حلول التعلم الآلي مصممة لتحقيق تأثير تجاري قابل للتوسع

خدمات التعلم الآلي لتحقيق تحول رقمي أكثر ذكاءً

تفشل معظم مشاريع التعلم الآلي لأن معايير النجاح لم تُحدد مسبقاً. نركز في كل مشروع على قرار واحد، ومجموعة بيانات واحدة، ومسؤول واحد لضمان تحقيق نتائج قابلة للقياس منذ اليوم الأول.

يشرح هذا القسم بالتفصيل كيف نفكر في التكنولوجيا نفسها، بشكل منفصل عن عملية التسليم الموضحة أعلاه.

التعلم الآلي مقابل الذكاء الاصطناعي

الذكاء الاصطناعي هو الهدف الأوسع المتمثل في بناء أنظمة قادرة على أداء المهام التي تتطلب عادةً حكماً بشرياً. ويُعدّ التعلّم الآلي أحد السبل لتحقيق ذلك، إذ يعتمد على التعلّم من البيانات بدلاً من اتباع قواعد ثابتة.

لا تستخدم جميع أنظمة الذكاء الاصطناعي تقنيات التعلّم الآلي. فبرنامج الدردشة الآلي القائم على القواعد يُعدّ ذكاءً اصطناعياً بدونها. أما نموذج كشف الاحتيال الذي يتحسّن مع ازدياد عدد المعاملات التي يرصدها، فهو مثال على التعلّم الآلي الذي يقوم بالعمل.

ينطبق هذا النمط على مختلف القطاعات. فنموذج التوصيات المدرب على سجل التصفح يعتمد على نفس الآلية الأساسية التي يعتمد عليها نموذج الصيانة المدرب على قراءات المستشعرات.

أنواع التعلم الآلي التي نطبقها

تتطلب المشكلات التجارية المختلفة أساليب تعلم مختلفة. تعتمد معظم المشاريع على أحد الأنواع الأساسية الأربعة، بينما يمزج بعضها بين نوعين منها لحل المشكلة نفسها.

تبدأ معظم المشاريع كمشاكل خاضعة للإشراف، لأن معظم الشركات لديها بالفعل تاريخ مصنف أكثر مما تدركه.

تسجيل النتائج على دفعات أو في الوقت الفعلي

تقوم بعض النماذج بتقييم البيانات وفق جدول زمني، بينما تقوم نماذج أخرى بتقييمها لحظة وقوع الحدث. ويؤثر هذا الاختيار على البنية التحتية، وليس على النموذج نفسه فقط.

الأطر والأدوات التي نستخدمها في البناء

تعتمد معظم تطبيقات التعلم الآلي في الإنتاج على مجموعة صغيرة ومتسقة من الأدوات مفتوحة المصدر، بغض النظر عن البائع.

• لغة بايثون لبناء وتدريب النماذج
• TensorFlow و PyTorch للتعلم العميق والشبكات العصبية
• مكتبة Scikit-learn للنماذج الكلاسيكية مثل الانحدار والتجميع
• تقنية XGBoost لتعزيز التدرج عالي الأداء
• الشبكات العصبية التلافيفية لتحليل الصور والفيديو
• محولات لمعالجة اللغة الطبيعية الحديثة

معرفة هذه الأسماء تُسهّل عليك سؤال أي مُورّد عن النظام الذي يعمل فعلياً على منصته. لا يوجد أي منها نظام احتكاري، ولا يتطلب أي منها عقد استخدام طويل الأجل.

خيارات البنية التحتية والحوسبة

يتطلب تدريب النماذج وتشغيلها القدرة الحاسوبية المناسبة، وليس فقط الخوارزمية المناسبة.

تُناسب وحدات معالجة الرسومات السحابية أحمال العمل المتغيرة والتوسع السريع. أما السعة المحلية أو المحجوزة فتُناسب الاستدلال الثابت ذي الحجم الكبير. ويعتمد المزيج الأمثل على وتيرة إعادة التدريب واحتياجات زمن الاستجابة.

