كل ما تحتاج لمعرفته حول التعلم الآلي [مقابلة عالم البيانات]

رسم الخيال العلمي العديد من صور الرعب لمستقبل الآلات التي تسيطر على العالم. هذه الرؤى القاتمة للآلات القوية هي بعض المفاهيم الخاطئة لدى الناس حول الذكاء الاصطناعي والتعلم الآلي.

في هذه المقالة ، يجيب اختصاصي التعلم الآلي Juuso Lassila على الأسئلة الأكثر شيوعًا حول التعلم الآلي ويخبرنا عن سبب عدم استعداد الآلات للاستيلاء على العالم.

1. ما هو التعلم الآلي؟

يعني التعلم الآلي أن الآلة يمكن أن تتعلم دون أن تتم برمجتها. غالبًا ما يتم استخدام التعلم الآلي والذكاء الاصطناعي عن طريق الخطأ كمرادفين ، لكنهما ليسا متشابهين. التعلم الآلي هو في الواقع مجموعة فرعية من الذكاء الاصطناعي.

"الذكاء الاصطناعي مصطلح ضعيف التحديد. "يمكن أن تعني أي شيء نوعًا ما" ، تشرح لاسيلا.

يتمثل الاختلاف الكبير بين التعلم الآلي والذكاء الاصطناعي في أن الذكاء الاصطناعي لا يحتاج دائمًا إلى البيانات. على سبيل المثال ، يقول البعض أن العثور على المسار الأمثل على الخريطة هو الذكاء الاصطناعي. هذه العملية ليست قائمة على البيانات ولكنها خوارزمية .

التعلم الآلي ، من ناحية أخرى ، هو الذكاء الاصطناعي الذي يستخدم البيانات للتعلم. تكمن فائدة التعلم الآلي في أن المبرمج لا يحتاج إلى معرفة كيف يحل النموذج المشكلة. هذا يعني أن الآلة يمكنها استخدام تقنيات لم يكن المبرمج على علم بها. اليوم ، يلعب التعلم الآلي دورًا مهمًا في العديد من الصناعات.

2. كيف يتم استخدام التعلم الآلي؟

يحاول التعلم الآلي فهم البيانات والهياكل الموجودة فيها. لوضع هذا ببساطة ، دعنا نأخذ شيئًا يحبه الإنترنت: صور القطط والكلاب! لذلك ، إذا كان لديك المئات من الصور لأصدقائك المفضلين ذوي الفراء بترتيب عشوائي ، يمكنك استخدام التعلم الآلي للتمييز بين هذه الصور. يمكن للآلة تنظيم البيانات بحيث ينتهي بك الأمر بصور القطط فقط ، على سبيل المثال.

يقول Lassila: "سيتنبأ التعلم الآلي بالقيم من البيانات التي تغذيها به ويفهم تلك البيانات".

تتمثل إحدى الطرق الشائعة لاستخدام التعلم الآلي في تصنيف البيانات ، كما هو الحال في مثالنا مع صور القطط والكلاب أعلاه. ومع ذلك ، يتم استخدام التعلم الآلي أيضًا في روبوتات الدردشة بالذكاء الاصطناعي ولإجراء أنواع مختلفة من التنبؤات. على سبيل المثال ، يمكن استخدام التعلم الآلي لتقدير قيمة المنزل بناءً على الحجم والموقع والسنة التي تم بناؤها من بين معلومات أخرى.

3. كيف تتعلم الآلات؟

يحاول التعلم الآلي عادةً تقليل أخطاء النموذج. أولاً ، يبدأ بإجابات عشوائية. تشرح لاسيلا أن البشر يعطونها بعد ذلك الإجابات الصحيحة.

هناك طريقة لقياس مدى خطأ الآلة في الإجابات التي قدمتها. في بعض نماذج التعلم الآلي ، يتم استخدام التفاضل لتقليل الأخطاء.

باستخدام التفاضل ، يمكنك حساب الاتجاه الذي يجب تغيير المعلمات لتقليل قيمة دالة الخطأ.

"ثم تعرف كيفية تغيير المعلمات الخاصة بك بحيث تنخفض قيمة الوظيفة. يمكنك بعد ذلك اتخاذ خطوة صغيرة نحو خطأ أصغر عن طريق تغيير المعلمات. تقول لاسيلا: "بهذه الطريقة تقلل من الأخطاء".

4. هل يمكن أن تكون الآلة خالية من الأخطاء؟

من الناحية النظرية ، من الممكن أنه لا توجد أخطاء ولكن في العالم الحقيقي ، هذا لا يحدث بالفعل. حتى في أفضل الحالات ، يمكن للجهاز الحصول على 99.9٪ فقط من البيانات الصحيحة.

