يصنف التعلم الالي Machine Learning بأنه مجموعة فرعية من الذكاء الاصطناعي (AI) والذي يركز على إنتاج أنظمة تحسن من الأداء استناداً على البيانات التي يستخدمها، إن الذكاء الاصطناعي هو علم شامل يشير إلى أنظمة وأجهزة تحاكي الذكاء البشري، وغالباً ما يتم ذكر التعلم الالي والذكاء الاصطناعي معاً، ولكنهما شيئان مختلفان. ومن الضروري هنا ذكر أنه على الرغم من أن جميع تقنيات التعلم الالي تُعد ذكاءً اصطناعياً، إلا أنه ليس كل ذكاء اصطناعي يمثل تعلماً آلياً.
في الوقت الحاضر، يستخدم التعلم الالي في العديد من المجالات والأعمال في كل مكان حولنا، فعندما نتعامل مع البنوك أو نريد شراء شيء عبر الإنترنت أو نستخدم وسائل التواصل الاجتماعي، تلعب خوارزميات وتقنيات التعلم الالي دوراً مهماً لجعل اعمالنا فعّالة وسلسة وآمنة.
المحتويات
ما هو التعلم الالي Machine learning
يعد التعلم الالي مجالاً فرعياً من مجالات الذكاء الاصطناعي، حيث تتمتع الأنظمة التي تعتمد على الذكاء الاصطناعي بجميع مجالاته بالقدرة على التعلم من خلال البيانات والإحصاءات والتجربة والخطأ من أجل تحسين العمليات والابتكار بمعدلات أسرع.
إقرأ أيضا:تكنولوجيا الطاقة المتجددة وفوائدها لمستقبل مشرقيمنح التعلم الالي أجهزة الكمبيوتر القدرة على تطوير قدرات التعلم الشبيهة بالإنسان والتي تسمح لها بحل بعض أصعب المشكلات في العالم، بدءاً من أبحاث السرطان إلى تغير المناخ.
كيف يجعل التعلم الالي أجهزة الكمبيوتر شبيهه بالإنسان؟
تعتمد معظم برامج الكمبيوتر على التعليمات البرمجية لإخبارهم بما يجب تنفيذه أو المعلومات التي يجب الاحتفاظ بها المعروفة باسم “المعرفة الصريحة”.
تحتوي هذه المعرفة على أي شيء يمكن كتابته أو تسجيله بسهولة، مثل الكتب المدرسية أو مقاطع الفيديو أو الكتيبات. ومع التعلم الالي تكتسب أجهزة الكمبيوتر معرفة ضمنية كما المعرفة التي نكتسبها من التجربة الشخصية نحن الشر.
يصعب نقل هذا النوع من المعرفة من شخص إلى آخر عبر التواصل الكتابي أو اللفظي، على سبيل المثال: التعرف على الوجه هو نوع من انواع المعرفة الضمنية، نتعرف على وجه الشخص ما، ولكن يصعب علينا أن نصف بدقة كيف أو لماذا نتعرف عليه، بل نعتمد على بنوك المعرفة الشخصية لدينا لربط النقاط ضمنياً للتعرف على الشخص فوراً بناءً على وجهه. مثال آخر هو ركوب الدراجة، من السهل أن توضح لشخص ما كيفية ركوب الدراجة بدلاً من شرحها بالكلام.
لم تعد أجهزة الكمبيوتر مضطرة إلى الاعتماد على مليارات من سطور التعليمات البرمجية لإجراء العمليات الحسابية، بل يمنح التعلم الالي أجهزة الكمبيوتر قوة المعرفة الضمنية التي تسمح لهذه الآلات بإجراء الاتصالات واكتشاف الأنماط وعمل تنبؤات بناءً على ما تعلمته في الماضي.
