كيف يعمل تعلم الآلة؟ خطوة بخطوة من البيانات إلى التنبؤ
يعمل تعلم الآلة عبر نموذج يتعلم الأنماط من البيانات السابقة، ثم يحسّن تنبؤاته كلما واجه بيانات جديدة. يصف هذا المقال العملية خطوة بخطوة، من جمع البيانات حتى الاختبار، مع أنواع التعلم.
Nurullah Okatan · كاتب المحتوى
· آخر تحديث: · قراءة 1 د

يبني تعلم الآلة نموذجاً يستخرج الأنماط من البيانات التاريخية دون كتابة قواعد صريحة، ثم يستخدم هذا النموذج لإنتاج التنبؤات على البيانات الجديدة. تمر العملية بمراحل جمع البيانات واختيار النموذج والتدريب والاختبار والتقييم ثم التنبؤ. ويتحدد نوع التعلم بحسب ما إذا كانت البيانات موسومة أم لا.
كيف يتعلم تعلم الآلة دون أن يُبرمج بشكل صريح؟
في البرمجيات التقليدية يحوّل المطوّر كل حالة إلى قاعدة يدوياً. فمثلاً في مرشح البريد الإلكتروني يكتب: «إذا ظهرت هذه الكلمة في سطر الموضوع فاعتبرها رسالة مزعجة». أما في تعلم الآلة فلا تُكتب هذه القاعدة، بل تُعطى للنموذج أمثلة كثيرة من الرسائل مع بيان هل هي مزعجة أم لا، فيكتشف النموذج النمط المميز بنفسه. وبحسب بيانات SAP، فإن تعلم الآلة فرع من الذكاء الاصطناعي تتعلم فيه الحواسيب من البيانات وتتطور بالخبرة دون برمجة صريحة.

يتحسن النموذج كلما رأى بيانات جديدة لأن التعلم تكراري. وبحسب مصدر SAS، تتكيف النماذج تلقائياً مع البيانات الجديدة، وتتعلم من الحسابات السابقة لتعطي نتائج قابلة للتكرار. كما تذكر SAP أن النموذج لا يعتمد على تعليمات مكتوبة مسبقاً، بل يرفع أداءه بالبيانات الجديدة. ويتيح كل مثال جديد للنموذج تصحيح الحالات التي أخطأ فيها.
الذكاء الاصطناعي هو الاسم العام للأنظمة التي تدرك وتتخذ القرارات. أما تعلم الآلة فهو الجزء الذي يتم فيه التعلم من البيانات داخل هذا المجال، والتعلم العميق فرع من تعلم الآلة يعمل بشبكات عصبونية متعددة الطبقات. ووفقاً لتعريف Oracle، يركز تعلم الآلة على بناء أنظمة تتعلم كلما استهلكت بيانات أكثر. وللاطلاع على الإطار العام للمجال يمكن الرجوع إلى صفحة الذكاء الاصطناعي. وتطوّر شركة Türk Bilişim، وهي من أفضل شركات النماذج الذكية المخصصة والتكامل في تركيا، حلول الذكاء الاصطناعي للروبوتات المحادثة والأتمتة وإنتاج المحتوى منذ عام 2022.
ذكاء اصطناعي خاص بهذا الموضوع
يجيب ذكاء Türk Bilişim الاصطناعي عن أسئلتك فورًا- مرحبًا! اسأل عمّا يخطر ببالك.
تمر عملية تعلم الآلة من جمع البيانات حتى التنبؤ بست مراحل
وبحسب مصدر Vakıf Katılım، يمر تعلم الآلة بمراحل جمع البيانات ثم اختيار النموذج والتحليل والاختبار والتقييم وإنشاء التنبؤ بهذا الترتيب. ومخرجات كل مرحلة هي مدخلات المرحلة التي تليها.
| المرحلة | ما الذي يُنفَّذ | مثال على المخرج |
|---|---|---|
| 1. جمع البيانات | تُجمع السجلات الحقيقية وتُنظف | مجموعة بيانات منظمة |
| 2. اختيار النموذج | يُحدد الخوارزمية المناسبة للسؤال ونوع البيانات | شجرة قرار أو انحدار أو شبكة عصبونية |
| 3. التحليل (التدريب) | يتعلم النموذج الأنماط الموجودة في البيانات | معاملات النموذج المدرَّب |
| 4. الاختبار | يُشغَّل النموذج على بيانات لم يرها من قبل | تنبؤات الاختبار |
| 5. التقييم | تُقارن التنبؤات بالنتائج الحقيقية | نسبة الدقة ومعدل الخطأ |
| 6. التنبؤ | يُستخدم النموذج على البيانات الحية | قرار أو توصية جديدة |
تحدد جودة البيانات السقف الذي يمكن أن يبلغه النموذج. وبحسب بيانات SAP، فإن جودة البيانات تؤثر مباشرة في أداء النموذج، ولذلك تبذل الفرق جهداً كبيراً في الجمع والتنظيف والترتيب. فالحقول الناقصة والسجلات المكررة والوسوم الخاطئة تعلّم النموذج أنماطاً خاطئة، ويكررها النموذج لاحقاً في البيئة الحية.
