يدعم التعلم الآلي (ML) بعض أهم التقنيات التي نستخدمها، بداية من تطبيقات الترجمة إلى المركبات المستقلة. تشرح هذه الدورة النقاط الأساسية المفاهيم الكامنة وراء تعلم الآلة.
يوفّر تعلُّم الآلة طريقة جديدة لحل المشاكل والإجابة عن الأسئلة المعقدة وإنشاء محتوى المحتوى. بإمكان تقنية تعلُّم الآلة التنبؤ بالطقس وتقدير أوقات السفر أغانٍ وإكمال جمل تلقائيًا وتلخيص المقالات وإنشاء صور لم يسبق لها مثيل.
بعبارات أساسية، التعلم الآلي هو عملية تدريب برنامج يسمى model، لتقديم محتوى مفيد توقّعات أو إنشاء محتوى من البيانات.
على سبيل المثال، لنفترض أننا أردنا إنشاء تطبيق للتنبؤ بهطول الأمطار. يمكننا إما نهجًا تقليديًا أو نهج تعلم الآلة. يمكن أن يؤدي استخدام فسننشئ تمثيلاً قائمًا على الفيزياء للغلاف الجوي للأرض على السطح، وحساب كميات هائلة من المعادلات الديناميكية للسوائل. هذا هو أمرًا صعبًا للغاية.
باستخدام منهج تعلُّم الآلة، سنعطي نموذج تعلُّم الآلة كميات هائلة من بيانات الطقس إلى أن يتعلّم نموذج تعلُّم الآلة في النهاية العلاقة الرياضية بين أنماط الطقس التي تنتج كميات متفاوتة من الأمطار. سنعطي بعد ذلك ووضع نموذج لبيانات الطقس الحالية، وسوف يتنبأ بكمية الأمطار.
التحقّق من فهمك
أنواع أنظمة تعلُّم الآلة
تندرج أنظمة تعلُّم الآلة ضمن فئة أو أكثر من الفئات التالية بناءً على كيفية تعلّم كيفية التنبؤ أو إنشاء المحتوى:
- التعلُّم الخاضع للإشراف
- التعلُّم غير الخاضع للإشراف
- التعلّم المعزّز
- الذكاء الاصطناعي التوليدي
التعلُّم الخاضع للإشراف
التعلّم الخاضع للإشراف النماذج يمكنها إجراء تنبؤات بعد رؤية الكثير من البيانات بالإجابات الصحيحة ثم اكتشاف الروابط بين العناصر في البيانات لإنتاج الإجابات الصحيحة. هذا مثل طالب يتعلم مواد جديدة عن طريق دراسة الامتحانات القديمة التي تحتوي على أسئلة وأجوبة. بمجرد أن يصبح لدى الطالب مدرب على اختبارات قديمة كافية، يكون الطالب مستعدًا لإجراء اختبار جديد. أنظمة تعلُّم الآلة هذه "خاضعة للإشراف" بمعنى أن الإنسان يمنح نظام تعلُّم الآلة البيانات بالنتائج الصحيحة المعروفة.
والانحدار من أكثر حالات الاستخدام شيوعًا في التعلم المُوجّه الفئات.
الانحدار
يتنبأ نموذج الانحدار والقيمة الرقمية. فعلى سبيل المثال، فإن نموذج الطقس الذي يتنبأ بكمية هطول الأمطار في البوصة أو الملليمتر، هو أحد نماذج الانحدار.
