7 خطوات للتعلم الآلي: كيفية التحضير لمستقبل آلي

الصورة: Sdecoret / Shutterstock

يتطلب الاقتصاد الرقمي المتزايد المجالس والمديرين التنفيذيين لديهم فهم قوي للمشهد الرقمي المتغير بسرعة. بطبيعة الحال ، الذكاء الاصطناعي (AI) هو أحد أصحاب المصلحة المهمين. يجب أن يكون لدى المنظمات التي ترغب في الاستعداد لمستقبل تلقائي فهم شامل لمنظمة العفو الدولية. ومع ذلك ، فإن مصطلح الذكاء الاصطناعى عبارة عن مظلة تغطي العديد من التخصصات ، يؤثر كل منها على العمل بطريقة مختلفة قليلاً.

عندما ننظر إلى الذكاء الاصطناعي ، يمكن تقسيمه إلى ثلاثة مجالات مختلفة:

  1. الروبوتات ، التي تتعامل مع العالم المادي ويمكن أن تتفاعل مباشرة مع البشر. يمكن استخدام الروبوتات لتحسين عملنا بطرق مختلفة. بما في ذلك الهيكل الخارجي لفورد أو الروبوتات المساعدة في بوسطن ديناميات.
  2. النظم المعرفية التي تتعامل مع العالم البشري. من الأمثلة الرائعة على النظام المعرفي كجزء من الذكاء الاصطناعي هي الدردشة. تعد Chatbots مثالًا ملموسًا للغاية حيث يعمل البشر والآلات معًا لتحقيق هدف. chatbot عبارة عن واجهة اتصال تساعد الأفراد والمنظمات على إجراء محادثات.
  3. التعلم الآلي ، والذي يتعامل مع عالم المعلومات. تستخدم الآلات البيانات للتعلم ، ويهدف التعليم الآلي إلى استخلاص المعنى من تلك البيانات. يستخدم التعلم الآلي الأساليب الإحصائية لتمكين الآلات من التحسن مع الآلات. مجموعة فرعية من التعلم الآلي هي التعلم العميق ، والذي يمكّن الشبكات العصبية متعددة الطبقات.

يتكون الذكاء الاصطناعي من التكامل السلس للروبوتات والأنظمة المعرفية والتعلم الآلي.

الشكل 1: الذكاء الاصطناعي - مقتبس من Goel & Davies ، 2019

7 خطوات للتعلم الآلي

دعونا نتعمق أكثر في أحد هذه المجالات: التعلم الآلي. الهدف من التعلم الآلي هو استخلاص المعنى من البيانات. لذلك ، فإن البيانات هي المفتاح لفتح التعلم الآلي. هناك سبع خطوات للتعلم الآلي ، وكل خطوة تدور حول البيانات:

الشكل 2: 7 خطوات للتعلم الآلي

1. جمع البيانات

يتطلب التعلم الآلي بيانات التدريب ، والكثير منها (إما المسمى ، يعني التعلم الخاضع للإشراف أو غير المسمى ، مما يعني التعلم غير الخاضع للإشراف). يعد جمع البيانات أو datafication هو الخطوة الأولى في نموذج D2 + A2 الجديد.

2. إعداد البيانات

البيانات الخام وحدها ليست مفيدة للغاية. يجب إعداد البيانات وتطبيعها وإلغاء تكرارها كما يجب إزالة الأخطاء والتحيز. يمكن استخدام تصور البيانات للبحث عن الأنماط والقيم المتطرفة لمعرفة ما إذا كان قد تم جمع البيانات الصحيحة أو ما إذا كانت البيانات مفقودة.

3. اختيار نموذج

الخطوة الثالثة هي اختيار النموذج الصحيح. هناك العديد من النماذج التي يمكن استخدامها لأغراض عديدة مختلفة. عند اختيار النموذج ، تحتاج إلى التأكد من أن النموذج يلبي هدف العمل. بالإضافة إلى ذلك ، يجب أن تعرف مقدار التحضير الذي يتطلبه النموذج ، ومدى دقته ، ومدى قابلية تطويره. نموذج أكثر تعقيدا لا يشكل دائما نموذجا أفضل. تتضمن خوارزميات تعلم الآلة الشائعة الاستخدام الانحدار الخطي والانحدار اللوجستي وأشجار القرار والوسائل K وتحليل المكونات الرئيسية (PCA) وآلات دعم النقل (SVM) و Naïve Bayes و Random Forest و Neural Networks.

