التعلم الآلي والتحليلات: دليل الخبراء

أصبح التعلم الآلي والتحليلات أدوات لا غنى عنها للشركات التي تسعى إلى استخراج رؤى قيمة من بياناتها. باستخدام خوارزميات قوية ونماذج إحصائية، يمكن للمؤسسات الكشف عن الأنماط الخفية، واتخاذ المزيد من القرارات القائمة على البيانات، واكتساب ميزة تنافسية في سوق اليوم سريع التطور.

على الرغم من أن الفِرق يمكنها تحليل البيانات دون تعلم آلي، إلا أن النتائج قد تكون أقل من التوقعات. والحقيقة هي أن التعلم الآلي يعزز بشكل كبير إمكانات الأنظمة الأساسية للتحليلات.

ما هو التعلم الآلي؟

التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي التي تستخدم الخوارزميات المدربة على مجموعات البيانات الكبيرة للتعرف على الاتجاهات وتحديد الأنماط والعلاقات، ثم استخدام هذه المعلومات لإجراء التنبؤات أو اتخاذ القرارات دون برمجة صريحة وبأقل قدر من التدخل البشري.

تحتوي تكنولوجيا التعلم الآلي على تطبيقات في العديد من المجالات، بما في ذلك الرعاية الصحية والتمويل والتسويق والأمن السيبراني. تتحسن النتائج من خلال عملية تعلم متكررة تركز على زيادة الدقة وإضافة التخصيص وتقليل الأخطاء في النموذج.

ما المقصود بالتحليلات؟

التحليلات هي عملية استخلاص الرؤى من البيانات واستخدامها لاستخلاص استنتاجات أو اتخاذ قرارات. يتضمن جمع البيانات وتنظيفها وتنظيمها لتحديد الاتجاهات والارتباطات والأنماط. باستخدام العديد من التقنيات الإحصائية والرياضية، تساعد التحليلات المؤسسات على اتخاذ قرارات مستنيرة بشكل أفضل، وتحسين الأداء، وتحسين العمليات.

ترتبط التحليلات بمجال الإحصاءات، الذي يوفر المفاهيم الأساسية التي تساعد الشركات على فهم بياناتها واستخدامها لدفع النمو والنجاح. في مجال الأعمال، يشير مصطلح "التحليلات" غالبًا إلى استخدام البرامج لفرز البيانات والعثور على علاقات فريدة وتقديم النتائج بطريقة يمكن الوصول إليها من خلال التمثيلات المرئية.

النقاط الرئيسة

• التعلم الآلي والتحليلات هي تقنيات تكافلية.
• يمكن للتعلم الآلي تسريع وتوسيع إمكانات التحليلات، بما في ذلك من خلال تحديد الأنماط والرؤى التي غالبًا ما تفوتها وسائل أخرى.
• تنشئ التحليلات قيمة تنظيمية من خلال معالجة البيانات في سياق مناسب للحصول على رؤى قابلة للتنفيذ.
• بالنسبة لكل من مشاريع التعلم الآلي والتحليلات، فكر في المراقبة المستمرة للتحقق من التحيزات الخفية وعدم الدقة.

شرح التعلم الآلي والتحليلات

تستفيد جهود التحليلات بشكل كبير من تطبيق التعلم الآلي وتقنيات الذكاء الاصطناعي الأخرى. تستخدم أدوات التحليلات التي لا تعتمد على التعلم الآلي خوارزميات ثابتة قد تفوت أنماطًا غامضة ولكنها مهمة في البيانات. يمكن للتعلم الآلي العثور على هذه الأنماط، وإذا لزم الأمر، فحص مجموعات البيانات الأكبر والأكثر تنوعًا من أدوات التحليلات القديمة التي يمكن التعامل معها.

هل تتضمن التحليلات التعلم الآلي؟

لا تتطلب التحليلات بالضرورة التعلم الآلي. على مر السنوات، استخدمت الشركات الأدوات التي تأسست في التحليل الإحصائي لتحليل الاتجاهات في البيانات، والتنبؤ بالنتائج المستقبلية، وتقييم فعالية الاستراتيجيات. دون الاستفادة من التعلم الآلي، سعت الشركات للإجابة على أسئلة مثل، ما مدى نجاح استراتيجية خصم العطلات لدينا؟ ما هي المنتجات أو الخدمات الأكثر شعبية مع قطاع العملاء هذا؟ ما هي الأكثر ربحية؟ على الرغم من أن الأساليب التقليدية يمكن أن تنتج إجابات، إلا أن العملية محدودة من حيث النطاق وعدد نقاط البيانات المتاحة بدون التعلم الآلي.

للعثور على إجابات، تم استخدام المعالجة التحليلية عبر الإنترنت، أو OLAP، لعقود للاستيلاء على جزء من بيانات المعاملات وتحليلها باستخدام التحليل الإحصائي الكلاسيكي. عندما يتم تنظيم البيانات، كما هو الحال في قاعدة بيانات علائقية، يكون OLAP فعالاً للغاية. مع ذلك، عندما تكون البيانات منظمة وغير منظمة وتتضمن معلومات غير رقمية حول الأعمال، لا يمكن أن يوفر التحليل الإحصائي نفس مستوى الرؤى. من بين المزايا الأخرى، يتيح التعلم الآلي للمحللين تحديد أنماط غير خطية أكثر تعقيدًا، حتى في مصادر البيانات غير المنظمة.

مع وضع المؤسسات بيانات أكثر غير منظمة في مستودعات البيانات الخاصة بها، سيكون التعلم الآلي مهمًا بشكل متزايد لتحليل كل شيء.

لماذا يعد التعلم الآلي والتحليلات هامين للأعمال؟

معًا، يستخرج التعلم الآلي والتحليلات رؤى وتنبؤات قيمة من مجموعة واسعة من البيانات. يمكن أن يوفر ذلك ميزة تنافسية للشركات لأن البيانات تأتي اليوم من كل مكان، وفي بعض الحالات، طوال الوقت: المقاييس التشغيلية الداخلية، ومخزونات الموردين والبائعين، ونتائج الحملات التسويقية، والبيانات من تطبيقات العملاء، البيانات ذات الصلة من المصادر العامة والبيانات المالية والبيانات التي تم إنشاؤها بواسطة أجهزة إنترنت الأشياء—تولد منظومة للتكنولوجيا الحديثة بيانات من كل تفاعل تقريبًا ويغذيها في مستودع بيانات أو مستودع قائم على السحابة مثل بحيرة بيانات.

