مثل العديد من التقنيات الثورية الأخرى في العصر الحديث ، كان التعلم الآلي في يوم من الأيام خيالًا علميًا. ومع ذلك ، فإن تطبيقاته في صناعات العالم الحقيقي محدودة فقط بخيالنا. في عام 2021 ، جعلت الابتكارات الحديثة في التعلم الآلي قدرًا كبيرًا من المهام أكثر جدوى وكفاءة ودقة من أي وقت مضى.
مدعوم من علم البيانات ، آلة التعلم يجعل حياتنا أسهل. عندما يتم تدريبهم بشكل صحيح ، يمكنهم إكمال المهام بشكل أكثر كفاءة من الإنسان.
يعد فهم الاحتمالات والابتكارات الحديثة لتكنولوجيا ML أمرًا مهمًا للشركات حتى يتمكنوا من رسم دورة تدريبية حول أكثر الطرق فعالية في إدارة أعمالهم. من المهم أيضًا البقاء على اطلاع دائم للحفاظ على القدرة التنافسية في الصناعة.
لقد قطعت نماذج التعلم الآلي شوطًا طويلاً قبل اعتمادها في الإنتاج.
في هذه المقالة ، سنناقش أحدث الابتكارات في تكنولوجيا التعلم الآلي في عام 2021 مع أمثلة مختلفة حول كيف يمكن لهذه التكنولوجيا أن تفيدك أنت وعملك.
الاتجاه رقم 1: التعلم الآلي بدون كود
على الرغم من التعامل مع الكثير من التعلم الآلي وإعداده باستخدام رمز الكمبيوتر ، لم يعد هذا هو الحال دائمًا. يعد التعلم الآلي بدون رمز طريقة لبرمجة تطبيقات ML دون الحاجة إلى المرور بعمليات طويلة وشاقة من المعالجة المسبقة والنمذجة وتصميم الخوارزميات وجمع البيانات الجديدة وإعادة التدريب والنشر وغير ذلك. بعض المزايا الرئيسية هي:
تنفيذ سريع. بدون الحاجة إلى كتابة أي تعليمات برمجية أو الحاجة إلى تصحيح الأخطاء ، سيكون معظم الوقت المستغرق في الحصول على النتائج بدلاً من التطوير.
تكاليف أقل. نظرًا لأن الأتمتة تلغي الحاجة إلى وقت تطوير أطول ، لم تعد فرق علوم البيانات الكبيرة ضرورية.
بساطة: يعد استخدام ML بدون رمز أسهل في الاستخدام نظرًا لتنسيق السحب والإفلات المبسط.
يستخدم التعلم الآلي بدون تعليمات برمجية سحب وإسقاط المدخلات لتبسيط العملية في ما يلي:
- ابدأ ببيانات سلوك المستخدم
- قم بسحب وإسقاط بيانات التدريب
- استخدم سؤالاً بلغة إنجليزية بسيطة
- قيم النتائج
- إنشاء تقرير تنبؤ
نظرًا لأن هذا يبسط عملية التعلم الآلي إلى حد كبير ، فإن قضاء الوقت في أن تصبح خبيرًا ليس ضروريًا. على الرغم من أن هذا يجعل تطبيقات التعلم الآلي أكثر سهولة للمطورين ، إلا أنها ليست بديلاً عن المشاريع الأكثر تقدمًا ودقة.
ومع ذلك ، قد يكون مناسبًا للمشاريع التنبؤية البسيطة لتحليل البيانات مثل أرباح التجزئة ، والتسعير الديناميكي ، ومعدلات الاحتفاظ بالموظفين.
تعد الخوارزميات الخالية من الكود هي الخيار الأفضل للشركات الصغيرة التي لا تستطيع تحمل تكاليف الاحتفاظ بفريق من علماء البيانات. على الرغم من أن حالات الاستخدام محدودة ، إلا أن ML بدون كود يعد خيارًا رائعًا لتحليل البيانات والتنبؤ بمرور الوقت دون قدر كبير من التطوير أو الخبرة.
الاتجاه رقم 2: TinyML
في عالم تقوده حلول إنترنت الأشياء بشكل متزايد ، تشق TinyML طريقها إلى هذا المزيج. في حين أن تطبيقات التعلم الآلي واسعة النطاق موجودة ، فإن قابليتها للاستخدام محدودة إلى حد ما. غالبًا ما تكون التطبيقات الصغيرة ضرورية. قد يستغرق طلب الويب بعض الوقت لإرسال البيانات إلى خادم كبير حتى تتم معالجتها بواسطة خوارزمية التعلم الآلي ثم إرسالها مرة أخرى. بدلاً من ذلك ، قد يكون النهج الأكثر استحسانًا هو استخدام برامج ML على الأجهزة المتطورة.
