تعلم الألة Machine Learning

Machine Learning 

تعلم الألة هو أحد أشهر فروع الذكاء الإصطناعي، و هذه الشهرة كانت بسبب الإستخدام الواسع لهذا المجال في العديد من المشاريع و من عدد البحوث التي نشرت حوله، و كذلك النتائج التي حققها. بصراحة أنا أعتبر مجال (machine learning ) و مجال (optimization) هما أسهل مجالين في الذكاء الإصطناعي و يمكن للطلبة و الباحثين من التخصصات العلمية الأخرى إستخدامهما و لهذا حققا هذه الشهرة في عدد المقالات التي نشرت حولهما، بينما الأقسام الأخرى قد تتطلب جهدا أكبر و فهما أعمق.

عملية التعلم و بغض النظر عن المفهوم الذي يختلف بين الإنسان و الألة فإننا نحتفظ بمصطلح "التعلم" و لكن الكيفية تختلف بينهما. مثلا عند الإنسان و في مرحلة الطفولة نردد و نشير إلى التفاحة أمام طفل صغير و مع تكرار هذه العملية عدة مرات فإن الطفل الصغير يبدأ في تمييز التفاحة عن غيرها بالإعتماد على شكلها و لونها و قد يعتمد في البداية على الذوق. لكن بالنسبة للألة فالأمر مختلف فالألة ليست كالإنسان تتعلم عن طريق الكلام و الحوار و إنما نحتاج إلى قاعدة بيانات تحتوي على صور التفاحة بمختلف أشكالها و ألوانها و وضعيات مختلفة لإلتقاط الصور و بعدها نستخرج مثلا بعض الخصائص الهندسية و اللونية التي تميز التفاحة من كل صورة و نشكل نمودجا تقريبيا بمتوسط (معدل) هذه الخصائص من أجل تمثيل التفاحة رقميا.

تعريف تعلم الألة كما قال (Arthur Samuel ) هو التخصص العلمي الذي يهتم بجعل الحواسب قادرة على التعلم دون برمجتها بشكل صريح. قد تبدو العبارة الأخيرة (دون برمجتها بشكل صريح) غامضة؟! و لكن هذا هو لب و جوهر مجال تعلم الألة. كمثال توضحي، فلو أردنا عمل برنامج لتصنيف الإيمايلات الصحيحة من ال (spam) ففي البرمجة العادية قد نميز ال (spam) من بعض الجمل التي يتضمنها أو بعض الكلمات أو أسماء المرسلين أو بعض عناوين الإرسال و عليه نحن نستعمل مثلا (if... else ) يعني إذا تضمن الإيمايل كل أو جزء من هذه الأشياء التي أشارنا إليها فإنه يصنف على شكل (spam). لما نريد التعديل على البرنامج نغير الجمل و الكلمات و عناوين المرسلين و أسمائهم سواء بإضافة أشياء جديدة أو حدف أخرى. هذا الأمر متعب و مكلف و غير دقيق، و قد أتى مجال تعلم الألة من أجل معالجة هذا النقص الموجود في البرمجة العادية و تسهيله و سنشرح طريقته في الفقرة التالية.

حسب تعريف (Tom Mitchell ) فإننا و من أجل جعل برنامج حاسوبي قادرا على التعلم فإننا نحتاج إلى (Experience E) و التي تمثل قاعدة بيانات عن شيء محدد و بشكل كافي و نسميها مجموعة التعليم. كمجموعة من البيانات نصنفها نحن يدويا إلى إيمايلات صحيحة و إيمايلات على شكل (spam) و بعدها و من خلال هذه البيانات نشكل نمودجا (model) يعمم العلاقات التي تحكم الإيمايلات الصحيحة و كذلك التي هي على شكل (spam) و هو ما رمز له ب (T) و بمفهوم أخر هو الخوارزمية من خوارزميات تعلم الألة التي إستعملناها. ثم إن هذه العملية بحاجة إلى قياس دقتها و فاعليتها (accuracy) حتى نعرف ما إذا كان برنامجنا عالي الدقة و بالتالي قابل للإستخدام أو غير قابل للإستخدام. و هذه العملية تتم عن طريق إختبار هذا البرنامج ببيانات جديدة لم يتعلم عليها من قبل و لكن لها نفس شكل و هيكلة البيانات التي تعلم عليها و ننظر ما إذا كان قادرا على التعامل معها بشكل صحيح أم لا. كمثال ال (spam)، نأتي بإيمايلات جديدة و نعرضها على البرنامج لكي يصنفها، و بواسطة مجموعة من القياسات المحددة في مجال تعلم الألة و هي التي يرمز لها ب (P) في التعريف و نقيس دقة تصنيفه. و بعدها نحكم على البرنامج و إذا لم تكن الدقة كافية فإننا بحاجة إلى تعديل هذا البرنامج أو تغير الخوارزمية.

كل الأمور التي لم تفصل هنا سوف نشرحها بشكل أكثر في المقالات القادمة إن شاء الله. نتطرق للفكرة العامة ثم نتعمق فيها بالتدريج.

What is Machine Learning?

هشام فلواط - hichem felouat