مركز تعلّم الذكاء الاصطناعيEnglish
ترجمة عربية جديدة ✦ نراجعها باستمرار لتحسينها.

الذكاء الاصطناعي مقابل تعلّم الآلة مقابل التعلّم العميق (تقنيًا)

⁧تعلّم إشرافي⁩⁧يتدرّب على أمثلة موسومة⁩⁧أمثلة يومية⁩⁧تصنيف الصور⁩⁧فلاتر البريد المزعج⁩⁧تقييم الموافقة على القروض⁩⁧تعلّم غير إشرافي⁩⁧يجد الأنماط دون وسوم⁩⁧أمثلة يومية⁩⁧تقسيم العملاء إلى شرائح⁩⁧كشف الشذوذ⁩⁧اكتشاف المواضيع في النصوص⁩⁧تعلّم معزَّز⁩⁧يتعلم عبر إشارات المكافأة⁩⁧أمثلة يومية⁩⁧ذكاء يلعب الألعاب (AlphaGo)⁩⁧الروبوتات والقيادة الذاتية⁩⁧RLHF لروبوتات المحادثة⁩
⁧ثلاثة أنماط أساسية — كيف تتعلم الآلات فعلًا من البيانات⁩

المنظومة بدقة

الذكاء الاصطناعي (AI) وتعلّم الآلة (Machine Learning) والتعلّم العميق (Deep Learning) مجموعات متداخلة، والتمييز التقني هو من أين تأتي بنية الحل. الذكاء الاصطناعي الكلاسيكي يرمّز البنية يدويًا. وتعلّم الآلة الكلاسيكي يتعلّم تحويلًا من البيانات، لكن إنسانًا يهندس الخصائص (Features) أولًا — التمثيل مصمَّم والأوزان متعلَّمة. أما التعلّم العميق فيتعلّم التمثيل نفسه: يدخل المُدخل الخام، وتبني كل طبقة خصائص أكثر تجريدًا من سابقتها. هذه هي الفكرة الحاملة للحقبة الحديثة كلها — تعلّم التمثيل — وهي سبب هيمنة التعلّم العميق على كل مجال يصعب فيه تصميم الخصائص يدويًا (الرؤية، والكلام، واللغة)، بينما يبقى تعلّم الآلة الكلاسيكي منافسًا حيثما توجد خصائص جيدة سلفًا، مثل بيانات الأعمال الجدولية.

  • تعلّم الآلة الكلاسيكي: خصائص يصمّمها الإنسان وأوزان متعلَّمة — SVM، والغابات العشوائية، والتعزيز المتدرّج
  • التعلّم العميق: خصائص متعلَّمة وأوزان متعلَّمة، من الطرف إلى الطرف
  • تعلّم التمثيل هو الخط الفاصل، لا عمق الشبكة في حد ذاته

الانحياز الاستقرائي: المعمارية افتراض

كل معمارية ترمّز افتراضات عن البيانات — انحيازها الاستقرائي (Inductive bias) — وتاريخ التعلّم العميق هو إلى حد كبير تاريخ مواءمة الانحياز مع المجال. الشبكات الالتفافية (CNN) تفترض المحلية وثبات الإزاحة: النمط نمط أينما ظهر في الصورة. والشبكات التكرارية (RNN) تفترض الاعتماد التسلسلي، فتعالج خطوة واحدة في كل مرة، مما جعلها بطيئة التدريب وكثيرة النسيان عبر المسافات الطويلة. أما المحوّلات (Transformers) فتضع أضعف افتراض بنيوي: الانتباه (Attention) يتيح لكل رمز أن يرتبط مباشرة بكل رمز آخر، ويأتي الترتيب من المعلومات الموضعية لا من المعمارية. والانحياز الضعيف يعني أن المحوّلات تحتاج بيانات أكثر بكثير لتتعلّم بنية تحصل عليها الشبكات الالتفافية مجانًا — لكن مع بيانات بحجم الإنترنت تصبح هذه المرونة حاسمة، ولهذا تمتد معمارية واحدة اليوم عبر النصوص والصور والصوت وتسلسلات البروتين. والثمن يُدفع حوسبةً: تكلفة الانتباه تنمو تربيعيًا مع طول التسلسل، وهو قيد يشكّل هندسة نافذة السياق حتى اليوم.

  • الشبكات الالتفافية: المحلية وثبات الإزاحة مدمجان فيها — كفاءة عالية في العينات للصور
  • المحوّلات: افتراضات دنيا، وانتباه مباشر بين الرموز، والترتيب يُحقن عبر المواضع
  • انحياز ضعيف مع بيانات هائلة يتفوّق على انحياز قوي مع بيانات محدودة — هذا هو رهان المحوّل الجوهري

اختيار الأداة المناسبة ما زال مهمًا

هيمنة النماذج اللغوية الكبيرة على النقاش تخفي حجم ما ليس تعلّمًا عميقًا في تعلّم الآلة المستخدم فعليًا. في التنبؤ الجدولي — تسرّب العملاء، وتقييم الاحتيال، ونماذج المخاطر — كثيرًا ما تضاهي الأشجار المعزّزة بالتدرّج المقاربات العصبية أو تتفوق عليها، مع تدريب في دقائق، وتشغيل بتكلفة زهيدة، وسهولة أكبر بكثير في تفسيرها للجهة الرقابية. وقاعدة الممارس: استخدم تعلّم الآلة الكلاسيكي حين تكون الخصائص منظّمة وتكون قابلية التفسير أو التكلفة هي الأهم؛ واستخدم التعلّم العميق حين يكون التمثيل هو الجزء الصعب؛ واستخدم نموذجًا تأسيسيًا (Foundation model) حين تتضمن المهمة لغة أو كودًا أو رؤية أو معرفة عامة — لأنك هناك تستفيد من تدريب مسبق كلّف غيرك مليار دولار بدل التعلّم من الصفر. ونمط الإخفاق المكلف في المؤسسات هو اللجوء إلى نموذج لغوي كبير حيث يكون نموذج إشرافي صغير أرخص وأسرع وأسهل تدقيقًا — أو العكس: بناء خطوط معالجة هشّة يدويًا لمشكلات يحلّها نموذج تأسيسي بالفعل.

  • التعزيز المتدرّج يبقى خيارًا افتراضيًا قويًا للبيانات الجدولية — رخيص وسريع وقابل للتفسير
  • النماذج التأسيسية تتيح لك استئجار التدريب المسبق بدل دفع ثمن تعلّم التمثيل بنفسك
  • طابق الأداة مع المشكلة: الخطأ الأكثر شيوعًا في المؤسسات هو اللجوء تلقائيًا إلى الطبقة الأكثر رواجًا