ما هو التعلم الآلي؟

في ديسمبر 2017 ، قدم DeepMind ، معمل الأبحاث الذي استحوذت عليه Google في عام 2014 ، AlphaZero ، وهو برنامج الذكاء الاصطناعي الذي يمكن أن يهزم أبطال العالم في العديد من ألعاب الطاولة.

ومن المثير للاهتمام ، تلقت AlphaZero تعليمات صفرية من البشر حول كيفية لعب الألعاب (ومن هنا جاءت تسميتها). بدلاً من ذلك ، استخدم التعلم الآلي ، وهو فرع من الذكاء الاصطناعي يطور سلوكه من خلال الخبرة بدلاً من الأوامر الواضحة.

في غضون 24 ساعة ، حقق AlphaZero أداءً فائقًا في لعبة الشطرنج وهزم برنامج الشطرنج الذي كان بطل العالم سابقًا. بعد فترة وجيزة ، أتقنت خوارزمية تعلم الآلة في AlphaZero أيضًا Shogi (الشطرنج الياباني) ولعبة الطاولات الصينية Go ، وهزمت سلفها ، AlphaGo ، 100 إلى صفر.

أصبح التعلم الآلي شائعًا في السنوات الأخيرة وهو يساعد أجهزة الكمبيوتر في حل المشكلات التي كان يُعتقد في السابق أنها المجال الحصري للذكاء البشري. على الرغم من أنها لا تزال بعيدة عن الرؤية الأصلية للذكاء الاصطناعي ، إلا أن التعلم الآلي جعلنا أقرب إلى الهدف النهائي المتمثل في إنشاء آلات التفكير.

ما الفرق بين الذكاء الاصطناعي والتعلم الآلي؟

تتضمن الأساليب التقليدية لتطوير الذكاء الاصطناعي ترميزًا دقيقًا لجميع القواعد والمعرفة التي تحدد سلوك وكيل الذكاء الاصطناعي. عند إنشاء AI المستند إلى القواعد ، يجب على المطورين كتابة الإرشادات التي تحدد كيفية تصرف AI استجابةً لكل موقف ممكن. يحاول هذا النهج القائم على القواعد ، والمعروف أيضًا باسم الذكاء الاصطناعى الجيد القديم (GOFAI) أو الذكاء الاصطناعى الرمزي ، تقليد وظائف التفكير العقلي وتمثيل المعرفة.

ومن الأمثلة المثالية على الذكاء الاصطناعى الرمزي ، Stockfish ، وهو محرك شطرنج ذو أعلى تصنيف مفتوح المصدر منذ أكثر من 10 سنوات. ساهم المئات من المبرمجين ولاعبي الشطرنج في Stockfish وساعدوا في تطوير منطقها عن طريق ترميز قواعدها - على سبيل المثال ، ما يجب على منظمة العفو الدولية فعله عندما ينتقل الخصم من فارسه من B1 إلى C3.

لكن الذكاء الاصطناعي المستند إلى القواعد غالبًا ما ينهار عند التعامل مع الحالات التي تكون فيها القواعد معقدة للغاية وضمنية. على سبيل المثال ، يعد التعرف على الكلام والكائنات في الصور بمثابة عمليات متقدمة لا يمكن التعبير عنها في قواعد منطقية.

على عكس الذكاء الاصطناعى الرمزي ، لا يتم تطوير نماذج الذكاء الاصطناعي للتعلم الآلي من خلال كتابة القواعد بل من خلال جمع الأمثلة. على سبيل المثال ، لإنشاء محرك شطرنج قائم على التعلم الآلي ، ينشئ المطور خوارزمية أساسية ثم "يدربها" ببيانات من آلاف ألعاب الشطرنج التي سبق لعبها. من خلال تحليل البيانات ، يجد الذكاء الاصطناعى أنماطًا شائعة تحدد الاستراتيجيات الرابحة ، والتي يمكن استخدامها لهزيمة الخصوم الحقيقيين.

كلما زاد عدد الألعاب التي تستعرضها منظمة العفو الدولية ، كلما أصبح ذلك أفضل في توقع تحركات الفوز أثناء اللعب. هذا هو السبب في أن التعلم الآلي يعرف بأنه برنامج يتحسن أدائه بالتجربة.

ينطبق التعلم الآلي على العديد من المهام الواقعية ، بما في ذلك تصنيف الصور والتعرف على الصوت وتوصية المحتوى واكتشاف الاحتيال ومعالجة اللغة الطبيعية.

