أصبح التعلم الآلي موضوعًا ساخنًا اليوم ، ولكنه كان عملية طويلة منذ ولادة مفهوم التعلم الآلي إلى التطبيق العام لتقنيات التعلم الآلي. في التاريخ الطويل لتطوير التعلم الآلي ، قدم العديد من العلماء البارزين مساهمات كبيرة في تعزيز تطوير التعلم الآلي.

من الكمبيوتر اليدوي الذي اخترعه باسكال في عام 1642 إلى نظرية هب التي اقترحها دونالد هب في عام 1949 لشرح التغييرات في الخلايا العصبية في الدماغ أثناء التعلم ، تحتوي جميعها على بذرة أفكار التعلم الآلي. في الواقع ، ذكر تورينج بالفعل مفهوم التعلم الآلي في مقالته عن اختبار تورينج في عام 1950. بحلول عام 1952 ، صمم آرثر صامويل من شركة آي بي إم (المعروف باسم "أب التعلم الآلي") برنامج لعبة الداما يمكنه التعلم. لعب Samuel العديد من الألعاب مع البرنامج ووجد أن البرنامج أصبح أفضل بمرور الوقت. استخدم صموئيل هذا البرنامج لقلب الحكمة التقليدية القائلة بأن الآلات لا يمكنها أن تتفوق على البشر ، وأن تكتب الكود وتتعلم مثل البشر. وفي عام 1956 ، تم اقتراح مفهوم "التعلم الآلي" رسميًا.

في هذا الإصدار من المرجع الداخلي الذكي ، نوصي بتقرير البحث "التعلم الآلي للذكاء الاصطناعي" الذي أعده معهد تسينغهوا للذكاء الاصطناعي ، والذي يحلل تكنولوجيا التعلم الآلي من خمسة أبعاد: تاريخ تطور التعلم الآلي ، والخصائص التقنية ، وملفات تعريف المواهب ، والصناعة التطبيقات والاتجاهات المستقبلية. إذا كنت تريد وضع إشارة مرجعية على تقرير هذا المقال (التعلم الآلي للذكاء الاصطناعي) ، فيمكنك الرد على الكلمة الرئيسية "Zhi Dong 427" في الرسالة الخاصة لـ Zhi Dong Toutiao.

المصدر المرجعي لهذه الفترة: معهد تسينغهوا للذكاء الاصطناعي

العنوان الأصلي:

"التعلم الآلي للذكاء الاصطناعي"

المؤلف: غير محدد

1. ما هو التعلم الآلي؟

يمكن تنفيذ فهم التعلم الآلي بعدة طرق. يعرف توم ميتشل ، المعروف باسم "الأب الروحي للتعلم الآلي العالمي" ، التعلم الآلي على أنه: لنوع معين من المهام T وقياس الأداء P ، إذا تم قياس برنامج كمبيوتر بواسطة P on T يتحسن أداء الكمبيوتر ذاتيًا بالخبرة E ، ويقال أن برنامج الكمبيوتر يتعلم من التجربة E.

يُعتقد عمومًا أن نظام المعالجة وخوارزمية التعلم الآلي (غالبًا ما يتم اختصاره باسم ML) هو نمط التعرف الذي يقوم بالتنبؤات بشكل أساسي من خلال العثور على أنماط مخفية في البيانات.إنه الذكاء الاصطناعي (الذكاء الاصطناعي ، وغالبًا ما يتم اختصاره باسم AI). حقل فرعي من

من منظور عملية تطوير التعلم الآلي ، يكون الجدول الزمني لتطويرها كما يلي:

تاريخ تطور التعلم الآلي

يمكن تصنيف خوارزميات التعلم الآلي وفقًا لمعايير مختلفة. على سبيل المثال ، وفقًا للوظائف المختلفة f (x ، ) ، يمكن تقسيم خوارزميات التعلم الآلي إلى نماذج خطية ونماذج غير خطية ؛ وفقًا لمعايير التعلم المختلفة ، يمكن أيضًا تقسيم خوارزميات التعلم الآلي إلى طرق إحصائية وطرق غير إحصائية. لكن بشكل عام ، نصنف خوارزميات التعلم الآلي إلى تعلم خاضع للإشراف ، وتعلم غير خاضع للإشراف ، وتعلم معزز وفقًا للمعلومات المقدمة من عينات التدريب وطريقة التغذية الراجعة.

تصنيف التعلم الآلي

في عام 1980 ، دخل التعلم الآلي مرحلة التاريخ كقوة مستقلة. في السنوات العشر التالية ، ظهرت بعض الأساليب والنظريات المهمة ، والممثلين النموذجيين هم: التصنيف والانحدار الأشجار (CART ، 1984) ، والانتشار العكسي (1986) ، والشبكات العصبية التلافيفية (1989). من عام 1990 إلى عام 2012 ، أصبح التعلم الآلي ناضجًا ومطبقًا بشكل تدريجي. وفي العشرين عامًا الماضية ، تم تحسين وإثراء نظرية وطريقة التعلم الآلي. ويمكن القول أن مئات الأزهار تتفتح. الإنجازات المهمة التمثيلية هي: Support Vector Machine (SVM ، 1995) ، AdaBoost algorithm (1997) ، Recurrent Neural Network and LSTM (1997) ، Manifold Learning (2000) ، Random Forest (2001). تتضمن الخوارزميات التمثيلية للتعلم الآلي ما يلي:

الانحدارالخطي؛

شجرة التصنيف والانحدار (CART) ؛

غابة عشوائية

الانحدار اللوجستي؛

ساذج بايزي

ك أقرب الجيران (kNN) ؛

AdaBoost.

خوارزمية K- يعني (K-Means) ؛

آلة ناقلات الدعم (SVM) ؛

الشبكة العصبية الاصطناعية ANN (الشبكة العصبية الاصطناعية) ؛

1. شبكات الخصومة التوليدية والتعلم الآلي العدائي

شبكات الخصومة التوليدية (GAN) هي نموذج للتعلم الآلي للتعلم غير الخاضع للإشراف. وقد اقترحه Ian Goodfellow et al. في عام 2014. وهي تتكون من شبكة عصبية لتشكيل أداة تمييز ومولد ، وتتكون من آلية منافسة. أ إطار التعلم لـ GAN ، أطلق GAN ثورة في مجال التعلم العميق. يعود النموذج التوليدي التقليدي إلى RBM في الثمانينيات ، ثم AutoEncoder ، والذي تم تعبئته تدريجيًا مع الشبكات العصبية العميقة ، ثم GAN ، وهو الآن النموذج التوليدي الأكثر شيوعًا.

سياق تطوير GAN

التعلم الآلي العدائي هو مجال تقاطع التعلم الآلي وأمن الكمبيوتر. يهدف التعلم الآلي العدائي إلى توفير الأمان لتقنيات التعلم الآلي في البيئات الضارة. نظرًا لأن تقنية التعلم الآلي تدرس عمومًا توزيع البيانات نفسه أو المستقر نسبيًا ، عند نشرها في الواقع ، فإن هذا الافتراض لا يصح بالضرورة بسبب وجود مستخدمين ضارين. على سبيل المثال ، وجد الباحثون أن بعض الأمثلة العدائية جيدة التصميم يمكن أن تجعل نماذج التعلم الآلي تفشل في إخراج النتائج الصحيحة. بالنسبة لمشكلة الهجوم الخاصة بالنموذج ، نقسمها بشكل أساسي إلى فئتين ، أي تتم مناقشة مرحلة التدريب ومرحلة الاستدلال.

