دليل الأعمال للتعلم الآلي

من معالجة اللغة الطبيعية (NLP) إلى التعلم العميق وما بعده ، دخل التعلم الآلي (ML) في العديد من جوانب تقنيات الأعمال الأكثر شعبية. ML هو عامل واحد فقط في ثورة الذكاء الاصطناعي (AI) ، لكنه عامل مهم. تُعد خوارزميات ML طبقة ذكاء حيوية تُخبز في المنتجات التي نستخدمها ، وسنرى أنها تزحف إلى المزيد من حالات الاستخدام في المستقبل.

يتم تضمين خوارزميات ML في نسيج الكثير من التكنولوجيا التي نستخدمها كل يوم. تعد ابتكارات ML التي تمتد عبر رؤية الكمبيوتر والتعلم العميق و NLP وما بعده جزءًا من ثورة أكبر حول الذكاء الاصطناعى العملي. إنها ليست روبوتات مستقلة أو كائنات عاطفية ولكنها نوع من الذكاء مدمج في التطبيقات والبرامج والخدمات السحابية التي تجمع بين خوارزميات الذكاء الاصطناعى والبيانات الكبيرة تحت السطح.

الاتجاه هو أكثر وضوحا في الأعمال التجارية. لم يعد ML يستخدم فقط في المشاريع البحثية المتخصصة التي يقوم بها فريق من علماء البيانات. تستخدم الشركات الآن ML للحصول على ذكاء عملي عملي (BI) وتحليلات تنبؤية من كميات متزايدة من البيانات. هذا هو السبب في أنه من المهم أكثر من أي وقت مضى أن لا تعرف فقط ML ، ولكن أيضًا لتعلم الاستراتيجيات الأكثر فاعلية حول كيفية استخدامها من أجل القيمة الملموسة.

Ted Dunning ، دكتوراه ، هو كبير مهندسي التطبيقات في MapR ، الذي يوفر توزيعات البيانات الضخمة وأدوات إدارة البيانات للمؤسسات ، كما شارك في تأليف كتابين حول ما يشير إليه باسم "التعلم العملي بالآلة". عمل المخضرم في وادي السيليكون في هذا المجال لعقود من الزمن ، حيث راقب تقنيات الذكاء الاصطناعي وتطور الفضاء إلى الحد الذي جعل فيه التقدم في مجال الحوسبة الإدراكية وتوافر الأدوات مفتوحة المصدر حقاً جلب ML إلى التيار الرئيسي. تحدثت Dunning إلى PCMag لتقصي المصطلحات ، وشرح معنى ML الفعلي ، وإضفاء بعض الحكمة وأفضل الممارسات حول كيفية تحقيق الشركات أقصى استفادة من استثماراتها في ML.

تعريف عملي

إن التعريف المباشر لـ ML يمنح الأنظمة القدرة على العمل والتعلم وإجراء التعديلات بشكل تكراري ، دون أي برمجة واضحة. Dunning said ML هو فرع للإحصاءات ولكنه فرع عملي للغاية. وشدد على أنه في سياق الأعمال الواقعية ، تحتاج إلى أن تكون براغماتية وواقعية مع كيفية تطبيقها. تتمثل المهمة الأساسية لـ ML في إنشاء عملية أعمال قابلة للتكرار وموثوقة وقابلة للتنفيذ.

"التعلم الآلي لا يعني النظر إلى الوراء في البيانات العلمية ومحاولة تحديد ما هي الاستنتاجات القابلة للحياة" ، وقال Dunning. "يتعلق الأمر بالتطلع إلى الأمام ، وسؤال ما الذي يمكننا التنبؤ به حول المستقبل وما الذي سيحدث في السيناريوهات المختلفة. عندما يتعلق الأمر بالتعامل مع هذه البيانات ، فإننا نتحدث عن مواقف محدودة للغاية حيث تريد التكرار."

الصورة الائتمان: تود Jaquith في Futurism.com. انقر لتوسيع infographic الكامل.

التعلم العميق مقابل التعلم الرخيص

يمكنك تقسيم هذه الفكرة الأساسية إلى عدد من الحقول المختلفة داخل ML ، ولكن أشار Dunning إلى اثنين على وجه الخصوص على طرفي الطيف: التعلم العميق وما يسميه "التعلم الرخيص". التعلم العميق هو المفهوم الأكثر تعقيدًا.

