نعتذر عن عدم العثور على مطابقة لبحثكم.

نقترح أن تجرِّب ما يلي للمساعدة في العثور على ما تبحث عنه:

  • تحقق من تهجئة كلماتك الرئيسية التي تبحث عنها.
  • استخدم المرادفات للكلمة الرئيسية التي كتبتها، على سبيل المثال، جرِّب “تطبيق” بدلاً من “برنامج.”
  • ابدأ بحثًا جديدًا.
الاتصال بنا تسجيل الدخول إلى Oracle Cloud

ما هو التعلم الآلي؟

تعريف التعلّم الآلي

تعريف التعلّم الآلي

يُعد التعلّم الآلي مجموعة فرعية من الذكاء الاصطناعي (AI) يركز على إنشاء الأنظمة التي تتعلّم - أو تحسن الأداء - بناءً على البيانات التي تستهلكها. الذكاء الاصطناعي هو مصطلح واسع النطاق يشير إلى الأنظمة أو الأجهزة التي تحاكي الذكاء البشري. غالبًا ما تتم مناقشة التعلّم الآلي والذكاء الاصطناعي معًا، ويتم استخدام المصطلحين أحيانًا بالتبادل، لكنهما لا يعنيان نفس الشيء. ومن المهم هنا أن نذكر أنه على الرغم من أن جميع تقنيات التعلم الآلي تُعد ذكاءً اصطناعيًا، إلا أنه ليس كل ذكاء اصطناعي يمثل تعلمًا آليًا.

اليوم، يوجد التعلم الآلي في مجالات الأعمال في كل مكان حولنا. فعندما نتفاعل مع البنوك أو نتسوق عبر الإنترنت أو نستخدم وسائل التواصل الاجتماعي، تلعب خوارزميات التعلم الآلي دورًا مهمًا لجعل تجربتنا فعّالة وسلسة وآمنة. إن التعلم الآلي والتكنولوجيات الموجودة حوله تتطور بشكل سريع، ونحن نبدأ للتو في سبر أغوار قدراته.


أنواع التعلّم الآلي: طريقتان للتعلّم

تُعد الخوارزميات هي المحركات التي تُحرِك التعلم الآلي. بشكل عام ، يتم استخدام نوعين رئيسيين من خوارزميات التعلّم الآلي اليوم: التعلّم الخاضع للإشراف والتعلّم غير الخاضع للإشراف. ويتم تحديد الفرق بينهما من خلال كيفية تعلم كل نوع منهما من البيانات لإنشاء التوقعات.

التعلم الآلي الخاضع للإشراف تُعد خوارزميات التعلم الآلي الخاضع للإشراف هو الأكثر استخدامًا. فباستخدام هذا النموذج، يعمل علماء البيانات كمرشدين ويبدأون في تعليم الخوارزميات الاستنتاجيات التي يجب أن تقدمها. تمامًا، كما يتعلم طفل كيفية تحديد الثمار عن طريق حفظها من كتاب مصور، ففي التعلم الخاضع للإشراف، يتم تدريب الخوارزميات بواسطة مجموعة بيانات تم تصنيفها بالفعل وتحتوي على مخرجات محددة مسبقًا.

وتشمل أمثلة التعلم الآلي الخاضع للإشراف الخوارزميات مثل الانحدار الخطي واللوجستي، والتصنيف متعدد الطبقات، والأجهزة الناقلة للدعم.
التعلم الآلي غير الخاضع للإشراف يستخدم التعلم الآلي غير الخاضع للإشراف نهجًا أكثر استقلالية، حيث تتعلم أجهزة الكمبيوتر كيفية تحديد العمليات والأنماط المعقدة دون أن يقدم الإنسان لها أي توجيه وثيق أو مستمر. وتتضمن عملية التعلم الآلي غير الخاضع للإشراف التدريب القائم على البيانات التي لا تحتوي على تصنيفات أو مخرجات مُحددة أو معينة.