الهجمات في مرحلة التدريب . الغرض الرئيسي من الهجمات الخبيثة في مرحلة التدريب (التدريب في إعدادات الخصومة) هو التشويش قليلاً على معلمات النموذج ، بحيث ينحرف أداء النموذج عن التوقعات. يتم تحقيق هذا السلوك بشكل أساسي من خلال تسمم البيانات.

الاستدلال في إعدادات الخصومة. عندما يتم تدريب النموذج ، يمكن اعتبار النموذج على أنه BOX ، ثم في هذا المربع ، إذا كان شفافًا بالنسبة لنا ، فإننا نعتبره نموذج "المربع الأبيض" ، إذا لم نتمكن من رؤية أي شيء في هذا المربع ، نتعامل معها كنموذج "الصندوق الأسود". (لا نناقش نموذج الصندوق الرمادي في هذا القسم) ثم تختلف طرق الهجوم للمربع الأبيض والصندوق الأسود بشكل طبيعي ، لكن الهدف النهائي هو تدمير النتيجة النهائية للنموذج والانحراف عن التوقع. يختلف تأثير وتفصيل هيكل الهجوم أيضًا.

2. التعلم الآلي للآلة

يهدف التعلم الآلي التلقائي (AutoML) إلى تبسيط عملية إنشاء النماذج في التعلم الآلي عن طريق أتمتة بعض الخطوات الشائعة مثل المعالجة المسبقة للبيانات واختيار النموذج وضبط المعلمات الفائقة. يشير AutoML إلى محاولة عدم تعيين المعلمات الفائقة من قبل البشر ، ولكن استخدام نوع من آلية التعلم لضبط هذه المعلمات الفائقة. تشتمل آليات التعلم هذه على تحسين Bayesian التقليدي ، ولعبة ماكينات الألعاب المتعددة ، والخوارزميات التطورية ، والتعلم المعزز الأحدث. لا يشمل التعلم الآلي الآلي فقط اختيار الخوارزمية المعروفة ، وتحسين المعلمة الفائقة ، والبحث في بنية الشبكة العصبية ، ولكنه يغطي أيضًا كل خطوة من خطوات سير عمل التعلم الآلي. هذا هو المكان الذي يكون فيه التعلم الآلي مفيدًا ، حيث يساعد الباحثين والممارسين على إنشاء خطوط أنابيب للتعلم الآلي تدمج خطوات متعددة وخياراتها المتعددة المقابلة في سير العمل للعثور بسرعة على آلات عالية الأداء لنماذج تعلم مشكلة معينة. تظهر العملية الأساسية لـ AutoML في الشكل التالي: المربع الظاهري هو مساحة التكوين ، بما في ذلك الميزات والمعلمات الفائقة والبنية ؛ تدخل بيانات التدريب الموجودة على اليسار ، والمحسن أعلاه متصل بها ، ويعثر المقياس المحدد على أفضل تكوين ، والنموذج النهائي هو النموذج ؛ يتم تشغيل بيانات الاختبار على النموذج لأغراض التنبؤ.

عملية AutoML الأساسية

قدم باحثون من معهد ماساتشوستس للتكنولوجيا وجامعة هونغ كونغ للعلوم والتكنولوجيا وجامعة تشجيانغ ، الذي تم تقديمه في مؤتمر ACM CHI حول العوامل البشرية في أنظمة الحوسبة ، أداة تضع التحليل والتحكم في أساليب AutoML في أيدي المستخدمين. الأداة ، التي تسمى ATMSeer ، تأخذ كمدخلات نظام AutoML ومجموعة بيانات وبعض المعلومات حول مهمة المستخدم ، ثم تصور عملية البحث ضمن واجهة سهلة الاستخدام توفر أيضًا مزيدًا من المعلومات حول أداء النموذج.

واجهة سهلة الاستخدام لأداة التخصيص الآلي للتعلم الآلي ATMSeer

الصورة أعلاه هي واجهة سهلة الاستخدام تم إنشاؤها بواسطة ATMSeer والتي تعرض معلومات متعمقة حول أداء النموذج المحدد ، بالإضافة إلى خيارات الخوارزميات والمعلمات القابلة للضبط. تُظهر دراسات الحالة لخبراء التعلم الآلي الذين ليس لديهم خبرة في AutoML أن منح المستخدمين التحكم يمكن أن يساعد حقًا في تحسين أداء وكفاءة تطبيقات AutoML. أظهرت دراسة أجريت على 13 طالب دراسات عليا في مجالات علمية مختلفة مثل علم الأحياء والتمويل أن هناك ثلاث نقاط رئيسية تحدد تخصيص بحث المستخدم لـ AutoML: عدد الخوارزميات التي تم البحث عنها ، ووقت تشغيل النظام ، والعثور على النموذج الأفضل أداءً. يقول الباحثون إن هذه المعلومات يمكن استخدامها لتكييف النظام للمستخدمين.

3. التعلم الآلي القابل للتفسير

تشير القابلية للتفسير إلى الدرجة التي يستطيع بها البشر فهم أسباب اتخاذ القرارات. كلما كان نموذج التعلم الآلي أكثر قابلية للتفسير ، كان من الأسهل على الناس فهم سبب اتخاذ قرارات أو تنبؤات معينة. يشير تفسير النموذج إلى فهم الآلية الداخلية للنموذج وفهم نتائج النموذج. تنعكس أهميتها في: في مرحلة النمذجة ، ساعد المطورين على فهم النموذج ، ومقارنة النماذج واختيارها ، وتحسين النموذج وتعديله إذا لزم الأمر ؛ في مرحلة التشغيل ، اشرح الآلية الداخلية للنموذج إلى جانب الأعمال واشرح نتائج النموذج. على سبيل المثال ، يحتاج نموذج توصية الصندوق إلى توضيح سبب التوصية بتمويل لهذا المستخدم.

خطوات عملية التعلم الآلي: جمع البيانات ، والبيانات النظيفة ، وتدريب النموذج ، واختيار النموذج الأفضل بناءً على التحقق من الصحة أو خطأ الاختبار أو مقاييس التقييم الأخرى. تتمثل الخطوة الأولى في اختيار نموذج عالي الدقة بمعدل خطأ صغير نسبيًا ومعدل دقة مرتفع نسبيًا. في الخطوة الثانية ، هناك مفاضلة بين الدقة وتعقيد النموذج ، ولكن كلما كان النموذج أكثر تعقيدًا ، كان من الصعب شرحه. من السهل جدًا شرح الانحدار الخطي البسيط لأنه يأخذ في الاعتبار العلاقة الخطية فقط بين المتغير المستقل والمتغير التابع ، ولكن بسبب ذلك ، لا يمكنه التعامل مع علاقات أكثر تعقيدًا ويتنبأ النموذج بشكل أفضل في مجموعة الاختبار. والشبكات العصبية العميقة تقع في الطرف الآخر ، لأنها قادرة على استخلاص الاستدلال على مستويات متعددة ، لذلك يمكنها التعامل مع العلاقات المعقدة للغاية بين المتغيرات التابعة والمستقلة بدقة عالية جدًا. ومع ذلك ، فإن هذا التعقيد يجعل النموذج أيضًا صندوقًا أسود ، ولا يمكننا معرفة العلاقة بين كل هذه الميزات التي تنتج نتائج تنبؤ النموذج ، لذلك يمكننا فقط استخدام معايير التقييم مثل معدل الدقة ومعدل الخطأ بدلاً من ذلك لتقييم مصداقية النموذج. في الواقع ، يجب أن يكون فهم النموذج وتفسير النموذج جزءًا من خط أنابيب التعلم الآلي لكل مشكلة تصنيف.

