التخطي والانتقال إلى المحتوى
السيارات المعرِّفة لتدريب الآلة

ما هو تدريب الآلة؟

 

تمت ترجمة صفحة الويب هذه آليًا تسهيلاً لك. ولا تقدم SAP أي ضمان فيما يتعلق بصحة الترجمة الآلية أو كمالها. يمكن العثور على صفحة الويب الإنجليزية الأصلية باستخدام خريطة العالم في الزاوية العلوية اليمنى من هذه الصفحة.

كيف يرتبط تدريب الآلة بالذكاء الاصطناعي؟

التعلم الآلي – ومكوناته من التعلم العميق والشبكات العصبونية – جميعها تناسب كمجموعات فرعية متحدة المركز من الذكاء الاصطناعي. يعالج الذكاء الاصطناعي البيانات لاتخاذ القرارات والتنبؤات. خوارزميات التعلم الآلي تسمح الذكاء الاصطناعي ليس فقط بمعالجة تلك البيانات، ولكن لاستخدامها للتعلم والحصول على أذكى، دون الحاجة إلى أي برمجة إضافية. الذكاء الاصطناعي هو أصل جميع المجموعات الفرعية لتعلم الآلة تحته. ضمن المجموعة الفرعية الأولى التعلم الآلي؛ ضمن ذلك التعلم العميق، ثم الشبكات العصبية ضمن ذلك.

مخطط الذكاء الاصطناعي مقابل تدريب الآلة

مخطط العلاقة بين الذكاء الاصطناعي وتدريب الآلة

ما هي الشبكة العصبية؟

 

يتم تصميم شبكة عصبية اصطناعية (ANN) على الخلايا العصبية في الدماغ البيولوجي. الخلايا العصبية الاصطناعية تسمى العقد وتتجمع معا في طبقات متعددة، وتعمل بشكل متوازي. عندما يتلقى عصبون اصطناعي إشارة رقمية، فإنه يقوم بمعالجته وإشارة الخلايا العصبية الأخرى المتصلة به. كما هو الحال في الدماغ البشري، يؤدي التعزيز العصبي إلى تحسين التعرف على الأنماط والخبرة والتعلم العام.

 

ما هو التعلم العميق؟

 

ويطلق على هذا النوع من التعلم الآلي اسم "عميق" لأنه يتضمن العديد من طبقات الشبكة العصبية وأحجام هائلة من البيانات المعقدة والمتباينة. لتحقيق التعلم العميق، يشتغل النظام مع طبقات متعددة في الشبكة، ويستخرج مخرجات على مستوى أعلى بشكل متزايد. على سبيل المثال، نظام التعلم العميق الذي يقوم بمعالجة صور الطبيعة والبحث عن Gloriosa daisies سوف يتعرف - في الطبقة الأولى - على النبات. أثناء انتقاله عبر الطبقات العصبية، فإنه سيحدد بعد ذلك زهرة، ثم ديزي، وأخيرا Gloriosa ديزي. ومن أمثلة تطبيقات التعلم العميق التعرف على الكلام وتصنيف الصور والتحليل الصيدلاني.

كيف يعمل تدريب الآلة؟

يتألف التعلم الآلي من أنواع مختلفة من نماذج تدريب الآلة، وذلك باستخدام تقنيات خوارزمية مختلفة. واعتمادًا على طبيعة البيانات والنتيجة المرجوة، يمكن استخدام أحد نماذج التعلم الأربعة: تحت الإشراف أو غير المراقب أو شبه المراقب أو التعزيز. ضمن كل نموذج من تلك النماذج، يمكن تطبيق واحدة أو أكثر من التقنيات الخوارزمية - بالنسبة لمجموعات البيانات المستخدمة والنتائج المقصودة. تم تصميم خوارزميات التعلم الآلي بشكل أساسي لتصنيف الأشياء، وإيجاد الأنماط، والتنبؤ بالنتائج، واتخاذ قرارات مدروسة. ويمكن استخدام الخوارزميات واحدة في وقت واحد أو دمجها لتحقيق أفضل دقة ممكنة عند تضمين بيانات معقدة وغير متوقعة. 

مخطط لكيفية عمل تدريب الآلة

كيفية عمل عملية تدريب الآلة

ما هو التعلم تحت الإشراف؟

 

التعلم تحت الإشراف هو الأول من بين أربعة نماذج لتدريب الآلة. في خوارزميات التعلم الخاضعة للإشراف، يتم تدريس الآلة على سبيل المثال. تتكون نماذج التعلم الخاضعة للرقابة من أزواج البيانات "المدخلات" و"المخرجات"، حيث يتم تسمية المخرجات بالقيمة المطلوبة. على سبيل المثال، دعونا نقول إن الهدف هو أن تحكي الآلة الفرق بين الدايس والبانزيات. يتضمن زوج واحد من بيانات الإدخال الثنائي كل من صورة ديزي وصورة بانسي. والنتيجة المرغوبة لذلك الزوج بالذات هي انتقاء الديزي، لذلك سيتم تحديده مسبقاً على أنه النتيجة الصحيحة.

