تعلُّم الآلة هو أداة جديدة وفعّالة لحلّ المشاكل، بدءًا من تصفية مجموعة من الصور ووصولاً لمساعدة البشر على معالجة بعضٍ من التحديات العالمية الأكثر إلحاحًا في مجالي الصحة والبيئة وغيرهما. في هذا المحتوي، سنتعرّف على تقنيّات تعلّم الآلة وأوجه تطبيقها العمليّة التي تساعد الشركات على النمو.
فهم العالم رغم الفوضى
شهدنا خلال العقود القليلة الأخيرة بعض التحوّلات في الطريقة التي نفكّر بها عن الحوسبة.كان لمصطلح الذكاء الاصطناعي أثر كبير في المجتمع العلمي. وهو يُسمّى "تعلُّم الآلة" في بعض الأحيان، لكنّنا نميل هذه الأيام إلى تسميته "machine learning"، فيما أفضّل أنا استخدام مصطلح "الذكاء" فحسب؛ إذ يدلّ أحيانًا على الجهد المبذول لبناء آلات أفضل.
في البداية، استند كل شيء إلى المنطق، مثل حل مشكلات التكامل الرياضي أو لعب الشطرنج، ولكنّنا أدركنا أن التحدّيات الحقيقية تتعلّق بتلك المهام، التي يمكن للناس تنفيذها يوميًا.العالم الواقعي فوضوي للغاية، والقواعد المنطقية الصارمة ليست طريقة لحل المشكلات الواقعية المهمّة. عليك أن تمتلك نظامًا يتعلّم كيفية اكتساب المعرفة بنفسه، لأنّه ببساطة لا يمكنك برمجة المعرفة بالكامل.
الذكاء الاصطناعي
الذكاء الاصطناعي هو محاولة لبناء آلات يمكنها التعلّم من بيئتها، ومن الأخطاء وحتى من البشر. ما زلنا في مرحلة لا نعرف الطريق الصحيح والتطوير الصحيح، ما أحاول قوله هو أن هناك مجموعة كاملة من النُهُج المُختلفة، منها:
- التعرّف على الأنماط.
- الشبكة العصبية الصناعية.
- التعلّم التعزيزي.
- الاستدلال الإحصائي.
- تعلّم الآلة الاحتمالي.
- التعلّم المراقَب.
- التعلّم غير المراقَب.
لسنا واثقين تمامًا أي تقنية ستساعد في تطوير أنظمة أفضل. في الواقع، لن تكون هناك تقنية واحدة فقط؛ بل ربّما حزمة من التقنيات المختلفة ومزيج بينها. أي تقدُّم نُحرزه في بناء أنظمة ذكيّة سيعتمد على مدى تقدُّم التكنولوجيا بشكلٍ عام، وحتى وقت قريب، لم يكن لدينا أجهزة كمبيوتر سريعة بما فيه الكفاية أو مجموعات بيانات كبيرة بما يكفي لتحقيق ذلك.
لا شك أن التمكّن من توزيع مشكلة معيّنة على العديد والعديد من الآلات هو نهج مهم لأنه يساعد في تسريع بحثنا. هناك تطبيقات ذكاء اصطناعي حولنا طوال الوقت، ولكن عندما تبدأ هذه التطبيقات في العمل، نتفاجأ بتغيّر اسمها. جميعنا يستخدمها بالفعل ويشعر بالراحة لاستخدامها. العناصر التي نجدها اليوم روتينية كانت تُعتبر نماذج مُذهلة للذكاء الاصطناعي قبل 30 عامًا، مثل:
- نظام منع انغلاق المكابح.
- أنظمة الطيّار الآلي للطائرات.
- البحث.
- والتوصيات.
- الخرائط.
- تحديد ما إذا كانت الرسالة الإلكترونية مؤذية أو لا.
- القدرة على الترجمة من لغة إلى أخرى باستخدام هاتفك.
