بعد التأكّد من أنّ أفضل طريقة لحل مشكلتك هي باستخدام تعلُّم الآلة التوقّعي أو نهج الذكاء الاصطناعي التوليدي، ستصبح جاهزًا لتحديد المشكلة من خلال مصطلحات تعلُّم الآلة. يمكنك صياغة مشكلة في مصطلحات تعلّم الآلة من خلال إكمال المهام التالية:
- تحديد النتيجة المثالية وهدف النموذج.
- حدِّد مخرجات النموذج.
- تعريف مقاييس النجاح.
تحديد النتيجة المثالية وهدف النموذج
ما هي النتيجة المثالية، بصرف النظر عن نموذج تعلُّم الآلة؟ بمعنى آخر، ما المهمة الدقيقة التي تريد أن يؤديها منتجك أو ميزتك؟ هذا هو نفس البيان الذي حددته سابقًا في قسم تحديد الهدف.
اربط هدف النموذج بالنتيجة المثالية من خلال التحديد الصريح لما تريد أن يفعله النموذج. يوضح الجدول التالي النتائج المثالية وهدف النموذج للتطبيقات الافتراضية:
| التطبيق | النتيجة المثالية | هدف النموذج |
|---|---|---|
| تطبيق الطقس | حساب هطول الأمطار بزيادات ست ساعات لمنطقة جغرافية. | يمكنك توقع كميات هطول الأمطار لمدة ست ساعات في مناطق جغرافية محددة. |
| تطبيق الموضة | إنشاء مجموعة متنوعة من تصميمات القمصان. | أنشِئ ثلاثة أنواع مختلفة من تصميم القميص من نص وصورة، حيث يوضّح النص النمط واللون، والصورة تمثّل نوع القميص (قميص، قميص بأزرار، بولو). |
| تَطْبِيقْ فِيدْيُوهَاتْ | اقتراح فيديوهات مفيدة | توقع ما إذا كان المستخدم سينقر على الفيديو أم لا. |
| تطبيق البريد | رصد الرسائل غير المرغوب فيها | التنبؤ بما إذا كانت الرسالة الإلكترونية غير مرغوب فيها أم لا. |
| تطبيق مالي | لخّص المعلومات المالية من مصادر أخبار متعددة. | إنشاء ملخّصات من 50 كلمة للمؤشرات المالية الرئيسية من الأيام السبعة السابقة |
| تطبيق الخريطة | حساب وقت الرحلة: | توقع كم من الوقت سيستغرق التنقل بين نقطتين. |
| تطبيق الخدمات المصرفية | تحديد المعاملات الاحتيالية | توقع ما إذا كان صاحب البطاقة قد أجرى معاملة. |
| تطبيق تناول الطعام | يمكنك التعرّف على المأكولات حسب قائمة الطعام في المطعم. | توقع نوع المطعم. |
| تطبيق تجارة إلكترونية | إنشاء ردود لدعم العملاء حول منتجات الشركة | يمكنك إنشاء ردود باستخدام تحليل الآراء والقاعدة المعرفية للمؤسسة. |
تحديد الإخراج الذي تحتاجه
يعتمد اختيارك لنوع النموذج على السياق والقيود المحدّدة لمشكلتك. ينبغي أن ينجز مخرجات النموذج المهمة المحددة في النتيجة المثالية. وبالتالي، فإن السؤال الأول الذي يجب الإجابة عنه هو "ما نوع المخرجات التي أحتاجها لحل مشكلتي؟"
إذا كنت بحاجة إلى تصنيف شيء ما أو عمل تنبؤ رقمي، فمن المحتمل أن تستخدم تعلم الآلة التنبؤية. إذا كنت بحاجة إلى إنشاء محتوى جديد أو إنتاج مخرجات ذات صلة بفهم اللغات الطبيعية، من المحتمل أن تستخدم الذكاء الاصطناعي التوليدي.
