ما هو التعلم الآلي؟ Machine Learning
يعتبر علم التعلم الآلي (ML) هو فرع من فروع الذكاء الإصطناعي (AI) فهو يجعل التطبيقات البرمجية بأن تصبح أكثر
دقة في التنبؤ بالنتائج دون أن تكون مبرمجة بشكل صريح للقيام بذلك. حيث تستخدم البيانات
التاريخية كمدخلات
للتنبؤ بالمخرجات الجديدة.
أى أن التعلم اللآلى
هو جعل الخوارزمية تكون أكثر دقة فى التنبؤ. حيث يتوقف نوع الخوارزميات التي تختار
إستعمالها على نوع البيانات التي يريدون التنبؤ بها.
 |
| التعلم الآلى |
أهمية التعلم الآلى
تكمن أهمية التعلم الآلي فى أنه يجعلنا نتنبأ بسلوكيات العملاء وكيفية ادارة أعمال المنظمة، و الأساليب المختلفة لتحديث
المنتجات وأنظمة العمل. حيث أصبح التعلم الآلى جزءاً
مهما من تطوير أعمال المنشآت. وأصبح التعلم الآلي عاملاً تنافسيًا مهمًا للعديد من
الشركات مثل فيس بوك وجوجل واوبر.
حيث تشمل الإستخدامات
الشائعة الأخرى للتعلم الآلى إكتشاف الاحتيال وتصفية البريد العشوائي واكتشاف تهديدات
البرامج الضارة وأتمتة مهام الأعمال والصيانة
التنبؤية. وتعلم القيمة التجارية لتقنيات الذكاء الإصطناعي
المختلفة.
ما هى المناهج
الأساسية للتعلم الآلي؟
هناك أربعة مناهج
أساسية للتعلم الآلي هي:
التعلم الخاضع للإشراف:
في هذا النوع من
التعلم الآلي ، يزود علماء البيانات الخوارزميات ببيانات التدريب ويحددون المتغيرات
التي يريدون من الخوارزمية تقييمها من أجل الإرتباطات.
التعلم غير الخاضع
للإشراف:
يتضمن هذا النوع
من التعلم الآلي خوارزميات تتدرب على البيانات غير المسماة. تقوم الخوارزمية بالبحث
عن أى معلومات ذات مغزي. حيث البيانات الموجوده فى الخوارزميات وأيضا التنبؤات أو التوصيات
التي تتبعها محددة من قبل.
التعلم شبه الخاضع
للإشراف:
يتضمن هذا النهج
للتعلم الآلي مزيجًا من النوعين السابقين. حيث يقوم علماء البيانات بتغذية خوارزمية
يتم تصنيفها في الغالب ببيانات التدريب ، لكن النموذج مجاني لإستكشاف البيانات بمفرده
وتطوير فهمه الخاص لمجموعة البيانات.
التعلم المعزز:
عادة ما يستخدم علماء
البيانات التعلم المعزز لتعليم الآلة لإستكمال عملية متعددة الخطوات لها قواعد محددة
بوضوح. حيث يبرمج مسئولى البيانات خوارزمية لإكمال عملية ما وإعطائها إشارات إيجابية
أو سلبية لتعمل على كيفية إكمال المهمة. ولكن بالنسبة للجزء الأكبر ، وتحدد الخوارزمية
بنفسها المهام التي يجب فعلهالإكمال الخطوات.
كيف يعمل التعلم
الآلي الخاضع للإشراف؟
يتطلب التعلم الآلي
الخاضع للإشراف من عالم البيانات تدريب الخوارزمية مع كل من المدخلات الموصوفة والمخرجات
المرغوبة. وتعد خوارزميات التعلم الخاضعة للإشراف جيدة للمهام التالية:
التصنيف الثنائي:
تقسيم البيانات إلى
فئتين.
التصنيف متعدد الفئات:
الاختيار بين أكثر
من نوعين من الإجابات.
نمذجة الانحدار:
التنبؤ بالقيم المستمرة.
التجميع:
الجمع بين تنبؤات
نماذج التعلم الآلي المتعددة لإنتاج تنبؤ دقيق.
كيف يعمل التعلم
الآلي غير الخاضع للإشراف؟
لا تتطلب خوارزميات
التعلم الآلي غير الخاضعة للإشراف تسمية البيانات. يقومون بفحص البيانات غير المسماة
للبحث عن الأنماط التي يمكن إستخدامها لتجميع نقاط البيانات في مجموعات فرعية. فى معظم
أنواع التعلم العميق ، بما في ذلك الشبكات العصبية ، وهي خوارزميات غير خاضعة للإشراف.
تعد خوارزميات التعلم
غير الخاضعة للإشراف جيدة للمهام التالية:
التجميع:
تقسيم مجموعة البيانات
إلى مجموعات على أساس التشابه.
