شهدت السنوات الأخيرة الكثير من النقاش حول الذكاء الآلي، وما يعنيه للجنس البشري، ومدى أهميته لصحة الإنسان وإنتاجه ورفاهيته, انتهت هذه المناقشات بأننا لا يمكننا إنكار أن التعلم الآلي يعد بمثابة إنقاذ للأرواح، ومعالجة التحديات العالمية؛ مثل: تغير المناخ، وإضافة تريليونات الدولارات إلى الاقتصاد العالمي؛ من خلال زيادة الإنتاج نظرًا لما شهدته السنوات الأخيرة من تقدم كبيرًا في قدرات التعلم الآلي، نتيجة للتطورات التقنية في هذا المجال، وزيادة توافر البيانات، وزيادة القدرة الحاسوبية، نتيجة لهذه التطورات. ‫فإذا كان المجال الواسع للذكاء الاصطناعي (AI) هو علم صنع الآلات الذكية، فإن التعلم الآلي ( Machine Learning ) هو تقنية تسمح لأجهزة الكمبيوتر بأداء مهام محددة بذكاء، من خلال التعلم من الأمثلة.

وبالتالي يمكن لهذه الأنظمة تنفيذ عمليات معقدة من خلال التعلم من البيانات، بدلًا من اتباع القواعد المبرمجة مسبقًا.

 كما يمكنها تنفيذ عمليات ومهام يصعب على الإنسان تنفيذها،  نتيجة للتقنيات التي يعتمد عليها التعليم الآلي، ولكن قبل التطرق إلى تقنيات تعلم الآلة دعونا نعلم معنى مجال الـ Machine Learning.

ما هو التعلم الآلي Machine learning ؟

• يُعرف ال machine learning وفقاً لباحث أرثر 1959، بأنه فرع من فروع علوم الكمبيوتر، الذي يحاول جعل الأجهزة قادرة على التعلم دون الحاجة إلى برمجتها برمجة حرفية.
• هو شكل من أشكال الذكاء الاصطناعي (AI) الذي يعلم أجهزة الكمبيوتر التفكير بطريقة مماثلة لما يفعله البشر.
• يُعرف أيضًا بأنه تقنية تسمح لأجهزة الكمبيوتر بالتعلم مباشرة من الأمثلة والخبرة في شكل بيانات.
• مجملاً بكل بساطة، يمكن تعريف ال machine learning بتعليم الآلات لتقوم بالمهام بنفسها دون الحاجة إلى برمجتها برمجة حرفية في كل مره لأداء مهمة معينة، وإنما برمجتها بطريقة تكون قادرة فيها على التعلم لأداء العديد من المهام المختلفة.

طرق تعلم الآلة ( Machine Learning )

في تعلّم الآلة، يتم تصنيف المهام بشكل عام إلى فئات واسعة، تستند هذه الفئات إلى كيفية تلقي التعلم أو كيفية تقديم التغذية الراجعة حول التعلم للنظام الذي تم تطويره.

هناك العديد من  أنواع التعلم الآلي، ولكن هناك اثنان من أكثر أساليب تعلم الآلة انتشارًا، هما: التعليم المراقب الذي يقوم بتدريب الخوارزميات على أساس بيانات المدخلات والمخرجات التي تحمل علامة البشر، والتعلّم غير الخاضع للإشراف الذي يوفر للخوارزمية بيانات بلا تسميات للسماح لها بالبحث عن البنية ضمن بيانات الإدخال الخاصة بها.

 دعونا نستكشف هذه الأساليب بمزيد من التفصيل.

التعلم تحت الإشراف (Supervised Learning)

في التعليم الخاضع للإشراف يتم تزويد الكمبيوتر بمدخلات من قبيل المدخلات التي تحمل علامات بنواتجها المرغوبة، والغرض من هذه الطريقة هو تمكين الخوارزمية من “التعلم” من خلال مقارنة ناتجها الفعلي بالنواتج “التي تم تدريسها” لإيجاد الأخطاء وتعديل النموذج وفقًا لذلك. وبالتالي، يستخدم التعلم الخاضع للإشراف الأنماط لتوقع قيم التسمية على بيانات إضافية غير مسماة.

على سبيل المثال، في التعليم الخاضع للإشراف، قد يتم تغذية البيانات باستخدام خوارزمية مع صور أسماك القرش التي تحمل علامة الأسماك وصور المحيطات التي تحمل علامة الماء. ومن خلال التدريب على هذه البيانات، ينبغي أن تكون خوارزمية التعلم الخاضعة للإشراف قادرة في وقت لاحق على تحديد صور أسماك القرش غير المسماة، كأسماك وصور المحيطات غير المسماة كماء.

