المحتوى
- تطبيقات الأعمال للتعلم العميق
- الخامس من البيانات الكبيرة والتعلم العميق
- No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
- معضلة الصندوق الأسود
- اللائحة
المصدر: Agsandrew / Dreamstime.com
يبعد:
التعلم العميق لديه الكثير لتقدمه للشركات ، لكن الكثير منهم ما زالوا مترددين في تبنيه. هنا نلقي نظرة على بعض أكبر نقاط الألم.
التعلم العميق هو حقل فرعي للتعلم الآلي ، والذي (بشكل عام) عبارة عن تقنية مستوحاة من العقل البشري ووظائفه. تم تقديم التعلم الآلي لأول مرة في الخمسينيات من القرن الماضي ، وهو ما يعرف بالشبكة العصبية الاصطناعية ، وهي مجموعة كبيرة من نقاط البيانات المترابطة التي تشكل مجتمعة أساسًا للذكاء الاصطناعي. (للحصول على أساسيات التعلم الآلي ، تحقق من Learning Learning 101.)
يتيح التعلم الآلي أساسًا لبرامج الكمبيوتر تغيير نفسها عند مطالبتها بالبيانات أو البرمجة الخارجية. وهي بطبيعتها قادرة على تحقيق ذلك دون تفاعل بشري. تشترك في وظائف مماثلة مع التنقيب عن البيانات ، ولكن مع معالجة المناجم بالنتائج بدلاً من البشر. وهي مقسمة إلى فئتين رئيسيتين: التعلم الخاضع للإشراف وغير الخاضع للإشراف.
يتضمن التعلم الآلي تحت الإشراف الاستدلال على العمليات المحددة مسبقًا من خلال بيانات التدريب المحددة. بمعنى آخر ، فإن النتائج الخاضعة للإشراف معروفة مقدمًا بواسطة المبرمج (الإنساني) ، ولكن النظام الذي يستنتج النتائج مدرّب على "تعلمها". وعلى النقيض من ذلك ، فإن التعلم الآلي غير الخاضع للرقابة يستخلص استنتاجات من بيانات الإدخال غير المُعلَّمة ، وغالبًا ما يكون وسيلة للكشف عن أنماط غير معروفة.
التعلم العميق فريد في قدرته على تدريب نفسه من خلال خوارزميات هرمية ، على عكس الخوارزميات الخطية للتعلم الآلي. التسلسلات الهرمية للتعلم العميق معقدة ومجردة بشكل متزايد لأنها تتطور (أو "تتعلم") ولا تعتمد على المنطق الخاضع للإشراف. ببساطة ، التعلم العميق هو شكل متقدم للغاية ودقيق وآلي للتعلم الآلي ، وهو في طليعة تكنولوجيا الذكاء الاصطناعي.
تطبيقات الأعمال للتعلم العميق
يستخدم التعلم الآلي بالفعل بشكل شائع في العديد من الصناعات المختلفة. وسائل التواصل الاجتماعي ، على سبيل المثال ، تستخدمه في تنسيق خلاصات المحتوى في الجداول الزمنية للمستخدم. تم تأسيس Google Brain قبل عدة سنوات بهدف إنتاج تعلم عميق عبر مجموعة من خدمات Google مع تطور التكنولوجيا.
مع تركيزه على التحليلات التنبؤية ، يستثمر مجال التسويق بشكل خاص في ابتكار التعلم العميق. وبما أن تراكم البيانات هو ما يدفع التكنولوجيا ، فإن الصناعات مثل المبيعات ودعم العملاء (التي تمتلك بالفعل ثروة من بيانات العملاء الأثرياء والمتنوعة) في وضع فريد لاعتمادها على المستوى الأرضي.
يمكن أن يكون التكيف المبكر للتعلم العميق هو العامل الحاسم الرئيسي في مدى استفادة قطاعات محددة من التكنولوجيا ، لا سيما في المراحل المبكرة. ومع ذلك ، فإن بعض نقاط الألم المحددة تمنع العديد من الشركات من الانغماس في الاستثمار في تكنولوجيا التعليم العميق.
