التعلم الآلي في الذكاء الاصطناعي

أولا: تعريف التعلم الآلي

فيما تقوم البرامج الحاسوبية التقليدية على مجموعات من الأوامر والبيانات المحددة مسبقا والتي تقدم نتائج متوقعة، فإن الذكاء الاصطناعي (AI) يتميز بقدرته على التعلم من البيانات الهائلة، وعدم الاعتماد على أوامر صريحة تحدد النتيجة النهائية، بل هو يتيح للنماذج و التطبيقات التصرف بشكل مستقل، وهذه الاستقلالية تمنحها مساحة للإبداع وابتكار نتائج غير متوقعة ومبهرة في كثير من الأحيان، إضافة إلى عوامل متعددة تجعل الذكاء الاصطناعي مختلفا بشكل كبير و متميزا عن النظام الحاسوبي التقليدي منها آليات العمل و الخوارزميات و حجم البيانات و عوامل أخرى متعددة سنتطرق اليها في فقرات هذه المقالة.

إن هذا الاختلاف هو ما يمكن الذكاء الاصطناعي من محاكاة القدرات المعرفية البشرية، مثل التعلم وحل المشكلات، ويعد التعلم الآلي (Machine Learning) العمود الفقري للذكاء الاصطناعي، فمن خلاله تتم معالجة مختلف أنواع المسائل و تقديم حلول فعّالة في مختلف المجالات كالصحة و التعليم والأعمال وغيرها.

ولأن بعض المهام تتطلب قدرات أكثر تعقيدا، فقد تطورت تقنيات التعلم الآلي لتصل إلى مستوى متقدم في طرق و أساليب و تقنيات التعلم، و هو ما يعرف بالتعلم العميق (Deep Learning)، الذي يعد امتدادا تطوريا للتعلم الآلي وارتقاء بمستوى التعلم وأدواته، و العلاقة بينهما يمكن تشبيهها بالعلاقة بين (البكالوريوس) و(الدكتوراه) فالدكتوراه هنا امتداد للبكالوريوس و ارتقاء معرفي بمستوى أعلى، و هذا الارتقاء يؤهل بعض النماذج مثل النماذج اللغوية الكبيرة و معظم التطبيقات التوليدية، للعمل في مجالات أكثر تخصصا وتطورا، حيث أن التعلم الآلي يعتمد بشكل أساسي على خوارزميات بسيطة و طرق تعلم تقليدية مثل (التعلم الخاضع للاشراف وغير الخاضع و شبه الخاضع للإشراف و التعلم بالتعزيز) بالاضافة الى اعتماده على مبدأ (الأنماط) التي تعلم كيفية اعادتها و الاستفادة منها.

ثانيا: مميزات التعلم الآلي

  رغم التطور الكبير للذكاء الاصطناعي  الذي يتنامى بوجود التعلم العميق و الشبكات العصبية، إلا أن هناك الكثير من النماذج والتطبيقات لا تزال تعمل بالتعلم الآلي لامتلاكه مميزات تجعل من استمرارية العمل به أمرا حتميا، اضافة الى اسباب متعددة نذكر أهمها : 

 كفاءة الموارد والتكلفة التشغيلية (الكلفة)

متطلبات الأجهزة (Hardware): نماذج التعلم العميق تتطلب قوة معالجة عالية جدا باستخدام وحدات المعالجة المتكررة (GPU) أو (TPU) لتدريبها، بينما يمكن تدريب وتنفيذ خوارزميات التعلم الآلي التقليدية (مثل الانحدار أو أشجار القرار) بكفاءة عالية على وحدة المعالجة المركزية (CPU)، وهي أرخص بكثير في التشغيل والصيانة.

الوقت والبيانات: يتطلب التعلم العميق كميات هائلة من البيانات ووقتا أطول للتدريب. إذا كانت مجموعة البيانات صغيرة أو متوسطة، فإن استخدام نموذج تعلم آلي (ML) تقليدي يعطي نتائج جيدة جدا في وقت أقل وبجهد أقل في إعداد البيانات.

 نوع المهمة و عدم الحاجة للتعقيد

الوضوح والتفسير: نماذج التعلم الآلي التقليدية أكثر قابلية للتفسير والوضوح حيث يمكن بسهولة فهم كيفية توصل النموذج للنتيجة، فيما قد تكون عمليات المعالجة و النتائج غامضة و غير قابلة للتفسير في بعض الأحيان في التعلم العميق وهو ما يعرف بمعضلة الصندوق الأسود (Black Box) و هذه الناحية مهمة في حالات معالجة في مجالات مثل التمويل أو الرعاية الصحية، حيث يكون الوضوح هو المطلب الأول قبل الدقة في المعالجة.

