تعتمد بعض أهم التقنيات التي نستخدمها، مثل تطبيقات الترجمة والمركبات الذاتية القيادة، على تعلُّم الآلة. تشرح هذه الدورة التدريبية المفاهيم الأساسية التي تستند إليها تكنولوجيات تعلُّم الآلة.
توفّر تكنولوجيات تعلُّم الآلة طريقة جديدة لحلّ المشاكل والإجابة عن الأسئلة المعقّدة وإنشاء محتوى جديد. يمكن أن تتوقّع تكنولوجيات تعلُّم الآلة أحوال الطقس، وتقدّر مدة الرحلات، وتقترح الأغاني، وتكمل الجمل تلقائيًا، وتلخّص المقالات، وتنشئ صورًا لم يسبق رؤيتها.
بشكل أساسي، يشير تعلُّم الآلة إلى عملية تدريب برنامج يُعرف باسم النموذج، وذلك بهدف التوصّل إلى توقّعات مفيدة أو إنشاء محتوى (مثل النصوص أو الصور أو الملفات الصوتية أو الفيديوهات) من البيانات.
على سبيل المثال، لنفترض أنّنا أردنا إنشاء تطبيق للتنبؤ بكمية الأمطار. يمكننا استخدام نهج تقليدي أو نهج يستند إلى تعلُّم الآلة. باستخدام نهج تقليدي، سننشئ تمثيلاً للغلاف الجوي وسطح الأرض استنادًا إلى الفيزياء، ونحسب كميات هائلة من معادلات ديناميكا الموائع. وهذا أمر بالغ الصعوبة.
باستخدام أسلوب تعلُّم الآلة، سنزوّد نموذج تعلُّم الآلة بكميات هائلة من بيانات الطقس إلى أن يتعلّم النموذج في النهاية العلاقة الرياضية بين أنماط الطقس التي تؤدي إلى هطول كميات مختلفة من الأمطار. بعد ذلك، نزوّد النموذج ببيانات الطقس الحالية، ويتوقّع النموذج كمية الأمطار.
التحقّق من فهمك
أنواع أنظمة تعلُّم الآلة
تندرج أنظمة تعلُّم الآلة ضمن فئة واحدة أو أكثر من الفئات التالية استنادًا إلى طريقة تعلّمها إجراء التوقعات أو إنشاء المحتوى:
- التعلُّم الموجَّه
- التعلُّم غير الموجَّه
- التعلّم التعزيزي
- الذكاء الاصطناعي التوليدي
التعلُّم الموجَّه
يمكن لنماذج تعلُّم الآلة الخاضع للإشراف تقديم توقّعات بعد الاطّلاع على الكثير من البيانات التي تتضمّن الإجابات الصحيحة، ثم اكتشاف الروابط بين العناصر في البيانات التي تؤدي إلى الإجابات الصحيحة. يشبه ذلك تعلّم الطالب مادة جديدة من خلال دراسة اختبارات قديمة تتضمّن أسئلة وأجوبة. بعد أن يتدرب الطالب على عدد كافٍ من الاختبارات القديمة، يصبح مستعدًا جيدًا لإجراء اختبار جديد. تخضع أنظمة تعلُّم الآلة هذه "للإشراف" بمعنى أنّ أحد الأشخاص يقدّم إلى نظام تعلُّم الآلة بيانات تتضمّن النتائج الصحيحة المعروفة.
من أكثر حالات الاستخدام شيوعًا للتعلّم الخاضع للإشراف، الانحدار والتصنيف.
الانحدار
يتنبأ نموذج الانحدار بقيمة رقمية. على سبيل المثال، نموذج الطقس الذي يتنبأ بكمية الأمطار بالبوصة أو المليمتر هو نموذج انحدار.