الخامس من البيانات الكبيرة والتعلم العميق
في عام 2001 ، أوضح محلل في مجموعة META (Gartner الآن) باسم دوغ لاني ما اعتبره الباحثون التحديات الرئيسية الثلاثة للبيانات الضخمة: الحجم والتنوع والسرعة. بعد أكثر من عقد ونصف من الزمان ، أدت الزيادة السريعة في نقاط الوصول إلى الإنترنت (ويعزى ذلك إلى حد كبير إلى انتشار الأجهزة المحمولة وصعود تكنولوجيا إنترنت الأشياء) إلى جعل هذه القضايا في طليعة شركات التكنولوجيا الكبرى والشركات الصغيرة والشركات الناشئة على حد سواء. (لمعرفة المزيد حول النقاط الثلاث ، راجع تحدي البيانات الكبيرة اليوم ينبع من التنوع ، وليس من الحجم أو السرعة.)
No Bugs، No Stress - دليلك خطوة بخطوة لإنشاء برامج لتغيير الحياة دون تدمير حياتك
لا يمكنك تحسين مهارات البرمجة لديك عندما لا يهتم أحد بجودة البرنامج.
الإحصاءات الأخيرة حول استخدام البيانات العالمية مذهلة. تشير الدراسات إلى أن حوالي 90 بالمائة من جميع بيانات العالم تم إنشاؤها فقط خلال العامين الماضيين. بلغ معدل حركة الهواتف المحمولة في جميع أنحاء العالم حوالي سبعة إكسابايت شهريًا خلال عام 2016 ، وفقًا لأحد التقديرات ، ومن المتوقع أن يرتفع هذا الرقم بحوالي سبعة أضعاف خلال نصف العقد المقبل.
ما وراء الحجم ، يعد التنوع (التنوع المتزايد بسرعة في أنواع البيانات مع تطور الوسائط الجديدة وتوسيعها) والسرعة (السرعة التي يتم بها إرسال الوسائط الإلكترونية إلى مراكز البيانات ومراكز البيانات) من العوامل الرئيسية في كيفية تكيف الشركات مع المجال المزدهر التعلم العميق. وللتوسع على جهاز ذاكري ، تمت إضافة عدة كلمات v أخرى إلى قائمة نقاط الألم الكبيرة للبيانات في السنوات الأخيرة ، بما في ذلك:
- الصلاحية: قياس دقة بيانات الإدخال في أنظمة البيانات الكبيرة. يمكن أن تتسبب البيانات غير الصالحة التي لم يتم اكتشافها في حدوث مشكلات كبيرة وكذلك سلسلة من ردود الفعل في بيئات التعلم الآلية.
- الضعف: تثير البيانات الضخمة بطبيعة الحال المخاوف الأمنية ، ببساطة بفضل حجمها. وعلى الرغم من وجود إمكانات كبيرة في أنظمة الأمان التي يتم تمكينها من خلال التعلم الآلي ، إلا أن تلك الأنظمة في تجسيدها الحالي تُلاحظ بسبب افتقارها إلى الكفاءة ، لا سيما بسبب ميلها إلى توليد إنذارات خاطئة.
- القيمة: قد يكون إثبات القيمة المحتملة للبيانات الضخمة (في العمل أو في أي مكان آخر) تحديًا كبيرًا لأي عدد من الأسباب. إذا تعذر معالجة أي من نقاط الألم الأخرى في هذه القائمة بشكل فعال ، فعندئذ يمكن أن تضيف في الواقع قيمة سلبية إلى أي نظام أو منظمة ، وربما حتى مع تأثير كارثي.
تشمل نقاط الألم الحسية الأخرى التي تمت إضافتها إلى القائمة التباين والصدق والتقلب والتصور - وكلها تمثل مجموعات فريدة من التحديات التي تواجه أنظمة البيانات الكبيرة. ولا يزال من الممكن إضافتها لأن القائمة الحالية (ربما) تتناقص مع مرور الوقت. على الرغم من أنها قد تبدو مفتعلة إلى حد ما بالنسبة للبعض ، إلا أن قائمة "v" التي تتضمن بعض المسائل الخطيرة التي تواجه البيانات الضخمة والتي تلعب دورًا مهمًا في مستقبل التعلم العميق.
معضلة الصندوق الأسود
واحدة من السمات الأكثر جاذبية للتعلم العميق والذكاء الاصطناعي هي أن كلاهما يهدف إلى حل المشاكل التي لا يمكن للبشر. ومع ذلك ، فإن نفس الظواهر التي من المفترض أن تسمح بذلك ، تمثل أيضًا معضلة مثيرة للاهتمام ، والتي تأتي في شكل ما يعرف بـ "الصندوق الأسود".
