يُعدّ التعلّم الآلي والتعلّم العميق من أهم التقنيات المستخدمة في الذكاء الاصطناعي الحديث.
فهما يُستخدمان في أنظمة التوصية، واكتشاف الاحتيال، والتعرّف على الصور، ومعالجة الصوت، وروبوتات المحادثة، والبحث، والذكاء الاصطناعي التوليدي.
المصطلحان مرتبطان، لكنهما لا يعنيان الشيء نفسه.
التعلّم الآلي هو جزء من الذكاء الاصطناعي، بينما يُعدّ التعلّم العميق نوعًا متخصصًا من التعلّم الآلي.
يشرح هذا الدليل للمبتدئين طريقة عملهما والعلاقة بينهما وأهم استخداماتهما.
ما هو التعلّم الآلي؟
التعلّم الآلي، أو ML، يسمح لأنظمة الحاسوب بتعلّم الأنماط من البيانات.
بدلًا من برمجة كل قاعدة يدويًا، يتم تزويد النموذج بأمثلة، ثم يتعلّم منها أنماطًا يمكن استخدامها لإجراء التنبؤات أو التصنيفات.
على سبيل المثال، يمكن لنظام كشف البريد المزعج أن يتعلّم من أمثلة لرسائل مزعجة ورسائل عادية، ثم يحدد ما إذا كانت رسالة جديدة على الأرجح مزعجة.
تشمل أساليب التعلّم الآلي الشائعة الانحدار، وأشجار القرار، وSVM، وk-NN، والتجميع.
ما هو التعلّم العميق؟
التعلّم العميق هو نوع متخصص من التعلّم الآلي يستخدم شبكات عصبية اصطناعية متعددة الطبقات.
تتكوّن هذه الشبكات عادةً من طبقة إدخال، وعدة طبقات مخفية، وطبقة إخراج.
وأثناء مرور البيانات عبر الشبكة، تتعلّم أنماطًا أكثر تعقيدًا.
يُستخدم التعلّم العميق بشكل خاص مع الصور، والصوت، والفيديو، واللغة الطبيعية.
في التعرّف على الصور مثلًا، قد تتعلّم الطبقات الأولى الحواف والأشكال، بينما تتعرّف الطبقات اللاحقة على أنماط أكثر تعقيدًا تساعد في تحديد الأشياء.
وغالبًا ما يحتاج التعلّم العميق إلى بيانات وقدرة حوسبة أكبر من التعلّم الآلي التقليدي.
العلاقة بينهما
العلاقة الأساسية هي:
الذكاء الاصطناعي ← التعلّم الآلي ← التعلّم العميق
الذكاء الاصطناعي هو المجال الأوسع.
التعلّم الآلي هو أحد الأساليب التي تسمح للأنظمة بالتعلّم من البيانات.
أما التعلّم العميق فهو نوع متخصص من التعلّم الآلي يعتمد على الشبكات العصبية متعددة الطبقات.
وبالتالي:
كل تعلّم عميق هو تعلّم آلي، لكن ليس كل تعلّم آلي تعلّمًا عميقًا.
ما أهم الاختلافات؟
غالبًا ما يعمل التعلّم الآلي التقليدي جيدًا مع البيانات المنظمة مثل سجلات العملاء والمعاملات والقياسات.
أما التعلّم العميق فيتميز عند التعامل مع كميات كبيرة من البيانات غير المنظمة مثل الصور، والصوت، والنصوص، والفيديو.
كما يعتمد التعلّم الآلي التقليدي غالبًا بشكل أكبر على اختيار الميزات المناسبة، بينما يستطيع التعلّم العميق تعلّم الكثير من الميزات تلقائيًا.
ويحتاج التعلّم العميق عادةً إلى قدرة حوسبة أكبر.
أمثلة شائعة
يُستخدم التعلّم الآلي في:
- اكتشاف البريد المزعج
- اكتشاف الاحتيال
- توصيات المنتجات
- توقع المبيعات
- التنبؤ بسلوك العملاء
- تصنيف النصوص
ويُستخدم التعلّم العميق في:
- التعرّف على الصور
- التعرّف على الكلام
- معالجة اللغة الطبيعية
- الترجمة
- تحليل الفيديو
- الذكاء الاصطناعي التوليدي
- نماذج اللغة الكبيرة
تستخدم نماذج اللغة الكبيرة (LLMs) عادةً شبكات عصبية عميقة تُعرف باسم المحوّلات (Transformers) لتعلّم أنماط اللغة وتوليد النصوص أو فهمها.