4. التعلم عبر الإنترنت

خوارزميات التعلم الآلي التقليدية هي وضع الدُفعات ، على افتراض أن جميع بيانات التدريب يتم تقديمها مسبقًا ، ويتم الحصول على المصنف عن طريق تقليل الخطأ التجريبي المحدد في جميع بيانات التدريب. حققت طريقة التعلم هذه نجاحًا كبيرًا على نطاق صغير ، ولكن عندما يكون مقياس البيانات كبيرًا ، يكون تعقيدها الحسابي مرتفعًا والاستجابة بطيئة ، وهو ما لا يمكن استخدامه للتطبيقات ذات المتطلبات العالية في الوقت الفعلي. بخلاف التعلم الجماعي ، يفترض التعلم عبر الإنترنت أن بيانات التدريب تستمر في الوصول ، وعادة ما تستخدم عينة تدريب لتحديث النموذج الحالي ، مما يقلل بشكل كبير من تعقيد المكان والزمان لخوارزمية التعلم ، وهو في الوقت الفعلي بشكل كبير. في عصر البيانات الضخمة ، جلبت خصائص النمو السريع للبيانات الضخمة تحديات خطيرة للتعلم الآلي. يمكن للتعلم عبر الإنترنت أن يحل هذه المشكلة بشكل فعال ، والتي جذبت اهتمامًا واسعًا من الأوساط الأكاديمية والصناعية. أدى التعلم المبكر عبر الإنترنت المطبق على المصنفات الخطية إلى خوارزمية Perceptron الشهيرة ، والتي تتقارب وتكون قادرة على العثور على سطح التصنيف الأمثل عندما تكون البيانات قابلة للفصل خطيًا. بعد عقود من التطوير ، شكل التعلم عبر الإنترنت مجموعة كاملة من النظريات التي يمكنها تعلم كل من الوظائف الخطية والوظائف غير الخطية. نقدم أدناه تعريفًا رسميًا للتعلم عبر الإنترنت وأهدافه التعليمية.

وفقًا للمعلومات المختلفة التي لاحظها المتعلم أثناء عملية التعلم ، يمكن تقسيم التعلم عبر الإنترنت بشكل أكبر إلى: التعلم عبر الإنترنت في ظل المعلومات الكاملة والتعلم عبر الإنترنت باستخدام آلات المقامرة. يفترض الأول أن المتعلم يمكنه ملاحظة وظيفة الخسارة الكاملة ، بينما يفترض الأخير أن المتعلم يمكنه فقط ملاحظة قيمة وظيفة الخسارة في القرار الحالي ، أي أخذ التصنيف عبر الإنترنت كمثال ، إذا كان المتعلم يمكنه ملاحظة عينات التدريب ، المشكلة هي أنها تنتمي إلى التعلم عبر الإنترنت بموجب معلومات كاملة ، لأنه يمكن تحديد وظيفة خطأ التصنيف الكاملة بناءً على عينات التدريب ؛ إذا كان المتعلم يمكنه فقط ملاحظة خطأ التصنيف دون رؤية عينات التدريب ، فإن المشكلة تنتمي إلى الإنترنت تعلم آلات القمار. نظرًا للاختلاف في معلومات المراقبة ، فإن خوارزميات التعلم لهذين الإعدادين مختلفة تمامًا أيضًا ، كما أن سيناريوهات التطبيق مختلفة أيضًا.

5. بيرت

الاسم الكامل لـ BERT هو تمثيل التشفير ثنائي الاتجاه من المحولات ، وهو جهاز التشفير للمحول ثنائي الاتجاه. يمكن القول إنها أفضل تقنية اختراق لشبكة متبقية في السنوات الأخيرة. الميزات الرئيسية لـ BERT هي كما يلي:

1) باستخدام Transformer كإطار رئيسي للخوارزمية ، يمكن لـ Trabsformer التقاط العلاقة ثنائية الاتجاه بشكل أكثر شمولاً في الجملة ؛

2) أهداف التدريب متعدد المهام باستخدام نموذج لغة القناع (MLM) وتوقع الجملة التالي (NSP) ؛

3) باستخدام آلات أكثر قوة لتدريب البيانات على نطاق أوسع ، وصلت نتائج BERT إلى مستوى جديد ، وفتحت Google مصدر نموذج BERT ، ويمكن للمستخدمين استخدام BERT مباشرةً كمصفوفة تحويل لـ Word2Vec وتطبيقه بكفاءة على أنفسهم . مهمة.

يتمثل جوهر BERT في تعلم تمثيل جيد للميزات للكلمات عن طريق تشغيل أساليب التعلم تحت الإشراف الذاتي على أساس مجموعات ضخمة.يشير ما يسمى بالتعلم تحت الإشراف الذاتي إلى التعلم الخاضع للإشراف الذي يعمل على البيانات دون شرح يدوي. في مهمة NLP المحددة في المستقبل ، يمكننا استخدام تمثيل ميزة BERT مباشرة باعتبارها ميزة تضمين الكلمة للمهمة. لذا فإن ما يقدمه BERT هو نموذج لنقل التعلم من المهام الأخرى ، والتي يمكن ضبطها أو إصلاحها وفقًا للمهمة كمستخرج ميزة. تم فتح كود المصدر ونموذج BERT على Github ، كما تم أيضًا فتح النماذج الصينية المبسطة ومتعددة اللغات.

تستخدم بنية شبكة BERT بنية المحولات متعددة الطبقات المقترحة في "الاهتمام هو كل ما تحتاجه". وتتمثل أكبر ميزة لها في أنها تتخلى عن RNN و CNN التقليديتين ، وتحول مسافة كلمتين في أي موضع إلى 1 من خلال الانتباه الآلية ، التي تحل بفعالية مشكلة التبعية الشائكة طويلة المدى في البرمجة اللغوية العصبية. يتم عرض بنية شبكة المحولات في الشكل أدناه. المحول عبارة عن هيكل مفكك تشفير ، يتم تشكيله عن طريق تكديس العديد من أجهزة التشفير وفك التشفير. الجزء الأيسر من الشكل أدناه هو المشفر ، والذي يتكون من Multi-Head Attention واتصال كامل لتحويل مجموعة الإدخال إلى متجه ميزة. الجزء الأيمن هو وحدة فك التشفير ، والذي يكون مدخله هو إخراج المشفر والنتيجة المتوقعة ، والتي تتكون من مقنع متعدد الرؤوس ، انتباه متعدد الرؤوس واتصال كامل لإخراج الاحتمال الشرطي للنتيجة النهائية.

