يدعم تعلُّم الآلة بعض أهم التقنيات التي نستخدمها، بدءًا من تطبيقات الترجمة إلى المركبات المستقلة. تشرح هذه الدورة المفاهيم الأساسية لتعلُّم الآلة
تقدّم تعلُّم الآلة طريقة جديدة لحل المشاكل والإجابة عن الأسئلة المعقدة وإنشاء محتوى جديد. ويمكن لتعلُّم الآلة توقّع حالة الطقس وتقدير مدة الرحلة واقتراح الأغاني وإكمال الجمل تلقائيًا وتلخيص المقالات وإنشاء صور لم تتم رؤيتها من قبل.
بعبارات أساسية، فإنّ تعلُّم الآلة هو عملية تدريب برنامج، يُطلق عليه model، لتقديم توقّعات مفيدة أو إنشاء محتوى استنادًا إلى البيانات.
على سبيل المثال، لنفترض أننا أردنا إنشاء تطبيق للتنبؤ بهطول الأمطار. يمكننا استخدام نهج تقليدي أو نهج تعلُّم الآلة. فباستخدام نهج تقليدي، سننشئ تمثيلاً مستندًا إلى الفيزياء للغلاف الجوي للأرض وسطحه، ونحسب كميات هائلة من معادلات الديناميكية السائلة. هذا أمر صعب للغاية.
وباستخدام منهج تعلُّم الآلة، نقدِّم لنموذج تعلُّم الآلة كميات هائلة من بيانات الطقس إلى أن تعرّف نموذج تعلُّم الآلة في النهاية على العلاقة الرياضية بين أنماط الطقس التي تنتج كميات متفاوتة من المطر. سنعطي النموذج بيانات الطقس الحالية، وسنتنبأ بكمية الأمطار.
التحقّق من فهمك
أنواع أنظمة تعلُّم الآلة
تندرج أنظمة تعلُّم الآلة ضمن فئة واحدة أو أكثر من الفئات التالية استنادًا إلى الطريقة التي تتّبعها لتعلّم كيفية وضع التوقّعات أو إنشاء المحتوى:
- التعلُّم الخاضع للإشراف
- التعلُّم غير الخاضع للإشراف
- التعلّم المعزّز
- الذكاء الاصطناعي التوليدي
التعلُّم الخاضع للإشراف
يمكن لنماذج التعلّم المراقَب أن تتوقّع توقّعات بعد الاطّلاع على الكثير من البيانات بالإجابات الصحيحة، ثم اكتشاف الروابط بين العناصر في البيانات التي تنتج الإجابات الصحيحة. يشبه ذلك الطالب لتعلم مواد جديدة من خلال دراسة الاختبارات القديمة التي تحتوي على أسئلة وأجوبة. بمجرد تدريب الطالب على عدد كافٍ من الاختبارات القديمة، يكون الطالب مستعدًا جيدًا لإجراء اختبار جديد. تكون أنظمة تعلُّم الآلة هذه "خاضعة للإشراف" بمعنى أنّ الإنسان يعطي نظام تعلُّم الآلة بيانات بالنتائج الصحيحة المعروفة.
اثنان من حالات الاستخدام الأكثر شيوعًا للتعلم المُوجّه هما الانحدار والتصنيف.
الانحدار
يتنبأ نموذج الانحدار بقيمة رقمية. فعلى سبيل المثال، يُعد نموذج الطقس الذي يتنبأ بكمية هطول الأمطار بالبوصة أو الملليمترية أحد نماذج الانحدار.
