وبعد التحقق من أنه من الأفضل حل مشكلتك باستخدام إما يمكنك استخدام تكنولوجيا تعلُّم الآلة أو الذكاء الاصطناعي التوليدي لتحديد المشكلة وحلّها. يمكنك صياغة مشكلة في مصطلحات تعلُّم الآلة من خلال إكمال المهام التالية:
- تحديد النتيجة المثالية وهدف النموذج.
- حدد مخرجات النموذج.
- تعريف مقاييس النجاح.
تحديد النتيجة المثالية وهدف النموذج
بغض النظر عن نموذج تعلُّم الآلة، ما النتيجة المثالية؟ بمعنى آخر، ما هو المهمة بالضبط التي تريد أن يؤديها منتجك أو ميزتك؟ تمامًا عبارة حددتها سابقًا في تحديد الهدف .
اربط هدف النموذج بالنتيجة المثالية من خلال تحديد ما تريد التي تريد أن يفعلها النموذج. يوضح الجدول التالي النتائج المثالية للتطبيقات الافتراضية:
| التطبيق | النتيجة المثالية | هدف النموذج |
|---|---|---|
| تطبيق الطقس | احسب نسبة هطول الأمطار بزيادات تبلغ ست ساعات لمنطقة جغرافية. | يمكنك توقُّع كمية هطول الأمطار خلال ست ساعات في مناطق جغرافية معيّنة. |
| تطبيق الموضة | إنشاء مجموعة متنوعة من تصميمات القمصان. | إنشاء ثلاثة أنواع مختلفة من تصميم القميص من نص وصورة، حيث ينص النص على النمط واللون وتكون الصورة هي نوع قميص (قميص، قميص، قميص، قميص، بولو). |
| تطبيق الفيديو | اقتراح فيديوهات مفيدة | توقَّع ما إذا كان المستخدم سينقر على فيديو أم لا. |
| تطبيق البريد | رصد المحتوى غير المرغوب فيه | توقّع ما إذا كانت الرسالة الإلكترونية رسالة غير مرغوب فيها أم لا. |
| تطبيق مالي | يمكنك تلخيص المعلومات المالية من مصادر إخبارية متعدّدة. | إنشاء ملخصات من 50 كلمة للاتجاهات المالية الرئيسية من الأيام السبعة الماضية |
| تطبيق الخريطة | حساب وقت السفر. | توقَّع مقدار الوقت الذي سيستغرقه السفر بين نقطتين. |
| تطبيق الخدمات المصرفية | تحديد المعاملات الاحتيالية | توقَّع ما إذا كان حامل البطاقة قد أجرى المعاملة. |
| تطبيق لتناول الطعام | تحديد المطبخ من خلال قائمة طعام المطعم. | توقع نوع المطعم. |
| تطبيق التجارة الإلكترونية | إنشاء ردود دعم العملاء حول منتجات الشركة. | إنشاء الردود باستخدام تحليل الآراء والمؤسسة وقاعدة معرفية. |
تحديد الناتج الذي تحتاجه
ويعتمد اختيارك لنوع النموذج على السياق والقيود المحددة المتعلقة بمشكلتك. ينبغي أن ينجز مخرجات النموذج المهمة المحددة في بالنتيجة المثالية. وبالتالي، فإن السؤال الأول الذي يجب الإجابة عنه هو "ما نوع الناتج الذي أحتاجه لحل مشكلتي؟"
وإذا كنت بحاجة إلى تصنيف شيء ما أو إجراء تنبؤ رقمي، فمن المحتمل أن استخدام التعلم الآلي التنبؤي. إذا احتجت إلى صناعة محتوى جديد أو إنتاج محتوى المتعلقة بفهم اللغة الطبيعية، فسيستخدم على الأرجح الذكاء الاصطناعي التوليدي.
