نظرة عامة على تعلم الآلة

أجهزة الكمبيوتر غبية بشكل لا يصدق. يجب أن يتم إخبارهم بوضوح بما يجب عليهم فعله في شكل برامج. يجب أن تأخذ البرامج في الاعتبار كل فرع ممكن من فروع المنطق وتكون محددة للمهمة التي بين أيديها. إذا كانت هناك أي حالات شاذة في مجموعة المدخلات، فقد لا ينتج البرنامج المخرجات الصحيحة أو يتعطل تمامًا! في كثير من الحالات، يكون هذا السلوك مقبولًا نظرًا لأن البرامج متخصصة تمامًا لغرض معين. ومع ذلك، هناك العديد من الحالات التي نريد فيها أن يكون برنامجنا أكثر عمومية وأن نتعلم كيفية إنجاز المهمة بعد أن قدمنا ​​له العديد من الأمثلة حول كيفية القيام بالمهمة. وهذه مجرد شريحة مما يحاول مجال الذكاء الاصطناعي حله.

الذكاء الاصطناعي (AI) مجال واسع جدًا في علوم الكمبيوتر هدفه بناء كيان يمكنه إدراك العالم والتفكير فيه مثل البشر أو أفضل منهم. يعد تعلم الآلة أكبر حقل فرعي في الذكاء الاصطناعي ويحاول الابتعاد عن هذه البرمجة الصريحة للآلات. فبدلاً من تشفير كافة إجراءات جهاز الكمبيوتر، فإننا نزودها بالعديد من الأمثلة عما نريده، وسيتعلم الكمبيوتر ما يجب فعله عندما نعطيه أمثلة جديدة لم يسبق له مثيل من قبل.

لتقديم هذا المجال، سنتطرق بإيجاز إلى مجموعة واسعة من المواضيع المختلفة للحصول على فكرة أفضل عن ماهيتها وكيفية عملها. لاحقًا، سنتعمق في مزيد من التفاصيل لمناقشة كيفية عمل هذه التقنيات والخوارزميات ولماذا. سنناقش أولاً، بتفاصيل معتدلة، كيف حل الذكاء الاصطناعي المشكلات قبل ظهور تعلم الآلة. على الرغم من أن هذه الخوارزميات لا تزال تستخدم اليوم لمهام أخرى، فقد تم استبدالها بخوارزميات أكثر قوة، وستكون هذه هي المرة الوحيدة التي نناقش فيها الذكاء الاصطناعي الكلاسيكي. وهذا من شأنه أن يمهد الطريق للانتقال إلى أساليب أكثر حداثة لتعلم الآلة. سنناقش بإيجاز اثنين من أكثر أنواع تعلم الآلة شيوعًا: التعلم الخاضع للإشراف وغير الخاضع للإشراف.

الذكاء الاصطناعي القديم (GOFAI) الجيد

من المؤكد أن الذكاء الاصطناعي ليس تطوراً جديداً في علوم الكمبيوتر. لقد كان هذا المجال موجودًا بالفعل منذ عقود عديدة (منذ الخمسينيات!)، ولكن في ذلك الوقت، كان الأشخاص في هذا المجال يحلون المشكلات بطريقة مختلفة عن خوارزميات تعلم الآلة المستخدمة اليوم: تركزت أساليبهم حول بناء خوارزميات البحث. وهذا ما نسميه الذكاء الاصطناعي القديم الجيد (GOFAI).

لتوضيح هذا النهج، دعونا نفكر في مشكلة واقعية: ما هو أفضل طريق للذهاب إلى بوخارست من أراد؟ هذه هي المشكلة الكلاسيكية المستخدمة لتوضيح خوارزميات البحث في كل دورة جامعية تقريبًا حول الذكاء الاصطناعي، لذا سنناقشها هنا أيضًا. ألقِ نظرة على الرسم البياني أعلاه، والذي يُطلق عليه رسميًا الرسم البياني الرياضي المنفصل. ترتبط كل مدينة (أو عقدة) بالأخرى بميزة. على أي حافة، نرى رقمًا يمثل تكلفة السفر إلى مدينة من مدينة معينة. يمكننا أن نفكر في هذا باعتباره المسافة بينهما، على الرغم من أن التكلفة يمكن أن تكون أكثر عمومية من ذلك. ولأغراضنا، فإن كيفية حساب قيمة التكلفة هذه ليست مهمة. الهدف هو العثور على قائمة بالمدن التي يمكننا المرور عبرها للعثور على أفضل طريق، أي أقل تكلفة، إلى بوخارست.

لنفترض أننا تم نقلنا إلى ما قبل ظهور الأساليب الحديثة، وتم تكليفنا بكتابة برنامج للقيام بذلك. لن نغطي مجموعة متنوعة من خوارزميات البحث الموجودة، ولكن دعونا نرى كيف يمكننا تأطير المشكلة حتى نتمكن من استخدام البحث.