إقرأ أيضا:فوائد التسويق الإلكتروني للشركاتما هو التعلم العميق؟
التعلم العميق (deep learning) هو حقل فرعي في التعلم الالي يكتسب مهارات وقدرات فريدة على استخراج البيانات بمعدلات دقيقة للغاية. حيث يستخدم التعليم العميق الشبكات العصبية الاصطناعية (ANNs) لاستخراج ميزات ذات مستوى أعلى من البيانات الأولية.
على الرغم من اختلاف الشبكات العصبية الاصطناعية عن أدمغة البشر، إلا أنها مستوحاة من الطريقة التي يعالج بها البشر والمعلومات البيولوجية؛ يعتبر التعلم الذي يقوم به الكمبيوتر عميقاً لأن الشبكات تستخدم الطبقات (hidden layers) للتعلم من المعلومات الأولية وتفسيرها عبر طبقات من المعاملات التي تحسن جودة ودقة المخرجات.
على سبيل المثال، يعد التعلم العميق أحد الأصول المهمة لمعالجة الصور في كل شيء بدءاً من التجارة الإلكترونية وحتى الصور الطبية. تقوم Google بتجهيز برامجها بالتعلم العميق لاكتشاف الأنماط في الصور من أجل عرض الصورة الصحيحة لأي شيء تبحث عنه، إذا كنت تبحث عن سترة شتوية، فسيتعاون محرك Google والتعلم العميق معاً لاكتشاف الأنماط في الصور والأحجام والألوان والأشكال والعلامات التجارية ذات الصلة، لعرض السترات ذات الصلة التي تلبي استفسارك. يتسم التعلم العميق أيضاً في إحداث نقله نوعيه في علم الأشعة وعلم الأمراض وأي قطاع طبي يعتمد بشكل كبير على الصور. وتعتمد التكنولوجيا على معرفتها الضمنية من خلال التدريب ودراسة ملايين عمليات المسح الأخرى للتعرف على المرض أو تشخيص الإصابة بمرض على الفور لا قدر الله، وتوفير الوقت والجهد والمعرفه للأطباء والمستشفيات بسرعه ودقة كبيرة.
إقرأ أيضا:فوائد التسويق الإلكتروني للشركاتأنواع خوارزميات التعلم الالي الشائعة
مثل جميع الأنظمة التي تحتوي على الذكاء الاصطناعي، يحتاج التعلم الآلي إلى خوارزميات الايجاد المعاملات والإجراءات والقيم النهائية. تستخدم برامج للتعلم الآلي هذه الخوارزميات عندما تستكشف الخيارات المختلفة وايجاد ادق النتائج. هناك المئات من الخوارزميات التي يستخدمها التعلم الالي بناءً على عدة عوامل مثل حجم البيانات وتنوعها. فيما يلي بعض الأنواع الأكثر شيوعاً من خوارزميات التعلم الآلي.
التعلم الخاضع للإشراف Supervised Learning
تقوم خوارزميات التعلم الخاضعة للإشراف ببناء نماذج رياضية للبيانات تعتمد على معلومات المدخلات والمخرجات. والبرامج التي تستخدم خوارزميات التعلم الخاضع للإشراف تعرف النتائج الأولية والنهائية للبيانات التدريب. فقط عليها معرفة كيفية الوصول إلى النتيجة النهائية بدقة وكفاءة. يتم تغذية برامج الكمبيوتر للتعلم الآلي باستمرار بهذه المجموعات من الخوارزميات، بحيث يمكن للبرامج في النهاية التنبؤ بالمخرجات بناءً على مجموعة جديدة من المدخلات.
تعد خوارزميات الانحدار والتصنيف (Regression and classification) من أكثر خوارزميات التعلم الخاضع للإشراف شيوعاً. حيث يستخدم تحليل الانحدار لاكتشاف العلاقات بين متغيرات النتائج ومتغير واحد أو أكثر من المتغيرات المستقلة والتنبؤ بها. تُعرف هذه الخوارزمية باسم الانحدار الخطي (linear regression)، بأنها تستخدم بيانات لتتدرب عليها لمساعدة الأنظمة على التنبؤ. تُستخدم خوارزميات التصنيف (classification) لتدريب الأنظمة على تحديد كائن ووضعه في فئة فرعية معينه. على سبيل المثال، نستخدم هذه الخوارزمية للجابة على سؤال بنعم او لا او لتحديد وفصل البريد الالكتروني الواصل اليك ليذهب الى البريد الاساسي او الترويجي او الاجتماعي.
