المحتوى الرئيسي

السؤال الرئيسي

كيف يحل التعلم الآلي المشكلات بشكل مختلف عن البرمجة العادية، وما أنواعه الرئيسية وحدوده؟ الفكرة الأساسية أن التعلم الآلي يستخرج القواعد من البيانات بدلًا من أن تُعطى له. يأتي في ثلاثة أشكال — خاضع للإشراف (التعلم من أمثلة موسومة)، وغير خاضع للإشراف (إيجاد مجموعات خفية)، ومعزز (التعلم من المكافآت) — لكن نتائجه تعتمد على البيانات، لذا فإن التحيز ومشكلة الصندوق الأسود تجعلانه دعمًا للحكم البشري، لا بديلًا عنه.

فكرة التعلم الآلي

التعلم الآلي: مجال يستخدم خوارزميات تتعلم أنماطًا من البيانات لبناء نموذج يؤدي مهمة محددة، مثل التنبؤ أو التصنيف أو دعم قرار على بيانات جديدة. وهو أحد الأساليب الرئيسة المستخدمة في بناء أنظمة الذكاء الاصطناعي.

تختلف البرمجة التقليدية والتعلم الآلي اختلافًا كبيرًا في كيفية حل المشكلات:

يُستخدم التعلم الآلي في المشكلات التي يصعب فيها على البشر التعبير عن القواعد بالكلمات، مثل: الحكم على ما إذا كانت صورة تُظهر كلبًا أو قطة؛ التمييز بين ما إذا كانت رسالة بريد إلكتروني مزعجة؛ تحويل الصوت إلى نص. لمثل هذه المشكلات، تكون القواعد معقدة جدًا بحيث يصعب على البشر كتابتها بالكامل، لذا يصبح نهج ترك الحاسوب يتعلم من الأمثلة (البيانات) فعالًا.

التعلم الآلي ليس حلًا سحريًا. فجودة البيانات وتمثيلها وطريقة التدريب والتقييم كلها تؤثر في الأداء. وقد تؤدي البيانات غير الممثلة إلى فروق غير عادلة أو انخفاض الدقة لبعض الحالات. كما قد يصعب تفسير بعض النماذج. لذلك يعتمد مقدار الرقابة البشرية والضوابط على خطورة المهمة، وتزداد الحاجة إليها في القرارات المؤثرة في الناس.

ثلاثة أنواع من طرق التعلم

يتحدد اختيار طريقة التعلم بنوع البيانات المتوفرة وطبيعة المشكلة المراد حلها:

التصنيف (مثال تمثيلي للتعلم الخاضع للإشراف)

التصنيف: طريقة للتنبؤ بالنوع (الفئة) الذي تنتمي إليه بيانات الإدخال. مثال تمثيلي للتعلم الخاضع للإشراف. أمثلة: فرز رسائل البريد الإلكتروني إلى “مزعجة” أو “عادية”؛ فرز الصور الطبية إلى “غير طبيعية” أو “طبيعية”؛ تصنيف الحيوانات في الصور كـ”كلب” أو “قطة” أو “طائر”.

يستخدم التصنيف بيانات تدريب تحتوي على أمثلة موسومة بفئات مستهدفة معروفة:

السمة: المعلومات في بيانات التدريب التي تعمل كدليل مفيد للتنبؤ. مثال: في تصنيف الرسائل المزعجة، تُعد أنواع الكلمات الواردة في الرسالة، وعنوان المرسل، وطول النص سمات. قد يؤثر اختيار أو تعلّم تمثيل مناسب للسمات في أداء النموذج؛ بعض السمات يحددها المطور يدويًا، وبعض النماذج الحديثة تتعلم تمثيلاتها تلقائيًا، ويجب تجنب تسرب البيانات والتحيز غير الضروري.

التجميع (مثال تمثيلي للتعلم غير الخاضع للإشراف)

التجميع (Clustering): طريقة تقسم البيانات إلى عناقيد وفق السمات ومقياس التشابه والإعدادات المستخدمة. وقد تكشف بنية تجميعية محتملة، لكنها لا تثبت وجود مجموعات “طبيعية” حقيقية.

مثال: تجميع عملاء متجر وفق أنماط الشراء — قبل التجميع لا نعرف مسبقًا أي عميل ينتمي إلى أي مجموعة (بيانات بدون إجابات صحيحة)؛ بعد التجميع تُجمَّع العناصر المتشابهة وفق مقياس التشابه.

تقيس الخوارزمية التشابه وفق السمات والمقياس والإعدادات التي يحددها المصمم. قد تتطلب بعض الخوارزميات، مثل k-means، تحديد عدد العناقيد مسبقًا، بينما لا تتطلبه خوارزميات أخرى بالطريقة نفسها. بعد التشغيل يجب تفسير النتائج وفحص معقوليتها — يفسّر البشر معنى كل مجموعة. يُستخدم التجميع عندما يريد المرء إدراك الصورة الكاملة للبيانات أو النظر إليها من منظور جديد؛ يستخدمه البشر في التسويق وتطوير المنتجات وما إلى ذلك.