تسرد الجداول التالية المخرجات القائمة على التوقّعات وتعلُّم الآلة والذكاء الاصطناعي التوليدي:
| نظام تعلُّم الآلة | مثال على الناتج | |
|---|---|---|
| التصنيف | برنامج ثنائي | تصنيف رسالة إلكترونية كرسائل غير مرغوب فيها أو ليست غير مرغوب فيها. |
| تصنيف واحد متعدد الفئات | صنِّف حيوانًا في صورة. | |
| تصنيفات متعددة الفئات | صنِّف جميع الحيوانات في صورة. | |
| رقمي | الانحدار أحادي الأبعاد | توقَّع عدد المشاهدات التي سيحصدها فيديو معيّن. |
| الانحدار متعدد الأبعاد | توقع ضغط الدم ومعدل ضربات القلب ومستويات الكوليسترول في فرد. |
| نوع الطراز | مثال على الناتج |
|---|---|
| النص |
تلخيص مقالة الردّ على مراجعات العملاء ترجمة المستندات من الإنجليزية إلى الماندرين. اكتب أوصاف المنتجات. تحليل المستندات القانونية
|
| صورة |
أنتج صورًا تسويقية. يمكنك تطبيق التأثيرات المرئية على الصور. إنشاء أشكال مختلفة لتصميم المنتج.
|
| الصوت |
إنشاء مربّع حوار بلكنة معيّنة
إنشاء مقطوعة موسيقية قصيرة من نوع معين، مثل
جاز.
|
| فيديو |
إنشاء فيديوهات تبدو واقعية
تحليل لقطات الفيديو وتطبيق المؤثرات البصرية.
|
| متعدد الوسائط | إنتاج أنواع متعددة من الإخراج، مثل فيديو يتضمن ترجمة نصية. |
التصنيف
نموذج تصنيف يتنبأ بالفئة التي تنتمي إليها البيانات المدخلة، على سبيل المثال، ما إذا كان المدخل أنه يجب تصنيفها على أنها أ أو ب أو ج.
الشكل 1. يشير ذلك المصطلح إلى نموذج تصنيف ينفِّذ التوقّعات.
استنادًا إلى توقع النموذج، قد يتخذ تطبيقك قرارًا. على سبيل المثال، إذا التنبؤ هو الفئة A، ثم إجراء س؛ إذا كان التنبؤ من الفئة "ب"، تفعل، ص؛ إذا كان التنبؤ من الفئة C، فعندئذٍ قم بـ Z. في بعض الحالات، قد لا يكون التنبؤ هو ناتج التطبيق.
الشكل 2. يتم استخدام مخرجات نموذج التصنيف في رمز المنتج من أجل اتخاذ قرار.
الانحدار
يتوقع نموذج الانحدار قيمة عددية.
الشكل 3. يشير ذلك المصطلح إلى نموذج انحدار ينفِّذ توقُّعًا رقميًا.
استنادًا إلى توقع النموذج، قد يتخذ تطبيقك قرارًا. على سبيل المثال، إذا يقع التنبؤ ضمن النطاق A، هل س؛ إذا كان التوقّع يقع ضمن النطاق ب، افعل ص؛ إذا كان التنبؤ يقع ضمن النطاق C، Do Z. في بعض الحالات، التنبؤ هو إخراج التطبيق.
الشكل 4. ويُستخدَم مخرجات نموذج الانحدار في رمز المنتج لإجراء القرار.
إليك السيناريو التالي:
تريد التخزين المؤقت الفيديوهات استنادًا إلى مدى رواجها المتوقّع. أو بعبارةٍ أخرى، إذا كان النموذج أن الفيديو سيكون مشهورًا، وتريد عرضه بسرعة للمستخدمين. إلى لذلك، ستستخدم ذاكرة التخزين المؤقت الأكثر فعالية وتكلفة. بالنسبة إلى مقاطع الفيديو الأخرى، ستستخدم ذاكرة تخزين مؤقت مختلفة. في ما يلي معايير التخزين المؤقت:
- إذا كان من المتوقّع أن يحصد الفيديو 50 مشاهدة أو أكثر، عليك استخدام ذاكرة التخزين المؤقت.
- إذا كان من المتوقّع أن يحقّق الفيديو بين 30 و50 مشاهدة، عليك خفض السعر ذاكرة التخزين المؤقت.
- إذا كان من المتوقع أن يحصل الفيديو على أقل من 30 مشاهدة، فلن يتم تخزين الفيديو القادم.
