مفهوم التعلم الآلي التلقائي AutoML: التعلم الآلي اليوم في متناول الجميع

هل يمكن للتعلم الآلي أن يصبح آليا أكثر؟ ما معنى ذلك؟ في الآونة الأخيرة ظهر مصطلح جديد وهو التعلم الآلي التلقائي AutoML أو Automated Machine Learning, والذي غير بشكل كلي طريقة عمل المؤسسات التي تستخدم التعلم الآلي في عملها,ولكن كيف؟ إذا أردت تطوير نموذج تعلم آلي فإنك تقوم بجميع الخطوات بشكل يدوي والتي تستهلك وقتا طويلا بالإضافة الى استهلاك الموارد. من الخطوات المهمة في مرحلة تطوير النموذج هي اختيار بيانات التدريب أو بيانات الإدخال, ولكن الأمر ليس بهذه السهولة, لماذا؟ لأن هذه البيانات قد لا تكون في الشكل الذي يسمح بتطبيق الخوارزميات عليها لذلك قد تحتاج الى خبير متمرس في علم البيانات ليقوم بمعالجة البيانات حتى تصبح قابلة للتدريب النموذج عليها, هذه واحدة من المشكلات التي أدت الى ظهور هذا المفهوم ولكن ما هو تحديدا وكيف أدى الى تحسين وتطوير التعلم الآلي, هذا ما سنعرفه في هذا المقال.  

ما هو التعلم الآلي التلقائي AutoML؟ 

كما يشير الاسم فالتعلم الآلي التلقائي AutoML هو عملية أتمتة خطوات التعلم الآلي, بدء من مرحلة اختيار البيانات وحتى الحصول على نموذج تعلم آلي جاهز, مرورا بجميع المراحل التي بينهما مثل اختيار السمات, وضبط المعاملات, وتصميم الشبكة العصبية, وتقييم النموذج وتحسين أدائه وتحليل النتائج, كل هذه المراحل التي كان يتم ضبطها يدويا أصبحت تتم بشكل آلي. [1]

أتمتة خطوات التعلم الآلي ستتيح المجال أمام الأشخاص ممن ليس لديهم الخبرة من استخدام تقنيات التعلم الآلي وتطوير نماذجهم بسهولة أكبر دون الحاجة لأن يكونوا خبراء أو استدعاء ذوي الخبرة, أي سيتيح لهم أداء كل ذلك بأنفسهم. سيؤدي التعلم الآلي التلقائي الى إنتاج حلول أكثر بساطة وبسرعة بالإضافة الى إمكانية تطوير نماذج تتفوق على النماذج المصممة يدويا. 

لماذا يعتبر تطبيق التعلم الآلي التلقائي AutoML ضرورة اليوم؟ 

يمر نموذج التعلم الآلي بمراحل عديدة قبل أن نحصل عليه جاهزا للاستخدام, وكل مرحلة بحد ذاتها تتطلب المعرفة الكبيرة في المجال, والخبرة في علوم الرياضيات بالإضافة الى مهارات متقدمة في علم الحاسوب, هذه المهارات مجتمعة تعتبر عبئا على الشركات, لذلك باستخدام التعلم الآلي التلقائي يمكن للشركات الاستفادة 

المعرفة المتوفرة لدى علماء البيانات دون الحاجة إلى استهلاك كميات كبيرة من الوقت والموارد المالية لتطوير تلك القدرات بشكل فردي, لأنه يقوم بتوفير حلول جاهزة للاستخدام، مما يسمح للشركات بالاستفادة من فهم وتحليل البيانات بطريقة أكثر فاعلية وفعالية. [2]

إجراء خطوات التعلم الآلي يدويا يزيد من احتمالية الخطأ البشري أثناء مراحل بناء النموذج سواء في تحليل البيانات أو تحديد الخوارزمية المناسبة وغيرها, كما يزيد من التحيز في اتخاذ قرارات معينة, جميع هذه العوامل تؤثر سلبا على دقة النموذج وبالتالي تدهور دقة النتائج. 

 التعلم الآلي التلقائي AutoML يقوم بجعل تكنولوجيا الذكاء الاصطناعي متاحة للشركات في مختلف الصناعات، وليس فقط لتلك التي تمتلك موارد كبيرة، مما يسهم في تحسين العمليات وزيادة الكفاءة في مجموعة متنوعة من المجالات.

ما خطوات أتمتة التعلم الآلي ؟ 

 يخضع التعلم الآلي التلقائي ل 8 خطوات أساسية, وهنا ذكر مختصر لها: [3]