تقول لاسيلا: "بالنسبة للتصنيف ، يمكننا قياس الدقة". عادة ، تعتبر دقة 90-95٪ جيدة جدًا. عندما تكون هوامش الخطأ منخفضة بما يكفي ، تكون الآلة جاهزة للدخول في الإنتاج. يعتمد مدى انخفاض هامش الخطأ قبل بدء تشغيل المنتج على المهمة التي من المفترض أن يقوم بها الجهاز.

عند الحديث عن روبوتات الدردشة التي تعمل بالذكاء الاصطناعي ، من الصعب تحديد متى سيكون الروبوت مفيدًا أكثر من كونه مزعجًا لأن روبوتات الدردشة بالذكاء الاصطناعي يمكن أن تحتوي على العديد من أمثلة الأسئلة قدر الإمكان. يتعين على الجهاز دائمًا اختيار أفضل الإجابات المتاحة. مدى صحة الجهاز يعتمد على عدد أمثلة الأسئلة الموجودة.

"إذا كان لديك سؤال واحد ، فالآلة دائمًا صحيحة. إذا كان لديك سؤالان ، فمن المأمول أن يكون الأمر صحيحًا في كثير من الأحيان ، ولكن إذا كان لديك 100 سؤال ، فمن المحتمل جدًا أن تختار الآلة الإجابة الخاطئة ، "يشرح لاسيلا.

5. ما هو التعلم العميق؟

التعلم العميق هو طريقة للتعلم الآلي تستخدم طبقات في النماذج. تنتج طبقة واحدة ناتجًا ويتم نقل هذا الإخراج إلى الطبقة الثانية وما إلى ذلك. عادة ما يتم التعلم العميق في الشبكات العصبية .

يقول لاسيلا: "الشبكات العصبية مفيدة جدًا لأنها تتكيف جيدًا مع تنسيقات الإدخال والإخراج المختلفة".

الشبكات العصبية متعددة الاستخدامات ، ولهذا السبب يوجد بها العديد من حالات الاستخدام. عادةً ما تستخدم روبوتات الدردشة المدعومة بالذكاء الاصطناعي الشبكات العصبية أيضًا.

"نقوم بإنشاء عمليات دمج الجمل هذه من الرسائل التي هي مجرد نقاط متجهية في الفضاء. ثم نقيس أوجه التشابه بينهما. يستخدم شبكة عصبية. يشرح لاسيلا: "يحتوي على الكثير من الطبقات ويعطي مخرجات في النهاية".

هناك أيضًا العديد من طرق التعلم الآلي غير العميقة. مثل آلات ناقلات الدعم أو أشجار القرار .

6. ما هي معوقات التعلم الآلي؟

البيانات هي أحد تلك الأشياء التي تسبب قيودًا على التعلم الآلي. إذا لم يكن لديك بيانات ، فلن يعمل التعلم الآلي. أنت أيضا بحاجة إلى موارد حسابية. غالبًا ما تسبب النماذج قيودًا أيضًا.

"بالنسبة للمهام الأساسية ، مثل التصنيف ، فإن النماذج جيدة. وفي هذه الحالات ، تكون مقيدًا بالبيانات والموارد الحسابية. لكن في بعض المجالات ، لم تكن النماذج جيدة بعد ، كما تقول لاسيلا.

كلما زادت البيانات ، كان ذلك أفضل ، طالما أن لديك الموارد اللازمة لحساب تلك البيانات. لكن يجب أن تكون البيانات ذات نوعية جيدة. أيضًا ، يجب أن تكون النماذج كبيرة حتى يتمكن النموذج من التعامل مع جميع المدخلات المعقدة التي قد يحصل عليها. أنت بحاجة إلى قدر كبير من قوة المعالجة للجهاز للتعامل مع تلك البيانات.

"يمكنك الوصول إلى الكثير من البيانات. ليست هذه هي المشكلة حقا ". لاسيلا تقول. "القضية هي العارضات والوقت الذي يستغرقه تدريبهن. هناك حاجة إلى قدر كبير من الذاكرة لتخزين هذه النماذج ".

المأزق الآخر للتعلم الآلي هو بنية النموذج المتاحة حاليًا لبعض المهام. لا توجد بنية نموذجية جيدة لحفلات الزفاف في الوقت الحالي.

تقول لاسيلا: "لا يزال البحث جاريًا لإيجاد نموذج جيد حقًا".

7. كيف تعلم الآلة؟

أولاً ، أنت بحاجة إلى الكثير من البيانات ، والبيانات التي تستخدمها لتدريب النماذج تحتاج إلى تسميات بشرية.

يوضح لاسيلا: "تمتلك الشركات الكبرى التي تستخدم التعلم الآلي جيوشًا من الأشخاص الذين يقومون فقط بتسمية البيانات".

