دور تعلّم الآلة وتنقيب البيانات في الرؤية الحاسوبية

الذكاء الاصطناعي (AI) تقنية قوية تتميز بقدرتها على تحليل أنواع مختلفة من البيانات والتعلم منها بمرور الوقت. فعلى سبيل المثال، تركز الرؤية الحاسوبية، وهي أحد فروع الذكاء الاصطناعي، على فهم البيانات المرئية. ومن المجالات المهمة الأخرى التعلم الآلي (ML)، الذي يؤدي، إلى جانب التنقيب عن البيانات، دوراً كبيراً في تحسين نماذج الرؤية الحاسوبية. يهتم التنقيب عن البيانات بالعثور على أنماط مفيدة في مجموعات البيانات الكبيرة، بينما يستخدم التعلم الآلي هذه الأنماط لتدريب نماذج الذكاء الاصطناعي على تنفيذ المهام دون الحاجة إلى تعليمات مفصلة.

تزداد شيوع هذه التقنيات في قطاعات مثل السيارات ذاتية القيادة والتمويل والتصنيع، نظراً إلى التطور الكبير الذي شهدته في السنوات الأخيرة. وفي هذا المقال، سنشرح ماهية التنقيب عن البيانات والتعلم الآلي، وكيفية استخدامهما في الرؤية الحاسوبية، ودورهما المشترك في دفع عجلة التقدم في مجالات مثل الرعاية الصحية.

ما التعلم الآلي؟#

يتيح التعلم الآلي للآلات أن تتعلم بطريقة تشبه تعلم البشر، باستخدام البيانات والخوارزميات للتعرف على الأنماط واتخاذ القرارات بأقل قدر من التوجيه البشري. ومع تعرض هذه الأنظمة للبيانات بمرور الوقت، تتحسن دقة تنبؤاتها تدريجياً.

تعمل العملية باستخدام خوارزميات لإجراء تنبؤات أو تصنيفات استناداً إلى بيانات الإدخال. وتحدد الخوارزمية الأنماط أولاً، ثم تقدم تخميناً أولياً مدروساً أو استدلالاً. ولقياس الدقة، تقارن دالة الخطأ مخرجات النموذج بأمثلة معروفة، ثم يعدّل النظام معلماته لتقليل الأخطاء. وتتواصل دورة التقييم والتعديل تلقائياً حتى يصل النموذج إلى مستوى الأداء المطلوب.

هناك عمومًا أربعة أنواع من التعلم الآلي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم شبه الخاضع للإشراف، والتعلم بالتعزيز. لنتعرف على كل نوع:

• التعلم الخاضع للإشراف: تتعلم الخوارزميات من بيانات موسومة للتنبؤ بالمخرجات للمدخلات الجديدة. وتستخدم أنظمة تصفية الرسائل غير المرغوب فيها في خدمات البريد الإلكتروني التعلم الخاضع للإشراف.
• التعلم غير الخاضع للإشراف: على خلاف التعلم الخاضع للإشراف، تعمل هذه الطريقة على بيانات غير موسومة. تحدد الخوارزمية الأنماط أو تجمع البيانات وفق أوجه التشابه دون أي توجيه. وغالبًا ما تُستخدم في مهام مثل اكتشاف الحالات الشاذة.
• التعلم شبه الخاضع للإشراف: يجمع هذا النهج كمية صغيرة من البيانات الموسومة مع مجموعة أكبر من البيانات غير الموسومة. وتتعلم الخوارزمية من كليهما لتحسين الدقة، ما يجعله مفيدًا عندما تكون البيانات الموسومة نادرة أو باهظة التكلفة.
• التعلم بالتعزيز: تتعلم الخوارزمية هنا من خلال التفاعل مع بيئتها وتلقي المكافآت أو العقوبات بناءً على أفعالها. وتواصل التحسن بالسعي إلى تعظيم المكافآت، ويشيع استخدامها في مجالات مثل الروبوتات والألعاب والسيارات ذاتية القيادة.

الشكل 1. أنواع التعلم الآلي.

ما تنقيب البيانات؟#

تنقيب البيانات هو عملية استكشاف مجموعات البيانات الكبيرة وتحليلها للعثور على أنماط واتجاهات ورؤى قيّمة خفية لا تظهر للوهلة الأولى. ويتضمن تحويل البيانات الأولية إلى معلومات مفيدة باستخدام مزيج من الأساليب الإحصائية والتعلم الآلي وأدوات إدارة قواعد البيانات لتحديد الروابط والأنماط داخل البيانات.

