Unsupervised Learning

التعلُّم غير الخاضع للإشراف هو نوع من تعلُّم الآلة يتعلّم فيه الخوارزمية الأنماط من البيانات غير الموسومة دون تدخل بشري. وعلى خلاف التعلُّم الخاضع للإشراف، الذي يعتمد على أزواج الإدخال والإخراج الموسومة لتدريب النموذج، يتعامل التعلُّم غير الخاضع للإشراف مع بيانات لا تحتوي على تسميات تاريخية. يحاول النظام أساسًا تعليم نفسه من خلال اكتشاف البنى أو الأنماط أو العلاقات المخفية داخل بيانات الإدخال. ويكتسب هذا النهج قيمة خاصة لأن الغالبية العظمى من البيانات المُنشأة اليوم—كالصور ومقاطع الفيديو والنصوص وسجلات المستشعرات—غير منظمة وغير موسومة.

كيفية عمل التعلُّم غير الخاضع للإشراف#

في السيناريوهات غير الخاضعة للإشراف، تُترك الخوارزمية لتكتشف بنفسها البنى المهمة في البيانات. وغالبًا ما يكون الهدف نمذجة التوزيع الكامن للبيانات أو التعلُّم المزيد عن البيانات نفسها. ونظرًا إلى عدم تقديم «إجابات صحيحة» أثناء التدريب، لا يمكن تقييم النموذج من حيث الدقة بالمعنى التقليدي. وبدلًا من ذلك، يُقاس الأداء غالبًا بمدى نجاح النموذج في تقليل الأبعاد أو تجميع نقاط البيانات المتشابهة معًا.

تحاكي هذه المنهجية الطريقة التي يتعلّم بها البشر المفاهيم الجديدة غالبًا. فعلى سبيل المثال، يستطيع الطفل التمييز بين الكلاب والقطط من خلال ملاحظة اختلاف أشكالها وسلوكياتها، من دون أن يعرف بالضرورة اسمي «كلب» و«قطة» في البداية. وبالمثل، تجمع الخوارزميات غير الخاضعة للإشراف المعلومات استنادًا إلى أوجه التشابه المتأصلة فيها. وتُعد هذه القدرة أساسية لتطوير الذكاء الاصطناعي العام (AGI)، إذ تتيح للأنظمة التكيف مع البيئات الجديدة دون إشراف بشري مستمر.

التقنيات الأساسية في التعلُّم غير الخاضع للإشراف#

يشمل التعلُّم غير الخاضع للإشراف عدة تقنيات متميزة، تناسب كل منها أنواعًا مختلفة من مشكلات تحليل البيانات:

• التجميع: هذا هو التطبيق الأكثر شيوعًا، إذ تجمع الخوارزمية نقاط البيانات المتشابهة فيما بينها. ومن الأساليب الشائعة تجميع K-Means، الذي يقسّم البيانات إلى k مجموعات متميزة استنادًا إلى تشابه السمات. ويُستخدم على نطاق واسع في تقسيم السوق لتحديد مجموعات العملاء ذوي سلوكيات الشراء المتشابهة.
• تقليل الأبعاد: قد تكون البيانات عالية الأبعاد معقدة ومكلفة حسابيًا عند معالجتها. وتقلل تقنيات مثل تحليل المكونات الرئيسية (PCA) عدد المتغيرات في مجموعة البيانات مع الحفاظ على معلوماتها الأساسية. وهذا يبسّط تصوير البيانات ويسرّع تدريب نماذج تعلُّم الآلة الأخرى.
• اكتشاف الحالات الشاذة: من خلال تعلُّم شكل البيانات «الطبيعية»، تستطيع النماذج غير الخاضعة للإشراف تحديد القيم المتطرفة التي تنحرف بدرجة كبيرة عن المعتاد. ويُعد ذلك بالغ الأهمية في اكتشاف الاحتيال في القطاع المالي، حيث تؤدي أنماط المعاملات غير المعتادة إلى إطلاق تنبيهات أمنية.
• تعلُّم قواعد الارتباط: تكتشف هذه التقنية العلاقات المهمة بين المتغيرات في قواعد البيانات الكبيرة. وتُستخدم على نحو شهير في تحليل سلة السوق، إذ تساعد تجار التجزئة على فهم أن العملاء الذين يشترون الخبز يُرجّح أيضًا أن يشتروا الزبدة.

