تعلم الآلة: مقدمة سريعة

هل سبق وأن كتبت برنامجاً؟ بغض النظر عن لغة البرمجة أو طبيعة البرنامج، عند كتابة برنامج أو نظام فإنه في الغالب يتم التحكم بمسار عمله عن طريق شيئين أساسيين:

1. الجمل الشرطية: مثل “إذا حدث س نفذ ص” (if statement)
2. الحلقات والتكرارات: مثل “نفذ هذا الجزء 100 مرة” أو “نفذ هذا الجزء حتى ينعدم هذا الشرط” (for & while loops)

هنا يقوم المبرمج تحديداً بتلقين البرنامج ماذا يفعل في كل حالة، وينبغي عليه أن يفكر بجميع الاحتمالات التي يمكن أن تحصل، لكي يكتب ما يناسب التصرف معها في البرنامج إذا حدثت. هذا الأسلوب في البرمجة شائع جداً، ويستخدم لبرمجة تطبيقات الجوالات، المواقع الالكترونية، وبرامج الحاسب. من مشاكل هذا الأسلوب أنه أحياناً تواجهك تطبيقات يصعب أن تحصر جميع الاحتمالات التي ستأتيك عند تشغيلها. لنأخذ على سبيل المثال برنامج للتعرف على الأشخاص عن طريق الوجه، كيف ستخبر البرنامج بآلية التعرف على الوجه؟ خذ في الحسبان الاختلافات والتباين الهائل بين الوجوه.

في خوارزميات تعلم الآلة (Machine Learning)، يقوم البرنامج بتعلم ماذا يفعل بناء على البيانات آلياً، بدون تعليمات محددة من المبرمج. ففي مثال التعرف على الوجوه، يقوم البرنامج آلياً باستخلاص السمات المميزة التي تساعده على التفريق بين الوجوه المختلفة، ومن ثم يستخدمها عند إدخال صورة وجه جديد ليتعرف عليه آلياً. عمليه استخلاص السمات المميزة تكون في مرحلة التعلم أو التدريب (training)، ومن ثم يمكن استخدام البرنامج والتأكد من عمله في مرحلة الاختبار (testing) عند إدخال صورة جديدة.

تمكين البرنامج من التعلم آلياً فتح آفاقاً شاسعة وتطبيقات لا متناهية، لم يكن بالإمكان أو من السهولة عملها عن طريق برمجتها مباشرة. بعض هذه التطبيقات تستخدمها يومياً، مثل التعرف على الكلام، التعرف على النصوص في الصور وتحويلها إلى مكتوبة، أنظمة التوصية الآلية (مثل التي في أمازون)، محركات البحث، التعرف عند وجود وجه في الصورة (مثل التي في الكاميرات)، والتسويق وتوجيه الإعلانات. وكذلك هناك تطبيقات طبية كتشخيص الأمراض، تطبيقات عسكرية، وأمنية، وتجارية، ولوجستية (كتنظيم أساطيل التوصيل)، وغيرها.

هناك الكثير جداً من خوارزميات تعلم الآلة، تتبع مدارس مختلفة في التصميم والتفكير. فالهدف من بعضها إيجاد أفضل معادلة رياضية لتمثيل البيانات، وبعضها مبنية على مفاهيم إحصائية كالاحتمالات (probabiliy)، وأخرى تستخدم نظريات مختلفة مثل نظرية الشبكات (graph theory)، وكذلك هناك مجموعة مبنية على قواعد إرشادية (heuristic)، وغيرها من طرق التصميم. العامل المشترك بين جميع هذه الخوارزميات هي محاولتها إيجاد أفضل نموذج (model)، بحيث يختزل البيانات المعطاة بطريقة تضمن التعميم (generalization) عند استخدام بيانات جديدة.