اكتشاف الشذوذ:
تحديد نقاط البيانات
غير العادية في مجموعة البيانات.
التنقيب الجماعي:
تحديد مجموعات العناصر
في مجموعة البيانات التي تحدث بشكل متكرر معًا.
تقليل الأبعاد:
تقليل عدد المتغيرات
في مجموعة البيانات.
كيف يعمل التعلم
شبه الخاضع للإشراف؟
يعمل التعلم شبه
الخاضع للإشراف بواسطة علماء البيانات على تغذية كمية صغيرة من بيانات التدريب المسمى
إلى خوارزمية. من هذا ، تتعلم الخوارزمية أبعاد مجموعة البيانات.
والتي يمكن بعد ذلك
تطبيقها على البيانات الجديدة غير المسماة. حيث يتحسن آداء الخوارزميات عادة عندما
تتدرب على مجموعات البيانات المصنفة. لكن تصنيف البيانات يمكن أن يكون مستهلكًا للوقت
ومكلفًا.
يضع التعلم شبه الخاضع
للإشراف أرضية وسط بين أداء التعلم الخاضع للإشراف وكفاءة التعلم غير الخاضع للإشراف.
تشمل بعض المجالات
التي يتم فيها استخدام التعلم شبه الخاضع للإشراف ما يلي:
الترجمة الآلية:
تعليم الخوارزميات
لترجمة اللغة وتزويدها بقاموس لمفردات اللغة المراد الترجمة اليها.
كشف الاحتيال:
تحديد حالات الاحتيال
عندما يكون لديك بعض الأمثلة الإيجابية فقط.
بيانات وضع العلامات:
يمكن للخوارزميات
المدربة على مجموعات البيانات الصغيرة أن تتعلم كيفية تطبيق تسميات للبيانات على مجموعات
أكبر تلقائيًا.
كيف يعمل التعلم
المعزز؟
يعمل التعلم المعزز
عن طريق برمجة خوارزمية ذات هدف مميز ومجموعة محددة من القواعد لتحقيق هذا الهدف. يقوم
علماء البيانات أيضًا ببرمجة الخوارزمية للحصول على مكافآت إيجابية - التي تحصل عليها
عندما تقوم بعمل مفيد لتحقيق الهدف النهائي - وتجنب العقوبات - التي تتلقاها عندما
تؤدي إجراءً يجعلها بعيدةً عن نهايتها وهى الهدف المراد تحقيقه.
غالبًا ما يستخدم
التعلم المعزز في مجالات مثل:
الروبوتات:
يمكن أن تتعلم الروبوتات
أداء المهام في العالم المادي بإستخدام هذه التقنية.
أسلوب اللعب بالفيديو:
تم إستخدام التعلم
المعزز لتعليم الروبوتات تشغيل عدد من ألعاب الفيديو.
إدارة الموارد:
بالنظر إلى الموارد
المحدودة والهدف المحدد ، يمكن أن يساعد التعلم المعزز المؤسسات على تخطيط كيفية تخصيص
الموارد.
من يستخدم التعلم
الآلي ولماذا يستخدم؟
اليوم ، يتم استخدام
التعلم الآلي في مجموعة واسعة من التطبيقات. ربما يكون أحد أشهر الأمثلة على التعلم
الآلي في العمل هو محرك التوصية الذي يدعم موجز الأخبار على Facebook.
يستخدم Facebook التعلم الآلي لتخصيص كيفية تسليم خلاصة
كل عضو. إذا توقف أحد الأعضاء كثيرًا عن قراءة منشورات مجموعة معينة ، فسيبدأ محرك
التوصيات في إظهار المزيد من نشاط هذه المجموعة في وقت سابق في الخلاصة.
وراء الكواليس ، يحاول المحرك تعزيز الأنماط المعروفة في سلوك الأعضاء عبر الإنترنت. ويتم تعديل هذه الانماط حسب سلوك المتلقي .
بالإضافة إلى محركات
التوصية ، تشتمل الاستخدامات الأخرى للتعلم الآلي على ما يلي:
إدارة علاقات العملاء
يمكن لبرنامج CRM استخدام أساليب التعلم الآلي لتحليل البريد
الإلكتروني الوارد ومن ثم يقوم مسئولى خدمة العملاء بالرد عليها . يمكن
للأنظمة الأكثر تقدمًا أن توصي باستجابات يحتمل أن تكون فعالة.
ذكاء الأعمال
يستخدم موردو ذكاء
الأعمال وتحليلات التعلم الآلي في برامجهم لتحديد نقاط البيانات المهمة المحتملة وأنماط
نقاط البيانات والحالات الشاذة.