وقال دونينج "أردنا أن يتعلم التعلم الآلي. هذا هو أصل المصطلح". "على مدى السنوات العشر أو الخمس عشرة الماضية ، تم تطوير تقنيات تقوم بذلك بالفعل. تستخدم لتتطلب الكثير من الأعمال الهندسية لجعل العلاقات في البيانات مرئية للخوارزميات ، والتي لم تكن لفترة طويلة ذكية مثلنا أردت أن تكون كذلك. كان عليك تسليم الخوارزميات هذه البيانات المستساغة على لوحة ، لذلك اعتدنا أن نرمز جميع هذه الميزات التي تعمل الأنظمة الآن من تلقاء نفسها."

التعلم العميق هو المكان الذي يوجد فيه الكثير من الابتكار حول الشبكات العصبية. فهو يجمع بين التقنيات المتطورة مثل رؤية الكمبيوتر و NLP في طبقات من التعلم "الأعمق" والتي أدت إلى خطوات كبيرة في مجالات مثل التعرف على الصور والنصوص. هذا أمر رائع للنمذجة المعقدة ولكن يمكن أن يكون مبالغة لاستخدامات الأعمال اليومية الأكثر بساطة والتي يمكن أن تعتمد على أطر عمل وتقنيات ML مع معلمات أقل بكثير.

وأوضح دونينج أن التعلم الرخيص يعني تقنيات بسيطة وفعالة وجربت واختبارها حيث لا تحتاج الشركات إلى استثمار موارد باهظة الثمن لإعادة اختراع العجلة.

"في الحوسبة ، نتحدث كثيرًا عن الثمار المنخفضة. إن توفر البيانات والزيادة الهائلة في السعة الحسابية يعني أننا خفضنا الشجرة بأكملها" ، أوضح. "التعلم الآلي البسيط ليس فقط لعلماء البيانات بعد الآن."

كيف التعلم رخيصة العمل؟

يمكن لخوارزميات ML الأساسية تحديد الارتباطات وتقديم توصيات ، أو جعل التجارب أكثر سياقًا وشخصية. وقال دونينج إن هناك فرصة في كل جانب من جوانب كيفية تفاعلنا مع أجهزة الكمبيوتر لهم لاستخدام التعلم الرخيص لجعل الأمور تعمل بشكل أفضل.

مثال على التعلم الرخيص في الممارسة هو اكتشاف الاحتيال. تتعامل البنوك والتجار مع الاحتيال على نطاق واسع ، لكنه غالبًا ما يكون مشتتًا ويتعلق بقيم منخفضة بما فيه الكفاية لا يتم الإبلاغ عنها. أوضح دانينج أنه باستخدام خوارزمية تعلم رخيصة (أي اختبار ML موجود مبرمج لهذه المهمة المحددة) ، يمكن للتجار تحديد النقاط الشائعة للتسوية التي تعرض المستخدمين للخطر وتصيد أنماط الاحتيال التي لا يمكن لولا ذلك مرئي.

"لنفترض أنك تريد العثور على التجار الذين يبدو أنهم يقومون بتسريب البيانات التي تؤدي إلى الاحتيال. يمكنك استخدام اختبار G2 ببساطة للعثور على التجار الذين يتم تمثيلهم بشكل مفرط في سجلات المعاملات لضحايا الاحتيال مقابل المستهلكين دون احتيال" ، دونينغ قال. "يبدو هذا بسيطًا جدًا في أن يُطلق عليه" التعلم الآلي "، ولكنه يجد الأشرار في الحياة الواقعية. يمكن استخدام امتدادات هذه التقنية لزيادة التقنيات الأكثر تقدماً إلى حد ما مما يسمح لخوارزميات التعلم الأكثر بساطة بالنجاح حيث قد تفشل بطريقة أخرى."

يمكن استخدام التعلم الرخيص في جميع أنواع الطرق المختلفة ، لذلك قدم Dunning مثالًا آخر على كيفية استخدام الأعمال التجارية عبر الإنترنت. في هذه الحالة ، أوضح كيف يمكن لخوارزمية ML الحالية حل مشكلة بسيطة في ترتيب التعليقات.

"افترض أن لديك مقالًا يحتوي على عدد من التعليقات عليه. ما الترتيب الذي ينبغي وضعها فيه؟ ماذا عن ترتيب التعليقات وفقًا لمدى اهتمام الناس بها؟ يمكنك حساب عدد المرات التي يقرأ فيها الأشخاص التعليق ، وكيف في كثير من الأحيان قاموا بالتصويت عليه ، لكن لا يزال هناك حاجة إلى القليل من السحر ".

وأوضح: "ربما لا يكون أحد المرشحين من قارئ واحد أفضل من ثمانية من أصل عشرة قراء". "والأسوأ من ذلك ، إذا وضعت الفائزين الأوائل في المقدمة ، فإن التعليقات الأخرى لن ترى النور أبداً وبالتالي لا تتعلمهم أبدًا. يمكن لقليل قليل من التعلم الآلي الذي يدعى Thompson sampling حل هذا بطريقة تجمع البيانات على التعليقات الجديدة وحيث تكون التصنيفات غير مؤكدة ، إلا أنها تطلبها عمومًا بطريقة تمنح المستخدمين أفضل تجربة."

