Machine Learning (ML)

التعلّم الآلي (ML) فرع من الذكاء الاصطناعي (AI) تتعلم فيه أنظمة الحاسوب الأنماط من البيانات بدلًا من اتباع قواعد يكتبها المبرمج. فعلى سبيل المثال، لا يُعطى مرشح البريد المزعج المبني باستخدام ML تعليمات تحدد الكلمات الدالة على الرسائل المزعجة؛ بل يدرس آلاف الرسائل المصنفة على أنها مزعجة أو غير مزعجة، ويتعلم الأنماط بنفسه، ثم يطبقها على الرسائل الجديدة. صاغ آرثر صامويل هذا المصطلح عام 1959 أثناء تطوير برنامج للداما تحسّن أداؤه باللعب ضد نفسه، ثم قدّم توم ميتشل تعريفًا واسع الاستشهاد: يتعلم البرنامج عندما يتحسن أداؤه في مهمة ما، وفق مقياس محدد، مع اكتساب الخبرة.

كيف يعمل التعلّم الآلي#

نموذج ML دالة ذات معلمات قابلة للتعديل، بدءًا من معاملات الانحدار الخطي القليلة وصولًا إلى ملايين الأوزان في الشبكة العصبية. يبحث التدريب عن قيم المعلمات التي تجعل تنبؤات النموذج على بيانات التدريب دقيقة قدر الإمكان، عادةً عبر تقليل دالة الخسارة. والاختبار الحقيقي هو القدرة على التعميم: إذ يُقيّم النموذج بعد ذلك باستخدام بيانات التحقق وبيانات الاختبار المحجوزة التي لم يرها أثناء التدريب. ويكون النموذج الذي يحقق نتيجة جيدة على بيانات التدريب، لكنه يحقق نتيجة ضعيفة على البيانات الجديدة، مصابًا بـفرط المواءمة، إذ يحفظ الأمثلة بدلًا من تعلم النمط الأساسي.

يدرّب هذا المثال باستخدام scikit-learn غابة عشوائية لقراءة الأرقام المكتوبة يدويًا، ثم يقيّمها على أرقام مستبعدة من التدريب:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

يحقق النموذج دقة قدرها 97.6% على أرقام الاختبار البالغ عددها 450، باستخدام الأنماط التي تعلّمها من الأمثلة الـ1,347 الأخرى المصنفة فقط.

أنواع التعلّم الآلي#

• التعلّم الخاضع للإشراف: يتعلم من أمثلة مصنفة، يكون فيها كل مدخل مقترنًا بالمخرج الصحيح. ويُعد التصنيف والانحدار واكتشاف الأجسام مهام خاضعة للإشراف.
• التعلّم غير الخاضع للإشراف: يستكشف البنية في البيانات غير الموسومة، مثل شرائح العملاء التي يحددها التجميع بخوارزمية k-means.
• التعلّم الذاتي الإشراف: ينشئ تسمياته من البيانات نفسها، مثل التنبؤ بالكلمة التالية في جملة أو برقعة مخفية من صورة. بهذه الطريقة تُدرّب النماذج اللغوية الكبيرة (LLMs) وغيرها من النماذج التأسيسية مسبقًا.
• التعلّم المعزز: يتعلم الوكيل بالمحاولة والخطأ، فيتخذ إجراءات ضمن بيئة ويعدّل سلوكه لتعظيم المكافأة.

التعلّم الآلي مقارنةً بالذكاء الاصطناعي والتعلّم العميق وعلوم البيانات#

يقع التعلّم الآلي بين الذكاء الاصطناعي، وهو الهدف الأوسع المتمثل في بناء آلات ذكية، والتعلّم العميق (DL)، وهو جزء من ML يستخدم شبكات عصبية متعددة الطبقات ويتعلم سماته بنفسه من البيانات الخام:

تظل الخوارزميات التقليدية، مثل الغابات العشوائية وXGBoost، فعالة على البيانات الجدولية، حيث يمثل كل عمود، مثل السعر أو العمر، سمة ذات معنى بالفعل. وعلوم البيانات تخصص مجاور يستخدم ML أداةً من بين أدوات عديدة، إلى جانب الإحصاء وتصوير البيانات وتحليل المجال، للإجابة عن أسئلة مستمدة من البيانات.

دورة حياة التعلّم الآلي#

لا يكتمل النموذج في بيئة الإنتاج أبدًا. تجمع الفرق البيانات وتصنفها، وتدرّب النموذج وتتحقق من صحته، ثم تنشره وتراقب تنبؤاته، وتعود إلى البيانات كلما انخفضت الدقة عن المطلوب أو تغير العالم الحقيقي. وتُعرف هذه الدورة باسم عمليات التعلّم الآلي (MLOps):

في مجال الرؤية الحاسوبية، تنفذ منصة Ultralytics هذه الدورة كاملة في مكان واحد: إذ ترفع الفرق مجموعات البيانات وتعلّق عليها، وتدرّب نماذج Ultralytics YOLO26 على وحدات GPU سحابية، وتنشرها، ثم تراقب أداءها في بيئة الإنتاج.

تطبيقات عملية#

• الرؤية الحاسوبية: تكتشف النماذج العيوب على خطوط الإنتاج، وتقرأ الصور الطبية، وتوجّه المركبات ذاتية القيادة.
• معالجة اللغة الطبيعية (NLP): تعتمد الترجمة والبحث وروبوتات المحادثة وتصفية البريد المزعج على نماذج مدرّبة على النصوص.
• أنظمة التوصية: ترتّب منصات البث والتجارة الإلكترونية المحتوى لكل مستخدم استنادًا إلى سلوكه السابق.
• التنبؤ بالسلاسل الزمنية: تتنبأ النماذج بطلب المنتجات وحمل الطاقة وأعطال المعدات استنادًا إلى البيانات التاريخية.
• اكتشاف الحالات الشاذة: تقيّم البنوك كل معاملة بالبطاقة خلال أجزاء من الثانية باستخدام نماذج مدرّبة على حالات الاحتيال السابقة، وتحدد المعاملات التي تبدو غير اعتيادية.