1. استيعاب البيانات Data Ingestion: وهي أول خطوة من خطوات التعلم الآلي التلقائي, تتضمن هذه الخطوة عملية تحليل وفحص البيانات للتأكد من إمكانية استخدامها في الخطوات اللاحقة كاستخدامها لتدريب النموذج, من خلال التأكد من عدم وجود أي قيم مفقودة بالإضافة الى التأكد من كمية البيانات, حيث أن تطبيق التعلم الآلي التلقائي يحتاج الى كمية كافية للحصول على نموذج قوي ذي دقة عالية.
2.   إعداد البيانات Data Preparation: يطلق عليها أيضا "معالجة البيانات", حيث يتم تحويل البيانات الخام إلى تنسيق نظيف وملائم أكثر للنموذج الذي سيتم تدريبه, من خلال مجموعة من التقنيات والخطوات لتحسين جودة وملاءمة البيانات. على سبيل المثال، يمكن أن تتضمن هذه الخطوة تقنيات مثل إزالة النسخ المكررة في البيانات، وملء القيم المفقودة، والتحجيم scaling، وتطبيع البيانات. الخوارزميات المستخدمة في التعلم الآلي غالبا ما تكون حساسة لبيانات الإدخال, وهنا تكمن أهمية هذه الخطوة التي تضمن أن تكون جودة البيانات كافية لتحقيق أداء موثوق وفعال عند تدريب النموذج.
3. هندسة البيانات Data Engineering: تتضمن هذه الخطوة اختيار كيفية استخراج ومعالجة السمات، بالإضافة إلى عمليات اختيار البيانات وتبديل ترتيبها. عملية اختيار البيانات Data sampling تقوم على اختيار عينة من البيانات الأصلية لاستخدامها في التدريب, على سبيل المثال، إذا كانت مجموعة البيانات الأصلية تحتوي على 100 إدخال يمكن اختيار عينة من البيانات تحتوي على 60 إدخالا من المجموعة الأصلية حتى يتم استخدامها للتدريب. يتولى AutoML هذه الخطوة بتحديد بعض الإدخالات بشكل عشوائي لاستخدامها في مجموعة بيانات التدريب. أما عملية تبديل ترتيب البيانات Data shuffling فهي عبارة عن إعادة ترتيب البيانات الأصلية على شكل تسلسلات أو تكوينات مختلفة قبل استخدامها في التدريب, لماذا؟ لأن بعض الخوارزميات لا يمكن تدريبها إلا باستخدام تسلسلات أو تكوينات بيانات تم إنشاؤها بشكل عشوائي.
4. اختيار النموذج Model Selection: تتضمن هذه الخطوة اختيار نموذج من بين مجموعة متنوعة, حيث أن نوع النموذج يختلف تبعا لنوع المهمة المطلوبة, مثل التصنيف الثنائي أو التنبؤ بالسلاسل الزمنية وغيرها. قد يكون اختيار نموذج جيد أمر صعب عندما يكون هناك العديد من الخيارات المتاحة، لذلك من المهم معرفة نوع المعلومات التي ترغب في استخراجها من مجموعة البيانات الخاصة بك وما هو نوع النموذج الأفضل تكييف مع احتياجاتك. تقوم أدوات التعلم الآلي التلقائي بتحديد النموذج المناسب تلقائيًا, بعض الأنظمة تستخدم تقنية حديثة تسمى "البحث في الهندسة المعمارية للشبكات العصبية" لهذا الغرض.
5. تدريب النموذج Model Training: هناك العديد من أنواع نماذج التعلم الآلي كل منها يحتوي على مجموعة من Hyperparameters الخاصة به, بعض الأمثلة تشمل نماذج الانحدار الخطي، وشجر القرار، ونماذج الغابات العشوائية، والشبكات العصبية. غالباً ما يتم تدريب العديد من النماذج على مجموعات فرعية من البيانات، ويتم اختيار النموذج الأكثر دقة لمزيد من الضبط، وفي النهاية نشره, ثم يخضع النموذج النهائي لسلسلة من خطوات التحقق باستخدام بيانات محجوزة. كثير من المنصات الجديدة التي لا تتطلب البرمجة تقوم بإنشاء تصورات بصرية لأداء النموذج، مما يجعل من السهل فهم كيفية عمل كل نموذج ذكاء صناعي.
6. ضبط المعاملات الفائقة Hyperparameters Tuning: من أجل أن يعمل AutoML بفعالية، يجب أن يكون قادرًا على ضبط Hyperparameters لتحقيق أقصى أداء, وهذا يعني أن أنظمة التعلم الآلي التلقائي يجب أن تكون قادرة على إنشاء سلسلة من التوقعات لمختلف تركيبات Hyperparameters ثم اختيار أفضل تركيب بناءً على أدائه. تشمل بعض Hyperparameters  الشائعة وزن البداية، ومعدل التعلم، والزخم، والحد الأقصى لعمق الشجرة، وغيرها.
7. نشر النموذج Model Deployment: بعد بناء وضبط نموذج التعلم الآلي قد يكون نشره صعبا خاصة عندما يتعلق الأمر بأنظمة كبيرة تتطلب جهودا بيانية كبيرة ومع ذلك، يمكن لنظام التعلم الآلي التلقائي تسهيل هذه العملية عن طريق استخدام معرفته المدمجة حول كيفية نشر النموذج على أنظمة وبيئات متنوعة. 
8. تحديثات النموذج Model Updates : وكخطوة أخيرة تتمكن أنظمة AutoML أيضًا من تحديث النماذج بمرور الوقت بمجرد توفر بيانات جديدة وهذا يضمن أن تكون النماذج دائمًا محدثة بالمعلومات الجديدة، وهو أمر مهم بشكل خاص في بيئات الأعمال الديناميكية.