اطّلِع على الجدول التالي لمزيد من الأمثلة على نماذج الانحدار:
| السيناريو | البيانات التي يمكن إدخالها | التنبؤ الرقمي |
|---|---|---|
| سعر المنزل المستقبلي | قدم مربع، والرمز البريدي، وعدد غرف النوم والحمامات، وحجم قطعة الأرض، ومعدل فائدة الرهن العقاري ومعدّل ضريبة الممتلكات وتكاليف البناء عدد المنازل المعروضة للبيع في المنطقة. | سعر المنزل |
| وقت الرحلة المستقبلي | أحوال حركة المرور السابقة (التي تم جمعها من الهواتف الذكية وعدد الزيارات وأدوات الاستشعار في رحلاتك وتطبيقات التنقل الأخرى) والمسافة من والوجهة وأحوال الطقس. | الوقت بالدقائق والثواني للوصول إلى الوجهة |
التصنيف
توقُّع نماذج التصنيف احتمالية انتماء شيء ما لفئةٍ ما. وعلى عكس نماذج الانحدار، الذي يكون ناتجه رقمًا، تُخرج نماذج التصنيف قيمة تنص على ما إذا كان هناك شيء ما ينتمي إلى فئة معينة أم لا. على سبيل المثال: تُستخدم نماذج التصنيف للتنبؤ بما إذا كانت رسالة البريد الإلكتروني غير مرغوب فيها أو صورة يحتوي على قطة.
تنقسم نماذج التصنيف إلى مجموعتين هما: التصنيف الثنائي
تصنيف متعدد الفئات. تُخرج نماذج التصنيف الثنائي قيمة من
فئة تحتوي على قيمتين فقط، مثل النموذج الذي يُنتج إما
rain أو no rain تُخرج نماذج التصنيف متعدد الفئات قيمة من
فئة تحتوي على أكثر من قيمتين، مثل النموذج الذي يمكنه إخراج
إما rain أو hail أو snow أو sleet
التحقّق من فهمك
التعلُّم غير الخاضع للإشراف
التعلّم غير الخاضع للإشراف تقدم النماذج تنبؤات من خلال إعطائها بيانات لا تحتوي على أي إجابات. إن هدف نموذج التعلم غير المُوجّه هو تحديد الأنماط بين البيانات. أو بعبارةٍ أخرى، لا يحتوي النموذج على أي تلميحات حول كيفية تصنيف كل جزء من البيانات، ولكن بدلاً من ذلك يجب أن تستنتج قواعدها الخاصة.
ومن المعروف أن أي نموذج من نماذج التعلم غير المُوجّه يستخدم أسلوبًا يسمى التجميع. يبحث النموذج عن نقاط البيانات التي تحدد المجموعات الطبيعية.
الشكل 1. يشير ذلك المصطلح إلى نموذج تعلُّم الآلة الذي يجمع نقاط بيانات متشابهة.
الشكل 2. مجموعات من المجموعات العنقودية ذات الحدود الطبيعية.
يختلف التجميع العنقودي عن التصنيف لأن الفئات لا يتم تحديدها بواسطة يناسبك ذلك. فعلى سبيل المثال، قد يجمع أحد النماذج غير الخاضعة للإشراف مجموعة بيانات للطقس بناءً على الحرارة، كاشفة عن التجزئات التي تحدد المواسم. يمكنك بعد ذلك وحاول تسمية تلك المجموعات بناءً على فهمك لمجموعة البيانات.
الشكل 3. يشير ذلك المصطلح إلى نموذج تعلُّم الآلة الذي يجمع أنماطًا طقسًا مشابهة.
الشكل 4. مجموعات من أنماط الطقس مصنفة على أنها ثلوج أو مطر ثلجي والمطر بدون مطر.
التحقّق من فهمك
التعلّم المعزّز
التعلُّم المعزّز يقدّم النماذج توقّعات من خلال الحصول على مكافآت. أو العقوبات بناءً على إجراءات يتم تنفيذها داخل بيئة ما. التعزيز نظام تعلُّم الآلة سياسة أفضل استراتيجية للحصول على أكبر قدر من المكافآت.
يُستخدم التعلم المعزز لتدريب الروبوتات على أداء المهام، مثل المشي حول الغرفة، وبرامج مثل AlphaGo أن تلعب لعبة Go.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو فئة من النماذج ينشئ المحتوى من إدخالات المستخدم. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي إنشاء صور فريدة ومقطوعات موسيقية ونكات تلخيص المقالات شرح كيفية تنفيذ مهمة ما أو تعديل صورة.