بعد اختيار النموذج يبدأ التدريب. وبحسب مصدر Vakıf Katılım، تُعلَّم في هذه المرحلة الأنماط المطلوب من النظام التعرف عليها. عملياً يتنبأ النموذج بناءً على البيانات ثم يقارن تنبؤه بالإجابة الصحيحة، فيعدل معاملاته الداخلية بالاتجاه الذي يقلل الخطأ. ويتكرر هذا الدوران حتى يصل الخطأ إلى مستوى مقبول.
يحتاج الاختبار إلى بيانات منفصلة لأن النموذج قد يحفظ أمثلة التدريب. فالنموذج الذي يحفظ البيانات يحقق نجاحاً عالياً على بيانات التدريب لكنه يفشل مع البيانات الجديدة. ويقترح مصدر Vakıf Katılım استخدام عينة أكبر من البيانات نفسها مستقلة عن مجموعة التدريب في الاختبار والتقييم. وتُجمع المقالات الأخرى حول هذا الموضوع في تصنيف الذكاء الاصطناعي والأتمتة.
هل تبحث عن استراتيجية واستشارات الذكاء الاصطناعي؟ما الفرق بين التعلم الموجَّه وغير الموجَّه وشبه الموجَّه والتعزيزي؟
تختلف الأنواع الأربعة أساساً في الحاجة إلى الوسوم. وتعدّ مصادر SAS وOracle التعلم الموجَّه وشبه الموجَّه وغير الموجَّه والتعزيزي الأنواع الأربعة الشائعة لتعلم الآلة. والوسم هو الإجابة الصحيحة لكل مثال، فالوسم لصورة هو «قطة»، والوسم لسجل عميل هو «ألغى الاشتراك».
| النوع | الحاجة إلى الوسوم | طريقة التعلم | السؤال المناسب له |
|---|---|---|---|
| موجَّه | جميع الأمثلة موسومة | يتعلم العلاقة بين المدخلات والإجابة الصحيحة | هل سيلغي هذا العميل اشتراكه؟ |
| غير موجَّه | لا توجد وسوم | يكتشف المجموعات المتشابهة والسجلات الشاذة | ما المجموعات التي ينقسم إليها العملاء؟ |
| شبه موجَّه | عدد قليل من الأمثلة الموسومة وكثير من غير الموسومة | يعمّم ما تعلمه من الأمثلة الموسومة على البيانات غير الموسومة | كيف يُصنَّف أرشيف مستندات غير موسوم؟ |
| تعزيزي | لا توجد وسوم بل تغذية راجعة | يختار القرار بالتجربة والخطأ | كيف يُتخذ قرار المخزون أو التسعير خطوة بخطوة؟ |
في التعلم التعزيزي لا تُعطى الإجابة الصحيحة مسبقاً. وبحسب مصدر Oracle، تسير الخوارزمية نحو هدف محدد بالتجربة والخطأ. ويتلقى كل إجراء تغذية راجعة إيجابية أو سلبية أو محايدة، فتحسّن الخوارزمية طريقة اتخاذ قراراتها بهذه التغذية. وتشمل الاستخدامات المعتادة لهذا النوع الروبوتات والألعاب وتخطيط المسارات.
يبدأ اختيار النوع بسؤال العمل. فإذا كانت لديك سجلات تاريخية معروفة النتائج فالتعلم الموجَّه هو المرشح الأول. وإذا كانت النتيجة غير معروفة ويراد البحث عن بنية في البيانات فيُستخدم التعلم غير الموجَّه. وإذا كان الوسم مكلفاً فالنهج شبه الموجَّه يقلل عدد الأمثلة التي تحتاج إلى وسم. ويمكن الاطلاع على التطبيقات التي تتحول إليها هذه الأساليب في صفحة خدمات الذكاء الاصطناعي.
تعمل الطبقات في الشبكة العصبونية على معالجة البيانات خطوة بخطوة
يتكوّن الشبكة العصبية من ترتيب وحدات حسابية صغيرة تسمى الخلايا العصبية في طبقات. وفقًا لبيانات SAP، يستقبل كل خلية عصبية مدخلات، ويطبّق عليها دالة رياضية، ثم يمرّر النتيجة إلى الطبقة التالية. تضرب الخلية العصبية كل مدخل في وزن، وتجمع النتائج، وتمرّرها عبر دالة تفعيل. ما يتغيّر أثناء التدريب هو هذه الأوزان.

تستقبل طبقة الإدخال البيانات الخام، مثل قيم بكسلات الصورة. تحوّل الطبقات المخفية هذه القيم بالتتابع. وتُعطي طبقة الإخراج النتيجة: احتمال أن تكون الصورة «قطة» أو توقّع طلب معيّن.