تسرد الجداول التالية مخرجات تعلُّم الآلة القائمة على التوقّعات والذكاء الاصطناعي التوليدي:
| نظام تعلُّم الآلة | مثال على المُخرجات | |
|---|---|---|
| التصنيف | برنامج ثنائي | تصنيف رسالة إلكترونية كرسالة غير مرغوب فيها أو أنها ليست رسالة غير مرغوب فيها. |
| تصنيف واحد متعدد الفئات | تصنيف حيوان في صورة | |
| تصنيفات متعدّدة لفئات متعدّدة | صنِّف جميع الحيوانات في صورة واحدة. | |
| رقمي | الانحدار الأحادي الأبعاد | توقّع عدد المشاهدات التي يحصدها فيديو معيّن. |
| الانحدار متعدد الأبعاد | تتيح توقُّع ضغط الدم ومعدّل نبضات القلب ومستويات الكوليسترول للشخص. |
| نوع النموذج | مثال على المُخرجات |
|---|---|
| النص |
لخص مقالة. الردّ على مراجعات العملاء يمكنك ترجمة المستندات من الإنجليزية إلى الماندرين. اكتب أوصاف المنتجات. تحليل المستندات القانونية
|
| صورة |
إنتاج صور تسويقية. تطبيق التأثيرات البصرية على الصور إنشاء أشكال مختلفة من تصميم المنتج.
|
| الصوت |
إنشاء حوار بلكنة معيّنة.
إنشاء مقطوعة موسيقية قصيرة ضمن نوع معيّن، مثل
موسيقى الجاز
|
| حملة فيديو |
أنشِئ فيديوهات تبدو واقعية.
تحليل لقطات الفيديو وتطبيق التأثيرات البصرية.
|
| متعدد الوسائط | أنتِج أنواعًا متعددة من المخرجات، مثل فيديو يتضمّن ترجمة وشرحًا نصيًا. |
التصنيف
يتوقع نموذج التصنيف الفئة التي تنتمي إليها بيانات الإدخال، على سبيل المثال، ما إذا كان يجب تصنيف المدخل على أنه A أو B أو C.
الشكل 1. يشير ذلك المصطلح إلى نموذج تصنيفي يقدِّم التنبؤات.
استنادًا إلى توقّعات النموذج، قد يتخذ تطبيقك قرارًا. على سبيل المثال، إذا كان التوقع هو الفئة "أ"، افعل "س"، وإذا كان التوقع هو الفئة "ب"، فإن التوقع هو الفئة "ب"، فإن التوقع هو الفئة "ج"، وعندها افعل ع. وفي بعض الحالات، يكون التوقع هو نتيجة التطبيق.
الشكل 2. مخرجات نموذج التصنيف المستخدمة في رمز المنتج لاتخاذ قرار.
الانحدار
يتوقّع نموذج الانحدار قيمة عددية.
الشكل 3. يشير ذلك المصطلح إلى نموذج انحدار يقدّم توقُّعًا رقميًا.
استنادًا إلى توقّعات النموذج، قد يتخذ تطبيقك قرارًا. على سبيل المثال، إذا كان التنبؤ يقع ضمن النطاق أ، القيام بـ س، وإذا كان التوقع يقع ضمن النطاق ب، فنفذ ص؛ وإذا كان التوقع يقع ضمن النطاق ج، قم بتنفيذ ي. في بعض الحالات، يكون التوقع هو نتيجة التطبيق.
الشكل 4. ناتج نموذج الانحدار المستخدم في رمز المنتج لاتخاذ قرار.
ضع في اعتبارك السيناريو التالي:
يمكنك تخزين مقاطع الفيديو مؤقتًا بناءً على مدى رواجها المتوقع. بمعنى آخر، إذا توقّع نموذجك أنّ الفيديو سيكون شائعًا، ستحتاج إلى عرضه بسرعة على المستخدمين. للقيام بذلك، 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 المتوقع أن يحصل الفيديو على 50 مشاهدة أو أكثر، ستستخدم ذاكرة التخزين المؤقت باهظة الثمن.
- إذا كان من المتوقع أن يحصل الفيديو على ما بين 30 و50 مشاهدة، ستستخدم ذاكرة التخزين المؤقت الرخيصة.
- إذا كان من المتوقّع أن يحقّق الفيديو أقل من 30 مشاهدة، لن يتم تخزينه في ذاكرة التخزين المؤقت.
