ما هو التعلم الآلي؟

لنتعلم مهارة ، يجب أن نجمع المعرفة ، ونتدرب بعناية ، ونراقب أدائنا. في النهاية ، نصبح أفضل في هذا النشاط. التعلم الآلي هو أسلوب يسمح لأجهزة الكمبيوتر بالقيام بذلك.

هل يمكن لأجهزة الكمبيوتر أن تتعلم؟

تحديد الذكاء صعب. نعلم جميعًا ما نعنيه بالذكاء عندما نقوله ، لكن وصفه يمثل مشكلة. بغض النظر عن العاطفة والوعي الذاتي ، يمكن أن يكون الوصف العملي هو القدرة على تعلم مهارات جديدة واستيعاب المعرفة وتطبيقها على مواقف جديدة لتحقيق النتيجة المرجوة.

نظرًا لصعوبة تعريف الذكاء ، لن يكون تحديد الذكاء الاصطناعي أسهل. لذا ، سنخدع أنفسنا قليلاً. إذا كان جهاز الكمبيوتر قادرًا على القيام بشيء يتطلب عادةً التفكير البشري والذكاء ، فسنقول أنه يستخدم الذكاء الاصطناعي.

على سبيل المثال ، يمكن لأدوات التحدث الذكية مثل Amazon Echo و Google Nest سماع تعليماتنا المنطوقة ، وتفسير الأصوات على أنها كلمات ، واستخراج معنى الكلمات ، ثم محاولة تلبية طلبنا. قد نطلب منها تشغيل الموسيقى أو الإجابة على سؤال أو تعتيم الأضواء.

في جميع التفاعلات باستثناء أبسطها ، يتم نقل أوامرك المنطوقة إلى أجهزة كمبيوتر قوية في سحابات الشركات المصنعة ، حيث يتم تنفيذ الذكاء الاصطناعي. يتم تحليل الأمر واستخراج المعنى وإعداد الاستجابة وإرسالها مرة أخرى إلى السماعة الذكية.

يدعم التعلم الآلي غالبية أنظمة الذكاء الاصطناعي التي نتفاعل معها. بعض هذه العناصر موجودة في منزلك مثل الأجهزة الذكية ، والبعض الآخر جزء من الخدمات التي نستخدمها عبر الإنترنت. تستخدم توصيات الفيديو على YouTube و Netflix وقوائم التشغيل التلقائية على Spotify التعلم الآلي. تعتمد محركات البحث على التعلم الآلي ، ويستخدم التسوق عبر الإنترنت التعلم الآلي ليقدم لك اقتراحات الشراء بناءً على سجل التصفح وسجل الشراء.

يمكن لأجهزة الكمبيوتر الوصول إلى مجموعات بيانات هائلة. يمكنها تكرار العمليات بلا كلل آلاف المرات داخل الفضاء الذي سيستغرقه الإنسان لإجراء تكرار واحد – إذا تمكن الإنسان من القيام بذلك مرة واحدة. لذلك ، إذا كان التعلم يتطلب المعرفة والممارسة وردود الفعل على الأداء ، فيجب أن يكون الكمبيوتر هو المرشح المثالي.

هذا لا يعني أن الكمبيوتر سيكون قادرًا حقًا على التفكير بالمعنى البشري ، أو الفهم والإدراك كما نفعل نحن. لكنه سيتعلم ويتحسن بالممارسة. يمكن لنظام التعلم الآلي ، المبرمج بمهارة ، أن يحقق انطباعًا لائقًا عن كيان واعي.

اعتدنا أن نسأل ، “هل يمكن لأجهزة الكمبيوتر أن تتعلم؟” تحول ذلك في النهاية إلى سؤال عملي أكثر. ما هي التحديات الهندسية التي يجب التغلب عليها للسماح لأجهزة الكمبيوتر بالتعلم؟

الشبكات العصبية والشبكات العصبية العميقة

تحتوي أدمغة الحيوانات على شبكات من الخلايا العصبية. يمكن للخلايا العصبية إطلاق إشارات عبر المشبك إلى الخلايا العصبية الأخرى. هذا العمل الصغير – الذي يتم تكراره ملايين المرات – يؤدي إلى عمليات تفكيرنا وذكرياتنا. من بين العديد من اللبنات الأساسية ، خلقت الطبيعة عقولًا واعية والقدرة على التفكير والتذكر.