بساطة المهمة: بعض المهام بسيطة بطبيعتها ولا تحتاج إلى التعقيدات في الشبكة العصبية العميقة، مثل التنبؤ بسعر منزل بسيط (يعتمد على مساحته وعدد غرفه) يمكن حله بكفاءة باستخدام خوارزمية انحدار خطي بسيطة، ولا تحتاج إلى شبكة عصبية معقدة.

إذن لا يزال التعلم الآلي التقليدي هو الخيار الأمثل عندما تكون البيانات محدودة، والموارد التشغيلية قليلة، أو عندما تكون قابلية تفسير النموذج أكثر أهمية من الوصول إلى أعلى مستويات الدقة.

ثالثا: طرق التعلم الآلي

إن تعدد طرق التعلم الآلي وتنوع تطبيقاته يعكسان مدى اتساع هذا المجال وعمقه، وهو ما يجعل فهم هذه الطرق ضرورة لفهم الذكاء الاصطناعي الحديث، و سنتناول هذه الأساليب بمزيد من التفصيل مع أمثلة عملية توضح آلية عمل كل من هذه الأنواع

التعلم الخاضع للاشراف
 (Supervised Learning)

هذه الطريقة تعني تزويد الذكاء الاصطناعي ببيانات مصنفة  (Labeled Data)،  و هذا معناه أن كل معلومة تكون مرفقة بالاجابة و التصنيف الصحيحين، فلو اعطينا الذكاء الاصطناعي آلاف الصور لقطط مع تصنيفها على أنها قطط وآلاف صور الكلاب مع تصنيفها الصحيح انها كلاب و الصورة تسمى هنا (المدخل) و التصنيف يسمى (المخرج) و مع تكرار هذه العملية مرات عديدة سيتمكن الذكاء الاصطناعي من تحديد المدخل و المخرج و الربط بينهما و يضبط نفسه على هذا الأساس، فيصبح قادرا على التمييز بين القطة و الكلب، و في كل مرة تتكرر هذه العملية يقل ويضعف احتمال الخطأ، تماما كما يفعل طفلك في كل مرة يرى فيها قطة (المدخل) و يسألك وتخبره انها قطة (المخرج) ثم نفس العملية لو رأى كلبا، يستطيع بعد ذلك أن يميز بين القطة و الكلب بناء على صحة المعلومات التي تلقاها منك في البداية، و هذا ما يطلق عليه في الذكاء الاصطناعي تسمية التعلم الموجه او التعلم الخاضع للإشراف. 

التعلم غير الخاضع للاشراف
(Unsupervised Learning)

لو أن شخصا دخل مكتبة ضخمة واراد ان يرتبها  الى مجموعات بتصنيفات معينة  وهو لا يملك مخططا للتصنيف (بمعنى لا يملك مخرجات) فقام بتصنيفها بشكل خاطئ في مجموعات بحسب حجم الكتاب أو لونه مثلا، و هذا ما تفعله خوارزميات التجميع (Clustering)، هذا يعتبر تصنيف و لكن غير مكتمل لعدم وجود (مخرجات) و كذلك هو الأمر بالنسبة  للتعلم غير الخاضع للاشراف حيث يزود النظام ببيانات بدون تصنيف (مدخلات بدون مخرجات) فيقوم بتصنيفها وفقا لأنماط مشتركة بين مفردات كل مجموعة دون تسميتها، و المثال الذي ذكرناه لو أردنا تطبيقه على هذا النظام بإدخال كميات كبيرة من الكتب فإنه سيقوم تلقائيا بتصنيفها في مجموعات، بعد أن يكتشف أنماط متشابهة بين الكتب، مثال آخر : لو اننا قمنا بتزويد النظام بآلاف من صور الكلاب و القطط (مدخلات) دون تسميتها (بدون مخرجات) فسيقوم بتصنيفها إلى مجموعتين لأنه سيجد أنماطا مشتركة بين الكلاب (اذن طويلة، ذيل طويل .. الخ) وأخرى مشتركة بين القطط (انوف صغيرة، عيون وآذان مدببة .. الخ)، و لكنه لن يسميها بأسمائها (كلاب و قطط) قد يسميها مجموعة (A) و مجموعة (B) لانه لا يملك الوعي البشري فيعرف من تلقاء نفسه انها قطط او كلاب، و هنا نجد الفرق بين التعلم الخاضع للاشراف و التعلم غير الخاضع للاشراف  ففي الأول تكون النتائج كاملة لأن النظام تم تزويده بالمدخلات والمخرجات أما في الثاني فيتم تزويده بالمدخلات فقط، و يمكن في التعلم غير الخاضع للاشراف أن تسمى مجموعات الكلاب و القطط  باسمائها و لكن بتدخل بشري، فتصبح جاهزة لأن يغذى بها التعلم الخاضع للاشراف، وهذه العملية تسمى أحيانا بالتعلم شبه الخاضع للاشراف.

