خلاصة سريعة: التعلم الآلي (Machine Learning) فرع من فروع الذكاء الاصطناعي يبني أنظمة تستخلص الأنماط من البيانات وتصوغها في توقعات أو قرارات، من دون أن يكتب المبرمج قاعدة صريحة لكل حالة. يُدرَّب النموذج على أمثلة كثيرة، وتُعدَّل معاملاته حتى يقل خطؤه، ثم يُختبر على بيانات جديدة. وخلاصة الأمر أن جودة النموذج تتوقف على جودة البيانات وملاءمتها للمهمة أكثر مما تتوقف على تعقيد الخوارزمية.
ما هو التعلم الآلي؟
التعلم الآلي منهج في بناء البرمجيات يقوم على الاستقراء من الأمثلة بدلًا من تدوين القواعد يدويًا. في البرمجة التقليدية يحدد المبرمج المنطق مسبقًا: إذا وردت كلمة معينة في رسالة، أو تجاوز مبلغ حدًا معينًا، نُفِّذ إجراء محدد. أما في التعلم الآلي فيُعرض على النظام عدد كبير من الحالات، مع الإجابات الصحيحة إذا كانت متاحة، ليستنتج العلاقة التي تربط المدخلات بالمخرجات، ثم يعممها على حالات جديدة.
ويقع التعلم الآلي داخل الذكاء الاصطناعي بوصفه أحد الفروع الرئيسة فيه، ويشكل التعلم العميق (Deep Learning) فرعًا منه يقوم على شبكات عصبية متعددة الطبقات؛ فالعلاقة بينها علاقة تداخل لا تعارض. والمهم في النهاية أن يستفيد النظام من البيانات بدلًا من تنفيذ تعليمات ثابتة.
لماذا نحتاج التعلم الآلي؟
توجد مهام يصعب فيها تدوين القواعد كاملة، مثل التعرف على الوجه في صورة، أو تمييز الكلام في تسجيل مزدحم. يؤدي الإنسان هذه المهام بسهولة، لكنه يعجز عن وصف خطواته وصفًا يصلح للترجمة إلى شيفرة برمجية؛ فيأخذ التعلم الآلي الأمثلة مادةً أولية، ويستخرج منها قاعدة ضمنية.
ويضاف إلى ذلك أن البيئة الرقمية تتغير باستمرار: تظهر كلمات جديدة في البريد المزعج، وتتبدل أنماط الاحتيال. والنموذج المدرَّب يواكب هذا التغير بإعادة التدريب على بيانات أحدث، بينما تحتاج القواعد اليدوية إلى مراجعة دائمة.
غير أن التعلم الآلي ليس الخيار الأول دائمًا؛ فالقواعد الواضحة الثابتة تُبرمَج أسرع وأرخص من تدريب نموذج.
كيف تتعلم الآلة من البيانات؟
تمر عملية بناء النموذج بمراحل مترابطة، وإغفال أي منها ينعكس على النتيجة:
- تحديد المهمة ومقياس النجاح: هل المطلوب تصنيف، أم تقدير قيمة رقمية، أم تجميع عناصر متشابهة؟ وما نسبة الخطأ المقبولة؟
- جمع البيانات وتنظيفها: معالجة القيم الناقصة، وإزالة التكرار، وتصحيح الوسوم الخاطئة، والتحقق من تمثيل الفئات.
- بناء السمات (Features): تحويل المدخلات إلى أرقام ذات دلالة، مثل طول النص، وتكرار الكلمات، وقراءات الحساسات.
- اختيار النموذج: انحدار خطي، أو شجرة قرار، أو غابة عشوائية، أو شبكة عصبية، وفق طبيعة البيانات وحجمها.
- التدريب: تعديل معاملات النموذج لتقليل دالة الخسارة.
- التقييم: اختبار النموذج على بيانات لم يرها، ثم ضبط الإعدادات قبل الاعتماد عليه.
- النشر والمراقبة: متابعة الأداء بعد الإطلاق، وإعادة التدريب عند تغير البيانات.
في قلب التدريب دالة خسارة (Loss Function) تقيس الفارق بين التوقع والإجابة الصحيحة، وخوارزمية تحسين تعدل المعاملات لتقليله. وأشهرها الانحدار التدريجي (Gradient Descent) ومشتقاته، وهي لا تبحث عن الحل الأمثل المطلق، بل تصل غالبًا إلى حل جيد في زمن معقول.
ولا يُقاس نجاح النموذج بأدائه على بيانات التدريب، لأنه قد يحفظها بدلًا من أن يتعلم منها؛ لذا تُقسم البيانات إلى مجموعة تدريب ومجموعة اختبار، ويُستعان بالتحقق المتقاطع (Cross-Validation) لتقدير الأداء بثبات أكبر، ثم تُختار المقاييس المناسبة: الدقة (Accuracy)، والاستدعاء (Recall)، والإحكام (Precision)، ودرجة F1، وخطأ التقدير في الانحدار.
