اعلان

لغة البرمجة Machine Learning

Machine Learning  وراء روبوتات المحادثة والنص التنبئي وتطبيقات ترجمة اللغة والعروض التي تقترحها Netflix لك وكيفية تقديم موجز الوسائط الاجتماعية. إنه يشغّل المركبات والآلات المستقلة التي يمكنها تشخيص الحالات الطبية بناءً على الصور.

عندما تنشر الشركات اليوم برامج ذكاء اصطناعي ، فمن المرجح أن تستخدم التعلم الآلي - لدرجة أن المصطلحات تستخدم في كثير من الأحيان بالتبادل ، وفي بعض الأحيان بشكل غامض. التعلم الآلي هو حقل فرعي من الذكاء الاصطناعي يمنح أجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح.

قال توماس دبليو مالون ، الأستاذ في معهد ماساتشوستس للتكنولوجيا ، المدير المؤسس لمركز MIT للذكاء الجماعي: "في السنوات الخمس أو العشر الماضية فقط ، أصبح التعلم الآلي طريقة حاسمة ، ويمكن القول إنها الطريقة الأكثر أهمية ، حيث تتم معظم أجزاء الذكاء الاصطناعي". . "ولهذا السبب يستخدم بعض الأشخاص مصطلحي الذكاء الاصطناعي والتعلم الآلي كمرادفين تقريبًا ... معظم التطورات الحالية في الذكاء الاصطناعي تضمنت التعلم الآلي."


مع الانتشار المتزايد للتعلم الآلي ، من المرجح أن يواجهه كل فرد في مجال الأعمال وسيحتاج إلى بعض المعرفة العملية حول هذا المجال. وجد استطلاع Deloitte لعام 2020 أن 67٪ من الشركات تستخدم التعلم الآلي ، وأن 97٪ تستخدمه أو تخطط لاستخدامه في العام المقبل.

من التصنيع إلى البيع بالتجزئة والخدمات المصرفية إلى المخابز ، حتى الشركات القديمة تستخدم التعلم الآلي لإطلاق قيمة جديدة أو تعزيز الكفاءة. قال أستاذ علوم الكمبيوتر في معهد ماساتشوستس للتكنولوجيا ألكسندر مادري ، مدير مركز MIT للتعلم الآلي القابل للنشر: "يتغير التعلم الآلي ، أو سيتغير ، كل صناعة ، ويحتاج القادة إلى فهم المبادئ الأساسية والإمكانيات والقيود".

أضاف مادري أنه بينما لا يحتاج الجميع إلى معرفة التفاصيل الفنية ، يجب أن يفهموا ما تفعله التكنولوجيا وما يمكنها فعله وما لا يمكنها فعله. "لا أعتقد أن أي شخص يمكنه تحمل عدم إدراك ما يحدث".

يتضمن ذلك إدراك الآثار الاجتماعية والمجتمعية والأخلاقية للتعلم الآلي. "من المهم المشاركة والبدء في فهم هذه الأدوات ، ثم التفكير في كيفية استخدامها بشكل جيد. قال الدكتور جوان لاروفيري ، ماجستير في إدارة الأعمال "16 ، طبيب العناية المركزة لأمراض القلب للأطفال والمؤسس المشارك لمؤسسة The Virtue Foundation غير الربحية ،" علينا استخدام هذه [الأدوات] لصالح الجميع ". "الذكاء الاصطناعي لديه الكثير من الإمكانات لفعل الخير ، ونحن بحاجة حقًا إلى الاحتفاظ بذلك في عدساتنا أثناء تفكيرنا في هذا الأمر. كيف نستخدم هذا لفعل الخير وتحسين العالم؟ "

 

 

ما هوMachine Learning؟

Machine Learning هو مجال فرعي من الذكاء الاصطناعي ، والذي يُعرَّف على نطاق واسع بأنه قدرة الآلة على تقليد السلوك البشري الذكي. تُستخدم أنظمة الذكاء الاصطناعي لأداء المهام المعقدة بطريقة تشبه الطريقة التي يحل بها البشر المشكلات.