من خلال تشغيل برامج ML على نطاق أصغر على أجهزة IoT edge ، يمكننا تحقيق زمن وصول أقل واستهلاك أقل للطاقة ونطاق ترددي مطلوب أقل وضمان خصوصية المستخدم. نظرًا لأنه لا يلزم إرسال البيانات إلى مركز معالجة البيانات ، يتم تقليل زمن الوصول وعرض النطاق الترددي واستهلاك الطاقة بشكل كبير. يتم الحفاظ على الخصوصية أيضًا نظرًا لأن الحسابات تتم محليًا بالكامل.
يحتوي هذا الابتكار الرائج على قدر كبير من التطبيقات في قطاعات مثل الصيانة التنبؤية للمراكز الصناعية وصناعات الرعاية الصحية والزراعة والمزيد. تستخدم هذه الصناعات أجهزة إنترنت الأشياء مع خوارزميات TinyML لتتبع البيانات التي تم جمعها والتنبؤ بها. على سبيل المثال، بعوض الذعر الشمسي هو مشروع إنترنت الأشياء يستخدم TinyML لقياس وجود البعوض في الوقت الفعلي. يمكن أن يولد هذا أنظمة إنذار مبكر للأوبئة المرضية من البعوض ، على سبيل المثال.
الاتجاه رقم 3: AutoML
يشبه في الهدف ML بدون رمز ، AutoML يهدف إلى جعل إنشاء تطبيقات التعلم الآلي أكثر سهولة للمطورين. منذ أن أصبح التعلم الآلي أكثر فائدة بشكل متزايد في مختلف الصناعات ، ازداد الطلب على الحلول الجاهزة. يهدف Auto-ML إلى سد الفجوة من خلال توفير حل سهل الوصول إليه لا يعتمد على خبراء ML.
يتعين على علماء البيانات الذين يعملون في مشاريع التعلم الآلي التركيز على المعالجة المسبقة للبيانات ، وتطوير الميزات ، والنمذجة ، وتصميم الشبكات العصبية إذا كان التعلم العميق متورطًا في المشروع ، والمعالجة اللاحقة ، وتحليل النتائج. نظرًا لأن هذه المهام معقدة للغاية ، يوفر AutoML التبسيط من خلال استخدام القوالب.
مثال على ذلك AutoGluon، وهو حل جاهز للنصوص والبيانات الجدولية. يتيح ذلك للمطورين وضع نماذج أولية لحلول التعلم العميق بسرعة والحصول على تنبؤات دون الحاجة إلى خبراء علوم البيانات.
يجلب AutoML أدوات وسم البيانات المحسّنة إلى الجدول ويتيح إمكانية الضبط التلقائي لبنى الشبكات العصبية. تقليديًا ، تم تصنيف البيانات يدويًا عن طريق الاستعانة بمصادر خارجية. هذا يجلب قدرًا كبيرًا من المخاطر بسبب الخطأ البشري. نظرًا لأن AutoML يعمل بشكل مناسب على أتمتة الكثير من عملية وضع العلامات ، فإن خطر حدوث خطأ بشري أقل بكثير. هذا يقلل أيضًا من تكاليف العمالة ، مما يسمح للشركات بالتركيز بقوة أكبر على تحليل البيانات. نظرًا لأن AutoML يقلل من هذه الأنواع من التكاليف ، سيصبح تحليل البيانات والذكاء الاصطناعي والحلول الأخرى أرخص وأكثر سهولة في متناول الشركات في السوق.
مثال آخر على AutoML في العمل هو OpenAI DALL-E و CLIP (التدريب المسبق للصور اللغوية التباين). يجمع هذان النموذجان بين النص والصور لإنشاء تصميمات مرئية جديدة من وصف يستند إلى النص. أحد الأمثلة المبكرة على ذلك عمليًا هو كيفية استخدام النماذج لإنشاء صور استنادًا إلى وصف الإدخال "كرسي بذراعين على شكل أفوكادو". تحتوي هذه التقنية على العديد من التطبيقات المثيرة للاهتمام ، مثل إنشاء صور أصلية لميزة تحسين محركات البحث (SEO) للمقال ، وإنشاء نماذج بالأحجام الطبيعية للمنتجات الجديدة ، وتوليد أفكار المنتجات بسرعة.