التعلم بدون إشراف (Unsupervised Learning)

يصف التعلم غير الخاضع للإشراف فئة من المسائل التي تتضمن استخدام نموذج لوصف العلاقات أو استخراجها في البيانات، وبالمقارنة مع التعليم الخاضع للإشراف، لا يعمل التعليم بدون إشراف إلا على بيانات المدخلات دون نواتج أو متغيرات مستهدفة. وعلى هذا النحو، لا يقوم المعلم بتصحيح النموذج، كما هو الحال في التعليم الخاضع للإشراف. كما أنه في التعلم غير الخاضع للإشراف لا يوجد معلم أو مصحح، ويجب أن تتعلم الخوارزمية كيفية فهم البيانات بدون هذا الدليل.

وعلى الرغم من تعدد أنواع التعلم غير الخاضع للإشراف، إلا أن هناك مشكلتين رئيسيتين كثيرًا ما يواجهها الممارس، وهما: التجميع أو التكتل الذي ينطوي على إيجاد مجموعات في تقدير البيانات والكثافة الذي يتضمن تلخيص توزيع البيانات.

التكتل: مشكلة تعلم غير خاضعة للإشراف، تتضمن العثور على مجموعات في البيانات.

تقدير الكثافة: مشكلة تعلم غير خاضعة للإشراف، تتضمن تلخيص توزيع البيانات. 

تعزيز التعلم (Reinforcement Learning)

إن تعلم التعزيز هو الطريقة الوحيدة الممكنة لتدريب البرامج أو الآلات على الأداء على مستويات عالية. 

حيث يصف تعلم التعزيز فئة من المسائل التي يعمل فيها العامل في بيئة ما، ويجب أن يتعلم كيفية العمل باستخدام التغذية الراجعة، وفي هذا النوع لا يتم إخبار المتعلم بالإجراءات التي ينبغي أن يتخذها، بل يتعين عليه بدلًا من ذلك أن يكتشف أي الإجراءات تحقق القدر الأعظم من الكفاءة، من خلال تجربته.

التعلم شبه الخاضع للإشراف (Semi-Supervised Learning)

التعلم شبه الخاضع للإشراف هو التعلم تحت الإشراف، حيث تحتوي بيانات التدريب على عدد قليل من الأمثلة التي تحمل علامات، وعدد كبير من الأمثلة غير المسماة.

والهدف من  نموذج التعلم شبه الخاضع للإشراف هو الاستفادة من جميع البيانات المتاحة بفعالية، و ليست البيانات المصنفة كما في التعليم الخاضع للإشراف فحسب.

التعلم الذي يتم الإشراف عليه ذاتيًا (Self-Supervised Learning)

يشير التعلم الذي يتم الإشراف عليه ذاتيًا إلى مشكلة تعلم غير خاضعة للإشراف، يتم صياغتها على أنها مشكلة تعلم خاضعة للإشراف من أجل تطبيق خوارزميات تعلم الآلة.

الخاضعة للإشراف لحلها.

استخدامات التعلم الآلي ( machine learning )

فيما يلي، نشارك أمثلة على التعلم الآلي الذي نستخدمه يوميًا، وربما لا نعرف أن هذه الأمثلة مدفوعة

المساعدون الشخصيين الافتراضيين

مثل Siri ،Alexa وGoogle  تلك هي بعض الأمثلة الشائعة للمساعدين الشخصيين الافتراضيين الذين نستخدمهم يوميًا، إنهم يساعدون في العثور على المعلومات عن  طريق الصوت. وكل ما عليك أن تفعله هو تفعيلها وطرح الأسئلة.

على سبيل المثال: “ما هو الجدول الزمني لليوم؟” أو “ما هي الرحلات الجوية من ألمانيا إلى لندن”، أو أسئلة مماثلة. للرد، يبحث المساعد الشخصي عن المعلومات، أو يستعيد الاستعلامات ذات الصلة، أو يرسل أمرًا إلى موارد أخرى مثل: (تطبيقات الهاتف لجمع المعلومات) ومن ثم الإجابة. يمكنك حتى إرشاد المساعدين إلى مهام معينة مثل “تعيين منبه لـ 6 صباحًا في الصباح التالي”، “تذكيري بزيارة مكتب التأشيرات بعد يوم من الغد”.

لذلك يُعد تعلم الآلة جزءًا مهمًا من هؤلاء المساعدين الشخصيين، حيث يقومون بجمع المعلومات وتنقيحها على أساس مشاركتك السابقة معهم. وفي وقت لاحق، يتم استخدام مجموعة البيانات هذه لعرض النتائج التي تم تخصيصها حسب تفضيلاتك.

مراقبة مقاطع الفيديو

تخيل شخصًا واحدًا يراقب كاميرات فيديو متعددة! لا شك أن القيام بعمل كهذا صعب وممل أيضًا. ولهذا السبب فإن فكرة تدريب أجهزة الكمبيوتر على القيام بهذه المهمة أمر جيد، لذلك إن نظام مراقبة الفيديو اليوم يعتمد على الذكاء الاصطناعي، الذي يجعل من الممكن اكتشاف الجريمة قبل حدوثها.

