تخطيط مشروع تعلُّم الآلة

يختلف تخطيط مشاريع الذكاء الاصطناعي عن تخطيط مشاريع هندسة البرامج النموذجية. تتسم مشاريع الذكاء الاصطناعي (ML) بشكل عام بعدم الخطية وتضم درجات متباينة من عدم اليقين. وتتطلّب هذه التجارب نهجًا تكراريًا وطريقة تفكير تهدف إلى الاختبار.

عدم اليقين في المشروع

قد يكون التخطيط في المرحلة المبكرة صعبًا لأنّ أفضل نهج لا يكون عادةً واضحًا عند بدء المشروع. ويجعل هذا عدم اليقين المتأصل من الصعب تقدير المخططات الزمنية.

توضّح مسابقة Kaggle الأخيرة عدم يقين مشاريع الذكاء الاصطناعي. في الأسابيع القليلة الأولى من إحدى المسابقات، شارك 350 فريقًا. تمكّنت أفضل الفِرق من زيادة قياس جودة توقّعات الأداء المعياري من% 35 إلى %65. خلال الأسبوعَين التاليَين، زاد عدد الفِرق التي تعمل على حلّ المشكلة من 350 إلى 1400. ومع ذلك، لم يحقّق أفضل نموذج سوى جودة توقّع تبلغ %68.

يوضّح الشكل 3 عدم اليقين في تطوير الذكاء الاصطناعي من خلال عرض الزيادة الكبيرة في الجهد المبذول مع تحقيق مكاسب طفيفة فقط في جودة النموذج.

الشكل 3 على مدار أسبوعَين، زاد عدد الفِرق التي تعمل على حلّ المشكلة بمقدار 4 أضعاف، ولكن بقيت جودة النموذج متماثلة تقريبًا، ما يُبرز صعوبة تقدير الجهد المبذول لحلّ مشكلة باستخدام الذكاء الاصطناعي.

بعبارة أخرى، تمكّنت أكثر من ألف فريق، كلّ فريق منهم يجرّب مجموعة متنوعة من عمليات تحويل البيانات والهياكل والمَعلمات الفائقة، من إنشاء نموذج بجودة توقّعات تبلغ% 68 فقط.

يوضّح مثال من المجال عدم خطية مشاريع تعلُّم الآلة، حيث لا يكون الناتج متناسبًا مع المدخلات. استغرق فريقان عدة أشهر لتدريب نموذج على جودة توقّعات تبلغ% 90. ومع ذلك، استغرق الأمر عدة فِرق أكثر من خمس سنوات لتجهيز النموذج للاستخدام مع دستة من ميزات التنبؤ بدقة تبلغ% 99.9.

تُبرز هذه الأمثلة أنّ تكنولوجيا تعلُّم الآلة الجاهزة للاستخدام هي عملية استكشافية، تتطلّب طريقة تفكير علمية وهندسية.

المنهج التجريبي

في معظم الحالات، يشبه تطوير الذكاء الاصطناعي إجراء التجارب أكثر من الممارسة التقليدية لهندسة البرامج. تتطلّب تقنية تعلُّم الآلة اختبار ميزات مختلفة، وتجربة تصاميم متعددة، وضبط المَعلمات الفائقة بشكلٍ مناسب. لا يمكن ضمان نجاح التجارب بطبيعتها. لهذا السبب، من الأفضل التخطيط باستخدام إطار عمل تجريبي.

لنلقِ نظرة على خطة نموذجية لهندسة البرامج لمعرفة كيف تختلف عن خطة مشروع تعلُّم الآلة.

تخطيط مشاريع هندسة البرامج

في خطة هندسة البرامج العادية، يمكنك تحديد المتطلبات وتحديد المكوّنات ومقدار الجهد المبذول وتحديد الجدول الزمني للعمل. أن يكون هناك مسار محدّد بوضوح للحلّ على سبيل المثال، يعرف المهندسون غالبًا بدرجة عالية من اليقين المهام التي يحتاجون إلى إكمالها لإنشاء تطبيق يستوفي مواصفات التصميم.

عند توقّع الوقت الذي سيستغرقه إكمال مهمة، يمكنهم تقدير العمل استنادًا إلى مشاريع مماثلة. على الرغم من أنّه تحدث تحديات بشكلٍ متكرّر، مثل التبعيات غير المعروفة أو المتطلبات المتغيّرة، ما قد يجعل من الصعب أحيانًا تقدير الوقت، إلا أنّه عادةً ما يكون هناك مسار واضح للوصول إلى الحل.

في المقابل، لا تتّبع مشاريع الذكاء الاصطناعي عادةً مسارًا واضحًا واحدًا للنجاح.

تخطيط مشاريع الذكاء الاصطناعي

في معظم مشاريع الذكاء الاصطناعي، يمكنك العثور على أفضل حلّ من خلال تجربة منهجيات متعدّدة في عملية المحاولة والخطأ. لا يمكنك عادةً معرفة الحلّ الأمثل لمشكلتك قبل محاولة حلّها. على سبيل المثال، قد تكون بنية الحلّ الأمثل عبارة عن نموذج خطي بسيط أو شبكة عصبية أو شجرة قرارات. لا يمكنك اكتشاف أفضل حلّ إلّا من خلال تجربة كل نهج.

ويصعّب هذا الغموض عملية التخطيط. كما ناقشنا سابقًا، من الصعب توقّع المجهود الذي سيتطلّبه مشروع تعلُّم الآلة. لا يمكنك معرفة الوقت والموارد التي قد يتطلّبها حلّ المشكلة إلا من خلال محاولة حلّها.

