التعلم الآلي هو في الأساس فرع من علم البيانات يستخدم البيانات لإيجاد نماذج داخلها. من خلال تطبيق المعرفة الرياضية والإحصائية، يتم تحسين هذه النماذج في عملية تسمى "التدريب".

في حين أن الكثيرين يربطون التعلم الآلي (ML) والذكاء الاصطناعي (AI) بالتقنيات المعقدة والمستقبلية - مثل تلك المصورة في الأفلام حيث يتمرد الذكاء الاصطناعي على البشر - إلا أن الواقع اليوم أقل تطوراً بكثير. تعتمد معظم أنظمة الذكاء الاصطناعي الحالية على برمجة "إذا-ثم"، حيث تستجيب فقط للتعليمات البشرية المحددة مسبقاً. ومع ذلك، يذهب التعلم الآلي خطوة أبعد من خلال تمكين النماذج من التصحيح الذاتي والتحسين.

فئات التعلم الآلي

يمكن تقسيم التعلم الآلي بشكل عام إلى الأنواع التالية:

1. التعلم الخاضع للإشراف

• يعتمد على مجموعات البيانات المصنفة للتدريب.

• يتعلم النظام ربط المدخلات بالمخرجات بناءً على الأمثلة المقدمة.

• مثال: تعليم الآلة تحديد الفراشات بين الحشرات من خلال توفير بيانات مصنفة بخصائص محددة مثل عدد الأرجل والأجنحة وبنية قرون الاستشعار ونسب الجسم.

• بعد التدريب، يمكن للآلة تحليل صور جديدة للحشرات وتحديد ما إذا كانت فراشات بناءً على النموذج المتعلم.

2. التعلم غير الخاضع للإشراف

• يعمل بدون بيانات مصنفة؛ تحدد الآلة الأنماط وتجمع نقاط البيانات بناءً على خصائصها.

• مثال: في تحديد الفراشات، لا يتم توفير تصنيفات. يجب على الآلة تحديد الميزات الرئيسية مثل الأجنحة والأرجل وبنية الجسم بشكل مستقل للتمييز بين الفراشات والحشرات الأخرى.

• تشمل نماذج التعلم غير الخاضع للإشراف الشائعة الشبكات التوليدية التنافسية (GANs) وخوارزميات التجميع.

• القيود: غالباً ما تعتبر النماذج غير الخاضعة للإشراف "صناديق سوداء"، حيث لا تكون العمليات الداخلية شفافة بالكامل للمطورين.

خوارزميات التعلم الآلي الشائعة

هناك العديد من خوارزميات التعلم الآلي، كل منها مصمم لتطبيقات محددة. بعض الأمثلة المعروفة تشمل:

• الشبكات العصبية

• أشجار القرار

• آلات المتجهات الداعمة (SVMs)

• المصنفات البايزية

• طرق التجميع

واحدة من الخوارزميات واسعة الاستخدام والمناسبة للمبتدئين هي تجميع K-Means، والتي تجمع نقاط البيانات في مجموعات بناءً على التشابه.

1. خوارزمية K-Means: طريقة تجميع بسيطة غير خاضعة للإشراف

K-Means هي خوارزمية تجميع غير خاضعة للإشراف بسيطة وواسعة الاستخدام. الفكرة الأساسية للتجميع هي تجميع العينات بناءً على مسافتها أو تشابهها، حيث يتم تجميع العينات المتشابهة (أو القريبة) معاً مع فصل العينات غير المتشابهة (أو البعيدة) في مجموعات مختلفة. المفهوم الأساسي لـ K-Means هو تقسيم مجموعة البيانات بشكل تكراري إلى K مجموعات بحيث يقلل متوسط كل مجموعة من مجموع مربعات الأخطاء (SSE) لجميع النقاط داخل تلك المجموعة.

باللغة الرياضية، لمجموعة عينات، تقلل K-means من دالة خطأ التجميع.

يوضح الرسم البياني أعلاه المفهوم بشكل فعال: يتم تقليل تباين كل نقطة زرقاء أو حمراء إلى مركز مجموعتها. بالنسبة للمجموعتين الحمراء والزرقاء، تلبي النقطتان المركزيتان شرط الحد الأدنى من SSE لهذا التقسيم.