الهدف من الذكاء الاصطناعي هو إنشاء نماذج كمبيوتر تظهر "سلوكيات ذكية" مثل البشر ، وفقًا لبوريس كاتز ، عالم الأبحاث الرئيسي ورئيس مجموعة InfoLab في CSAIL. وهذا يعني الآلات التي يمكنها التعرف على مشهد مرئي ، وفهم نص مكتوب بلغة طبيعية ، أو القيام بعمل ما في العالم المادي.

التعلم الآلي هو إحدى طرق استخدام الذكاء الاصطناعي. تم تعريفه في الخمسينيات من القرن الماضي من قبل رائد الذكاء الاصطناعي آرثر صموئيل بأنه "مجال الدراسة الذي يمنح أجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح."

التعريف صحيح ، وفقًا لما قاله ميكي شولمان ، المحاضر في معهد ماساتشوستس للتكنولوجيا سلون ورئيس التعلم الآلي في كينشو ، المتخصص في الذكاء الاصطناعي لمجتمعات المال والاستخبارات الأمريكية. قارن الطريقة التقليدية لبرمجة أجهزة الكمبيوتر ، أو "برنامج 1.0" ، بالخبز ، حيث تتطلب الوصفة كميات دقيقة من المكونات وتطلب من الخباز المزج لفترة محددة من الوقت. تتطلب البرمجة التقليدية بالمثل إنشاء إرشادات مفصلة ليتبعها الكمبيوتر.

لكن في بعض الحالات ، تكون كتابة برنامج ليتبعه الجهاز مستهلكًا للوقت أو مستحيلًا ، مثل تدريب الكمبيوتر على التعرف على صور أشخاص مختلفين. بينما يمكن للبشر القيام بهذه المهمة بسهولة ، فإنه من الصعب إخبار الكمبيوتر بكيفية القيام بها. يأخذ التعلم الآلي نهجًا يتمثل في ترك أجهزة الكمبيوتر تتعلم برمجة نفسها من خلال التجربة.

يبدأ التعلم الآلي بالبيانات - الأرقام أو الصور أو النصوص ، مثل المعاملات المصرفية أو صور الأشخاص أو حتى عناصر المخابز أو سجلات الإصلاح أو بيانات السلاسل الزمنية من أجهزة الاستشعار أو تقارير المبيعات. يتم جمع البيانات وإعدادها لاستخدامها كبيانات تدريب ، أو المعلومات التي سيتم تدريب نموذج التعلم الآلي عليها. كلما زادت البيانات ، كان البرنامج أفضل.

من هناك ، يختار المبرمجون نموذجًا للتعلم الآلي لاستخدامه ، وتوفير البيانات ، والسماح لنموذج الكمبيوتر بتدريب نفسه للعثور على أنماط أو عمل تنبؤات. بمرور الوقت ، يمكن للمبرمج البشري أيضًا تعديل النموذج ، بما في ذلك تغيير معلماته ، للمساعدة في دفعه نحو نتائج أكثر دقة. (موقع AI Weirdness لعالمة الأبحاث جانيل شين هو نظرة مسلية على كيفية تعلم خوارزميات التعلم الآلي وكيف يمكن أن تخطئ - كما حدث عندما حاولت الخوارزمية إنشاء وصفات وإنشاء كعكة الدجاج بالشوكولاتة.)

يتم الاحتفاظ ببعض البيانات من بيانات التدريب لاستخدامها كبيانات تقييم ، والتي تختبر مدى دقة نموذج التعلم الآلي عند عرض بيانات جديدة. والنتيجة هي نموذج يمكن استخدامه في المستقبل مع مجموعات مختلفة من البيانات.

يمكن لخوارزميات التعلم الآلي الناجحة أن تفعل أشياء مختلفة ، كما كتب مالون في موجز بحثي حديث حول الذكاء الاصطناعي ومستقبل العمل شارك في تأليفه أستاذ MIT ومدير CSAIL دانييلا روس وروبرت لوباتشر ، المدير المساعد لمركز MIT للذكاء الجماعي. .