أنت تعتقد أن نموذج الانحدار هو النهج الصحيح لأنك ستتنبأ بقيمة رقمية - عدد المشاهدات. مع ذلك، عند تطبيق نموذج الانحدار، تدرك أنه يؤدي إلى النتيجة نفسها الخسارة للتنبؤ بالرقمين 28 و32 للفيديوهات التي حصدت 30 مشاهدة. بعبارة أخرى، على الرغم من أن تطبيقك سيكون له سلوك مختلف جدًا إذا كان التوقع 28 مقابل 32، فإن النموذج يعتبر كلا التوقعين جيدين على قدم المساواة.
الشكل 5. تدريب أحد نماذج الانحدار.
لا تدرك نماذج الانحدار الحدود المحددة للمنتج. ولذلك، إذا تغيّر سلوك تطبيقك بشكل كبير بسبب الاختلافات الطفيفة في توقعات نموذج الانحدار، عليك التفكير في تطبيق نموذج تصنيف بدلاً من ذلك.
في هذا السيناريو، قد ينتج عن نموذج التصنيف السلوك الصحيح لأن نموذج التصنيف سينتج خسارة أعلى للتنبؤ بقيمة 28 من 32. بمعنى ما، تنتج نماذج التصنيف حدودًا افتراضية.
يوضح هذا السيناريو نقطتين مهمتين:
توقّع القرار: توقّع القرار الذي سيتخذه تطبيقك، متى أمكن ذلك. ففي مثال الفيديو، يتنبأ نموذج التصنيف بالقرار إذا كانت الفئات التي يصنف بها مقاطع الفيديو ضمن "لا ذاكرة تخزين مؤقت" و"ذاكرة تخزين مؤقت رخيصة" و "ذاكرة تخزين مؤقت باهظة الثمن". يمكن أن يؤدي إخفاء سلوك تطبيقك عن النموذج إلى إصدار سلوك غير صحيح في تطبيقك.
فهم قيود المشكلة. إذا كان تطبيقك يتخذ إجراءات مختلفة استنادًا إلى حدود مختلفة، حدِّد ما إذا كانت هذه الحدود ثابتة أو ديناميكية.
- الحدود الديناميكية: إذا كانت الحدود ديناميكية، استخدِم نموذج انحدار واضبط الحدود في رمز تطبيقك. ويتيح لك ذلك تعديل الحدود بسهولة مع السماح للنموذج بتقديم توقّعات معقولة.
- الحدود الثابتة: إذا تم تثبيت الحدود الدنيا، يمكنك استخدام نموذج تصنيف وتصنيف مجموعات البيانات استنادًا إلى حدود الحدود الدنيا.
وبوجهٍ عام، تكون معظم عمليات توفير ذاكرة التخزين المؤقت ديناميكية وتتغير الحدود مع مرور الوقت. وبالتالي، وبما أن هذه إحدى مشكلات التخزين المؤقت على وجه التحديد، فإن نموذج الانحدار هو الخيار الأفضل. ومع ذلك، بالنسبة للعديد من المشكلات، سيتم إصلاح الحدود الدنيا، مما يجعل نموذج التصنيف هو الحل الأفضل.
لنلقِ نظرة على مثال آخر. إذا كنت تنشئ تطبيق طقس تكون نتيجته المثالية هي إخبار المستخدمين
بنسبة هطول الأمطار خلال الساعات الست القادمة،
فيمكنك استخدام نموذج انحدار يتنبأ بالتصنيف precipitation_amount.
| النتيجة المثالية | التصنيف المثالي |
|---|---|
| أخبر المستخدمين بكمية الأمطار التي ستمطر في منطقتهم في الساعات الست القادمة. | precipitation_amount
|
في مثال تطبيق الطقس، تتناول التسمية مباشرة النتيجة المثالية.
ومع ذلك، في بعض الحالات، لا تكون العلاقة
الفردية واضحة بين النتيجة المثالية والتسمية. على سبيل المثال، في تطبيق الفيديو، فإن النتيجة المثالية
هي اقتراح مقاطع فيديو مفيدة. مع ذلك، لا يوجد تصنيف في مجموعة البيانات يُسمى useful_to_user.
| النتيجة المثالية | التصنيف المثالي |
|---|---|
| اقتراح فيديوهات مفيدة | ? |
لذلك، يجب أن تعثر على تسمية خادم وكيل.