أنواع التعلم الآلي
تُصنف طرائق التعلم الآلي وفق طبيعة البيانات وإشارة التقييم المتاحة إلى ثلاثة أنواع رئيسية:
- التعلم الموجّه (Supervised Learning): يتدرب النموذج على أمثلة موسومة، أي مدخلات مقترنة بالإجابة الصحيحة، ثم يتعلم تصنيف الحالات أو تقدير قيمها. ومن تطبيقاته تصفية البريد المزعج وتقدير أسعار العقارات.
- التعلم غير الموجّه (Unsupervised Learning): يعمل على بيانات بلا وسوم، فيبحث عن مجموعات متشابهة أو أبعاد كامنة أو حالات شاذة. ومن تطبيقاته تقسيم العملاء إلى شرائح وكشف المعاملات غير المألوفة.
- التعلم المعزز (Reinforcement Learning): يتفاعل وكيل (Agent) مع بيئة، ويتلقى مكافأة أو عقوبة على أفعاله، فيتعلم استراتيجية تحقق أكبر عائد على المدى الطويل. ومن تطبيقاته الروبوتات والألعاب اللوحية وأنظمة التحكم.
وتوجد صيغ وسطى، مثل التعلم شبه الموجّه (Semi-supervised Learning) الذي يستفيد من قليل من البيانات الموسومة وكثير من غير الموسومة، والتعلم الذاتي (Self-supervised Learning) الذي يولّد إشارات التدريب من البيانات نفسها، وهو الغالب في تدريب نماذج اللغة الكبيرة.
أمثلة وتطبيقات عملية
يظهر التعلم الآلي في خدمات يومية كثيرة:
- تصفية البريد المزعج ورسائل التصيد قبل وصولها إلى صندوق الوارد.
- ترتيب التوصيات في منصات الفيديو والتجارة الإلكترونية وفق سلوك المستخدم.
- كشف المعاملات المصرفية غير المألوفة والتنبيه إليها فور وقوعها.
- مساعدة الأطباء في قراءة الصور الشعاعية وتحديد المناطق المشبوهة.
- تحويل الكلام إلى نص، وترجمة الوثائق، وتلخيص التقارير الطويلة.
- توقع أعطال الآلات في المصانع قبل توقفها، وتقدير الطلب في سلاسل التوريد.
وتُبنى روبوتات المحادثة مثل ChatGPT على نماذج لغوية كبيرة دُرِّبت على نصوص ضخمة، وقد شرحنا في مقال ما هو ChatGPT طريقة توليد النص وحدوده؛ أما هنا فالتركيز على الآلية المشتركة: بيانات كثيرة، ونموذج قابل للضبط، وتدريب طويل، وتقييم مستمر.
ما العوامل التي تحدد دقة النموذج؟
لا تضمن الخوارزمية المتقدمة نتيجة جيدة إذا كانت البيانات ضعيفة، وأبرز العوامل:
- جودة البيانات: دقتها وحداثتها وخلوها من التحيز، وتمثيلها للفئات التي سيواجهها النموذج بعد النشر.
- السمات: قدرة المدخلات على حمل الإشارة المفيدة؛ فالسمة الضعيفة تضيف ضجيجًا لا معرفة.
- ملاءمة النموذج: توافق تعقيده مع حجم البيانات وطبيعة العلاقة، خطية كانت أم غير خطية.
- الإفراط في التخصيص ونقصه: حفظ تفاصيل التدريب من جهة، والعجز عن تمثيل العلاقة من جهة أخرى.
- مقياس التقييم: اختيار مقياس يعكس تكلفة الخطأ الحقيقية، فالدقة وحدها مضللة في البيانات غير المتوازنة.
- القدرة الحاسوبية: زمن التدريب المتاح، وحجم الذاكرة، وإمكان إعادة التجربة.
ويُعالج الإفراط في التخصيص (Overfitting) بزيادة البيانات، وبتبسيط النموذج، وبالتنظيم (Regularization)، وبالتحقق المتقاطع. أما نقص التخصيص (Underfitting) فينتج عن نموذج أبسط من أن يمثل العلاقة أو عن سمات فقيرة، وعلاجه زيادة قدرة النموذج وتحسين المدخلات.
وتفرض هذه العمليات متطلبات مادية: تخزين سريع، وذاكرة واسعة، وقدرة حسابية متوازية توفرها وحدات معالجة الرسوميات. ويمكن الرجوع إلى مقال وحدات التخزين لاختيار القرص، وإلى مقال بطاقة الرسوميات لفهم أثرها في التدريب.