الاتجاه رقم 4: إدارة تشغيل التعلم الآلي (MLOps)
إدارة عمليات التعلم الآلي (MLOps) هي ممارسة لتطوير حلول برمجيات التعلم الآلي مع التركيز على الموثوقية والكفاءة. هذه طريقة جديدة لتحسين طريقة تطوير حلول التعلم الآلي لجعلها أكثر فائدة للشركات.
يمكن تطوير التعلم الآلي والذكاء الاصطناعي باستخدام تخصصات التطوير التقليدية ، لكن السمات الفريدة لهذه التكنولوجيا تعني أنها قد تكون أكثر ملاءمة لاستراتيجية مختلفة. MLOps يوفر صيغة جديدة تجمع بين تطوير أنظمة ML ونشر أنظمة ML في طريقة واحدة متسقة.
أحد الأسباب التي تجعل MLOps ضرورية هو أننا نتعامل مع المزيد والمزيد من البيانات على نطاقات أكبر والتي تتطلب درجات أكبر من الأتمتة. أحد العناصر الرئيسية في MLOps هو دورة حياة الأنظمة ، التي قدمها نظام DevOps.
يعد فهم دورة حياة أنظمة ML أمرًا ضروريًا لفهم أهمية MLOps.
- صمم نموذجًا يعتمد على أهداف العمل
- اكتساب ومعالجة وإعداد البيانات لنموذج ML
- تدريب وضبط نموذج ML
- تحقق من صحة نموذج ML
- انشر الحل البرمجي بنموذج متكامل
- مراقبة العملية وإعادة تشغيلها لتحسين نموذج ML
تتمثل إحدى مزايا MLOps في أنه يمكن بسهولة معالجة أنظمة الحجم. من الصعب التعامل مع هذه المشكلات على نطاقات أكبر بسبب فرق علوم البيانات الصغيرة والفجوات في الاتصال الداخلي بين الفرق والأهداف المتغيرة والمزيد.
عندما نستخدم تصميم هدف العمل أولاً ، يمكننا جمع البيانات بشكل أفضل وتنفيذ حلول ML خلال العملية بأكملها. تحتاج هذه الحلول إلى إيلاء اهتمام وثيق لمدى ملاءمة البيانات ، وإنشاء الميزات ، والتنظيف ، وإيجاد مضيفي الخدمة السحابية المناسبين ، وسهولة تدريب النموذج بعد النشر في بيئة الإنتاج.
من خلال تقليل التباين وضمان الاتساق والموثوقية ، يمكن أن يكون MLOps حلاً رائعًا للمؤسسات على نطاق واسع.
Kubernetes هي أداة DevOps أثبتت فعاليتها في تخصيص موارد الأجهزة لأحمال عمل AI / ML ، وهي الذاكرة ووحدة المعالجة المركزية ووحدة معالجة الرسومات والتخزين. تنفذ Kubernetes التحجيم التلقائي وتوفر تحسينًا لموارد الحوسبة في الوقت الفعلي.
الاتجاه رقم 5: التعلم العميق الكامل
أدى الانتشار الواسع لأطر التعلم العميق والأعمال التجارية لتكون قادرة على تضمين حلول التعلم العميق في المنتجات إلى ظهور طلب كبير على "التعلم العميق الكامل".
ما هي تفاصيل التعلم العميق الكامل؟ دعنا نتخيل أن لديك مهندسين مؤهلين تأهيلاً عالياً للتعلم العميق قاموا بالفعل بإنشاء بعض نماذج التعلم العميق الرائعة من أجلك. ولكن مباشرة بعد إنشاء نموذج التعلم العميق ، هناك عدد قليل من الملفات غير المتصلة بالعالم الخارجي حيث يعيش المستخدمون لديك.
كخطوة تالية ، يتعين على المهندسين ربط نموذج التعلم العميق ببعض البنية التحتية:
- الخلفية على سحابة
- تطبيقات الهاتف المتحرك
- بعض الأجهزة المتطورة (Raspberry Pi و NVIDIA Jetson Nano وما إلى ذلك)
يؤدي طلب التعلم العميق الكامل إلى إنشاء مكتبات وأطر عمل تساعد المهندسين على أتمتة بعض مهام الشحن (مثل شيترا يقوم المشروع) والدورات التعليمية التي تساعد المهندسين على التكيف بسرعة مع احتياجات العمل الجديدة (مثل المصدر المفتوح كامل المكدس المشاريع).
