لتعلم مهارة ما، نجمع المعرفة ونمارسها بعناية ونراقب أدائنا. وفي النهاية، نصبح أفضل في هذا النشاط. التعلم الآلي هو تقنية تسمح لأجهزة الكمبيوتر بالقيام بذلك.
هل يمكن للحاسب الآلي أن يتعلم؟
إن تعريف الذكاء أمر صعب. فنحن جميعاً نعلم ما نعنيه بالذكاء عندما نقوله، ولكن وصفه أمر صعب. وبصرف النظر عن المشاعر والوعي الذاتي، فإن الوصف العملي قد يكون القدرة على تعلم مهارات جديدة واستيعاب المعرفة وتطبيقها في مواقف جديدة لتحقيق النتيجة المرجوة.
نظرًا لصعوبة تعريف الذكاء الاصطناعي، فلن يكون تعريف الذكاء الاصطناعي أسهل من ذلك. لذا، سنلجأ إلى الغش قليلاً. إذا كان جهاز حاسوب قادرًا على القيام بشيء يتطلب عادةً التفكير والذكاء البشري، فسنقول إنه يستخدم الذكاء الاصطناعي.
على سبيل المثال، يمكن لمكبرات الصوت الذكية مثل Amazon Echo وGoogle Nest سماع تعليماتنا المنطوقة، وتفسير الأصوات على أنها كلمات، واستخراج معنى الكلمات، ثم محاولة تلبية طلبنا. قد نطلب منها تشغيل الموسيقى، أو الإجابة على سؤال، أو خفف الأضواء.
في كل التفاعلات، باستثناء التفاعلات الأكثر تافهة، يتم نقل أوامرك المنطوقة إلى أجهزة كمبيوتر قوية في سحابات الشركات المصنعة، حيث يتم تنفيذ العمل الشاق للذكاء الاصطناعي. يتم تحليل الأمر، واستخراج المعنى، وإعداد الاستجابة وإرسالها مرة أخرى إلى مكبر الصوت الذكي.
يشكل التعلم الآلي الأساس لغالبية أنظمة الذكاء الاصطناعي التي نتفاعل معها. بعض هذه الأنظمة هي عناصر في منزلك مثل الأجهزة الذكية، وبعضها الآخر جزء من الخدمات التي نستخدمها عبر الإنترنت. تستخدم توصيات الفيديو على YouTube وNetflix وقوائم التشغيل التلقائية على Spotify التعلم الآلي. تعتمد محركات البحث على التعلم الآلي، وتستخدم عمليات التسوق عبر الإنترنت التعلم الآلي لتقديم اقتراحات الشراء بناءً على تاريخ التصفح والشراء الخاص بك.
تستطيع أجهزة الكمبيوتر الوصول إلى مجموعات هائلة من البيانات. ويمكنها تكرار العمليات بلا كلل آلاف المرات في نفس الوقت الذي يستغرقه الإنسان لأداء تكرار واحد ـ إذا كان الإنسان قادراً على القيام بذلك مرة واحدة. لذا، إذا كان التعلم يتطلب المعرفة والممارسة وردود الفعل على الأداء، فإن الكمبيوتر يجب أن يكون المرشح المثالي.
ولكن هذا لا يعني أن الكمبيوتر سوف يكون قادراً على التفكير بالمعنى البشري، أو الفهم والإدراك كما نفعل. ولكنه سوف يتعلم، ويتحسن مع الممارسة. وإذا ما تمت برمجته بمهارة، فإن نظام التعلم الآلي قادر على تحقيق انطباع لائق عن كيان واعٍ.
