ما هو التعلم الآلي؟

ما هو التعلم الآلي؟

يُعد التعلم الآلي مجموعة فرعية من الذكاء الاصطناعي (AI) والذي يركز على إنشاء الأنظمة - أو تحسين الأداء - استنادًا إلى البيانات التي تستهلكها. إن الذكاء الاصطناعي هو مصطلح شامل يشير إلى أنظمة أو أجهزة تحاكي الذكاء البشري. وغالبًا ما تتم مناقشة التعلم الآلي والذكاء الاصطناعي معًا، ويتم استخدام المصطلحات في بعض الأحيان بالتبادل، ولكنهما لا يمثلان الشيء نفسه. 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.

 

“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.”

—ريتش كلايتون، نائب رئيس إستراتيجية المنتجات، Oracle Analytics

نهجان للتعلم

تُعد الخوارزميات هي المحركات التي تُحرِك التعلم الآلي. وبشكل عام، يتم استخدام نوعين رئيسيين من خوارزميات تعلم الآلة اليوم: التعلم الخاضع للإشراف والتعلم 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. وقد ازدهر التعلم الآلي عبر مجموعة واسعة من الصناعات، حيث دعم مجموعة متنوعة من أهداف العمل وحالات الاستخدام بما في ذلك:

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

هدف الأعمال: 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.

هدف الأعمال: نموذج العملاء المرجح ابتعادهم عن الشركة

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 القوة الشرائية للعملاء ذوي القيمة العالية ورجوعهم مرة أخرى لشراء المزيد.

هدف الأعمال: منتجات بأسعار مرنة بفضل التسعير الديناميكي

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 الأعمال: استهداف العملاء باستخدام تقسيم 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.

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.

هدف الأعمال: خلق تجربة عملاء أفضل باستخدام 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.

تقديم قيمة أعمال ملموسة

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".

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.

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. إن الحل المناسب سيمكن المؤسسات من جعل جميع أعمال علوم البيانات مركزية في نظام أساسي تعاوني وتسريع استخدام وإدارة الأدوات مفتوحة المصدر وأطر العمل والبنية التحتية.

مكتبة تعلم الذكاء الاصطناعي

ما هو الذكاء الاصطناعي؟
تعرف على المزيد حول الذكاء الاصطناعي

يعمل الذكاء الاصطناعي (AI) على تمكين التكنولوجيا والأجهزة لمعالجة البيانات لتتعلم وتتطور وتنفذ المهام البشرية.

تعرف على المزيد حول علوم البيانات
تعرف على المزيد حول علوم البيانات

تجمع الشركات بنشاط بين الإحصائيات ومفاهيم علوم الكمبيوتر مثل التعلم الآلي والذكاء الاصطناعي، وذلك لاستخلاص الرؤى من البيانات الكبيرة من أجل تعزيز الابتكار وتحويل عملية صنع القرار.

الأخبار والآراء
الأخبار والآراء

يعمل كل من التعلم الآلي والذكاء الاصطناعي وعلوم البيانات على تغيير الطريقة التي تعالج بها الشركات المشاكل المعقدة لتغيير مسار صناعاتها. اقرأ أحدث المقالات لفهم كيف تقترب الصناعة وأقرانك من هذه التقنيات.