تعلم الآلة (ML)

التعلم الآلي (ML) هو حقل فرعي من الذكاء الاصطناعي (AI) الذي يمنح أجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح. تستخدم خوارزميات ML، التي تم تعريفها لأول مرة من قبل رواد مثل آرثر صامويل، البيانات التاريخية لتحديد الأنماط وإجراء التنبؤات وتحسين أدائها بمرور الوقت عند تعرضها لمزيد من المعلومات. بدلاً من الاعتماد على مطور لكتابة تعليمات برمجية ثابتة لمهمة ما، يتعلم نموذج ML منطقه الخاص مباشرةً من البيانات التي يتم تدريبه عليها. هذه القدرة التكيفية تجعل ML القوة الدافعة وراء العديد من التقنيات الأكثر تطوراً اليوم.

تمييز تعلم الآلة (ML) عن المصطلحات ذات الصلة

فهم التعلم الآلي يعني أيضًا معرفة علاقته بالمفاهيم الأساسية الأخرى في هذا المجال:

• الذكاء الاصطناعي (AI): الذكاء الاصطناعي هو المفهوم الواسع لإنشاء آلات قادرة على السلوك الذكي. التعلم الآلي هو النهج الأكثر بروزًا ونجاحًا 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) (Deep Learning): التعلم العميق هو مجال فرعي متخصص من ML يستخدم الشبكات العصبية (NNs) (neural networks) المعقدة متعددة الطبقات، والتي غالبًا ما تسمى الشبكات العصبية العميقة. لقد كان DL مسؤولاً عن تحقيق اختراقات كبيرة في التعامل مع البيانات المعقدة مثل الصور والصوت والنصوص، وهو يدعم معظم نماذج الرؤية الحديثة.
• تنقيب البيانات (Data Mining): في حين أن كلا المجالين يحلل البيانات، إلا أن أهدافهما تختلف. يركز تنقيب البيانات، كما تحدده الشركات الرائدة في الصناعة مثل SAS، على اكتشاف الأنماط غير المعروفة مسبقًا في مجموعات البيانات الكبيرة لإنشاء رؤى للاستخدام البشري. في المقابل، تستخدم ML الأنماط لبناء نماذج تنبؤية يمكنها اتخاذ قرارات مستقلة بشأن بيانات جديدة وغير مرئية.

أنواع التعلم الآلي

عادةً ما يتم تصنيف نماذج تعلم الآلة بناءً على كيفية تعلمها من البيانات:

• التعلم الخاضع للإشراف (Supervised Learning): النوع الأكثر شيوعًا، حيث يتعلم النموذج من البيانات المصنفة التي تتكون من أزواج الإدخال والإخراج. الهدف هو تعلم دالة تعيين يمكنها التنبؤ بالإخراج للمدخلات الجديدة. تصنيف الصور والكشف عن الرسائل غير المرغوب فيها هما مثالان كلاسيكيان.
• التعلم غير الخاضع للإشراف (Unsupervised Learning): يتم تزويد النموذج ببيانات غير مصنفة ويجب أن يجد أنماطًا أو هياكل جوهرية بمفرده، مثل تجميع نقاط البيانات في مجموعات. يعد اكتشاف الحالات الشاذة وتجزئة العملاء من حالات الاستخدام الشائعة.
• التعلم بالتعزيز: يتعلم الوكيل من خلال التفاعل مع بيئة ما. يتلقى مكافآت للإجراءات المرغوبة وعقوبات للإجراءات غير المرغوبة، بهدف تعظيم مكافأته التراكمية. يستخدم هذا النهج على نطاق واسع في الروبوتات ولعب الألعاب الاستراتيجية.

الأهمية في الذكاء الاصطناعي والرؤية الحاسوبية

يعد التعلم الآلي ركيزة أساسية للذكاء الاصطناعي الحديث وهو تحويلي بشكل خاص في مجال رؤية الكمبيوتر (CV). تعتمد مهام مثل اكتشاف الكائنات و تجزئة الصور و تقدير الوضعية بشكل كبير على نماذج ML لتفسير وفهم المعلومات المرئية. تستفيد النماذج الحديثة مثل Ultralytics YOLO من تقنيات ML، وخاصة التعلم العميق، لتحقيق دقة وسرعة عالية في التطبيقات في الوقت الفعلي.

فيما يلي مثالان على تطبيقات تعلم الآلة:

1. تحليل الصور الطبية: في الذكاء الاصطناعي للرعاية الصحية، يمكن لنماذج تعلم الآلة المدربة على مجموعات بيانات مثل مجموعة بيانات أورام الدماغ تحليل صور الرنين المغناطيسي أو التصوير المقطعي المحوسب للكشف عن الحالات الشاذة المحتملة وتحديدها. يساعد هذا أخصائيي الأشعة من خلال تسليط الضوء على المناطق المثيرة للقلق، مما يؤدي إلى تشخيصات أسرع وأكثر دقة. تستكشف بنشاط منظمات مثل المعهد الوطني للتصوير الطبي الحيوي والهندسة الحيوية (NIBIB) هذه التطبيقات.
2. المركبات ذاتية القيادة: تستخدم السيارات ذاتية القيادة مجموعة من نماذج التعلم الآلي لمعالجة البيانات من الكاميرات والليدار والرادار في الوقت الفعلي. في الذكاء الاصطناعي للسيارات، تُستخدم هذه النماذج لاكتشاف وتصنيف الكائنات مثل المركبات الأخرى والمشاة وإشارات المرور، مما يمكّن السيارة من التنقل في بيئتها بأمان. تم تصميم منصات التكنولوجيا مثل NVIDIA's DRIVE حول قدرات تعلم آلي قوية.

الأدوات والأطر

يتم دعم تطوير ونشر نماذج التعلم الآلي من خلال نظام بيئي غني بالأدوات. توفر أطر العمل مثل PyTorch (قم بزيارة موقع PyTorch الرسمي) و TensorFlow (قم بزيارة الصفحة الرئيسية لـ TensorFlow) اللبنات الأساسية لإنشاء الشبكات العصبونية.

توفر منصات مثل Ultralytics HUB بيئات متكاملة تعمل على تبسيط سير العمل بأكمله، بدءًا من إدارة مجموعات البيانات و تدريب النماذج المخصصة وحتى نشر النموذج والمراقبة من خلال MLOps. غالبًا ما يتضمن إنشاء نموذج فعال ضبط المعلمات الفائقة بعناية وفهمًا عميقًا لمقاييس الأداء.