خوارزمية التعلم الآلي هي مجموعة من القواعد أو العمليات التي يستخدمها نظام الذكاء الاصطناعي لتنفيذ المهام—غالبًا لاكتشاف رؤى وأنماط جديدة للبيانات، أو للتنبؤ بقيم المخرجات من مجموعة معينة من متغيرات الإدخال. تتيح الخوارزميات للتعلم الآلي إمكانية التعلم.
يتفق محللو الصناعة على أهمية التعلم الآلي والخوارزميات الأساسية له. من Forrester، "تُضفي التطورات في خوارزميات التعلم الآلي الدقة والعمق على تحليل بيانات التسويق التي تساعد المسوقين على فهم كيفية تأثير تفاصيل التسويق—مثل المنصة أو التصميم أو الدعوة إلى اتخاذ إجراء أو الرسائل—على أداء التسويق.1". بينما تشير Gartner إلى أن "التعلم الآلي هو جوهر العديد من تطبيقات الذكاء الاصطناعي الناجحة، مما يعزز من قوته الهائلة في السوق.2".
في أغلب الأحيان، سيوفر تدريب خوارزميات التعلم الآلي (ML) على المزيد من البيانات إجابات أكثر دقة من التدريب على بيانات أقل. باستخدام الأساليب الإحصائية، يتم تدريب الخوارزميات لتحديد التصنيفات أو إجراء التنبؤات، واكتشاف رؤى رئيسية في مشاريع استخراج البيانات. يمكن أن تساعد هذه الرؤى لاحقًا في تحسين عملية اتخاذ القرار لديك لتعزيز مقاييس النمو الرئيسية.
تشمل حالات استخدام خوارزميات التعلّم الآلي القدرة على تحليل البيانات لتحديد الاتجاهات والتنبؤ بالمشاكل قبل حدوثها.3 يمكن للذكاء الاصطناعي الأكثر تقدماً أن يتيح دعماً أكثر تخصيصاً، ويقلل من أوقات الاستجابة، ويوفر إمكانية التعرف على الكلام، ويحسّن من رضا العملاء. الصناعات التي تستفيد بشكل خاص من خوارزميات التعلم الآلي لإنشاء محتوى جديد من كميات هائلة من البيانات إدارة سلسلة التوريد، والنقل والخدمات اللوجستية، والبيع بالتجزئة والتصنيع4—وكلها تتبنى الذكاء الاصطناعي التوليدي، مع قدرته على أتمتة المهام، وتعزيز الكفاءة وتوفير رؤى قيّمة، حتى للمبتدئين.
التعلم العميق هو تطبيق محدد للوظائف المتقدمة التي توفرها خوارزميات التعلم الآلي. يكمن التمييز في كيفية تعلم كل خوارزمية. يمكن لنماذج التعلم الآلي "العميقة" استخدام مجموعات البيانات المصنّفة، والمعروفة أيضًا باسم التعلم الخاضع للإشراف، لتوجيه خوارزميتها، ولكنها لا تتطلب بالضرورة بيانات مصنّفة. يمكن للتعلّم العميق أن يستوعب البيانات غير المنظمة في شكلها الخام (مثل النصوص أو الصور)، ويمكنه تلقائيًا تحديد مجموعة السمات التي تميز الفئات المختلفة عن بعضها البعض. وهذا يلغي بعض التدخل البشري المطلوب ويتيح استخدام مجموعات بيانات أكبر.
الطريقة الأسهل للتفكير في الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق، والشبكات العصبية هي أن نفكر فيها كسلسلة من أنظمة الذكاء الاصطناعي من الأكبر إلى الأصغر، حيث يشمل كل منها النظام التالي. الذكاء الاصطناعي (AI) هو النظام الشامل. التعلم الآلي هو جزء من الذكاء الاصطناعي. التعلم العميق هو حقل فرعي من التعلم الآلي، وتشكل الشبكات العصبية العمود الفقري لخوارزميات التعلم العميق. إن عدد طبقات العقدة، أو العمق، للشبكة العصبية هو ما يميز الشبكة العصبية الواحدة عن خوارزمية التعلم العميق، والتي يجب أن تحتوي على أكثر من ثلاث.
تقسم ورقة بحثية من جامعة كاليفورنيا في بيركلي نظام التعلم لخوارزمية التعلم الآلي إلى ثلاثة أجزاء رئيسية.5
3. عملية تحسين النموذج: إذا كان النموذج يتلاءم بشكل أفضل مع نقاط البيانات في مجموعة التدريب، يتم تعديل عوامل الترجيح لتقليل التباين بين المثال المعروف وتقدير النموذج. ستكرر الخوارزمية عملية "التقييم والتحسين" هذه، وتحديث الترجيحات بشكل مستقل حتى يتم الوصول إلى مستوى محدد من الدقة للنموذج.
يستخدم التعلم الخاضع للإشراف على وجه الخصوص مجموعة تدريب لتعليم النماذج للحصول على النتائج المطلوبة. تتضمن مجموعة البيانات هذه الإدخالات والمخرجات الصحيحة، مما يمكّن النموذج من التعلم بمرور الوقت. تقيس الخوارزمية دقتها من خلال دالة الخسارة، ويتم ضبطها حتى يتم تقليل الخطأ إلى الحد الأدنى بشكل كافٍ.
