جدول المحتويات[يخفي][يعرض]
يمكننا الآن حساب امتداد الفضاء والتعقيدات الدقيقة للجسيمات دون الذرية بفضل أجهزة الكمبيوتر.
تتفوق أجهزة الكمبيوتر على البشر عندما يتعلق الأمر بالعد والحساب ، وكذلك اتباع العمليات المنطقية بنعم / لا ، وذلك بفضل الإلكترونات التي تنتقل بسرعة الضوء عبر دوائرها.
ومع ذلك ، فإننا لا نعتبرهم غالبًا "أذكياء" لأنه في الماضي ، لم يكن بمقدور أجهزة الكمبيوتر أداء أي شيء دون أن يتم تعليمها (برمجتها) من قبل البشر.
التعلم الآلي ، بما في ذلك التعلم العميق و الذكاء الاصطناعيأصبحت كلمة رنانة في عناوين الأخبار العلمية والتكنولوجية.
يبدو أن التعلم الآلي منتشر في كل مكان ، لكن الكثير من الأشخاص الذين يستخدمون الكلمة سيكافحون لتحديد ماهيتها ، وماذا تفعل ، وما هي أفضل استخدام لها.
تسعى هذه المقالة إلى توضيح التعلم الآلي مع تقديم أمثلة واقعية واقعية لكيفية عمل التكنولوجيا لتوضيح سبب كونها مفيدة للغاية.
بعد ذلك ، سنلقي نظرة على منهجيات التعلم الآلي المختلفة ونرى كيف يتم استخدامها لمواجهة تحديات الأعمال.
أخيرًا ، سوف نستشير الكرة الكريستالية الخاصة بنا للحصول على بعض التوقعات السريعة حول مستقبل التعلم الآلي.
ما هو التعلم الآلي؟
التعلم الآلي هو أحد فروع علوم الكمبيوتر التي تمكن أجهزة الكمبيوتر من استنتاج الأنماط من البيانات دون أن يتم تعليمها صراحةً ماهية هذه الأنماط.
تعتمد هذه الاستنتاجات في كثير من الأحيان على استخدام الخوارزميات لتقييم السمات الإحصائية للبيانات تلقائيًا وتطوير نماذج رياضية لتصوير العلاقة بين القيم المختلفة.
قارن هذا مع الحوسبة الكلاسيكية ، التي تستند إلى أنظمة حتمية ، حيث نعطي الكمبيوتر بشكل صريح مجموعة من القواعد التي يجب اتباعها حتى يقوم بمهمة معينة.
تُعرف طريقة برمجة أجهزة الكمبيوتر هذه باسم البرمجة المستندة إلى القواعد. يختلف التعلم الآلي عن البرمجة المستندة إلى القواعد ويتفوق عليها في أنه يمكنه استنتاج هذه القواعد من تلقاء نفسه.
افترض أنك مدير بنك يريد تحديد ما إذا كان طلب القرض سيفشل في سداد قرضه.
في طريقة قائمة على القواعد ، يقوم مدير البنك (أو غيره من المتخصصين) بإبلاغ الكمبيوتر صراحة أنه إذا كانت الدرجة الائتمانية لمقدم الطلب أقل من مستوى معين ، فيجب رفض الطلب.
ومع ذلك ، فإن برنامج التعلم الآلي من شأنه ببساطة تحليل البيانات السابقة عن التصنيفات الائتمانية للعملاء ونتائج القروض وتحديد ما يجب أن تكون عليه هذه العتبة بمفردها.
يتعلم الجهاز من البيانات السابقة وينشئ قواعده الخاصة بهذه الطريقة. بالطبع ، هذا مجرد كتاب تمهيدي عن التعلم الآلي ؛ تعد نماذج التعلم الآلي في العالم الحقيقي أكثر تعقيدًا بشكل ملحوظ من العتبة الأساسية.
ومع ذلك ، فهو دليل ممتاز على إمكانات التعلم الآلي.
كيف أ آلة يتعلم؟
لإبقاء الأمور بسيطة ، "تتعلم" الآلات من خلال اكتشاف الأنماط في البيانات القابلة للمقارنة. اعتبر البيانات على أنها معلومات تجمعها من العالم الخارجي. كلما زادت البيانات التي يتغذى بها الجهاز ، أصبحت "أذكى".