هندسة شبكة المحولات

6. الالتواء والرسم البياني الالتواء

إن الالتفاف لوظيفتين هو في الأساس قلب وظيفة واحدة أولاً ، ثم إجراء تراكب منزلق. في الحالة المستمرة ، يشير التراكب إلى تكامل ناتج وظيفتين ، وفي الحالة المنفصلة ، يكون مجموعًا مرجحًا ، والذي يُسمى مجتمعًا التراكب من أجل البساطة. يتم تعريف الالتفاف f * g (n) للدالة f ، g بشكل عام في الكتب المدرسية على النحو التالي:

شكل مستمر:

شكل منفصل:

يكون تفسير الصيغة من طريقة الحساب على النحو التالي: أولاً ، اقلب دالة g ، التي تعادل طي دالة g من اليمين إلى اليسار على محور الأرقام ، وهو أصل "لفة" التفاف. ثم قم بترجمة دالة g إلى n ، واضرب النقاط المتناظرة من الوظيفتين في هذا الموضع ، ثم قم بإضافتها ، وهذه العملية هي عملية الالتواء "product". تبدو العملية الكلية كما يلي:

انعكاس شريحة تراكب شريحة تراكب شريحة تراكب

تشكل سلسلة من القيم المتراكبة التي تم الحصول عليها عن طريق الانزلاق عدة مرات وظيفة الالتواء. تشير "لفة" الالتواء إلى عملية قلب الوظيفة من g (t) إلى g (-t) ؛ وفي الوقت نفسه ، تعني كلمة "roll" أيضًا الانزلاق فيها. إذا تمت ترجمة الالتواء على أنها "التفاف" ، فإن كلمة "طي" لها معنى التقليب فقط. يشير "ناتج" الالتواء إلى التجميع المتكامل / الموزون. يُفهم معنى الالتواء على النحو التالي:

1) يمكن أن نرى من عملية "المنتج" أن قيمة التراكب التي نحصل عليها هي مفهوم عالمي. بأخذ تحليل الإشارة كمثال ، فإن نتيجة الالتفاف لا تتعلق فقط بقيمة استجابة إشارة الإدخال في الوقت الحالي ، ولكن أيضًا باستجابة إشارة الإدخال في جميع الأوقات في الماضي ، مع مراعاة تراكم آثار جميع المدخلات السابقة. في معالجة الصور ، فإن نتيجة معالجة الالتفاف هي في الواقع مراعاة البيكسلات المحيطة لكل بكسل ، وحتى وحدات البكسل للصورة بأكملها ، وإجراء نوع من معالجة الترجيح على البكسل الحالي. لذلك فإن "المنتج" هو مفهوم عالمي ، أو نوع من "الخلط" الذي يمزج بين وظيفتين في الزمان والمكان.

2) الغرض من "التدحرج" (التقليب) هو فرض قيد يحدد ما يجب الإشارة إليه عند "المنتج". في حالة تحليل الإشارة ، فإنه يحدد "المنتج" قبل نقطة زمنية محددة وبعدها ، وفي حالة التحليل المكاني ، فإنه يحدد الموقع الذي يتم إجراء التراكم حوله.

لفهم العملية الأساسية لشبكة التفاف الرسم البياني ، يمكن مقارنة التفاف الرسم البياني بحالة الالتواء في CNN. كما هو موضح في الشكل أدناه ، فإن الصورة الرقمية هي إشارة منفصلة ثنائية الأبعاد. لإجراء عملية التفاف على صورة رقمية ، يجب استخدام نواة التفاف (قالب التفاف) للانزلاق على الصورة ، ومقارنة قيمة البكسل الرمادية على نقطة الصورة ذات قيمة البكسل الرمادية المقابلة. تتضاعف القيم الموجودة في نواة الالتواء ، ثم تُضاف جميع القيم المضاعفة كقيمة رمادية للبكسل في الصورة المقابلة للبكسل الوسيط لنواة الالتواء ، وأخيرًا عملية تحريك كل الصور.

رسم تخطيطي لالتفاف الرسم البياني

في الواقع ، يتم تخزين مجموعات البيانات الأكثر أهمية في شكل رسوم بيانية ، مثل معلومات الشبكة الاجتماعية والرسوم البيانية المعرفية وشبكات البروتين وشبكة الويب العالمية وما إلى ذلك. شكل شبكات الرسم البياني هذه لا يشبه الصورة ، إنه مصفوفة مرتبة بدقة ، ولكنه معلومات غير منظمة.هل هناك نموذج عام لاستخراج ميزات الرسم البياني مثل الالتواء في حقل الصورة؟ هذا ما يمثله التواء الرسم البياني في الشبكات التلافيفية للرسم البياني. بالنسبة لمعظم نماذج الرسوم البيانية ، توجد صيغة عامة مماثلة ، ويشار إلى هذه النماذج مجتمعة باسم الشبكات التلافيفية للرسم البياني. لذلك ، يمكن القول أن التفاف الرسم البياني هو أداة قوية لمعالجة البيانات غير المهيكلة. ومع التعميق التدريجي للبحث في هذا المجال ، لن تقتصر المعالجة البشرية لحقول المعرفة على البيانات المنظمة ، وسيتم توجيه المزيد من الاهتمام إلى هذا - الوجود أوسع ، ويغطي مجالات معرفة أكثر وضوحا.

2. التعلم العميق

التعلم العميق هو الفرع الأسرع نموًا للتعلم الآلي في السنوات العشر الماضية ، ونظرًا لأهميته ، فقد حصل ثلاثة أساتذة (جيفري هينتون ، ويان لوكون ، ويوشوا بنجيو) على جائزة تورينج. يمكن إرجاع تطوير نماذج التعلم العميق إلى Perceptron في عام 1958. في عام 1943 ، كانت الشبكة العصبية قد ظهرت بالفعل في نموذجها الأولي (المشتق من NeuroScience) ، وفي عام 1958 ، اخترع فرانك ، عالم النفس الذي درس الإدراك ، جهاز الإدراك الإدراكي ، والذي تسبب في جنون في ذلك الوقت. في وقت لاحق ، اكتشف مارفن مينسكي (معلم الذكاء الاصطناعي) وسيمور بابيرت أوجه القصور في المستشعر: لم يتمكن من التعامل مع المشكلات غير الخطية مثل حلقات XOR ، ولم تكن قوة الحوسبة في ذلك الوقت كافية للتعامل مع الشبكات العصبية الكبيرة. نتيجة لذلك ، دخل البحث على الشبكة العصبية بأكملها في فترة ركود.

التطور السريع في الثلاثين سنة الماضية. بشكل عام ، هناك أربعة خطوط تطوير رئيسية:

تقدم مهم لنماذج التعلم العميق في السنوات الأخيرة

1. التقدم المهم الأخير في التعلم العميق

في السنوات القليلة الماضية ، غيّر التعلم العميق التطور الكامل للذكاء الاصطناعي. بدأت تقنيات التعلم العميق بالظهور بالفعل في تطبيقات في مجالات مثل الرعاية الصحية والتمويل والموارد البشرية وتجارة التجزئة والكشف عن الزلازل والسيارات ذاتية القيادة. بالنسبة للنتائج الحالية ، فقد تحسن الأداء بشكل مطرد. سيقدم هذا القسم بعض التطورات الحديثة الهامة في التعلم العميق.

ثلاثة تطورات رئيسية في عام 2018:

نموذج بيرت . الاسم الكامل لـ BERT هو تمثيل التشفير ثنائي الاتجاه من Transformers ، وهو نموذج ما قبل التدريب يعتمد على محول عميق ثنائي الاتجاه ، والذي يمكنه تدريب التمثيل ثنائي الاتجاه العميق مع سياق جميع الطبقات. أصبح BERT نموذجًا ساخنًا في مجال البرمجة اللغوية العصبية منذ أن أعلنت Google عن أدائها المتفوق في 11 مهمة من مهام البرمجة اللغوية العصبية في عام 2018.

