التعلم الآلي مقابل التعلم العميق: ما الفرق؟

الذكاء الاصطناعي موجود في كل مكان هذه الأيام، ولكن أساسيات كيفية عمل هذه التكنولوجيا الجديدة المؤثرة يمكن أن تكون مربكة. اثنان من أهم المجالات في تطوير الذكاء الاصطناعي هما “التعلم الآلي” ومجاله الفرعي “التعلم العميق”. فيما يلي شرح سريع لماهية هذين التخصصين المهمين، وكيف يساهمان في تطور الأتمتة.

أولاً، ما هو الذكاء الاصطناعي؟

من الجدير أن نذكر أنفسنا بما هو الذكاء الاصطناعي في الواقع. يقول أنصار الذكاء الاصطناعي إنهم يأملون في ذلك يومًا ما إنشاء آلة يمكنها “التفكير” عن نفسه. العقل البشري أداة رائعة قادرة على إجراء الحسابات التي تفوق بكثير قدرة أي آلة موجودة حاليًا. يأمل مهندسو البرمجيات المشاركون في تطوير الذكاء الاصطناعي أن يصنعوا في نهاية المطاف آلة يمكنها أن تفعل كل ما يمكن للإنسان أن يفعله فكريًا، ولكن يمكنها أيضًا أن تتفوق عليه. حاليًا، تنتشر تطبيقات الذكاء الاصطناعي في قطاع الأعمال والحكومة إلى حد كبير يصل إلى الخوارزميات التنبؤية، من النوع الذي أقترح أغنيتك القادمة على Spotify أو حاول أن تبيع لك منتجًا مشابهًا للمنتج الذي تبيعه اشتريتها من أمازون الأسبوع الماضي. ومع ذلك، يعتقد المبشرون بالذكاء الاصطناعي أن التكنولوجيا ستكون قادرة في النهاية على التفكير واتخاذ قرارات أكثر تعقيدًا. هذا هو المكان الذي يأتي فيه ML وDL.

وأوضح التعلم الآلي

التعلم الآلي (أو ML) هو فئة واسعة من الذكاء الاصطناعي تشير إلى العملية التي يتم من خلالها “تعليم” البرامج كيفية عمل التنبؤات أو “القرارات”. أحد مهندسي IBM، جيف كروم، يشرح التعلم الآلي باعتباره “شكلًا متطورًا للغاية من التحليل الإحصائي”. وفقًا لكروم، يسمح هذا التحليل للآلات بإجراء “تنبؤات أو قرارات بناءً على البيانات”. ويقول إنه كلما زادت المعلومات التي يتم إدخالها “إلى النظام، زادت قدرته على إعطائنا تنبؤات دقيقة”.

على عكس البرمجة العامة حيث تكون الآلة مصممة لإكمال مهمة محددة للغاية، يدور التعلم الآلي حول تدريب الخوارزمية على تحديد الأنماط في البيانات بنفسها. كما ذكرنا سابقًا، يشمل التعلم الآلي مجموعة واسعة من الأنشطة.

وأوضح التعلم العميق

تعلم عميق يكون التعلم الالي. إنها إحدى الفئات الفرعية المذكورة سابقًا للتعلم الآلي والتي، مثل الأشكال الأخرى من تعلم الآلة، تركز على تعليم الذكاء الاصطناعي كيفية “التفكير”. على عكس بعض أشكال التعلم الآلي الأخرى، يسعى التعلم الآلي إلى السماح للخوارزميات بالقيام بالكثير من أعمالها. يتم تشغيل DL بواسطة النماذج الرياضية المعروفة باسم الشبكات العصبية الاصطناعية (ANNs). تسعى هذه الشبكات إلى محاكاة العمليات التي تحدث بشكل طبيعي داخل الدماغ البشري، مثل اتخاذ القرار وتحديد الأنماط.

الفرق الرئيسي بين ML وDL

أحد أكبر الاختلافات بين التعلم العميق وأشكال التعلم الآلي الأخرى هو مستوى “الإشراف” الذي يتم توفيره للآلة. في الأشكال الأقل تعقيدًا من تعلم الآلة، من المحتمل أن يكون الكمبيوتر منخرطًا فيها التعلم تحت الإشراف– عملية يساعد الإنسان من خلالها الآلة على التعرف على الأنماط في البيانات المنظمة والمصنفة، وبالتالي تحسين قدرتها على إجراء التحليل التنبؤي.

يعتمد التعلم الآلي على كميات هائلة من “بيانات التدريب”. غالبًا ما يتم تجميع هذه البيانات بواسطة البشر عبر تصنيف البيانات (العديد من هؤلاء البشر لا يتم دفعها بشكل جيد للغاية). من خلال هذه العملية، يتم إنشاء مجموعة بيانات تدريبية، والتي يمكن بعد ذلك إدخالها في خوارزمية الذكاء الاصطناعي واستخدامها لتعليمها كيفية تحديد الأنماط. على سبيل المثال، إذا كانت الشركة تقوم بتدريب خوارزمية للقيام بذلك التعرف على ماركة معينة من السيارات في الصور، فإنه سيغذي الخوارزمية بشرائح ضخمة من صور طراز السيارة هذا والتي تم تصنيفها يدويًا بواسطة الموظفين البشريين. يتم أيضًا إنشاء “مجموعة بيانات الاختبار” لقياس دقة القدرات التنبؤية للآلة، بمجرد تدريبها.