(في حالتنا الخاصة بتخطيط المسار، يمكننا أن نرى كيف يمكن اعتبار ذلك مشكلة بحث، لكن الأمر لن يكون بهذا الوضوح بالنسبة للأنواع الأخرى من المشكلات. إذا قمنا بتأطير المشكلة باستخدام المكونات التي سنناقشها، فسنقوم بذلك يمكننا استخدام خوارزمية بحث جاهزة لحل مشكلتنا.)

من خلال صياغة المشكلة والخريطة أعلاه، نعرف جميع المعلومات التي نحتاجها لتأطير مشكلة بحثنا. بداية، يقول بيان المشكلة أننا بدأنا في أراد وانتهى بنا الأمر في بوخارست. هاتان المعلومتان هما حالة البداية وحالة الهدف. في الواقع، قد يكون لدينا حالات هدف متعددة وبالتالي نعمم فكرة حالات الهدف على وظيفة اختبار الهدف، والتي تتمثل مهمتها في اختبار ما إذا كنا في حالة هدف أم لا. لنفترض أن هدفنا كان الوصول إلى أحد المطارات، وكان لدى كل من بوخارست وزيرند وياسي مطارات. إذن الوصول إلى أي من هذه المدن سيحل مشكلتنا!

المعلومات الأخرى التي نحتاجها لتأطير مشكلة البحث الخاصة بنا مأخوذة من الرسم البياني أعلاه. لاحظ أن لدينا عددًا محدودًا لا يحصى من المدن. وهذا ما يسمى مساحة دولتنا. في حالتنا، تمثل المدينة الدولة، لكن خذ بعين الاعتبار مثال السفر بين مدينتين من دولتين مختلفتين. إذن ربما تتكون ولايتنا من صف من المدينة والريف. مساحة الحالة هي ببساطة جميع الحالات التي نفكر فيها. والآخر هو وظيفة الخلف. الغرض من هذه الوظيفة هو معرفة الولايات الأخرى التي يمكنني الوصول إليها، في حالة ولاية واحدة، وكم ستكلف ذلك. يتم ترميز هذه المعلومات في حواف الرسم البياني أعلاه. على سبيل المثال، بدءًا من أراد، يمكنني الذهاب إلى سيبيو بتكلفة 140 دولارًا.

الآن بعد أن أصبح لدينا مشكلة البحث، يمكننا تطبيق خوارزمية البحث على مشكلتنا والحصول على حل! عادةً، نستخدم بنية بيانات لتخزين الولايات التي نفكر في زيارتها (تسمى الهامش). تعتمد بنية البيانات، والتي تكون عادة عبارة عن مكدس أو قائمة انتظار أو قائمة انتظار ذات أولوية، على خوارزمية بحث محددة. ومع ذلك، تتبع جميع خوارزميات البحث نفس الخطوات الأساسية:

• ابدأ بحالة البداية وأدخلها في بنية البيانات
• إزالة حالة من بنية البيانات
• تحقق مما إذا كانت هذه هي حالة الهدف. إذا كان الأمر كذلك، عليك بالعودة!
• اكتشف الحالات الأخرى التي يمكننا الوصول إليها من هذه الحالة باستخدام الدالة اللاحقة.
• ضع كل تلك الحالات اللاحقة في بنية البيانات
• اذهب إلى 2

تحدد تفاصيل خوارزمية البحث كيفية إزالة الحالة من بنية البيانات. على سبيل المثال، إذا كنا نقوم بإجراء بحث العمق أولاً، فسنستخدم مكدسًا ونخرج من أعلى المكدس. إلى جانب تفاصيل خوارزمية البحث، يمكننا استخدام هذا الإطار لإرجاع الحلول.

لتلخيص ذلك، تتمحور GOFAI حول فكرة أننا نقوم بتأطير المشكلة باستخدام أربعة عناصر: حالة البداية، ومساحة الحالة، والوظيفة اللاحقة، وحالة الهدف/وظيفة اختبار الهدف، وتطبيق خوارزمية بحث لإرجاع الحل.

المشكلة مع GOFAI

إحدى المشكلات الكبيرة التي واجهها الأشخاص مع GOFAI هي أن هذه الأنظمة لم تكن تتعلم أي شيء حقًا. لقد كانوا يبحثون في مساحة الدولة الضخمة المحتملة عن الإجابة الصحيحة. إذا أعطينا مشكلة مختلفة لنفس النظام، فسوف يتعامل مع هذه المشكلة على أنها مستقلة عن جميع المشكلات الأخرى التي حلها النظام. هذا ليس التعلم!