 

عن طريق خوارزمية، يجمع النظام جميع بيانات التدريب هذه مع مرور الوقت ويبدأ في تحديد أوجه التشابه المترابطة، والاختلافات، والنقاط الأخرى من المنطق - حتى يتمكن من التنبؤ بالإجابات عن أسئلة daisy-or-pansy في حد ذاتها. وهو ما يعادل إعطاء الطفل مجموعة من المشاكل بمفتاح الإجابة، ثم يطلب منهم إظهار عملهم وشرح منطقهم. ويتم استخدام نماذج التعلم الخاضعة للرقابة في العديد من التطبيقات التي نتفاعل معها كل يوم، مثل محركات التوصية للمنتجات وتطبيقات تحليل الحركة المرورية مثل Waze، والتي تتوقع أسرع طريق في أوقات مختلفة من اليوم.

 

ما هو التعلم غير المراقب؟

 

التعلم غير المراقب هو الثاني من بين نماذج تدريب الآلة الأربعة. في نماذج التعلم غير الخاضعة للإشراف، لا يوجد مفتاح إجابة. تقوم الآلة بدراسة بيانات المدخلات - والكثير منها غير مسماة وغير منظمة - وتبدأ في تحديد الأنماط والارتباطات، باستخدام جميع البيانات ذات الصلة التي يمكن الوصول إليها. في نواح كثيرة، يتم تصميم التعلم غير المراقب على طريقة ملاحظة البشر للعالم. نحن نستخدم الحدس والخبرة لتجميع الأشياء معًا. وبينما نعاني المزيد والمزيد من الأمثلة على شيء ما، تصبح قدرتنا على تصنيفه وتحديده أكثر دقة على نحو متزايد. وبالنسبة للآلات، يتم تحديد "الخبرة" بمقدار البيانات التي يتم إدخالها وإتاحتها. ومن الأمثلة الشائعة لتطبيقات التعلم غير الخاضعة للإشراف التعرف على الوجه، وتحليل تسلسل الجينات، وأبحاث السوق، والأمن السيبراني.

 

ما هو التعلم شبه المشرف؟

 

ويعد التعلم شبه المراقب هو الثالث من بين أربعة نماذج لتدريب الآلة. في عالم مثالي، سيتم تنظيم جميع البيانات وتسميتها قبل إدخالها في نظام. ولكن بما أن ذلك غير ممكن بالطبع، فإن التعلم شبه المراقب يصبح حلاً عملياً عندما توجد كميات هائلة من البيانات الأولية غير المنظمة. يتكون هذا النموذج من إدخال كميات صغيرة من البيانات المسماة لزيادة مجموعات البيانات غير المسماة. وبشكل أساسي، تعمل البيانات المسماة على إعطاء بداية تشغيل للنظام ويمكن أن تحسن إلى حد كبير من سرعة ودقة التعلم. ترشد خوارزمية التعلم شبه المراقب الجهاز إلى تحليل البيانات المسماة للخصائص المرتبطة التي يمكن تطبيقها على البيانات غير المسماة.

 

وكما تم استكشافه بعمق في ورقة بحث MIT Press هذه، هناك، مع ذلك، المخاطر المرتبطة بهذا النموذج، حيث يتم تعلم العيوب في البيانات المسماة وتكرارها من قبل النظام. الشركات التي تستخدم التعلم شبه المراقب بنجاح تضمن وجود بروتوكولات أفضل الممارسات. يستخدم التعلم شبه المراقب في التحليل الكلامي واللغوي، والبحوث الطبية المعقدة مثل تصنيف البروتين، والكشف عن الاحتيال عالي المستوى.

 

ما هو التعلم المعزز؟

 

ويعد التعلم المعزز هو النموذج الرابع للتعلم الآلي. في التعلم تحت الإشراف، يتم إعطاء الآلة مفتاح الإجابة وتتعلم من خلال إيجاد الارتباطات بين جميع النتائج الصحيحة. لا يتضمن نموذج التعلم المعزز مفتاح إجابة بل أدخل مجموعة من الإجراءات والقواعد والحالات النهائية المحتملة المسموح بها. عندما يكون الهدف المطلوب من الخوارزمية ثابت أو ثنائي، يمكن للآلات التعلم على سبيل المثال. ولكن في الحالات التي تكون فيها النتيجة المرجوة قابلة للتغيير، يجب أن يتعلم النظام بالخبرة والمكافأة. في نماذج التعلم المعزز، تكون "المكافأة" رقمية ويتم برمجتها في الخوارزمية كشيء يسعى النظام لتحصيله.