قبل 10 سنوات، كان هباءً إن حاولت التحدّث إلى الكمبيوتر أو الهاتف، نحن نشهد اليوم موجةً من هذه الحيل، واحدة تلو الأخرى تتكشّف لنا الآن.أعتقد أن الكثير ممّن هم على صلة وثيقة بهذا المجال يشاركون هذا الإحساس بأن الأشياء تتطوّر بسرعة شديدة.
إنها عملية تصاعدية تدور حول التحسين التدريجي إلى الأفضل، في الحقيقة، لن يكون الذكاء إنجازًا يمكن تحديده بإيجاز وبطريقة واحدة.إنه عالم من القدرات المختلفة التي تتلاءم بشكلٍ جميل وتعمل معًا. التنبؤ بالمستقبل البعيد المدى صعب للغاية، ولا يمكن لأحد تحقيق ذلك في الواقع، وأسوأ ما يمكن فعله هو الافتراض أن المستقبل سيقتصر على أفضل ما يعمل لدينا في الوقت الحالي.
حلّ المشاكل الصغيرة والكبيرة والمعقّدة
شهدنا خلال الأعوام الخمسة الأخيرة قفزة نوعية في قدرات الآلة مقارنة بالعقد أو العقدين الماضيين. ومع توفّر المزيد من البيانات وازدياد قدرات الحوسبة، أصبح بإمكاننا التفكير في مشاريع كبيرة وتغيير قواعد اللعبة عند تصوّر أنواع النماذج التي يمكننا استحداثها.
العالم الحقيقي تعمّه الفوضى، ولا يمكن حلّ مشاكله باعتماد قواعد منطقية صارمة، وبالتالي، يقوم تعلُّم الآلة على التعلُّم من الأمثلة. فبدلًا من كتابة أكثر من 500 ألف سطر من الرموز الإلكترونية نمكّن الآلة من التعلّم عبر مراقبة العالم. نحن ننظر إلى الأمثلة في خوارزمية تعلُّم الآلة أي ندقّق في الملايين أو حتى المليارات من الأمثلة لنرصد النمط السائد بينها ثم نعمّمه. في مشروع التعرُّف على صورة تمكّنا من تدريب النماذج على رصد وحدات بكسل الصورة والتعلّم من تلك الوحدات ميزات عالية المستوى.
عند العمل مع الآلات، تُدرك روعة البشر وتعي أهميّة قدرة طفلك، ذي السنوات الأربع، على التعرّف على الوجوه. شكّل تعلُّم الآلة بداية ثورة كبيرة في مجال التعرُّف على الكلام، لتعليم التعرُّف على الكلام نحاول العمل في غرفة صاخبة، فنحن نستخدم أصواتًا من العالم الحقيقي ونمزجها مع الأمثلة التي نريد العمل عليها. الآن، أصبح بإمكان أنظمة التعرّف على الكلام فهم ما تقوله مهما علا الضجيج من حولك، كما يمكنها التمييز بين متحدثٍ وآخر.مع تطوّر تعلُّم الآلة، يوجد خوارزمية تتعلّم كيفية محاكاة لغة البشر، فمعظم التراكيب في اللغة اليوم غير رسمية، حيث يتحدّثون ويتحدّثون ثمّ يقولون "أوكي"، وتتخلّل محادثتهم رموز تعبيرية وملصقات.
كثيرون هم المستخدمون الذين استطاعوا الاستفادة من النظام بشكل مبتكر من دون أن يعرفوا أي شيء عن تعلُّم الآلة أي أنّهم يملكون فكرة محدّدة وليسوا مضطرين لبذل الجهود التي سبق وبذلناها نحن هناك مثال رائع عن ذلك؛ كان شخص يرى هرًا يجول حول منزله طوال الوقت؛ لذلك، درّب النموذج على التعرّف إلى وجود الهرّ وتشغيل مرشّات المياه عند رصده ليخاف الهرّ ويرحل.