وأنت تعتقد أن نموذج الانحدار هو النهج الصحيح لأنك ستتنبأ قيمة عددية - عدد المشاهدات. ومع ذلك، عند تطبيق الانحدار ، فإنك تدرك أنها ينتج نفس الخسارة للتوقعات 28 و32 بالنسبة إلى الفيديوهات التي حصدت 30 مشاهدة بمعنى آخر، على الرغم من أن التطبيق سيحتوي على سلوك مختلف إذا كان التنبؤ 28 مقابل 32، فإن النموذج يراعي كليهما والتنبؤات جيدة بنفس القدر.
الشكل 5. يشير ذلك المصطلح إلى تدريب نموذج الانحدار.
لا تكون نماذج الانحدار على دراية بالحدود المحدّدة للمنتج. لذلك، إذا كان يتغير سلوك التطبيق بشكل كبير بسبب الاختلافات الصغيرة في في تنبؤات نموذج الانحدار، ننصحك بتطبيق المستخدم بدلاً من ذلك.
في هذا السيناريو، سينتج أي نموذج تصنيف السلوك الصحيح لأن أي نموذج تصنيف سينتج عنه خسارة أعلى للتنبؤ 28 من 32. بمعنى آخر، ينتج عن نماذج التصنيف حدودًا تلقائيًا.
يسلط هذا السيناريو الضوء على نقطتين مهمتين:
توقّع القرار: توقَّع القرار الذي سيتّخذه تطبيقك، عند الإمكان. يستغرقها المشروع. في مثال الفيديو، سيتنبأ نموذج التصنيف بـ بشكل صحيح إذا كانت الفئات التي صنفها الفيديو ضمنها "ليست هناك ذاكرة تخزين مؤقت"، "رخيص ذاكرة التخزين المؤقت و"ذاكرة التخزين المؤقت باهظة الثمن". يمكن أن يؤدي إخفاء سلوك تطبيقك عن النموذج إلى يتسبب في اتخاذ تطبيقك للسلوك الخاطئ.
فهم قيود المشكلة: إذا كان تطبيقك مختلفًا إجراءات استنادًا إلى حدود مختلفة، وتحديد ما إذا كانت هذه الحدود ثابتة أو ديناميكية.
- الحدود الديناميكية: إذا كانت الحدود ديناميكية، استخدِم نموذج انحدار وضبط الحدود في رمز تطبيقك يتيح لك ذلك سهولة تعديل الحدود مع الحفاظ على توفير النموذج والتنبؤات.
- الحدود الثابتة: إذا كانت الحدود ثابتة، استخدِم نموذج تصنيف. وقم بتسمية مجموعات البيانات الخاصة بك بناءً على الحدود الدنيا.
بوجه عام، تكون معظم عمليات توفير ذاكرة التخزين المؤقت ديناميكية ويتم تغيير الحدود بمرور الوقت. لذلك، ونظرًا لأن هذه مشكلة في ذاكرة التخزين المؤقت تحديدًا، ونموذج الانحدار هو الخيار الأفضل. ومع ذلك، بالنسبة للعديد من المشكلات، فسيتم إصلاح الحدود، مما يجعل نموذج التصنيف أفضل الحلول.
لنلقِ نظرة على مثال آخر. إذا كنت تقوم بإنشاء تطبيق طقس
فإن النتيجة المثالية هي إخبار المستخدمين بكمية هطول الأمطار في الساعات الست القادمة،
يمكنك استخدام نموذج انحدار للتنبؤ بالتصنيف precipitation_amount.
| النتيجة المثالية | التصنيف المثالي |
|---|---|
| إخبار المستخدمين بمدى هطول الأمطار في منطقتهم الساعات الست القادمة. | precipitation_amount
|
في مثال تطبيق الطقس، تتناول التسمية مباشرة النتيجة المثالية.
ومع ذلك، في بعض الحالات، لا تكون العلاقة واحد لواحد واضحة بين
النتيجة المثالية والتسمية. على سبيل المثال، في تطبيق الفيديو، تكون النتيجة المثالية
لاقتراح فيديوهات مفيدة ومع ذلك، لا توجد تسمية في مجموعة البيانات تسمى
useful_to_user.
| النتيجة المثالية | التصنيف المثالي |
|---|---|
| اقتراح فيديوهات مفيدة: | ? |
لذا، يجب أن تجد تصنيفًا للخادم الوكيل.