تركيب الفيديو إلى الفيديو . نحن معتادون على بيئة التفاعل مع المحاكيات وألعاب الفيديو التي أنشأتها محركات الرسوم. على الرغم من أن الأسلوب الكلاسيكي مثير للإعجاب ، إلا أنه مكلف لأنه يجب تحديد هندسة المشهد والمواد والإضاءة والمعلمات الأخرى بعناية. السؤال الجيد هو ما إذا كان يمكن بناء هذه البيئات تلقائيًا باستخدام تقنيات التعلم العميق ، على سبيل المثال. حل باحثو NVIDIA هذه المشكلة. هدفهم هو توفير وظيفة تعيين بين الفيديو المصدر والفيديو الناتج ، وتصور بدقة محتوى الإدخال. يصمم المؤلفون هذا على أنه مشكلة مطابقة توزيع ، حيث يكون الهدف هو جعل التوزيع الشرطي لمقاطع الفيديو التي تم إنشاؤها تلقائيًا أقرب ما يمكن من توزيع مقاطع الفيديو الحقيقية. لتحقيق ذلك ، قاموا ببناء نموذج قائم على شبكة الخصومة التوليدية (GAN). الفكرة الأساسية في إطار عمل GAN هي أن المولد يحاول إنتاج بيانات تركيبية حقيقية بحيث لا يستطيع المميّز التمييز بين البيانات الحقيقية والتركيبية. يحددون هدف التعلم الزماني المكاني الذي يهدف إلى تحقيق مقاطع فيديو متماسكة مؤقتًا.

شبكة الرسم البياني. تعاونت DeepMind مع 27 مؤلفًا من Google Brain ومعهد ماساتشوستس للتكنولوجيا ومؤسسات أخرى لنشر ورقة جامعية بعنوان "التحيزات الاستقرائية العلائقية والتعلم العميق وشبكات الرسوم البيانية" ، مقترحة "شبكة الرسم البياني" ، والتي تجمع بين التعلم الشامل والاستدلال الاستقرائي حل مشكلة التعلم العميق لا يمكن أن يؤدي التفكير العلائقي. يعتقد المؤلف أن التعميم التوافقي هو المهمة الأساسية للذكاء الاصطناعي لتحقيق قدرات شبيهة بالإنسان ، وأن التمثيل والحساب المنظمين هما المفتاح لتحقيق هذا الهدف ، والمفتاح لتحقيق هذا الهدف هو بيانات التمثيل المنظمة والحساب. تناقش الورقة كيف تدعم شبكات الرسم البياني التفكير العلائقي والتعميم التوافقي ، مما يضع الأساس لنماذج تفكير أكثر تعقيدًا وقابلة للتفسير ومرنة.

ثلاثة تطورات رئيسية في عام 2019:

طراز XLNet . XLNet هو نموذج جديد في البرمجة اللغوية العصبية (NLP) اقترحته CMU و Google Brain ، والذي يتجاوز أداء BERT في 20 مهمة ويحقق أحدث النتائج الحالية في 18 مهمة ، بما في ذلك الإجابة على أسئلة الآلة ، واستدلال اللغة الطبيعية ، وتحليل المشاعر ، وترتيب المستندات.

MoCo. اقترح هي Yuming تباين الزخم (MoCo) لتعلم التمثيل المرئي غير الخاضع للإشراف في عمله "تباين الزخم لتعلم التمثيل المرئي غير الخاضع للإشراف". من منظور التعلم التباين مثل البحث في القاموس ، ينشئ المؤلفون قاموسًا ديناميكيًا بقائمة انتظار ومشفّر متوسط متحرك. يتيح ذلك إنشاء معاجم كبيرة ومتسقة في الوقت الفعلي ، مما يسهل التعلم المتباين غير الخاضع للإشراف. تقدم MoCo نتائج تنافسية بموجب البروتوكول الخطي العام لتصنيف ImageNet. والأهم من ذلك ، أن الإقرارات التي تعلمتها MoCo سيتم نقلها إلى مهام المصب. يمكن أن تتفوق MoCo على مهام الكشف / التجزئة في المهام المكافئة للتدريب المسبق تحت الإشراف على PASCAL VOC و COCO ومجموعات البيانات الأخرى ، أحيانًا بهامش كبير. يشير هذا إلى أن الفجوة بين تعلم التمثيل غير الخاضع للإشراف والإشراف قد تم سدها إلى حد كبير في العديد من مهام الرؤية.

نظام DL 2. ناقش تقرير يوشوا بنجيو "من النظام 1 التعلم العميق للنظام 2 التعلم العميق" في NeuIPS 2019 اتجاه تطوير التعلم العميق ، والذي جذب انتباهًا واسع النطاق.وقد قدم البروفيسور تانغ جي من جامعة تسينغهوا تفسيرًا متعمقًا لذلك.

3. الموهبة

1. نظرة عامة على العلماء

تُستخدم الخريطة العلمية لوصف توزيع العلماء في مجال معين. وهي مهمة بشكل خاص لإجراء استطلاعات رأي العلماء وتحليل القدرة التنافسية للمناطق المختلفة. يوضح الشكل التالي التوزيع العالمي للباحثين في مجال التعلم الآلي:

توزيع العلماء العالميين في مجال التعلم الآلي

يتم رسم الخريطة وفقًا للموقع الجغرافي للمؤسسة الحالية التي يعمل فيها العلماء ، وكلما كان اللون أغمق ، زاد تركيز العلماء. يمكن أن نرى من هذه الخريطة أن عدد المواهب في الولايات المتحدة متقدم جدًا ويتم توزيعها بشكل أساسي على سواحلها الشرقية والغربية ؛ وهناك أيضًا المزيد من المواهب في وسط وغرب أوروبا ؛ المواهب في آسيا تتوزع بشكل رئيسي في الشرق بلدي واليابان وكوريا الجنوبية ؛ بلدان أخرى مثل أفريقيا وأمريكا الجنوبية العلماء في مثل هذه المناطق نادرة جدًا ؛ توزيع المواهب في مجال التعلم الآلي يتوافق تقريبًا مع القوة التكنولوجية والاقتصادية لكل منطقة. بالإضافة إلى ذلك ، من حيث النسبة بين الجنسين ، يمثل العلماء الذكور 89.8 والإناث 10.2 في مجال التعلم الآلي. ونسبة العلماء الذكور أعلى بكثير من نسبة الباحثات.

توزيع مؤشر h. يظهر توزيع مؤشر h لعلماء التعلم الآلي في الشكل أدناه. معظم العلماء لديهم مؤشر h أعلى من 30. من بينهم ، عدد h-index أقل من 30 هو الأكبر ، مع 591 شخصًا ، وهو ما يمثل 29.1.