فهم قادرين على التعرف على سلوك غير عادي من جانب أشخاص، مثل: الوقوف بلا حركة لفترة طويلة، أو التعثر، وهذا يعني أن النظام قادر على تنبيه الحضور البشري، وهو ما قد يساعد في النهاية في تجنب الحوادث المؤسفة.

تحسين نتائج محرك البحث

تستخدم Google ومحركات البحث الأخرى تعلّم الآلة لتحسين نتائج البحث عنك. في كل مرة تقوم فيها بإجراء بحث، تحتفظ الخوارزميات الموجودة في الجهة الخلفية بساعة حول كيفية استجابتك للنتائج. إذا فتحت النتائج العليا وبقوا على صفحة ويب لفترة طويلة، يفترض محرك البحث أن النتائج التي عرضها كانت متوافقة مع الاستعلام. وبالمثل، إذا وصلت إلى الصفحة الثانية أو الثالثة من نتائج البحث ولكن لم تفتح أيًا من النتائج، فإن محرك البحث يقدر أن النتائج التي تم تقديمها لا تطابق المتطلبات. وبهذه الطريقة، تعمل الخوارزميات التي تعمل في الواجهة الخلفية على تحسين نتائج البحث.

كشف الاحتيال عبر الإنترنت

يوم بعد يوم يثبت التعلم الآلي قدرته على جعل الفضاء الإلكتروني مكانًا آمنًا وتعقب الاحتيال النقدي على شبكة الإنترنت من بين الأمثلة التي قد يجسدها. على سبيل المثال: تستخدم PayPal ML للحماية من غسيل الأموال. وتستخدم الشركة مجموعة من الأدوات التي تساعدها في مقارنة الملايين من المعاملات الجارية والتمييز بين المعاملات المشروعة أو غير المشروعة التي تتم بين المشترين والبائعين.

 تطبيقات تعلم الآلة ( machine learning )

تطبيق فيس بوك  

من أكثر تطبيقات “تعلّم الآلة شيوعًا هو فيس بوك، يستخدم فيس بوك ميزة اكتشاف الوجه والتعرف على الصورة للعثور تلقائيًا على وجه الشخص الذي يطابق قاعدة البيانات الخاصة به، ومن ثم يقترح علينا الإشارة إلى ذلك الشخص استنادًا إلى Deep Face.

تطبيق سناب شات

اتخذ تطبيق سناب شات العديد من المميزات الرئيسية من تقنيات تعلم الآلة في الفلترات المستخدمة بالتطبيق، كإضافة العديد من المؤثرات والأشكال، كالورد والنظارات والقبعات وأشكال القطط.

 تطبيق التعرف على الكلام

تطبيق آخر من التطبيقات المعتمدة على تقنيات تعلم الآلة،  يعد نظام التعرف على الكلام الذي يستخدم أسلوب تعلم الآلة أفضل من أداء نظام التعرف على الكلام باستخدام طريقة تقليدية؛ لأن النظام، في أسلوب تعلم الآلة، يتم تدريبه قبل أن يتم التحقق من صحته، كما يعمل برنامج التعرف على الكلام الخاص بتعلّم الآلة على مرحلتين تعليميتين:

1) قبل شراء البرنامج (تدريب البرنامج في مجال مستقل).

2) بعد شراء المستخدم للبرنامج (تدريب البرنامج في مجال يعتمد عليه المتحدث).

ويمكن استخدام هذا التطبيق أيضًا لإجراء المزيد من التحليل، أي مجال الرعاية الصحية والتعليم والعسكري.

تحديد العمر/ الجنس

أصبحت المهمة المتعلقة بالطب الشرعي مؤخرًا قضية بحث مهمة في عالم البحوث، ويعمل العديد من الباحثين على جلب نظام فعّال وكفء لتطوير نظام البحث وفي هذا السياق، فإن تحديد العمر أو نوع الجنس مهمة هامة في حالات كثيرة. يمكن إجراء تحديد العمر أو الجنس باستخدام خوارزمية تعلّم الآلة والذكاء الاصطناعي، أي باستخدام مصنف SVM.

الخاتمة

أجرت الجمعية الملكية أبحاثًا لفهم آراء الجمهور تجاه التعلم الآلي عن ما إذا كان مفيدًا أو مُضرًَا لحياتهم، جاءت آراء معظم الناس لم يكونوا على علم بالمصطلح، لكنهم يعرفون بعض تطبيقاته. لم يكن هناك رأي مشترك واحد، مع مواقف إيجابية وسلبية على حد سواء، حيث  جاءت الآراء متفاوتة، اعتمادًا على الظروف التي يتم فيها استخدام التعلم الآلي، لذلك سيبقى النقاش حول نافعية ال machine learning من ضرره نقاشًا أبديًا وفقًا للبيئة والظروف المستخدم فيها.

لطلب خدماتنا  التسويقية مثل Brand identity هوية العلامة التجارية و Motion graphics الموشن جرافيك و Mobile Apps تطبيق الجوال وغيرها  احصل عليها من المتجر او تواصل معانا

المصادر

كتاب  machine learning

موقع mathworks

موقع cio