تحليلات البيانات

تحليل البيانات هو علم تحليل البيانات الأولية لاستخلاص استنتاجات حول هذه المعلومات. وهو يشمل فحص البيانات وتنظيفها وتحويلها ونمذجتها لاكتشاف معلومات مفيدة، وإثراء الاستنتاجات، ودعم اتخاذ القرارات. في مجالات الذكاء الاصطناعي (AI) و تعلم الآلة (ML)، يعتبر تحليل البيانات الخطوة الأساسية التي تجعل من الممكن بناء وتدريب وتقييم النماذج عالية الأداء. من خلال الكشف عن الأنماط والارتباطات والشذوذات في مجموعات البيانات، يقدم المحللون رؤى مهمة ضرورية لتوجيه تطوير النموذج وضمان فعاليته.

تتبع العملية عادةً دورة حياة تحول البيانات الأولية إلى رؤى قابلة للتنفيذ. يتضمن ذلك معالجة البيانات مسبقًا للتعامل مع القيم المفقودة والتناقضات، وتحليل البيانات الاستكشافي لفهم الخصائص الرئيسية، وتطبيق التقنيات الإحصائية لاختبار الفرضيات. تعتبر الرؤى المستمدة من التحليلات ضرورية لمهام مثل هندسة الميزات، وتحديد بنى النماذج المناسبة، وإجراء ضبط المعلمات الفائقة. هناك بشكل عام أربعة أنواع من تحليلات البيانات، يقدم كل منها مستوى مختلفًا من الرؤى، من النظر إلى الوراء إلى التطلع إلى الأمام. وتشمل هذه التحليلات الوصفية والتشخيصية والتنبؤية والتوجيهية، كما هو موضح في موارد مثل كلية هارفارد للأعمال عبر الإنترنت.

تطبيقات الذكاء الاصطناعي/تعلم الآلة الواقعية

تعتبر تحليلات البيانات أداة أساسية في دفع عجلة التقدم عبر العديد من تطبيقات الذكاء الاصطناعي:

1. تحليل الصور الطبية: قبل أن يتمكن نموذج الذكاء الاصطناعي من اكتشاف الحالات الشاذة في الفحوصات الطبية، يتم استخدام تحليلات البيانات على نطاق واسع. تتم معالجة الصور الأولية مسبقًا (تطبيع، تغيير الحجم) وتنظيفها. يساعد التحليل الاستكشافي على فهم الاختلافات في جودة الصورة أو التركيبة السكانية للمرضى داخل مجموعات البيانات مثل مجموعة بيانات أورام الدماغ. يساعد التحليل في تحديد الميزات ذات الصلة وتقييم أداء نموذج التشخيص (الدقة، الحساسية، النوعية) مقابل تعليقات الخبراء، وتوجيه التحسينات للاستخدام السريري. تسلط مصادر مثل مبادرة NIH لعلوم البيانات الطبية الحيوية الضوء على أهميتها. تعرف على كيفية استخدام نماذج YOLO للكشف عن الأورام في التصوير الطبي.
2. إدارة مخزون البيع بالتجزئة المدفوعة بالذكاء الاصطناعي: يستخدم تجار التجزئة تحليلات البيانات لتحسين مستويات المخزون وتقليل النفايات. يتضمن ذلك تحليل بيانات المبيعات التاريخية وتحديد الاتجاهات الموسمية وفهم أنماط شراء العملاء للنمذجة التنبؤية. علاوة على ذلك، يمكن لأنظمة الرؤية الحاسوبية (CV)، المدعومة بنماذج مدربة باستخدام بيانات مرئية تم تحليلها، مراقبة مخزون الرفوف في الوقت الفعلي. تقوم تحليلات البيانات بتقييم فعالية هذه الأنظمة من خلال تحليل دقة الكشف وربط بيانات المخزون بنتائج المبيعات، مما يتيح استراتيجيات تجديد أكثر ذكاءً. استكشف Google Cloud AI للبيع بالتجزئة للحصول على حلول صناعية. تقدم Ultralytics رؤى حول تحقيق كفاءة البيع بالتجزئة باستخدام الذكاء الاصطناعي.

التمييز عن المصطلحات ذات الصلة

• تصور البيانات (Data Visualization): تصور البيانات هو التمثيل الرسومي للمعلومات والبيانات. إنه عنصر من تحليلات البيانات المستخدمة لتوصيل النتائج أو استكشاف البيانات من خلال الرسوم البيانية والرسوم البيانية والخرائط. في حين أن التحليلات تشمل العملية الكاملة لفحص البيانات، فإن التصور هو الأداة المحددة المستخدمة لجعل النتائج مفهومة. أدوات مثل Tableau شائعة لإنشاء تصورات مقنعة.
• تنقيب البيانات (Data Mining): هو أسلوب محدد يستخدم ضمن المجال الأوسع لتحليل البيانات. يركز تنقيب البيانات على اكتشاف الأنماط والاتجاهات غير المعروفة مسبقًا في مجموعات البيانات الكبيرة، وغالبًا ما يستخدم خوارزميات متطورة. كما توضح Oracle، يستخدم التحليل هذه الأنماط المكتشفة لاتخاذ قرارات مستنيرة واختبار الفرضيات.
• التعلم الآلي (Machine Learning): التعلم الآلي (ML) هو مجموعة فرعية من الذكاء الاصطناعي (AI) تركز على بناء أنظمة تتعلم من البيانات. غالبًا ما تغذي تحليلات البيانات دورة حياة التعلم الآلي (ML) من خلال إعداد البيانات وتحديد الميزات وتقييم مخرجات النموذج باستخدام مقاييس مثل متوسط الدقة (mAP) (mean Average Precision). في حين أن التحليلات توفر رؤى للبشر لتفسيرها، فإن التعلم الآلي (ML) يستخدم هذه الرؤى لتمكين النماذج من إجراء تنبؤات مستقلة.

توفر تحليلات البيانات رؤى بالغة الأهمية لبناء وتحسين والتحقق من صحة أنظمة الذكاء الاصطناعي والتعلم الآلي الفعالة في مختلف المجالات، من الرعاية الصحية إلى الزراعة و التصنيع. يمكن أن يؤدي استخدام منصات مثل Ultralytics HUB إلى تبسيط العملية من تحليل البيانات إلى نشر النموذج.