هذا الكثير من المعلومات، ويوفر الكثير من الفرص للشركات للعثور على رؤى حول العمليات والتسويق وسلسلة التوريد وغير ذلك الكثير—ولكن إذا كان بإمكانها تحليل كميات كبيرة من البيانات المتنوعة فحسب. أدخل التعلم الآلي. باستخدام التعلم الآلي، تصبح عملية تحليلات الأعمال بأكملها أكثر قابلية للإدارة وأوسع نطاقًا لأسباب تشمل ما يلي:

• يمكن للأتمتة عبر التعلم الآلي أن تجعل عمليات تحويل البيانات، مثل تصحيح البيانات والتعرف على مشكلات جودة البيانات، أكثر كفاءة.
• يمكن للتعلم الآلي داخل أدوات التحليلات إنشاء رؤى "لحظة" استنادًا إلى استعلامات بسيطة من مستخدمي الأعمال.
• يمكن لأدوات التحليلات المستندة إلى التعلم الآلي أيضًا تحديد الأنماط الخفية في البيانات المعقدة، مما يثير أفكارًا ومناقشات جديدة قد تنشئ فرصًا جديدة.

إضافة إلى الإثارة الآن حول التحليلات المدعومة بالتعلم الآلي هي قابلية التوسع والمرونة التي توفرها مستودعات البيانات القائمة على السحابة وأدوات التحليلات. تتطلب كميات هائلة من البيانات وخوارزميات التعلم الآلي المعقدة الكثير من قوة الحوسبة للتحليل الفعال. ولأن هذه مساحة سريعة التطور، يستفيد المطورون وعلماء البيانات الذين يتطلعون إلى إنشاء نماذج جديدة ونشرها من الأدوات والخدمات عبر الإنترنت المصممة خصيصًا للتعلم الآلي والتحليلات. تتيح السحابة للمؤسسات استخدام أحدث ابتكارات تحليل البيانات مع توفير وصول سهل إلى أي شخص في المؤسسة يتمتع ببيانات اعتماد مناسبة لاستخدام النظام.

استخدام التعلم الآلي في تحليلات الأعمال

بمجرد أن تجمع المؤسسة المدخلات من مصادر مختلفة في مستودع، يمكن أن تبدأ أنظمة التعلم الآلي في معالجة كميات كبيرة من البيانات لدعم المبادرات الاستراتيجية. يمكن أن تكون هذه المبادرات جزءًا من العمليات والتسويق والخدمات اللوجستية وحتى المشاركة العامة على وسائل التواصل الاجتماعي.

فيما يلي بعض الاستخدامات الشائعة للتعلم الآلي في تحليلات الأعمال.

• تجزئة العملاء: يعد التعلم الآلي مفيدًا على جانبي معادلة تقسيم العملاء. لتحديد ملفات تعريف المشتري التي تنتمي إليها قطاعات العملاء، يمكن للتعلم الآلي التحليل اللغوي من خلال تواريخ الشراء وبيانات المشاركة لإنشاء تصنيفات. من ناحية أخرى، يمكن للتعلم الآلي تحديد فعالية الحملات في قطاعات محددة بسرعة، مما يترك لفرق التسويق بعض مساحة التنفس لتعديل الرسائل أو عوامل الحملات الأخرى.
• اكتشاف الاحتيال: يمكن للتعلم الآلي تحديد الأنماط الاحتيالية المحتملة من خلال مراعاة المنطقة الجغرافية ومعدل تكرار الشراء وأنواع الشراء والمبلغ المُنفَق والتفاصيل الأخرى للمعاملات الفردية ومقارنتها بملفات تعريف العملاء. باستخدام إمكانات الكشف عن أوجه الخلل، يمكن للنظام وضع علامة سريعة على النشاط خارج المألوف وإرسال معاملات يحتمل أن تكون غير شرعية لمزيد من التحقيق.
• إدارة سلسلة التوريد: قد تتضمن سلاسل التوريد مجموعة متنوعة من الشركاء وتجار الجملة وموفري الخدمات اللوجستية من جميع أنحاء العالم. عندما يعطلون تدفق السلع اللازمة، يمكن أن تصبح الأحداث المحلية بسرعة مصدر قلق للمصنعين وتجار التجزئة على بعد آلاف الأميال. يمكن للتعلم الآلي جمع البيانات وفرزها من الموردين وشركات الخدمات اللوجستية لتحديد الاضطرابات المحتملة والواقعة. بالإضافة إلى ذلك، تربط أنظمة التعلم الآلي البيانات بجداول التصنيع لتحديد المشكلات المؤقتة بالإضافة إلى تحديد الاتجاهات التي يمكن أن تؤدي إلى تحسين التكلفة والعمليات، مثل تحديد الموردين المعرضين لفشل الأجزاء أو عمليات التسليم المتأخرة.
• تحليل المشاعر: يأخذ تحليل المشاعر نصًا من الرسائل والنصوص والمراجعات؛ ويحدد النغمة الإجمالية؛ ثم يحلل البيانات لرؤى التسويق والمبيعات. يعد التعلم الآلي ضروريًا لمعالجة الكميات الكبيرة من البيانات النصية من مصادر متنوعة بسرعة كافية للتكيف إذا كان المنتج غالبًا ما يفتقد جزءًا رئيسيًا أو إذا كان مندوب الخدمة يمثل مشكلة.
• التحليل التنبؤي: كانت التحليلات التنبؤية التي لا يساعدها التعلم الآلي عنصرًا أساسيًا في تحليل الأعمال طالما تم الاحتفاظ بدفاتر الأستاذ. أجزاء بسيطة من مبيعات العام السابق مقارنة مع مبيعات العام الحالي هي نقطة الانطلاق، وقد تقدم الإحصائيون علم التنبؤ بالمستقبل من الماضي بشكل كبير. ويستند التعلم الآلي إلى هذا التراث من خلال معالجة المزيد من البيانات بدقة أكبر واستخدام منهجيات أكثر تعقيدًا. يساعد التعلم الآلي أيضًا في تحليل سيناريوهات "ماذا لو" التي تساعد في توجيه تفكير قادة الأعمال.
• تحسين السعر: ما هو الحد الأقصى للربح بالسعر؟ مكلف للغاية، ولن يشتريه ما يكفي من الناس. غير مكلف للغاية ويعاني من الهوامش. بالإضافة إلى عادات الإنفاق، تشكل عوامل مثل أسعار المنافسين والموسمية والطقس وندرة المخزون خوارزمية أسعار معقدة وديناميكية. يمكن للتعلم الآلي وتحليلات البيانات الفرز من خلال كل هذه البيانات لإنشاء سيناريوهات تسعير مثالية.

