دور تعلّم الآلة وتنقيب البيانات في الرؤية الحاسوبية

الذكاء الاصطناعي (AI) تقنية قوية تتميز بقدرتها على تحليل أنواع مختلفة من البيانات والتعلّم منها بمرور الوقت. فعلى سبيل المثال، يركّز الإدراك الحاسوبي، وهو أحد فروع الذكاء الاصطناعي، على فهم البيانات المرئية. ومن المجالات المهمة الأخرى تعلّم الآلة (ML)، الذي يؤدي، إلى جانب تنقيب البيانات، دورًا كبيرًا في تحسين نماذج الرؤية الحاسوبية. يدور تنقيب البيانات حول العثور على أنماط مفيدة في مجموعات البيانات الكبيرة، بينما يستخدم تعلّم الآلة هذه الأنماط لتدريب نماذج الذكاء الاصطناعي على تنفيذ المهام دون الحاجة إلى تعليمات تفصيلية.

أصبحت هذه التقنيات أكثر شيوعًا في صناعات مثل السيارات ذاتية القيادة والتمويل والتصنيع، لأنها شهدت نموًا كبيرًا في السنوات الأخيرة. في هذه المقالة، سنوضح ماهية تنقيب البيانات وتعلّم الآلة، وكيفية استخدامهما في الرؤية الحاسوبية، وكيف يعملان معًا لدفع عجلة التقدم في مجالات مثل الرعاية الصحية. لنبدأ!

ما هو تعلّم الآلة؟#

يتيح تعلّم الآلة للآلات التعلّم بطريقة تشبه ما يفعله البشر، وذلك باستخدام البيانات والخوارزميات لتحديد الأنماط واتخاذ القرارات مع الحد الأدنى من التوجيه البشري. ومع تعرّض هذه الأنظمة للبيانات بمرور الوقت، تحسّن توقعاتها تدريجيًا وتصبح أكثر دقة.

تعمل العملية باستخدام خوارزميات لإجراء التوقعات أو التصنيفات استنادًا إلى بيانات الإدخال. تحدد الخوارزمية الأنماط أولًا وتُجري تخمينًا أو استدلالًا مبنيًا على المعطيات مبدئيًا. ولقياس الدقة، تقارن دالة الخطأ مخرجات النموذج بأمثلة معروفة، ثم يضبط النظام معلماته لتقليل أي أخطاء. وتستمر دورة التقييم والضبط هذه تلقائيًا حتى يصل النموذج إلى مستوى الأداء المطلوب.

توجد عمومًا أربعة أنواع من تعلّم الآلة: التعلّم الخاضع للإشراف، والتعلّم غير الخاضع للإشراف، والتعلّم شبه الخاضع للإشراف، وتعلّم التعزيز. لنلقِ نظرة على كل منها:

• التعلّم الخاضع للإشراف: تتعلم الخوارزميات من البيانات المصنّفة لتوقّع مخرجات المدخلات الجديدة. وتستخدم أنظمة تصفية الرسائل المزعجة في خدمات البريد الإلكتروني التعلّم الخاضع للإشراف.

• التعلّم غير الخاضع للإشراف: بخلاف التعلّم الخاضع للإشراف، تعمل هذه الطريقة مع بيانات غير مصنّفة. تحدد الخوارزمية الأنماط أو تجمع البيانات استنادًا إلى أوجه التشابه دون أي توجيه. وغالبًا ما تُستخدم في مهام مثل اكتشاف الحالات الشاذة.

• التعلّم شبه الخاضع للإشراف: يجمع هذا النهج بين كمية صغيرة من البيانات المصنّفة ومجموعة أكبر من البيانات غير المصنّفة. تتعلم الخوارزمية من كليهما لتحسين الدقة، ما يجعله مفيدًا عندما تكون البيانات المصنّفة نادرة أو مكلفة.

• تعلّم التعزيز: تتعلم الخوارزمية هنا من خلال التفاعل مع بيئتها وتلقّي مكافآت أو عقوبات بناءً على أفعالها. وتستمر في التحسن عبر السعي إلى تعظيم المكافآت، ويُستخدم هذا النوع عادةً في مجالات مثل الروبوتات والألعاب والسيارات ذاتية القيادة.

الشكل 1. أنواع تعلّم الآلة.

ما هو تنقيب البيانات؟#

تنقيب البيانات هو عملية استكشاف مجموعات البيانات الكبيرة وتحليلها للعثور على الأنماط والاتجاهات والرؤى القيّمة الخفية التي لا تكون واضحة على الفور. ويتضمن تحويل البيانات الأولية إلى معلومات مفيدة باستخدام مزيج من الأساليب الإحصائية وتعلّم الآلة وأدوات إدارة قواعد البيانات لتحديد الروابط والأنماط داخل البيانات.