مستوحاة من الشبكات العصبية البيولوجية ، تم إنشاء الشبكات العصبية الاصطناعية لتقليد بعض خصائص نظيراتها العضوية. منذ أربعينيات القرن الماضي ، تم تطوير الأجهزة والبرامج التي تحتوي على آلاف أو ملايين العقد. تستقبل العقد ، مثل الخلايا العصبية ، إشارات من العقد الأخرى. يمكنها أيضًا إنشاء إشارات لتغذية العقد الأخرى. يمكن للعقد قبول المدخلات من العديد من العقد وإرسال إشارات إليها في وقت واحد.

إذا استنتج حيوان ما أن الحشرات الطائرة الصفراء والسوداء دائمًا ما تسبب له لدغة سيئة ، فسوف يتجنب جميع الحشرات الطائرة الصفراء والسوداء. تستفيد الحوامة من هذا. إنه أصفر وأسود مثل دبور ، لكن ليس له لدغة. الحيوانات التي تشابكت مع الدبابير وتعلمت درسًا مؤلمًا تعطي الحوامة رصيفًا واسعًا أيضًا. يرى حشرة طائرة ذات مخطط ألوان مذهل ويقرر أن الوقت قد حان للتراجع. حقيقة أن الحشرة يمكن أن تحوم – والدبابير لا تستطيع – لا تؤخذ بعين الاعتبار.

تتخطى أهمية الخطوط الجوية والطنين واللونين الأصفر والأسود كل شيء آخر. تسمى أهمية تلك الإشارات ترجيح تلك المعلومات. يمكن للشبكات العصبية الاصطناعية استخدام الوزن أيضًا. لا تحتاج العقدة إلى اعتبار جميع مدخلاتها متساوية. يمكنه تفضيل بعض الإشارات على الأخرى.

يستخدم التعلم الآلي الإحصائيات للعثور على أنماط في مجموعات البيانات التي تم التدريب عليها. قد تحتوي مجموعة البيانات على كلمات أو أرقام أو صور أو تفاعلات المستخدم مثل النقرات على موقع ويب أو أي شيء آخر يمكن التقاطه وتخزينه رقميًا. يحتاج النظام إلى توصيف العناصر الأساسية للاستعلام ثم مطابقتها مع الأنماط التي اكتشفها في مجموعة البيانات.

إذا كانت تحاول التعرف على زهرة ، فستحتاج إلى معرفة طول الساق وحجم الورقة ونمطها ولون وعدد البتلات وما إلى ذلك. في الواقع ، ستحتاج إلى حقائق أكثر بكثير من تلك ، ولكن في مثالنا البسيط ، سنستخدمها. بمجرد أن يعرف النظام تلك التفاصيل حول عينة الاختبار ، يبدأ عملية اتخاذ القرار التي تنتج تطابقًا من مجموعة البيانات الخاصة به. بشكل مثير للإعجاب ، تُنشئ أنظمة التعلم الآلي شجرة القرار بنفسها.

يتعلم نظام التعلم الآلي من أخطائه عن طريق تحديث خوارزمياته لتصحيح العيوب في منطقه. أكثر الشبكات العصبية تعقيدًا هي الشبكات العصبية العميقة. من الناحية المفاهيمية ، تتكون هذه الشبكات العصبية من عدد كبير جدًا من الشبكات العصبية الموجودة في طبقات فوق الأخرى. يمنح هذا النظام القدرة على اكتشاف واستخدام حتى الأنماط الصغيرة في عمليات اتخاذ القرار الخاصة به.