هناك أربعة أنواع من خوارزميات التعلم الآلي: خاضعة للإشراف، وغير خاضعة للإشراف، وشبه خاضعة للإشراف، والمعززة. اعتمادًا على ميزانيتك، وحاجتك إلى السرعة والدقة المطلوبة، فإن كل نوع ومتغير له مزاياه الخاصة. تتطلب خوارزميات التعلم الآلي المتقدمة تقنيات متعددة—بما في ذلك التعلم العميق والشبكات العصبية ومعالجة اللغة الطبيعية—وهي قادرة على استخدام كل من التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف.6 وفيما يلي الخوارزميات الأكثر شيوعًا واستخدامًا.
يمكن تقسيم التعلم الخاضع للإشراف إلى نوعين من المشاكل عند استخراج البيانات: التصنيف والانحدار.
يتم استخدام خوارزميات وتقنيات حسابية مختلفة في عمليات التعلم الآلي، وغالباً ما يتم حسابها من خلال استخدام برامج مثل Python. تشمل خوارزميات التعلم الخاضع للإشراف ما يلي:
على عكس التعلم الخاضع للإشراف، يُستخدم التعلم غير الخاضع للإشراف بيانات غير مصنفة. من هذه البيانات، تكتشف الخوارزمية الأنماط التي تساعد في حل مشاكل التجميع أو الارتباط. يكون هذا مفيدًا بشكل خاص عندما يكون الخبراء غير متأكدين من الخصائص المشتركة داخل مجموعة البيانات. خوارزميات التجميع الشائعة هي الهرمية والتجميع بالمتوسط ونماذج المزيج الغاوسي وطرق تقليل الأبعاد مثل PCA و t-SNE.
خوارزميات التعلم شبه الخاضع للإشراف
في هذه الحالة ، يحدث التعلم عندما يتم تصنيف جزء فقط من بيانات الإدخال المحددة—مما يمنح الخوارزمية نوعًا من "السبق". يمكن أن يجمع هذا النهج بين أفضل ما في العالمين10—الدقة المحسّنة المرتبطة بالتعلم الآلي الخاضع للإشراف والقدرة على الاستفادة من البيانات غير المصنفة الفعالة من حيث التكلفة، كما في حالة التعلم الآلي غير الخاضع للإشراف.
الخوارزميات المعززة
في هذه الحالة، يتم تدريب الخوارزميات تمامًا كما يتعلم البشر—من خلال المكافآت والجزاءات—والتي يتم قياسها وتتبعها بواسطة وكيل التعلم المعزز11 الذي لديه فهم عام لاحتمالية النجاح في تحريك النتيجة لأعلى مقابل تحريكها لأسفل. من خلال التجربة والخطأ، يتعلم الوكيل اتخاذ الإجراءات التي تؤدي إلى النتائج الأكثر ملاءمة بمرور الوقت. يتم استخدام التعلم المعزز بشكل شائع12 في إدارة الموارد والتشغيل الآلي وألعاب الفيديو.
لقد استطلعنا آراء 2000 مجموعة حول مبادرات الذكاء الاصطناعي لديها لمعرفة ما ينجح وما لا ينجح وكيف يمكنك المضي قدمًا.
IBM Granite هي مجموعة من نماذج الذكاء الاصطناعي المفتوحة والموثوق بها وذات الأداء العالي والتي صُمِمَت خصيصًا للأعمال وجرى الارتقاء بها على النحو الأمثل لتوسيع نطاق تطبيقات الذكاء الاصطناعي لديك. استكشف خيارات اللغة والتعليمات البرمجية والسلاسل الزمنية والدرابزين.
اطّلع على كتالوجنا الشامل الذي يضم أكثر من 100 دورة تدريبية عبر الإنترنت من خلال شراء اشتراك فردي أو متعدد المستخدمين اليوم، سيتيح لك هذا توسيع نطاق مهاراتك عبر مجموعة من منتجاتنا، وكل ذلك بسعر واحد مُغرٍ.
وقد صُمم المنهج، الذي يقوده كبار قادة الفكر لدى IBM، لمساعدة قادة الأعمال على اكتساب المعرفة اللازمة لتحديد أولويات استثمارات الذكاء الاصطناعي التي يمكن أن تدفع عجلة النمو.
هل ترغب في زيادة عائد استثماراتك في الذكاء الاصطناعي؟ تعرّف على كيفية تأثير توسيع نطاق الذكاء الاصطناعي التوليدي في المجالات الرئيسية، من خلال مساعدة أفضل العقول لديك على وضع حلول مبتكرة جديدة وطرحها.
تعرّف على كيفية دمج الذكاء الاصطناعي التوليدي والتعلّم الآلي بثقة في أعمالك
تعمّق في العناصر الثلاثة ذات الأهمية البالغة لإستراتيجية الذكاء الاصطناعي القوية: إنشاء ميزة تنافسية، وتوسيع نطاق الذكاء الاصطناعي عبر الأعمال، وتطوير الذكاء الاصطناعي الجدير بالثقة.