 

في نواح كثيرة، هذا النموذج مماثل لتعليم شخص ما كيفية لعب الشطرنج. بالتأكيد، سيكون من المستحيل محاولة إظهار كل تحرك محتمل لهم. بدلاً من ذلك، تشرح القواعد وتبني مهارتها من خلال الممارسة. والمكافآت تأتي على شكل الفوز في اللعبة ليس فقط، ولكن أيضا الحصول على قطع الخصم. وتشمل تطبيقات التعلم المعزز تقديم عروض الأسعار الآلية لمشتري الإعلانات عبر الإنترنت، وتطوير ألعاب الكمبيوتر، وتجارة سوق الأسهم ذات المخاطر العالية.

تدريب آلة المؤسسة قيد التنفيذ

تتعرف خوارزميات التعلم الآلي على الأنماط والارتباطات، مما يعني أنها جيدة جدًا في تحليل عائد الاستثمار الخاص بها. وبالنسبة للشركات التي تستثمر في تقنيات تعلم الآلة، تسمح هذه الميزة بإجراء تقييم فوري تقريبًا للتأثير التشغيلي. فيما يلي عينة صغيرة فقط من بعض المجالات المتنامية لتطبيقات التعلم الآلي للمؤسسات.

  • محركات التوصية: من عام 2009 إلى عام 2017، ارتفع عدد الأسر الأمريكية التي تشارك في خدمات بث الفيديو بنسبة 450٪. ويفيد مقال صدر عام 2020 في مجلة فوربس عن ارتفاع آخر في أرقام استخدام الفيديو بنسبة تصل إلى 70٪. تحتوي محركات التوصية على تطبيقات عبر العديد من منصات التجزئة والتسوق، ولكنها بالتأكيد تأتي إلى نفسها مع خدمات البث الموسيقي والفيديو ­.
  • التسويق الديناميكي: يتطلب إنشاء الفرص التسويقية وإيداع الفرص التسويقية من خلال مخطط المبيعات القدرة على جمع أكبر قدر ممكن من بيانات العملاء وتحليلها. ويولد المستهلكون المعاصرون كمية هائلة من البيانات المتنوعة وغير المنظمة – من نسخ الدردشة إلى تحميل الصور. يساعد استخدام تطبيقات تدريب الآلة المسوقين على فهم هذه البيانات واستخدامها لتقديم محتوى تسويق مخصص والتفاعل في الوقت الفعلي مع العملاء والفرص التسويقية.
  • تخطيط موارد المؤسسة وأتمتة العمليات: تحتوي قواعد بيانات تخطيط موارد المؤسسة على مجموعات بيانات واسعة ومتباينة، والتي قد تشمل إحصاءات أداء المبيعات، واستعراضات المستهلكين، وتقارير اتجاهات السوق، وسجلات إدارة سلسلة التوريدات. يمكن استخدام خوارزميات التعلم الآلي للعثور على الارتباطات والأنماط في مثل هذه البيانات. ويمكن بعد ذلك استخدام تلك الرؤى لإبلاغ كل مجال من مجالات العمل تقريبًا، بما في ذلك تحسين سير عمل أجهزة إنترنت الأشياء (IoT) داخل الشبكة أو أفضل الطرق لأتمتة المهام المتكررة أو المعرضة للأخطاء.
  • الصيانة التنبؤية: يتزايد استخدام سلاسل التوريد الحديثة والمصانع الذكية لأجهزة وآلات إنترنت الأشياء، بالإضافة إلى الاتصال السحابي عبر جميع أساطيلها وعملياتها. يمكن أن تؤدي الأعطال وعدم الكفاءة إلى تكاليف وتعطل هائلة. عندما يتم جمع بيانات الصيانة والإصلاح يدويا، يكاد يكون من المستحيل التنبؤ بالمشاكل المحتملة – ناهيك عن أتمتة العمليات للتنبؤ بها ومنعها. يمكن تزويد أجهزة استشعار بوابة إنترنت الأشياء بالآلات التناظرية التي مضى عليها عقود، مما يوفر الرؤية والكفاءة عبر الأعمال.

ابدأ اليوم

يمكنك الاطلاع على تقنيات SAP الذكية بما في ذلك الذكاء الاصطناعي وتدريب الآلة أثناء العمل.

تحديات تدريب الآلة

ويشير عالم البيانات وخريج جامعة هارفارد تايلر فيجان في كتابه "الارتباطات الزائفة" إلى أنه "ليست جميع الارتباطات مؤشرًا على وجود علاقة سببية كامنة". ولتوضيح ذلك، يتضمن مخططًا يُظهر ارتباطًا قويًا على ما يبدو بين استهلاك السمن ومعدل الطلاق في ولاية مين. وبطبيعة الحال، فإن هذا الرسم البياني يهدف إلى جعل نقطة فكاهية. ومع ذلك، وعلى نحو أكثر جدية، فإن تطبيقات التعلم الآلي تكون عرضة لكل من الانحياز البشري والخوارزمي والخطأ. وبسبب ميلهم للتعلم والتكيف، يمكن للأخطاء والارتباطات الزائفة أن تنشر وتلوث النتائج بسرعة عبر الشبكة العصبية.

