التعلُّم الآلي (ML)

التعلم الآلي (ML) هو مجال فرعي للذكاء الاصطناعي (AI) يمنح أجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح. تستخدم خوارزميات التعلّم الآلي التي تم تعريفها لأول مرة من قبل الرواد مثل آرثر صموئيل، البيانات التاريخية لتحديد الأنماط والتنبؤ وتحسين أدائها بمرور الوقت عند تعرضها لمزيد من المعلومات. فبدلاً من الاعتماد على مطور لكتابة كود ثابت لمهمة ما، يتعلم نموذج التعلم الآلي منطقه الخاص مباشرةً من البيانات التي يتم تدريبه عليها. هذه القدرة التكيفية تجعل من تعلّم الآلة القوة الدافعة وراء العديد من التقنيات الأكثر تطوراً اليوم.

تمييز ML عن المصطلحات ذات الصلة

يعني فهم التعلم الآلي أيضاً معرفة كيفية ارتباطه بالمفاهيم الرئيسية الأخرى في هذا المجال:

• الذكاء الاصطناعي (AI): الذكاء الاصطناعي هو المفهوم الواسع لخلق آلات قادرة على السلوك الذكي. يعد التعلم الآلي هو النهج الأبرز والأنجح لتحقيق الذكاء الاصطناعي. في حين أن الذكاء الاصطناعي هو الهدف الشامل، فإن التعلم الآلي هو المنهجية العملية التي تسمح للأنظمة بالتعلم والتكيف.
• التعلم العميق (DL): التعلم العميق هو مجال فرعي متخصص في التعلم الآلي يستخدم شبكات عصبية معقدة ومتعددة الطبقات (NNs)، وغالبًا ما يُطلق عليها الشبكات العصبية العميقة. وقد كان التعلُّم العميق مسؤولاً عن تحقيق اختراقات كبيرة في التعامل مع البيانات المعقدة مثل الصور والصوت والنصوص، وهو يدعم معظم نماذج الرؤية الحديثة.
• التنقيب عن البيانات: بينما يقوم كلا المجالين بتحليل البيانات، تختلف أهدافهما. يركز التنقيب عن البيانات، كما يعرفه رواد الصناعة مثل SAS، على اكتشاف أنماط لم تكن معروفة سابقًا في مجموعات البيانات الكبيرة لتوليد رؤى للاستخدام البشري. وعلى النقيض من ذلك، يستخدم تعلّم الآلة الأنماط لبناء نماذج تنبؤية يمكنها اتخاذ قرارات مستقلة بشأن البيانات الجديدة غير المرئية.

أنواع التعلم الآلي

يتم تصنيف نماذج التعلم الآلي عادةً بناءً على كيفية تعلمها من البيانات:

• التعلّم تحت الإشراف: وهو النوع الأكثر شيوعًا، حيث يتعلم النموذج من البيانات المصنفة التي تتكون من أزواج المدخلات والمخرجات. الهدف هو تعلم دالة تعيين يمكنها التنبؤ بمخرجات المدخلات الجديدة. تصنيف الصور واكتشاف الرسائل غير المرغوب فيها هي أمثلة كلاسيكية.
• التعلّم غير الخاضع للإشراف: يتم تزويد النموذج ببيانات غير معنونة ويجب أن يجد أنماطًا أو هياكل جوهرية من تلقاء نفسه، مثل تجميع نقاط البيانات في مجموعات. يُعد اكتشاف الشذوذ وتجزئة العملاء من حالات الاستخدام الشائعة.
• التعلّم المعزز: يتعلم الوكيل من خلال التفاعل مع البيئة. ويتلقى مكافآت على الأفعال المرغوبة وعقوبات على الأفعال غير المرغوبة، بهدف تعظيم المكافأة التراكمية. يُستخدم هذا النهج على نطاق واسع في علم الروبوتات واللعب الاستراتيجي.

الصلة في الذكاء الاصطناعي والرؤية الحاسوبية

يُعد التعلّم الآلي ركيزة أساسية للذكاء الاصطناعي الحديث، وهو عامل تحويلي بشكل خاص في مجال الرؤية الحاسوبية. تعتمد مهام مثل اكتشاف الأجسام وتجزئة الصور وتقدير الوضعية اعتماداً كبيراً على نماذج التعلم الآلي لتفسير المعلومات المرئية وفهمها. تستفيد النماذج الحديثة مثل Ultralytics YOLO من تقنيات تعلُّم الآلة (ML)، وخاصةً التعلُّم العميق، لتحقيق دقة وسرعة عالية في تطبيقات الوقت الحقيقي.

فيما يلي مثالان على التعلم الآلي أثناء العمل:

1. تحليل الصور الطبية: في مجال الذكاء الاصطناعي للرعاية الصحية، يمكن لنماذج تعلّم الآلة المدرّبة على مجموعات بيانات مثل مجموعة بيانات أورام الدماغ تحليل صور الرنين المغناطيسي أو التصوير المقطعي المحوسب لاكتشاف وتحديد الحالات الشاذة المحتملة. ويساعد ذلك أخصائيي الأشعة من خلال تسليط الضوء على المناطق المثيرة للقلق، مما يؤدي إلى تشخيص أسرع وأكثر دقة. تعمل منظمات مثل المعهد الوطني للتصوير الطبي الحيوي والهندسة الحيوية (NIBIB ) بنشاط على استكشاف هذه التطبيقات.
2. المركبات ذاتية القيادة: تستخدم السيارات ذاتية القيادة مجموعة من نماذج تعلّم الآلة لمعالجة البيانات من الكاميرات والرادار والرادار في الوقت الفعلي. في مجال الذكاء الاصطناعي للسيارات، تُستخدم هذه النماذج لاكتشاف وتصنيف الأجسام مثل المركبات الأخرى والمشاة وإشارات المرور، مما يمكّن السيارة من التنقل في بيئتها بأمان. تم تصميم منصات تكنولوجية مثل DRIVE من NVIDIA حول إمكانات تعلّم الآلة القوية.

الأدوات وأطر العمل

يتم دعم تطوير ونشر نماذج التعلم الآلي من خلال نظام بيئي غني بالأدوات. توفر أطر العمل مثل PyTorch (تفضل بزيارة الموقع الرسمي ل PyTorch) و TensorFlow (تفضل بزيارة الصفحة الرئيسية ل TensorFlow) اللبنات الأساسية لإنشاء الشبكات العصبية.

تقدم منصات مثل Ultralytics HUB بيئات متكاملة تعمل على تبسيط سير العمل بالكامل، بدءاً من إدارة مجموعات البيانات وتدريب النماذج المخصصة إلى نشر النماذج ومراقبتها من خلال MLOps. وغالباً ما يتضمن إنشاء نموذج فعال ضبطاً دقيقاً للمعايير الفائقة وفهماً عميقاً لمقاييس الأداء.