تبدأ العملية بـجمع البيانات من مصادر مختلفة، مثل قواعد البيانات أو جداول البيانات، وتنظيمها في صيغة مهيكلة. ثم تُنظَّف البيانات لإزالة أي أخطاء أو حالات عدم اتساق أو تفاصيل مفقودة، بهدف ضمان دقتها. وبعد تجهيز 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: جمع نقاط البيانات المتشابهة معًا لتحديد التجمعات الطبيعية داخل البيانات.
• الارتباط: تحديد العلاقات بين المتغيرات، مثل العثور على أنماط العناصر التي يُشترى بعضها مع بعض بصورة متكررة.

تساعد هذه التقنيات على استخراج الأنماط والرؤى ذات المعنى من البيانات. ثم تُفسَّر النتائج وتُعرض بطريقة تجعلها مفهومة وقابلة للتنفيذ، فتحويل البيانات الأولية إلى رؤى قيّمة يمكن أن يساعدك على اتخاذ قرارات مستنيرة.

الشكل 2. الخطوات المتضمنة في تنقيب البيانات.

فهم تطبيقات تعلّم الآلة وتنقيب البيانات#

توجد تطبيقات عديدة في مجموعة متنوعة من الصناعات يمكن أن يُحدث فيها تعلّم الآلة وتنقيب البيانات فرقًا هائلًا. ولفهم تأثير هذه التقنيات، سنستخدم قطاع التجزئة مثالًا.

يمكن أن يكون تعلّم الآلة مفيدًا بصفة خاصة لـتجار التجزئة الذين يعتمدون على المبيعات عبر الإنترنت. تستخدم مؤسسات كبيرة مثل eBay وAmazon أدوات متكاملة لتعلّم الآلة عبر دورات مبيعاتها بأكملها. ومن الطرق الرئيسية التي تستخدم بها شركات التجزئة هذه التقنية مطابقة المنتجات. وتتضمن هذه العملية تحديد العناصر المتطابقة وربطها عبر كتالوجات مختلفة، وهو ما يفيد في مقارنة الأسعار وإنشاء صفحات موحدة للمنتجات واكتشاف فجوات المنتجات. وبينما تنجح المطابقة اليدوية مع الكتالوجات الصغيرة، يتيح ML التعامل بكفاءة مع كتالوجات أكبر بكثير. كما يسهّل أنواعًا مختلفة من مطابقة المنتجات، مثل المطابقة التامة، والمطابقة التقريبية، ومطابقة الصور، ومطابقة السمات، ومطابقة الفئات، والمطابقة عبر المجالات.

الشكل 3. أنواع مطابقة المنتجات.

من التطبيقات المثيرة للاهتمام لتنقيب البيانات في قطاع التجزئة فهم سلوك العملاء، ولا سيما من خلال تقسيم العملاء إلى شرائح. ويمكن تجميع العملاء استنادًا إلى الخصائص المشتركة، مثل الخصائص السكانية وأنماط التسوق وسجل عمليات الشراء السابقة وما إلى ذلك. ويمكن لـتجار التجزئة استخدام هذه التجميعات لإنشاء استراتيجيات تسويقية جديدة للوصول إلى المشترين الحاليين والمستقبليين.

وبالحديث عن سلوك العملاء، من حالات الاستخدام المهمة الأخرى لتنقيب البيانات في قطاع التجزئة تحليل التسرّب، المعروف أيضًا باسم تناقص العملاء أو فقدانهم. ويمكن لتجار التجزئة اكتساب رؤى حول أنواع العملاء الذين يغادرون، وأسباب مغادرتهم، وكيفية تحسين الاحتفاظ بهم. وعلى الرغم من حتمية حدوث قدر من التسرّب، 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 ML وتنقيب البيانات والرؤية الحاسوبية#

تُعد الرؤية الحاسوبية في الواقع مجموعة فرعية من تعلّم الآلة، وتركّز على تعليم أجهزة الكمبيوتر تفسير البيانات المرئية من الصور ومقاطع الفيديو. وفي الوقت نفسه، يمكن لتنقيب البيانات دعم تطبيقات الرؤية الحاسوبية من خلال تحليل كميات هائلة من البيانات الأولية لتحديد الصور الأكثر صلة بـتدريب النماذج. وهذا أمر أساسي لأنه يساعد على ضمان تعلّم النموذج من أفضل الأمثلة، وتقليل البيانات غير الضرورية، ومساعدته على التركيز على ما هو مهم. ونتيجة لذلك، يساعد تنقيب البيانات نماذج الرؤية الحاسوبية على العمل بكفاءة ودقة أكبر، ما يحسن مهام مثل اكتشاف الأجسام وتصنيف الصور وتقسيم الكيانات.