تصنيفات الخادم الوكيل
تصنيفات الخادم الوكيل هي بديل للتسميات
غير الموجودة في مجموعة البيانات. تكون تسميات الوكيل ضرورية عندما لا يمكنك
قياس ما تريد توقعه بشكل مباشر. في تطبيق الفيديو، لا يمكننا قياس ما إذا كان
المستخدم سيجد فيديو مفيدًا أم لا. سيكون من الرائع أن تشتمل مجموعة البيانات على ميزة useful، ووضع المستخدمون علامة على جميع الفيديوهات التي وجدوها مفيدة، ولكن بما أنّ مجموعة البيانات لا تتضمّن هذه الميزة، سنحتاج إلى تسمية خادم وكيل
تحل محل النفع.
قد يكون تصنيف الخادم الوكيل مفيدًا ما إذا كان المستخدم سيشارك الفيديو أو أبدى إعجابًا به.
| النتيجة المثالية | تصنيف الخادم الوكيل |
|---|---|
| اقتراح فيديوهات مفيدة | shared OR liked |
كن حذرًا مع تسميات الوكيل لأنها لا تقيس بشكل مباشر ما تريد توقعه. على سبيل المثال، يوضّح الجدول التالي المشاكل المحتملة في تصنيفات الخادم الوكيل لاقتراح فيديوهات مفيدة:
| تصنيف الخادم الوكيل | المشكلة |
|---|---|
| توقع ما إذا كان المستخدم سينقر على زر "أعجبني". | لا ينقر معظم المستخدمين على "أعجبني" أبدًا. |
| توقع ما إذا كان الفيديو رائجًا أم لا. | غير مخصّص. قد لا تعجب بعض المستخدمين الفيديوهات الرائجة. |
| توقع ما إذا كان المستخدم سيشارك الفيديو أم لا. | بعض المستخدمين لا يشاركون الفيديوهات. يشارك المستخدمون أحيانًا الفيديوهات بسبب عدم إعجابهم بها. |
| توقع ما إذا كان المستخدم سينقر على زر التشغيل أم لا. | زيادة المحتوى المضلّل لجذب النقرات إلى أقصى حد |
| توقّع مدة مشاهدة الفيديو. | يفضِّل الفيديوهات الطويلة بشكل مختلف عن الفيديوهات القصيرة. |
| توقع عدد المرات التي سيعيد فيها المستخدم مشاهدة الفيديو. | تفضّل الفيديوهات التي يمكن إعادة مشاهدتها على أنواع الفيديوهات التي لا يمكن إعادة مشاهدتها. |
لا يمكن أن يكون تصنيف الوكيل بديلاً مثاليًا للنتيجة المثالية. سيكون لها جميعًا مشكلات محتملة. اختر النموذج الذي يحتوي على أقل مشكلات لحالة الاستخدام لديك.
التحقّق من استيعابك
الإنشاء
في معظم الحالات، لن تتمكّن من تدريب النموذج التوليدي الخاص بك لأن ذلك يتطلب كميات هائلة من بيانات التدريب والموارد الحسابية. بدلاً من ذلك، ستقوم بتخصيص نموذج توليدي مدرَّب مسبقًا. للحصول على نموذج توليدي لإنتاج الإخراج المطلوب، قد تحتاج إلى استخدام أسلوب واحد أو أكثر من الأساليب التالية:
الاستخلاص: لإنشاء نسخة أصغر من نموذج أكبر، يتم إنشاء مجموعة بيانات اصطناعية مصنّفة من النموذج الأكبر الذي تستخدمه لتدريب النموذج الأصغر حجمًا. عادةً ما تكون النماذج التوليدية ضخمة وتستهلك موارد كثيرة (مثل الذاكرة والكهرباء). يسمح الاستخلاص للنموذج الأصغر حجمًا والأقل كثافة في استخدام الموارد لتقريب أداء النموذج الأكبر.