اطّلِع على الجدول أدناه لمعرفة المزيد من الأمثلة على نماذج الانحدار:
| السيناريو | بيانات الإدخال المحتملة | التوقّع العددي |
|---|---|---|
| سعر المنزل المستقبلي | المساحة بالمتر المربع والرمز البريدي وعدد غرف النوم والحمامات ومساحة قطعة الأرض ومعدل فائدة الرهن العقاري ومعدل الضريبة العقارية وتكاليف البناء وعدد المنازل المعروضة للبيع في المنطقة | تمثّل هذه السمة سعر المنزل. |
| وقت الرحلة المستقبلي | حالات المرور السابقة (التي يتم جمعها من الهواتف الذكية وأجهزة استشعار حركة المرور وتطبيقات طلب سيارات الأجرة والتطبيقات الأخرى الخاصة بالتنقّل) والمسافة المتبقية للوصول إلى الوجهة وحالات الطقس | الوقت بالدقائق والثواني للوصول إلى وجهة. |
التصنيف
تتنبأ نماذج التصنيف باحتمالية انتماء عنصر ما إلى فئة معيّنة. على عكس نماذج الانحدار التي يكون الناتج فيها رقمًا، تنتج نماذج التصنيف قيمة تحدّد ما إذا كان شيء ما ينتمي إلى فئة معيّنة أم لا. على سبيل المثال، تُستخدم نماذج التصنيف للتنبؤ بما إذا كانت رسالة إلكترونية غير مرغوب فيها أو ما إذا كانت صورة تحتوي على قطة.
تنقسم نماذج التصنيف إلى مجموعتَين: التصنيف الثنائي والتصنيف المتعدد الفئات. تُخرج نماذج التصنيف الثنائي قيمة من فئة تحتوي على قيمتين فقط، مثل نموذج يُخرج إما rain أو no rain. تُخرج نماذج التصنيف المتعدد الفئات قيمة من فئة تحتوي على أكثر من قيمتَين، مثل نموذج يمكنه إخراج rain أو hail أو snow أو sleet.
التحقّق من فهمك
التعلُّم غير الموجَّه
تُصدر نماذج التعلّم غير الموجّه توقّعات من خلال تزويدها ببيانات لا تتضمّن أي إجابات صحيحة. يهدف نموذج التعلّم غير المراقَب إلى تحديد أنماط مفيدة بين البيانات. بعبارة أخرى، لا يتضمّن النموذج أي تلميحات حول كيفية تصنيف كل جزء من البيانات، بل يجب أن يستنتج قواعده الخاصة.
يستخدم أحد نماذج التعلّم غير الخاضع للإشراف الشائعة أسلوبًا يُعرف باسم التجميع. يجد النموذج نقاط البيانات التي تحدّد المجموعات الطبيعية.
الشكل 1 نموذج تعلُّم آلي يجمع نقاط البيانات المتشابهة في مجموعات.
الشكل 2 مجموعات من المجموعات الفرعية ذات حدود طبيعية
يختلف التجميع عن التصنيف لأنّ الفئات لا يحدّدها المستخدم. على سبيل المثال، قد يجمّع نموذج غير خاضع للإشراف مجموعة بيانات الطقس استنادًا إلى درجة الحرارة، ما يؤدي إلى ظهور تصنيفات تحدّد الفصول. يمكنك بعد ذلك محاولة تسمية هذه المجموعات استنادًا إلى فهمك لمجموعة البيانات.
الشكل 3 نموذج تعلُّم آلي يجمع أنماط الطقس المتشابهة
الشكل 4 مجموعات من أنماط الطقس مصنّفة على أنّها ثلج، أو مطر متجمد، أو مطر، أو لا مطر
التحقّق من فهمك
التعلّم التعزيزي
تُصدر نماذج التعلّم التعزيزي توقعات من خلال الحصول على مكافآت أو عقوبات استنادًا إلى الإجراءات التي يتم تنفيذها في بيئة معيّنة. يضع نظام التعلّم المعزّز سياسة تحدّد أفضل استراتيجية للحصول على أكبر عدد من المكافآت.
يتم استخدام التعلّم المعزّز لتدريب الروبوتات على تنفيذ مهام، مثل التجول في غرفة، وبرامج مثل AlphaGo للعب لعبة Go.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو فئة من النماذج التي تنشئ محتوًى من مدخلات المستخدم. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي إنشاء صور فريدة ومقطوعات موسيقية ونكات، ويمكنه تلخيص المقالات أو شرح كيفية تنفيذ مهمة أو تعديل صورة.