"يمكن أن تكون وظيفة نظام التعلم الآلي وصفية ، بمعنى أن النظام يستخدم البيانات لشرح ما حدث ؛ تنبؤية ، بمعنى أن النظام يستخدم البيانات للتنبؤ بما سيحدث ؛ أو إلزامي ، مما يعني أن النظام سيستخدم البيانات لتقديم اقتراحات حول الإجراء الذي يجب اتخاذه "، كتب الباحثون.

هناك ثلاث فئات فرعية Machine Learning:


يتم تدريب نماذج التعلم الآلي الخاضعة للإشراف باستخدام مجموعات البيانات المصنفة ، والتي تسمح للنماذج بالتعلم والنمو بشكل أكثر دقة بمرور الوقت. على سبيل المثال ، سيتم تدريب الخوارزمية على صور الكلاب وأشياء أخرى ، وكلها مصنفة من قبل البشر ، وستتعلم الآلة طرقًا للتعرف على صور الكلاب من تلقاء نفسها. يعد التعلم الآلي الخاضع للإشراف النوع الأكثر شيوعًا المستخدم اليوم.

في التعلم الآلي غير الخاضع للإشراف ، يبحث البرنامج عن أنماط في البيانات غير المسماة. يمكن للتعلم الآلي غير الخاضع للإشراف العثور على أنماط أو اتجاهات لا يبحث عنها الأشخاص صراحةً. على سبيل المثال ، يمكن لبرنامج التعلم الآلي غير الخاضع للإشراف البحث في بيانات المبيعات عبر الإنترنت وتحديد أنواع مختلفة من العملاء الذين يقومون بعمليات الشراء.

يعمل التعلم الآلي المعزز على تدريب الآلات من خلال التجربة والخطأ لاتخاذ أفضل إجراء من خلال إنشاء نظام للمكافآت. يمكن أن يقوم التعلم المعزز بتدريب النماذج على ممارسة الألعاب أو تدريب المركبات ذاتية القيادة على القيادة عن طريق إخبار الجهاز عندما يتخذ القرارات الصحيحة ، مما يساعده على التعلم بمرور الوقت الإجراءات التي يجب أن يتخذها.

في موجز Work of the Future ، أشار مالون إلى أن Machine Learning هو الأنسب للمواقف التي تحتوي على الكثير من البيانات - آلاف أو ملايين الأمثلة ، مثل التسجيلات من المحادثات السابقة مع العملاء ، أو سجلات أجهزة الاستشعار من الأجهزة ، أو معاملات أجهزة الصراف الآلي. على سبيل المثال ، كانت خدمة الترجمة من Google ممكنة لأنها "تدربت" على الكم الهائل من المعلومات على الويب بلغات مختلفة.

قال مادري إنه في بعض الحالات ، يمكن أن يكتسب التعلم الآلي نظرة ثاقبة أو أتمتة عملية صنع القرار في الحالات التي لا يكون فيها البشر قادرين على ذلك. وقال: "قد لا يكون الأمر أكثر كفاءة وأقل تكلفة فقط أن تقوم خوارزمية بهذا الأمر ، ولكن في بعض الأحيان لا يستطيع البشر فعل ذلك بالمعنى الحرفي للكلمة".

قال مالون إن بحث Google هو مثال على شيء يمكن للبشر القيام به ، ولكن ليس بالمقياس والسرعة اللذين تستطيع بهما نماذج Google إظهار الإجابات المحتملة في كل مرة يكتب فيها شخص ما في استعلام. "هذا ليس مثالاً على أجهزة الكمبيوتر التي تجعل الناس عاطلين عن العمل. إنه مثال على قيام أجهزة الكمبيوتر بأشياء لم تكن مجدية اقتصاديًا عن بعد إذا كان يجب على البشر فعلها ".