أدوات لتطبيق التعلم الآلي التلقائي AutoML.

يتوفر عبر الإنترنت العديد من الأدوات التي تتيح إمكانية أتمتة خطوات التعلم الآلي، من أهمها: [4]

• جوجل Google AutoML: تقدم Google Cloud AutoML خدمة التعلم الالي التلقائي لخدمات مثل التعرف على الصور ومعالجة اللغة الطبيعية، حيث تتميز بواجهة استخدام بسيطة بجميع الأدوات اللازمة لبناء النماذج ونشرها. كما توفر أيضا Google AutoML Tables لبناء ونشر النماذج المتعلقة بالبيانات الجدولية مثل التصنيف والتنبؤ والسلاسل الزمنية.

• أداة Microsoft Azure AutoML: منصة تعلم الآلة Microsoft Azure تشمل خدمة Azure AutoML و تدعم تطبيقات التصنيف والانحدار وتوقع السلاسل الزمنية كما أنها تتميز بواجهة مستخدم بسيطة وتتكامل بشكل جيد مع خدمات Azure الأخرى.

•  أداة AutoKeras: توفر واجهة استخدام سهلة وبسيطة لعمليات بناء نماذج تتعلق بتطبيقات مثل تصنيف الصور والتنبؤ وتصنيف النصوص، كما تعتمد بحث الهندسة المعمارية العصبية لإيجاد التصميم الأمثل للشبكات العصبية بالإضافة لعملية ضبط Hyperparameters وتدريب النموذج.

• أداة Auto-PyTorch: هي حزمة تعلم آلي مفتوحة المصدر تم إنشاؤها لتبسيط عملية إنشاء نماذج تعلم الآلة، تقدم واجهة سهلة الاستخدام لتسهيل البحث التلقائي عن التصميم الأمثل للنموذج وضبط Hyperparameters. باستخدام تحسين التصميم البايزي Bayesian Optimization ودمجه مع عملية التجميع Ensemble Selection، تستخدم أيضا لتطبيقات متنوعة مثل تصنيف الصور وتصنيف البيانات الجدولية وتوقع السلاسل الزمنية.

• أداة Databricks AutoML: تبسط هذه الأداة عملية بناء وتطوير نماذج التعلم الآلي باستخدام مجموعة كبيرة من البيانات، كما يمكن التعامل مع مجموعة من المهام في بيئة تفاعلية لبنا. النماذج وتقييم أدائه.

ما هي الفوائد المترتبة على استخدام التعلم الآلي التلقائي؟ 

سيعود استخدام التعلم الآلي التلقائي على الشركات بفوائد كثيرة، من ضمنها: [5]

• تقليل المصاريف من خلال زيادة إنتاجية علماء البيانات بتوفير تقنيات وأدوات تسهل عملية تحليل البيانات وبناء النماذج> بالإضافة إلى انخفاض الطلب على علماء البيانات بسبب فتح أبواب التعلم الآلي للمستخدمين من غير علماء البيانات من خلال إمكانية وصولهم إلى أدوات التعلم الآلي واستخدامها بسهولة
• زيادة الإيرادات ورضى العملاء بسبب زيادة دقة النماذج 
• تطوير نماذج دقيقة يمكن أن يحسن نتائج أخرى مثل التحسينات في التشغيل الآلي الذي يزيد من مشاركة الموظفين ويسمح لهم بالتركيز على المهام الأكثر إثارة

الخاتمة

التعلم الآلي التلقائي هو عملية أتمتة خطوات التعلم الآلي بدلا من أدائها يدويا مما يتيح للأشخاص ذوي الخبرة القليلة في علم البيانات من بناء النمائم بكل سهولة. تشمل عملية الأتمتة جميع خطوات بناء النموذج مثل اختيار بيانات التدريب ومعالجتها، واختيار نوع النموذج تبعا لنوع المهمة وتدريبه، وضبط Hyperparameters, وأخيرا نشره وتدريبه. يمكنك أتمتة التعلم الالي من خلال استخدام الأدوات المختلفة عبر الإنترنت مثل أداة Google AutoML، وأداة  Microsoft Azure AutoML وغيرها من الأدوات. أخيرا ننتقل الى أهمية استخدامه من حيث تقليل التكاليف وزيادة دقة النموذج من خلال تقليل الأخطاء والتحيز البشري الذي قد يطرأ على بعض خطوات بناء النموذج. 

 مع تطور أدواته أصبح بإمكان أي شخص بغض النظر عن خلفيته التقنية، الانغماس في هذا العالم والاستفادة من الفوائد التي يقدمها. إن فتح أفق التعلم الآلي للجميع يمثل نقلة نوعية في التكنولوجيا، ونحن على أعتاب مستقبل مليء بالفرص والتحديات التي يقدمها هذا المجال المثير.

المصادر

1. Automated machine learning - Wikipedia
2. Automated Machine Learning | DataRobot AI Wiki
3. How Does Automated Machine Learning Work?.
4. What is AutoML in Machine Learning? - GeeksforGeeks
5. AutoML: In-depth Guide to Automated Machine Learning in 2024