التوليف الدقيق أو التوليف الفعال مع معلَمات: لتحسين أداء نموذج في مهمة محددة، تحتاج إلى زيادة التدريب على النموذج على مجموعة البيانات التي تحتوي على أمثلة لنوع المخرجات التي تريد إنتاجها.
الهندسة الفورية: لجعل النموذج يؤدي مهمة محددة أو إنتاج مخرجات بتنسيق معين، فإنك تخبر النموذج بالمهمة التي تريد أن يقوم بها أو تشرح كيف تريد تنسيق المخرجات. بمعنى آخر، يمكن أن يتضمّن الطلب تعليمات باللغة الطبيعية حول كيفية تنفيذ المهمة أو أمثلة توضيحية مع المخرجات المطلوبة.
على سبيل المثال، إذا أردت ملخصات قصيرة للمقالات، يمكنك إدخال ما يلي:
Produce 100-word summaries for each article.إذا كنت تريد 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 كنت تريد من النموذج تقديم مخرجاته بتنسيق معين، يمكنك توضيح كيفية تنسيق المخرجات - على سبيل المثال، "تنسيق النتائج 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:______
يعدّل الاستخلاص والضبط معلَمات النموذج. لا تؤدي هندسة المطالبة إلى تحديث معلمات النموذج. بدلاً من ذلك، تساعد الهندسة الفورية النموذج على تعلم كيفية إنتاج الناتج المطلوب من سياق المطالبة.
في بعض الحالات، ستحتاج أيضًا إلى مجموعة بيانات اختبار لتقييم مخرجات النموذج التوليدي مقارنةً بقيم معروفة، على سبيل المثال، التحقّق من أنّ ملخّصات النموذج مشابهة للملخصات التي ينشئها المستخدمون، أو أنّ المراجعين يقيّمون ملخّصات النموذج على أنّها جيدة.
يمكن أيضًا استخدام الذكاء الاصطناعي التوليدي لتنفيذ حلّ تعلُّم الآلة القائمة على التوقّعات، مثل التصنيف أو الانحدار. على سبيل المثال، بإمكان النماذج اللغوية الكبيرة (LLM) بشكل متكرر أداء مهام تصنيف النصوص بشكل أفضل من تقنية تعلُّم الآلة التنبؤية التي تم تدريبها على أداء مهمة محدّدة، وذلك بسبب معرفتهم العميقة باللغة الطبيعية.
تحديد مقاييس النجاح
حدِّد المقاييس التي ستستخدمها لتحديد ما إذا كان تطبيق تعلُّم الآلة ناجحًا أم لا. تحدد مقاييس النجاح ما تهتم به، مثل التفاعل أو مساعدة المستخدمين على اتخاذ الإجراء المناسب مثل مشاهدة الفيديوهات التي يجدونها مفيدة. تختلف مقاييس النجاح عن مقاييس تقييم النموذج، مثل الدقة أو الدقة أو التذكر أو القيم الإضافية (AUC).
على سبيل المثال، يمكن تحديد مقاييس النجاح والفشل لتطبيق الطقس على النحو التالي:
| تم بنجاح | يفتح المستخدمون ميزة "هل ستمطر؟" بنسبة 50 بالمائة أكثر مما كانوا يفعلونه من قبل. |
|---|---|
| تعذّر التحقق | يفتح المستخدمون ميزة "هل ستمطر؟" ليس أكثر من قبل. |
قد يتم تعريف مقاييس تطبيق الفيديو على النحو التالي:
| تم بنجاح | يقضي المستخدمون في المتوسط 20 بالمائة من وقتهم على الموقع. |
|---|---|
| تعذّر التحقق | لا يقضي المستخدمون في المتوسط وقتًا أطول على الموقع أكثر من ذي قبل. |
ننصحك بتحديد مقاييس نجاح طموحة. على الرغم من ذلك، يمكن أن تتسبب الطموحات العالية في وجود فجوات بين النجاح والفشل. على سبيل المثال، فالمستخدمون الذين يقضون في المتوسط 10 بالمائة من الوقت على الموقع أكثر من ذي قبل ليس نجاحًا أو إخفاقًا. الفجوة غير المعروفة ليست مهمة.