ومع ذلك ، ليست كل البيانات هي نفسها. افترض أنك قرصان ولديك هدف في الحياة للكشف عن الثروات المدفونة في الجزيرة. ستحتاج إلى قدر كبير من المعرفة لتحديد مكان الجائزة.
هذه المعرفة ، مثل البيانات ، يمكن أن تأخذك بطريقة صحيحة أو خاطئة.
كلما زادت المعلومات / البيانات المكتسبة ، قل الغموض والعكس صحيح. نتيجة لذلك ، من الأهمية بمكان التفكير في نوع البيانات التي تغذي جهازك للتعلم منها.
ومع ذلك ، بمجرد توفير كمية كبيرة من البيانات ، يمكن للكمبيوتر إجراء تنبؤات. يمكن للآلات توقع المستقبل طالما أنه لا ينحرف كثيرًا عن الماضي.
الآلات "تتعلم" من خلال تحليل البيانات التاريخية لتحديد ما يمكن أن يحدث.
إذا كانت البيانات القديمة تشبه البيانات الجديدة ، فمن المحتمل أن تنطبق الأشياء التي يمكنك قولها عن البيانات السابقة على البيانات الجديدة. يبدو الأمر كما لو كنت تنظر إلى الوراء لترى إلى الأمام.
ما هي أنواع التعلم الآلي؟
غالبًا ما يتم تصنيف خوارزميات التعلم الآلي إلى ثلاثة أنواع واسعة (على الرغم من استخدام مخططات تصنيف أخرى أيضًا):
- الإشراف على التعلم
- تعليم غير مشرف عليه
- تعزيز التعلم
الإشراف على التعلم
يشير التعلم الآلي الخاضع للإشراف إلى التقنيات التي يتم فيها إعطاء نموذج التعلم الآلي مجموعة من البيانات مع تسميات صريحة لكمية الاهتمام (غالبًا ما يشار إلى هذه الكمية على أنها الاستجابة أو الهدف).
لتدريب نماذج الذكاء الاصطناعي ، يستخدم التعلم شبه الخاضع للإشراف مزيجًا من البيانات المصنفة وغير المصنفة.
إذا كنت تعمل باستخدام بيانات غير مسماة ، فستحتاج إلى إجراء بعض تصنيفات البيانات.
وضع العلامات هي عملية وضع العلامات على العينات للمساعدة في ذلك تدريب التعلم الآلي نموذج. يتم وضع الملصقات بشكل أساسي بواسطة الأشخاص ، وهو ما قد يكون مكلفًا ويستغرق وقتًا طويلاً. ومع ذلك ، هناك تقنيات لأتمتة عملية وضع العلامات.
إن حالة طلب القرض التي ناقشناها من قبل هي توضيح ممتاز للتعلم الخاضع للإشراف. كانت لدينا بيانات تاريخية تتعلق بالتصنيفات الائتمانية لمقدمي طلبات القروض السابقين (وربما مستويات الدخل والعمر وما إلى ذلك) بالإضافة إلى علامات محددة تخبرنا عما إذا كان الشخص المعني قد تخلف عن سداد قرضه أم لا.
الانحدار والتصنيف مجموعتان فرعيتان من تقنيات التعلم تحت الإشراف.
- تصنيف - يستخدم خوارزمية لتصنيف البيانات بشكل صحيح. مرشحات البريد العشوائي هي أحد الأمثلة. يمكن أن تكون "الرسائل غير المرغوب فيها" فئة ذاتية - الخط الفاصل بين الاتصالات غير المرغوب فيها وغير البريد العشوائي ضبابي - وتعمل خوارزمية عامل تصفية البريد العشوائي باستمرار على تحسين نفسها بناءً على تعليقاتك (بمعنى البريد الإلكتروني الذي يضعه البشر على أنه بريد عشوائي).
- تراجع - يساعد في فهم العلاقة بين المتغيرات التابعة والمستقلة. يمكن لنماذج الانحدار التنبؤ بالقيم الرقمية بناءً على العديد من مصادر البيانات ، مثل تقديرات إيرادات المبيعات لشركة معينة. يعد الانحدار الخطي والانحدار اللوجستي والانحدار متعدد الحدود من تقنيات الانحدار البارزة.