التعلم شبه الخاضع للاشراف 
 (Semi-supervised Learning)

لديك طفل اردت ان تعلمه كيف يميز بين الأشياء و يصنفها، وضعت أمامه كومة من البطاقات الملونة (مدخلات)، ثم قمت انت بتجميع كل البطاقات الحمراء (نمط)  مع بعضها و كل البطاقات الصفراء (نمط) مع بعضها، ثم تقوم بخلط الاوراق مرة اخرى و فرز البطاقات الخضراء و الزرقاء بنفس الطريقة، هنا طفلك سيلاحظ أن النمط الذي اعتمدته في فرز الأوراق هو اللون، فيفعل ذلك مع كل الاوراق و يصنفها على أساس اللون، وهذا هو المبدأ الذي يقوم عليه نظام التعلم شبه الخاضع للاشراف فهو يخضع لما يشبه دورة تعليمية في اكتشاف الأنماط المتشابهة على كمية معينة، و يقسمها الى مجموعات، ثم يطبق نفس المبدأ في تقسيم كمية أكبر، مثال : لو تم تغذية النظام ب 1000 صورة لكلاب و قطط، فهو يقوم بتصنيفها ضمن مجموعتين وفقا لانماط مشتركة بين صور كل مجموعة، ثم تكرار العملية مع صور اخرى، هنا سيتعلم النظام مبدأ الفرز على أساس الأنماط و لوقمنا بعد ذلك بتغذيته بملايين الصور لأنواع مختلفة فإنه بعد التدريب أصبح  قادرا على تصنيفها.

التعلم بالتعزيز
(Reinforcement Learning)

يتم اعتماد هذا النوع من التعلم عند توفر عدة عوامل مجتمعة في مسألة معينة او نظام معين، و سنقوم بتعداد و شرح هذه العوامل، و هذا النوع من التعلم يقوم على مبدأ العقاب والمكافأة على الفعل و تسمى (التغذية الراجعة) أو(Feedback)، و تبسيطا للمعنى فإن التغذية الراجعة هي ما يشبه ردة الفعل على الفعل و ردة الفعل هنا تكون العقاب او المكافأة أيا يكن الفعل .

مثال : لو ان طفلك فعل فعلا ايجابيا فانت تشجعه و تقدم له قطعة حلوى كمكافأة على فعله، و لو فعل فعلا سلبيا تنظر اليه بنظرة يفهم منها أنه أساء الفعل فلا يعود لتكراره مرة أخرى، فقطعة الحلوى أو نظرة التوبيخ هي (التغذية الراجعة) على فعل الطفل و الطفل هنا يسمى (الوكيل) أي فاعل الفعل،  نستنتج من ذلك أن ردة الفعل (التغذية الراجعة) هي (وسيلة التعلم) التي تشجع (الوكيل او فاعل الفعل) على الفعل الإيجابي و تدفعه للافضل او انها تنبهه إلى أن فعله خاطئ فيتجنب الوقوع فيه مرة اخرى، مثال آخر مطبق فعليا في نظام القيادة الآلية  : لو أن نظام القيادة احسن التصرف (الوصول الى الهدف بالسرعة المطلوبة، الالتزام بنظام المرور، تفادي الحوادث .. الخ) يتلقى مكافأة على شكل آعجاب او (نقطة ايجابية)، فيفهم أن أداءه كان جيدا و يتحمس لتقديم أفضل ما عنده،  و لو انه قام بفعل سلبي (حادث ، مخالفة لنظام المرور .. الخ) فإن  (التغذية الراجعة) تكون على شكل عدم اعجاب او (نقطة سلبية)، فيفهم أنه أخطأ فلا يعود فيرتكب نفس الخطأ مرة اخرى، و تستخدم هذه التقنية في تطوير أداء النماذج اللغوية الكبرى بشكل فعال، و يتم استخدام هذه الطريقة عند توافر عوامل معينة مجتمعة و هي الوكيل نفسه (Agent) و الاجراء (Actions) والبيئة (Environment). 