المهم هو قدرة نموذجك على الاقتراب من تعريف النجاح أو تجاوزه. على سبيل المثال، عند تحليل أداء النموذج، ضع في اعتبارك السؤال التالي: هل سيؤدي تحسين النموذج إلى تقريبك من معايير النجاح المحددة؟ على سبيل المثال، قد يحتوي النموذج على مقاييس تقييم رائعة، ولكنه لا يقترب من معايير النجاح الخاصة بك، مما يشير إلى أنه حتى مع النموذج المثالي، لن تفي بمعايير النجاح التي حددتها. من ناحية أخرى، قد يحتوي النموذج على مقاييس تقييم ضعيفة، ولكنه يقربك من معايير النجاح الخاصة بك، مما يشير إلى أن تحسين النموذج سيقربك من النجاح.
في ما يلي السمات التي يجب مراعاتها عند تحديد ما إذا كان النموذج يستحق التحسين:
إجابتك غير كافية، ولكن يجب المتابعة. لا ينبغي استخدام النموذج في بيئة إنتاج، ولكن مع مرور الوقت قد يتم تحسينه بشكل كبير.
كفاية، ويستمر. يمكن استخدام النموذج في بيئة الإنتاج، ويمكن تحسينه بشكل أكبر.
هذا جيد بما فيه الكفاية، ولكن لا يمكن تحسينه. النموذج في بيئة إنتاج، ولكن ربما يكون جيدًا ما يمكن أن يكون عليه.
هذه ليست جيدة بما يكفي ولن تكون كذلك على الإطلاق. ينبغي عدم استخدام النموذج في بيئة إنتاج ومن المحتمل ألا يصله أي قدر من التدريب هناك.
عند اتخاذ قرار بتحسين النموذج، يجب إعادة تقييم ما إذا كانت الزيادة في الموارد، مثل وقت الهندسة وتكاليف الحوسبة، تبرّر التحسين المتوقّع للنموذج.
بعد تحديد مقاييس النجاح والفشل، تحتاج إلى تحديد عدد مرات قياسها. على سبيل المثال، يمكنك قياس مقاييس نجاحك بعد ستة أيام أو ستة أسابيع أو ستة أشهر من تنفيذ النظام.
عند تحليل مقاييس الفشل، حاول تحديد سبب فشل النظام. مثلاً، قد يتنبأ النموذج بالفيديوهات التي سينقر عليها المستخدمون، إلا أنّ النموذج قد يبدأ في اقتراح عناوين محتوى مضلّل لجذب النقرات التي تؤدي إلى انخفاض نسبة تفاعل المستخدمين. وفي مثال تطبيق الطقس، قد يتوقع النموذج بدقة وقت هطول الأمطار، ولكن في منطقة جغرافية كبيرة جدًا.
التحقّق من استيعابك
تريد شركة أزياء بيع المزيد من الملابس. يقترح أحد الأشخاص استخدام تعلُّم الآلة لتحديد الملابس التي يجب على الشركة تصنيعها. وهم يعتقدون أنّ بإمكانهم تدريب عارضة أزياء لتحديد نوع الملابس المناسبة للأزياء. وبعد تدريب النموذج، يريدون تطبيقه على الكتالوج الخاص بهم لتحديد الملابس التي يجب صنعها.
كيف يجب أن يضع إطارًا لمشكلته في مصطلحات تعلُّم الآلة؟
النتيجة المثالية: حدِّد المنتجات المطلوب تصنيعها.
هدف عارضة الأزياء: توقّع أنواع الملابس التي تظهر في موضة.
إخراج النموذج: التصنيف الثنائي، in_fashion،
not_in_fashion
مقاييس النجاح: بيع سبعين بالمائة أو أكثر من الملابس المصنوعة.
النتيجة المثالية: حدِّد كمية القماش والمستلزمات التي سيتم طلبها.
هدف النموذج: يمكنك توقع كمية المنتجات المطلوب تصنيعها.
إخراج النموذج: التصنيف الثنائي، make،
do_not_make
مقاييس النجاح: بيع سبعين بالمائة أو أكثر من الملابس المصنوعة.