تُستخدم الطبقات بشكل شائع لتوفير الترجيح. يمكن لما يسمى بالطبقات المخفية أن تعمل بمثابة طبقات “متخصصة”. أنها توفر إشارات مرجحة حول خاصية واحدة لموضوع الاختبار. ربما يستخدم مثال تعريف الزهرة لدينا طبقات مخفية مخصصة لشكل الأوراق أو حجم البراعم أو أطوال السداة.

أنواع التعلم الآلي المختلفة

هناك ثلاث تقنيات واسعة تُستخدم لتدريب أنظمة التعلم الآلي: التعلم الخاضع للإشراف ، والتعلم غير الخاضع للإشراف ، والتعلم المعزز.

التعلم الخاضع للإشراف

التعلم الخاضع للإشراف هو أكثر أشكال التعلم استخدامًا. هذا ليس لأنه متفوق بطبيعته على التقنيات الأخرى. يتعلق الأمر أكثر بمدى ملاءمة هذا النوع من التعلم لمجموعات البيانات المستخدمة في أنظمة التعلم الآلي التي تتم كتابتها اليوم.

في التعلم الخاضع للإشراف ، يتم تصنيف البيانات وتنظيمها بحيث يتم تحديد المعايير المستخدمة في عملية صنع القرار لنظام التعلم الآلي. هذا هو نوع التعلم المستخدم في أنظمة التعلم الآلي وراء اقتراحات قوائم تشغيل YouTube.

تعليم غير مشرف عليه

لا يتطلب التعلم غير الخاضع للإشراف إعداد البيانات. لم يتم تصنيف البيانات. يقوم النظام بمسح البيانات ، ويكشف عن الأنماط الخاصة به ، ويشتق معايير التشغيل الخاصة به.

تم تطبيق تقنيات التعلم غير الخاضعة للإشراف على الأمن السيبراني مع معدلات نجاح عالية. يمكن لأنظمة اكتشاف الدخيل المحسّنة من خلال التعلم الآلي أن تكتشف نشاط الشبكة غير المصرح به للمتطفل لأنه لا يتطابق مع أنماط السلوك التي لوحظت سابقًا للمستخدمين المصرح لهم.

تعزيز التعلم

التعلم المعزز هو الأحدث بين التقنيات الثلاثة. ببساطة ، تستخدم خوارزمية التعلم المعزز التجربة والخطأ وردود الفعل للوصول إلى نموذج السلوك الأمثل لتحقيق هدف معين.

وهذا يتطلب ردود فعل من البشر الذين “يسجلون” جهود النظام وفقًا لما إذا كان سلوكه له تأثير إيجابي أو سلبي في تحقيق هدفه.

الجانب العملي من الذكاء الاصطناعي

نظرًا لأنه منتشر جدًا وله نجاحات يمكن إثباتها في العالم الحقيقي – بما في ذلك النجاحات التجارية – فقد أطلق على التعلم الآلي اسم “الجانب العملي للذكاء الاصطناعي”. إنه نشاط تجاري ضخم ، وهناك العديد من الأطر التجارية القابلة للتطوير والتي تتيح لك دمج التعلم الآلي في عمليات التطوير أو المنتجات الخاصة بك.

إذا لم تكن لديك حاجة فورية لهذا النوع من القوة النارية ولكنك مهتم بالبحث عن نظام للتعلم الآلي بلغة برمجة ودية مثل Python ، فهناك موارد مجانية ممتازة لذلك أيضًا. في الواقع ، سوف تتوسع معك إذا طورت اهتمامًا إضافيًا أو احتياجًا تجاريًا.

• Torch هو إطار مفتوح المصدر للتعلم الآلي معروف بسرعته.
• Scikit-Learn عبارة عن مجموعة من أدوات التعلم الآلي ، خاصة للاستخدام مع Python.
• Caffe هو إطار عمل للتعلم العميق ، وهو متخصص بشكل خاص في معالجة الصور.
• Keras عبارة عن إطار عمل للتعلم العميق بواجهة Python.