التعلم بالترابط
(Association Learning)

 التعلم بالترابط ليس نوعا قائما بحد ذاته من أنواع التعلم حسب التصنيفات الأكاديمية الرسمية فهو يعد اتجاها فرعيا من التعلم الخاصع للاشراف و احيانا غير الخاصع للاشراف.

وتهدف هذه الطريقة إلى تعلم النظام (القواعد الترابطية) و أنماط العلاقات والترابطات، و التعلم بالترابط إحدى طرق تعلم النظام البحث عن الانماط و لكن ليس انماط الهياكل او الاساليب و السلوكيات و الصفات بل هي متخصصة بالبحث عن أنماط الترابطات، مثال : لو كنت صاحب متجر و اردت ان تعرف ما هي المنتجات التي تشترى مع بعضها غالبا فقمت بمراجعة الفواتير و سجلات البيع فوجدت (أن الزبائن الذين يشترون الشامبو غالبا ما يشترون البلسم، و الزبائن الذين يشترون المشروبات الغازية غالبا ما يشترون مكعبات الثلج، الخ) هذا يعتبر نمط (ترابطي) من أنماط الشراء لان هناك ترابط بين مواد و اخرى في عملية الشراء، النظام في عملية التعلم بالترابط يبحث و يحدد مثل هذه الأنماط و يتعلم منها في مسائل أخرى، ويطلق على عناصر الترابط اسم العناصر (Items) وهي الاشياء التي نبحث عن ترابط بينها، وفي حال ارتباطها مع بعضها تسمى المجموعة (Transaction/Set) و هي مجموعة الاشياء المترابطة (في سلة المشتريات مثلا) و يوجد مفهوم ثالث من مفاهيم هذه العملية و هو قواعد الترابط ( Association Rules) و تمثل القاعدة المكتشفة ، مثال : اذا اشترى العميل المادة (X) فانه غالبا ما يشتري المادة (Y) فهذه قاعدة، و يستخدم التعلم بالترابط بشكل واسع في التجارة الإلكترونية والمتاجر لتحديد المنتجات التي تُشترى معا بشكل متكررو هذا يساعد المتاجر الالكترونية على تحسين تصنيف المنتجات المترابطة بالقرب من بعضها البعض (مثل الشامبو مع البلسم) و ايضا تقديم عروض ترويجية من خلال تقديم خصم على منتج عند شراء منتج آخر مرتبط به، و له دور فعال في التوصيات المخصصة (Recommendation Engines) و تعني تقديم توصية (العملاء الذين اشتروا هذا المنتج، اشتروا أيضا..) وهو تطبيق مباشر وفعال لهذا النوع من التعلم نلاحظه في مواقع التجارة الالكترونية.

التعلم الخاضع للإشراف الذاتي
 (Self-Supervised Learning - SSL)

إلى جانب طرق التعلم الأربعة التقليدية السائدة، ظهر مؤخرا نوع متطور يعد نقلة نوعية في كفاءة التدريب، وهو التعلم الخاضع للإشراف الذاتي (SSL).

يتميز هذا النوع بقدرته على تمكين النماذج من التدريب الذاتي بالاعتماد على البيانات غير المصنفة، مما يقلل بشكل كبير الاعتماد على الحاجة إلى مجموعات بيانات ضخمة تتطلب جهداً بشرياً كبيراً في الشرح والتصنيف. تكمن آلية عمل (SSL) في أنها تتحول إلى خوارزمية تنبؤية، حيث تقوم تلقائيا بتوليد (تسميات) داخلية عبر التنبؤ بجزء من المدخلات بناء على أجزاء أخرى، وبالتالي تحوّل المشاكل التي لا تخضع لإشراف إلى مشاكل قابلة للحل بالإشراف.

هذا المنهج المبتكر يحمل أهمية قصوى في تطبيقات معالجة اللغة الطبيعية (NLP) ورؤية الكمبيوتر، حيث تكون كميات البيانات غير المصنفة متاحة بكثرة، بينما تكلفة تصنيفها يدويا تعد باهظة. ورغم أن التعلم الخاضع للإشراف الذاتي لم يدمج بعد كـتصنيف خامس رسمي سائد ضمن المنهجيات الأكاديمية التقليدية، إلا أنه يمثل بلا شك المستقبل في تدريب النماذج العميقة.