توزيع مؤشر H للعلماء في مجال التعلم الآلي

توزيع العلماء الصينيين في مجال التعلم الآلي

يظهر توزيع الخبراء والعلماء الصينيين في مجال التعلم الآلي في الشكل أعلاه. من الشكل أعلاه ، يمكننا أن نجد أن منطقة بكين - تيانجين لديها أكبر عدد من المواهب في هذا المجال ، تليها دلتا نهر اليانغتسي ودلتا نهر اللؤلؤ. وعلى النقيض من ذلك ، فإن المناطق الداخلية نادرة نسبيًا. وهذا التوزيع مرتبط لعوامل الموقع والمستوى الاقتصادي. ليس غير ذي صلة. في الوقت نفسه ، من خلال مراقبة عدد العلماء في الدول المجاورة للصين ، خاصة بالمقارنة مع الدول الآسيوية مثل اليابان وكوريا الجنوبية وجنوب شرق آسيا ، يوجد في الصين عدد أكبر من العلماء في مجال التعلم الآلي.

يمكن تحليل التعاون بين الصين والدول الأخرى في التعلم الآلي وفقًا لمنصة بيانات AMiner. من خلال حساب معلومات الوحدة للمؤلفين في الأوراق ، يتم تعيين المؤلفين إلى بلدان مختلفة ، ثم عدد الأوراق التعاونية بين الصين و يتم احتساب البلدان الأخرى ، ويتم فرز عدد الأوراق المنشورة من مرتفع إلى منخفض ، كما هو موضح في الجدول أدناه.

حالة الأوراق التعاونية بين الصين ودول أخرى في مجال التعلم الآلي

من البيانات الواردة في الجدول أعلاه ، يمكن ملاحظة أن عدد الأوراق ، والاستشهادات ، ومتوسط الاستشهادات ، وعلماء التعاون الصيني الأمريكي متقدمون بفارق كبير ، مما يشير إلى التعاون الوثيق بين الصين والولايات المتحدة في مجال التعلم الآلي. ؛ من منظور إقليمي ، فإن التعاون بين الصين وأوروبا واسع للغاية ، حيث يمثل التعاون بين الصين والاتحاد الأوروبي 4 من أفضل 10 علاقات تعاون ؛ على الرغم من أن عدد الأوراق التي شاركت في تأليفها الصين والهند ليس الأكثر ، إلا أن المتوسط لا يزال عدد الاستشهادات يحتل المرتبة الثانية ، مما يشير إلى أن التعاون بين الصين والهند وصل أيضًا إلى مستوى عالٍ من حيث جودة التعاون.

4. تطبيق الصناعة

1. التطبيق في الصناعة المالية

الكشف عن الغش . عند استخدام التعلم الآلي لاكتشاف الاحتيال ، يتم جمع البيانات التاريخية وتقسيمها إلى ثلاثة أجزاء متميزة ، ويتم تدريب نموذج التعلم الآلي على مجموعة التدريب للتنبؤ باحتمالية الاحتيال. أخيرًا ، قم ببناء نموذج يتنبأ بالاحتيال أو الحالات الشاذة في مجموعة البيانات. تستغرق طريقة الكشف عن الاحتيال هذه وقتًا أقل من الاكتشاف التقليدي. نظرًا لأن التطبيق الحالي للتعلم الآلي لا يزال صغيرًا ولا يزال في المرحلة التكوينية ، فسوف يتطور بشكل أكبر في غضون سنوات قليلة لاكتشاف السلوك الاحتيالي المعقد.

توقعات سوق الأسهم . يبدو أن سوق الأسهم موضوع ساخن هذه الأيام ، ولكن من الصعب للغاية التغلب على السوق دون فهم كيفية عمل الأسهم والاتجاهات الحالية. مع استخدام التعلم الآلي ، أصبح التنبؤ بالمخزون بسيطًا للغاية. تأخذ خوارزميات التعلم الآلي هذه البيانات التاريخية للشركة ، مثل الميزانيات العمومية وبيانات الدخل وما إلى ذلك ، لتحليلها وإيجاد إشارات ذات مغزى تتعلق بالنمو المستقبلي للشركة.

الخزانة (الخزانة) / إدارة علاقات العملاء (CRM) / المعاملات الفورية . تحتل إدارة علاقات العملاء (CRM) مكانة بارزة في الخدمات المصرفية الصغيرة ، لكن تأثيرها ضئيل في حيز الخزانة داخل البنك. لأن قسم الخزانة لديه مجموعة منتجات خاصة به ، مثل الصرف الأجنبي ، والخيارات ، ومعاملات المقايضة (المقايضات) ، والمعاملات الآجلة (الآجلة) والمعاملات الفورية (النقاط). تعتبر المعاملات عبر الإنترنت التي تجمع بين تطور هذه المنتجات ومخاطر العملاء والسلوك الاقتصادي والسوق ومعلومات التاريخ الائتماني بمثابة حلم بعيد المنال بالنسبة للبنوك.

Chatbot / المساعد المالي الشخصي . يمكن أن تعمل روبوتات الدردشة كمستشارين ماليين ، وأن تصبح مرشدين ماليين شخصيين ، وتتبع النفقات وتقدم المشورة بشأن كل شيء من الاستثمارات العقارية إلى شراء السيارات الجديدة. يمكن للروبوتات المالية أيضًا تحويل المصطلحات المالية المعقدة إلى لغة واضحة ، مما يسهل التواصل. يتعامل روبوت الدردشة من شركة تسمى Kasisto مع العديد من طلبات العملاء مثل إشعارات العملاء والتحويلات وإيداع الشيكات والاستفسارات والأسئلة الشائعة وعمليات البحث وقنوات توزيع المحتوى ودعم العملاء وتنبيهات العروض والمزيد.

2. القيادة المستقلة

يستخدم التعلم الآلي لدمج البيانات من أجهزة الاستشعار داخل السيارة وخارجها لتقييم ظروف السائق وتصنيف سيناريوهات القيادة. هناك العديد من التحديات في تصميم وتصنيع السيارات ذاتية القيادة ، واليوم ، اعتمدت الشركات على نطاق واسع التعلم الآلي لإيجاد الحلول المناسبة. تحتوي وحدة التحكم الإلكترونية (ECU) في السيارة على معالجة بيانات مستشعر متكاملة ، وقد أصبحت كيفية الاستفادة الكاملة من التعلم الآلي لإكمال المهام الجديدة أمرًا بالغ الأهمية. تشمل التطبيقات المحتملة دمج البيانات من أجهزة الاستشعار داخل السيارة وخارجها لتقييم ظروف السائق وتصنيف سيناريوهات القيادة. تتضمن هذه المستشعرات أشياء مثل الليدار أو الرادار أو الكاميرات أو إنترنت الأشياء.

تعمل أنظمة المعلومات والترفيه داخل السيارة على تشغيل التطبيقات التي تلتقط البيانات من أنظمة دمج بيانات الاستشعار. على سبيل المثال ، إذا استشعر النظام أن هناك خطأ ما في السائق ، فلديه القدرة على قيادة السيارة إلى المستشفى. تتضمن التطبيقات القائمة على التعلم الآلي أيضًا التعرف على اللغة والإيماءات وترجمة اللغة للسائقين. يتم تصنيف الخوارزميات ذات الصلة على أنها خوارزميات غير خاضعة للإشراف وخاضعة للإشراف. الفرق بينهما هو طريقة التعلم.

في السيارة ذاتية القيادة ، تتمثل إحدى المهام الرئيسية لخوارزمية التعلم الآلي في عرض البيئة المحيطة بشكل مستمر ، وكذلك توقع التغييرات المحتملة. يمكن تقسيم هذه المهام إلى أربع مهام فرعية: اكتشاف الكائن ، والتعرف على الأشياء أو تصنيفها ، وتوطين الكائن ، والتنبؤ بالحركة.