فهم التحليلات

من المفيد دائمًا مراجعة الإجراءات التي اتخذتها لتحديد إذا قد حققت أفضل نتيجة ممكنة. عادةً ما يؤدي التفكير في الأداء السابق إلى تحسينات في المرة القادمة. يجب أن يكون للتحليلات دائمًا هذه الأنواع من الأهداف - ما الذي يمكنك تحقيقه من خلال العثور على رؤى قابلة للتنفيذ في البيانات؟

التحليل الإحصائي للبيانات الرقمية هو نقطة بداية جديرة بالاهتمام. ولكن هذا من المحتمل أن يترك الكثير من البيانات دون تحليل أو على الأقل، ينتج نتائج بطيئة أثناء فتح الباب أمام الخطأ البشري. يمكن أن يساعد التعلم الآلي في توسيع نطاق التحليل للعثور على رؤى لا يتم تمييزها بسهولة بخلاف ذلك.

أنواع التحليلات

تمتلك الشركات مجموعة واسعة من أنواع التحليلات والتقنيات للاختيار من بينها، وغالبًا ما يعتمد أفضل ملاءمة للمشروع على ما يريد الفريق الخروج من بياناته. فيما يلي أربع فئات للتحليلات.

• تحليلات وصفية. تأخذ أنظمة التحليلات الوصفية البيانات التاريخية وتحدد الأنماط والمقاييس لاستخلاص الرؤى اللازمة لإنشاء تحليل للوضع. على سبيل المثال، يمكن للنموذج المالي الحصول على بيانات من المبيعات والتسويق والموارد البشرية والنفقات لإنشاء تحليل ربع سنوي لمؤسسة. عادةً ما تكون لوحات المعلومات هي الطريقة لتصور التحليلات الوصفية.
• التحليلات التشخيصية. تأخذ أنظمة التحليلات التشخيصية البيانات السابقة للعثور على السبب الجذري للموقف أو الاتجاه أو العلاقة. على سبيل المثال، إذا كانت المؤسسة تشهد ارتفاعًا في الشكاوى المتعلقة بجودة منتج معين، فيمكنها استخدام أداة تحليلية تشخيصية تأخذ في الاعتبار البيانات بدءًا من سلسلة التوريد وحتى تسليم المنتج لتحديد ما إذا كان السبب الجذري يكمن في مادة معينة أو خطوة تصنيع أو سبب آخر.
• تحليلات تنبؤية. تنشئ أنظمة التحليلات التنبؤية تنبؤًا بالأداء المستقبلي استنادًا إلى البيانات الحالية والسابقة ذات الصلة. يمكن أن يرتبط التنبؤ بأي شيء—نماذج الطقس، ومستويات المخزون المثلى، وسلوك العملاء في حملة تسويقية. كلما زادت البيانات، كان من الأفضل إنشاء ملف تعريف للوضع يسمح برؤى تنبؤية.
• التحليلات التوجيهية. تشبه التحليلات التوجيهية التحليلات التنبؤية، ولكنها تذهب أبعد من ذلك باقتراح إصلاحات للمشكلات التي تم العثور عليها. على سبيل المثال، قد يتنبأ نظام التحليلات التنبؤية بالمبيعات المتضخمة للربع التالي. يمكن للتحليلات التوجيهية الجمع بين البيانات التاريخية وتحليل السوق لإنتاج إجراءات توجيهية للتغلب على توقعات المبيعات الأضعف.

خطوات عملية التحليلات

بشكل عام، تتطلب العملية جمع البيانات وتنظيفها، واختيار تقنية، وتفسير النتائج، ونقل الرؤى إلى أصحاب المصلحة. يمكن أن يكون التعاون بين محللي البيانات وخبراء المجال وصناع القرار مفيدًا لضمان أن تكون الرؤى التي تم إنشاؤها ذات صلة ومؤثرة.

1. تحديد المشكلة. يجب أن تعالج جميع التحليلات مشكلة تجارية. هل تحاول تحليل بيانات التسويق؟ اكتشف ما الذي يدفع حركة دوران الموظفين؟ اكتشف الرابط الضعيف في سلسلة التوريد لديك؟ يؤدي تحديد المشكلة إلى تكوين نقطة بداية لمشروعات التحليلات.
2. جمع البيانات وتنظيفها. الآن بعد تحديد أهداف المشروع، حدد مصادر البيانات التي تحتاجها منصة التحليلات. تتضمن الخيارات استخدام نظام iPaaS الذي يربط مصادر البيانات أو الاتصال بمخزن مثل بحيرة البيانات أو مستودع البيانات. لضمان التوافق والدقة، تحتاج البيانات أيضًا إلى تنسيق مناسب للمعالجة. عادةً ما يتضمن التصحيح إزالة الإدخالات المكررة وإلغاء تنسيق البيانات قبل التحليل. بالنسبة لمصادر البيانات القابلة للتكرار، يمكن أن يساعد التعلم الآلي على أتمتة جزء من عملية التنظيف والتحويل لتحسين الكفاءة.
3. استكشاف البيانات وتمثيلها مرئيًا. باستخدام أدوات التحليلات، يمكنك تكوين تمثيلات مرئية للبيانات وإنشاء رؤى أولية. تنشئ هذه العملية نتائج عامة تحدد معلمات أي فرضيات قائمة على البيانات والتي ستكون بمثابة أساس لنماذج البيانات، بما في ذلك مجموعات البيانات التي توفر أقصى قيمة.
4. إنشاء نموذج للبيانات. مع الفهم الأساسي للهدف ومصادر البيانات المتاحة، يقوم مهندسو البيانات بإنشاء نماذج لهيكلة البيانات وتنظيمها، وسد الفجوة بين البيانات الأولية والبيانات الجاهزة للتخزين والاسترجاع بواسطة تطبيقات التحليلات.
5. تقييم النموذج. هذا هو موقع التحليل. مع استعداد نموذج البيانات، يمكن للفِرق بدء عملية التحليل لتحقيق الأهداف الأولية للمشروع. يمكن أن يتضمن تحليل البيانات أشكالاً مختلفة من التحليل الإحصائي، بما في ذلك استخدام لغات البرمجة وأدوات التحليلات.
6. النشر والمراقبة. الآن حان الوقت لاتخاذ إجراء. مع استعداد التقارير والتمثيلات المرئية، يمكن للمستخدمين تقديم النتائج إلى أصحاب المصلحة لبدء المناقشات حول القرارات المهمة. باستخدام التحليلات، تنبع التوصيات من الأدلة الموجودة في البيانات ويتم تقديمها بوضوح مع التمثيلات المرئية - غالبًا برؤى أعمق من تقنيات التقييم التقليدية أو اليدوية.