تعليم غير مشرف عليه
في التعلم غير الخاضع للإشراف ، يتم تزويدنا ببيانات غير مسماة ونبحث فقط عن أنماط. لنتخيل أنك أمازون. هل يمكننا العثور على أي مجموعات (مجموعات من المستهلكين المتشابهين) بناءً على سجل شراء العميل؟
على الرغم من عدم وجود بيانات صريحة وحاسمة حول تفضيلات الشخص ، في هذه الحالة ، فإن معرفة أن مجموعة معينة من المستهلكين تشتري سلعًا قابلة للمقارنة تسمح لنا بتقديم اقتراحات شراء بناءً على ما اشتراه الأفراد الآخرون في المجموعة أيضًا.
يتم تشغيل مكتبة Amazon التي تحمل عبارة "قد تكون مهتمًا أيضًا" بتقنيات مماثلة.
يمكن للتعلم غير الخاضع للإشراف تجميع البيانات من خلال التجميع أو الارتباط ، اعتمادًا على ما تريد تجميعه معًا.
- التكتل - محاولات التعلم غير الخاضعة للإشراف للتغلب على هذا التحدي من خلال البحث عن أنماط في البيانات. إذا كانت هناك مجموعة أو مجموعة متشابهة ، فإن الخوارزمية ستصنفها بطريقة معينة. محاولة تصنيف العملاء بناءً على سجل الشراء السابق هو مثال على ذلك.
- جمعية - يحاول التعلم غير الخاضع للإشراف مواجهة هذا التحدي من خلال محاولة فهم القواعد والمعاني الكامنة وراء المجموعات المختلفة. من الأمثلة الشائعة لمشكلة الارتباط تحديد الارتباط بين مشتريات العملاء. يمكن أن تهتم المتاجر بمعرفة السلع التي تم شراؤها معًا ويمكن استخدام هذه المعلومات لترتيب تحديد مواقع هذه المنتجات للوصول إليها بسهولة.
تعزيز التعلم
التعلم المعزز هو أسلوب لتدريس نماذج التعلم الآلي لاتخاذ سلسلة من القرارات الموجهة نحو الهدف في بيئة تفاعلية. حالات استخدام الألعاب المذكورة أعلاه هي أمثلة توضيحية ممتازة لذلك.
لا يتعين عليك إدخال آلاف ألعاب الشطرنج السابقة AlphaZero ، كل منها يحمل علامة "جيدة" أو "رديئة". ما عليك سوى تعليمها قواعد اللعبة والهدف ، ثم السماح لها بتجربة الأفعال العشوائية.
يتم إعطاء التعزيز الإيجابي للأنشطة التي تجعل البرنامج أقرب إلى الهدف (مثل تطوير موضع بيدق قوي). عندما يكون للأفعال تأثير معاكس (مثل نقل الملك قبل الأوان) ، فإنها تكسب تعزيزًا سلبيًا.
يمكن للبرنامج إتقان اللعبة في النهاية باستخدام هذه الطريقة.
تعزيز التعلم يستخدم على نطاق واسع في الروبوتات لتعليم الروبوتات الإجراءات المعقدة والتي يصعب هندستها. يتم استخدامه أحيانًا مع البنية التحتية للطرق ، مثل إشارات المرور ، لتحسين تدفق حركة المرور.
ما الذي يمكن عمله بالتعلم الآلي؟
يؤدي استخدام التعلم الآلي في المجتمع والصناعة إلى تحقيق تقدم في مجموعة واسعة من المساعي البشرية.
في حياتنا اليومية ، يتحكم التعلم الآلي الآن في خوارزميات البحث والصور في Google ، مما يسمح لنا بمطابقة المعلومات التي نحتاجها بشكل أكثر دقة عندما نحتاج إليها.
في الطب ، على سبيل المثال ، يتم تطبيق التعلم الآلي على البيانات الجينية لمساعدة الأطباء على فهم كيفية انتشار السرطان والتنبؤ به ، مما يسمح بتطوير علاجات أكثر فعالية.
يتم جمع البيانات من الفضاء السحيق هنا على الأرض عبر التلسكوبات الراديوية الضخمة - وبعد تحليلها باستخدام التعلم الآلي ، فهي تساعدنا في كشف ألغاز الثقوب السوداء.
يربط التعلم الآلي في البيع بالتجزئة المشترين بالأشياء التي يرغبون في شرائها عبر الإنترنت ، ويساعد أيضًا موظفي المتجر على تصميم الخدمة التي يقدمونها لعملائهم في عالم الطوب وقذائف الهاون.