تصنيفات الخادم الوكيل
تستخدم تصنيفات الخادم الوكيل بدلاً من
التسميات غير الموجودة في مجموعة البيانات. وتكون تصنيفات الخادم الوكيل ضرورية في حال تعذّر عليك
بقياس ما تريد التنبؤ به بشكل مباشر. في تطبيق الفيديو، لا يمكننا مباشرةً
قياس ما إذا كان المستخدم سيجد الفيديو مفيدًا أم لا. سيكون من الرائع أن
تضمّنت مجموعة البيانات ميزة useful، ووضَع المستخدمون علامة على جميع الفيديوهات التي عثروا عليها.
أمرًا مفيدًا، ولكن نظرًا لأن مجموعة البيانات ليس كذلك، فإننا سنحتاج إلى تصنيف خادم وكيل
كبدائل للفائدة.
قد يكون تصنيف الخادم الوكيل من أجل الفائدة هو ما إذا كان المستخدم سيشارك أم لا الفيديو.
| النتيجة المثالية | تصنيف الخادم الوكيل |
|---|---|
| اقتراح فيديوهات مفيدة: | shared OR liked |
كن حذرًا مع تصنيفات الخادم الوكيل لأنها لا تقيس بشكل مباشر ما تريد التنبؤ بها. على سبيل المثال، يوضح الجدول التالي المشكلات التي تصنيفات الخادم الوكيل لاقتراح فيديوهات مفيدة:
| تصنيف الخادم الوكيل | المشكلة |
|---|---|
| توقُّع ما إذا كان المستخدم سينقر على زر "الإعجاب" . | لا ينقر معظم المستخدمين على "أعجبني". |
| توقَّع ما إذا كان الفيديو رائجًا أم لا. | غير مخصّصة. قد لا تعجب بعض المستخدمين الفيديوهات الرائجة. |
| توقَّع ما إذا كان المستخدم سيشارك الفيديو أم لا. | بعض المستخدمين لا يشاركون الفيديوهات. في بعض الأحيان، يشارك الأشخاص مقاطع الفيديو للأسباب التالية إنّهم لا يحبونها. |
| توقّع ما إذا كان المستخدم سينقر على "تشغيل". | زيادة المحتوى المضلّل لجذب النقرات |
| توقَّع مدة الفيديو التي يشاهدونها. | يفضّل الفيديوهات الطويلة بشكل مختلف عن الفيديوهات القصيرة. |
| توقّع عدد المرات التي سيعيد فيها المستخدم مشاهدة الفيديو. | عرض السلع التي يمكن إعادة مشاهدتها الفيديوهات عبر أنواع الفيديوهات التي لا يمكن إعادة مشاهدتها. |
لا يمكن أن يكون أي تصنيف للوكيل بديلاً مثاليًا لنتائجك المثالية. سينفّذ كل ذلك تواجه مشكلات محتملة. اختر النوع الذي يحتوي على أقل قدر من المشكلات وحالة الاستخدام.
التحقّق من فهمك
الإنشاء
في معظم الحالات، لن يتم تدريب النموذج التوليدي الخاص بك لأنّ ذلك. كميات هائلة من بيانات التدريب والموارد الحاسوبية. بدلاً من ذلك، عليك تخصيص نموذج توليدي مدرّب مسبقًا للحصول على نموذج توليدي إنتاج المخرجات التي تريدها، قد تحتاج إلى استخدام واحد أو أكثر مما يلي التقنيات:
الاستخلاص: لإنشاء من نموذج أكبر، فإنك تنشئ مجموعة بيانات مصنفة اصطناعيًا عن النموذج الأكبر الذي تستخدمه لتدريب النموذج الأصغر. الذكاء الاصطناعي التوليدي تكون عادةً ضخمة وتستهلك موارد كبيرة (مثل أنشطة الذاكرة والكهرباء). ويسمح استخلاص البيانات بشأن المحتوى الأصغر حجمًا والأقل استهلاكًا للموارد لتقريب أداء النموذج الأكبر.
الضبط الدقيق أو ضبط كفاءات المَعلمات لتحسين أداء أي نموذج في مهمة محددة، تحتاج إلى مزيد من تدرب النموذج على مجموعة بيانات تحتوي على أمثلة لنوع المخرجات تريد إنتاجها.