حدود التعلم الآلي ومتى ينبغي الحذر
التعلم الآلي أداة إحصائية قوية، لكنه لا يفهم العالم كما يفهمه الإنسان، ولا يصلح بديلًا عن الحكم المهني. ومن حدوده:
- الارتباط ليس سببية: قد يعتمد النموذج على ارتباط عارض، ثم ينهار بتغير السياق.
- تغير توزيع البيانات: يتراجع الأداء حين تختلف بيانات التشغيل عن التدريب، وهي حالة شائعة بعد الأزمات.
- التحيز والعدالة: يعيد النموذج إنتاج تحيزات بياناته، وقد يظلم فئة كاملة قليلة التمثيل.
- الخصوصية والأمن: قد تكشف النماذج معلومات عن بيانات التدريب، وقد تتعرض لهجمات تسميم البيانات.
- ضعف التفسير: تصعب معرفة سبب القرار في البنى المعقدة، وهو ما يعوق المراجعة والمساءلة.
- التكلفة والطاقة: التدريب والتشغيل يستهلكان موارد كبيرة، وقد لا يكونان مبررين أمام بديل أبسط.
لذلك وضعت جهات متخصصة أطرًا لإدارة مخاطر هذه الأنظمة، منها الإطار الوطني الأميركي لإدارة مخاطر الذكاء الاصطناعي (NIST AI RMF)، الذي يقترح دورة متواصلة من التحديد والقياس والإدارة. والقاعدة العملية أن يبقى الإنسان مسؤولًا عن القرار النهائي، وقادرًا على مراجعة النموذج ووقف عمله.
كيف تبدأ في مجال التعلم الآلي؟
يبدأ الطريق بأساس رياضي في الجبر الخطي والاحتمالات والإحصاء، ثم بلغة Python لما توفره من مكتبات مثل scikit-learn وpandas، ويأتي بعد ذلك مشروع صغير على بيانات حقيقية يعلّم أكثر من قراءة عشرات المقالات. وتوفر مصادر مفتوحة مسارًا منظمًا، مثل دورة Google للتعلم الآلي، وكتاب An Introduction to Statistical Learning، ووثائق scikit-learn؛ ولمن يريد تجربة أدوات تعمل داخل المتصفح، يمكن الرجوع إلى مقال أفضل المتصفحات.
أسئلة شائعة
ما الفرق بين التعلم الآلي والذكاء الاصطناعي؟
الذكاء الاصطناعي مجال أوسع يضم كل محاولة لجعل الآلة تحاكي وظائف ذهنية كالاستدلال والإدراك، والتعلم الآلي أحد فروعه، وهو يقوم على استخلاص الأنماط من البيانات بدلًا من برمجة القواعد. والتعلم العميق فرع منه يعتمد على شبكات عصبية متعددة الطبقات.
هل يحتاج التعلم الآلي دائمًا إلى كميات ضخمة من البيانات؟
لا، فالحاجة إلى البيانات تتوقف على تعقيد المهمة وعدد الفئات المطلوب تمييزها. تكفي أحيانًا مئات الأمثلة الجيدة في مهمة محدودة، بينما تتطلب مهام معالجة اللغة والصور ملايين الأمثلة. والأهم من الحجم غالبًا أن تمثل البيانات الواقع وأن تخلو من الأخطاء.
ما الفرق بين التعلم الموجّه وغير الموجّه؟
التعلم الموجّه يتدرب على بيانات موسومة، أي مدخلات مقترنة بالإجابات الصحيحة، ويهدف إلى تصنيف الحالات أو تقدير قيمها. أما التعلم غير الموجّه فيعمل على بيانات بلا وسوم، ويبحث عن مجموعات متشابهة أو بنية كامنة أو حالات شاذة، من دون إجابة مرجعية.
ما معنى الإفراط في التخصيص، وكيف يُعالج؟
الإفراط في التخصيص (Overfitting) أن يحفظ النموذج تفاصيل بيانات التدريب وضجيجها، فيبدو دقيقًا عليها وضعيفًا على بيانات جديدة. ويُعالج بزيادة البيانات وتنويعها، وبتبسيط النموذج، وبالتنظيم (Regularization)، وبالتحقق المتقاطع.
هل يمكن الاعتماد على مخرجات النماذج في قرارات مهمة؟
يمكن أن تساعد النماذج في القرارات المهمة، لكنها لا تصلح بديلًا عن المسؤولية البشرية؛ فينبغي فهم حدودها، ومراقبة أدائها بعد النشر، والتحقق من عدالة نتائجها، والاحتفاظ بإمكانية المراجعة البشرية في القرارات الطبية والقانونية والمالية.
