Machine Learning (ML)

تعلّم الآلة (ML) هو مجموعة فرعية ديناميكية من الذكاء الاصطناعي (AI) تمكّن أنظمة الحاسوب من التعلّم من البيانات وتحسين أدائها من دون برمجتها صراحةً لكل قاعدة. وبدلاً من اتباع تعليمات ثابتة ومشفّرة، تحدد خوارزميات تعلّم الآلة الأنماط داخل كميات هائلة من البيانات الضخمة لاتخاذ القرارات أو إجراء التنبؤات. وتُعد هذه القدرة المحرك وراء العديد من التقنيات الحديثة، إذ تتيح للحواسيب التكيف مع السيناريوهات الجديدة من خلال معالجة بيانات التدريب وتنقيح منطقها الداخلي بمرور الوقت عبر الخبرة.

المفاهيم والتقنيات الأساسية#

يعتمد ML في أساسه على تقنيات إحصائية لبناء أنظمة ذكية. ويُصنَّف المجال عموماً إلى ثلاث منهجيات رئيسية استناداً إلى كيفية تعلّم النظام. يتضمن التعلّم الخاضع للإشراف تدريب نموذج على مجموعات بيانات معنونة يكون فيها الناتج المطلوب معروفاً، وهي تقنية تُستخدم عادةً في مهام تصنيف الصور. وعلى العكس، يتعامل التعلّم غير الخاضع للإشراف مع بيانات غير معنونة، ما يتطلب من الخوارزمية اكتشاف البنى أو العناقيد المخفية بنفسها. وأخيراً، يتيح التعلّم المعزّز للوكلاء التعلّم من خلال التجربة والخطأ ضمن بيئة تفاعلية لتعظيم المكافأة. وغالباً ما تستفيد التطورات الحديثة من التعلّم العميق، وهو فرع متخصص من ML يستند إلى الشبكات العصبية التي تحاكي البنية الطبقية للدماغ البشري.

التطبيقات الواقعية#

أحدث تعلّم الآلة تحولاً في العديد من القطاعات من خلال أتمتة المهام المعقدة. فيما يلي مثالان ملموسان على تأثيره:

• الأنظمة المستقلة: في مجال الرؤية الحاسوبية، تُستخدم نماذج مثل Ultralytics YOLO26 في اكتشاف الأجسام في الوقت الفعلي. وتعمل هذه الأنظمة بمثابة «عيون» لـالمركبات المستقلة، إذ تحدد فوراً المشاة والسيارات الأخرى وإشارات المرور لاتخاذ قرارات تتعلق بالسلامة خلال أجزاء من الثانية.
• التشخيص الطبي: في الرعاية الصحية، تحلل خوارزميات ML الصور الطبية المعقدة لاكتشاف الشذوذ، مثل الأورام، في وقت أبكر من الأساليب التقليدية. ومن خلال معالجة سجلات المرضى السابقة والاستفادة من تحليل الصور الطبية، تساعد هذه الأدوات الأطباء على وضع تشخيصات دقيقة وإنشاء خطط علاج مخصصة.

تطبيق تعلّم الآلة#

يتضمن تطوير حل قائم على ML دورة حياة تُعرف باسم عمليات تعلّم الآلة (MLOps). تبدأ هذه العملية بجمع بيانات عالية الجودة وإجراء وسم البيانات لإعداد المدخلات للنموذج. بعد ذلك، يجب على المطورين تدريب النموذج مع مراقبة مشكلات مثل فرط التكيّف، حيث يحفظ النظام بيانات التدريب عن ظهر قلب لكنه يفشل في التعميم على المعلومات الجديدة.

يوضح مقطع Python التالي كيفية تحميل نموذج ML مدرَّب مسبقاً باستخدام الحزمة ultralytics لإجراء الاستدلال على صورة:

from ultralytics import YOLO

# Load the advanced YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Perform object detection on an image source
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to see the identified objects
results[0].show()

تمييز المصطلحات الأساسية#

من المهم التمييز بين «تعلّم الآلة» والمفاهيم ذات الصلة. ففي حين أن AI هو العلم الشامل لإنشاء آلات ذكية، فإن ML هو المجموعة المحددة من الأساليب المستخدمة لتحقيق ذلك الذكاء عبر البيانات. وعلاوةً على ذلك، تُعد علوم البيانات مجالاً أوسع يضم ML، لكنه يركز أيضاً على تنظيف البيانات وتصورها والتحليل الإحصائي لاستخلاص الرؤى التجارية. وتوفر أُطر العمل مثل PyTorch وTensorFlow الأدوات الأساسية اللازمة لبناء هذه الأنظمة.

لتبسيط تعقيدات تدريب هذه النماذج ونشرها، تتيح الحلول السحابية الأصلية مثل منصة Ultralytics للفرق إدارة مجموعات البيانات وتدريب نماذج قابلة للتوسع والتعامل بكفاءة مع نشر النماذج على الأجهزة الطرفية.