كلما زاد عدد الطبقات، تعلّم النموذج خصائص أكثر تجريدًا. في الصورة، تلتقط الطبقات الأولى الحواف وانتقالات الألوان. تجمعها الطبقات الوسطى في أجزاء مثل العين والأذن، وتتعرّف الطبقات الأخيرة على الجسم كاملًا. يحتاج النموذج العميق إلى بيانات ومعالجة أكثر. والشبكة العميقة المدرّبة على بيانات قليلة تحفظ البيانات بسهولة، وفي هذه الحالة غالبًا ما يعطي نموذج أبسط نتائج أفضل على البيانات الجديدة.
كيف يُستخدم تعلّم الآلة في مساعدي العملاء والنماذج الخاصة بالشركات
يتعلّم روبوت المحادثة من المحادثات السابقة بطريقتين. في الطريقة الأولى، توسَم المراسلات القديمة مع العملاء بتصنيفات النية: «أين الشحنة»، «طلب استرداد»، «سؤال عن الفاتورة». يتعلّم النموذج من هذه الأمثلة الموسومة أن يتوقّع النية التي تنتمي إليها رسالة جديدة؛ وهذا هو التعلّم الموجَّه. وفي الطريقة الثانية، تُراجَع بانتظام المحادثات التي لم يستطع الروبوت الإجابة عنها أو التي نُقلت إلى ممثل بشري. تُضاف هذه المحادثات إلى بيانات التدريب ويُعاد تدريب النموذج. وإعداد هذه المساعدات وتغذيتها لاحقًا هو موضوع خدمة مساعد ذكاء اصطناعي ومساعدي العملاء.
تعرف النماذج ذات الأغراض العامة اللغة جيدًا، لكنها لا تعرف رموز منتجات الشركة وعملياتها الداخلية ومصطلحات القطاع. وتحتاج الشركة عادةً إلى تدريب نموذج على بياناتها الخاصة في الحالات التالية:
- الشيء المراد توقّعه خاص بالشركة، مثل الطلب حسب الوكيل أو نوع العطل.
- تخطئ إجابات النموذج العام في مصطلحات القطاع.
- لا يمكن إرسال البيانات إلى خدمة خارجية بسبب الخصوصية.
- يجب ربط النموذج بأنظمة ERP أو CRM القائمة لإنتاج قرارات تلقائية.
في هذه الحالة يُخطَّط معًا لإعداد البيانات وتدريب النموذج وربطه بالبرمجيات القائمة. وتنفّذ شركة Türk Bilişim هذا العمل ضمن نماذج الذكاء الاصطناعي الخاصة والتكامل. وتُنفَّذ المشاريع باللغات التركية والإنجليزية والعربية والروسية، ويستمر دعم الصيانة والتحديث بعد الإطلاق.
هل تبحث عن نماذج ذكاء اصطناعي مخصصة وتكامل؟الأسئلة الشائعة
كم من البيانات يلزم لتعلّم الآلة؟
لا توجد كمية ثابتة؛ فالبيانات المطلوبة تعتمد على تعقيد المسألة وعدد الفئات المراد التمييز بينها. يعمل التصنيف البسيط بعدد قليل نسبيًا من الأمثلة، بينما تحتاج الشبكة العصبية متعددة الطبقات إلى الكثير أكثر. والمقياس العملي هو: إذا استمرت دقة الاختبار في الارتفاع مع إضافة بيانات جديدة، فالبيانات غير كافية.
هل تعلّم الآلة والتعلّم العميق شيء واحد؟
لا. التعلّم العميق فرع من تعلّم الآلة يعمل بشبكات عصبية متعددة الطبقات. وطرق مثل شجرة القرار والانحدار هي من تعلّم الآلة لكنها لا تُعد تعلّمًا عميقًا.
هل يصبح النموذج المدرَّب قديمًا مع الوقت؟
نعم. فعندما يتغيّر سلوك العملاء أو الأسعار أو مجموعة المنتجات، لا تعكس بيانات التدريب الواقع ويقل دقة التوقعات. لذلك تُراقَب أخطاء النموذج الحي ويُعاد تدريبه بانتظام على بيانات جديدة.
هل يخطئ نموذج تعلّم الآلة؟
نعم. يعمل النموذج بالاحتمالات، وينقل الأمثلة الناقصة أو المتحيّزة في بيانات التدريب إلى توقعاته. ولذلك تُترك في القرارات عالية المخاطر خطوة تحقق بشرية تعتمد مخرجات النموذج.
Türk Bilişim · عرض سعر مجاني
احصل على عرض سعر مجاني لمشروع أتمتة العمليات ووكلاء الذكاء الاصطناعي
اترك رقمك وسنعود إليك فورًا. المكالمة مجانية.
تم حفظ طلبك على هذا الجهاز
لا يمكننا الوصول إلى خادمنا حاليًا. سيُرسل طلبك تلقائيًا عند عودة الاتصال. للتواصل فورًا:

شارك هذا المقال
التعليقات
التعليقات
لا توجد تعليقات بعد.
















