حمود الدوسري
حمود الدوسري

@Dr_Hmood

8 تغريدة 10 قراءة Feb 06, 2023
حينما نتكلم عن #تعلم_الآلة (Machine Learning) فإننا نتكلم عن بناء نموذج يحاكي الواقع ويستطيع القيام ببعض المهام بطريقة مشابهة لطريقة البشر بل وبطريقة أكثر كفاءة (وقت أقل ودقة أعلى)
السؤال:
🕯️متى نحتاج هذه النماذج؟
⏳وكيف نحسن عملها؟
#علم_البيانات
من الأشياء المزعجة إقحام #الذكاء_الاصطناعي في كل شيء وفي تطبيقات واستخدامات أبعد ماتكون عن هذا المجال، هو إما تسويق متعمد أو جهل مركب!
تعلم الآلة يعتمد على #البيانات ، فالآلة تتعلم من البشر عبر البيانات، بمعنى أن طريقة قيام البشر بالمهام تتمثل في مجموعة مدخلات ومخرجات تتعلم منها الآلة وتكون قادرة على تقليد البشر بل وربما التفوق عليهم
الوضع مشابه لتعلم البشر من بعضهم البعض، حينما ترافق خبير وتعمل معه وقت طويل تجد نفسك تتعلم منه، طريقة عمله تفكيره تحليله واتخاذ قراراته، كلما مكثت معه وقت أطول تتعلم منه أكثر، الحال مشابه لخوارزميات #تعلم_الآلة كلما غذيتها ببيانات أكثر ستتعلم أكثر (بشرط جودة ومناسبة البيانات)
اللغة التي تتحدث الآلة مع البشر بها هي (البيانات)
كلمة السر في تعلم هذه الآلة هي الـ Gold Data وهي البيانات الحقيقية التي تعكس الواقع، ويُطلق عليها ايضاً ground truth، هي عملية تفاعلية بين الواقع والنموذج يغذي كل منهما الآخر .. كيف؟
نبدأ من الواقع ببيانات تتعلم منها الآلة.. ثم نطبق هذا النموذج في الواقع ونقيم نتائجه.. ونحسن هذا النموذج بنتائج تطبيقه من جديد.. ثم يطبق في الواقع ثانية.. ثم يتم تحسينه
عملية مستمرة أشبه ماتكون بحوار بين النموذج والواقع 👥
خلونا ناخذ مثال: حينما يصلك إيميل ستجد من ضمن الخيارات Report spam .. هل تعلم أن الايميل يستخدم نموذج لتصنيف الايميلات التي تصلك إلى spam أو non-spam؟ .. وهل تعلم أنك باختيارك لخيار Report spam تغذي هذا النموذج ببيانات من الواقع تساعده في تحسين اداءه في المستقبل؟ (تتحاور معه)
أخيراً.. ليس كل مشكلة نستطيع حلها ببناء نموذج!، تشخيص المشكلة وفهم أبعادها وتقييم البيانات المرتبطة بها هي أهم وأصعب خطوة في #تعلم_الآلة ، والخبير الحقيقي هو من يعرف إمكانيات الآلة وحدودها، تماماً مثل الرئيس الذي يعرف إمكانيات موظفيه ويسند إليهم المهام على حسب قدراتهم!

جاري تحميل الاقتراحات...