يرتبط Machine Learning أيضًا بالعديد من الحقول الفرعية الأخرى للذكاء الاصطناعي:

معالجة اللغة الطبيعية


معالجة اللغة الطبيعية هي مجال من مجالات التعلم الآلي حيث تتعلم الآلات فهم اللغة الطبيعية كما يتحدثها البشر ويكتبونها ، بدلاً من البيانات والأرقام المستخدمة عادةً في برمجة أجهزة الكمبيوتر. يتيح ذلك للآلات التعرف على اللغة وفهمها والاستجابة لها ، بالإضافة إلى إنشاء نص جديد وترجمته بين اللغات. تمكّن معالجة اللغة الطبيعية التقنيات المألوفة مثل روبوتات المحادثة والمساعدين الرقميين مثل Siri أو Alexa.

الشبكات العصبية


الشبكات العصبية هي فئة محددة شائعة الاستخدام من خوارزميات التعلم الآلي. تم تصميم الشبكات العصبية الاصطناعية على غرار الدماغ البشري ، حيث يتم ربط الآلاف أو الملايين من عقد المعالجة وتنظيمها في طبقات.

في الشبكة العصبية الاصطناعية ، يتم توصيل الخلايا أو العقد ، مع مدخلات معالجة كل خلية وإنتاج مخرجات يتم إرسالها إلى الخلايا العصبية الأخرى. تنتقل البيانات المصنفة عبر العقد أو الخلايا ، حيث تؤدي كل خلية وظيفة مختلفة. في شبكة عصبية مدربة على تحديد ما إذا كانت الصورة تحتوي على قطة أم لا ، تقوم العقد المختلفة بتقييم المعلومات والوصول إلى ناتج يشير إلى ما إذا كانت الصورة تحتوي على قطة أم لا.

Deep learning


شبكات التعلم العميق هي شبكات عصبية متعددة الطبقات. يمكن للشبكة ذات الطبقات معالجة كميات هائلة من البيانات وتحديد "وزن" كل رابط في الشبكة - على سبيل المثال ، في نظام التعرف على الصور ، قد تكتشف بعض طبقات الشبكة العصبية السمات الفردية للوجه ، مثل العينين والأنف ، أو الفم ، في حين أن طبقة أخرى ستكون قادرة على معرفة ما إذا كانت هذه الميزات تظهر بطريقة تشير إلى الوجه.

مثل الشبكات العصبية ، تم تصميم التعلم العميق على غرار الطريقة التي يعمل بها العقل البشري ويدعم العديد من استخدامات التعلم الآلي ، مثل المركبات المستقلة وروبوتات المحادثة والتشخيصات الطبية.

قال مالون: "كلما زاد عدد الطبقات لديك ، زادت إمكاناتك للقيام بالأشياء المعقدة بشكل جيد".

يتطلب التعلم العميق قدرًا كبيرًا من القوة الحاسوبية ، مما يثير مخاوف بشأن استدامته الاقتصادية والبيئية. 


كيف تستخدم الشركات Machine Learning

Machine Learning هو جوهر نماذج الأعمال لبعض الشركات ، كما في حالة خوارزمية اقتراحات Netflix أو محرك بحث Google. تنخرط الشركات الأخرى بعمق في التعلم الآلي ، على الرغم من أنه ليس اقتراح الأعمال الرئيسي.


لا يزال آخرون يحاولون تحديد كيفية استخدام التعلم الآلي بطريقة مفيدة. قال شولمان: "في رأيي ، تتمثل إحدى أصعب المشكلات في التعلم الآلي في معرفة المشكلات التي يمكنني حلها باستخدام التعلم الآلي". "لا تزال هناك فجوة في الفهم."

في ورقة بحثية نُشرت عام 2018 ، حدد باحثون من مبادرة معهد ماساتشوستس للتكنولوجيا حول الاقتصاد الرقمي نموذج تقييم مكون من 21 سؤالًا لتحديد ما إذا كانت المهمة مناسبة للتعلم الآلي. وجد الباحثون أنه لا توجد مهنة لن تتأثر بالتعلم الآلي ، ولكن من غير المحتمل أن يتم الاستيلاء عليها بالكامل من قبل أي مهنة. وجد الباحثون أن طريقة إطلاق العنان لنجاح التعلم الآلي هي إعادة تنظيم الوظائف في مهام منفصلة ، بعضها يمكن القيام به عن طريق التعلم الآلي ، والبعض الآخر يتطلب إنسانًا.

كتابة تعليق