يمكن تجميع خوارزميات التعلم الآلي ببساطة في 4 فئات: خوارزميات مصفوفة القرار ، وخوارزميات التجميع ، وخوارزميات التعرف على الأنماط ، وخوارزميات الانحدار. يمكن استخدام فئة من خوارزميات التعلم الآلي لإنجاز أكثر من مهمتين فرعيتين. على سبيل المثال ، يمكن استخدام خوارزميات الانحدار لتعريب الكائن والتعرف عليه أو للتنبؤ بالحركة.

التعرف على هدف القيادة المستقلة والتنبؤ بالحركة

3. الصحة والطب

لفهم كيفية قيام الذكاء الاصطناعي والتعلم الآلي بتحويل صناعة الرعاية الصحية بشكل أفضل ، دعونا نلقي نظرة على حالات محددة توضح القيمة العملية لهذه التقنيات المتطورة.

تحديد وضع السل في البلدان النامية . يعد التعرف على الأنماط في الصور أحد أقوى النقاط في أنظمة الذكاء الاصطناعي الحالية ، ويقوم الباحثون الآن بتدريب الذكاء الاصطناعي لفحص صور الأشعة السينية للصدر والتعرف على مرض السل. يمكن أن توفر هذه التكنولوجيا أدوات فحص وتقييم فعالة للمناطق الموبوءة بالسل التي تفتقر إلى أخصائيي الأشعة.

ذكاء اصطناعي لعلاج اضطراب ما بعد الصدمة (PTSD) لدى قدامى المحاربين . يتعاون برنامج Veterans Post Traumatic Growth مع IBM Watson لاستخدام الذكاء الاصطناعي والتحليلات لضمان تمكن المزيد من المحاربين القدامى الذين يعانون من اضطراب ما بعد الصدمة من إكمال العلاج النفسي. باستخدام هذه التقنيات ، انتقل معدل إتمامها من أقل من 10 إلى 73. وفقًا لإدارة شؤون المحاربين القدامى ، فإن 80 بالمائة من قدامى المحاربين المصابين باضطراب ما بعد الصدمة يكملون برنامجًا علاجيًا في غضون عام من التشخيص ثم يتعافون. يعاني حوالي خُمس الثلاثة ملايين من قدامى المحاربين في أفغانستان والعراق من اضطراب ما بعد الصدمة.

الكشف عن نزيف المخ . تستخدم شركتا التكنولوجيا الطبية الإسرائيلية MedyMatch و IBM Watson Health الذكاء الاصطناعي لمساعدة الأطباء في غرف الطوارئ بالمستشفيات على علاج مرضى السكتة الدماغية وصدمات الرأس بشكل أكثر فعالية من خلال الكشف عن حالات النزيف داخل الجمجمة. يستخدم نظام الذكاء الاصطناعي الرؤية الإكلينيكية والتعلم العميق وبيانات المريض والرؤية الآلية للإبلاغ تلقائيًا عن نزيف المخ المحتمل ليقوم الأطباء بفحصه.

تحسين سير عمل الإدارة والقضاء على أوقات الانتظار . الوظائف الإدارية والوظائف المساعدة هي المجالات الرئيسية التي يلعب فيها الذكاء الاصطناعي. تتمتع ميزات سير العمل الموفرة للوقت مثل نسخ الكلام إلى نص بإمكانية استبدال المهام مثل طلب الاختبارات والوصفات الطبية وكتابة الملاحظات في المخططات للمهنيين الطبيين - أي شيء يتضمن رعاية غير المرضى ، وفقًا لـ Accenture. هذا يعادل توفير 17 من ساعات عمل الطبيب و 51 من ساعات التمريض المسجلة.

الكشف عن مرض الزهايمر. الآن ، في أقل من دقيقة ، يمكن لإنسان آلي يعمل بالذكاء الاصطناعي تشخيص مرض الزهايمر بناءً على أنماط الكلام والأصوات بدقة 82 والعد. يمكن لأنظمة الذكاء الاصطناعي التعامل مع طول فترات التوقف المؤقت بين الكلمات ، وأي تفضيل للضمائر على أسماء العلم ، والأوصاف شديدة التبسيط ، والاختلافات في تردد الكلام وسعته. يصعب على المستمعين من البشر تسجيل كل هذه العوامل واكتشافها بدقة عالية ، لكن أنظمة الذكاء الاصطناعي قادرة على التحليل الموضوعي والقابل للقياس الكمي.

تشخيص السرطان . تشمل الطرق التقليدية لاكتشاف وتشخيص السرطان التصوير المقطعي (CT) ، والتصوير بالرنين المغناطيسي (MRI) ، والموجات فوق الصوتية ، والأشعة السينية. لسوء الحظ ، لا يمكن تشخيص العديد من السرطانات بدقة كافية بهذه التقنيات لإنقاذ الأرواح بشكل موثوق. يعد تحليل الخرائط الجينية للمصفوفات الدقيقة بديلاً ، لكن التكنولوجيا تتطلب ساعات عديدة من الحساب ما لم يتم استبدال التكنولوجيا باستخدام الذكاء الاصطناعي. لقد ثبت الآن أن خوارزمية ستانفورد التشخيصية للذكاء الاصطناعي فعالة في اكتشاف سرطانات الجلد المحتملة من الصور مثل فريق مؤلف من 21 طبيب أمراض جلدية معتمدين من البورد. تستخدم Startup Enlitic التعلم العميق لاكتشاف عقيدات سرطان الرئة في الصور المقطعية ، وخوارزميةها أكثر دقة بنسبة 50 بالمائة من أطباء الصدر الخبراء الذين يعملون كفريق واحد.

الجراحة بمساعدة الروبوت. من حيث القيمة المحتملة ، تعتبر الجراحة بمساعدة الروبوت هي الرائدة في الجراحة بمساعدة الذكاء الاصطناعي. يمكن للروبوتات التي تدعم الذكاء الاصطناعي تحسين وتوجيه دقة الأدوات الجراحية من خلال دمج المصفوفات التشغيلية في الوقت الفعلي ، والبيانات من الجراحين الفعليين ، والمعلومات من السجلات الطبية قبل الجراحة. في الواقع ، أفادت شركة Accenture أن التطورات في الروبوتات التي تعمل بالذكاء الاصطناعي قد قللت من وقت الإقامة بنسبة 21.

4. البيع بالتجزئة

شارك نائب رئيس IDC Ivano Ortis مؤخرًا رأيه "سينقل الذكاء الاصطناعي التحليلات إلى المستوى التالي وسيكون أساس ابتكار التجزئة ، والذي تم الاعتراف به من قبل نصف تجار التجزئة في العالم. يمكن للذكاء الاصطناعي تمكين النطاق والأتمتة والدقة غير المسبوقة ، عندما يتم تطبيقها على شرائح العملاء فائقة الدقة والتفاعلات السياقية ، مما يؤدي إلى تجربة العملاء ".