 

ويأتي التحدي الإضافي من نماذج التعلم الآلي، حيث تكون الخوارزمية ومخرجاتها معقدة للغاية بحيث لا يمكن شرحها أو فهمها من قبل البشر. وهذا ما يسمى نموذج "الصندوق الأسود" وهو يعرض الشركات للخطر عندما تجد نفسها غير قادرة على تحديد كيف ولماذا وصلت خوارزمية إلى نتيجة أو قرار معين.

 

لحسن الحظ، مع زيادة تعقيد مجموعات البيانات وخوارزميات تدريب الآلة، كذلك الأدوات والموارد المتاحة لإدارة المخاطر. تعمل أفضل الشركات على القضاء على الخطأ والتحيز من خلال وضع مبادئ توجيهية قوية ومحدثة لإدارة الذكاء الاصطناعي وبروتوكولات أفضل الممارسات.

الاستفادة القصوى من تدريب
الآلة

اتبع خطى "المتعلمين السريعين" مع هذه الدروس الخمسة المستفادة.

الأسئلة المتكررة حول تدريب الآلة

تدريب الآلة هو مجموعة فرعية من الذكاء الاصطناعي ولا يمكن أن يوجد بدونه. يستخدم الذكاء الاصطناعي البيانات ويعالجها لاتخاذ القرارات والتنبؤات - فهو مخ نظام قائم على الحاسوب وهو "الذكاء" الذي تعرضه الآلات. خوارزميات التعلم الآلي داخل الذكاء الاصطناعي، بالإضافة إلى التطبيقات الأخرى التي تعمل بالذكاء الاصطناعي، تسمح للنظام ليس فقط بمعالجة تلك البيانات، بل استخدامها لتنفيذ المهام، وإجراء التنبؤات، والتعلم، والحصول على ذكاء، دون الحاجة إلى أي برمجة إضافية. فهي تعطي الذكاء الاصطناعي شيئًا موجهًا نحو تحقيق الأهداف فيما يتعلق بكل تلك المعلومات والبيانات.

نعم، ولكن ينبغي التعامل معه باعتباره مسعى على مستوى الأعمال، وليس مجرد ترقية لتكنولوجيا المعلومات. تأخذ الشركات التي لديها أفضل النتائج مع مشاريع التحول الرقمي تقييمًا لا يلين لمواردها الحالية ومجموعات مهاراتها وتضمن لها الأنظمة التأسيسية المناسبة قبل البدء في العمل.

بالنسبة للتعلم الآلي، فإن علم البيانات هو مجموعة فرعية؛ حيث يركز على الإحصاءات والخوارزميات، ويستخدم تقنيات الانحدار والتصنيف، ويفسر النتائج ويواصلها.  يركز تعلم الآلة على البرمجة والأتمتة والتحجيم ودمج نتائج التخزين.

تعلم الآلة ينظر إلى الأنماط والارتباطات؛ ويتعلم منها ويحسّن نفسه كما يذهب. يُستخدم التنقيب في البيانات كمصدر معلومات لتدريب الآلة. تستخدم تقنيات استخراج البيانات خوارزميات معقدة بنفسها ويمكن أن تساعد في توفير مجموعات بيانات منظمة بشكل أفضل لتطبيق تدريب الآلة لاستخدامها.

تسمى الخلايا العصبية المتصلة مع شبكة عصبية اصطناعية العقد، والتي يتم ربطها وتجميعها في طبقات. عندما تتلقى العقدة إشارة رقمية، فإنها تقوم بعد ذلك بالإشارة إلى الخلايا العصبية الأخرى ذات الصلة، والتي تعمل بالتوازي. التعلم العميق يستخدم الشبكة العصبية وهو "عميق" لأنه يستخدم كميات كبيرة جدا من البيانات ويشارك مع طبقات متعددة في الشبكة العصبية في وقت واحد. 

التعلم الآلي هو مزيج من العديد من نماذج التعلم والتقنيات والتقنيات، والتي قد تشمل الإحصاءات. تركز الإحصائيات نفسها على استخدام البيانات لإجراء التنبؤات وإنشاء نماذج للتحليل.

الرسائل الإخبارية لـ SAP Insights

اشتراك اليوم

يمكنك الحصول على رؤى شاملة أساسية من خلال الاشتراك في نشرتنا الإخبارية.

قراءة إضافية

العودة لأعلى