يختلف نموذج إعادة التدريب اليومي على بيانات حية في تكلفته عن نموذج إعادة التدريب ربع السنوي على مجموعة بيانات ثابتة. وينبغي أن يؤثر هذا الاختلاف على خطة البنية التحتية في وقت مبكر.

حيث يلتقي التعلم الآلي بالذكاء الاصطناعي التوليدي

لا تزال نماذج التعلم الآلي التقليدية تدعم التنبؤ والتصنيف، ولكن العديد منها الآن يغذي أنظمة الذكاء الاصطناعي التوليدية.

تحوّل تضمينات المتجهات المستندات والصور والسجلات إلى شكل رقمي قابل للبحث. ويجمع توليد الاسترجاع المعزز بين هذا البحث ونموذج لغوي، بحيث تبقى الإجابات مستندة إلى بيانات أعمال حقيقية بدلاً من التخمين.

تقوم أداة الدعم المصممة بهذه الطريقة بسحب وثيقة السياسة الفعلية إلى إجابتها، بدلاً من توليد تخمين يبدو معقولاً.

التعلم الآلي الآلي والتجريب الأسرع

يُسرّع التعلم الآلي المؤتمت عملية التجريب المبكر. فهو يختبر خوارزميات متعددة، ويضبط المعلمات الفائقة، ويرتب النتائج تلقائيًا.

هذا لا يغني عن تطوير النماذج المخصصة، بل يقلل الوقت اللازم لتحديد النهج الأنسب لمواصلة التطوير.

يكون ذلك أكثر فعالية في المراحل المبكرة، عندما يكون الهدف هو تضييق نطاق الخيارات المتعددة إلى خيار واحد يستحق الصقل اليدوي.

عندما يتفوق الجاهز على المُصمّم حسب الطلب

لا تتطلب كل مشكلة تنبؤ نموذجًا مخصصًا. إذا كانت أداة جاهزة تحل حالة الاستخدام المحددة بالحجم المناسب، فعادةً ما يكون شراؤها أسرع وأرخص.

يستحق التطوير المخصص تكلفته عندما تكون البيانات أو تعريف النتيجة أو حجم القرار محددة بما يكفي بحيث تبدأ الأدوات العامة في التخمين بدلاً من التعلم.

نادراً ما تبرر أداة التوصيات العامة تصميمًا مخصصًا. أما نموذج مكافحة الاحتيال المصمم خصيصًا لكتالوج منتجات محدد، فعادةً ما يكون كذلك.

ما هي التكلفة الحقيقية للتعلم الآلي على مدار عمره؟

نادراً ما يكون المبلغ المذكور في عرض سعر البناء هو المبلغ الذي ستدفعه في النهاية. تتداخل ثلاثة منحنيات تكلفة منفصلة بمجرد وجود نموذج، ومعظم عروض الأسعار لا تشمل سوى واحد منها.

تعامل مع هذه البنود كرقم واحد، وليس كثلاثة بنود منفصلة تم التفاوض عليها في أوقات مختلفة. النموذج الذي يكون رخيصًا في التصنيع ولكنه مكلف في التشغيل عند حجم الإنتاج الفعلي ليس صفقة رابحة، بل هو تكلفة مؤجلة. اطلب من أي مورد إجمالي التكلفة لمدة 12 و24 شهرًا، وليس فقط سعر التصنيع، قبل مقارنة الخيارات.

مقاييس النموذج مقابل المقاييس الاقتصادية

يمكن أن يحقق النموذج نتائج جيدة ولكنه يظل عديم الفائدة بالنسبة للشركة، لأن هذين السؤالين لهما إجابات مختلفة.

نموذجٌ بدقة 95% لا يُطبّق عليه أحدٌ يُحقق عائدًا صفريًا. لا يتحرك هذان الرقمان معًا، واعتبارُ التقييم الفني القوي دليلًا على القيمة هو أحد أكثر الأخطاء شيوعًا وتكلفةً التي نشهدها.

يجب أن يُدرج كلا نوعي المقاييس في التقرير نفسه، وأن يُراجعا وفق الجدول الزمني نفسه. إن الاكتفاء بالإبلاغ عن النتيجة الفنية فقط يُخفي نصف الصورة التي تُحدد ما إذا كان ينبغي استمرار تمويل المشروع أم لا.