التعلم الخاضع للإشراف وغير الخاضع للإشراف

اعتمادًا على المشكلة التي يريدون حلها ، يعد المطورون البيانات ذات الصلة لبناء نموذج التعلم الآلي الخاص بهم. على سبيل المثال ، إذا أرادوا استخدام التعلم الآلي للكشف عن المعاملات المصرفية الاحتيالية ، فسيقوم مطورو البرامج بتجميع قائمة بالمعاملات الحالية ووضعها على نتائجها (احتيالية أو صالحة). عندما تغذي البيانات الخوارزمية ، تفصل المعاملات الاحتيالية والسارية وتجد الخصائص المشتركة داخل كل فئة من الفئتين. وتسمى عملية نماذج التدريب مع البيانات المشروحة "التعلم الخاضع للإشراف" وهي حاليا الشكل السائد للتعلم الآلي.

يوجد بالفعل العديد من مستودعات البيانات المصنفة على الإنترنت لمهام مختلفة. بعض الأمثلة الشائعة هي ImageNet ، وهي مجموعة بيانات مفتوحة المصدر تضم أكثر من 14 مليون صورة تحمل علامة ، و MNIST ، وهي عبارة عن مجموعة بيانات تضم 60 ألف رقم مكتوب بخط اليد. يستخدم مطورو التعلم الآلي أيضًا منصات مثل Amazon's Mechanical Turk ، وهي مركز توظيف على الإنترنت عند الطلب لأداء المهام المعرفية مثل تصنيف الصور وعينات الصوت. وهناك قطاع متزايد من الشركات الناشئة متخصص في شرح التعليقات التوضيحية.

لكن ليست كل المشكلات تتطلب بيانات ذات علامات. يمكن حل بعض مشكلات التعلم الآلي من خلال "التعلم غير الخاضع للإشراف" ، حيث تزود نموذج الذكاء الاصطناعي بالبيانات الأولية وتتيح لها معرفة الأنماط ذات الصلة.

الاستخدام الشائع للتعلم غير الخاضع للإشراف هو اكتشاف الشذوذ. على سبيل المثال ، يمكن أن تتدرب خوارزمية تعلم الآلة على بيانات حركة مرور الشبكة الأولية لجهاز متصل بالإنترنت ، على سبيل المثال ، ثلاجة ذكية. بعد التدريب ، يقوم الذكاء الاصطناعى بتأسيس خط أساس للجهاز ويمكنه تمييز السلوك الغريب. إذا أصيب الجهاز بالبرامج الضارة وبدأ في الاتصال بالخوادم الضارة ، فسيكون نموذج التعلم الآلي قادرًا على اكتشافه ، لأن حركة مرور الشبكة تختلف عن السلوك العادي الذي لوحظ خلال التدريب.

تعزيز التعلم

الآن ، ربما تعلم أن بيانات التدريب الجيدة تلعب دورًا كبيرًا في كفاءة نماذج التعلم الآلي. لكن التعلم المعزز هو نوع متخصص من التعلم الآلي الذي يطور فيه الذكاء الاصطناعي سلوكه دون استخدام بيانات سابقة.

نماذج التعلم التعزيز تبدأ مع لائحة نظيفة. يتم توجيههم فقط حول القواعد الأساسية لبيئتهم والمهمة قيد البحث. من خلال التجربة والخطأ ، يتعلمون تحسين تصرفاتهم لتحقيق أهدافهم.

يعد DeepZind's AlphaZero مثالًا مثيرًا للاهتمام على التعلم التعزيز. على عكس نماذج التعلم الآلي الأخرى ، والتي يجب أن ترى كيف يلعب البشر لعبة الشطرنج ويتعلمون منها ، بدأ AlphaZero فقط في معرفة تحركات القطع وظروف الفوز في اللعبة. بعد ذلك ، لعبت الملايين من المباريات ضد نفسها ، بدءا من الإجراءات العشوائية وتطوير أنماط السلوك تدريجيا.

يعد تعزيز التعلم مجالًا ساخنًا للبحث. إنها التقنية الرئيسية المستخدمة في تطوير نماذج الذكاء الاصطناعي التي يمكنها إتقان الألعاب المعقدة مثل Dota 2 و StarCraft 2 وتستخدم أيضًا في حل مشكلات الحياة الحقيقية مثل إدارة موارد مركز البيانات وإنشاء أيدي آلية يمكنها التعامل مع الأشياء ذات البراعة الشبيهة بالإنسان.

تعلم عميق

التعلم العميق هو مجموعة فرعية أخرى من التعلم الآلي. ويستخدم شبكات عصبية اصطناعية وتركيبات برمجية مستوحاة تقريبًا من التركيب البيولوجي للدماغ البشري.