يمكن للذكاء الاصطناعي التوليدي تلقّي مجموعة متنوعة من المدخلات وإنشاء مجموعة متنوعة من المخرجات، مثل النصوص والصور والملفات الصوتية والفيديوهات. ويمكنه أيضًا أخذ هذه العناصر وإنشاء مجموعات منها. على سبيل المثال، يمكن أن يتلقّى النموذج صورة كمدخل وينتج صورة ونصًا كمخرج، أو يتلقّى صورة ونصًا كمدخل وينتج فيديو كمخرج.
يمكننا مناقشة النماذج التوليدية من خلال مدخلاتها ومخرجاتها، والتي تتم كتابتها عادةً على النحو التالي: "نوع المدخلات" إلى "نوع المخرجات". على سبيل المثال، في ما يلي قائمة جزئية ببعض المدخلات والمخرجات الخاصة بالنماذج التوليدية:
- طلبات وردود نصية
- تحويل النص إلى صورة
- تحويل النص إلى فيديو
- تحويل النص إلى رمز
- نص إلى كلام
- الصور وتحويل النص إلى صورة
يتضمّن الجدول التالي أمثلة على النماذج التوليدية والمدخلات الخاصة بها والنتائج المحتملة:
| الطراز | الإدخال | مثال على الناتج |
|---|---|---|
| طلبات وردود نصية | مَن اخترع سباق "لو مان"؟ |
تأسس سباق "24 ساعة من لومان" على يد نادي السيارات الغربي (ACO)، وهو منظمة للسيارات تأسست عام 1906. أُقيم السباق الأول
في 26 و27 أيار (مايو) 1923 على حلبة "سارت"، وهي حلبة طرقية بطول 13.426 كيلومتر
(8.345 ميل) تقع بالقرب من مدينة "لو مان" في فرنسا.
وقد تم تصميم السباق في الأصل كوسيلة للترويج لـ ACO ومنطقة سارت. المصدر: Bard |
| تحويل النص إلى صورة | أخطبوط فضائي يطفو عبر بوابة وهو يقرأ جريدة |
 المصدر: Imagen |
| تحويل النص إلى فيديو | دمية دب واقعية تسبح في المحيط في سان فرانسيسكو الدب ينزل تحت الماء. يواصل الدبّ السباحة تحت الماء مع الأسماك الملوّنة. دب باندا يسبح تحت الماء |
 المصدر: Phenaki |
| تحويل النص إلى رمز | اكتب حلقة Python تتكرر على قائمة من الأرقام وتطبع الأرقام الأولية. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) المصدر: Bard |
| تحويل الصورة إلى نص |  |
هذه طيور فلامنغو. وتعيش في منطقة الكاريبي. المصدر: Google DeepMind |
كيف يعمل الذكاء الاصطناعي التوليدي؟ بشكل عام، تتعلم النماذج التوليدية الأنماط في البيانات بهدف إنتاج بيانات جديدة ولكنها مشابهة. تشمل النماذج التوليدية ما يلي:
- الممثلون الكوميديون الذين يتعلّمون تقليد الآخرين من خلال مراقبة سلوكياتهم وأسلوب كلامهم
- الفنّانون الذين يتعلّمون الرسم بأسلوب معيّن من خلال دراسة الكثير من اللوحات الفنية بهذا الأسلوب
- فِرق موسيقية تغنّي أغاني فنانين آخرين وتتدرب على تقليد أسلوب فرقة موسيقية معيّنة من خلال الاستماع إلى الكثير من أغانيها
لإنتاج نتائج فريدة ومبتكرة، يتم في البداية تدريب النماذج التوليدية باستخدام أسلوب غير خاضع للإشراف، حيث يتعلّم النموذج محاكاة البيانات التي يتم تدريبه عليها. يتم أحيانًا تدريب النموذج بشكل أكبر باستخدام التعلّم الآلي الخاضع للإشراف أو التعلّم المعزّز على بيانات محدّدة ذات صلة بالمهام التي قد يُطلب من النموذج تنفيذها، مثل تلخيص مقالة أو تعديل صورة.
الذكاء الاصطناعي التوليدي هو تكنولوجيا تتطوّر بسرعة، ويتم باستمرار اكتشاف حالات استخدام جديدة لها. على سبيل المثال، تساعد النماذج التوليدية المؤسسات في تحسين صور منتجاتها على مواقع التجارة الإلكترونية من خلال إزالة الخلفيات المشتّتة للانتباه تلقائيًا أو تحسين جودة الصور المنخفضة الدقة.