ويدعم تعلُّم الآلة بعض أهم التقنيات التي نستخدمها، بدءًا من تطبيقات الترجمة إلى المركبات الذاتية. تشرح هذه الدورة المفاهيم الأساسية لتعلُّم الآلة.
تقدّم تقنية تعلُّم الآلة طريقة جديدة لحل المشاكل والإجابة عن الأسئلة المعقدة وإنشاء محتوى جديد. يمكن لتقنية تعلُّم الآلة توقُّع حالة الطقس وتقدير مدة الرحلة واقتراح الأغاني وإكمال الجمل تلقائيًا وتلخيص المقالات وإنشاء صور لم يسبق لها مثيل.
بعبارات أساسية، تعلُّم الآلة هو عملية تدريب برنامج يُعرف باسم model، لإجراء توقّعات مفيدة أو إنشاء محتوى من البيانات.
على سبيل المثال، لنفترض أننا أردنا إنشاء تطبيق للتنبؤ بهطول الأمطار. يمكننا استخدام نهج تقليدي أو نهج التعلم الآلي. باستخدام نهج تقليدي، ننشئ تمثيلًا يستند إلى الفيزياء للغلاف الجوي للأرض وسطحها، عن طريق حساب كميات هائلة من المعادلات الديناميكية للسوائل. وهذا أمر صعب للغاية.
وباستخدام منهج تعلُّم الآلة، يمكن أن يقدّم نموذج تعلُّم الآلة عددًا هائلاً من بيانات الطقس إلى أن تعرّف نموذج تعلُّم الآلة في النهاية على العلاقة الرياضية بين أنماط الطقس التي تنتج كميات مختلفة من الأمطار. بعد ذلك سنعطي النموذج بيانات الطقس الحالية، وسوف نتنبأ بكمية الأمطار.
التحقّق من فهمك
أنواع أنظمة تعلُّم الآلة
تندرج أنظمة تعلُّم الآلة ضمن واحدة أو أكثر من الفئات التالية استنادًا إلى الطريقة التي تتعلّم بها كيفية إجراء التوقّعات أو إنشاء المحتوى:
- التعلُّم الخاضع للإشراف
- التعلُّم غير الخاضع للإشراف
- التعلّم المعزّز
- الذكاء الاصطناعي التوليدي
التعلُّم الخاضع للإشراف
يمكن أن تُجري نماذج التعلّم المُوجّه توقّعات بعد الاطّلاع على الكثير من البيانات التي تحتوي على الإجابات الصحيحة، ثم اكتشاف الروابط بين العناصر في البيانات التي تنتج عنها الإجابات الصحيحة. ويشبه هذا طالبًا يتعلم 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. وتكون أنظمة تعلُّم الآلة هذه "خاضعة للإشراف" بمعنى أنّ الشخص يعطي نظام تعلُّم الآلة بيانات نظام تعلُّم الآلة بالنتائج الصحيحة المعروفة.
اثنان من أكثر حالات الاستخدام شيوعًا للتعلم المُوجّه هما الانحدار والتصنيف.
الانحدار
يتنبأ نموذج الانحدار بقيمة رقمية. فعلى سبيل المثال، يعد نموذج الطقس الذي يتنبأ بكمية المطر بالبوصة أو بالمليمتر أحد نماذج الانحدار.
راجع الجدول التالي للاطّلاع على المزيد من الأمثلة على نماذج الانحدار:
| السيناريو | البيانات المحتملة التي يمكن إدخالها | التوقّع الرقمي |
|---|---|---|
| سعر المنزل في المستقبل | المساحة المربّعة والرمز البريدي وعدد غرف النوم والحمّامات وحجم قطعة الأرض ومعدّل الفائدة على الرهن العقاري ومعدّل ضريبة الممتلكات وتكاليف البناء وعدد المنازل المعروضة للبيع في المنطقة | تمثّل هذه السمة سعر المنزل. |
| مدة الرحلة المستقبلية | أحوال حركة المرور السابقة (تم جمعها من الهواتف الذكية وأجهزة استشعار كثافة حركة المرور وخدمة طلب الرحلات وتطبيقات التنقّل الأخرى) والمسافة من الوجهة وأحوال الطقس | الوقت بالدقائق والثواني للوصول إلى وجهة معيّنة. |
التصنيف
تتوقّع نماذج التصنيف احتمالية انتماء عنصر ما إلى فئة معيّنة. على عكس نماذج الانحدار التي يكون ناتجها رقمًا، تُخرج نماذج التصنيف قيمة توضح ما إذا كان هناك شيء ينتمي إلى فئة معينة أم لا. على سبيل المثال، يتم استخدام نماذج التصنيف للتنبؤ بما إذا كانت رسالة البريد الإلكتروني غير مرغوب فيها أو إذا كانت الصورة تحتوي على قطة.
تنقسم نماذج التصنيف إلى مجموعتين هما: التصنيف الثنائي والتصنيف متعدد الفئات. تنتج نماذج التصنيف الثنائي قيمة من فئة تحتوي على قيمتَين فقط، مثل 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 يخرج إما rain أو hail أو snow أو sleet.
التحقّق من فهمك
التعلُّم غير الخاضع للإشراف
تعمل نماذج التعلّم غير المُوجّه على إجراء التوقّعات من خلال تقديم بيانات لا تحتوي على أي إجابات صحيحة. إن هدف نموذج التعلم غير المُوجه هو تحديد أنماط ذات مغزى بين البيانات. وبعبارة أخرى، لا يوفر النموذج أي تلميحات حول كيفية تصنيف كل جزء من البيانات، ولكن بدلاً من ذلك يجب أن يستنتج قواعده الخاصة.