مثال: K = 2 (تقسيم العينات إلى مجموعتين)

بصرياً، إذا أردنا تقسيم النقاط الخضراء في الشكل A إلى مجموعتين، يمكننا رسم خط قطري من أعلى اليسار إلى أسفل اليمين. ولكن كيف نوجه الآلة لإجراء هذا التقسيم بدقة؟ الخطوات هي كما يلي:

1. التهيئة العشوائية:

اختر نقطتين عشوائيتين (مثل الحمراء والزرقاء) في نظام الإحداثيات كمراكز أولية للعناقيد. لكل نقطة في مجموعة البيانات، احسب مسافتها إلى النقطتين الحمراء والزرقاء.

• قم بتعيين النقطة إلى أقرب مركز عنقود: إذا كانت أقرب إلى النقطة الزرقاء، لونها بالأزرق؛ وإذا كانت أقرب إلى النقطة الحمراء، لونها بالأحمر.

• كرر العملية على جميع النقاط حتى يتم تعيين لون لكل نقطة، كما هو موضح في الخطوة 1.

2. إعادة حساب مراكز العناقيد:

أعد حساب مركز كل عنقود (متوسط جميع النقاط داخل العنقود). اضبط مراكز العناقيد لتقليل متوسط مربع الخطأ (MSE) لجميع النقاط داخل ذلك العنقود، كما هو موضح في الخطوة 2.

3. التكرار حتى التقارب:

كرر الخطوتين 1 و2 حتى تستقر مراكز العناقيد وتتقارب العملية. تكتمل هذه العملية التكرارية كما هو موضح في الخطوات 3-6.

البلوكتشين والتعلم الآلي

يمتلك البلوكتشين سمتين رئيسيتين تجعلانه مناسباً بشكل ممتاز لتطوير التعلم الآلي والذكاء الاصطناعي:

1. الخصوصية: يتيح البلوكتشين التدريب على البيانات الخاصة الحساسة دون المساس بها.

2. آلية التحفيز: يسمح نظام المكافآت الفريد للبلوكتشين للمستخدمين بكسب المكافآت مقابل مشاركة البيانات أو نشر النماذج على السلسلة. يمكن لأي شخص بيع بياناته مع الحفاظ على الخصوصية، ويمكن للمطورين نشر وتدريب نماذجهم على السلسلة، وتلقي الحوافز في المقابل.

توضح الصورة المشار إليها دورة التوحيد القياسي والتسليع في التكنولوجيا. عصر احتكار البيانات يقترب من نهايته. يفتح وصول البلوكتشين فرصاً للمشاركة الأوسع في العصر التكنولوجي القادم.

العوامل الثلاثة الحاسمة في التعلم الآلي هي الخوارزميات والقوة الحسابية والبيانات. تهيمن شركات التكنولوجيا العملاقة مثل أمازون وآبل وجوجل وفيسبوك على الموارد الحسابية والبيانات، مما يمكنها من الحفاظ على تقدم كبير. يقدم البلوكتشين فرصة لتعطيل هذه الهيمنة من خلال لامركزية التعلم الآلي. يمكن لهذا التحول إعادة تركيز خلق القيمة من النهج القائم على البيانات إلى الابتكار المدفوع بالخوارزميات. توفر الحوافز الاقتصادية للبلوكتشين بيئة خصبة للمطورين لتدريب وتحسين النماذج، مما يعزز النمو لمطوري الخوارزميات.

2.1 نظرة عامة على المشروع

دمج التعلم الآلي والبلوكتشين هو مجال ناشئ لكنه واعد. في حين أن العديد من الشركات تطور أدوات في هذا المجال، لا تزال الإمكانات هائلة. فيما يلي ثلاثة مشاريع بارزة:

2.1.1 ديب برين تشين

تأسست ديب برين تشين في نوفمبر 2017، وتهدف إلى بناء أكبر شبكة حوسبة عالية الأداء موزعة مدعومة بالبلوكتشين، لتكون بنية تحتية حيوية لعصر الجيل الخامس والذكاء الاصطناعي.

• المكونات الرئيسية:

1. شبكة الحوسبة عالية الأداء: تم إطلاقها في أغسطس 2018.

2. الشبكة الرئيسية للبلوكتشين: تم إطلاقها رسمياً في 20 مايو 2021، استناداً إلى إطار عمل Substrate من بولكادوت.

ديب برين تشين هي واحدة من مشاريع البلوكتشين القليلة التي حققت نشراً واسع النطاق في مجال الحوسبة عالية الأداء. وقد أحرزت تقدماً كبيراً في قابلية الاستخدام والتسويق التجاري، مع تطبيقات في البلوكتشين والذكاء الاصطناعي والألعاب السحابية والتصوير المرئي والمستحضرات الصيدلانية الحيوية ومحاكاة أشباه الموصلات.