راجع الجدول أدناه للحصول على المزيد من الأمثلة على نماذج الانحدار:
السيناريو | بيانات الإدخال الممكنة | التنبؤ الرقمي |
---|---|---|
سعر المنزل المستقبلي | المساحة المربّعة والرمز البريدي وعدد غرف النوم والحمّامات وحجم قطعة الأرض ومعدّل الفائدة على الرهن العقاري ومعدّل الضريبة العقارية وتكاليف البناء وعدد المنازل المعروضة للبيع في المنطقة | تمثّل هذه السمة سعر المنزل. |
مدة الرحلة المستقبلية | أحوال حركة المرور السابقة (التي تم جمعها من الهواتف الذكية وأجهزة استشعار كثافة حركة المرور، وخدمة طلب السيارات وغيرها من تطبيقات التنقّل) والمسافة من الوجهة وأحوال الطقس | الوقت بالدقائق والثواني للوصول إلى وجهة معيّنة. |
التصنيف
تتنبأ نماذج التصنيف باحتمالية انتماء شيء ما إلى فئةٍ ما. على عكس نماذج الانحدار، التي يكون مخرجها عبارة عن رقم، تُخرج نماذج التصنيف قيمةً توضح ما إذا كان شيء ما ينتمي إلى فئة معينة أم لا. على سبيل المثال، يتم استخدام نماذج التصنيف للتنبؤ بما إذا كانت رسالة البريد الإلكتروني غير مرغوب فيها أو ما إذا كانت الصورة تحتوي على قطة.
تنقسم نماذج التصنيف إلى مجموعتين هما: التصنيف الثنائي والتصنيف متعدد الفئات. تُخرج نماذج التصنيف الثنائي قيمة من فئة تحتوي على قيمتين فقط، على سبيل المثال، نموذج ناتج إما rain
أو no rain
. تعمل نماذج التصنيف المتعدّدة الفئات على إخراج قيمة من فئة تتضمّن أكثر من قيمتَين، على سبيل المثال، نموذج يمكن أن ناتج
rain
أو hail
أو snow
أو sleet
.
التحقّق من فهمك
التعلُّم غير الخاضع للإشراف
تتوقّع نماذج التعلُّم غير المُوجّه توقّعات من خلال إعطاء بيانات لا تحتوي على أي إجابات صحيحة. إن هدف نموذج التعلم غير المُوجه هو تحديد أنماط ذات مغزى بين البيانات. بعبارة أخرى، لا يحتوي النموذج على تلميحات حول كيفية تصنيف كل جزء من البيانات، ولكن بدلاً من ذلك يجب أن يستنتج قواعده الخاصة.
يستخدم أحد نماذج التعلُّم غير المُوجّه التي يشيع استخدامها أسلوبًا يُطلق عليه التجميع العنقودي. يعثر النموذج على نقاط البيانات التي تعين حدود المجموعات الطبيعية.
الشكل 1. يشير ذلك المصطلح إلى نموذج لتعلُّم الآلة يجمع نقاط البيانات المتشابهة في مجموعات.
الشكل 2. مجموعات من المجموعات العنقودية ذات تعيينات طبيعية.
يختلف التجميع العنقودي عن التصنيف لأنه لا يتم تحديد الفئات بواسطتك. على سبيل المثال، قد يجمع نموذج غير خاضع للإشراف مجموعة بيانات طقس بناءً على درجة الحرارة، ما يكشف عن التصنيفات التي تحدد المواسم. قد تحاول بعد ذلك تسمية هذه المجموعات بناءً على فهمك لمجموعة البيانات.
الشكل 3. يشير ذلك المصطلح إلى نموذج لتعلُّم الآلة يجمع أنماط الطقس المتشابهة.
الشكل 4. مجموعات من أنماط الطقس مصنّفة على أنّها ثلوج أو مطر ثلجي أو أمطار وبدون هطول
التحقّق من فهمك
التعلّم المعزّز
تتوقّع نماذج التعلُّم التعززي توقّعات من خلال الحصول على مكافآت أو عقوبات بناءً على الإجراءات التي يتم تنفيذها في بيئة معيّنة. ينشئ نظام التعلّم التعزيزي سياسة تحدّد أفضل استراتيجية للحصول على أكبر عدد ممكن من المكافآت.
يُستخدم التعلّم المعزّز لتدريب الروبوتات على أداء مهام، مثل التجوّل في أرجاء الغرفة، وبرامج مثل AlphaGo لتشغيل لعبة Go.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو فئة من النماذج التي تنشئ محتوًى من إدخالات المستخدم. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي إنشاء صور ومقطوعات موسيقية ونكات فريدة، كما يمكنه تلخيص المقالات أو شرح كيفية تنفيذ مهمة أو تعديل صورة.