التقنيات الرئيسية في التحليلات

تعتمد ممارسة التحليلات على عدد من التقنيات التي تم إنشاؤها في مجال الإحصاءات، ثم يتم تطويرها من خلال قدرات التعلم الآلي. بعض التقنيات الأكثر شيوعًا المستخدمة في التحليلات هي كما يلي:

• تحليل الانحدار. تحليل الانحدار هو واحد من التقنيات الأساسية في البيانات والنمذجة الإحصائية. مع تحليل الانحدار، يحلل نموذج التعلم الآلي البيانات لمعرفة المتغيرات التي تؤثر على النتيجة ومقدارها. يشمل تحليل الانحدار مجموعة من التقنيات، بما في ذلك الانحدار الخطي، والانحدار غير الخطي، والانحدار اللوجستي.
• التجميع. التجميع هو نوع من التحليل المستخدم مع نماذج التعلم الآلي غير الخاضعة للإشراف. باستخدام التجميع، يستكشف نموذج التعلم الآلي مجموعة بيانات للعثور على مجموعات أصغر من البيانات ذات الصلة، ثم يستمد الاتصالات والأنماط من تلك المجموعات الأصغر لتكوين فهم أكبر.
• تحليل السلسلة الزمنية. في الإحصاءات ونمذجة البيانات، يبحث تحليل السلسلة الزمنية في نقاط البيانات التي تم جمعها ضمن نطاق زمني محدد للأنماط والتغييرات وتأثير المتغيرات لتكوين نموذج تنبؤ. أحد الأمثلة الأكثر شيوعًا لتحليل السلاسل الزمنية هو بيانات الطقس على مدار عام للتنبؤ بالأنماط الموسمية.
• الجمع بين قواعد الارتباط. يمكن أن تأتي بعض رؤى البيانات الأكثر عمقًا من تحديد الأنماط والعثور على علاقات مثيرة للاهتمام داخل مجموعات البيانات الكبيرة—واحدة من الأفكار الرئيسة لتحليلات الرسوم البيانية. يعد استخراج قواعد الارتباط نوعًا من التعلم الآلي الذي يعثر على الاتصالات المخفية والعلاقات المشتركة في العلاقات المتغيرة. على سبيل المثال، قد تستخدم سلسلة الوجبات السريعة استخراج قواعد الارتباط للعثور على العناصر التي يتم طلبها بشكل شائع معًا، ثم تقدم تلك العناصر كحزم مخفضة لجذب العملاء.
• استخراج النص. استخراج النصوص هو شكل من أشكال التعلم الآلي غير الخاضع للإشراف الذي يأخذ النص الوارد من مصادر مثل رسائل البريد الإلكتروني أو تعليقات موقع الويب أو منشورات الوسائط الاجتماعية، ثم يستخدم معالجة اللغة الطبيعية لاستخلاص أنماط ذات مغزى. ويمكن بعد ذلك ربط هذه الأنماط بمتغيرات أخرى، مثل مقاييس المشاركة أو بيانات المبيعات، لتعزيز فهم الغرض والمشاعر.

فهم التعلم الآلي

في جوهره، يدور التعلم الآلي حول العثور على الاتصالات والأنماط داخل البيانات. يقوم ML بذلك باستخدام تقنيات واضحة مثل أشجار القرار ومعقدة مثل الشبكات العصبية، مع طبقات أعمق قادرة على توفير علاقات غير خطية في البيانات. مع ذلك، بغض النظر عن الطريقة، يساعد التعلم الآلي المؤسسات على تحسين العمليات المرهقة والتعمق في بياناتها لتعزيز إنتاجية أكبر واتخاذ قرارات أفضل.

أنواع التعلم الآلي

توجد مجموعة واسعة من نماذج التعلم الآلي اعتمادًا على موارد المشروع وأهدافه وقيوده. يتيح فهم الأنواع المختلفة من تقنيات التعلم الآلي للفِرق اتخاذ الخيار الصحيح لمشروعها. تتضمن الأنواع الشائعة للتعلم الآلي ما يلي:

• التعلم الخاضع للإشراف. في التعلم الخاضع للإشراف، تتدرب خوارزميات التعلم الآلي من مجموعات البيانات المسماة بهدف تحديد الأنماط المعروفة لتنقيح دقة المخرجات بشكل متكرر. تتميز هذه العملية بالإشراف لأن عدد المعلمات المعروفة المعنية يسمح بقياس واضح لتحسين النموذج.
• التعلم غير الخاضع للإشراف. يتيح التعلم غير الخاضع للإشراف لنماذج التعلم الآلي معالجة مجموعات البيانات غير المسماة دون وضع الأهداف أو المقاييس في الاعتبار. بدلاً من ذلك، يوفر النهج غير الخاضع للإشراف صندوق حماية للتعلم العضوي من خلال اكتشاف الأنماط أو اكتشاف العلاقات أو أشكال أخرى من الرؤى التي تم إنشاؤها. عند النجاح، تكون النماذج المدربة من خلال التعلم غير الخاضع للإشراف قادرة على محاكاة البيئة التي تقدمها مجموعة البيانات بشكل صحيح وبالتالي تشكيل تنبؤات دقيقة.
• التعلم شبه الخاضع للإشراف. يجمع التعلم شبه الخاضع للإشراف بين التقنيات الخاضعة للإشراف وغير الخاضعة للإشراف لتسريع عملية التعلم الآلي. مع التعلم شبه الخاضع للإشراف، يحصل النموذج على بداية مباشرة باستخدام كمية صغيرة من البيانات المسماة. بعد الانتهاء من مجموعة البيانات هذه، يبدأ النموذج بعد ذلك في استكشاف مجموعة بيانات أكبر بدون تسمية لتطبيق الأساسيات المكتسبة في الخطوة الأولى قبل تنقيح توقعاته بطريقة عضوية وغير خاضعة للإشراف.
• التعلم بالتعزيز. يشير التعلم بالتعزيز إلى عملية السماح لنموذج باستكشاف مجموعة بيانات بغرض تحقيق نتيجة محددة. ينشئ كل قرار على طول الطريق ردود فعل من حيث التعزيز الإيجابي أو السلبي، الذي يسترشد بعد ذلك بالنموذج أثناء تنقيحه لتوقع استجابة مناسبة للحالات.