التعلم المعزز

التعلم المعزز: يتفاعل وكيل مع بيئة، ويختار أفعالًا، ويتلقى إشارات مكافأة، ويتعلم سياسة تهدف إلى زيادة مجموع المكافآت المتوقعة مع الزمن. من أمثلته التدريب في لعبة أو محاكاة مناسبة. يتحقق التعلم من خلال تجربة توليفات من الإجراءات والنتائج بشكل متكرر.

ما يميّز التعلم المعزز عن نوعي التعلم الآخرين هو أن الإجابة الصحيحة ليست ثابتة على إمكانية واحدة. على عكس التعلم الخاضع للإشراف حيث توجد مطابقة “هذا الإدخال له هذه الإجابة الصحيحة”، يتعلم التعلم المعزز تدريجيًا خيارات أفضل من نتائج الإجراءات المجرَّبة. يناسب مهامًا يمكن تعريف هدف أو مكافأة لها، ويستطيع الوكيل التفاعل مع بيئة آمنة ومناسبة؛ غالبًا تُستخدم المحاكيات أو الألعاب لتكرار التجربة دون مخاطر العالم الحقيقي.

أسئلة للمراجعة

1. اشرح لماذا يجب أن يدعم التعلم الآلي الحكم البشري بدلًا من استبداله.

الإجابة: لأن نتائج نماذج التعلم الآلي جيدة وعادلة بقدر جودة بيانات التدريب فقط؛ فإذا كانت البيانات متحيزة أو غير ممثلة، تنتقل هذه العيوب إلى أحكام النموذج (التحيز). وبالإضافة إلى ذلك، قد يصعب فهم كيف توصّل النموذج إلى حكم معين (مشكلة الصندوق الأسود)، ما يصعّب اكتشاف الأخطاء أو التحيز فيه بعد وقوعه. لهذين السببين، تزداد الحاجة إلى رقابة بشرية كلما ارتفعت خطورة القرار (كقرارات التوظيف أو التشخيص الطبي)، لضمان مراجعة الحالات المشكوك فيها وتحمّل المسؤولية عن النتائج — بدلًا من ترك النظام يقرر وحده دون تحقق بشري.

2. تريد المدرسة الإشارة مبكرًا إلى الطلاب الذين قد يحتاجون دعمًا إضافيًا، وأيضًا اكتشاف مجموعات طبيعية من عادات الدراسة لم تكن معروفة من قبل. أي نوع تعلم مناسب لكل مهمة؟ وما مصدر تحيز محتمل في المهمة الأولى؟

الإجابة: المهمة الأولى (الإشارة المبكرة إلى الطلاب المحتاجين دعمًا، بناءً على بيانات سابقة عن طلاب عُرف أنهم احتاجوا دعمًا أو لم يحتاجوه) مناسبة لـالتعلم الخاضع للإشراف، لأنها تتنبأ بفئة معروفة مسبقًا (يحتاج/لا يحتاج) من أمثلة موسومة. المهمة الثانية (اكتشاف مجموعات طبيعية من عادات الدراسة غير المعروفة سلفًا) مناسبة لـالتعلم غير الخاضع للإشراف (التجميع)، لأنها تبحث عن بنية محتملة في بيانات بلا فئات محددة مسبقًا. مصدر تحيز محتمل في المهمة الأولى: إذا بُنيت بيانات التدريب فقط من الطلاب الذين طلبوا المساعدة بالفعل، فسيتعلم النموذج التعرف فقط على أنماط الطلاب الذين يطلبون المساعدة صراحة، وقد يفوّت طلابًا يحتاجون دعمًا فعليًا لكنهم لم يطلبوه من قبل لأسباب مختلفة (كالخجل أو عدم إدراكهم للحاجة)، ما يجعل تنبؤات النموذج منحازة نحو نمط سلوكي معين دون تمثيل الحالة الحقيقية لكل الطلاب المحتاجين.

3. يريد بنك برنامجًا يقرأ كل طلب قرض ويشير إلى الطلبات التي تبدو محفوفة بالمخاطر ليراجعها موظف بشري. أي نوع تعلم يمثل هذا؟ وسمِّ سمة واحدة محتملة، ولماذا يجب أن يبقى الموظف “في الحلقة”؟

الإجابة: هذا تعلم خاضع للإشراف (تصنيف)، لأن النموذج يتعلم من أمثلة سابقة على طلبات قروض ونتائجها المعروفة (سُدد القرض أم لا) ليتنبأ بفئة الطلب الجديد (محفوف بالمخاطر / غير محفوف). سمة محتملة: الدخل الشهري لمقدم الطلب (أو تاريخه الائتماني، أو نسبة الدين إلى الدخل). يجب أن يبقى الموظف البشري في الحلقة لأن قرار منح أو رفض القرض قرار عالي الأثر يمس حياة الأشخاص المالية مباشرة، وقد يكون النموذج متحيزًا (إذا كانت بيانات تدريبه تعكس تمييزًا سابقًا) أو صعب التفسير (مشكلة الصندوق الأسود)؛ فمراجعة الموظف تضمن فحص الحالات الحدية أو المشبوهة، وتحديد جهة مسؤولة يمكن مساءلتها عن القرار النهائي بدلًا من ترك نظام آلي غير قابل للمساءلة يقرر وحده.