يمكن للذكاء الاصطناعي التوليدي الحصول على مجموعة متنوعة من المدخلات وإنشاء مجموعة متنوعة من المخرجات، مثل النصوص والصور والصوت والفيديو. كما يمكنها أخذ وإنشاء مجموعات من هذه. فعلى سبيل المثال، يمكن لنموذج التقاط صورة كمدخل وإنشاء صورة كإخراج، أو التقاط صورة ونص كإدخال وإنشاء فيديو كإخراج.
يمكننا مناقشة النماذج التوليدية حسب المدخلات والمخرجات التي تكتبها عادةً مثل "نوع الإدخال"-إلى"نوع الإخراج". على سبيل المثال، ما يلي جزء قائمة ببعض المدخلات والمخرجات للنماذج التوليدية:
- نص إلى نص
- نص إلى صورة
- تحويل النص إلى فيديو
- النص إلى ترميز
- نص إلى كلام
- تحويل الصورة والنص إلى صورة
يعرض الجدول التالي أمثلة على النماذج التوليدية وإدخالها مثال على مخرجاتها المحتملة:
| الطراز | الإدخال | مثال على الناتج |
|---|---|---|
| نص إلى نص | من مخترع سباق Le Mans؟ |
تم تأسيس 24 Hours of Le Mans من قِبل Automobile Club de l'Ouest.
(ACO)، وهي مؤسسة للسيارات تأسست في عام 1906. تم إجراء السباق الأول
في 26 و27 أيار (مايو) 1923 في "حلبة سارث"، التي يبلغ طولها 13.426 كيلومتر
حلبة طريق (8.345 ميل) تقع بالقرب من مدينة لو مان في فرنسا
تم تصميم السباق في الأصل كوسيلة للترويج لـ ACO
منطقة سارت. المصدر: Bard |
| نص إلى صورة | أخطبوط فضائي يطفو على بوابة قراءة صحيفة |
المصدر: Imagen
|
| تحويل النص إلى فيديو | دمية دب تبدو واقعية تسبح في المحيط في سان فرانسيسكو. توضع دمية الدب تحت الماء. دمية دب تستمر في السباحة تحت الماء بأسماك ملوّنة. دُب باندا يسبح تحت الماء. |
المصدر: Phenaki
|
| النص إلى ترميز | اكتب حلقة بايثون تدور حول 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 طائر فلامينغو. تم العثور عليها في منطقة البحر الكاريبي. المصدر: خدمة Google DeepMind |
ما هي آلية عمل الذكاء الاصطناعي التوليدي؟ على مستوى عالٍ، تتعلّم النماذج التوليدية الأنماط في البيانات بهدف إنتاج بيانات جديدة ولكن متشابهة. الذكاء الاصطناعي التوليدي النماذج على النحو التالي:
- الكوميديون الذين يتعلمون تقليد الآخرين من خلال ملاحظة سلوكيات الأشخاص أسلوب التحدّث
- الفنانون الذين يتعلمون الرسم بأسلوب معين من خلال دراسة الكثير من لوحات بهذا الأسلوب
- فرق موسيقية مقتبسة تتعلم كيفية الصوت كمجموعة موسيقية محددة من خلال الاستماع إلى الكثير من الموسيقى لتلك المجموعة
يتم تدريب النماذج التوليدية في البداية لإنتاج نتائج فريدة وإبداعية. باستخدام منهج غير خاضع للرقابة، حيث يتعلم النموذج محاكاة البيانات التدريب عليها. في بعض الأحيان يتم تدريب النموذج أكثر باستخدام خاضع للإشراف أو على البيانات المحددة المتعلقة بمهام النموذج الذي قد يتم قد يطلب منك تنفيذ إجراءات، مثل تلخيص مقالة ما أو تعديل صورة.
تتطوّر تكنولوجيا الذكاء الاصطناعي التوليدي سريعًا مع حالات استخدام جديدة باستمرار. اكتشافك. على سبيل المثال، تساعد النماذج التوليدية الأنشطة التجارية على تحسين صور منتجات التجارة الإلكترونية عن طريق إزالة الخلفيات المشتِّتة للانتباه تلقائيًا أو تحسين جودة الصور المنخفضة الدقة.