خطوات عملية التعلم الآلي

بغض النظر عن أهدافك ومعلماتك لنموذج التعلم الآلي الخاص بك، غالبًا ما تتبع هذه المشروعات عملية قياسية. يوفر فهم هذه العملية قبل بدء مشروع خارطة طريق لتخصيص الموارد وإعداد الميزانية على مدار دورة حياة التعلم الآلي بأكملها.

فيما يلي الخطوات الشائعة لتطوير نماذج التعلم الآلي.

1. تحديد المشكلة. ما الغرض من نموذج التعلم الآلي الخاص بك؟ والأهم من ذلك، هل أنتج آخرون بالفعل نماذج لهذه المهمة، وإذا كان الأمر كذلك، فهل يكفي لتحقيق أهدافك؟ يجب أن يكون كل مشروع قادرًا على حل مشكلة، ويجب أن تحدد جودة هذا الحل معلمات المشروع من نقطة البداية إلى المقاييس التي تملي النجاح.
2. جمع البيانات وتنظيفها. لدفع أي مشروع تعلم آلي إلى الأمام، تحتاج إلى بيانات. وهذا يعني تحديد مصادر بيانات التدريب المشابهة للبيانات التي سيواجهها النموذج المدرب في الاستخدام العام ثم جمع تلك البيانات وتحويلها إلى تنسيق موحد ومتوافق خالٍ من التكرارات والأخطاء. يمكن أن يؤدي التأثير على هذه الخطوة إلى صنع تحيزات تنحرف أو حتى تعطل المشروع. إن أخذ الوقت لإدارة مجموعة بيانات المشروع بعناية هو استثمار في ضمان النجاح.
3. التصميم للحصول على الميزات. ليس كل شيء في مجموعة البيانات ضروريًا لتدريب نموذج التعلم الآلي. تتمثل الخطوة الأولى الحاسمة للتعلم الآلي في تحديد المعلمات المهمة للمشروع، ثم تنسيق مجموعات البيانات التي تتميز بالتنوع حول هذه المعلمات. تتطلب هندسة الميزات تكرارًا بقيادة الخبراء، مما يؤدي في النهاية إلى التحولات عن طريق إضافة البيانات أو إزالتها أو دمجها لسياق أكبر يحسن دقة النموذج.
4. تحديد النموذج وتدريبه. ستحدد أهداف مشروعك قائمة قصيرة من تقنيات التعلم الآلي. يمكن للقيود العملية، مثل موارد الحوسبة والجدول الزمني للمشروع وتوافر مصادر بيانات عالية الجودة وتجربة أعضاء الفريق تقليص الخيارات وتحديد أفضل ملاءمة للمشروع في النهاية. بمجرد تحديده، يتدرب النموذج بشكل متكرر على مجموعة بيانات تدريب منسقة، مع تحسين النتائج والعوائد حتى يحقق دقة متسقة.
5. تقييم النموذج. يوفر النموذج المدرب بنجاح نتائج متكررة وقابلة للشرح ودقيقة. قم بتقييم نموذجك المدرب باستخدام بيانات العالم الحقيقي لقياس مدى أدائه خارج مجموعة بيانات التدريب الخاصة به. يعرّف التقييم الفرق بمدى قرب المشروع من تحقيق أهدافه الأصلية.
6. النشر والمراقبة. إذا كان النموذج يعالج بيانات الاختبار في العالم الحقيقي بنجاح على أساس متسق، فهو جاهز لبيئة الإنتاج. على الرغم من أن النشر يجب أن يحدث فقط بعد استيفاء معايير معينة، إلا أن هذا لا يمثل نهاية تطور النموذج. يجب على الفرق مراقبة نتائج النموذج باستمرار للتأكد من أنه يحافظ على الدقة والاتساق والنتائج المطلوبة الأخرى - وإذا انحرفت النتائج، فاكتشف السبب.

التقنيات الرئيسية في التعلم الآلي

العديد من تقنيات التعلم الآلي قيد الاستخدام، ولكن ليس كل تقنية تنطبق بالضرورة على أهداف أو قيود المشروع. تتمثل خدعة التعلم الآلي الناجح في معرفة التقنية التي يجب تحديدها بناءً على معلمات المشروع الفردية.

تشمل التقنيات الشائعة المستخدمة في التعلم الآلي ما يلي:

• أشجار القرارات: تستخدم أشجار القرارات التعلم الخاضع للإشراف لفهم الخيارات المختلفة التي يجب مراعاتها أثناء انتقال العناصر عبر سير العمل. على سبيل المثال، عندما ترد فاتورة جديدة، يجب اتخاذ قرارات معينة قبل دفع الفاتورة. يمكن أن تساعد أشجار القرارات في تحليل الانحدار والتجميع لتحديد، على سبيل المثال، ما إذا كانت الفاتورة صالحة، مع فاتورة كاملة مقابل احتيالية محتملة أو عدم وجود البيانات المطلوبة للدفع.
• الغابات العشوائية. توفر شجرة قرارات واحدة عرضًا محدودًا للموقف. تشير الغابات العشوائية إلى تقنية الجمع بين أشجار القرار المتعددة - وبالتالي الغابة - لخلق نتيجة تراكمية مع منظور أوسع. تتغلب الغابات العشوائية على العديد من القيود المفروضة على أشجار القرارات وتوفر مرونة أكبر في كل من الوظيفة والنطاق. في الكشف عن الاحتيال، على سبيل المثال، يمكن أن يعتمد القرار بشأن ما إذا كانت المعاملة مشروعة أم لا على العديد من العوامل، مثل مكان إنشاء المعاملة، وما إذا كان مزيج الصنف نموذجيًا للعميل، وما إذا كان حجم الشراء غير عادي. يمكن لأشجار القرارات داخل غابة معالجة كل معلمة تقييم.
• دعم أجهزة المتجهات. في بعض الأحيان تقع البيانات بشكل طبيعي في مجموعات، سواء كانت واضحة أم لا. آلات متجهات الدعم (SVMs) هي نوع من التعلم الخاضع للإشراف الذي يسعى إلى إيجاد طرق لزيادة الفَرق أو المسافة بين مجموعتين من البيانات إلى أقصى حد. في بعض الأحيان يكون هناك خط تقسيم خطي واضح بين مجموعات البيانات، وأحيانًا تكون وظيفة التقسيم غير خطية. في حالة عدم وجود تجميع واضح في طرق العرض ثنائية الأبعاد، يمكن لـ SVMs استخدام تحليل عالي الأبعاد للعثور على طرق لتجميع البيانات.
• الشبكات العصبية: تقوم الشبكات العصبية بترتيب نقاط توصيل الحوسبة بطريقة مماثلة لشبكات الخلايا العصبية في أدمغتنا. تطبق كل طبقة داخل الشبكة العصبية وظائف فريدة لتحديد كيفية تصنيف بيانات المدخلات وما إذا كان يمكن إجراء التنبؤات من بيانات المدخلات.
• تعزيز التدرج: يأتي كل توقع لنموذج التعلم الآلي بمستوى من الثقة. على سبيل المثال، لنفترض أن المعاملة تبدو وكأنها احتيال بثقة 0.8، حيث يكون 1.0 مؤكدًا تمامًا. هذا تنبؤ واثق جدًا. عندما يقوم النموذج بإجراء تقييمه، فإن بعض الحسابات على طول الطريق ستساهم بشكل كبير في التنبؤ، في حين أن البعض لن يساهم كثيرًا على الإطلاق. في العديد من النماذج، يتم الخصم من المساهمين المنخفضين لأنهم يظهرون بأنفسهم مثل تشويش. يسعى تعزيز التدرج إلى الجمع بين بعض هؤلاء المساهمين المنخفضين بطريقة تتيح لهم المساهمة بشكل أكبر في التنبؤ، وبالتالي خفض معدلات الخطأ وتعزيز تصنيفات الثقة.

التحديات في التحليلات والتعلم الآلي

يعتمد التعلم الآلي والتحليلات على العديد من التقنيات نفسها. وبسبب ذلك، تواجه كلتا المجموعتين تحديات مماثلة، سواء تم اتخاذها بشكل منفصل أو كمشروع "التعلم الآلي المدعوم بالتحليلات". فيما يلي بعض التحديات الشائعة التي تواجهها فِرق المشروع.

• جودة البيانات: يتطلب التعلم الآلي الكثير من البيانات. ولكن عندما تكون هذه البيانات مزدحمة بالتنسيق غير المتسق والتكرارات والمشكلات الأخرى، يمكن أن تحول عملية تدريب النموذج. تعد جودة البيانات واحدة من التحديات الأساسية في إنشاء نموذج فعَّال، لكن لاحظ أنه عندما يتعلق الأمر بالتعلم الآلي، فإن "الجودة" تعني أنه يتم تنسيق البيانات بشكل صحيح وتعكس ما سيراه النموذج في السيناريوهات الحقيقية. إذا كانت بيانات التدريب نظيفة للغاية ولا تمثل التباين في العالم الحقيقي الذي سيختبره النموذج في الإنتاج، فقد تكون أكثر ملاءمة لبيانات التدريب—أي عدم القدرة على التعامل مع التباين والتعقيد الموجودين في مجموعات البيانات الحقيقية. يجب على المؤسسات استخدام استراتيجيات للحفاظ على جودة البيانات، بما في ذلك فحص مصادر البيانات لتقنيات التحويل المناسبة وإلغاء التكرار المنتظم. لكنهم بحاجة إلى تحقيق التوازن، وتنظيف البيانات بما يكفي لإزالة الضوضاء والأخطاء مع الحفاظ على التنوع.
• تحديد الخوارزميات وتحسينها: يأتي كل مشروع مع احتياجات محددة، ووفقًا لأهداف المشروع، ستعمل التقنيات والخوارزميات المختلفة على تحقيق أفضل ملاءمة. في بعض الأحيان تبدو هذه الخيارات واضحة، كما لو كنت تعرف أن الطبيعة المنظمة لأشجار القرار ستعمل على نطاق وطبيعة المشكلة المطروحة. في حالات أخرى، يكون اختيار النموذج أقل وضوحًا. قم بتوثيق خصائص بياناتك، مثل الحجم والنوع والتعقيد، ثم فكر في المشكلة التي تتطلع إلى حلها. ما مقدار قوة المعالجة المطلوبة لتدريب النموذج واستخدامه، وهل يمكنه التوسع للتعامل مع بياناتك؟ من الأفضل البدء بشكل أبسط والانتقال إلى أعلى في التعقيد. يمكن أن تساعد أدوات مثل AutoML في أتمتة اختبار أفضل خوارزمية لمشروعك واختيارها.
• التجهيز الزائد والتجهيز الناقص: إذا لم توفر بيانات التدريب للنموذج توازنًا مناسبًا بين اتساع النطاق والجودة، فقد يحدث إما التجهيز الزائد أو التقليل المناسب. يحدث التجهيز الزائد عندما تحتوي بيانات التدريب على أنواع معينة فقط من البيانات. إذا كنت تريد تطبيقًا يمكنه تحديد عناوين الأغاني والمغنيين ولكنك تمنحه موسيقى الريف فقط أثناء التدريب، فسيتم فقده عندما يتعلق الأمر بـ rock أو R&B. يشير التقليل إلى عكس ذلك - لم يتم تدريب النموذج على نطاق واسع بما فيه الكفاية ويفشل حتى في ما يجب أن يكون استفسارات واضحة أو مدخلات البكر.
• قابلية التوضيح وقابلية التفسير: تعد قابلية التفسير وقابلية التوضيح خصائص متشابهة ولكنها متميزة لنموذج الذكاء الاصطناعي. عندما يكون ناتج نموذج الذكاء الاصطناعي قابلاً للشرح، نفهم ما يقوله لنا، وعلى مستوى عالٍ، من أين جاءت الإجابة. إذا كتب الذكاء الاصطناعي التوليدي ملخصًا من أربع فقرات لاجتماع مجلس الإدارة، يمكنك قراءة محاضر الاجتماع وفهم كيفية اختيار النظام لكتابة ما فعله. أو إذا توقع نموذج أن يزيد المنتج في المبيعات بنسبة 3% هذا العام، يمكنك الاطلاع على تقارير المبيعات وفهم مصدر هذا الرقم. ذلك هو قابلية التوضيح.
  