التعلُّم غير الخاضع للإشراف مقابل التعلُّم الخاضع للإشراف#

من المهم التمييز بين التعلُّم غير الخاضع للإشراف والتعلُّم الخاضع للإشراف. يكمن الاختلاف الأساسي في البيانات المستخدمة. يتطلب التعلُّم الخاضع للإشراف مجموعة بيانات موسومة، أي إن كل مثال تدريبي مقترن بمخرج صحيح، مثل صورة قطة موسومة بكلمة «قطة». ويتعلّم النموذج ربط المدخلات بالمخرجات لتقليل الخطأ.

وعلى النقيض، يستخدم التعلُّم غير الخاضع للإشراف بيانات غير موسومة. ولا توجد حلقة تغذية راجعة تُخبر النموذج بما إذا كان مخرجه صحيحًا. وتوجد منزلة وسطى تُسمى التعلُّم شبه الخاضع للإشراف، إذ تجمع بين كمية صغيرة من البيانات الموسومة وكمية كبيرة من البيانات غير الموسومة لتحسين دقة التعلُّم، وغالبًا ما تُستخدم عندما تكون تسمية البيانات مكلفة أو تستغرق وقتًا طويلًا.

التطبيقات الواقعية#

يدعم التعلُّم غير الخاضع للإشراف العديد من التقنيات التي نواجهها يوميًا. وفيما يلي مثالان ملموسان:

1. تقسيم العملاء في تجارة التجزئة: تحلل منصات التجارة الإلكترونية ملايين تفاعلات المستخدمين دون فئات محددة مسبقًا. وباستخدام خوارزميات التجميع، تحدد هذه المنصات شخصيات متميزة للمستخدمين—مثل «الباحثين عن الصفقات في عطلة نهاية الأسبوع» أو «المتحمسين للتقنية». ويتيح ذلك تنفيذ حملات تسويقية شديدة التخصيص وأنظمة توصية، مما يحسّن تجربة العملاء بدرجة كبيرة.

2. تحليل التسلسلات الجينومية: يستخدم الباحثون في المعلوماتية الحيوية التعلُّم غير الخاضع للإشراف لتحليل البيانات الجينية. وتجمع الخوارزميات تسلسلات الحمض النووي للعثور على واسمات جينية أو طفرات متشابهة لدى مجموعات سكانية مختلفة. ويساعد ذلك على فهم العلاقات التطورية وتحديد الاستعدادات الجينية للإصابة بالأمراض من دون الحاجة إلى معرفة مسبقة بوظيفة كل جين على حدة.

مثال برمجي: التجميع باستخدام Scikit-Learn#

على الرغم من أن Ultralytics YOLO26 يُعد إطارًا خاضعًا للإشراف لاكتشاف الكائنات في المقام الأول، فإن التقنيات غير الخاضعة للإشراف تُستخدم غالبًا في خطوات المعالجة المسبقة، مثل تحليل توزيعات مربعات الارتساء أو تجميع سمات مجموعة البيانات. فيما يلي مثال بسيط يستخدم sklearn لتنفيذ تجميع K-Means، وهو أسلوب أساسي غير خاضع للإشراف.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

دور التعلُّم غير الخاضع للإشراف في التعلُّم العميق#

يدمج التعلُّم العميق (DL) الحديث مبادئ غير خاضعة للإشراف بصورة متزايدة. وتتيح تقنيات مثل التعلُّم الذاتي الإشراف (SSL) للنماذج إنشاء إشارات الإشراف الخاصة بها من البيانات. فعلى سبيل المثال، في معالجة اللغة الطبيعية (NLP)، تُدرَّب نماذج مثل GPT-4 مسبقًا على كميات هائلة من النصوص للتنبؤ بالكلمة التالية في الجملة، فتتعلّم بنية اللغة بفاعلية دون تسميات صريحة.

وبالمثل، تُستخدم في الرؤية الحاسوبية (CV) المشفّرات التلقائية لتعلُّم ترميزات فعالة للبيانات. تضغط هذه الشبكات العصبية الصور في تمثيل منخفض الأبعاد ثم تعيد بناءها. وتعلّم هذه العملية الشبكةَ السمات الأبرز للبيانات المرئية، وهو ما يفيد في مهام مثل إزالة تشويش الصور والنمذجة التوليدية.

بالنسبة إلى الراغبين في إدارة مجموعات البيانات لأغراض التدريب، توفر Ultralytics Platform أدوات لتصوير توزيعات البيانات، مما قد يساعد على تحديد التجمعات أو الحالات الشاذة قبل بدء عملية التدريب الخاضع للإشراف. وغالبًا ما يكون فهم بنية بياناتك من خلال الاستكشاف غير الخاضع للإشراف الخطوة الأولى نحو بناء حلول ذكاء اصطناعي متينة.