التعلم الآلي الموجه وغير الموجه: فهم الفروقات وأهم التطبيقات
خطف التعلم الآلي الموجه وغير الموجه الأضواء خلال السنوات القليلة الأخيرة بفضل تطبيقاته المتنوعة وتأثيراته العظيمة على حياتنا اليومية؛ إذ أصبح حجر الأساس في تطوير نماذج ذكية جديدة سواء على مستوى الاقتصاد العالمي أو الرعاية الصحية أو التجارة الإلكترونية أو التسويق الرقمي وغيرها من المجالات الأخرى.
لذلك إذا كنت لا تمتلك حتى الآن معلومات كافية عن تلك الأنواع المصنفة ضمن الـتعلم الآلي Machine Learning، تابع معنا لاكتشاف حقيقة كل نوع منهما وأوجه الاختلاف بينهما، بالإضافة إلى أمثلة واقعية عن كل نوع على حدة.
جدول المحتويات
ما هو التعلم الموجه؟

يُعرف أيضاً بالتعلم الخاضع للإشراف Supervised Learning وهو أحد أنواع تعلم الآلة الذي يعتمد على البيانات المسماة فقط من أجل تدريب خوارزميات الذكاء الاصطناعي على التنبؤ واكتشاف أنماط البيانات. أما بالنسبة إلى الآلية التي تجري بها عمليات التعلم الموجه فهي من خلال إدراك العلاقة بين المدخلات والمخرجات [1]. يحتوي التعلم الخاضع للإشراف على نوعَين هما: [2]
- الانحدار Regression: هو النوع المستخدم عندما توجد علاقة بين بيانات الإدخال وبيانات الإخراج، ومن استعمالاته التنبؤ بالطقس.
- التصنيف Classification: هو النوع المستخدم عندما تكون بيانات الإخراج لا تحمل إلا احتمالين (نعم، لا) (صح، خطأ)، ومن أمثلته تصفية البريد العشوائي.
ونظراً إلى أهمية التعلم الآلي الموجه وغير الموجه ينتشر استعمالها على نطاق واسع في مختلف الصناعات والمجالات، وفيما يلي بعض التطبيقات الواقعية للتعلم الموجه:
اكتشاف عمليات الاحتيال
يساعد اعتماد التعلم الموجه في أنظمة المصارف والبنوك على التحليل التنبؤي وبالتالي توقع المخاطر المحتملة، حيث يتم تدريب النماذج على البيانات التي تحتوي على نشاط احتيالي وغير احتيالي للتمييز بينها، وذلك كله كفيل في حماية القطاع الاقتصادي من الخسائر. على سبيل المثال، يعتبر الاستناد إلى هذه النماذج هو سرّ الحفاظ على بطاقات الائتمان من عمليات الاحتيال [1] [3].
تصنيف الصور
تقوم خوارزميات التعلم الخاضع للإشراف في التعامل مع الصور على أساس التصنيف، بعبارة أخرى تكتشف الكائنات أو الأشياء الموجودة داخل الصور من أجل تصنيفها في فئات محددة، حيث يرتبط كل إدخال (صورة) بعلامة إخراج مقابلة (الكائن في الصورة). مثلاً عندما تعطي النموذج تشكيلة صور مليئة بالسيارات يتم تصنيفها حسب نوع السيارة (مرسيدس، أودي …) [1] [3].
تصفية البريد العشوائي
من أشهر تطبيقات التعلم الآلي حيث يتم تدريب النموذج على رسائل بريد إلكتروني غير مرغوب فيها، وبعد الانتهاء من هذا التدريب سيكون النموذج قادراً على تصنيف الرسائل الواردة بسهولة. تساعد هذه التقنية الذكية معظم المستخدمين على تجنب هدر الوقت في قراءة الرسائل المزعجة [4].
التشخيص الطبي
يحاول قطاع الرعاية الصحية استغلال نماذج التعلم الآلي الموجه وغير الموجه لتحقيق إنجازات جديدة، لذلك تتجه الأنظار مؤخراً إلى تحليل مجموعات البيانات الطبية المسماة مثل صور الأشعة وسجلات المرضى. ومن أمثلة التعلم الموجه في القطاع الصحي: [4]
- تسهيل اكتشاف سرطان الثدي.