  تعني قابلية التفسير فهم ما فعله النموذج للتوصل إلى تفاصيل إجابته. لماذا اختار نظام GenAI الكلمات التي اختارها بالترتيب الذي اختاره في تلخيص اجتماع مجلس الإدارة هذا؟ ما العمليات الحسابية التي استخدمتها في الحصول على توقعات زيادة المبيعات بنسبة 3%؟ عندما يستشهد الذكاء الاصطناعي بمصادره، فإنه يحسن قابلية التوضيح. ولكن عندما تصبح النماذج أكثر تعقيدًا، فإنها أقل وأقل قابلية للتفسير.

أفضل ممارسات التحليلات والتعلم الآلي

تشترك التحليلات والتعلم الآلي في الممارسات الشائعة فيما يتعلق بعوامل مثل مصادر البيانات والخوارزميات ومقاييس التقييم. فيما يلي الممارسات الشائعة لكل من التحليلات والتعلم الآلي.

1. تحديد المشكلة ومقاييس النجاح: ما الغرض من مشروع التحليلات الخاص بك؟ هذا السؤال البسيط هو الأساس لكل ما يحدث بعد ذلك. تعرف على المشكلة التي تحاول حلها، وتتالي القرارات مثل الخوارزمية واختيار مصدر البيانات من هناك. يحدد ذلك نقطة البداية، ولكن خط النهاية يحتاج أيضًا إلى تعريف. كيف تقيس النجاح؟ ويوفر هذان السؤالان الإطار الواسع لمشروع ما، ومن هناك، يمكن للفرق البدء في ملء التفاصيل.
2. استخدام مجموعات بيانات متنوعة وعالية الجودة: نتائج المشروع جيدة مثل البيانات المصدر فقط. تنشئ مجموعات البيانات منخفضة الجودة ذات المشكلات مثل الازدواجية والمصادر الموحدة بشكل غير واقعي مشكلات—في أحسن الأحوال، نتائج متباينة، في أسوأ الأحوال، مما يؤدي إلى استنتاجات خاطئة تكلف الشركة الوقت والمال والعملاء. بالنسبة إلى كل من التحليلات والذكاء الاصطناعي، يجب أن تكون مجموعات البيانات حالية وتعكس الظروف في العالم الحقيقي مع تقديم مجموعة من وجهات النظر ذات الصلة والمتنوعة.
3. اختيار الخوارزميات المناسبة وبنية النموذج: تم تطوير تقنيات التعلم الآلي لأغراض محددة. تختلف أنظمة اكتشاف الحالات الشاذة عن أنظمة التجميع الهرمي أو تعريف الكائن. تتطلب بعض طرق التعلم الآلي المزيد من قوة المعالجة وقد تكون خيارات سيئة للتطبيقات الأبسط. وبالمثل، تتمتع نماذج التحليلات بأفضل استخداماتها أيضًا. قد يكون من المفيد تجربة بعض الخوارزميات المختلفة على بياناتك ومقارنة أدائها.
4. تنظيم النماذج وتحسينها: في التعلم الآلي، يحدث التجهيز الزائد عندما تفتقر مجموعة تدريب النموذج إلى التنوع الذي سيكون موجودًا في استخدام الإنتاج. إذا كان النموذج مدربًا تدريبًا عاليًا على مجموعة بيانات محدودة، فقد لا يكون قادرًا على تفسير المدخلات التي تختلف عن مجموعة التدريب الخاصة به. يسعى التنظيم إلى القضاء على التجهيز الزائد وجعل النموذج أكثر قابلية للتطبيق بشكل عام. يضبط التحسين بشكل متكرر نموذجًا لضمان دقة عالية.
5. الإبلاغ عن النتائج بوضوح: تتضمن التدريبات المذكورة أعلاه عناصر فنية للمشروعات. ومع ذلك، غالبًا ما يتم تجاهل أحد أكبر مفاتيح النجاح المحتملة: الإبلاغ عن النتائج. قد تركز الفرق على نماذج الضبط الدقيق أو مصادر بيانات التدقيق وتنسى أن أصحاب المصلحة الرئيسيين يحتاجون إلى معرفة كيفية تقدم المشروع. يتطلب ذلك التواصل الواضح مع المقاييس القابلة للتنفيذ وتقييم موجز لـ "كيف تسير؟"

استخدام حالات وتطبيقات التحليلات والتعلم الآلي

كيف تطبق التحليلات والتعلم الآلي في العالم الحقيقي؟ طالما أن البيانات موجودة، يمكن للمؤسسات في أي صناعة دمج التحليلات والتعلم الآلي. في الواقع، يمكن للأقسام المختلفة، مثل الهندسة والعمليات والتسويق والمبيعات، استخدامها بطرق مختلفة. يغطي ما يلي فقط حفنة من حالات الاستخدام التي تعرض فوائد التحليلات والتعلم الآلي عبر مجموعة متنوعة من المجالات والوظائف.