أيهما أفضل؟
لا يوجد خيار أفضل في جميع الحالات.
قد يكون التعلّم الآلي التقليدي مناسبًا عندما تكون البيانات صغيرة نسبيًا أو منظمة وعندما تكون سهولة تفسير النتائج مهمة.
أما التعلّم العميق فقد يكون أفضل عندما تتوفر كميات كبيرة من البيانات ويكون التطبيق متعلقًا بالصور أو الصوت أو الفيديو أو اللغة.
والنموذج الأكثر تعقيدًا ليس دائمًا الأفضل، فقد يحقق نموذج أبسط نتائج ممتازة بموارد أقل.
الفوائد والقيود
يمكن للتعلّم الآلي والتعلّم العميق دعم الأتمتة، وتحسين التنبؤات، واكتشاف الأنماط، وتخصيص الخدمات، والمساعدة في اتخاذ القرارات.
لكن جودة النتائج تعتمد بدرجة كبيرة على جودة بيانات التدريب.
قد تؤدي البيانات غير المكتملة أو المتحيزة إلى نتائج غير موثوقة.
كما يمكن أن تحتاج نماذج التعلّم العميق إلى كميات كبيرة من البيانات والقدرة الحاسوبية، وقد تكون بعض النماذج المعقدة صعبة التفسير.
لذلك تبقى الخصوصية، والأمن، والعدالة، والدقة، والإشراف البشري أمورًا مهمة.
كيف يبدأ المبتدئون؟
يمكن البدء بفهم العملية الأساسية للتعلّم الآلي:
البيانات ← التجهيز ← التدريب ← النموذج ← التنبؤ ← التقييم
بعد ذلك يمكن تعلّم مفاهيم مثل التصنيف، والانحدار، وبيانات التدريب، وبيانات الاختبار، والميزات، ودقة النموذج.
وبعد فهم التعلّم الآلي التقليدي، يصبح تعلّم الشبكات العصبية والتعلّم العميق أسهل.
تُستخدم لغة Python على نطاق واسع في تجهيز البيانات، وتدريب النماذج، وتقييم النتائج.
أفكار أخيرة
التعلّم الآلي والتعلّم العميق تقنيتان مترابطتان ولهما دور مهم في الذكاء الاصطناعي الحديث.
يسمح التعلّم الآلي للأنظمة بتعلّم الأنماط من البيانات، بينما يستخدم التعلّم العميق شبكات عصبية متعددة الطبقات لتعلّم أنماط أكثر تعقيدًا.
والعلاقة الأساسية هي:
الذكاء الاصطناعي ← التعلّم الآلي ← التعلّم العميق
يساعد فهم هذه العلاقة على تعلّم الرؤية الحاسوبية، ومعالجة اللغة الطبيعية، ونماذج اللغة الكبيرة، والذكاء الاصطناعي التوليدي.
في AIWiseUp، سنواصل شرح الذكاء الاصطناعي وتقنياته بطريقة عملية وسهلة الفهم.
تعرّف على الذكاء الاصطناعي. تعلّمه. استخدمه. وتطوّر معه.
المراجع وقراءات إضافية
Russell, S.J. and Norvig, P. (2021) Artificial Intelligence: A Modern Approach. 4th edn. Pearson.
Artificial Intelligence: A Modern Approach – Pearson
Goodfellow, I., Bengio, Y. and Courville, A. (2016) Deep Learning. MIT Press.
Deep Learning – Official Book Website
LeCun, Y., Bengio, Y. and Hinton, G. (2015) ‘Deep learning’, Nature, 521(7553), pp. 436–444.
Jordan, M.I. and Mitchell, T.M. (2015) ‘Machine learning: Trends, perspectives, and prospects’, Science, 349(6245), pp. 255–260.
Machine Learning: Trends, Perspectives, and Prospects – Science