ويستخدِم نموذج التعلّم غير المُوجّه عادةً أسلوبًا يُطلق عليه اسم التجميع العنقودي. يعثر النموذج على نقاط بيانات تحدّد حدود المجموعات الطبيعية.
الشكل 1. يشير ذلك المصطلح إلى نموذج تعلُّم الآلة الذي يجمع نقاط البيانات المتشابهة.
الشكل 2. مجموعات من المجموعات العنقودية ذات الحدود الطبيعية.
يختلف التجميع العنقودي عن التصنيف لأن الفئات لا تحددها أنت. على سبيل المثال، قد يجمع نموذج غير خاضع للإشراف مجموعة بيانات الطقس بناءً على درجة الحرارة، ويكشف عن التقسيمات التي تحدد المواسم. يمكنك بعد ذلك محاولة تسمية هذه المجموعات بناءً على فهمك لمجموعة البيانات.
الشكل 3. يشير ذلك المصطلح إلى نموذج تعلُّم الآلة الذي يجمع أنماط الطقس المتشابهة.
الشكل 4. مجموعات من أنماط الطقس مصنّفة على أنّها ثلوج وأمطار ثلجية ومطرية وبدون هطول أمطار
التحقّق من فهمك
التعلّم المعزّز
تعمل نماذج التعلُّم المعزّز على إجراء توقّعات من خلال الحصول على مكافآت أو عقوبات استنادًا إلى الإجراءات التي يتم تنفيذها في بيئة محدَّدة. ينشئ نظام التعليم المعزّز سياسة تحدّد أفضل استراتيجية للحصول على أكبر عدد ممكن من المكافآت.
يتم استخدام التعلّم المعزّز لتدريب الروبوتات على تنفيذ مهام، مثل التجول في أرجاء الغرفة، وبرامج مثل AlphaGo لتشغيل لعبة Go.
الذكاء الاصطناعي التوليدي
الذكاء الاصطناعي التوليدي هو فئة من النماذج التي تنشئ المحتوى من البيانات التي يُدخلها المستخدمون. على سبيل المثال، يمكن للذكاء الاصطناعي التوليدي إنشاء صور ومقطوعات موسيقية ونكات جديدة، كما يمكنه تلخيص المقالات أو شرح كيفية تنفيذ مهمة أو تعديل صورة.
يمكن للذكاء الاصطناعي التوليدي أخذ مجموعة متنوّعة من المدخلات وإنشاء مجموعة متنوّعة من المخرجات، مثل النصوص والصور والصوت والفيديو. كما يمكنه أخذ وإنشاء مجموعات من هذه. على سبيل المثال، يمكن أن يأخذ نموذج صورة كإدخال وإنشاء صورة ونص كإخراج، أو التقاط صورة ونص كإدخال وإنشاء فيديو كإخراج.
يمكننا مناقشة النماذج التوليدية من خلال المدخلات والمخرجات، التي تُكتب عادةً على أنها "نوع مدخل" 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
- تحويل الصورة والنص إلى صورة
يدرج الجدول التالي أمثلة على النماذج التوليدية ومدخلاتها ومثال على مخرجاتها المحتملة:
| النموذج | إدخال | مثال على الناتج |
|---|---|---|
| تحويل النص إلى نص | من اخترع سباق Le Mans؟ |
تأسّست شركة Automobile Club de l'Ouest (ACO) 24 Hours of Le Mans في العام 1906، وهي شركة تأسّست في العام 1906. أُقيم السباق الأول
في 26 و27 أيار (مايو) 1923 في "حلبة سارث" التي تبلغ مساحتها 8.345 كيلومتر
بالقرب من مدينة "لو مان" في فرنسا.
تم تصميم السباق في الأصل كطريقة للترويج لمؤسسات أبحاث البناء (ACO)
ومنطقة "سارث". المصدر: Bard |
| تحويل النص إلى صورة | أخطبوط فضائي يطفو عبر بوابة ويقرأ صحيفة |
 المصدر: Imagen |
| تحويل النص إلى فيديو | دمية دب واقعية تسبح في المحيط في سان فرانسيسكو. الدببة تدخل تحت الماء. تستمر الدمية الدببة في السباحة تحت الماء مع أسماك ملوّنة. دب باندا يسبح تحت الماء. |
 المصدر: Phenاكي |
| تحويل النص إلى ترميز | اكتب حلقة تكرارية في بايثون تتكرر 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. وتوجد في جزر 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 متشابهة. 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 الرسومات بهذا الأسلوب
- أغانٍ مقتبسة للفرق الموسيقية التي تتعلّم الغناء كمجموعة موسيقية محدّدة من خلال الاستماع إلى الكثير من الأغاني
لإنتاج مخرجات فريدة ومبتكرة، يتم تدريب النماذج التوليدية في البداية باستخدام منهج غير خاضع للإشراف، حيث يتعلّم النموذج محاكاة البيانات التي يتم تدريبها عليها. في بعض الأحيان، يتم تدريب النموذج بشكل أكبر باستخدام التعلّم المُوجّه أو التعلّم المعزّز على بيانات محدّدة مرتبطة بالمهام التي قد يُطلب من النموذج تنفيذها، مثل تلخيص مقالة أو تعديل صورة.
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 المنخفضة الدقة.