حتى إذا كان بإمكان الروبوت أن يبدأ في تصنيف البيانات بمرور الوقت ، فأنت لا تريد استخدام الإجابات التي يقدمها لك النموذج كبيانات تدريبية. النماذج ترتكب أخطاء أكثر من البشر. إذا كنت تستخدم وسم الجهاز كبيانات تدريب ، فأنت تعلم هذه الأخطاء مرة أخرى للنماذج.

"هذا سيجعل الأخطاء تكبر أكثر فأكثر. "

من الممكن أيضًا استخدام التعلم النشط حيث يمكن للنماذج تحديد نوع نقاط البيانات التي سيكون من المفيد تصنيفها. هذا يمكن أن يجعل التعلم أكثر كفاءة. "يمكن للآلة توجيه عملية وضع العلامات. ومع ذلك ، يجب أن يقوم البشر بوضع العلامات حتى لا تنتشر الأخطاء. "

بمجرد أن يقوم البشر بتدريب نموذج باستخدام البيانات ، يجب أن تكون الآلة قادرة على إعادة إنتاج تلك العلامات للمدخلات غير المرئية. ولكن إذا كنت بحاجة إلى إجابات جديدة ، فيجب إعادة تسمية البيانات مرة أخرى من قبل البشر.

8. ما هو مستقبل التعلم الآلي؟

يتطور التعلم الآلي بسرعة كبيرة في الوقت الحالي. قبل بضع سنوات ، تم تقديم نموذج آخر للتعلم العميق ، نموذج المحولات. كان لاكتشاف نموذج المحولات تأثير كبير على التعلم الآلي.

"لقد قمنا بإعادة بناء مجال البحث بأكمله حول هذا الاكتشاف. تشرح لاسيلا: "لقد نجح الأمر حقًا بشكل جيد".

يتم استخدام نموذج المحول أيضًا في روبوتات الدردشة AI مع معالجة اللغة الطبيعية. "ولكن في مرحلة ما ، سنصل إلى نهاية الطريق لمعرفة مدى جودة استخدامنا لتلك الهندسة المعمارية" ، كما يقول لاسيلا. "نأمل أن نجد شيئًا جديدًا يعطي نتائج أفضل."

9. هل ستسيطر الآلات على العالم؟

يتوقع الناس الكثير أو لا يكفي من الذكاء الاصطناعي والتعلم الآلي.

يقول لاسيلا: "هناك نقص في فهم قدرات الذكاء الاصطناعي".

لذلك يبدو أن الآلات لن تسيطر على العالم بعد. لدى الروبوتات بعض العقبات التي يجب التغلب عليها قبل حدوث ذلك.

"النماذج والهندسة المعمارية ليست موجودة بعد. لدينا بالفعل البيانات والموارد الحسابية لصنع ذكاء اصطناعي جيد ، لكننا ما زلنا بحاجة إلى تلك البنى الجيدة لتتولى الروبوتات المسؤولية ".

على الرغم من أن الذكاء الاصطناعي ليس جاهزًا للسيطرة على العالم بعد ، إلا أنه سيتولى بعض الوظائف.

"قد يتم استبدال بعض الوظائف بالذكاء الاصطناعي في بعض النقاط. قال لاسيلا: "ستكون هذه وظائف متكررة لا تتطلب الكثير من التفكير".

هناك طريقتان للتفكير في كيفية تغيير الذكاء الاصطناعي لسوق العمل. أحدها أن الذكاء الاصطناعي يحل محل الوظائف ، لكنه يمكن أن يعزز الوظائف أيضًا. يمكن أن تعمل جنبًا إلى جنب مع البشر. وخير مثال على ذلك روبوتات الدردشة ، التي يمكنها الاتصال بوكيل مباشر عندما لا يتمكنون من مساعدة زائر الموقع.

"يمكن للذكاء الاصطناعي تحسين الكفاءة للعديد من الوظائف."

ومع ذلك ، ما زلت بحاجة إلى موارد بشرية لمكافحة الأخطاء. الذكاء الاصطناعي لا يفكر مثل الإنسان. يستخدم طرقًا مختلفة. وأحيانًا لا يكون من المنطقي بالنسبة لنا سبب ظهوره لشيء ما.

"واحدة من أكبر المشكلات المتعلقة بالذكاء الاصطناعي هي أن الآلة لا تشرح سبب قيامها بإنشاء مخرجات معينة. قد يكون من المنطقي بالنسبة للنموذج ، ولكن ليس للبشر. "

إذا كنت ترغب في معرفة المزيد حول التعلم الآلي والذكاء الاصطناعي ، فراجع دليل روبوتات الدردشة AI الخاص بنا .