للاستمرار في التشبيه بتعليم الأطفال، يشبه التعلم الآلي غير الخاضع للإشراف تعلم الطفل للتعرف على الفاكهة من خلال ملاحظة الألوان والأنماط، بدلاً من حفظ الأسماء بمساعدة المعلم. سيبحث الطفل عن أوجه التشابه بين الصور ويقوم بفصلها في مجموعات، ومن ثم تعيين كل مجموعة حسب تصنيفها الجديد. تتضمن أمثلة خوارزميات التعلم الآلي غير الخاضع للإشراف الخوارزمية التصنيفية، وتحليل المكونات الأساسية والمستقلة وقواعد الارتباط.
اختيار النهج ما هو النهج الأفضل لاحتياجاتك؟ يعتمد اختيار خوارزمية التعلم الآلي الخاضعة للإشراف وغير الخاضعة للإشراف عادة على العوامل المتعلقة بهيكل البيانات وحجمها، وحالة الاستخدام التي تريد تطبيقها عليها. ازدهر التعلّم الآلي عبر مجموعة واسعة من قطاعات الأعمال، مما يدعم مجموعة متنوعة من أهداف العمل وحالات الاستخدام بما في ذلك:

  • قيمة بقاء العميل
  • الكشف عن أوجه الخلل
  • التسعير الديناميكي
  • الصيانة التنبؤية
  • تصنيف الصور
  • محركات التوصية

التعلّم الآلي والمطورون

عند بدء استخدام التعلّم الآلي، سيعتمد المطورون على معرفتهم بالإحصاءات والاحتمالات وحساب التفاضل والتكامل لإنشاء النماذج الأكثر نجاحًا التي تتعلّم بمرور الوقت. مع المهارات الذكية في هذه المجالات، يجب ألا يواجه المطورون أي مشكلة في تعلّم الأدوات التي يستخدمها العديد من المطورين الآخرين لتدريب خوارزميات تعلّم الآلة الحديثة. يمكن للمطورين أيضًا اتخاذ قرارات بشأن ما إذا كانت الخوارزميات الخاصة بهم سيتم الإشراف عليها أم لا. يمكن للمطور اتخاذ القرارات وإعداد نموذج في وقت مبكر من المشروع، ثم السماح للنموذج بالتعلّم دون المزيد من مشاركة المطور.

غالبًا ما يكون هناك خط ضبابي بين المطور وعالِم البيانات. يقوم المطورون أحيانًا بتوليف البيانات من نموذج التعلّم الآلي، بينما يساهم علماء البيانات في تطوير الحلول للمستخدم النهائي. يمكن أن يؤدي التعاون بين هذين المجالين إلى جعل مشاريع تعلّم الآلة أكثر قيمة وفائدة.

هدف أعمال التعلّم الآلي: نموذج قيمة بقاء العميل

تُعد نمذجة قيمة بقاء العميل ضرورية لأعمال التجارة الإلكترونية ولكنها قابلة للتطبيق أيضًا في العديد من الصناعات الأخرى. في هذا النموذج، تستخدم الشركات خوارزميات التعلم الآلي لتحديد العملاء الأكثر قيمة بالنسبة لها وفهم احتياجاتهم والحفاظ عليهم. تقوم نماذج هذه القيمة بتقييم كميات هائلة من بيانات العملاء لتحديد العملاء الأكثر إنفاقًا أو المدافعين المخلصين عن العلامة التجارية أو تركيبة من هذه الأنواع من الصفات.

تُعد نماذج قيمة بقاء العميل فعّالة بشكل خاص في التنبؤ بالإيرادات المستقبلية التي سيحققها عميل فردي لصالح الشركة في فترة معينة. تساعد هذه المعلومات الشركات في التركز على جهود التسويق من خلال تشجيع العملاء ذوي القيمة العالية على التفاعل مع علامتهم التجارية في كثير من الأحيان. كما تساعد نماذج قيمة بقاء العميل الشركات على توجيه إنفاقها المتعلق بالاستحواذ لجذب عملاء جدد يشبهون العملاء الحاليين ذوي القيمة العالية.

نموذج تحوّل العميل من خلال التعلّم الآلي

إن اكتساب عملاء جدد يستغرق وقتًا أطول وأكثر تكلفة من الإبقاء على العملاء الحاليين راضين ومخلصين. تعمل نمذجة العملاء المرجح ابتعادهم عن الشركة على مساعدة الشركات على تحديد العملاء الذين من المرجح توقفهم عن التعامل مع الشركة، ولماذا.

يستخدم نموذج العملاء المرجح ابتعادهم عن الشركة خوارزميات التعلم الآلي لتوفير رؤى حول كل شيء بدءًا من درجات خطر ابتعاد العميل عن الشركة بالنسبة للعملاء الفرديين ووصولاً إلى أسباب الابتعاد، مرتبة حسب الأهمية. وتُعد هذه المخرجات هي أساس تطوير إستراتيجية خوارزمية للإبقاء على العملاء.

إن الحصول على رؤى أعمق عن العملاء يساعد الشركات في تحسين عروض الخصم وحملات البريد الإلكتروني والمبادرات التسويقية الأخرى التي تحافظ على القوة الشرائية للعملاء ذوي القيمة العالية ورجوعهم مرة أخرى لشراء المزيد.