تبدأ العملية بجمع البيانات من مصادر مختلفة، مثل قواعد البيانات أو جداول البيانات، وتنظيمها في تنسيق منظم. ثم تُنظّف البيانات لإزالة الأخطاء أو التناقضات أو التفاصيل الناقصة، لضمان دقتها. وبعد إعداد البيانات، تُستخدم خوارزميات متقدمة وأساليب إحصائية لتحليلها.

فيما يلي بعض التقنيات الأكثر شيوعًا المستخدمة لتحليل البيانات:

• التصنيف: تجميع البيانات في فئات محددة مسبقًا استنادًا إلى الأنماط المحددة.
• التجميع العنقودي: جمع نقاط البيانات المتشابهة معًا لتحديد التجمعات الطبيعية داخل البيانات.
• الارتباط: تحديد العلاقات بين المتغيرات، مثل اكتشاف أنماط العناصر التي تُشترى معًا باستمرار.

تساعد هذه التقنيات على استخلاص الأنماط والرؤى ذات المعنى من البيانات. ثم تُفسَّر النتائج وتُعرض بطريقة واضحة وقابلة للتطبيق، فتحويل البيانات الأولية إلى رؤى قيّمة يمكن أن يساعدك على اتخاذ قرارات مدروسة.

الشكل 2. الخطوات المتبعة في تنقيب البيانات.

التعرف على تطبيقات التعلم الآلي وتنقيب البيانات#

توجد تطبيقات عديدة في قطاعات مختلفة يمكن للتعلم الآلي والتنقيب عن البيانات أن يحدثا فيها فرقاً كبيراً. ولتوضيح أثر هذه التقنيات، سنستخدم قطاع البيع بالتجزئة مثالاً.

قد يكون التعلم الآلي مفيداً بوجه خاص لتجار التجزئة الذين يعتمدون على المبيعات عبر الإنترنت. وتستخدم شركات كبرى مثل eBay وAmazon أدوات متكاملة للتعلم الآلي في مختلف مراحل دورة المبيعات. ومن أبرز استخداماته في قطاع البيع بالتجزئة مطابقة المنتجات، التي تتضمن تحديد العناصر المتطابقة وربطها عبر كتالوجات مختلفة، وهو أمر مفيد لمقارنة الأسعار وإنشاء صفحات موحدة للمنتجات ورصد النقص في المنتجات. وتناسب المطابقة اليدوية الكتالوجات الصغيرة، لكن التعلم الآلي يتيح التعامل بكفاءة مع كتالوجات أكبر بكثير. كما يتيح أنواعاً مختلفة من مطابقة المنتجات، مثل المطابقة التامة والمتقاربة ومطابقة الصور والسمات والفئات والمطابقة بين المجالات.

الشكل 3. أنواع مطابقة المنتجات.

من التطبيقات المثيرة للاهتمام للتنقيب عن البيانات في قطاع البيع بالتجزئة فهم سلوك العملاء، ولا سيما عبر تقسيمهم إلى شرائح. ويمكن تجميع العملاء وفقاً لخصائص مشتركة، مثل الخصائص الديموغرافية وأنماط التسوق وسجل الشراء السابق وغيرها. ويمكن لتجار التجزئة استخدام هذه المجموعات لوضع استراتيجيات تسويقية جديدة تستهدف المشترين الحاليين والمستقبليين.

وبالحديث عن سلوك العملاء، من الاستخدامات المهمة الأخرى لتنقيب البيانات في قطاع البيع بالتجزئة تحليل تسرب العملاء، المعروف أيضًا بفقدان العملاء أو انسحابهم. ويمكن لتجار التجزئة معرفة فئات العملاء الذين يغادرون وأسباب مغادرتهم وكيفية تحسين الاحتفاظ بهم. ورغم أن قدرًا من التسرب أمر لا مفر منه، فإن تحديد الأنماط من خلال تنقيب البيانات يتيح لتجار التجزئة اتخاذ خطوات استباقية، مثل تقديم عروض خاصة أو قسائم، للحد من فقدان العملاء.

الشكل 4. تقسيم العملاء إلى شرائح.

العلاقة بين التعلم الآلي وتنقيب البيانات والرؤية الحاسوبية#

الرؤية الحاسوبية مجال من مجالات الذكاء الاصطناعي يعتمد اعتماداً كبيراً على التعلم الآلي لتعليم الحواسيب تفسير البيانات المرئية في الصور ومقاطع الفيديو. وفي الوقت نفسه، يمكن للتنقيب عن البيانات دعم تطبيقات الرؤية الحاسوبية بتحليل كميات هائلة من البيانات الخام لتحديد الصور الأكثر صلة بـتدريب النموذج. وهذا أمر أساسي لأنه يساعد على ضمان تعلم النموذج من أفضل الأمثلة، ويقلل البيانات غير الضرورية ويساعده على التركيز على المهم. ونتيجة لذلك، يعزز التنقيب عن البيانات كفاءة نماذج الرؤية الحاسوبية ودقتها، ويحسن مهاماً مثل اكتشاف الأجسام وتجزئة المثيلات وتصنيف الصور.