استكشاف التطبيقات التي تستخدم ML وتنقيب البيانات والرؤية الحاسوبية#

لفهم أوجه التكامل بين ML وتنقيب البيانات والرؤية الحاسوبية، دعونا نلقِ نظرة على مثال لتطبيق في قطاع الرعاية الصحية.

يُحدث تعلّم الآلة وتنقيب البيانات والرؤية الحاسوبية تطورات كبيرة في الرعاية الصحية. وتستخدم مؤسسات طبية مثل Johns Hopkins Medicine في الولايات المتحدة هذه التقنيات لتحليل الصور الطبية واكتشاف الأمراض والحالات الشاذة مثل الأورام في مراحل مبكرة. ويمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLOv8 لتحليل الصور وتحديد أي تشوهات، بينما يستطيع تعلّم الآلة اكتشاف الأنماط في سجلات المرضى التي قد تشير إلى مشكلات محتملة في الصحة. ويمكن لتنقيب البيانات بعد ذلك البحث في كميات هائلة من البيانات ذات الصلة للمساعدة في العثور على علاجات فعالة أو سبل محتملة للشفاء. ومن خلال الجمع بين هذه التقنيات، يستطيع المتخصصون في الرعاية الصحية تشخيص الحالات بدقة أكبر ووضع خطط علاج أفضل، ما يحسن في نهاية المطاف نتائج المرضى.

الشكل 5. استخدام YOLOv8 لاكتشاف الأورام.

التحديات والاتجاهات المستقبلية#

على الرغم من أن التطبيقات التي تستخدم الرؤية الحاسوبية وتنقيب البيانات وتعلّم الآلة تقدم فوائد متنوعة، فهناك بعض القيود التي ينبغي مراعاتها. غالبًا ما تحتاج هذه الابتكارات إلى كميات هائلة من البيانات لتحقيق أداء جيد، وقد تكون خصوصية البيانات مصدر قلق. فعلى سبيل المثال، قد تجمع أنظمة الرؤية الحاسوبية في متاجر التجزئة بيانات المستهلكين وتُعالجها، ومن المهم إبلاغ المستهلكين بجمع بياناتهم.

إضافةً إلى مشكلات خصوصية البيانات، تمثل تعقيدات نماذج الرؤية الحاسوبية مشكلة أخرى. وقد يصعب فهم كيفية وصول هذه النماذج إلى مخرجات معينة عند محاولة اتخاذ قرارات مستنيرة. وعلى الرغم من هذه التحديات، يجري تطبيق المزيد من التدابير التي تجعل حلول الذكاء الاصطناعي أكثر مسؤولية وسلاسة. فعلى سبيل المثال، تزداد شعبية تقنيات مثل التعلّم الاتحادي لأنها تتيح تطوير الذكاء الاصطناعي مع ضمان حماية الخصوصية.

التعلّم الاتحادي هو أسلوب يساعد النماذج على التعلّم من البيانات مع إبقاء البيانات في موقعها الأصلي. وبدلًا من جمع جميع البيانات في قاعدة بيانات مركزية، يُدرَّب النموذج مباشرةً على الأجهزة الفردية أو الخوادم التي تحتفظ بالبيانات. ثم ترسل هذه الأجهزة تحديثات النموذج فقط، بدلًا من البيانات الفعلية. وبعد ذلك تؤخذ تحديثات النموذج في الحسبان لتحسين النموذج ككل.

أهم النقاط المستخلصة#

يؤدي كل من تعلّم الآلة وتنقيب البيانات دورًا بالغ الأهمية في الرؤية الحاسوبية. فهما يساعدان على تحليل كميات كبيرة من البيانات المرئية، واكتشاف رؤى مهمة، وتحسين مجالات مختلفة مثل الرعاية الصحية والتسوق عبر الإنترنت والسيارات ذاتية القيادة. وعلى الرغم من وجود تحديات، مثل حماية الخصوصية وفهم النماذج المعقدة، تساعد أساليب جديدة مثل التعلّم الاتحادي على معالجة هذه المشكلات. ومع استمرار تطور هذه التقنيات، فمن المرجح أن تؤدي إلى تحسين عملية اتخاذ القرارات وظهور المزيد من الابتكارات في مجالات عديدة، ما يجعل حياتنا أكثر كفاءة وترابطًا.

هل يثير الذكاء الاصطناعي فضولك؟ اطّلع على مستودعنا على GitHub للتعرّف على إسهاماتنا في الذكاء الاصطناعي، ولا تنسَ التفاعل مع مجتمعنا. اكتشف كيف نعيد تعريف صناعات مثل التصنيع والرعاية الصحية باستخدام أحدث تقنيات الذكاء الاصطناعي.