مبادئ تعلم الآلة 101

ما هو تعلم الآلة؟

خوارزميات تعَلُمِ الآلة هي نُظم قادرة على اتخاذ قرارات أو تقديم توقعات بناءً على تحليل مجموعة من البيانات بهدف اكتشاف الأنماط فيها. ويمكن أيضاً تدريب هذه الخوارزميات لتصبح قادرة على التحسن مع مرور الوقت كلما توفرت لها بيانات جديدة مما يقلل من الحاجة إلى إعادة برمجتها؛ هذا وتسهم البيانات ذات الجودة العالية كذلك في تطوير خوارزميات أفضل لتعلم الآلة.

توجد هناك معايير مختلفة لتقييم مدى نجاح خوارزميات تعلم الآلة، حيث يقاس نجاح المختصة منها بتقديم التوقعات بمدى دقة توقعاتها، ونجاح المختصة منها باتخاذ القرارات بالنتائج المبنية عليها تلك القرارات. ويعد التعلم المعزز من أبرز الأساليب التي يعتمد عليها تطوير نظم تعلم الآلة المختصة باتخاذ القرارات، حيث تتعلم الخوارزميات من التجربة والخطأ – فعلى سبيل المثال، إذا كان روبوت يبحث عن مَخرج في متاهة، فإن التعلم المعزز يساعده في الاهتداء إلى الطريق الصحيح.

هل تَعلُّم الآلة هو الذكاء الاصطناعي؟

تعلم الآلة هو فرع من فروع الذكاء الاصطناعي يتم التركيز فيه على تطوير نظم قادرة على التعلم من البيانات، في حين أن الذكاء الاصطناعي هو مجال يسعى إلى تطوير نظم تحاكي الذكاء البشرِي وقادرة على أداء مهام مثل فهم اللغة الطبيعية والتعرف على الأشياء أو لعب الألعاب.

غالباً ما يتم مقارنة نظم تعلم الآلة بنظم التعلم القائمة على القواعد، حيث يتم – بالنسبة لهذه الأخيرة – وضع قواعد ثابتة يتم من خلالها تحديد كيفية تصرفها في حالات محددة في مقابل نظم تعلم الآلة التي تعد نظماً أكثر مرونة لاعتمادها على التعلم من البيانات وقدرتها على التعامل مع حالات معقدة وسيناريوهات غير متوقعة – فعلى سبيل المثال، قد لا يكون من الممكن تحديد ما إذا كانت صورة تشخيصية ما تحتوي على ورمٍ بناءً فقط على القيم الدقيقة “للبكسلات” Pixels. ولكن، من خلال تعلم النموذج من عدد كبير من الصور الطبية مع تسميات (مثلاً: “هذه صورة تحتوي على ورم” أو “هذه صورة لا تحتوي على ورم”)، يمكن للنموذج تعلم الأنماط الدقيقة التي تساعده في تمييز الأورام من غيرها بناءً على الخصائص المميزة لكل منها.

ورغم التفوق الواضح لنظم تعلم الآلة على النظم القائمة على القواعد إلا أن الاثنين يتكاملان، ويكون كل منهما مناسباً لأغراض مختلفة – فعلى سبيل المثال، تُستخدم الأنظمة القائمة على القواعد بشكل واسع في التطبيقات الروبوتية أو في المجالات التي لا تتوفر فيها بيانات ذات جودة، وهذا في الوقت الذي يلعب فيه تعلم الآلة دوراً مركزياً في الإدراك واتخاذ القرارات في مجالات مثل السيارات ذاتية القيادة.

ما الفرق بين الذكاء الاصطناعي وتعلم الآلة؟

الذكاء الاصطناعي: هو مجال واسع يشمل أي تقنية تمكّن أجهزة الحاسوب من محاكاة الذكاء البشري، وهو مجال يشمل مجموعة واسعة من التطبيقات مثل الروبوتات ومعالجة اللغة الطبيعية والرؤية الحاسوبية.

تعلم الآلة: هو فرع محدد من الذكاء الاصطناعي يركز على بناء أنظمة تتعلم من البيانات لتحسين أدائها في مهمة محددة. كما أن تعلم الآلة هو أحد الطرق التي يمكن أن يتعلم بها الذكاء الاصطناعي، ولكنه ليس الوحيد – حيث يمكن أن يشمل تعلم الذكاء الاصطناعي النظم القائمة على القواعد، وأنظمة الخبراء، إلخ…

كيف يمكنك إتقان تعلم الآلة؟

لتعلم وإتقان هذا المجال التكنولوجي، يمكنكَ اتباع الخطوات التالية:

• تعلم الأساسيات: عليك البدأ بفهم الجبر الخطي، والتفاضل والتكامل، والإحصاء، والاحتمالات، وهي الأساس للكثير من خوارزميات تعلم الآلة، والتحِاق بدورات للمبتدئين واشتَرِاك في محتوى ذي صلة على “يوتيوب” و”كورسيرا”.
• فهم المفاهيم الأساسية: استوعب مفاهيم تعلم الآلة الأساسية مثل التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز وتقييم النماذج.
• تعلم البرمجة: بايثون هي اللغة الأكثر استخداماً في تعلم الآلة ويمكنك أن تعزز مهاراتك فيها من خلال مكتبات برمجية مثل PyTorch  وNumpy وScikit-learn.
• التدرب على مشاريع حقيقية: بإمكانك فهم أساسيات تعلم الآلة عن طريق المحاضرات، غير أن هذا لن يغنيك عن محاولة برمجة خوارزمية تعلم آلة بنفسك وتطبيق ما تعلمته على مجموعات بيانات حقيقية مثل تلك المتوفرة على منصة Kaggle.
• متابعة المستجدات: تعلم الآلة هو مجال سريع التطور، لذا من المهم متابعة الأبحاث والتطورات الأخيرة من خلال مؤتمرات مثل NeurIPS أو ICML. والاطلاع على الاتجاهات الحالية والأسئلة المطروحة فيه للنقاش.  والتحديات التي يواجهها وكيف يمكن معالجتها – وتبقى واحدة من أكثر الطرق فعالية للبقاء على الاطلاع بآخر مستجدات هذا المجال هي دراسة تعلم الآلة في جامعة محمد بن زايد للذكاء الاصطناعي.

ما الفروقات بين تعلم الآلة والتعلم العميق؟

التعلم العميق هو فرع فروع تعلم الآلة وبمقارنتهما نجد أن تعلم الآلة يختلف عن الأول في أكونه يغطي مجموعة واسعة من الخوارزميات، في حين أن التعلم العميق يختص بخوارزميات الشبكات العصبية متعددة الطبقات التب يعتمد عليها لتحليل البيانات لاكتشاف الأنماط فيها – غالباً من مجموعات بيانات ضخمة. كما يستلهم التعلم العميق أسلوبه في معالجة البيانات من الكيفية التي يعالج بها دماغ الإنسان المعلومات باستخدام الخلايا العصبية المترابطة.

قبل ظهور تكنولوجيا التعلم العميق، واجه تعلم الآلة مشكلة في كيفية استخلاص الخصائص المناسبة من مجموعات البيانات غير المهيكلة مثل الصور والنصوص والصوت؛ وكان في البداية على الأشخاص تحديد الخصائص التي قد تكون مهمة لتحليل البيانات في عملية يدوية شاق. على سبيل المثال، أخذ صورة والقول “هناك حافة في هذا الجزء، هناك دائرة في هذه المنطقة…”. كان هدف التعلم العميق هو تجاوز الحاجة إلى هذا النوع من هندسة الخصائص، والوصول إلى ما هو مفيد في البيانات الخام كما يفعل الدماغ البشري.

كيف أصبح باحثاً في مجال تعلم الآلة؟

التعليم الأكاديمي هو المنطلق الذي يمكنك أن تبدأ منه – مثل التسجيل في برنامج الماجستير أو الدكتوراه في جامعة محمد بن زايد للذكاء الاصطناعي. ابق على الاطلاع بآخر مستجدات البحث من خلال قراءة الأوراق العلمية و(متابعة أبرز المؤتمرات مثل مؤتمرات NeurIPS و ICMLوICLR). قم بالتواصل مع الباحثين لمحاولة المشاركة في مشاريع بحثية. قم بتجربة خوارزميات مختلفة وشارك في تطوير خوارزميات تعلم الآلة مفتوحة المصدر. انضم إلى مجموعة بحثية، وتواصل مع باحثين آخرين، وانشر أوراقا علمية وشارك في مشاريع لتوسيع تجربتك وإثبات حضورك على الساحة الأكاديمية والبحثية.

ما هي بعض من تطبيقات مجال تعلم الآلة العملية؟

• الرعاية الصحية: يمكن لنماذج تعلم الآلة مساعدة الأطباء في اتخاذ قرارات أفضل، والمساعدة في تشخيص الأمراض، واكتشاف أدوية جديدة، والتنبؤ بنتائج المرضى، وتخصيص العلاجات، وتطوير روبوتات قادرة على إنجاز العمليات الجراحية لتخفيف النقص في الجراحين الذي تعاني منه بعض مناطق العالم.
• التجارة الإلكترونية: يمكن لتعلم الآلة تشغيل محركات أو نظم التوصية التي تقترح المنتجات على المستخدمين بناء على سلوكهم.
• المركبات الذاتية القيادة: تعتمد السيارات ذاتية القيادة على تعلم الآلة لفهم وتفسير البيانات الحسية التي بناء عليها يتم اتخاذ قرارات القيادة.
• معالجة اللغة الطبيعية: تستخدم التطبيقات مثل روبوتات الدردشة والمساعدين الافتراضيين والترجمة الآلية نماذج تعلم الآلة لمعالجة اللغة البشرية وتوليدها.
• التعرف على الصور والفيديو: التعرف على الوجوه، واكتشاف الأشياء، وتحليل الفيديو للأغراض الأمنية والترفيهية.
• الطاقة: تعتمد الصيانة التنبؤية في محطات الطاقة، وتحسين استهلاك الطاقة، وإدارة مصادر الطاقة المتجددة على خوارزميات تعلم الآلة.