• التسويق: تحصل أقسام التسويق على بيانات من جميع أنواع الطرق: تتبع المشاركة في رسائل البريد الإلكتروني ومنشورات الوسائط الاجتماعية، وتاريخ الشراء، واستخدام التطبيقات، وسلوك التصفح، والمزيد. ماذا تفعل مع هذا الفيضان من المعلومات؟ يمكن لأنظمة التعلم الآلي تجميعها للبحث عن أنماط محددة وإنشاء ملف تعريف قائم على التحليلات للعملاء الفرديين والقطاعات لمستخدمي الأعمال. من تلك النقطة، يمكن للقرارات القائمة على البيانات تفعيل المزيد من الاستراتيجيات مثل العروض المستهدفة بالغة الصغر أو المشاركة الموسمية حسب التركيبة السكانية.
• الإدارة المالية: عند دمج البيانات من جميع أنحاء المؤسسة، يمكن للأقسام المالية استخدام التعلم الآلي لتجميع هذه الأحجام الضخمة لفك التشفير باستخدام التحليلات. يمكن أن توفر الرؤى الناتجة القائمة على البيانات نظرة عن كثب على العوامل المهمة، مثل التدفق النقدي واتجاهات كشوف الرواتب وأنماط شراء الأصول. يمكن للتحليلات استخلاص مستويات جديدة من الرؤى من خلال اكتشاف الاتجاهات والتنبؤات المستندة إلى النماذج مع توفير المساعدة أيضًا في اكتشاف الاحتيال.
• الرعاية الصحية: بين السجلات الطبية الإلكترونية والأجهزة المتصلة والمقاييس التشغيلية من المرافق، يمكن أن يعمل التعلم الآلي والتحليلات معًا لمساعدة مؤسسات الرعاية الصحية على تحسين العمليات وتقديم رعاية فردية أفضل. بالنسبة للعمليات، يمكن توسيع نطاق التوظيف وتقليله استنادًا إلى دورات الاستخدام المثبتة التي يتم تشغيلها بواسطة عوامل مثل الموسم والطقس. بالنسبة للأفراد، يمكن أن توفر الرؤى القائمة على البيانات إشارات حول وقت حجز فحوصات معينة أو علاجات جديدة واعدة.
• الروبوتات: ينشئ كل استخدام للروبوتات تقريبًا بيانات، بدءًا من دورة التصنيع وحتى المنتج النهائي في استخدام الإنتاج. بالنسبة إلى هذه الأخيرة، يمكن أن تأتي البيانات من مصادر تشمل أجهزة استشعار درجة الحرارة واستخدام وحدة المعالجة المركزية والمفاصل والمحركات الميكانيكية. يمكن أن تأخذ التحليلات هذا الكم الهائل من البيانات وتهدف إلى تحسين جميع جوانب الإنتاج، مثل مصادر التصنيع وصيانة المحركات، مما يؤدي في النهاية إلى خفض تكاليف الصيانة.
• الاقتصاد: يمكن أن يفيد التعلم الآلي البحث والتحليل الاقتصاديين بطرق عديدة. في أبسط صورها، يمكنها جمع كميات هائلة من البيانات وإنشاء تصورات. ومع ذلك، يستخدم المحللون الاقتصاديون أيضًا التعلم الآلي للبحث في نقاط البيانات ذات الصلة، مثل المشاعر المستندة إلى النصوص، مما يوفر سياقًا أكبر لطريقة وسبب نتيجة معينة.

Oracle: استخدام التحليلات والتعلم الآلي للمساعدة في تحسين أعمالك

توفر أنظمة Oracle Analytics، وهي قوية بما يكفي لعلماء البيانات وبديهية بما يكفي لمستخدمي الأعمال، ميزات قوية متكاملة مع التعلم الآلي. يمكن لمنتجات Oracle Analytics أن تمكنك من استكشاف البيانات من خلال معالجة اللغة الطبيعية، وإنشاء التمثيلات المرئية في واجهة خالية من التعليمات البرمجية، والاستمتاع برؤى مدعومة بالذكاء الاصطناعي بنقرة واحدة. تساعد Oracle في وضع المعلومات في السياق مع إتاحة الوصول إلى البيانات وإمكانية الوصول إلى الذكاء الاصطناعي/التعلم الآلي للجميع، بما في ذلك عبر إمكانات من نوع AutoML ومن دون تعليمات برمجية.

يوفر التعلم الآلي والتحليلات إمكانات هائلة لتحويل الأعمال ودفع الابتكار. من خلال الاستفادة من قوة البيانات والاستفادة من التقنيات المتقدمة، يمكن للمؤسسات الحصول على رؤى قيمة واتخاذ قرارات قائمة على البيانات، وربما تحقيق ميزة تنافسية. ومع استمرار تطور التكنولوجيا، لن تتوسع تطبيقات التعلم الآلي للتحليلات إلا، مما يوفر فرصًا مثيرة للشركات من جميع الأحجام.

الأسئلة الشائعة حول التعلم الآلي والتحليلات

ما الفرق بين التعلم الآلي والتحليلات؟

التعلم الآلي هو عملية تقييم مجموعات البيانات الكبيرة لتحديد الأنماط وبناء نموذج تنبئي، سواء لمهام الأتمتة الصغيرة أو لعمليات أكبر وأكثر تعقيدًا تتطلب تفكيرًا نقديًا. تشير التحليلات إلى علم التحليل المنهجي للبيانات والإحصاءات. يمكن أن تستفيد التحليلات من خلال دمج التعلم الآلي لإنشاء نماذج البيانات، ولكن المفهومين موجودان بشكل منفصل ما لم يتم استخدامهما معًا عن قصد. في مشهد الأعمال اليوم، يمكن أن يضع مزيج التعلم الآلي والتحليلات المؤسسة للنجاح.

ما أنواع التحليلات باستخدام التعلم الآلي؟

بشكل عام، يمكن لأي نوع من التحليلات استخدام التعلم الآلي طالما أن منصة التحليلات تدعمه وتتصل بشكل صحيح بمستودع بيانات. من الناحية الوظيفية، يمكن لأي مشروع تحليلات تقريبًا الاستفادة من استخدام التعلم الآلي لتسريع عملية جمع البيانات.

كيف يمكن استخدام التعلم الآلي والتحليلات لإجراء تنبؤات الأعمال؟

يمكن أن تساعد التحليلات المؤسسات على التنبؤ بالأعمال من خلال معالجة البيانات التاريخية، وتحديد أنماط لأشياء مثل دورات المبيعات، واتجاهات السوق، وسلوك العملاء، أو حتى عمليات التصنيع. باستخدام الرؤى التنبؤية في أي من هذه الأمور، يمكن للمؤسسات اتخاذ قرارات للاستفادة على أفضل وجه من النتائج للحصول على نتائج أعمال أفضل.

كيف يمكن للمؤسسات ضمان نجاح مشروعات التعلم الآلي والتحليلات الخاصة بها؟

بالنسبة إلى مشروعات التعلم الآلي والتحليلات، ضع في اعتبارك الممارسات التالية، التي قد تساعد على وضعها للنجاح، بما في ذلك ما يلي:

• بالنسبة إلى كلاهما: استخدام مصادر بيانات عالية الجودة.
• للتحليلات: يضمن وجود مهندسي البيانات أن تفي النمذجة والبيانات بالمعايير قبل الاستخدام.
• للتحليلات: تحديد التقنيات التي تحقق التوازن الأمثل بين أهداف المشروع والموارد العملية.
• للتعلم الآلي: استكشاف الأخطاء وإصلاحها لمشكلات مثل التجهيز الزائد والتجهيز الناقص.
• للتعلم الآلي: مراقبة نموذج بعد النشر باستمرار لمعرفة ما إذا كانت هناك حاجة إلى مزيد من المراجعات والتعديلات.