يتم استخدام التعلم الآلي في المعركة ضد الإرهاب والتطرف لتوقع سلوك أولئك الذين يرغبون في إيذاء الأبرياء.
تشير معالجة اللغة الطبيعية (NLP) إلى عملية السماح لأجهزة الكمبيوتر بفهم اللغة البشرية والتواصل معنا من خلال التعلم الآلي ، وقد نتج عنها اختراقات في تكنولوجيا الترجمة بالإضافة إلى الأجهزة التي يتم التحكم فيها بالصوت التي نستخدمها بشكل متزايد كل يوم ، مثل Alexa و Google dot و Siri ومساعد Google.
بدون سؤال ، يوضح التعلم الآلي أنها تقنية تحويلية.
الروبوتات القادرة على العمل جنبًا إلى جنب معنا وتعزيز أصالتنا وخيالنا بمنطقها الخالي من الأخطاء وسرعتها الخارقة لم تعد خيالًا علميًا - لقد أصبحت حقيقة واقعة في العديد من القطاعات.
حالات استخدام التعلم الآلي
1. الأمن السيبراني
نظرًا لأن الشبكات أصبحت أكثر تعقيدًا ، فقد عمل متخصصو الأمن السيبراني بلا كلل للتكيف مع مجموعة التهديدات الأمنية المتزايدة باستمرار.
تعد مواجهة البرامج الضارة وتكتيكات القرصنة سريعة التطور تحديًا كافيًا ، لكن انتشار أجهزة إنترنت الأشياء (IoT) قد أحدث تحولًا جذريًا في بيئة الأمن السيبراني.
يمكن أن تحدث الهجمات في أي لحظة وفي أي مكان.
لحسن الحظ ، مكّنت خوارزميات التعلم الآلي عمليات الأمن السيبراني من مواكبة هذه التطورات السريعة.
التحليلات التنبؤية تمكن من اكتشاف الهجمات والتخفيف من حدتها بشكل أسرع ، بينما يمكن للتعلم الآلي تحليل نشاطك داخل الشبكة لاكتشاف التشوهات ونقاط الضعف في آليات الأمان الحالية.
2. أتمتة خدمة العملاء
أدت إدارة عدد متزايد من جهات اتصال العملاء عبر الإنترنت إلى إجهاد الكثير من التنظيم.
إنهم ببساطة ليس لديهم ما يكفي من موظفي خدمة العملاء للتعامل مع حجم الاستفسارات التي يتلقونها ، والنهج التقليدي لقضايا الاستعانة بمصادر خارجية إلى مركز الاتصال هو فقط غير مقبول للعديد من عملاء اليوم.
يمكن الآن لروبوتات الدردشة والأنظمة الآلية الأخرى تلبية هذه المطالب بفضل التطورات في تقنيات التعلم الآلي. يمكن للشركات تحرير الموظفين للقيام بمزيد من دعم العملاء عالي المستوى من خلال أتمتة الأنشطة العادية وذات الأولوية المنخفضة.
عند استخدامه بشكل صحيح ، يمكن أن يساعد التعلم الآلي في الأعمال على تبسيط حل المشكلات وتزويد المستهلكين بنوع الدعم المفيد الذي يحولهم إلى أبطال ملتزمين بالعلامة التجارية.
3. اتصالات
يعد تجنب الأخطاء والمفاهيم الخاطئة أمرًا بالغ الأهمية في أي نوع من أنواع الاتصالات ، ولكن بشكل أكبر في اتصالات الأعمال اليوم.
يمكن أن تتسبب الأخطاء النحوية البسيطة أو النغمة غير الصحيحة أو الترجمات الخاطئة في مجموعة من الصعوبات في الاتصال بالبريد الإلكتروني ، وتقييمات العملاء ، مؤتمرات الفيديو، أو وثائق نصية بأشكال عديدة.
تتمتع أنظمة التعلم الآلي باتصالات متقدمة تتجاوز أيام Microsoft Clippy القوية.
ساعدت أمثلة التعلم الآلي هذه الأفراد على التواصل بشكل بسيط ودقيق باستخدام معالجة اللغة الطبيعية وترجمة اللغة في الوقت الفعلي والتعرف على الكلام.
في حين أن العديد من الأفراد لا يحبون قدرات التصحيح التلقائي ، إلا أنهم يقدرون أيضًا الحماية من الأخطاء المحرجة والنبرة غير اللائقة.