يتمتع العملاء بخيارات أكثر من أي وقت مضى، ويمكنهم مقارنة الأسعار عبر مجموعة واسعة من القنوات، وبشكل فوري. يتيح التسعير الديناميكي، المعروف أيضًا باسم التسعير حسب الطلب، للشركات مواكبة ديناميكيات السوق المتسارعة. فهو يتيح للمؤسسات تحديد أسعارها بمرونة استنادًا إلى عوامل تشمل مستوى اهتمام العميل المستهدف، ومقدار الطلب وقت الشراء، وما إذا كان العميل قد حضر بناءً على حملة تسويقية أم لا.

يتطلب هذا المستوى من المرونة إستراتيجية قوية للتعلم الآلي وبيانات كثيرة حول مدى استعداد العملاء المختلفين للدفع مقابل السلع أو الخدمات التي تتغير عبر مجموعة متنوعة من الحالات. على الرغم من أن نماذج التسعير الديناميكي يمكن أن تكون معقدة، فقد نجحت شركات مثل شركات الطيران وخدمات مشاركة الركوب في تنفيذ إستراتيجيات لتحسين التسعير الديناميكي ولتحقيق أقصى قدر من الإيرادات.

هدف أعمال التعلّم الآلي: استهداف العملاء باستخدام تجزئة العملاء

كان التسويق الناجح يتمثل دائمًا في تقديم المنتج المناسب للشخص المناسب في الوقت المناسب. ومنذ فترة ليسب بالبعيدة، اعتمد المسوقون على حدسهم لتقسيم العملاء وفصل العملاء إلى مجموعات للحملات المستهدفة.

والآن، يعمل التعلم الآلي على تمكين علماء البيانات من استخدام خوارزميات التجميع والتصنيف لتقسيم العملاء إلى شخصيات بناءً على اختلافات مُحددة. تأخذ هذه الشخصيات اختلافات العملاء بعين الاعتبار عبر أبعاد متعددة مثل المعلومات السكنية وسلوك التصفح ومدى الألفة. ومع ربط هذه السمات بأنماط سلوك الشراء يتيح شركات البيانات إمكانية إطلاق حملات تسويقية عالية التخصيص وأكثر فعالية في تعزيز المبيعات من الحملات العامة.

وبما أن البيانات المتوفرة للشركات تنمو وتزداد خوارزمياتها تعقيدًا، فإن قدرات التخصيص سوف تزداد، مما يجعل الشركات أقرب إلى قطاع العملاء المثالي للشراء.

هدف أعمال التعلّم الآلي: زيادة قوة تصنيف الصور

يدعم التعلم الآلي مجموعة متنوعة من حالات الاستخدام، بخلاف البيع بالتجزئة والخدمات المالية والتجارة الإلكترونية. كما أن لديه إمكانات هائلة في مجالات العلوم والرعاية الصحية والبناء والطاقة. على سبيل المثال، يستخدم تصنيف الصور خوارزميات التعلم الآلي لتعيين تصنيف من مجموعة ثابتة من الفئات إلى أي صورة من الصور المدخلة. كما أنه يمكن المنظمات من وضع خطط بناء ثلاثية الأبعاد استنادًا إلى التصاميم ثنائية الأبعاد، وتسهيل وضع علامات على الصور في وسائل التواصل الاجتماعي، والاطلاع على التشخيص الطبي، وغير ذلك الكثير.

غالبًا ما تُستخدم أساليب التعلم العميق مثل الشبكات العصبية لتصنيف الصور لأنها يمكن أن تحدد بفاعلية الميزات ذات الصلة بالصورة في وجود مضاعفات محتملة. على سبيل المثال، يمكنها التفكير في الاختلافات من وجهة نظر معينة أو إضاءة محددة أو مقياس معين أو حجم التشويش في الصورة وتعويض هذه المشكلات لتقديم إحصاءات أكثر صلة وذات جودة عالية.

محركات التوصية

تُعد محركات التوصية ضرورية للعملاء العابرين والعملاء الذين يرتقون بالصفقة ولتقديم تجربة أفضل للعملاء.

تقدر Netflix محركات التوصية التي تعمل على تعزيز اقتراحات التوصية الخاصة بها بمبلغ 1 مليار دولار أمريكي سنويًا وتدعي شركة Amazon أن نظامها يزيد من المبيعات السنوية بنسبة تتراوح بين 20 إلى 35 بالمائة.