تعليم غير مشرف عليه Unsupervised Learning
تأخذ خوارزميات التعلم غير الخاضعة للإشراف البيانات التي تحتوي فقط على المدخلات ثم تضيف بنية إلى البيانات على شكل مجموعات أو تجميع. تتعلم الخوارزميات التعليم غير المشرف عليه من بيانات الاختبار السابقة التي لم يتم تصنيفها، ثم تقوم بتجميع البيانات الأولية بناءً على القواسم المشتركة. يستخدم تحليل الكتلة (Cluster analysis) التعلم غير الخاضع للإشراف لفرز البحيرات العملاقة من البيانات غير المعالجه لتجميع نقاط بيانات معينة معاً وتسمى هاذه العملية ب (Clustering) وهي أداة شائعة للتنقيب عن البيانات (data mining)، ويتم استخدامها في كل شيء من البحث الجيني إلى إنشاء مجتمعات افتراضية لوسائل التواصل الاجتماعي مع أفراد متشابهين في التفكير.
التعلم شبه الخاضع للإشراف Semi-Supervised Learning
يقع التعلم شبه الخاضع للإشراف مباشرة بين التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف. بدلاً من إعطاء البرنامج جميع البيانات المصنفة من المدخلات والمخرجات (مثل التعلم الخاضع للإشراف) أو عدم وجود بيانات مصنفة (كما هو الحال في التعلم غير الخاضع للإشراف) فقط تحتوي على مدخلات، يتم تغذية هذه البرامج بمزيج من البيانات التي لا تسرع عملية التعلم الآلي فحسب، بل تساعد الآلات على تحديد الأشياء والتعلم بدقة متزايدة.
عادةً ما يقدم المبرمجون عدداً صغيراً من البيانات المصنفة (classification) مع نسبة كبيرة من المعلومات غير المصنفه ويتوجب على الكمبيوتر استخدام مجموعات البيانات المنظمة لتجميع بقية المعلومات. يُنظر إلى هذه الخوارزمية على أنها خوارزمية دقيقة جدا ومفيدة، لأن تصنيف البيانات الخاضعة للإشراف تعد مهمة ضخمة بسبب التكاليف المرتفعة وقضاء مئات الساعات في التدريب وتحسين النتائج للبيانات.
إليك طريقة سهلة لتذكر خوارزميات التعلم الآلي بمصطلحات الشخص العادي. يشبه التعلم الخاضع للإشراف (Supervised Learning) أن تكون طالباً وأن يراقبك المعلم باستمرار في المدرسة والمنزل. التعلم غير الخاضع للإشراف (Unsupervised Learning) هو مطالبة الطالب باكتشاف شيء ما بنفسه. ويشبه التعلم شبه الخاضع للإشراف (Semi-Supervised Learning
) إعطاء الطالب درساً ثم اختباره على الأسئلة ذات الصلة بهذا الموضوع. لكل خوارزمية مزايا وعيوب في التعلم الآلي، ويتم استخدامها بناءً على مدخلات ومخرجات البيانات او فقط المدخلات والمعاملات المتوفرة.
امثلة وتطبيقات التعلم الالي
الخدمات المالية
يحتاج قطاع الخدمات المالية للتعلم الآلي لقدرته الفريدة على تسريع العمليات بمعدل عالٍ من الدقة والنجاح. ويتم توظيف التكنولوجيا في كل جانب من جوانب أنظمتنا المالية تقريباً.