هندسة الطلبات: إلى للحصول على النموذج لأداء مهمة محددة أو إنتاج مخرجات بتنسيق معين، فأنت تخبر النموذج بالمهمة التي تريد القيام به أو شرح كيف تريد تنسيق الإخراج. أو بعبارةٍ أخرى، يمكن أن يتضمن تعليمات لغوية طبيعية حول كيفية تنفيذ المهمة أو أمثلة توضيحية للمخرجات المطلوبة.
على سبيل المثال، إذا كنت تريد ملخصات قصيرة للمقالات، يمكنك إدخال التالي:
Produce 100-word summaries for each article.فإذا أردت أن ينشئ النموذج نصًا لمستوى قراءة معين، يمكنك إدخال ما يلي:
All the output should be at a reading level for a 12-year-old.إذا أردت أن يقدم النموذج مخرجاته بتنسيق معين، يمكنك ونوضح كيفية تنسيق الإخراج - على سبيل المثال، "تنسيق نتائجك في جدول" - أو يمكنك توضيح المهمة من خلال إعطائها أمثلة. على سبيل المثال، يمكنك إدخال ما يلي:
Translate words from English to Spanish. English: Car Spanish: Auto English: Airplane Spanish: Avión English: Home Spanish:______
تؤدي استخلاص المعلومات والضبط إلى تحديث المَعلمات: هندسة الطلبات لا يحدّث معاملات النموذج. بدلاً من ذلك، تساعد هندسة المطالبة نموذج تعلم كيفية إنتاج مخرج معين من سياق المطالبة.
في بعض الحالات، ستحتاج أيضًا إلى مجموعة بيانات اختبار لتقييم ناتج النموذج التوليدي مقابل القيم المعروفة، على سبيل المثال، التحقّق من وتكون ملخّصات النموذج مشابهة للملخّصات التي ينشئها البشر، أو أنّ البشر يقيّمون ملخصات النموذج جيدة.
يمكن أيضًا استخدام الذكاء الاصطناعي التوليدي لتطبيق تعلُّم الآلة التنبؤي حل مثل التصنيف أو الانحدار. فعلى سبيل المثال، بسبب معرفته العميقة باللغة الطبيعية، النماذج اللغوية الكبيرة (LLM) يمكنه بشكل متكرر تنفيذ مهام تصنيف النصوص بشكل أفضل من تعلُّم الآلة التنبؤي تدريبًا على مهمة محددة.
تحديد مقاييس النجاح
حدِّد المقاييس التي ستستخدمها لتحديد ما إذا كان تنفيذ تعلُّم الآلة أم لا بنجاح. تحدد مقاييس النجاح ما يهمّك، مثل التفاعل أو مساعدة المستخدمين على اتخاذ الإجراء المناسب، مثل مشاهدة الفيديوهات التي سيعثرون عليها مفيدة. تختلف مقاييس النجاح عن مقاييس تقييم النموذج، مثل الدقة، الدقة، تذكُّر AUC.
على سبيل المثال، قد يتم تعريف مقاييس نجاح وفشل تطبيق الطقس على أنه ما يلي:
| تمت العملية بنجاح | يفتح المستخدمون رابط "هل ستمطر؟" تظهر بشكل أكثر تكرارًا بنسبة 50% أكثر مما كان عليه من قبل. |
|---|---|
| تعذُّر التحقّق | يفتح المستخدمون رابط "هل ستمطر؟" لا تظهر في كثير من الأحيان أكثر من من قبل. |
يمكن تعريف مقاييس تطبيق الفيديو على النحو التالي:
| تمت العملية بنجاح | يقضي المستخدمون في المتوسط وقتًا أكثر بنسبة 20 في المائة على الموقع. |
|---|---|
| تعذُّر التحقّق | لا يقضي المستخدمون في المتوسط وقتًا أكثر في الموقع أكثر من أي وقت مضى. |
وننصحك بتحديد مقاييس طموحة للنجاح. يمكن أن تؤدي الطموحات العالية إلى حدوث فجوات بين النجاح والفشل. على سبيل المثال، ينفق المستخدمون في المتوسط بنسبة 10% من الوقت على الموقع أكثر من ذي قبل لا يعني ذلك نجاح أو فشل. الفجوة غير المحددة ليست بالأمر المهم.