تتفوق الشبكات العصبية في معالجة البيانات غير المهيكلة مثل الصور والفيديو والصوت ومقتطفات طويلة من النص مثل المقالات وأوراق البحث. قبل التعلم العميق ، كان على خبراء التعلم الآلي بذل الكثير من الجهد في استخراج الميزات من الصور ومقاطع الفيديو وتشغيل الخوارزميات الخاصة بهم. تقوم الشبكات العصبية تلقائيًا باكتشاف هذه الميزات دون الحاجة إلى جهد كبير من المهندسين البشر.

التعلم العميق وراء العديد من تقنيات الذكاء الاصطناعي الحديثة مثل السيارات بدون سائق وأنظمة الترجمة المتقدمة وتقنية التعرف على الوجه في جهاز iPhone X.

حدود التعلم الآلي

غالبًا ما يخلط الناس بين تعلم الآلة والذكاء الاصطناعي على مستوى الإنسان ، وتستخدم إدارات التسويق في بعض الشركات المصطلحات عمدا بالتبادل. ولكن في الوقت الذي قطعت فيه عملية التعلم الآلي خطوات كبيرة نحو حل المشكلات المعقدة ، إلا أنها لا تزال بعيدة عن ابتكار آلات التفكير التي تصورها رواد الذكاء الاصطناعى.

بالإضافة إلى التعلم من التجربة ، يتطلب الذكاء الحقيقي التفكير المنطقي والحس السليم والتفكير المجرد - وهي مجالات تؤدي فيها نماذج التعلم الآلي أداءً سيئًا للغاية.

على سبيل المثال ، في حين أن التعلم الآلي مفيد في مهام التعرف على الأنماط المعقدة ، مثل التنبؤ بسرطان الثدي قبل خمس سنوات ، إلا أنه يكافح بمهام منطقية واستدلالية أبسط مثل حل مشكلات الرياضيات في المدارس الثانوية.

إن افتقار التعلم الآلي إلى القدرة على التفكير يجعله أمرًا سيئًا في تعميم معرفته. على سبيل المثال ، لن يهيمن وكيل تعلم الآلة الذي يمكنه لعب Super Mario 3 مثل pro على لعبة أخرى على النظام الأساسي ، مثل Mega Man أو حتى إصدار آخر من Super Mario. سوف تحتاج إلى تدريب من الصفر.

بدون القدرة على استخراج المعرفة النظرية من التجربة ، تتطلب نماذج التعلم الآلي الكثير من بيانات التدريب لأداء. لسوء الحظ ، تفتقر العديد من المجالات إلى بيانات تدريب كافية أو لا تملك الأموال اللازمة للحصول على المزيد. إن التعلم العميق ، الذي أصبح الآن هو الشكل السائد للتعلم الآلي ، يعاني أيضًا من مشكلة في التفسير: تعمل الشبكات العصبية بطرق معقدة ، وحتى المبدعين يكافحون لمتابعة عمليات صنع القرار. هذا يجعل من الصعب استخدام قوة الشبكات العصبية في الإعدادات التي يوجد فيها شرط قانوني لشرح قرارات الذكاء الاصطناعي.

لحسن الحظ ، يتم بذل الجهود للتغلب على حدود التعلم الآلي. ومن الأمثلة البارزة على ذلك مبادرة واسعة النطاق من جانب داربا DARPA ، الذراع البحثي لوزارة الدفاع ، لإنشاء نماذج منظمة العفو الدولية يمكن تفسيرها.

• ما هي الذكاء الاصطناعي؟ ما هي الذكاء الاصطناعي؟
• معظم دولارات الولايات المتحدة تذهب إلى التعلم الآلي معظم دولارات الولايات المتحدة تذهب إلى التعلم الآلي
• كيف تريد أن ترى AI المستخدمة؟ كيف تريد أن ترى AI المستخدمة؟

تهدف المشروعات الأخرى إلى تقليل الاعتماد المفرط للتعلم الآلي على البيانات المشروحة وإتاحة الوصول إلى التكنولوجيا للمجالات ذات البيانات التدريبية المحدودة. حقق الباحثون في IBM و MIT مؤخرًا تقدمًا كبيرًا في هذا المجال من خلال الجمع بين الذكاء الاصطناعى الرمزي والشبكات العصبية. تتطلب نماذج AI الهجينة بيانات أقل للتدريب ويمكن أن تقدم توضيحات خطوة بخطوة لقراراتهم.

ما إذا كان تطور التعلم الآلي سيساعدنا في النهاية على الوصول إلى الهدف بعيد المنال المتمثل في إنشاء الذكاء الاصطناعي على المستوى البشري ، فلا يزال يتعين علينا رؤيته. لكن ما نعرفه بالتأكيد هو أنه بفضل التقدم في التعلم الآلي ، أصبحت الأجهزة الموجودة على مكاتبنا وتستريح في جيوبنا أكثر ذكاءً كل يوم.