ما قد يحتاجه الانسان من ساعات أو أيام أو حتى أسابيع لإنجازه يمكن الآن تنفيذه في دقائق معدودة. مثلا تتعامل American Express مع أكثر من 1 تريليون دولار في المعاملات من أكثر من 110 مليون بطاقة ائتمانية كل عام وتعتمد الشركة على التعلم الالي لإدارة بياناتها واكتشاف اتجاهات الإنفاق وتقديم عروض فردية للعملاء.
بالإضافة إلى ذلك، يتم استخدام التعلم الالي من قبل شركات الإقراض وبطاقات الائتمان لإدارة المخاطر والتنبؤ بها. تأخذ برامج الكمبيوتر في عين الاعتبار التاريخ الائتماني السابق لطالب القرض جنبًا إلى جنب مع الآلاف من نقاط البيانات الأخرى مثل الهاتف المحمول ومدفوعات الإيجار و السكن والمهنة للنظر في مخاطر الشركة المُقرضة.
من خلال أخذ نقاط البيانات الأخرى في الاعتبار، وبناءً عليه يمكن للمقرضين تقديم قروض لمجموعة أوسع بكثير من الأفراد الذين لا يستطيعون الحصول على قروض بالطرق التقليدية.
تستخدم الشركات التجارية التعلم الآلي لتخزين بحيرة ضخمة من البيانات وتحديد نقاط السعر المثلى لتنفيذ التداولات. تأخذ خوارزميات المعقدة الملايين من نقاط البيانات المالية في عين الاعتبار لشراء وبيع الأسهم في الوقت المناسب.
الرعاىة الصحية
يحتاج قطاع الرعاية الصحية للتعلم الآلي كأداة لإدارة المعلومات الطبية واكتشاف علاجات جديدة وحتى اكتشاف الأمراض والتنبؤ بها. ويتمتع المهنيون الطبيون، المجهزون بأنظمة الكمبيوتر للتعلم الآلي، بالقدرة على عرض السجلات الطبية للمرضى بسهولة دون الحاجة إلى البحث في الملفات أو الحصول على قنوات اتصال مع مناطق أخرى في المستشفى كما يمكن للأنظمة الطبية المحدثة الآن سحب المعلومات الصحية ذات الصلة عن كل مريض في غمضة عين.
من المتوقع أن يوفر الذكاء الاصطناعي والتعلم الآلي لصناعة الرعاية الصحية مليارات الدولارات سنوياً بسبب الوقت والموارد التي يوفرونها في تطوير الأدوية.
تعمل أدوات الذكاء الاصطناعي التي تدعم التعلم الالي جنباً إلى جنب مع مطوري الأدوية لتوليد علاجات دوائية بمعدلات أسرع من أي وقت مضى وبشكل أساسي، يتم تغذية أدوات التعلم الآلي بالملايين من نقاط البيانات، وتقوم بتكوينها بطرق تساعد الباحثين على رؤية المركبات الناجحة وغير الناجحة، بدلاً من قضاء ملايين الساعات البشرية في كل تجربة، ويمكن لتقنيات التعلم الآلي إنتاج مُركبات دوائية ناجحة في غضون أسابيع أو شهور.
لقد جعل التعلم الالي اكتشاف الأمراض والتنبؤ بها أكثر دقة وسرعة.
في الوقت الحالي، يتم توظيف التعلم الآلي من قبل أقسام الأشعة وعلم الأمراض في جميع أنحاء العالم لتحليل فحوصات الأشعة المقطعية والأشعة السينية والعثور على المرض. بعد تلقي الآلاف من صور المرض من خلال مزيج من الخوارزميات الخاضعة للإشراف أو غير الخاضعة للإشراف أو شبه الخاضعة للإشراف، فإن بعض أنظمة التعلم الآلي متطورة جداً يمكنها اكتشاف وتشخيص الأمراض (مثل السرطان أو الفيروسات) بمعدلات أعلى من البشر.
