الكلمة المهمة ليست الأنماط، بل هي مفيدة. تحتوي مجموعة البيانات على عدد لا يُحصى من الانتظامات. ويحتاج نظام تعلُّم الآلة إلى مهمة محددة وطريقة للحكم على أيٍّ من هذه الانتظامات يساعد في أداء تلك المهمة.
الفكرة الأساسية
تخيّل أنك تبني مرشّحًا للرسائل المزعجة.
في البرمجة العادية القائمة على القواعد، قد تكتب تعليمات مثل: «صنّف الرسالة على أنها مزعجة إذا احتوت على هذه العبارة وكان فيها أكثر من ثلاثة روابط». يغيّر مرسلو الرسائل المزعجة صياغتهم، وقد تنطبق القواعد أحيانًا على رسائل سليمة، كما تصبح قائمة القواعد صعبة الصيانة.
في تعلُّم الآلة، تقدّم أمثلة مُراجَعة لرسائل مزعجة ورسائل بريد إلكتروني سليمة. وتختار أيضًا نوعًا من النماذج ومقياسًا للحكم على أخطائه. ثم تعدّل خوارزمية تعلُّم النموذج بحيث تتوافق مخرجاته بدرجة أفضل مع الأمثلة المُراجَعة.
تظل النتيجة برمجية. والفرق هو مصدر بعض سلوكها. يكتب المبرمج إجراء التعلُّم وحدوده؛ أما التدريب فيحدّد كثيرًا من الإعدادات داخل تلك الحدود.
ولهذا قد تكون العبارة الشائعة «من دون أن تتم برمجته صراحةً» مضلِّلة. فالنظام مبرمج، لكن قاعدة قراره الكاملة لا تُكتب حالةً بحالة.
ما معنى التعلُّم
من الطرق المفيدة للتعرّف على مسألة تعلُّم الآلة تحديد أربعة مكوّنات:
- مهمة. ماذا ينبغي للنظام أن يفعل؟ من الأمثلة: تصنيف رسالة بريد إلكتروني، أو تقدير زمن التوصيل، أو تجميع العملاء المتشابهين، أو اختيار إجراء.
- خبرة. ما المعلومات التي يمكنه التعلُّم منها؟ قد تكون أمثلة موسومة، أو ملاحظات غير موسومة، أو تفاعلات سابقة، أو مكافآت ناتجة عن التجربة والخطأ.
- مقياس للنجاح. ما الذي يجعل نتيجةً أفضل من أخرى؟ قد يكون خطأ التنبؤ، أو جودة التجميع، أو المكافأة المتراكمة.
- نموذج ذو أجزاء قابلة للضبط. ما نطاق القواعد المحتملة التي يمكن لعملية التعلُّم البحث فيها؟
يحدث التعلُّم عندما تغيّر الخبرة تلك الأجزاء القابلة للضبط بطريقة تحسّن المقياس المختار. وتُسمّى النتيجة المدرَّبة نموذجًا. أما استخدام ذلك النموذج على حالة جديدة فهو منفصل عن تعلّمه.
هذا الفصل مهم. فمعظم النماذج المنشورة لا تتعلّم تلقائيًا من كل طلب جديد. وتظل إعداداتها المتعلَّمة ثابتة إلى أن يشغّل شخص ما عملية تدريب أو تحديث أخرى.
كيف يعمل تعلُّم الآلة
تختلف التفاصيل، لكن المشروع النموذجي يتبع هذه الحلقة:
- حدّد المهمة والنتيجة الواقعية المهمة.
- اجمع أمثلة تمثّل الظروف التي سيُستخدم فيها النموذج، وجهّزها.
- اختر كيفية تمثيل المدخلات وأشكال النماذج المسموح بها.
- حدّد هدفًا: طريقة عددية لتقييم النماذج المرشحة.
- شغّل خوارزمية تعلُّم تبحث عن إعدادات ذات درجة أفضل للهدف.
- استخدم بيانات منفصلة لاتخاذ القرارات، ومجموعة اختبار لم تُمسّ لتقدير الأداء على الحالات الجديدة.
- انشر النموذج المدرَّب، وراقب سلوكه، وأعد تدريبه أو استبدله عندما تتغير البيانات أو المتطلبات.
إليك سير العملية:
historical examples + a success measure
|
v
learning algorithm
adjusts model settings
|
v
trained model <----- held-out examples test generalization
|
new input
|
v
prediction, decision, or outputخوارزمية التعلُّم والنموذج المدرَّب ليسا الشيء نفسه. الخوارزمية هي عملية الملاءمة، أما النموذج فهو النتيجة الملائمة التي تتعامل مع المدخلات الجديدة.
في كثير من النماذج الخاضعة للإشراف، تكون الملاءمة تصحيحًا متكررًا. يُجري النموذج تنبؤات على أمثلة التدريب. وتحول دالة الخسارة أخطاءه إلى رقم. ثم تغيّر طريقة التحسين إعدادات النموذج لتقليل تلك الخسارة. وقد يؤدي تكرار ذلك إلى تحسين أداء التدريب.