- التنبؤ بحالة المريض المستقبلية.
- مساعدة الأطباء على التشخيص.
- تقديم توصيات لعلاج المرضى.
- تحليل السجل الصحي للمريض.
التنبؤ بالأسعار
يمتلك التعلم الموجه قدرة هائلة على التحليل التنبؤي للأسعار مما يساعد الاقتصاد على النمو خلال وقت قياسي؛ إذ يستطيع التنبؤ بأسعار الأسهم عبر التحليل الدقيق لبيانات السوق والشركات أيضاً. كذلك يمكنه التنبؤ بأسعار واتجاهات العملات المشفرة في المستقبل. هذا فضلاً عن التنبؤ بسعر مبيع السيارات بناءً على نوع السيارة وعمرها وما تحتوي عليه من مزايا [3].
معالجة اللغة الطبيعية
يُستخدم التعلم الموجه في فهم اللغة البشرية مما يساعد على تطوير المزيد من أدوات الترجمة الآلية، بالإضافة إلى التحليل السريع والدقيق للمشاعر الموجودة في البيانات النصية. كذلك يوفر فرصة تصنيف المستندات النصية إلى فئات محددة بسرعة عالية [4].
ما هو التعلم غير الموجه؟

التعلم الآلي الموجه وغير الموجه هما من أشكال Artificial Intelligence، ويقصد بالتعلم غير الموجه أو غير الخاضع للإشراف ذلك النوع الذي يستخدم خوارزميات الذكاء الاصطناعي لتحديد أنماط البيانات غير المسماة. يطلق عليه Unsupervised Learning في اللغة الإنجليزية [5]، والأهم من ذلك كله أنه يتعامل مع البيانات الكبيرة بطرق عديدة، وهذا ما يجعله يصنف ضمن أنواع، وهي: [6]
- التجميع Clustering.
- الربط Association.
- تقليل الأبعاد Dimensionality Reduction.
والآن نستعرض أمثلة واقعية على التعلم غير الخاضع للإشراف (غير الموجه):
تقسيم العملاء
تتعاون تقنيات التعلم غير الموجه مع برمجة لغة بايثون لأجل مساعدة الشركات التجارية على تقسيم جمهورها، وهذا يؤدي دائماً إلى فهم قاعدة العملاء بشكل أفضل وأكثر دقة. كما تمتد فوائد تقسيم العملاء بواسطة التعلم غير المراقب إلى التسويق وإدارة المنتجات داخل الشركة، حيث يتمكّن المدير من تطوير المنتجات والترويج لها بما يتناسب مع اهتمامات العملاء [3].
أنظمة التوصية
تستفيد أغلب أنظمة التوصية من تقنيات التعلم غير الموجه، سواء كانت تلك التوصيات مستخدمة في المتاجر الإلكترونية أو منصات الترفيه أو مواقع الكورسات وغيرها الكثير. فمثلاً يُستعمل التعلم غير الخاضع للإشراف لبناء أنظمة توصية تقترح على المشاهد أسماء أفلام محددة بناء على التفضيلات وسجل البحث [3].
وبعد استعراض تطبيقات التعلم الآلي الموجه وغير الموجه يمكن تحديد ما الفرق بينها من خلال نقاط عديدة، وذلك وفق الجدول الآتي: [6]
التعلم الموجه | التعلم غير الموجه | |
بيانات الإدخال | البيانات المسماة | البيانات غير المسماة |
الأنواع | الانحدار التصنيف | التجميع الربط تقليل الأبعاد |
تسميات أخرى | التعلم الخاضع للإشراف التعلم المراقب | التعلم غير الخاضع للإشراف التعلم غير المراقب |
دقة النتائج | نتائج دقيقة وموثوقة | نتائج أقل دقة وموثوقية |
النموذج | نماذج أقل حجماً وتعقيداً | نماذج كبيرة ومعقدة |
بيانات التدريب | استخدام البيانات لبناء النموذج | لا تستخدم بيانات التدريب |
اختبار النموذج | متاح | غير متاح |
مثال | التنبؤ بالأسعار | أنظمة التوصية |