دعوني أوضح ذلك، لنفترض أننا نريد تصميم برنامج يستطيع أن يعرف إذا كان هناك قطط في صورة ما. هل الموضوع سهل؟ هل يكفي إحضار عدة صور لقطط وتعليم البرنامج عليها لينجح في التعرف على صور جديدة؟ لا. هناك العديد من أشكال وأنواع القطط، هل يكفي إذاً أن نوفر صورة واحدة لكل نوع ولون معروف للقطط؟ لنأخذ أحد هذه الصور، لنفرض أنها لوجه قطة في منتصف الصورة، إذا حركنا الوجه للأعلى أو اليمين، هل يستطيع البرنامج التعرف عليها؟ حسناً، ماذا لو أخذنا لقطة مقربة أو من بعيد لجسمها كاملاً؟ أو إذا كان جزء من الوجه مغطى؟ أو إذا كان الوجه مقلوباً؟ أو إذا، إذا، إذا. هل وضحت المشكلة؟ كل هذه التغيرات لصورة واحدة، فما بالك بأنواع وألوان متعددة من القطط؟ نحتاج لعدد لا نهائي من الصور حتى نغطي ذلك. الهدف من التعميم هو الوصول إلى نموذج يستطيع استخلاص الخصائص التي تدل على وجود القطط عموماً بحيث يستطيع تطبيق ذلك على أي صورة، حتى لو كانت جديدة، هذا هو جوهر تعلم الآلة.

عموماً، يمكن تصنيف خوارزميات تعلم الآلة إلى مجموعتين رئيسيتين:

1. التعلم تحت الإشراف (Supervised Learning): وفيه يتم تدريب خوارزمية تعلم الآلة باستخدام بيانات تم عنونتها وتصنيفها مسبقاً يدوياً. كمثال التعرف على صور القطط السابق، حيث يتم في مرحلة التعليم إخبار الخوارزمية إن كان هناك قطة في الصورة أم لا. ويندرج تحت هذا الصنف:
   • خوارزميات التصنيف (Classification): حيث يتم تعلم شيء ذا تصنيفات محددة، مثل الألوان، أنواع الحيوانات وأنواع الفاكهة. مثلاً، تصنيف البريد الالكتروني بأنه مزعج أو لا.
   • خوارزميات التوقع (Regression): والهدف توقع رقم غير محدد بصنف معين. مثل توقع درجة الحرارة بناء على بيانات تاريخية، بالإضافة إلى اتجاه الرياح والغيوم. وكذلك توقع أسعار المنازل بناء على معطيات كحجم البيت، مكان الحي، وعدد الغرف ودورات المياه.
2. التعلم من دون إشراف (Unsupervised Learning): وفيه يجمع البرنامج البيانات المتشابهة إلى مجموعات، ثم يتم تصنيف عينة الاختبار بناء على قربها أو بعدها من هذه المجموعات. من أشهر الخوارزميات في هذا الصنف (K-Means). ومن التطبيقات تجميع العملاء أصحاب التفضيلات المتشابهة في نفس المجموعات. أو اكتشاف وتصنيف المجتمعات (الأشخاص ذوو الاهتمامات المشتركة) في وسائل التواصل الاجتماعي.

الصورة التالية تلخص التصنيفات الأساسية لخوارزميات تعلم الآلة:

تجدر الإشارة إلى أن ما سبق هي التصنيفات “الأساسية”. يمكن أحياناً دمج أكثر من خوارزمية لأداء مهمة معينة، كاستخدام خوارزمية التجميع، ثم تدريب خوارزمية تصنيف بناء عليها. مثلاً يمكن تجميع صفحات الأخبار المتشابهة في الانترنت في مجموعات (clusters)، ويتم إعطاء كل مجموعة عنوان، مثل أخبار اقتصادية، أو رياضية، أو سياسية. وبعد ذلك يمكن استخدام خوارزمية تصنيف تحت الإشراف (supervised) للتعلم من هذه البيانات المجمعة لكي تصنف أي صفحة أخبار تأتيها إلى أحد هذه المجموعات. أحياناً يضاف التعلم التعزيزي (Reinforcement Learning) من ضمن خوارزميات تعلم الآلة، وبعضهم يحب أن يراه مجالاً مستقلاً.

الهدف من هذا الدرس هو التعريف بمجال تعلم الآلة بشكل عام، من دون الدخول في التفاصيل. آمل أن تكون قد تحمست لتعلمه. سوف تكون هناك بإذن الله دروس قادمة تشرح بمزيد من التفصيل كيف تعمل خوارزميات تعلم الآلة المختلفة وكيف يتم استخدامها عملياً، وسيسهم بها مجموعة مميزة من الكتّاب.

حان دورك! هل سبق وأن استخدمت أحد خوارزميات تعلم الآلة؟ ما هي، ولأي تطبيق؟ أم هل تريد أن تتعلم المجال؟ لماذا؟