لكن خفض خسارة التدريب ليس الهدف النهائي. فقد يحفظ النموذج تفاصيل أمثلة التدريب ويفشل في الحالات الجديدة. وهذا هو فرط الملاءمة. ينجح تعلُّم الآلة عندما يعمّم النموذج؛ أي عندما يؤدي جيدًا في الحالات الجديدة والملائمة المستمدة من الظروف التي يُفترض أن يتعامل معها.
ولهذا يجب إبقاء بيانات التقييم خارج التدريب. فإذا أثّرت أمثلة الاختبار في اختيار السمات، أو المعالجة المسبقة، أو اختيارات النموذج المتكررة، فقد تسرّبت المعلومات عبر الحد الفاصل. وقد تبدو الدرجة الناتجة أفضل من الأداء الحقيقي للنموذج.
مثال تطبيقي: مرشّح للرسائل المزعجة
لنفترض أن لديك 1,000 رسالة بريد إلكتروني راجعها أشخاص: 500 رسالة مزعجة و500 رسالة سليمة.
تحتفظ بـ200 رسالة جانبًا قبل اتخاذ قرارات النمذجة. وهذه هي مجموعة الاختبار. أما الـ800 المتبقية فهي مادة التدريب. ويمكن للنظام تمثيل إشارات مثل الكلمات التي تحتويها كل رسالة، وعدد الروابط، وما إذا كان المرسِل قد ظهر من قبل.
في البداية، لا تكون إعدادات النموذج القابلة للضبط مفيدة. أثناء التدريب، يتنبأ المتعلّم بتصنيف كل مثال تدريبي، ويقيس الأخطاء، ويغيّر الإعدادات. وقد تكتسب عبارة مرتبطة بعدد كبير من الرسائل المزعجة تأثيرًا أكبر. وقد يدفع مرسِل معروف الدرجة نحو اعتبار الرسالة سليمة. هذه ارتباطات متعلَّمة وليست قواعد عامة.
بعد التدريب واختيار النموذج، تقيّم النموذج النهائي مرة واحدة على الرسائل الـ200 التي لم تُمسّ. ولنفترض أنه حقق النتائج الآتية:
- حجب 90 رسالة مزعجة بصورة صحيحة
- سمح بمرور 94 رسالة سليمة بصورة صحيحة
- لم يكتشف 10 رسائل مزعجة
- حجب 6 رسائل سليمة بصورة خاطئة
صنّف 184 رسالة من أصل 200 تصنيفًا صحيحًا، ولذلك بلغت دقته في هذا الاختبار التوضيحي 92٪.
لكن هذا الرقم لا ينهي التحليل. فقد يكون حجب ست رسائل سليمة أكثر كلفة من عدم اكتشاف عشر رسائل مزعجة. وقد تغيّر عتبة القرار لحجب عدد أقل من الرسائل السليمة، مع قبول عدم اكتشاف عدد أكبر من الرسائل المزعجة. والمفاضلة الصحيحة تنبع من المهمة، لا من البيانات وحدها.
تصل الآن رسالة بريد إلكتروني جديدة وتحصل على درجة مزعجة قدرها 0.82. إنتاج هذه الدرجة هو استخدام للنموذج المدرَّب. ولا يتعلّم النموذج بالضرورة من الرسالة. وإذا راجع أشخاص الرسائل الجديدة لاحقًا، فقد تصبح مراجعاتهم خبرةً لجولة تدريب مستقبلية.
نتيجة 92٪ مشروطة أيضًا. فهي تقدّر الأداء المستقبلي فقط إذا كانت مجموعة الاختبار كبيرة بما يكفي وتشبه البريد الإلكتروني المستقبلي. وقد يجعل تغيّر اللغة أو المرسِلين أو الهجمات نموذج الأمس أقل فائدة.
الطرق الرئيسية التي تتلقى بها النماذج إشارة التعلُّم
تتداخل فئات تعلُّم الآلة، لكن هناك ثلاثة إعدادات واسعة مفيدة للتعلُّم:
- التعلُّم الخاضع للإشراف يستخدم أمثلة مقترنة بإجابات مرغوبة، مثل رسائل البريد المصنّفة بأنها مزعجة أو سليمة.
- التعلُّم غير الخاضع للإشراف لا يملك إجابة مقدَّمة لكل مثال، بل يحسّن هدفًا يكشف البنية، مثل تجميع العناصر المتشابهة.
- التعلُّم المعزَّز يستخدم مكافآت أو عقوبات ناتجة عن إجراءات تُتخذ في بيئة، وغالبًا ما يؤثر أحد الإجراءات في ما يحدث لاحقًا.
تصف تسميات أخرى الخلط بين الأساليب أو أبعادًا مختلفة. يجمع التعلُّم شبه الخاضع للإشراف بين الأمثلة الموسومة وغير الموسومة. وينشئ التعلُّم ذاتي الإشراف أهداف التدريب من البيانات نفسها. وتتعلّم النماذج التوليدية إنتاج عينات جديدة، لكن يمكن تدريبها بأكثر من إعداد تعلُّم واحد.