في ما يلي الاستراتيجيات المقترَحة لتخطيط عمل الذكاء الاصطناعي:

• تحديد وقت لتنفيذ العمل حدِّد إطارات زمنية واضحة لإكمال المهام أو محاولة تنفيذ أحد الحلول. على سبيل المثال، يمكنك تخصيص أسبوعَين لتحديد ما إذا كان بإمكانك الوصول إلى النوع المناسب من البيانات. إذا كان بإمكانك الحصول على البيانات، يمكنك تحديد أسبوعَين إضافيَين لمعرفة ما إذا كان نموذج بسيط يشير إلى أنّ حلّ الذكاء الاصطناعي (AI) قابل للتطبيق. إذا تعذّر استخدام نموذج بسيط، يمكنك تحديد أسبوعَين إضافيَين لتجربة شبكة عصبية. وفي نهاية كل إطار زمني، سيكون لديك المزيد من المعلومات لتحديد ما إذا كان من المفيد مواصلة تخصيص الموارد لحلّ المشكلة.

• حصر متطلبات المشروع إذا كان حلّ الذكاء الاصطناعي يبدو واعداً ولكنه ليس ميزة أساسية لمنتجك أو خدمتك، يمكنك إعادة النظر في متطلباته. على سبيل المثال، عند التخطيط للعمل في الربع التالي، يمكنك التخطيط لتجربة حلّ بسيط جدًا. بعد ذلك، في الربع التالي، يمكنك التخطيط لتحسين الحل بشكلٍ متكرّر. لقد كان تنفيذ حلّ تعلُّم الآلة من خلال إجراء تحسينات تدريجية على مدار مدّة زمنية أطول هو الطريقة التي توصّلت بها العديد من الفِرق إلى حلول تعلُّم الآلة ملفتة للانتباه.

• مشروع المتدرب أو الموظف الجديد يمكن أن يكون توجيه المتدرب أو الموظف الجديد وتقديم إرشادات له لمحاولة استخدام حلّ قائم على الذكاء الاصطناعي طريقة جيدة لبدء استكشاف مساحة جديدة ذات نتائج غير معروفة. بعد انتهاء المشروع، ستتضح لك الجهود التي سيتطلّبها حلّ تعلُّم الآلة والطرق التي يُحتمَل أن تكون واعدة لاتّباعها، أو ما إذا كان ينبغي توجيه الموارد إلى مكان آخر.

في أي استراتيجية، من الحكمة التعرّف على الأخطاء بسرعة. حاوِل استخدام الأساليب التي تتطلّب أقل تكلفة، ولكن يُحتمل أن تحقّق أعلى عائد. إذا نجح هذا النهج، يعني ذلك أنّك عثرت على حلّ جيد. وإذا لم يحدث ذلك، لن يكون قد ضاع الكثير من وقتك ومواردك.

عندما تكتسب الفِرق خبرة في تنفيذ التجارب، ستتمكّن من تقدير الجهد الذي قد تتطلّبه التجربة بشكل أفضل، ما يجعل التخطيط أكثر قابلية للتوقّع. ومع ذلك، ستكون نتيجة التجربة غير معروفة في معظم الأحيان، لذا لا يمكن تقدير عدد التجارب اللازمة للعثور على أفضل حلّ مسبقًا.

يساعد التخطيط للنهج باستخدام طريقة تجريبية في إعداد فريقك لتحقيق النجاح. عندما يؤدي نهج معيّن إلى طريق مسدود، بدلاً من الاستسلام، يدرك أعضاء الفريق أنّ ذلك جزء من عملية العثور على حلّ قائم على الذكاء الاصطناعي. والأهم من ذلك، من خلال مناقشة عدم اليقين المتأصل في تطوير الذكاء الاصطناعي مع الجهات المعنية، يمكنك وضع توقعات أكثر واقعية.

التحقّق من الفهم

ما هي فائدة التخطيط لتطوير تعلُّم الآلة باستخدام أسلوب تنمية تجربي؟ يُرجى اختيار جميع الإجابات المناسبة.

لتحديد المخاطر المحتملة وإدارتها

لتقليل الوقت والموارد التي يتم إنفاقها على الأساليب غير الناجحة.

وضِّح للجهات المعنية عدم اليقين المتأصل في تطوير الذكاء الاصطناعي.

لتحديد أفضل طريقة لحلّها أولاً

لن تعرف في البداية النهج الأنسب.

تنبيه

إنّ تعلُّم تخطيط أساليب تعلُّم الآلة المتعدّدة بشكلٍ احتمالي يستغرق وقتًا و خبرة. قد تتطلّب خطة المشروع إجراء تعديلات متكرّرة. يمكنك اعتباره مستندًا ديناميكيًا يتطوّر باستمرار بينما يجرّب فريقك عدة طرق. من خلال التركيز على الأفكار الرئيسية التالية، ستزيد من فرص نجاحك:

• تقدير التكلفة واحتمالات النجاح لكل نهج
• جرِّب مجموعة من الأساليب.
• حدِّد الدروس التي تعلّمتها وحاول تحسين النظام تدريجيًا.
• التخطيط للأعطال

في بعض الأحيان، يؤدي البدء مبكرًا إلى تحقيق إنجاز. قد يكتشف أحد الأشخاص خطأً في مسار إنشاء البيانات أو عملية تقسيم بيانات التدريب والتحقق. من خلال التخطيط الجيد والإعداد المدروس للمستندات، تزداد احتمالية العثور على نموذج يحلّ مشكلة نشاطك التجاري في وقت أقرب مما تتوقّع.