إن الشبكة العصبية التي تم إنشاؤها من خلال عملية التعلم العميق شاسعة ومعقدة إلى حد كبير بحيث تكون وظائفها المعقدة غير ملحوظة بشكل أساسي في الملاحظة البشرية. قد يكون لدى علماء البيانات والمهندسين فهم شامل لما يدور في أنظمة التعلم العميقة ، ولكن كيف يتم التوصل إلى قرارات مخرجاتهم في كثير من الأحيان لا يتم تفسيره تمامًا.
على الرغم من أن هذا قد لا يمثل مشكلة كبيرة بالنسبة إلى المسوقين أو مندوبي المبيعات (على حسب ما يقومون بتسويقه أو بيعه) ، إلا أن الصناعات الأخرى تتطلب قدراً معينًا من التحقق من صحة العملية والمنطق من أجل الحصول على أي استخدام للنتائج. على سبيل المثال ، قد تستخدم شركة الخدمات المالية التعلم العميق لإنشاء آلية تسجيل ائتمانية عالية الكفاءة. لكن في الغالب يجب أن تأتي الدرجات الائتمانية بنوع من التفسير اللفظي أو المكتوب ، والذي سيكون من الصعب تشكيله إذا كانت معادلة درجة الائتمان الفعلية غير شفافة تمامًا وغير قابلة للتفسير.
تمتد هذه المشكلة إلى العديد من القطاعات الأخرى أيضًا ، لا سيما في مجالات الصحة والسلامة. يمكن أن يستفيد كل من الطب والمواصلات بطرق رئيسية من التعلم العميق ، لكنهما يواجهان أيضًا عقبة كبيرة في شكل الصندوق الأسود. أي ناتج ينتج عن تلك الحقول ، بغض النظر عن مدى نفعها ، يمكن إهماله بالكامل بسبب الغموض التام الذي يكتنف الخوارزميات. هذا يقودنا إلى نقطة الألم الأكثر إثارة للجدل منهم جميعا ...
اللائحة
في ربيع عام 2016 ، أقر الاتحاد الأوروبي اللائحة العامة لحماية البيانات (GDPR) ، والتي (من بين أمور أخرى) تمنح المواطنين "الحق في شرح" للقرارات الآلية الناتجة عن أنظمة التعلم الآلي التي "تؤثر عليهم" بشكل كبير. من المقرر أن تدخل اللائحة حيز التنفيذ في عام 2018 ، مما يثير قلق شركات التكنولوجيا التي تستثمر في التعلم العميق بسبب الصندوق الأسود الذي لا يمكن اختراقه ، والذي من شأنه في كثير من الحالات عرقلة التفسير الذي يفرضه إجمالي الناتج المحلي.
تعد "عملية اتخاذ القرارات الفردية الآلية" التي ينوي إجمالي الناتج المحلي تقييدها ميزة أساسية للتعلم العميق. لكن المخاوف بشأن هذه التكنولوجيا أمر لا مفر منه (وصالح إلى حد كبير) عندما تكون احتمالية التمييز مرتفعة للغاية والشفافية منخفضة للغاية. في الولايات المتحدة ، تنظم إدارة الأغذية والعقاقير بالمثل اختبار وتسويق الأدوية من خلال اشتراط أن تظل هذه العمليات قابلة للمراجعة. وقد شكل ذلك عقبات أمام صناعة المستحضرات الصيدلانية ، كما ذُكر ، كما ورد ، بالنسبة لشركة Biogen للتكنولوجيا الحيوية التي تتخذ من ماساتشوستس مقراً لها ، والتي مُنعت من استخدام أساليب التعلم العميق غير القابلة للتفسير بسبب قاعدة FDA.
إن الآثار المترتبة على التعلم العميق (الأخلاقي والعملي وما بعده) غير مسبوقة وبصراحة عميقة للغاية. يحيط قدر كبير من الخوف بالتكنولوجيا ويرجع ذلك في جزء كبير منه إلى مزيج من إمكاناتها التخريبية ومنطقها الغامض ووظائفها.إذا تمكنت الشركات من إثبات وجود قيمة ملموسة ضمن التعلم العميق الذي يتجاوز أي تهديدات أو أخطار يمكن تصورها ، فيمكنها عندئذٍ أن تقودنا إلى المرحلة الحرجة التالية من الذكاء الاصطناعي.