الاتجاه رقم 6: شبكات الخصومة العامة (GAN)
تقنية GAN هي طريقة لإنتاج حلول أقوى للتطبيقات مثل التمييز بين أنواع الصور المختلفة. تنتج الشبكات العصبية التوليدية عينات يجب فحصها بواسطة الشبكات التمييزية التي تتخلص من المحتوى الذي تم إنشاؤه غير المرغوب فيه. على غرار الفروع الحكومية ، تقدم شبكات الخصومة العامة ضوابط وتوازنات للعملية وتزيد من الدقة والموثوقية.
من المهم أن تتذكر أن النموذج التمييزي لا يمكنه وصف الفئات التي يتم تقديمها. يمكنه فقط استخدام الاحتمال الشرطي لتمييز العينات بين فئتين أو أكثر. تركز النماذج التوليدية على ماهية هذه الفئات وتوزع الاحتمالية المشتركة.
أحد التطبيقات المفيدة لهذه التقنية هو تحديد مجموعات الصور. مع وضع ذلك في الاعتبار ، من الممكن القيام بمهام واسعة النطاق مثل إزالة الصور والبحث المشابه في الصور والمزيد. تطبيق مهم آخر لشبكات GAN هو مهمة توليد الصور.
الاتجاه رقم 7: ML غير الخاضع للرقابة
مع تحسن الأتمتة ، هناك حاجة إلى المزيد والمزيد من حلول علوم البيانات دون تدخل بشري. يعد ML غير الخاضع للإشراف اتجاهًا واعدًا لمختلف الصناعات وحالات الاستخدام. نحن نعلم بالفعل من التقنيات السابقة أن الآلات لا يمكنها التعلم بمفردها. يجب أن يكونوا قادرين على أخذ معلومات جديدة وتحليل تلك البيانات من أجل الحل الذي يقدمونه. ومع ذلك ، يتطلب هذا عادة من علماء البيانات البشرية تغذية تلك المعلومات في النظام.
يركز ML غير الخاضع للإشراف على البيانات غير المسماة. بدون توجيه من عالم البيانات ، يتعين على برامج التعلم الآلي غير الخاضعة للرقابة أن تستخلص استنتاجاتها الخاصة. يمكن استخدام هذا في دراسة هياكل البيانات بسرعة لتحديد الأنماط المفيدة المحتملة واستخدام هذه المعلومات لتحسين عملية صنع القرار وزيادة أتمتها.
إحدى التقنيات التي يمكن استخدامها لفحص البيانات هي التجميع. من خلال تجميع نقاط البيانات مع الميزات المشتركة ، يمكن لبرامج التعلم الآلي فهم مجموعات البيانات وأنماطها بشكل أكثر كفاءة.
الاتجاه رقم 8: التعلم المعزز
في التعلم الآلي ، هناك ثلاثة نماذج: التعلم تحت الإشراف ، والتعلم غير الخاضع للإشراف ، والتعلم المعزز. في التعلم المعزز ، يتعلم نظام التعلم الآلي من التجارب المباشرة مع بيئته. يمكن للبيئة استخدام نظام المكافأة / العقوبة لتعيين قيمة للملاحظات التي يراها نظام ML. في النهاية ، سيرغب النظام في تحقيق أعلى مستوى من المكافأة أو القيمة ، على غرار تدريب التعزيز الإيجابي للحيوانات.
يحتوي هذا على قدر كبير من التطبيقات في لعبة الفيديو ولعبة الطاولة AI. ومع ذلك ، عندما تكون السلامة ميزة مهمة للتطبيق ، فقد لا يكون ML التعزيزي هو أفضل فكرة. نظرًا لأن الخوارزمية تتوصل إلى استنتاجات بأفعال عشوائية ، فقد تتخذ قرارات غير آمنة عمدًا في عملية التعلم. هذا يمكن أن يعرض المستخدمين للخطر إذا تركت دون رادع. هناك أنظمة تعلم معزز أكثر أمانًا قيد التطوير للمساعدة في حل هذه المشكلة التي تأخذ السلامة في الاعتبار لخوارزمياتها.