عندما يتعلق الأمر بـ DL، في هذه الأثناء، آلة ينخرط في عملية تسمى “التعلم غير الخاضع للرقابة”.“. يتضمن التعلم غير الخاضع للرقابة آلة تستخدم شبكتها العصبية لتحديد الأنماط فيما يسمى بيانات غير منظمة أو “خامة”.– وهي البيانات التي لم يتم تصنيفها أو تنظيمها في قاعدة بيانات بعد. يمكن للشركات استخدام الخوارزميات الآلية للتدقيق في مجموعات من البيانات غير المنظمة وبالتالي تجنب كميات كبيرة من العمالة البشرية.

كيف تعمل الشبكات العصبية

تتكون شبكات ANN مما يسمى “العقد”. وفقا لمعهد ماساتشوستس للتكنولوجيا، يمكن أن تحتوي شبكة ANN واحدة على “الآلاف أو حتى الملايين” من العقد. يمكن أن تكون هذه العقد معقدة بعض الشيء، ولكن التفسير المختصر هو أنها – مثل العقد الموجودة في الدماغ البشري – تقوم بنقل المعلومات ومعالجتها. في الشبكة العصبية، يتم ترتيب العقد في شكل منظم يشار إليه باسم “الطبقات”. وبالتالي، تتضمن شبكات التعلم “العميقة” طبقات متعددة من العقد. تنتقل المعلومات عبر الشبكة وتتفاعل مع بيئاتها المختلفة، مما يساهم في عملية اتخاذ القرار في الآلة عندما تتعرض لمحفز بشري.

المفهوم الرئيسي الآخر في الشبكات العصبية الاصطناعية هو “الوزن”. يقارن أحد المعلقين إلى نقاط الاشتباك العصبي في الدماغ البشري. يتم توزيع الأوزان، التي هي مجرد قيم رقمية، عبر الشبكة العصبية للذكاء الاصطناعي وتساعد في تحديد النتيجة النهائية للمخرج النهائي لنظام الذكاء الاصطناعي هذا. الأوزان هي مدخلات معلوماتية تساعد في معايرة الشبكة العصبية حتى تتمكن من اتخاذ القرارات. معهد ماساتشوستس للتكنولوجيا الغوص العميق على الشبكات العصبية يشرحها بالتالي:

لكل من اتصالاتها الواردة، ستقوم العقدة بتعيين رقم يعرف باسم “الوزن”. عندما تكون الشبكة نشطة، تتلقى العقدة عنصر بيانات مختلفًا – رقمًا مختلفًا – عبر كل اتصال من اتصالاتها وتضربه بالوزن المرتبط. ثم يقوم بإضافة المنتجات الناتجة معًا، مما يؤدي إلى رقم واحد. إذا كان هذا الرقم أقل من قيمة العتبة، فلن تقوم العقدة بتمرير أي بيانات إلى الطبقة التالية. إذا تجاوز الرقم قيمة العتبة، فإن العقدة “تنطلق”، وهو ما يعني عمومًا في الشبكات العصبية اليوم إرسال الرقم – مجموع المدخلات الموزونة – عبر جميع اتصالاته الصادرة.

باختصار: تم تصميم الشبكات العصبية لمساعدة الخوارزمية في التوصل إلى استنتاجاتها الخاصة حول البيانات التي تم تغذيتها بها. واستنادًا إلى برمجتها، يمكن للخوارزمية تحديد الروابط المفيدة في مجموعات كبيرة من البيانات، مما يساعد البشر على استخلاص استنتاجاتهم الخاصة بناءً على تحليلها.

لماذا يعد التعلم الآلي مهمًا لتطوير الذكاء الاصطناعي؟

يساعد التعلم الآلي والتعلم العميق في تدريب الآلات على تنفيذ الأنشطة التنبؤية والتفسيرية التي كانت في السابق مجالًا للبشر فقط. يمكن أن يكون لهذا الكثير من الإيجابيات ولكن الجانب السلبي الواضح هو أن هذه الآلات يمكن (ولنكن صادقين، سوف تستخدم) حتمًا في أشياء شائنة، وليس فقط مفيدة، أشياء مثل أنظمة المراقبة الحكومية والخاصة، والأتمتة المستمرة للأجهزة. النشاط العسكري والدفاعي. ولكن، من الواضح أيضًا أنها مفيدة لاقتراحات المستهلكين أو البرمجة، وفي أفضل حالاتها، للأبحاث الطبية والصحية. مثل أي أداة أخرى، سواء كان للذكاء الاصطناعي تأثير جيد أو سيئ على العالم يعتمد إلى حد كبير على من يستخدمه.