المهم هو قدرة نموذجك على الاقتراب - أو تتجاوز - تعريف النجاح. فعلى سبيل المثال، عند تحليل خصائص النموذج، الأداء، ففكر في السؤال التالي: هل سيؤدي تحسين النموذج إلى حصولك على أقرب إلى معايير النجاح المحددة؟ فعلى سبيل المثال، قد يتمتع أي نموذج بتقدير ومقاييس التقييم، ولكن لا تقرِّبك من معايير النجاح، مما يشير إلى أنه حتى مع وجود نموذج مثالي، فإنك لن تلبي معايير النجاح التي محددة. ومن ناحية أخرى، قد يحتوي النموذج على مقاييس تقييم ضعيفة، لكن من معايير النجاح، مما يشير إلى أن تحسين النموذج وتقربك أكثر من النجاح.
في ما يلي السمات التي يجب أخذها في الاعتبار عند تحديد ما إذا كان النموذج يستحق المشاهدة التحسين:
ليس جيدًا بما فيه الكفاية، ولكن أريد المتابعة. لا ينبغي استخدام النموذج في بيئة الإنتاج، ولكن بمرور الوقت قد يتم تحسينها بشكل كبير.
حسنًا، أريد المتابعة. يمكن استخدام النموذج في عملية إنتاج البيئة، وقد يتم تحسينها أكثر.
جيد بما فيه الكفاية، ولكن لا يمكن تحسينه. النموذج في مرحلة الإنتاج ، لكنها على الأرجح تكون جيدة بقدر ما تكون.
ليست جيدة بما يكفي ولن تكون كذلك. لا ينبغي استخدام النموذج في بيئة الإنتاج ولن يكون هناك قدر كبير من التدريب على ذلك.
عندما تقرّر تحسين النموذج، أعِد تقييم ما إذا كانت الزيادة في الموارد مثل وقت الهندسة وتكاليف الحوسبة، تبرير التحسين المتنبأ به النموذج.
بعد تحديد مقاييس النجاح والفشل، تحتاج إلى تحديد عدد مرات ستقوم بقياسها. على سبيل المثال، يمكنك قياس مقاييس النجاح ستة بعد مرور أيام، أو ستة أسابيع، أو ستة أشهر من تنفيذ النظام.
عند تحليل مقاييس الفشل، حاول تحديد سبب فشل النظام. بالنسبة قد يكون النموذج تنبؤًا بالفيديوهات التي سينقر عليها المستخدمون، غير أن في اقتراح عناوين تتضمّن محتوى مضلّلاً لجذب النقرات تؤدي إلى زيادة تفاعل المستخدمين الانسحاب. في مثال تطبيق الطقس، قد يتنبأ النموذج بدقة بالوقت ستمطر ولكن على مساحة كبيرة جدًا في منطقة جغرافية كبيرة.
التحقّق من فهمك
تريد شركة أزياء بيع المزيد من الملابس. يقترح شخص ما استخدام التعلم الآلي لتحديد الملابس التي يجب على الشركة تصنيعها. إنهم يعتقدون أنه يمكنهم تدريب عارضة أزياء لتحديد نوع الملابس المناسبة. بعد ويتدربون على النموذج، ويريدون تطبيقه على الكتالوج الخاص بهم الملابس التي يجب صنعها.
كيف يجب عليهم صياغة مشكلتهم في مصطلحات تعلُّم الآلة؟
النتيجة المثالية: عليك تحديد المنتجات المطلوب تصنيعها.
هدف النموذج: توقُّع قطع الملابس المُستخدَمة والموضة.
إخراج النموذج: التصنيف الثنائي، in_fashion،
not_in_fashion
مقاييس النجاح: بيع سبعين في المئة أو أكثر من الملابس الذي تم إجراؤه.
النتيجة المثالية: يمكنك تحديد كمية الأقمشة والمستلزمات التي يجب طلبها.
هدف النموذج: توقُّع الكمية المطلوب تصنيعها من كل سلعة
إخراج النموذج: التصنيف الثنائي، make،
do_not_make
مقاييس النجاح: بيع سبعين في المئة أو أكثر من الملابس الذي تم إجراؤه.