نظرًا لقدرات الذكاء الاصطناعي والتعلم الآلي ، من السهل رؤية كيف يمكن أن يكون الذكاء الاصطناعي والتعلم الآلي أدوات قوية لتجار التجزئة. يمكن لأجهزة الكمبيوتر الآن قراءة البيانات والاستماع إليها وفهمها ، والتعلم منها ، والتوصية بالإجراء الأفضل التالي على الفور وبدقة ، بدون برمجة صريحة. هذه نعمة لتجار التجزئة الذين يتطلعون إلى التنبؤ بدقة بالطلب ، وتوقع سلوك العملاء ، وتحسين تجربة العملاء وتخصيصها.

يستخدم تجار التجزئة التعلم الآلي جنبًا إلى جنب مع تقنية إنترنت الأشياء للتنبؤ بالطلب وتحسين عمليات المتجر وتقليل العبء على الموظفين.

قدم إعلانات مخصصة بناءً على اكتشاف الكاميرا داخل المتجر ، وقم بالجزء شبه اليدوي لموظفي المتجر ، واعرض سجلات استهلاك العملاء على أجهزة الكمبيوتر اللوحية أو الأجهزة الطرفية التي تعمل باللمس.

يمكن لبائعي التجزئة مراقبة أوقات انتظار الخروج لفهم حركة مرور المتاجر الفردية وكفاءة مبيعات المتجر ، ثم فرز وتعديل تخطيطات المتجر لتعظيم السلال والرضا والمبيعات.

يمكن للنظام الآن تحديد سلوك العملاء والتنبؤ به وتحسين إنتاجية الموظفين من خلال تكييف الجداول الزمنية مع الأنشطة حسب الطلب.

يمكن لنظام الكاميرا اكتشاف نضارة المنتجات القابلة للتلف أمام موظفي المتجر.

تعمل متاجر الطوب وقذائف الهاون على أتمتة العديد من المهام التشغيلية ، مثل تحديد أسعار الرف ، وتحديد تشكيلة المنتجات وخلطها ، وتحسين العروض الترويجية ، والمزيد.

يمكن أن يُظهر التطبيق داخل المتجر المدة التي قضاها العميل في ممر معين ، ويقدم عروضًا وتوصيات مستهدفة (عبر جهازه المحمول / جهازها المحمول) استنادًا إلى سجل الإنفاق الشخصي وبيانات التفضيل.

يمكن أن يساعد التعلم الآلي في تسهيل المهام التحليلية المطلوبة لدفع استخدام البيانات المتاحة. عند نشر منصة تحليلات مطبقة على مستوى الشركة ، يصبح هذا مصدر الحقيقة الذي تعتمد عليه جميع وظائف الشركة لتحسين القرارات.

5. التصنيع

مثل السيارات ذاتية القيادة ، مع تطور إنترنت الأشياء ، يمكن لشركات التصنيع جمع كميات هائلة من بيانات الإنتاج من أجهزة الاستشعار الموضوعة في نقاط مختلفة في خط الإنتاج.

ومع ذلك ، لا يتم استخدام هذه البيانات بشكل كامل. مع جمع البيانات حول العديد من المعلمات من الأنظمة المعقدة ، يصبح تحليل البيانات مهمة شاقة. سيكون أكبر تطبيق للتعلم الآلي في التصنيع هو اكتشاف العيوب.

وفقًا للإحصاءات ، بحلول عام 2030 ، من المتوقع أن يتجاوز الطلب العالمي على المياه العذبة العرض بنحو 40. لمساعدة الشركات على تحقيق هدفها المتمثل في إعادة تدوير المياه بدون الصفر ، تساعد شركة معالجة المياه الأمريكية Ecolab الشركات في جميع أنحاء العالم على تحقيق عمليات مستدامة من خلال الأنظمة الأساسية السحابية لـ Microsoft بما في ذلك Azure و Dynamics CRM Online.

يمكن للمنصة السحابية المتصلة بآلاف أجهزة الاستشعار حول العالم جمع بيانات استهلاك المياه في الوقت الفعلي وتحليل حلول تشغيل المياه في جميع أنحاء العالم من خلال التعلم الآلي وذكاء الأعمال ، ليس فقط تحسين الكفاءة ، ولكن أيضًا تقليل استهلاك المياه والطاقة وتكاليف التشغيل .

على الرغم من إجراء بعض المحاولات التحليلية في هذا المجال من قبل ، سيكون هناك المزيد من التعلم الآلي في المستقبل للتنبؤ بالمخاطر والفشل من خلال التعلم والنمذجة تحت الإشراف.

بالإضافة إلى ذلك ، سيعزز التعلم الآلي أيضًا تحقيق الأتمتة الصناعية ، والتعلم من خلال مراقبة خطوط الإنتاج وتدفق البيانات ، والقدرة على تحسين عملية الإنتاج بدقة ، وخفض تكاليف الإنتاج ، وتسريع دورات الإنتاج ، وبالتالي توفير الوقت وتكاليف رأس المال لتحليل البيانات يدويًا.

5. الاتجاه

يصف تحليل اتجاهات التكنولوجيا العملية الكاملة لظهور التكنولوجيا وتغييرها وزوالها ، والتي يمكن أن تساعد الباحثين على فهم تاريخ البحث وحالة المجال ، وتحديد قضايا البحث الساخنة بسرعة. يمثل كل شريط لون في الشكل موضوعًا ، ويشير عرضه إلى شعبية المصطلح في العام الحالي ، وهو ما يرتبط ارتباطًا إيجابيًا بعدد الأوراق حول الموضوع في تلك السنة ، ويتم فرزها من الأعلى إلى الأدنى في كل عام . من خلال تحليل الاتجاه الفني ، يمكن العثور على أن أهم 10 موضوعات بحثية ساخنة في هذا المجال هي: الشبكة العصبية ، والتعلم الآلي ، والشبكات العصبية العميقة ، والتعلم العميق ، وآلة المتجهات الداعمة ، وتعلم التعزيز ، واختيار الميزات ، وشجرة Deci ، واستخراج البيانات ، شبكة اعصاب صناعية.

اتجاهات تكنولوجيا التعلم الآلي

وفقًا لتحليل اتجاهات التكنولوجيا ، يمكننا أن نجد أن الموضوع الأكثر شيوعًا في هذا المجال هو الشبكة العصبية. من منظور الشعبية العالمية ، حافظت الشبكة العصبية دائمًا على شعبية عالية للموضوع.

تفكر الأشياء الحكيمة ، نظام المعالجة وخوارزمية التعلم الآلي هو تحديد الأنماط التي تقوم بالتنبؤات من خلال العثور على أنماط مخفية في البيانات ، وهي حقل فرعي مهم للذكاء الاصطناعي. على الرغم من أن التعلم الآلي ليس سوى مجموعة فرعية من الذكاء الاصطناعي ، فقد أصبحت شعبية تقنية التعلم الآلي في السنوات الأخيرة مرادفة للذكاء الاصطناعي. في السنوات القليلة الماضية ، غيّر التعلم الآلي ، بما في ذلك التعلم العميق ، تطور الذكاء الاصطناعي بالكامل ، وبدأ في إحداث تأثير مهم في صناعات مثل التمويل والقيادة الذاتية والطبية وتجارة التجزئة والتصنيع. الاتجاه الحالي ، بعد عدة سنوات ، ستحدث تقنية الذكاء الاصطناعي التي يمثلها التعلم الآلي تغييرًا واسعًا وعميقًا في المجتمع البشري.

شكرا للقراءة. انقر للمتابعة على متن الطائرة ويأخذك إلى طليعة التكنولوجيا ~