يمكن للذكاء الاصطناعي التوليدي أخذ مجموعة متنوّعة من المدخلات وإنشاء مجموعة متنوعة من المخرجات، مثل النصوص والصور والصوت والفيديو. كما يمكن أن تأخذ مجموعات من هذه العناصر وتنشئها. على سبيل المثال، يمكن أن يأخذ النموذج صورة كمدخلات وينشئ صورة ونص كإخراج، أو يأخذ صورة ونص كمدخلات وينشئ فيديو كمخرجات.
يمكننا مناقشة النماذج التوليدية من خلال مدخلاتها ومخرجاتها، التي تُكتب عادةً على أنها "نوع الإدخال إلى "نوع المخرجات". على سبيل المثال، فيما يلي قائمة جزئية ببعض المدخلات والمخرجات للنماذج التوليدية:
- تحويل النص إلى نص
- تحويل النص إلى صورة
- تحويل النص إلى فيديو
- تحويل النص إلى ترميز
- تحويل النص إلى كلام
- صورة وتحويل النص إلى صورة
يسرد الجدول التالي أمثلة للنماذج التوليدية وإدخالاتها ومثال على مخرجاتها المحتملة:
الطراز | إدخال | مثال على الناتج |
---|---|---|
تحويل النص إلى نص | من اخترع سباق لو مان؟ |
تم تأسيس 24 Hours of Le Mans على يد شركة Automobile Club de l'Ouest
(ACO)، وهي مؤسسة خاصة بالسيارات تأسّست عام 1906. أُقيم السباق الأول
في 26 و27 أيار (مايو) 1923 في "حلبة سارت" التي تبلغ مساحتها 13.426 كيلومتر
بالقرب من مدينة "لو مان" في فرنسا.
تم اعتبار السباق في الأصل كطريقة للترويج لمنظمة ACO ومنطقة "سارث". المصدر: Bard |
تحويل النص إلى صورة | أخطبوط فضائي يطفو عبر بوابة يقرأ صحيفة |
المصدر: الصور |
تحويل النص إلى فيديو | دمية دب واقعية تسبح في المحيط في سان فرانسيسكو. دمية الدب تدخل تحت الماء. تستمر دمية الدب في السباحة تحت الماء مع أسماك ملوّنة. دب باندا يسبح تحت الماء. |
المصدر: Phenake |
تحويل النص إلى ترميز | اكتب تكرار حلقي Python على قائمة أرقام وتطبع الأعداد 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 |
هذا هو طائر الفلامينغو. إنها موجودة في البحر الكاريبي. المصدر: Google DeepMind |
ما هي آلية عمل الذكاء الاصطناعي التوليدي؟ على مستوى عالٍ، تتعلم النماذج التوليدية أنماطًا في البيانات بهدف إنتاج بيانات جديدة ولكن مماثلة. تشبه النماذج التوليدية ما يلي:
- الكوميديون الذين يتعلمون تقليد الآخرين من خلال مراقبة سلوكيات الأشخاص وأسلوب التحدث
- الفنانون الذين يتعلمون الرسم بأسلوب معين من خلال دراسة الكثير من اللوحات بهذا الأسلوب
- الفرق الموسيقية التي تتعلم الغناء كمجموعة موسيقية معينة من خلال الاستماع إلى العديد من المقاطع الموسيقية لتلك المجموعة
لإنتاج مخرجات فريدة ومبتكرة، يتم تدريب النماذج التوليدية في البداية باستخدام منهج غير خاضع للإشراف، حيث يتعلم النموذج تقليد البيانات التي يتم تدريبها عليها. في بعض الأحيان، يتم تدريب النموذج بشكل أكبر باستخدام التعلم المُوجّه أو التعلّم المعزّز على بيانات محددة ذات صلة بالمهام التي قد يُطلب من النموذج تنفيذها، كتلخيص مقالة أو تعديل صورة مثلاً.
تتطوّر تكنولوجيا الذكاء الاصطناعي التوليدي سريعًا مع اكتشاف حالات استخدام جديدة باستمرار. على سبيل المثال، تساعد النماذج التوليدية الأنشطة التجارية على تحسين صور منتجات التجارة الإلكترونية الخاصة بها من خلال إزالة الخلفيات المشتِّتة للانتباه تلقائيًا أو تحسين جودة الصور منخفضة الدقة.