعي بشكل مسؤول وشفاف وقابل للتفسير باستخدام watsonx.governance