لقد اعتدنا أن نتساءل: “هل تستطيع أجهزة الكمبيوتر التعلم؟”، ولكن هذا السؤال تحول في نهاية المطاف إلى سؤال عملي أكثر. فما هي التحديات الهندسية التي يتعين علينا التغلب عليها للسماح لأجهزة الكمبيوتر بالتعلم؟
الشبكات العصبية والشبكات العصبية العميقة
تحتوي أدمغة الحيوانات على شبكات من الخلايا العصبية. تستطيع الخلايا العصبية إرسال إشارات عبر التشابك العصبي إلى خلايا عصبية أخرى. هذا الفعل الصغير ـ الذي يتكرر ملايين المرات ـ يؤدي إلى نشوء عمليات التفكير والذكريات. ومن بين العديد من اللبنات الأساسية البسيطة، خلقت الطبيعة عقولاً واعية وقدرة على التفكير والتذكر.
تم إنشاء الشبكات العصبية الاصطناعية، المستوحاة من الشبكات العصبية البيولوجية، لتقليد بعض خصائص نظيراتها العضوية. منذ أربعينيات القرن العشرين، تم تطوير أجهزة وبرامج تحتوي على آلاف أو ملايين العقد. تتلقى العقد، مثل الخلايا العصبية، إشارات من عقد أخرى. يمكنها أيضًا توليد إشارات لتغذية عقد أخرى. يمكن للعقد قبول المدخلات وإرسال الإشارات إلى العديد من العقد في وقت واحد.
إذا استنتج حيوان ما أن الحشرات الطائرة الصفراء والسوداء تسبب له لسعة مزعجة دائمًا، فسوف يتجنب جميع الحشرات الطائرة الصفراء والسوداء. تستغل ذبابة الطفو هذه الفرصة. إنها صفراء وسوداء مثل الدبابير، لكنها لا تلسع. الحيوانات التي تورطت مع الدبابير وتعلمت درسًا مؤلمًا تبتعد عن ذبابة الطفو أيضًا. ترى حشرة طائرة ذات مخطط ألوان مذهل وتقرر أنه حان وقت التراجع. لا تؤخذ حقيقة أن الحشرة يمكنها أن تحوم ـ بينما لا تستطيع الدبابير ـ في الاعتبار.
إن أهمية الخطوط الصفراء والسوداء والطائرة تتفوق على أي شيء آخر. وتُسمى أهمية هذه الإشارات بوزن تلك المعلومات. ويمكن للشبكات العصبية الاصطناعية استخدام الوزن أيضًا. ولا تحتاج العقدة إلى النظر في جميع مدخلاتها على قدم المساواة. ويمكنها تفضيل بعض الإشارات على غيرها.
يستخدم التعلم الآلي الإحصاءات للعثور على أنماط في مجموعات البيانات التي تم تدريبه عليها. قد تحتوي مجموعة البيانات على كلمات أو أرقام أو صور أو تفاعلات المستخدم مثل النقرات على موقع ويب أو أي شيء آخر يمكن التقاطه وتخزينه رقميًا. يحتاج النظام إلى تحديد العناصر الأساسية للاستعلام ثم مطابقتها مع الأنماط التي اكتشفها في مجموعة البيانات.
إذا كان النظام يحاول التعرف على زهرة، فسوف يحتاج إلى معرفة طول الساق وحجم ونمط الورقة ولون وعدد البتلات وما إلى ذلك. في الواقع، سوف يحتاج إلى حقائق أكثر بكثير من هذه، ولكن في مثالنا البسيط، سنستخدم هذه الحقائق. بمجرد أن يعرف النظام هذه التفاصيل حول عينة الاختبار، فإنه يبدأ عملية اتخاذ القرار التي تنتج تطابقًا من مجموعة البيانات الخاصة به. ومن المثير للإعجاب أن أنظمة التعلم الآلي تنشئ شجرة القرار بنفسها.
تتعلم أنظمة التعلم الآلي من أخطائها من خلال تحديث خوارزمياتها لتصحيح العيوب في تفكيرها. وأكثر الشبكات العصبية تطوراً هي الشبكات العصبية العميقة. من الناحية النظرية، تتكون هذه الشبكات من عدد كبير من الشبكات العصبية التي تتراكم فوق بعضها البعض. وهذا يمنح النظام القدرة على اكتشاف واستخدام حتى الأنماط الصغيرة في عمليات اتخاذ القرار.
