AutoML: كيف يمكن للأتمتة تسريع تطوير نماذج التعلم الآلي؟

نجح AutoML في دخول عالم الذكاء الاصطناعي من أوسع الأبواب تسهيلاً للتعلم الآلي وخدمة للعاملين فيه، حيث كان له الفضل في تطوير العمليات بسرعة خيالية لم تكن في الحسبان، كذلك كان سبباً في تمكين أصحاب الخبرة المحدودة من إنشاء نماذج آلية فعالة. بناء على ذلك نتعرف في هذه المقالة معاً على ما هو AutoML في التعلم الآلي؟ وكيف تتجسد مزاياه في تسريع العمليات؟ وما هي أهم الأدوات المستخدمة والتحديات التي تواجهه؟

مقدمة إلى AutoML ودوره في التعلم الآلي

مصطلح تعلم الآلة الآلي Machine learning automation هو عملية أتمتة النماذج الآلية بطريقة مبسطة وبدون الحاجة إلى امتلاك خبرة عميقة. تمتاز هذه العملية المدعومة بالذكاء الاصطناعي بالقدرة على توفير مخرجات دقيقة وسريعة أكثر من الطرق التقليدية [1].

تلجأ أغلب شركات التكنولوجيا إلى استخدام AutoML frameworks لأسباب متنوعة، ومن أهمها التغلب على غياب المتخصصين وعلماء البيانات، ولأجل توفير التكلفة والوقت أيضاً. وأما عن دوره في مجال التعلم الآلي Machine Learning، فهو يساعد في تمكين المؤسسات والأفراد من تطبيق تقنيات تعلم الآلة في صناعات عديدة بسهولة أكبر وخلال مدة زمنية أقل [1].

كيف يسرع AutoML تطوير النماذج؟

يعمل تعلم الآلة الآلي على تسريع عمليات تطوير النماذج بشكل كبير، وكما يحمل لجميع المستخدمين مزايا سواء كانوا من الأفراد أو المؤسسات، ذلك ابتداء من السهولة والفعالية ووصولاً للدقة في الأداء.

مزايا AutoML في تسريع العمليات

مع تطور الذكاء الاصطناعي، يبحث الخبراء عن مميزات أحدث التقنيات الجديدة منها تعلم الآلة التلقائي الذي يوفر للمستخدم هذه الفوائد: [2]

• الفعالية: يقلل فعلياً من تكرار الأخطاء في أثناء تطوير النموذج الآلي، وهذا ما يؤدي إلى جعل العملية أسرع وأكثر كفاءة بشكل واضح.
• السهولة: توفر الأدوات واجهة سلسة سهلة الاستعمال مما يجعل جميع مراحل العملية أكثر سهولة، ومنها معالجة البيانات مسبقاً واختيار النموذج.
• الدقة: تساعد أتمتة المهام الروتينية المملة على تخليص مطوري النماذج من التعب الناتج عن تنفيذها، بالتالي يمكن إنتاج نماذج بدقة أعلى من الطرق التقليدية.
• التعاون: يعزز من قدرة محللي الأعمال وأصحاب المشاريع على الاشتراك في تطوير النماذج الآلية، وهكذا يتحسن التعاون بين العاملين بالمجال والخبراء الفنيين. 

أدوات AutoML المستخدمة في السوق

تنتشر نماذج التعلم الآلي الذاتية بشكل كبير بفضل ابتكار  أدوات عملية مجانية وأخرى مدفوعة. وفي ظل تنوع الخيارات المتاحة أمام المستخدمين، نقترح قائمة بأهم الأدوات الموصى بها: [3]

Aible

تعمل أداة Aible على أتمتة مهام البيانات في مجالات متنوعة، كما تتكامل مع منصات أخرى مدعومة بالذكاء الاصطناعي أيضاً مثل Salesforce وTableau، ومن أشهر مزاياها قدرتها على اكتشاف العلاقات وتجهيز البيانات لإدخال النموذج الجديد.

AutoKeras

تعتبر AutoKeras أداة تعلم آلي معتمدة بشكل أساسي على Keras، وتتخصص هذه الأداة في أتمتة المهام المملة بالنسبة إلى مطوري النماذج ومن أهمها التصنيف والانحدار في نماذج التعلم العميق. تستخدم هذه الأداة غالباً في تحسين كتابة التعليمات البرمجية واختيار الخوارزمية.

Google Cloud AutoML

صدرت Google Cloud AutoML عن شركة جوجل العالمية، وهي عبارة عن مجموعة أدوات مميزة قادرة على إنشاء نماذج مخصصة ضمن مجالات غير محدودة. ومن أبرز إصدارات هذه المجموعة هي أداة Vertex AI التي تبني نماذج لأهداف مثل التصنيف والانحدار والتنبؤ.

Auto-PyTorch

تعد Auto-PyTorch إحدى الأدوات الصادرة عن مكتبة التعلم الآلي PyTorch، وتهتم بأتمتة عملية اختيار الخوارزميات، هذا فضلاً عن دورها الفعال في ضبط المعلمات الفائقة من جهة، ومن جهة أخرى دعم البيانات الجدولية والمتسلسلة الزمنية. 

Auto-Sklearn

تصنف Auto-Sklearn ضمن أدوات تعلم الآلة القائمة أولاً على مكتبة scikit-learn، وتركز على أتمتة النماذج الآلية الخاضعة للإشراف. يقترب أداؤها بشكل كبير من أداة Auto-PyTorch، وخاصة أنها أداة جاهزة للبحث بشكل تلقائي عن خوارزميات التعلم بمجرد الحصول على بيانات جديدة. 

ما التحديات التي تواجه AutoML

يواجه مفهوم تعلم الآلة الآلي Automated Machine Learning تحديات كبرى بحاجة لحلول جذرية، ولا شك تسليط الضوء عليها هو بداية الحل، ولذلك تناقش أحداث الذكاء الاصطناعي مجموعة واسعة من التحديات، أبرزها: [4]

• التكاليف الباهظة: يحتاج تعلم الآلة الآلي إلى استكمال مراحل متنوعة، وذلك بدءاً من تنظيف البيانات حتى التأكد من صحة النموذج، وهذا ما يحتاج إلى رصد ميزانية ضخمة.
• مشاكل الاستعمال: وعلى الرغم من استخدامه في مجالات غير محدودة مثل التعرف على صور ومعالجة اللغة الطبيعية NLP، لكن ما زالت الشركات تعاني من بعض الصعوبات بالاستخدام.
• توزيع الوقت: يحتاج عالم البيانات إلى وقت طويل للانتهاء من التفكير وحل المشاكل، وبالتالي هو قادر على توفير الوقت عبر تقليل عبء العمل المتكرر فقط.
• احتمالية التحيز: يعتمد على جمع البيانات من مصادر متعددة، لذلك يؤدي وجود البيانات غير الدقيقة إلى ظهور تحيز واضح في النماذج الآلية.

وفي الختام يمكننا القول: يتصارع وجود مفهوم AutoML في ساحة الذكاء الاصطناعي بين كثرة الاستخدام وموجة التحديات، وعلى الرغم من ذلك الجدل الواسع بين الاتجاهين يبقى تأثيره واضحاً في مجال التعلم الآلي وتطبيقاته، كما تظهر الأدوات الخاصة به لتسهيل استخدامه في شتى المجالات.