لتوضيح هذه النقطة، فكر في طفل يتعلم ما هي التفاحة لأول مرة. في البداية، لا يكون لدى الطفل أي فكرة عن ماهية هذه الفاكهة، لكن أحدهم يخبر الطفل أن هذه تفاحة. إذا أعطيت تفاحة مختلفة للطفل، فسيظل الطفل يخبرك أن هذه الفاكهة هي تفاحة. تحدث أشياء مذهلة: يقوم الطفل بتعميم مفهوم التفاحة. بمعنى آخر، ليس عليك أن تُظهر للطفل كل تفاحة في العالم حتى يتعلم الطفل ما هي التفاحة؛ تعطي الطفل بعض الأمثلة وسوف يتعلم ما هو المفهوم المجرد للتفاحة. وهذا هو بالضبط ما يفتقر إليه GOFAI.

ويأتي تعلم الآلة، مدعومًا بالإحصائيات وحساب التفاضل والتكامل والجبر الخطي والتحسين الرياضي لإنقاذ الموقف! بدلاً من البحث في مساحة الحالة، نعطي خوارزميات تعلم الآلة العديد من الأمثلة، ويمكنها تعلم التعميم.

تتميز خوارزميات وأساليب تعلم الآلة بمعلماتها أو أوزانها. تؤثر هذه المعلمات على نتيجة خوارزمية تعلم الآلة. عندما نعطي الخوارزمية المزيد والمزيد من الأمثلة، تقوم الخوارزميات بضبط هذه المعلمات بناءً على القيمة السابقة للمعلمات والأمثلة التي تنظر إليها حاليًا. هذه عملية تكرارية حيث نستمر في تغذية الأمثلة وتستمر الخوارزمية في ضبط المعلمات حتى نحقق نتائج جيدة.

التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف

أكبر فئتين من تعلم الآلة هما التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. فكر في العودة إلى مثال تعليم الطفل ما هي التفاحة. وهذا مثال رئيسي على التعلم الخاضع للإشراف. عند تعليم الطفل نعطي مثالاً عن التفاحة مع الإجابة الصحيحة: تفاحة. عند استخدام التعلم الخاضع للإشراف، نقوم بتغذية خوارزمية تعلم الآلة بمثال والإجابة الصحيحة. ولهذا السبب نسميه التعلم تحت الإشراف. فيما يلي بعض المهام التالية التي يمكن أن يساعدنا فيها التعلم الخاضع للإشراف.

• تصنيف الصور: ما هو موجود في الصورة، على سبيل المثال، قطة.
• التعليق على الصورة: عند إعطاء صورة، قم بإنشاء تعليق جديد يصفها.
• استرجاع الصورة: بالنظر إلى وصف جملة الصورة، قم بإحضار الصورة التي تمثل هذا الوصف بشكل وثيق.
• تصنيف المشاعر: ما هو الشعور وراء هذه العبارة؟
• الترجمة الآلية: الترجمة بين اللغات، مثل الإنجليزية والفرنسية.
• تركيب المنحنى أو التنبؤ بالاتجاهات في الأعمال التجارية
• …

التعلم تحت الإشراف له العديد من التطبيقات المختلفة. ومع ذلك، قد يكون من الصعب إنتاج مجموعات بيانات مصنفة. إذا كانت مشكلتنا متعلقة بمجال محدد للغاية، فعادةً ما يتعين علينا تعيين أشخاص لتعليق مجموعة البيانات الخاصة بنا، وهو ما قد يكون مكلفًا أو مستهلكًا للوقت.

في التعلم غير الخاضع للرقابة، لا نعطي الإجابة الصحيحة (في كثير من الأحيان لا نعرفها!). وبدلا من ذلك، نعتمد بشكل كبير على الإحصائيات وتوزيع البيانات المدخلة. فيما يلي بعض الأمثلة على التعلم غير الخاضع للرقابة.

• التجميع: بالنظر إلى مجموعة من البيانات، نريد العثور على مجموعة من نقاط البيانات المتشابهة.
• توليد أمثلة جديدة: في ضوء مجموعة من بيانات التدريب، قم بإنشاء نقطة بيانات جديدة مشابهة لبيانات التدريب ولكنها ليست موجودة فعليًا في بيانات التدريب
• كشف الشذوذ: ابحث عن نقطة البيانات الشاذة في مجموعة من البيانات

بالمقارنة مع التعلم الخاضع للإشراف، لا نحتاج إلى قضاء الوقت والمال في شرح مجموعة البيانات. ومع ذلك، يبدو هدف التعلم غير الخاضع للإشراف أصعب قليلاً من التعلم الخاضع للإشراف: فنحن نريد رؤى من بياناتنا دون إعطاء أمثلة على النتائج “الصحيحة”.

لتلخيص ذلك، يتطلب التعلم الخاضع للإشراف أن يكون لكل مثال إجابة صحيحة بينما يمكن للتعلم غير الخاضع للإشراف أن يأخذ مجموعة من الأمثلة غير المسماة ويتعلم منها. في المستقبل، سنتعرف على العديد من خوارزميات وتقنيات التعلم الخاضعة للإشراف وغير الخاضعة للإشراف.