تُستخدم الطبقات عادةً لتوفير الترجيح. ويمكن أن تعمل ما يسمى بالطبقات المخفية كطبقات “متخصصة”. فهي توفر إشارات مرجحة حول سمة واحدة للموضوع قيد الاختبار. ربما يستخدم مثال التعرف على الزهور لدينا طبقات مخفية مخصصة لشكل الأوراق أو حجم البراعم أو أطوال السداة.
أنواع التعلم المختلفة
هناك ثلاث تقنيات واسعة النطاق تستخدم لتدريب أنظمة التعلم الآلي: التعلم الخاضع للإشراف، والتعلم غير الخاضع للإشراف، والتعلم المعزز.
التعلم تحت الإشراف
يعد التعلم الخاضع للإشراف الشكل الأكثر استخدامًا للتعلم. وهذا ليس لأنه متفوق بطبيعته على التقنيات الأخرى. بل إنه يتعلق أكثر بملاءمة هذا النوع من التعلم لمجموعات البيانات المستخدمة في أنظمة التعلم الآلي التي يتم كتابتها اليوم.
في التعلم الخاضع للإشراف، يتم تصنيف البيانات وتنظيمها بحيث يتم تحديد المعايير المستخدمة في عملية اتخاذ القرار لنظام التعلم الآلي. هذا هو نوع التعلم المستخدم في أنظمة التعلم الآلي وراء اقتراحات قائمة تشغيل YouTube.
التعلم غير الخاضع للإشراف
لا يتطلب التعلم غير الخاضع للإشراف إعداد البيانات. ولا يتم تصنيف البيانات. يقوم النظام بمسح البيانات واكتشاف أنماطه الخاصة واستنباط معايير التشغيل الخاصة به.
لقد تم تطبيق تقنيات التعلم غير الخاضع للإشراف على الأمن السيبراني بمعدلات نجاح عالية. يمكن لأنظمة اكتشاف المتسللين المعززة بالتعلم الآلي اكتشاف نشاط الشبكة غير المصرح به للمتسلل لأنه لا يتطابق مع أنماط السلوك التي تم رصدها سابقًا للمستخدمين المصرح لهم.
التعلم التعزيزي
التعلم التعزيزي هو أحدث التقنيات الثلاث. وببساطة، تستخدم خوارزمية التعلم التعزيزي التجربة والخطأ والتغذية الراجعة للوصول إلى نموذج مثالي للسلوك لتحقيق هدف معين.
ويتطلب ذلك ردود فعل من البشر الذين “يسجلون” جهود النظام وفقًا لما إذا كان سلوكه له تأثير إيجابي أو سلبي في تحقيق هدفه.
الجانب العملي للذكاء الاصطناعي
ولأن التعلم الآلي منتشر على نطاق واسع وله نجاحات ملموسة في العالم الحقيقي ــ بما في ذلك النجاحات التجارية ــ فقد أطلق عليه البعض “الجانب العملي للذكاء الاصطناعي”. وهو يمثل تجارة ضخمة، وهناك العديد من الأطر التجارية القابلة للتطوير التي تسمح لك بدمج التعلم الآلي في تطويراتك أو منتجاتك الخاصة.
إذا لم تكن لديك حاجة ملحة إلى هذا النوع من القوة النارية ولكنك مهتم باستكشاف نظام التعلم الآلي باستخدام لغة برمجة سهلة مثل بايثون، فهناك موارد مجانية ممتازة لذلك أيضًا. في الواقع، سوف تتناسب هذه الموارد معك إذا طورت اهتمامًا إضافيًا أو احتياجًا تجاريًا.
شعلة هو إطار عمل مفتوح المصدر للتعلم الآلي معروف بسرعته.
سكيت-تعلم هي مجموعة من أدوات التعلم الآلي، مصممة خصيصًا للاستخدام مع Python.
كافيه هو إطار عمل للتعلم العميق، ويتميز بالكفاءة في معالجة الصور.
كيراس هو إطار عمل للتعلم العميق بواجهة Python.