التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف: ما هو نموذج التعلم الآلي المناسب لك؟

لا يجب أن يكون التعلم الآلي محيرًا. سنقوم بتفصيل النوعين الأكثر شيوعًا وحالات استخدامهما في هذه المقالة.

بصفتك قائدًا في مجال الأعمال ، فأنت تعلم أن اعتماد التكنولوجيا الجديدة يمكن أن يخفف من نقاط الألم ويجعل عملك أكثر تنافسية. لهذا السبب خلال عام من الاضطراب ، تحولت العديد من الشركات إلى التحول الرقمي لتحقيق ذلك.

قد تكون على دراية أيضًا بإمكانيات التقنيات الناشئة مثل التعلم الآلي الذي يمكن أن يجعل عملك دليلًا على المستقبل. لكن احذر المشتري - إذا لم تفهم تطبيقات التعلم الآلي ، فإنك تخاطر بإهدار المال على نتائج غير صالحة للاستعمال. خذ المثال أدناه لمعرفة ما نعنيه.

من أجل التحضير لكتابة هذه المقالة ، استخدمنا أداة توليد اللغة الطبيعية (NLG) لمساعدتنا على فهم أفضل طريقة لتقسيم التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف. هذا مقتطف من نظيرتنا في NLG:

"يوفر كل نموذج تعليمي غير خاضع للإشراف مصفوفات متوترة مسبقًا بناءً على معامل الارتباط ، والاستجابة الإيجابية الخاطئة ، وبيانات مفيدة إحصائيًا قليلة جدًا (أو تعتمد بشكل كبير عليها) ، يتم استخدامها لتقليل الأبعاد باستخدام الرسوم البيانية والأشجار لإنشاء نقاط بيانات الحدود الخاصة بهم."

يشعر بالارتباك؟ نحن كذلك. ولكن على الرغم من التركيب المحير لجمل أداة NLG ، فإن هذه التجربة باستخدام الذكاء الاصطناعي (AI) لم تكن غير مفيدة تمامًا. لقد جعلنا ذلك ندرك أنه عندما يتعلق الأمر بالحصول على أفضل النتائج من الذكاء الاصطناعي ، فإن العثور على التطبيق الصحيح أمر مهم - وهذا هو بالضبط سبب كتابة هذا الدليل لمساعدتك.

تحدثنا مع Thomas Wood ، مستشار علوم البيانات لشركة Fast Data Science ، وساعد في تقسيم الموضوع بعبارات سهلة الفهم. بمساعدة Wood ، سنشرح الفرق بين طريقتين شائعتين للتعلم الآلي ، التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف ، وحالات الاستخدام الأنسب لكل طريقة.

ما هي الاختلافات الرئيسية بين التعلم تحت الإشراف والتعلم غير الخاضع للإشراف؟

إذا اضطررنا إلى اختصارها في جملة واحدة ، فستكون كالتالي: يتمثل الاختلاف الرئيسي بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف في أن التعلم الخاضع للإشراف يستخدم البيانات المصنفة للمساعدة في التنبؤ بالنتائج ، في حين أن التعلم غير الخاضع للإشراف لا يفعل ذلك.

ومع ذلك ، هناك فروق دقيقة إضافية بين النهجين ، والتي سنواصل توضيحها حتى تتمكن من اختيار أفضل نهج لموقفك.

كيف يعمل التعلم الآلي الخاضع للإشراف

كما ذكرنا أعلاه ، يستخدم التعلم الخاضع للإشراف البيانات المصنفة لتدريب النموذج. لكن ماذا يعني ذلك من الناحية النظرية؟ دعنا نتصفح بعض الأمثلة للبدء.

من خلال التعلم الخاضع للإشراف ، يتم توفير كل من المدخلات والمخرجات المقابلة للنموذج. لنفترض أننا نقوم بتدريب النموذج لتحديد وتصنيف أنواع مختلفة من الفاكهة. في هذا المثال ، ستقدم عدة صور للفواكه كمدخلات ، جنبًا إلى جنب مع الشكل والحجم واللون وملف تعريف النكهة. بعد ذلك ، ستزود النموذج بأسماء كل فاكهة كإخراج.

