٠٥العقل «المتعلم»: نماذج اكتساب الخبرة

٣ دقائق قراءة٧ من ٢٧اقرأه في الكتاب · صفحة ٣٦

«كما يتعلم الإنسان من الكتاب ومن الملاحظة ومن التجربة، تتعلم الآلة بنماذج مختلفة صُممت لنوع المشكلة».

التعلم الآلي هو المحرك الذي يمنح الذكاء الاصطناعي الخبرة. لكن كيف يتعلم فعلاً؟ لا يوجد نهج واحد يناسب الجميع. واختيار نموذج التعلم الصحيح هو الخطوة الأولى والأهم في أي مشروع تطبيقي.

التعلم الخاضع للإشراف: التعلم من «الأمثلة المصنفة»

الأكثر شيوعاً في تطبيقات الأعمال. سُمي كذلك لأننا نشرف على التعلم بتزويد النموذج ببيانات تحمل «الإجابات الصحيحة».

التشبيه: محقق آلي نريده أن يكتشف «النباتات المريضة». نعطيه كتالوجاً من مئات الصور ونقول: «هذه سليمة» (1) و«هذه مريضة» (0).
كيف يعمل: يجد الأنماط الدقيقة، كبقع صفراء أو انحناء في الأوراق، التي تربط المدخلات بالتصنيف، ثم يصنف صوراً جديدة لم يرها.
التطبيقات: التصنيف: بريد احتيالي أم سليم؟ معاملة مشروعة أم مشبوهة؟ والانحدار: ما سعر هذا المنزل مقارنة بمنازل معروفة؟
خوارزميات شائعة: الانحدار الخطي واللوجستي، وأشجار القرار، والغابات العشوائية، وXGBoost.

التعلم غير الخاضع للإشراف: اكتشاف «الأنماط المخفية»

ماذا لو لم تكن لدينا إجابات صحيحة، وكانت البيانات فوضوية ونريد من الآلة أن تجد النظام فيها بنفسها؟

التشبيه: أفرغنا صندوقاً من ملصقات النجوم متنوعة الألوان والأحجام، وطلبنا ترتيبها دون أي فئات مسبقة.
كيف يعمل: يبحث عن أوجه التشابه: الحجم واللون وعدد الزوايا، فيجمع الزرقاء الصغيرة معاً والذهبية الكبيرة معاً، وقد يكتشف مجموعة لم نلحظها، كالنجوم ذات البريق متعدد الألوان.
التطبيقات: التجميع لتجزئة العملاء حسب سلوك الشراء، واكتشاف الحالات الشاذة التي قد تكون احتيالاً أو عطلاً.
خوارزميات شائعة: تجميع K-Means، وتحليل المكونات الرئيسية (PCA)، والمشفرات التلقائية (Autoencoders).

التعلم شبه الخاضع للإشراف

يستفيد من قليل من البيانات المصنفة مع كثير من غير المصنفة: يتعلم بنية البيانات بطرق غير إشرافية، ثم يطبق الإشراف على المجموعة الصغيرة المسماة. ومن أمثلته التعرف على الكلام مع قليل من التسجيلات المكتوبة، وتصنيف النصوص.

التعلم المعزز: التعلم بـ«التجربة والخطأ»

الأقرب إلى التعلم البشري البديهي. لا نستخدم بيانات تاريخية، بل نضع «الوكيل» في بيئة تفاعلية ليتعلم بالمكافأة والعقوبة.

التشبيه: فأر آلي في متاهة هدفه قطعة الجبن.
كيف يعمل: يتحرك عشوائياً أولاً؛ إن اصطدم بحائط نال «عقوبة» فتذكّر أن المسار سيئ، وإن اقترب من الجبن نال «مكافأة». ويكرر آلاف المرات باحثاً عن أكبر مكافأة متراكمة حتى يتقن أقصر طريق.
التطبيقات: الألعاب المعقدة كالشطرنج وGo، والروبوتات التي تتعلم المشي والإمساك، والأنظمة الديناميكية كالتداول وإدارة المرور.

التعلم الذاتي الإشراف: كيف تعلمت النماذج التأسيسية

تحديث ٢٠٢٦

وراء النماذج اللغوية الكبيرة نمط خامس: «الإشراف الذاتي». يخفي النموذج جزءاً من البيانات ويتعلم التنبؤ به، كأن يحجب الكلمة التالية في جملة ثم يخمنها؛ فتصبح البيانات غير المصنفة نفسها مصدراً لإجابات لا تنتهي. وبعد هذا التدريب المسبق تُصقل النماذج بالإشراف، ثم بالتعزيز من ملاحظات البشر (RLHF) أو من مقيّمين آليين، لتصبح نافعة وآمنة ومتسقة مع نوايا المستخدم.

من أرض الواقع

أسطورة البيانات النظيفة: الخوارزمية هي الجزء الأسهل، والبيانات هي الكابوس. في الواقع لا تأتي البيانات في جداول منسقة كما في الدورات التدريبية. مبدأ 80/20: ستقضي 80% من وقت المشروع في التنظيف وتوحيد التنسيقات وملء الفراغات، و20% فقط في بناء النموذج. والقمامة التاريخية خطر أخلاقي: إن كانت بيانات شركتك متحيزة، كأن لم تعيّن مديرات في الماضي، فسيتعلم النموذج التحيز ويعتبره «قاعدة نجاح». تنظيف البيانات عملية أخلاقية لتنقية أخطاء الماضي قبل توريثها للمستقبل.

الدروس المستفادة

١الإشرافي للمشكلات المحددة ذات البيانات التاريخية المصنفة (التنبؤ والتصنيف).
٢غير الإشرافي للاكتشاف والتجميع حين تغيب التصنيفات (تجزئة العملاء).
٣شبه الإشرافي يجمع قليلاً من المصنف مع كثير من غير المصنف.
٤المعزز للقرارات المتسلسلة في بيئة متغيرة (الألعاب والروبوتات).
٥الإشراف الذاتي هو سر النماذج التأسيسية، واختيار نموذج التعلم هو الخطوة الاستراتيجية الأولى.

تلميح: استخدم ← → للتنقل بين الأقسام.