بمجرد أن يتمكن التعلم المعزز من إكمال المهام في العالم الحقيقي دون اختيار الإجراءات الخطيرة أو الضارة ، ستكون RL أداة أكثر فائدة في ترسانة عالم البيانات.
الاتجاه رقم 9: قليل من اللقطة ، لقطة واحدة ، وتعلم بدون طلقة
يعد جمع البيانات أمرًا ضروريًا لممارسات التعلم الآلي. ومع ذلك ، فهي أيضًا واحدة من أكثر المهام شاقة ويمكن أن تتعرض للخطأ إذا تم تنفيذها بشكل غير صحيح. يعتمد أداء خوارزمية التعلم الآلي بشكل كبير على جودة ونوع البيانات المقدمة. سيحتاج النموذج الذي تم تدريبه على التعرف على سلالات مختلفة من الكلاب الأليفة إلى تدريب مصنف جديد للتعرف على الذئاب البرية وتصنيفها.
قليل من التعلم بالرصاص يركز على البيانات المحدودة. في حين أن هذا له حدود ، إلا أنه يحتوي على تطبيقات مختلفة في مجالات مثل تصنيف الصور والتعرف على الوجه وتصنيف النص. على الرغم من أن عدم الحاجة إلى قدر كبير من البيانات لإنتاج نموذج قابل للاستخدام أمر مفيد ، إلا أنه لا يمكن استخدامه لحلول معقدة للغاية.
وبالمثل، طلقة واحدة التعلم يستخدم بيانات أقل. ومع ذلك ، فإنه يحتوي على بعض التطبيقات المفيدة للتعرف على الوجه. على سبيل المثال ، يمكن للمرء مقارنة صورة هوية جواز السفر المقدمة بصورة الشخص من خلال الكاميرا. هذا لا يتطلب سوى البيانات الموجودة بالفعل ولا تحتاج إلى قاعدة بيانات كبيرة من المعلومات.
التعلم من الصفر هو احتمال محير في البداية. كيف يمكن أن تعمل خوارزميات التعلم الآلي بدون بيانات أولية؟ تراقب أنظمة Zero shot ML موضوعًا وتستخدم معلومات حول هذا الكائن للتنبؤ بالتصنيف الذي قد يقع فيه. هذا ممكن للبشر. على سبيل المثال ، من المحتمل أن يكون الإنسان الذي لم ير نمرًا من قبل ولكنه رأى قط منزلًا قادرًا على تحديد النمر على أنه نوع من الحيوانات القطط.
على الرغم من عدم رؤية الأشياء المرصودة أثناء التدريب ، لا يزال بإمكان خوارزمية ML تصنيف الكائنات المرصودة إلى فئات. هذا مفيد جدًا لتصنيف الصور واكتشاف الكائنات ومعالجة اللغة الطبيعية والمهام الأخرى.
من الأمثلة الرائعة على تطبيق تعليمي قليل اللقطات اكتشاف الأدوية. في هذه الحالة ، يتم تدريب النموذج على البحث عن جزيئات جديدة واكتشاف الجزيئات المفيدة التي يمكن إضافتها في الأدوية الجديدة. يمكن أن تكون الجزيئات الجديدة التي لم تخضع للتجارب السريرية سامة أو غير فعالة ، لذلك من الضروري تدريب النموذج باستخدام عدد صغير من العينات.
التعلم الآلي: القوة في المستقبل
مع علم البيانات والتعلم الآلي ، أصبحت الصناعات أكثر تقدمًا يومًا بعد يوم. في بعض الحالات ، جعل هذا التكنولوجيا ضرورية لتظل قادرة على المنافسة. ومع ذلك ، فإن استخدام هذه التكنولوجيا بمفردها لا يمكن إلا أن يصل بنا حتى الآن. نحن بحاجة إلى الابتكار لتحقيق الأهداف بطرق جديدة وفريدة من نوعها للمشاركة حقًا في ركن في السوق واقتحام مستقبل جديد كان يُعتقد سابقًا أنه خيال علمي.
كل هدف يتطلب أساليب مختلفة لتحقيقه. يمكن أن يساعدك التحدث إلى الخبراء حول ما هو الأفضل لشركتك على فهم التقنيات ، مثل التعلم الآلي ، التي يمكن أن تحسن كفاءة عملك وتساعدك على تحقيق رؤيتك في دعم عملائك.
أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.
المصدر: https://www.iotforall.com/machine-learning-trends-to-impact-business-in-2021-2022