في النهاية ، ستلتقط الخوارزمية نمطًا بين خصائص الثمار (المدخلات) وأسمائها (المخرجات). بمجرد حدوث ذلك ، يمكن تزويد النموذج بإدخال جديد ، وسوف يتنبأ بالإخراج نيابة عنك. هذا النوع من التعلم الخاضع للإشراف ، والذي يسمى التصنيف ، هو الأكثر شيوعًا .

كيف يعمل التعلم الآلي غير الخاضع للإشراف

على النقيض من ذلك ، يعمل التعلم غير الخاضع للإشراف من خلال تعليم النموذج لتحديد الأنماط من تلقاء نفسه (وبالتالي غير خاضع للإشراف ) من البيانات غير المصنفة. هذا يعني أنه يتم توفير المدخلات ، ولكن ليس المخرجات.

لفهم كيفية عمل ذلك ، دعنا نواصل مثال الفاكهة الموضح أعلاه. من خلال التعلم غير الخاضع للإشراف ، ستزود النموذج بمجموعة بيانات الإدخال (صور الثمار وخصائصها) ، لكنك لن تقدم المخرجات (أسماء الثمار).

سيستخدم النموذج خوارزمية مناسبة لتدريب نفسه على تقسيم الثمار إلى مجموعات مختلفة وفقًا لأكثر السمات تشابهًا بينها. هذا النوع من التعلم غير الخاضع للإشراف ، والذي يسمى التجميع ، هو الأكثر شيوعًا.

هل تحتاج إلى تشغيل نموذجي التعلم الآلي مرة أخرى؟ تحقق من هذا الفيديو القصير للحصول على شرح عالي المستوى:

متى يجب استخدام التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف؟

يعتمد ما إذا كان يجب عليك استخدام التعلم الخاضع للإشراف أو غير الخاضع للإشراف على أهدافك وهيكل وحجم البيانات المتاحة لك. قبل اتخاذ أي قرار ، اطلب من عالم البيانات الخاص بك تقييم ما يلي:

• هل بيانات الإدخال عبارة عن مجموعة بيانات غير مسماة أو مسماة؟ إذا كانت غير مصنفة ، فهل يمكن لفريقك دعم وضع العلامات الإضافية؟
• ما هو الهدف الذي تريد تحقيقه؟ هل تعمل مع مشكلة متكررة ومحددة جيدًا أم ستحتاج الخوارزمية إلى توقع مشاكل جديدة؟
• هل توجد خوارزميات تدعم حجم بياناتك وهيكلها؟ هل لديهم نفس الأبعاد التي تحتاجها (عدد الميزات أو السمات)؟

متى تستخدم التعلم الآلي الخاضع للإشراف

وفقًا لـ Gartner ، يعد التعلم الخاضع للإشراف أكثر أنواع التعلم الآلي شيوعًا والأكثر استخدامًا في سيناريوهات الأعمال. هذا على الأرجح لأنه على الرغم من أن تصنيف البيانات الضخمة يمكن أن يمثل تحديًا حقيقيًا في التعلم الخاضع للإشراف ، إلا أن النتائج دقيقة للغاية وجديرة بالثقة (المصدر الكامل متاح للعملاء).

فيما يلي بعض الأمثلة على حالات الاستخدام للتعلم تحت الإشراف. بعضها خاص بالصناعة ، في حين أن البعض الآخر يمكن أن ينطبق على أي مؤسسة:

• تحديد عوامل الخطر للأمراض وتخطيط الإجراءات الوقائية
• تصنيف ما إذا كان البريد الإلكتروني بريدًا عشوائيًا أم لا
• توقع أسعار المساكن
• توقع زبد العميل
• توقع هطول الأمطار والظروف الجوية
• معرفة ما إذا كان مقدم طلب القرض منخفض المخاطر أم شديد الخطورة
• التنبؤ بفشل الأجزاء الميكانيكية في محركات السيارات
• توقع نتائج مشاركة الوسائط الاجتماعية ونتائج الأداء

