• صاحب المنشور: مالك البكري
  
  ملخص النقاش:
  يُعد مجال الذكاء الاصطناعي والتعلم الآلي أحد أكثر المجالات ديناميكية وتأثيراً في التكنولوجيا المعاصرة. مع تطور الحوسبة والتكنولوجيات الجديدة، ظهرت أنواع جديدة من الخوارزميات التي تحاكي قدرة الدماغ البشري على التعلم وتحليل البيانات بطرق غير مسبوقة. هذا المقال يهدف إلى المقارنة بين نوعين رئيسيين من هذه التقنيات: "التعلم العميق" و"خوارزميات التعلم الآلي التقليدية". سنتعمق في فهم كل منهما وحدوده وقوته لفهم أفضل لمتي يُفضل استخدام أحدهم على الآخر.

مقدمة: التعلم الآلي التقليدي

تعتبر خوارزميات التعلم الآلي التقليدية الأساس الذي قام عليه بناء جيل جديد ومبتكر من تقنيات التعلم العميق. تتضمن هذه التقنيات عادة طرائق مثل الانحدار الخطي، الشبكات العصبونية ذات الطبقات الواحدة أو القليل من الطبقات الأخرى، وأحياناً نوايا الغابات الغامضة (Random Forest). تتميز هذه الطريقة بأنها مبسطة نسبياً ويمكن تطبيقها مباشرة بعد تدريبها، مما يجعلها مناسبة للمهام المتعلقة بالتنبؤ والاستنتاج حيث يوجد عدد صغير نسبيًا من الخصائص المدروسة لكل مثال بيانات. رغم ذلك، فإن محدوديتها تكمن في عدم القدرتها على استخراج العلاقات الداخلية المعقدة داخل كم هائل من المعلومات بدون توجيه مباشر ومتعمد منها.

الفروقات الرئيسية

* مصداقية البيانات: واحدةٌ من أكبر الاختلافات هي الكمية والشكل الخاص بتوفير بيانات التدريب. بينما قد تستطيع بعض خوارزميات التعلم الآلي التقليدية الاستفادة من حجم متوسط للبيانات لتدريب نماذج فعالة، إلا أنه غالبًا لن يتجاوز حجم قاعدة البيانات المستخدمة عدة آلاف الأمثلة. بعكس ذلك، فإن منظومة "التعلم العميق"، خاصة عند استعمال شبكةٍ عصبونيّة متدرِّجة عميقاً (Deep Neural Networks)، تحتاج لكم هائلة للغاية من العينات لتحقيق أدائها الأقصى - والذي يمكن الوصول إليه حتى باستخدام ملايين الأمثلة إذا لزم الأمر! هذا الانتقال نحو الاحتياجات الأكبر حجماً للأمثلة يجعل أمر جمع وصقل مجموعات بيانات ضخمة مهمة حيوية قبل البدء بأي مشروع متعلق بمجال التعلم العميق.

* معرفة السببية والعلاقات: تشمل إحدى نقاط قوة التعليم الآلي التقليدي قدرته على تقديم رؤية واضحة حول كيفية اتخاذ قراراته استناداً لمجموعة الإدخالات المقدمة له عبر توضيحات دقيقة لما يسمى بالعوامل المؤثرة المشتركة (Features Importance) التي تؤثر بشكل أكبر مقارنة ببقية المعلومات المُدمَجين خلال عملية التصنيف النهائية لأي مثال معين. وعلى الرغم من وجود محاولات لإضافة طبقة مشابهة لهذه الوضوحية ضمن بنى التعلم العميق الحديثة إلا أنها مازالت تحت البحث والدراسة ولا تزال تواجه تحديات كبيرة لاستعادة تلك القدرات الموجودة أصلاً لدى ذوي الخبرة البشرية والمعرفية الجيدة.

بالإضافة لذلك فإنه بالإمكان اعتبار خيارات تسميات المحاور والأبعاد المختلفة كجزء إلزامي محتمل في تصميم النظم المبنية اعتماداً أساسياً على المنطق الرياضي وليس مجرد تعداد الاحتمالات كما هو حال الشبكات العصبية المترابطة ارتباطاً وثيقاً والتي ستكون قادرة ربما مستقبلاً بإعطائنا نظرة أقرب للحقيقة الفعلية ولكن ليس الآن بالتأكيد ضمن حدود الوقت الحالي للتكنولوجيا العلمية الرقمية المتاحة حالياً.

* الأخطاء المحتملة و قابلية التحكم: إن طبيعة البرمجيات الخاصة بالنظم المعتمدة على التعلم الآلي التقليدي أقل عرضة للإفلات خارج السيطرة لأن تعاملاتها تقتصر نسبياً على عمليات حسابية حسابية بسيطة وغير معقدة هندسياً وبالتالي تكون