حيث يتم استخدام التعلم الآلي أيضاً للتنبؤ بالفيروسات القاتلة، مثل الإيبولا والملاريا، ويستخدمه مركز السيطرة على الأمراض لتتبع حالات الإصابة بفيروس الأنفلونزا كل عام.
وسائل التواصل الاجتماعي
يتم توظيف التعلم الآلي من قبل شركات وسائل التواصل الاجتماعي لسببين رئيسيين: خلق شعور بالانتماء للمجتمع والتخلص من والمعلومات الضارة. حيث يقوم التعلم الآلي بالنظر إلى الصفحات والتغريدات والموضوعات التي يحبها الفرد ويقترح مواضيع أخرى أو صفحات مجتمعية بناءً على تلك الإعجابات. إنها تستخدم بشكل أساسي تفضيلاتك واهتمامتك كطريقة لجلب الصفحات والوسائط الاجتماعية المشابه لهتماماتك.
دفع الانتشار الهائل للأخبار الكاذبة والغير دقيقة في انتخابات عام 2016 شركات وسائل التواصل الاجتماعي ، مثل Facebook و Twitter، إلى وضع التعلم الآلي في مقدمة أنظمتها لتجنب وفصل وتصنيف هذه الاخبار. حيث ان الآلات هي ببساطة أسرع من البشر في تحديد الأخبار الكاذبة وحذفها قبل أن تصبح مشكلة ومعلومه مضلله. يستخدم كل من Twitter و Facebook أنظمة تمت تطويرها لتحديد الأنماط الضارة للمعلومات الخاطئة بسرعة، والإبلاغ عن الروبوتات الضارة وايقافها،وعدم عرض المحتوى المبلغ عنه وحذفه عند الضرورة من أجل بناء مجتمعات عبر الإنترنت تستند إلى الحقيقة والمصداقيه.
البيع بالتجزئة والتجارة الإلكترونية
تعتمد عمليات البيع بالتجزئة على التعلم الالي لقدرتها على تحسين المبيعات وجمع البيانات حول اهتمامات الفردية للاشخاص. ويوفر التعلم الالي لبائعي التجزئة والمتاجر عبر الإنترنت القدرة على تقديم اقتراحات الشراء بناءً على نقرات المستخدم وإعجاباته وعمليات الشراء السابقة وما إلى ذلك. بمجرد أن يشعر العملاء بأن تجار التجزئة يفهمون احتياجاتهم، فمن غير المرجح أن يبتعدوا عن تلك الشركات التي تهتم بهم وسيشترون المزيد من منتجاتهم. يعزز أستخدام التعلم الآلي من رضا العملاء، وزيادة الأرباح الشركات إلى أقصى حد.
أصبح البحث المرئي جزءاً كبيراً من اهتمامتنا. بدلاً من كتابة طلبات البحث، يمكن للعملاء الآن تحميل صورة شيء يبحثون عنه للكمبيوتر وسيقوم التعلم الالي بتحليل الصورة (باستخدام الطبقات) وسيعطي نتائج بحث دقيقة بناءً على النتائج التي توصل إليها من الصورة. على سبيل المثال، يمكنك تحميل صورة سترة حمراء وجدتها على Instagram، سيقوم النظام القائم على التعلم الالي بسحب صورة السترة بالضبط ومن ثم ظهار اقتراحات أخرى بناءً على نفس المظهر خلال ثواني معدودة.
لقد كان التعلم الالي أحد الأصول في التنبؤ باتجاهات العملاء وسلوكياتهم واهتمامتهم. وستنظر هذه الآلات بشكل شامل وفي عمليات الشراء لتحديد أنواع العناصر التي يتم بيعها (والعناصر التي سيتم بيعها في المستقبل). وسوف يشهد العالم في السنوات المقبلة نقلات نوعية في مجال الذكاء الاصطناعي وافرعة الواسعة والمعقدة وسوف نقوم في هذا الموقع بنشر العديد من المقالات لبيان هاذ العلم الرائع.