قامت أكثر من 50 شركة عالمية بنشر منصات سحابية GPU عالية الأداء على شبكتها، لخدمة مئات الشركات وعشرات الآلاف من مطوري الذكاء الاصطناعي.

2.1.2 نوميراي

نوميراي هو صندوق تحوط يستفيد من مجتمع عالمي من علماء البيانات المجهولين للتنبؤ بالأسعار المستقبلية. من خلال الجمع بين الذكاء الموزع والتعلم الآلي والبلوكتشين والترميز، يخلق نوميراي نموذجًا جديدًا لإدارة الصناديق مدفوعًا بالذكاء الجماعي.

• توزيع البيانات:

يتلقى علماء البيانات مجموعات بيانات مجهولة المصدر كمدخلات لنماذجهم التنبؤية. قد تشمل هذه المجموعات مؤشرات اقتصادية كلية، وأسعار السلع، أو أسعار الصرف - وهي بيانات خاصة عادةً لا يمكن الوصول إليها من قبل الغرباء. إزالة البيانات الوصفية تسمح لنوميراي بمشاركة البيانات بشكل مفتوح.

• المسابقات:

تشكل البيانات الأساس للمسابقات لإنشاء نماذج تنبؤية أكثر فعالية. تساعد البيانات التاريخية ذات النتائج المعروفة في التحقق من صحة النماذج، بينما تظل البيانات في الوقت الفعلي غير مؤكدة للتنبؤات الحاسمة.

• التقييم والمكافآت:

يتم تقييم التنبؤات بعد تحميلها إلى "النموذج الفوقي" لنوميراي. يتم مكافأة علماء البيانات بناءً على مدى تحسين تنبؤاتهم للنموذج الفوقي.

• الملكية الفكرية:

يحتفظ المشاركون بملكية نماذجهم ويستمرون في تلقي المكافآت إذا كانت نماذجهم تعزز النموذج الفوقي لنوميراي.

2.1.3 بروتوكول HUMAN

بروتوكول HUMAN هو إطار عمل لامركزي يكافئ المساهمات بناءً على المعرفة والمهارات، ويربط بين الذكاء الاصطناعي والتعلم الآلي من خلال النماذج الهجينة.

تم بناء بروتوكول HUMAN على البلوكتشين، وهو يبسط عمليات الإدارة والتسوية لإنشاء بنية تحتية قابلة للتدقيق ومفتوحة المصدر لأسواق العمل اللامركزية، مما يربط الباحثين عن البيانات بأسواق المعرفة.

• التطبيق في التعلم الآلي:

يعالج البروتوكول مباشرة المهام كثيفة العمالة في التعلم الآلي، مثل التعليق اليدوي والتحقق من جودة استنتاج النموذج، لجعل مجموعات البيانات أكثر ملاءمة للتدريب.

• الرؤية المستقبلية:

3.ملاحظات ختامية

يتجاوز بروتوكول HUMAN تطبيقاته الحالية، فهو مصمم للتطور التالي للذكاء الآلي، حيث تقوم الآلات مباشرة باستعلام البشر عن البيانات لتحسين نفسها.

التعلم الآلي والبلوكتشين هما من أكثر التقنيات إثارة وتطوراً في الوقت الحاضر. يعمل التعلم الآلي كأساس للذكاء الاصطناعي والبيانات الضخمة، بينما يمتلك البلوكتشين القدرة على إحداث ثورة في البنية المالية الحالية. كلا التقنيتين تعتمدان على البيانات، مما يتيح بشكل طبيعي التآزر في اتجاهات بحثية معينة.

يوفر البلوكتشين مشاركة وتحليل البيانات بشكل آمن وفعال، بينما يسخر التعلم الآلي هذه البيانات لدفع التطورات التكنولوجية. نحن نشهد بالفعل العديد من المطورين يعملون على مشاريع قابلة للتطبيق في هذا التقاطع، ويتم توجيه المزيد من الموارد والمواهب إلى هذه المجالات.

ستواصل القدرات المشتركة والمتكاملة لهذه التقنيات دفع بعضها البعض إلى الأمام. مع ركوب موجة البلوكتشين وتوجيه سفينة التعلم الآلي، نحن على استعداد لاستكشاف المحيط النجمي الواسع للتكنولوجيا المستقبلية!

مقدمة في التعلم الآلي وتطبيقاته في تقنية سلسلة الكتل