رابعا: استخدامات التعلم الآلي

استخدامات التعلم الموجه

يستخدم التعلم الموجه للتنبؤ بشيء معين او اذا اردنا وضع بيانات ضمن تصنيف معين بناء على تصنيفات سابقة تعلم منها النظام و هنا تتضح أهمية عملية تعلم الأنماط لدى الذكاء الاصطناعي، ونأخذ أمثلة مبسطة على استخدامات التعلم الموجه :

التنبؤ بالطقس : يعتمد النظام على بيانات اجهزة الاستشعار : مثل درجات الحرارة والرطوبة والضغط الجوي وعوامل أخرى تؤثر في حالة الطقس حيث أن هذه العوامل التي تأتي من اجهزة الاستشعار هي (مدخلات) عندما تجتمع بشكل معين تشكل (نمط) يؤدي الى حالة معينة مثل نزول المطر(مخرجات)، و الانماط يقيس عليها النظام، فلو كانت عوامل الطقس مطابقة تماما لعوامل تشكلت في يوم سابق تكون حالة الطقس مطابقة للحالة السابقة، أما لو اجتمعت هذه العوامل بدرجات معينة بشكل غير مسبوق فالنظام يقيس على الأنماط بشكل تقريبي، و يعطي نتيجة تقريبية لحالة الطقس .

حالة سابقة : حرارة 20 + رطوبة 85 + ضغط 1002 حالة الطقس (مطر)، جاءته بيانات جديدة : حرارة 21 + رطوبة 84 + ضغط 1003 حالة الطقس : (مطر متوقع)

تصنيف الرسائل المزعجة : (Spam Detection) : يتعلم الذكاء الاصطناعي من رسائل بريد إلكتروني سابقة في قاعدة بياناته صنفت على أنها مزعجة فيقوم بتحليلها و استنباط (أنماط الازعاج)، عندئذ من خلال توافر هذه الأنماط مجتمعة او متفرقة في الرسالة الجديدة يعتبرها ضمن الرسائل المزعجة، من هذه الأنماط على سبيل المثال عبارات تتكرر في رسائل الاحتيال أو الترويج لسلع معينة (فرصة لا تعوض، جائزة كبرى، اكسب مزيدا من المال … الخ) بالاضافة الى استخدام علامات التعجب و الحروف الكبيرة بشكل مفرط او أخطاء إملائية شائعة في رسائل الاحتيال، وهذه كلها تندرج تحت مسمى (نمط النص)، بالإضافة إلى أنماط أخرى مثل (نمط المرسل) هل المرسل من قائمة مرسلين محظورين، هل سمعة نطاق المرسل (Domain Reputation) سيئة، وكذلك (نمط السلوك) إذا كان من عادة المرسل ارسال رسائل لعدد كبير من المستلمين و ايضانمط البيانات الوصفية (Metadata) للرسائل التي تحتوي على كلمات مفتاحية معينة، وحين يتم تصنيف هذه الرسائل الى مزعجة يقوم النظام بتحويلها الى ملف الرسائل المهملة، و يستخدم التعلم الموجه أيضا في تشخيص الأمراض عبر تزويد النظام بكميات من الصور والتقارير المصنفة (بمخرجاتها)، بعد التدرب عليها يقوم بتحديد (أنماط الأمراض) على اساسها يقوم بتشخيص المرض لحالات اخرى.

استخدامات التعلم غير الموجه

يستخدم هذا النوع من التعلم في تحديد الحالات الشاذة و في جمع البيانات المتشابهة (Clustering) و اكتشاف رؤى جديدة مثل : 

تجزئة العملاء (Customer Segmentation) : تجميع العملاء في مجموعات بناء على سلوكيات الشراء المتشابهة أو اهتماماتهم، دون أن نحدد المجموعات مسبقا. 

توصيات المنتجات : اكتشاف أنماط شراء العملاء مثل من يشتري المنتج (A) فإنه غالبا ما يشتري المنتج (B). 

اكتشاف الاحتيال أو الحالات الشاذة (Anomaly Detection) : تحديد المعاملات أو السلوكيات غير العادية التي لا تتناسب مع الأنماط الطبيعية.

هذه الاستخدامات تعد هي الأشهر و لكن هناك استخدامات كثيرة جدا للتعلم الآلي و لها انعكاس مباشر على حياتنا كبشر، و يمكن القول في الخاتمة أن التعلم الآلي هو الفكرة و المنهج التأسيسي للذكاء الاصطناعي، الذي قامت عليه هذه الثورة التقنية.