• صاحب المنشور: كشاف الأخبار
  
  ملخص النقاش:
  تعبر الحوسبة الحديثة عن ثروتها الفكرية المتنوعة عبر مجموعة واسعة من التقنيات والأساليب التي تهدف إلى حل المشاكل المعقدة وتحسين العمليات. ومن بين هذه الأساليب نجد "الخوارزميات"، والتي يمكن تصنيفها إلى فئتين رئيسيتين: الخوارزميات الكلاسيكية وخوارزميات التعلم الآلي. تختلف هذان النوعان من حيث الطريقة التي يتم بها تصميمهما واستخدامهما، وإن كان كلاهما يسعى لتحقيق نفس الهدف وهو تحسين عملية اتخاذ القرار أو حل المشكلات بناء على البيانات المُدخلة. وفي هذا السياق سنناقش الاختلافات الرئيسية بين هاتين الفئتين وكيف يتفاعلان مع بعضهما البعض.

تُعرَّف الخوارزميات التقليدية بأنها خطوات متسلسلة ومحددة مسبقا للحل، وهي عادة ما تتطلب معرفة دقيقة بالقواعد الرياضية والخوارزمية اللازمة لحل مشكلة محددة. تشمل أمثلة عليها الخوارزميات الجغرافية مثل Dijkstra's algorithm أو A* search algorithm بالإضافة إلى الخوارزميات التحليلية مثل Fourier transform وغيرها. تتميز هذه الأنواع من الخوارزميات بعدم قدرتها على التكيف الذاتي؛ فهي تعمل وفقا لقواعد ثابتة ولا تستطيع ضبط أدائها بناء على بيانات جديدة أو تغييرات غير متوقعة قد تطرأ أثناء التطبيق. ولكن ذلك يأتي بتكلفة بسيطة نسبيا بالنسبة للموارد والحسابات الضرورية لتنفيذاتها وذلك يعود أساسا لأسلوب عملها المتوقع والمعلوم مسبقا وهو الأمر الذي يجعلها مناسبة للغاية للاستخدام ضمن بيئات ذات تعقيد محدود وثابت.

من ناحية أخرى فإن خوارزميات التعلم الآلي تعتمد على نموذج مختلف تمامًا لمواجهة تحديات العالم الواقعي الديناميكي والتغيير المستمر فيه. بدلاً من البرمجة الثابتة والمباشرة، توفر تقنيات التعلم الآلي القدرة على تعلم وعرض العلاقات داخل مجموعات كبيرة ومتغيرة باستمرار للبيانات. تستغل تلك الخوارزميات طرق الاحتمالات والإحصاء لفهم وتحليل الأنماط والعلاقات الموجودة dentro datasets وبالتالي إنتاج توقعات واتخاذ قرارات مبنية على الاستنتاج وليس القاعدة الصارمة كما هو حال الخوارزميات التقليدية. تتضمن الأمثلة الشائعة لهذه الأنواع Linear Regression, Decision Trees, Support Vector Machines و Neural Networks وغيرها الكثير حسب نوع المطلوبات والمتغيرات المستخدمة خلال العملية التعليمية. رغم أنها أكثر مرونة وقدرة على التأقلم إلا ان تكلفتهم الاعلى بالموارد الحاسوبية تعد إحدى نقاط ضعفهم الرئيسية عند مواجهتها لإعدادات مُعينة وقد يستغرق التدريب الخاص بهم وقتاً طويلا خاصة عندما نواجه ضخامة حجم المعلومات الداخلة عليهم مما يؤثر بالتالي علي سرعة تقديم نتائج ايجابية مقارنة بطرق الحل البديلة الأخرى.

في كثير من الأحيان، يمكن دمج كلتا النهجين معًا لتكوين نظام فعال بشكل خاص قادر علي تحقيق أفضل مستوى ممكن لكفاءته وأدائه العام. فعلى سبيل المثال، يمكن استخدام مسارات البحث المبنية خصيصًا لنوع مشاكلك المختارة كمقدمه مفيدة قبل تطبيق المزيد من عمليات التعلم العميق المدرب سابقا بهدف استخلاص رؤى عميقة حول تغيرات حدثت حديثاً بالبيانات الجديدة بدون إعادة تدريب كامل للنموذج الأخير والذي ربما سيستغرق فترات طويلة نظراً لكمية الضخامة التي وصل لها الآن بسبب إضافة بيانات اضافية عليه مؤخرا .إن الجمع بين القدرات التنبؤية والخرائط الكبرى يدعم قوة المشاريع العلمية وهو ما يسمح له بصنع قرارات ذكية ورسم خارطة طريق موثوقة نحو مستقبل مليء بالإنجازات والبروز وسط منافسة شديدة تسود عالمنا الرقمي الحديث اليوم .