نظم معلومات الموارد
البشرية
يمكن لأنظمة HRIS استخدام نماذج التعلم الآلي للتصفية من
خلال التطبيقات وتحديد أفضل المرشحين للوظيفة الشاغرة.
سيارات ذاتية القيادة
يمكن لخوارزميات
التعلم الآلي أن تجعل من الممكن لسيارة شبه مستقلة للتعرف على جسم مرئي جزئيًا وتنبيه
السائق.
مساعدين افتراضيين
عادةً ما يجمع المساعدون
الأذكياء بين نماذج التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف لتفسير الكلام
الطبيعي وسياق العرض.
ما هي مزايا وعيوب
التعلم الآلي؟
مزايا التعلم الآلى
شهد التعلم الآلي
حالات استخدام تتراوح من التنبؤ بسلوك العميل إلى تشكيل نظام التشغيل للسيارات ذاتية
القيادة.
عندما يتعلق الأمر
بالمزايا ، يمكن أن يساعد التعلم الآلي المؤسسات على فهم عملائها على مستوى أعمق. من
خلال جمع بيانات العملاء وربطها بالسلوكيات بمرور الوقت ، يمكن لخوارزميات التعلم الآلي
أن تتعلم العمل الجماعي وتساعد الفرق على تصميم مبادرات تطوير المنتجات والتسويق حسب
طلب العملاء.
تستخدم بعض الشركات
التعلم الآلي كمحرك أساسي في نماذج أعمالها. تستخدم أوبر ، على سبيل المثال ، الخوارزميات
لمطابقة السائقين مع الركاب. تستخدم Google التعلم الآلي لإبراز إعلانات الرحلات في عمليات البحث.
عيوب التعلم الآلي
لكن التعلم الآلي
له عيوب.
أولا : وقبل كل شيء
، يمكن أن يكون مكلفا. عادة ما يقود مشاريع التعلم الآلي علماء البيانات الذين يتقاضون
رواتب عالية.
ثانيا : تتطلب مشاريع
التعلم الآلي بنية تحتية للبرامج يمكن أن تكون باهظة الثمن أيضا.
ثالثا : هناك أيضًا
مشكلة تحيز التعلم الآلي. يمكن أن تؤدي الخوارزميات المدربة على مجموعات البيانات التي
تستبعد مجموعات سكانية معينة أو تحتوي على أخطاء إلى نماذج غير دقيقة للعالم تفشل في
أحسن الأحوال وتكون تمييزية في أسوأ الأحوال. عندما تؤسس مؤسسة عمليات الأعمال الأساسية
على نماذج متحيزة ، يمكن أن تتعرض للضرر التنظيمي والسمعة.
كيفية اختيار نموذج
التعلم الآلي المناسب؟
يمكن أن تستغرق عملية
إختيار نموذج التعلم الآلي المناسب لحل مشكلة وقتًا طويلاً إذا لم يتم التعامل معها
بشكل استراتيجي.
الخطوة 1:
قم بمحاذاة المشكلة مع مدخلات البيانات
المحتملة التي يجب أخذها في الاعتبار للحل. تتطلب هذه الخطوة المساعدة من علماء البيانات
والخبراء الذين لديهم فهم عميق للمشكلة.
الخطوة 2:
جمع البيانات وتنسيقها وتسمية البيانات
إذا لزم الأمر. عادة ما يقود هذه الخطوة علماء البيانات ، بمساعدة مراقبي البيانات.
الخطوة 3: اختر الخوارزمية (الخوارزميات)
التي ستستخدمها واختبرها لترى مدى أدائها الجيد. عادة ما يتم تنفيذ هذه الخطوة من قبل
علماء البيانات.
الخطوة 4:
استمر في ضبط المخرجات
حتى تصل إلى مستوى مقبول من الدقة. مع ملاحظات من الخبراء الذين لديهم فهم عميق للمشكلة.
نماذج التعلم
الآلي
قد يكون شرح كيفية
عمل نموذج للتعلم الآلي ML معين تحديًا عندما يكون النموذج معقدًا.
هناك بعض الصناعات الرأسية حيث يتعين على علماء البيانات استخدام نماذج التعلم الآلي
البسيطة لأنه من المهم للأعمال التجارية شرح كيفية اتخاذ كل قرار. هذا صحيح بشكل خاص
في الصناعات ذات أعباء الامتثال الثقيلة مثل البنوك والتأمين.
يمكن أن تنتج النماذج
المعقدة تنبؤات دقيقة ، ولكن شرح كيفية تحديد المخرجات لشخص عادي يمكن أن يكون صعبًا.
تعليقات
إرسال تعليق
يشرفنا ترك تعليقك ومعرفة رأيك فى المحتوى