4. التدريب

تدريب النموذج الخاص بك هو الجزء الأكبر من التعلم الآلي. الهدف هو استخدام بيانات التدريب الخاصة بك وتحسين تنبؤات النموذج تدريجيًا. كل دورة من تحديث الأوزان والتحيزات هي خطوة تدريب واحدة. في التعلم الآلي الذي يخضع للإشراف ، تم تصميم النموذج باستخدام بيانات نموذجية تحمل علامات ، بينما يحاول التعلم الآلي غير الخاضع للإشراف استخلاص استنتاجات من البيانات غير المميزة (بدون الإشارة إلى النتائج المعروفة أو المعلمة).

5. التقييم

بعد التدريب ، يأتي النموذج في تقييم النموذج. يستلزم ذلك اختبار تعلم الآلة مقابل مجموعة بيانات تحكم غير مستخدمة لمعرفة كيفية أدائها. قد يكون هذا ممثلاً لكيفية عمل النموذج في العالم الواقعي ، ولكن هذا لا يجب أن يكون كذلك. كلما زاد عدد المتغيرات في العالم الحقيقي ، كلما كان حجم بيانات التدريب والاختبار أكبر.

6. ضبط المعلمة

بعد تقييم النموذج الخاص بك ، يجب عليك اختبار المعلمات المحددة أصلاً لتحسين الذكاء الاصطناعي. زيادة عدد الدورات التدريبية يمكن أن يؤدي إلى نتائج أكثر دقة. ومع ذلك ، يجب عليك تحديد متى يكون النموذج جيدًا بما فيه الكفاية ، وإلا فسوف تستمر في تعديل النموذج. هذه عملية تجريبية.

7. التنبؤ

بمجرد الانتهاء من عملية جمع البيانات وإعداد البيانات واختيار النموذج وتدريب وتقييم النموذج وضبط المعلمات ، فقد حان الوقت للإجابة على الأسئلة باستخدام التنبؤات. يمكن أن تكون هذه جميع أنواع التنبؤات ، بدءًا من التعرف على الصور إلى الدلالات إلى التحليلات التنبؤية.

افكار اخيرة

يتيح التعلم الآلي للبرنامج أن يصبح دقيقًا في التنبؤ بالنتائج. ستزيد العديد من ، إن لم يكن كل ، العمليات التجارية في السنوات القادمة. على هذا النحو ، سوف يصبح التعلم الآلي جزءًا لا يتجزأ من التنظيم الآلي للغد. بفضل الأجهزة المتزايدة السرعة ، سنرى نماذج أكثر قوة تقدم تنبؤات أفضل.

لسوء الحظ ، فإن تحدي النماذج المتحيزة بفضل البيانات المتحيزة وعلماء البيانات المتحيزة ليس بعيدًا أبدًا. لذلك ، لكي تستفيد المؤسسات حقًا من الذكاء الاصطناعى ، يجب عليها أن تضمن أن نماذجها وبياناتها خالية من التحيز ، وأن تكون مدربة جيدًا وأن يتم تقييمها بشكل صحيح. عندها فقط ، سوف تستفيد المؤسسات حقًا من التعلم الآلي.

إذا تمكنت من الاحتفاظ باهتمامك بهذه النقطة ، فاترك تعليقًا يصف كيف أحدثت هذه القصة اختلافًا بالنسبة لك أو اشتركت في رسالتي الإخبارية الأسبوعية لتلقي المزيد من هذا المحتوى:

الدكتور مارك فان ريجمين هو مؤسس Datafloq ، وهو متحدث عالمي معترف به حول البيانات الضخمة و blockchain و AI ، وخبير استراتيجي ومؤلف لثلاثة كتب إدارية: Think Bigger و Blockchain و The Organization of Tomorrow. يمكنك قراءة معاينة مجانية لكتابي الأخير هنا. تواصل معي على LinkedIn أو قل مرحباً على Twitter مع ذكر هذه القصة.

إذا كنت ترغب في التحدث معي حول أي عمل استشاري أو ارتباطات التحدث ، يمكنك الاتصال بي على https://vanrijmenam.nl