يوجد زوجان مُسنان في اليابان كانا يديران مزرعة خيار، وإحدى المهام الكُبرى في المزرعة هي فرز الخيار بين الخيار المليء بالشوك، والخيار الأقل شوكًا، والخيار المُستقيم والخيار المعوج. إنها مهمة مُعقدة، تتطلّب من الزوجة قضاء عدة ساعات يوميًا في فرز الخيار؛ لذلك، تعلّم الابن نموذج رؤية حاسوبية وأصبح قادرًا على وضع نظام لتصنيف الخيار وفرزهم تلقائيًا. وبالتالي، أصبح بإمكان والديه توظيف الوقت المُهدور في فرز الخيار في مهام أخرى.
يعاني 387 مليون شخصٍ من مرض السكري ويواجهون خطر الإصابة باعتلال الشبكية الناجم عن السكري والذي يُسبب العمى.يمكن الكشف عن مؤشرات اعتلال الشبكية الناجم عن السكري عبر التقاط صور للجزء الخلفي من العين، لكنّ عدد الأطباء غير كافٍ ويستغرق التشخيص ساعات طويلة؛ لذلك يوجد خوارزمية على قراءة الصور بشكل فوري.
وبالتالي، أصبح بإمكان الخوارزمية مساعدة الأطباء على تشخيص هذا المرض لدى عدد أكبر من الأشخاص.
كلما علمت أكثر عن تعلُّم الآلة والمهام التي يمكن للآلة تأديتها سنحت الفرصة أكثر لتطوير حياة البشر. يمكنك استخدام تعلُّم الآلة لتوفير الطاقة على نطاق واسع وتتبُّع انتشار الأمراض والأوبئة.يمكننا استخدام نموذج الرؤية الحاسوبية مع كلّ شخصٍ يعاني من ضعف البصر.يمكننا أن نصنع آلة تتعرّف على الكلام بلغاته المختلفة لكلّ شخص على الكوكب وتحسين تجربة الملايين والمليارات من الأشخاص جذريًا.
يمكن للنظام المُتعلِّم أن يلعب دورًا أساسيًا في أي مجال علمي أو حتى محاولة بشرية.لو سألتني قبل أعوام قليلة ما إذا كان الحاسوب قادرًا على فعل ذلك في أي وقتٍ قريب لكنت أجبتك "لا أظن ذلك". ومن الرائع أن نتمكّن من تخيّل ما يخبّئه لنا العلم في المستقبل، لدينا أفكار وأعمال لم يُفكر فيها أو يفعلها أي شخص من قبل، فنحن نخطو خطواتنا الأولى في عالم فكري جديد. ما يَعِدُنا به الذكاء الاصطناعي وتعلُّم الآلة هو تمكيننا من إيجاد حلول لمشاكل البشرية التي لم تُعالج من قبل.
تطبيق تعلُّم الآلة على مشاكل الأنشطة التجارية
الفكرة الأساسية وراء مفهوم تعلّم الآلة هي أخذ جزء من نظام برمجي تم استخدامه لعملية برمجية وفق قواعد محددة والطلب من الآلة تعلُّم كيفية القيام بهذه البرمجة.
تعلُّم الآلة مهم على مستويين هما:
- أولاً، أتمتة العمليات
- وثانيًا، تحسين كفاءة العمليات
والأنشطة التجارية التي تستفيد مما توصل إليه تعلُّم الآلة اليوم هي تلك الأنشطة التي تقدّم نوعًا معينًا من المعلومات البسيطة.فمثلًا، في Google نستخدم تعلُّم الآلة في مُنتجاتنا وخدماتنا ولقد طبّقناه على مستويات عدة مثل ترجمة صفحات الويب آليًا ومساعدة المُستخدمين في البحث عن صورهم وكتابة الردود على رسائل البريد الإلكتروني فوريًّا.