وضعت Dunning أيضًا مجموعة من أفضل الممارسات حول كيفية تحقيق أقصى استفادة من نشاطك التجاري. للحصول على تفاصيل حول كيفية قيام اللوجستيات والبيانات وترسانة الخوارزميات والأدوات المختلفة بإدخال استراتيجية أعمال ناجحة ، اطلع على قصة نجاحنا السبع نصائح للتعلم الآلي.

2018 وما بعده: أين ML الآن

ربما لا يمثل ذلك مفاجأة لك ، ولكن مساحة البيانات الكبيرة وقاعدة البيانات المرتبطة بها تنمو بسرعة على أقل تقدير. خلال مؤتمر BigData SV 2018 في سان خوسيه ، قدم بيتر بوريس ، كبير الباحثين في شركة Wikibon Research لمحلل التكنولوجيا ، نتائج تشير إلى أن الإيرادات من صناعة البيانات الكبيرة العالمية تقدر من 35 مليار دولار في عام 2017 إلى 42 مليار دولار في عام 2018. في علاوة على ذلك ، تتوقع بوريس أن تصل الإيرادات إلى 103 مليارات دولار بحلول عام 2027.

لمعالجة جميع هذه البيانات بفعالية ، ستصبح حلول ML الذكية أكثر ضرورة مما هي عليه الآن. من الواضح أن ML ستظل موضوعًا ساخنًا في المستقبل المنظور. عندما تحدثنا آخر مرة مع Dunr's MapR قبل عام ، شدد على اتباع نهج محسَّب وواقعي في إدارة الأعمال. لكن العام هو وقت طويل عندما تتحدث عن التكنولوجيا. وقعنا في الآونة الأخيرة مع Dunning ، ووفقا له ، بقيت الأمور على حالها تقريبا منذ حديثنا الأخير. وقال داننج "في هذا المستوى الأعلى ، لم يتغير الكثير". "إن الفكرة الأساسية للتعليل من الأدلة بالتأكيد ليست أخبارًا خلال العام الماضي ، لكن بعض الأدوات قد تغيرت".

مع وضع ذلك في الاعتبار ، قال دانينج أيضًا أن هناك عددًا أكبر من اللاعبين في الملعب مقارنة بما كان عليه الحال قبل عام واحد ، ولكن هذه الحقيقة ليست بالضرورة شيئًا جيدًا. "هناك شيء واحد حدث ، وهو ظهور عدد أكبر من البائعين الذين يتحدثون عن التعلم الآلي السحري ، لوضع كلمة سيئة عليه" ، أوضح. "هناك اعتقاد خاطئ كبير بأنه يمكنك فقط رمي بياناتك في أحد المنتجات والحصول على بعض الأفكار الجميلة عنها."

• لماذا التعلم الآلي هو المستقبل لماذا التعلم الآلي هو المستقبل
• Comet.ml يريد تغيير طريقة تفاعلنا مع التعلم الآلي Comet.ml يريد تغيير طريقة تفاعلنا مع التعلم الآلي
• جوجل يبسط تعلم الآلة مع مزود

وفقا ل Dunning تتوقع نتيجة سحرية من ML يمكن أن يكون "محبطا". وقال "لا يزال يتعين عليك التفكير في المشكلة المهمة بالفعل. لا يزال يتعين عليك جمع البيانات ، ولا يزال يتعين عليك إدارة نشر نظامك". "وما زالت هذه الحقائق العملية اللوجستية تهيمن على المشكلة."

تواجه قضية Dunning مشكلة بعض التسويق النبيل الذي تقدمه بعض شركات البرمجيات. وقال "لا شيء من الأشياء السحرية لمنظمة العفو الدولية يعالج ذلك". لديه نصيحة للشركات للنظر فيها. وفقًا له ، تتمثل إحدى الطرق لضمان الممارسات الجيدة في تعيين محلل أعمال معين في الذكاء الاصطناعى بحيث يمكن أن يكون لديك شخص في شركتك يحدد جوانب عملك التي يمكن تحسينها باستخدام تقنية ML.

"في بعض الحالات ، قد يكون ذلك امتدادًا لعملك إلى فرص جديدة" ، أوضح دونينج. ولكن في معظم الحالات ، شدد على أن توظيف شخص ما لفهم احتياجات مؤسستك واستخدام تلك المعلومات لتوجيه استراتيجية ML لديك أمر بالغ الأهمية.