4. التعرف على الكائن
بينما كانت تقنية جمع البيانات وتفسيرها موجودة منذ فترة ، فقد ثبت أن تعليم أنظمة الكمبيوتر لفهم ما تبحث عنه مهمة صعبة بشكل مخادع.
تتم إضافة قدرات التعرف على الكائنات إلى عدد متزايد من الأجهزة بسبب تطبيقات التعلم الآلي.
على سبيل المثال ، تتعرف السيارة ذاتية القيادة على سيارة أخرى عندما ترى واحدة ، حتى لو لم يقدمها المبرمجون مثالًا دقيقًا لتلك السيارة لاستخدامها كمرجع.
تُستخدم هذه التقنية الآن في شركات البيع بالتجزئة للمساعدة في تسريع عملية الدفع. تحدد الكاميرات المنتجات الموجودة في عربات المستهلكين ويمكنها تلقائيًا فوترة حساباتهم عند مغادرتهم المتجر.
5. التسويق الرقمي
يتم تنفيذ الكثير من عمليات التسويق اليوم عبر الإنترنت ، باستخدام مجموعة من المنصات الرقمية والبرامج.
نظرًا لأن الشركات تجمع معلومات حول المستهلكين وسلوكياتهم الشرائية ، يمكن لفرق التسويق استخدام هذه المعلومات لبناء صورة مفصلة للجمهور المستهدف واكتشاف الأشخاص الأكثر ميلًا للبحث عن منتجاتهم وخدماتهم.
تساعد خوارزميات التعلم الآلي المسوقين في فهم كل تلك البيانات ، واكتشاف الأنماط والسمات المهمة التي تسمح لهم بتصنيف الاحتمالات بإحكام.
تسمح نفس التقنية بأتمتة التسويق الرقمي الكبيرة. يمكن إعداد أنظمة الإعلانات لاكتشاف المستهلكين المحتملين الجدد ديناميكيًا وتقديم محتوى تسويقي ملائم لهم في الوقت والمكان المناسبين.
مستقبل التعلم الآلي
من المؤكد أن التعلم الآلي يكتسب شعبية حيث يستخدم المزيد من الشركات والمؤسسات الضخمة التكنولوجيا لمواجهة تحديات معينة أو تحفيز الابتكار.
يوضح هذا الاستثمار المستمر فهمًا بأن التعلم الآلي ينتج عائدًا على الاستثمار ، لا سيما من خلال بعض حالات الاستخدام المحددة والقابلة للتكرار المذكورة أعلاه.
بعد كل شيء ، إذا كانت التكنولوجيا جيدة بما يكفي لـ Netflix و Facebook و Amazon و Google Maps وما إلى ذلك ، فمن المحتمل أن تساعد شركتك على تحقيق أقصى استفادة من بياناتها أيضًا.
كالجديد آلة التعلم تم تطوير النماذج وإطلاقها ، وسنشهد زيادة في عدد التطبيقات التي سيتم استخدامها في مختلف الصناعات.
هذا يحدث بالفعل مع تمييز الوجوه، والتي كانت ذات يوم وظيفة جديدة على جهاز iPhone الخاص بك ولكن يتم تنفيذها الآن في مجموعة واسعة من البرامج والتطبيقات ، لا سيما تلك المتعلقة بالأمن العام.
المفتاح لمعظم المؤسسات التي تحاول البدء في التعلم الآلي هو تجاوز الرؤى المستقبلية المشرقة واكتشاف تحديات العمل الحقيقية التي يمكن أن تساعدك التكنولوجيا في حلها.
وفي الختام
في عصر ما بعد التصنيع ، كان العلماء والمهنيون يحاولون إنشاء جهاز كمبيوتر يتصرف مثل البشر.
آلة التفكير هي أهم مساهمة للذكاء الاصطناعي في الإنسانية ؛ أدى الوصول الهائل لهذه الآلة ذاتية الدفع إلى تغيير سريع في لوائح تشغيل الشركات.
أثبتت المركبات ذاتية القيادة والمساعدون الآليون وموظفو التصنيع المستقلون والمدن الذكية مؤخرًا جدوى الآلات الذكية. ستظل ثورة التعلم الآلي ومستقبل التعلم الآلي معنا لفترة طويلة.
اترك تعليق