شارك Wood معنا مثالاً عن كيفية استخدامه للتعلم الخاضع للإشراف لبناء نظام فرز لرسائل البريد الإلكتروني الواردة للعميل. بمساعدة نظام CRM ، تم تصنيف رسائل البريد الإلكتروني إلى مجموعات تمثل استفسارات شائعة (مثل تغيير عنوان العميل والشكاوى). ثم استخدم Wood هذه الفئات لتدريب أحد النماذج بحيث أنه عندما يتلقى بريدًا إلكترونيًا واردًا جديدًا ، سيعرف الفئة التي سيتم تعيين هذا البريد الإلكتروني لها. هو يقول:

"كان التعلم الخاضع للإشراف ممكنًا في هذه الحالة نظرًا لوجود نظام CRM الذي قدم مجموعة من" الملصقات "لتدريب النموذج. بدون هذه ، كان التعلم غير الخاضع للإشراف فقط ممكنًا ".

متى تستخدم التعلم الآلي غير الخاضع للإشراف

على عكس التعلم الخاضع للإشراف ، يمكن للتعلم غير الخاضع للإشراف التعامل مع كميات كبيرة من البيانات في الوقت الفعلي. ونظرًا لأن النموذج سيحدد تلقائيًا البنية في البيانات (التصنيف) ، فإنه مفيد في الحالات التي يواجه فيها الإنسان صعوبة في العثور على الاتجاهات داخل البيانات بمفرده.

على سبيل المثال ، إذا كنت تحاول تقسيم المستهلكين المحتملين إلى مجموعات لأغراض تسويقية ، فإن طريقة التجميع غير الخاضعة للرقابة ستكون نقطة انطلاق رائعة.

فيما يلي بعض الأمثلة على حالات الاستخدام للتعلم غير الخاضع للإشراف:

• تجميع العملاء حسب سلوك الشراء
• البحث عن الارتباطات في بيانات العملاء (على سبيل المثال ، قد يكون الأشخاص الذين يشترون حقيبة نمط معينة مهتمين أيضًا بنمط معين من الأحذية)
• تجزئة البيانات حسب تاريخ الشراء
• تصنيف الأشخاص على أساس الاهتمامات المختلفة
• تجميع المخزونات حسب مقاييس التصنيع والمبيعات

أوضح لنا وود أنه عمل ذات مرة في شركة أدوية لها منشآت تصنيع حول العالم. البرنامج الذي استخدمته الشركة لتسجيل الأخطاء التي حدثت في منشآتها لا يحتوي على قائمة منسدلة مع خيارات خطأ شائعة للاختيار من بينها.

لهذا السبب ، وثق عمال المصنع الأخطاء بنص عادي (إما باللغة الإنجليزية أو بلغتهم المحلية). أرادت الشركة معرفة أسباب مشاكل التصنيع الشائعة ، ولكن بدون تصنيف الأخطاء كان من المستحيل إجراء تحليل إحصائي على البيانات.

استخدم وود خوارزمية تعلم غير خاضعة للرقابة لاكتشاف القواسم المشتركة في الأخطاء. كان قادرًا على تحديد أكبر الموضوعات وإنتاج إحصائيات مثل تقسيم المخططات الدائرية لمشاكل التصنيع الشائعة في الشركة. وود يقول:

"أعطى هذا للشركة نظرة عامة سريعة على المشكلات في أعمالها والتي كانت ستتطلب لولا ذلك عملاً يدويًا كبيرًا."

استعد لمستقبل ذكي: احتضن التعلم الآلي

يعد التعلم الآلي أداة قوية يمكن أن تساعدك في حل مشاكل العمل واتخاذ قرارات تعتمد على البيانات. نأمل أن تعطيك هذه المقالة بعض الأفكار حول كيفية تنفيذ التعلم الآلي الخاضع للإشراف أو غير الخاضع للإشراف في مؤسستك.

إذا كنت مستعدًا لتبني تقنية التعلم الآلي ، فيجب أن تكون خطواتك التالية هي تقييم قدرات حزمة البرامج الحالية لديك. بعد ذلك ، اطلب من البائع (البائعين) الحصول على حالات استخدام من عملاء آخرين في مجال عملك تتوافق مع التطبيقات التي ترغب في استخدام التعلم الآلي من أجلها.