قد يكون نشاطك التجاري مشابهًا بجوانب عديدة للأمثلة التي ذكرناها وخاصة في ما يتعلق بمشاركة معلومات.على سبيل المثال، إذا كان مصرف ما يريد الكشف عن عمليات خداع في معاملاته أو كان صاحب متجر إلكتروني يريد اقتراح قطعة فنية لعملائه.الهدف يبقى في الأساس هو نفسه ألا وهو تحويل مهمة ما من عملية مُتكررة ومُملة نوعًا ما بالنسبة للبشر، وأتمتتها وجعلها تعمل على مستوى مختلف.
يمكن لتعلُّم الآلة تحقيق الكثير، ولكن ذلك لا يعني أنه الحل المناسب لكل مشكلة.إذا كنت صاحب شركة محاسبة، لا تحتاج إلى تعلُّم الآلة لإجراء عملية حسابية، فأنت بالطبع لديك برنامج مخصص لمثل هذه العلميات الحسابية. إذا كنت تحاول معرفة الطريقة التي يمكنك من خلالها تطبيق تعلُّم الآلة في نشاطك التجاري وكان لديك فريق متخصص في علم البيانات، ابدأ أولاً بمناقشة الموضوع معهم ولكن إذا كنت نشاطًا تجاريًا صغيرًا؛فمن الأفضل لك أن تركّز على فكرة واحدة مهمة لنشاطك، أي فرصة يمكن لتعلُّم الآلة فيها تحقيق فارق في ما تقدّمه أو كيفية تقديمه.
من أكثر الأمور أهمية هو أن يكون لديك أمثلة عن السلوك الذي تريد أن تتعلمه الآلة؛لأنّ الآلة تتعلم الآلة بشكلٍ أفضل من الأمثلة الصحيحة التي تعرضها عليها ومن ثم تتعلم كيف تنجز مثلها.وبالتالي أنت تبحث عن حالة تكون فيها بعض المهام تتكرر مئات أو آلاف المرات، ولديك عنها سجلات تبيّن كيف تُنَفَّذ المهام بشكلٍ صحيح. وبذلك يمكنك استخدام الآلات لتنفذها تلقائيًا وبالأسلوب نفسه لملايين أو مليارات المرات، وبما أنّ الآلات تتعلم من الأمثلة، أي تتعلم من البيانات فيجب أن يكون لديك كمية كافية من البيانات لتبدأ.
تتعلم الآلات أبطأ بكثير من البشر؛لذلك في حين قد تحتاج إلى إعادة شرح مهمة ما عشر مرات فقط ليتعلمها إنسان ، فقد تتطلب الآلة مئات أو آلاف المرات لتتعلم طريقة القيام بالمهمة نفسها. منذ وقت ليس ببعيد، كان أحد العوائق الرئيسية لدخول الشركات إلى عالم تعلُّم الآلة هو توفّر برامج جيدة.TensorFlow هو حزمة برمجيات مفتوحة المصدر طوّرتها Google داخليًا لأنظمة التعلم الآلي الخاصة بها ثم أطلقتها خارجيًا لشركات أخرى ومؤسسات أكاديمية لاستخدامها.
بالتالي بدلًا من الحاجة إلى بناء تعلُّم الآلة من الصفر، تقدِّم هذه الحزمة مجموعة من العناصر الأساسية لتعلّم الآلة التي يمكنك استخدامها في بناء منتجاتك وخدماتك الخاصة. يمكن لتعلُّم الآلة المساعدة في أتمتة عمليات حالية أو جعل هذه العمليات أكثر كفاءة، ولكن لا يمكن لتعلُّم الآلة أن يكتشف أو يُقرر عنك خطوتك التالية، فهذا النوع من الإبداع والقيادة هو ما يجب عليكم أنتم، كرجال أعمال، أن تفعلوه. كل أداة جديدة تمتلكها، عليك أن تمنح نفسك وقتًا لاكتشافها وتجربتها.في أول مرة تُجرّبها، لن تعمل بشكلٍ مثالي وتحل كل مشاكلك بطريقة سحرية. الفرص التي يُتيحها تعلُّم الآلة فريدة لكل نشاط تجاري، وهناك الكثير من الاحتمالات التي لم نتخيلها بعد حتى.