استكشاف التطبيقات التي تستخدم التعلم الآلي وتنقيب البيانات والرؤية الحاسوبية#

لفهم أوجه التكامل بين التعلم الآلي وتنقيب البيانات والرؤية الحاسوبية، لنلقِ نظرة على مثال لتطبيق في قطاع الرعاية الصحية.

يدفع التعلم الآلي والتنقيب عن البيانات والرؤية الحاسوبية عجلة التقدم الكبير في الرعاية الصحية. وتستخدم مؤسسات طبية مثل Johns Hopkins Medicine في الولايات المتحدة هذه التقنيات لتحليل الصور الطبية والكشف المبكر عن الأمراض والشذوذات مثل الأورام. ويمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 لتحليل الصور وتحديد أي حالات غير طبيعية، فيما يستطيع التعلم الآلي اكتشاف أنماط في سجلات المرضى قد تشير إلى مشكلات صحية محتملة. ويمكن للتنقيب عن البيانات بعد ذلك البحث في كميات هائلة من البيانات ذات الصلة للمساعدة في العثور على علاجات فعالة أو سبل شفاء محتملة. ومن خلال الجمع بين هذه التقنيات، يستطيع اختصاصيو الرعاية الصحية تشخيص الحالات بدقة أكبر ووضع خطط علاج أفضل، ما يحسن في نهاية المطاف النتائج الصحية للمرضى.

الشكل 5. استخدام YOLOv8 لاكتشاف الأورام.

التحديات والتوجهات المستقبلية#

على الرغم من الفوائد المتنوعة للتطبيقات التي تستخدم الرؤية الحاسوبية والتنقيب عن البيانات والتعلم الآلي، فهناك بعض القيود التي ينبغي أخذها في الحسبان. فكثيراً ما تحتاج هذه الابتكارات إلى كميات هائلة من البيانات كي تحقق أداءً جيداً، وقد تثير خصوصية البيانات مخاوف. فعلى سبيل المثال، قد تجمع أنظمة الرؤية الحاسوبية في متاجر البيع بالتجزئة بيانات المستهلكين وتعالجها، ومن المهم إبلاغ المستهلكين بأن بياناتهم تُجمع.

وبالإضافة إلى قضايا خصوصية البيانات، يشكل تعقيد نماذج الرؤية الحاسوبية تحدياً آخر. فقد يصعب فهم كيفية وصول هذه النماذج إلى مخرجات معينة عند السعي إلى اتخاذ قرارات مستنيرة. وعلى الرغم من هذه التحديات، تتزايد التدابير المتخذة لجعل حلول الذكاء الاصطناعي أكثر مسؤولية. فعلى سبيل المثال، تزداد شعبية تقنيات مثل التعلم الاتحادي لأنها تتيح تطوير الذكاء الاصطناعي مع ضمان حماية الخصوصية.

التعلم الاتحادي أسلوب يساعد النماذج على التعلم من البيانات مع إبقاء البيانات في موقعها الأصلي. فبدلاً من جمع كل البيانات في قاعدة بيانات مركزية، يُدرّب النموذج مباشرةً على الأجهزة الفردية أو الخوادم التي تحتفظ بالبيانات. ثم ترسل هذه الأجهزة تحديثات النموذج فقط، لا البيانات الفعلية. وتُؤخذ تحديثات النموذج في الحسبان بعد ذلك لتحسين النموذج ككل.

أبرز النقاط#

يؤدي كل من التعلم الآلي والتنقيب عن البيانات دوراً مهماً في الرؤية الحاسوبية. فهما يساعدان على تحليل كميات كبيرة من البيانات المرئية واستخلاص رؤى مهمة وتحسين مجالات مختلفة مثل الرعاية الصحية والتسوق عبر الإنترنت والسيارات ذاتية القيادة. ورغم وجود تحديات مثل حماية الخصوصية وفهم النماذج المعقدة، تساعد أساليب جديدة مثل التعلم الاتحادي على معالجة هذه القضايا. ومع استمرار تطور هذه التقنيات، يُرجح أن تقود إلى قرارات أفضل وابتكارات أكثر في مجالات كثيرة، ما يجعل حياتنا أكثر كفاءة وترابطاً.

هل يثير الذكاء الاصطناعي فضولك؟ تفقّد مستودعنا على GitHub للاطلاع على إسهاماتنا في الذكاء الاصطناعي، ولا تنسَ التفاعل مع مجتمعنا. واكتشف كيف نطبق الذكاء الاصطناعي في قطاعات مثل التصنيع والرعاية الصحية.