تستخدم محركات التوصية خوارزميات التعلم الآلي للتدقيق في كميات كبيرة من البيانات للتنبؤ بمدى احتمال قيام العميل بشراء عنصر ما أو الاستمتاع بجزء من المحتوى، ثم تقديم اقتراحات مخصصة للمستخدم. والنتيجة هي تجربة أكثر خصوصية وذات صلة وتشجع على المشاركة بشكل أفضل وتقليل إمكانية ابتعاد العميل.

حالات استخدام التعلم الآلي

يدعم التعلم الآلي مجموعة متنوعة من حالات الاستخدام الرئيسية للأعمال ولكن كيف يقدم ميزة تنافسية؟ من بين الصفات الأكثر إلحاحًا في التعلم الآلي قدرتها على أتمتة عملية اتخاذ القرار وتسريعها وتسريع الوقت اللازم لتحقيق القيمة المطلوبة. ويبدأ ذلك بالحصول على رؤية أفضل للأعمال وتعزيز التعاون.

يقول ريتش كلايتون، نائب رئيس إستراتيجية المنتجات في Oracle Analytics "من الطبيعي أن ما نراه هو عدم قدرة الأشخاص على العمل معًا". "فإضافة التعلم الآلي إلى Oracle Analytics Cloud سيساعد في نهاية المطاف في تنظيم عملهم وإنشاء نماذج البيانات هذه وتدريبها ونشرها. إنها أداة تعاون لها قيمتها في تسريع العملية والسماح لأجزاء مختلفة من العمل بالتعاون معًا، مما يمنحك جودة ونماذج أفضل للنشر."

على سبيل المثال، عادة ما تتحمل الأقسام المالية العادية مهام تكرار عمليات تحليل التباين، وهي مقارنة بين ما هو فعلي وما هو متوقع. والأمر لا يحتاج إلا إلى تطبيق منخفض المعرفة يمكنه الاستفادة بشكل كبير من التعلم الآلي.

يقول كلايتون: "من خلال تضمين التعلم الآلي، يمكن لقسم التمويل العمل بشكل أسرع وأكثر ذكاءً، والعمل فقط على المهام التي لا تقوم بها الآلة".

قوة التنبؤ

من الإمكانيات المثيرة الأخرى للتعلم الآلي هي قدرتها على التنبؤ. في الماضي، كانت قرارات العمل تتم في الغالب بناءً على النتائج التاريخية. اليوم، يستخدم التعلم الآلي التحليلات الغنية للتنبؤ بما سيحدث. حيث يمكن للمؤسسات اتخاذ قرارات استباقية بدلاً من الاعتماد على البيانات السابقة.

على سبيل المثال، يمكن للصيانة التنبؤية تمكين الشركات المصنعة وشركات الطاقة وغيرها من الصناعات من اغتنام المبادرات والتأكد من أن عملياتها تظل موثوقة ومحسنة. في مجال النفط مع وجود مئات التدريبات قيد التشغيل، يمكن لنماذج التعلم الآلي اكتشاف المعدات المعرضة لخطر الفشل في المستقبل القريب، ومن ثم إبلاغ فرق الصيانة مسبقًا. هذا النهج لا يزيد فحسب من الإنتاجية، بل يزيد أيضًا من أداء الأصول والجهوزية وطول العمر. يمكنه أيضًا تقليل المخاطر التي يتعرض لها العمال وتقليل المسؤولية وتحسين الامتثال التنظيمي.

وتمتد فوائد الصيانة التنبؤية إلى مراقبة المخزون وإدارته. إن تجنب التعطل غير المُخطط له للمعدات من خلال تنفيذ الصيانة التنبؤية يساعد المؤسسات على التنبؤ بدقة بالحاجة إلى قطع الغيار والإصلاحات، مما يقلل بشكل كبير من نفقات رأس المال والتشغيل.

إمكانات التعلّم الآلي

يوفر التعلم الآلي إمكانات هائلة لمساعدة المؤسسات على استخلاص قيمة الأعمال من ثروة البيانات المتوفرة اليوم. ومع ذلك، فإن تدفقات العمل غير الفعالة يمكن أن تعوق الشركات عن تحقيق أقصى إمكانات التعلم الآلي.

ولتحقيق النجاح على مستوى المؤسسات، يحتاج التعلم الآلي إلى أن يكون جزءًا من النظام الأساسي الشامل الذي يساعد المؤسسات على تبسيط العمليات ونشر النماذج على نطاق واسع. سيمكن الحل المناسب المؤسسات من جعل جميع أعمال علوم البيانات مركزية في نظام أساسي تعاوني وتسريع استخدام وإدارة الأدوات مفتوحة المصدر، وأطر العمل، والبنية الأساسية.