الفئات أدوات لوصف النظام، وليست تقسيمًا صارمًا تستخدمه كل المصادر بالطريقة نفسها.
لماذا يهم تعلُّم الآلة
يكون تعلُّم الآلة مفيدًا عندما يكون من الأسهل إظهار السلوك المطلوب أو قياسه بدلًا من التعبير عنه في مجموعة كاملة من القواعد.
يمكنك وسم أمثلة من الكلام بسهولة أكبر من كتابة كل قاعدة تربط الموجات الصوتية بالكلمات. ويمكنك تسجيل أزمنة الرحلات بسهولة أكبر من ترميز كل تفاعل بين حركة المرور والطقس وأعمال الطرق ووقت اليوم يدويًا. ويمكنك جمع أمثلة للمعاملات الاحتيالية والسليمة حتى عندما لا تفصل بينها قائمة تحقق قصيرة بوضوح.
لا يلغي التعلُّم العمل البشري، بل يغيّره. يقرر الأشخاص ما الذي ينبغي التنبؤ به، ومن تمثّله البيانات، وأي الأخطاء مهمة، وما إذا كان الناتج آمنًا بما يكفي للاستخدام. كما يصونون البرمجيات المحيطة ويراقبون ما يحدث بعد النشر.
يكون تعلُّم الآلة غير مناسب عندما تكون القواعد العادية واضحة ومستقرة وسهلة التحقق. فلا ينبغي أن يصبح حساب ضريبي تحكمه قواعد قانونية صريحة تخمينًا إحصائيًا لمجرد توفر تعلُّم الآلة.
مفاهيم خاطئة شائعة
يتعلّم النموذج مثل الإنسان
تصف كلمة «التعلُّم» تغيرًا قابلًا للقياس ناتجًا عن الخبرة. ولا تعني الوعي أو الفهم أو عملية تعلُّم بشرية. فقد يصبح النموذج أكثر دقة في مهمة ضيقة واحدة من دون أن يعرف معنى مدخلاته.
تعلّم البيانات النموذج كل شيء
لا تختار البيانات وحدها المهمة أو الهدف أو التمثيل أو الأخطاء المقبولة. إذ يحتوي كل نظام تعلُّم على افتراضات بشأن الأنماط التي يمكنه العثور عليها وتفضيلها. وتشكل هذه الاختيارات النتيجة.
الأداء الجيد في التدريب يعني أن النموذج يعمل
قد يحفظ النموذج مادة التدريب. ويُعد الأداء على بيانات مفصولة وممثلة جيدًا اختبارًا أفضل لمعرفة ما إذا كان قد تعلّم شيئًا قابلًا لإعادة الاستخدام.
المزيد من البيانات يحل المشكلة دائمًا
قد تساعد البيانات الأكثر صلةً والأفضل قياسًا. لكن المزيد من البيانات المكررة أو المتحيزة أو الموسومة خطأً أو القديمة أو غير ذات الصلة قد يعزز السلوك الخاطئ. وتهم التغطية والجودة إلى جانب الكمية.
التنبؤات تفسّر الأسباب
قد يكتشف النموذج أن إشارتين تتحركان معًا ويستخدم إحداهما للتنبؤ بالأخرى. لكن هذا لا يثبت أن تغيير إحداهما سيتسبب في تغيّر الأخرى. وتتطلب الادعاءات السببية عادةً افتراضات أقوى أو تجارب محكومة.
الذكاء الاصطناعي وتعلُّم الآلة مترادفان
يُعد تعلُّم الآلة وسيلة رئيسية لبناء أنظمة الذكاء الاصطناعي، لكن القواعد والبحث والتخطيط وتقنيات أخرى يمكنها أيضًا إنتاج سلوك يوصف بأنه ذكاء اصطناعي. وقد يجمع المنتج الحديث بين نماذج متعلّمة وبرمجيات كبيرة لا تعتمد على التعلُّم.
كيف يندرج تعلُّم الآلة ضمن نظام ذكاء اصطناعي
تعلُّم الآلة هو العملية التي تنتج نموذجًا متعلّمًا أو تحدّثه. والنموذج مكوّن واحد. أما التطبيق فيضيف حوله جمع البيانات والواجهات وقواعد العمل وفحوص السلامة والتخزين والمراقبة.
الشبكة العصبية أحد تصاميم النماذج الممكنة، وليست اسمًا آخر لتعلُّم الآلة. والتدريب هو المرحلة التي تلائم فيها عملية التعلُّم نموذجًا. أما الاستدلال فهو المرحلة التي يتعامل فيها النموذج المدرَّب مع المدخلات الجديدة. ويسهّل الفصل بين هذه الأجزاء تقييم ادعاءات المنتجات.
إلى أين تذهب بعد ذلك
اقرأ ما هي الشبكة العصبية؟ لترى نوعًا مستخدمًا على نطاق واسع من نماذج تعلُّم الآلة. ثم اقرأ ما هو التدريب في الذكاء الاصطناعي؟ للاطلاع على عملية الملاءمة، وما هو الاستدلال في الذكاء الاصطناعي؟ لمعرفة ما يحدث عند استخدام نموذج مدرَّب.