جارتنر: 80% من علماء البيانات يستخدمون التعلم العميق في أدواتهم بحلول عام 2018

يمثل التعلم الآلي، وهو أحد مجالات بحوث تعلم الآلات، المحرك الرئيسي لعمليات التحول نحو الذكاء الاصطناعي AI. ومع تفوق التعلم العميق على مجالات تعلم الآلة الأخرى في توفير قدرات متقدمة على دمج البيانات، تتوقع مؤسسة الدراسات والأبحاث جارتنر أن يلعب التعلم العميق دورًا حاسمًا في تقديم أداء لا مثيل له في توفير التنبؤات الخاصة بمعدلات الطلب و ممارسات الاحتيال وإمكانية فشل العمليات بحلول عام 2019.

وفي هذا السياق قال الكسندر ليندن، نائب رئيس الأبحاث في جارتنر: “من الواضح أن التعلم العميق قد وُجد ليبقى ويستمر ويساعد على توسيع مجالات تعلم الآلات من خلال السماح بتمثيل وسيط لبنية البيانات. ويمكن للتعلم العميق بشكل أساسي أن يوفر الحلول للمشاكل المعقدة وتلك التي تتعلق ببيئات العمل الغنية بالبيانات. فعلى سبيل المثال، يمكن للتعلم العميق أن يقدم نتائج واعدة عندما يتعلق الأمر بتفسير الصور الطبية بهدف تشخيص أمراض السرطان في وقت مبكر، كما يمكن أن يساعد على تحسين قدرات الرؤية لدى أصحاب الإعاقات البصرية، ومراقبة المركبات ذاتية القيادة، أو التعرف على خطاب شخص معين وفهمه”.

وأشارت جارتنر إلى أن التعلم العميق يحصل على الفوائد والمزايا التي يمكن أن تقدمها مجالات التعلم الآلي، والعديد من الإنجازات الكبيرة في المجالات المعرفية المتنوعة تثبت ذلك. وضربت المؤسسة على ذلك مثالًا بخدمات بايدو المتمثلة في تحويل الخطابات إلى نصوص مكتوبة تتفوق على البشر في مهام مماثلة، وخدمة باي بال تستخدم التعلم العميق باعتباره أفضل طريقة في فئتها لمنع المدفوعات الاحتيالية وخفض معدل الإنذارات الكاذبة إلى النصف، فضلًا عن قيام شركة أمازون بتطبيق ممارسات التعلم العميق لتقديم توصيات المنتجات الأفضل في فئتها.

كما أشارت المؤسسة إلى أن معظم حالات استخدام تعلم الآلات الشائعة التي تتم من خلال التعلم العميق تتركز اليوم في معالجة الصور والنصوص والملفات الصوتية، لكنها تتجه على نحو متزايد أيضًا نحو التنبؤات الخاصة بمعدلات الطلب، وتحديد أوجه القصور المحيطة بجودة المنتجات والخدمات، والكشف عن أنواع جديدة من ممارسات الغش والاحتيال، فضلًا عن تحليل البيانات أثناء نقلها واستخدامها، وتقديم حلول استباقية أو حتى حلول محددة ومناسبة للحفاظ على البيانات. لكن مع ذلك، تتطلب المبادرات الخاصة بتعلم الآلات والذكاء الاصطناعي أكثر من مجرد بيانات أو خوارزميات رياضية لتكون ناجحة، فهي بحاجة إلى مزيج من المهارات والبنى التحتية فضلًا عن ضرورة الإقبال عليها من قطاعات الأعمال المختلفة.

إيجاد الكفاءات المناسبة لبحوث تعلم الآلات

ووفقًا لجارتنر، تفتقر معظم الشركات إلى المهارات الخاصة بعلم البيانات واللازمة لتنفيذ أبسط حلول تعلم الآلات، ناهيك عن التعلم العميق. وإذا لم يكن بمقدور الشركات التعامل مع المشاريع الخاصة بتعلم الآلات من خلال تطبيقات سهلة الاستخدام، فيجب على قادة تقنية المعلومات إيجاد الكفاءات المناسبة للتعامل مع مجالات تعلم الآلات الواسعة. وفي معرض تعليقه قال ليندن: “يمكن لعملاء البيانات استخراج مجموعة واسعة من المعارف بالاعتماد على البيانات، كما يمكنهم الحصول على رؤية واسعة لكامل تفاصيل العمليات وتقديم الحلول المناسبة والخاصة بعلم البيانات ككل”.

وتتوقع جارتنر أن يستخدم 80% من علماء البيانات التعلم العميق في مجموعات أدواتهم الخاصة بحلول عام 2018. وأضاف ليندن بالقول: “إذا كان لديك فريق عمل يمتلك فهمًا جيدًا للبيانات وخبرة كبيرة في التعامل مع قطاعات الأعمال بالإضافة إلى القدرة على تفسير النواتج، فإنه على أتم الاستعداد لبدء التجارب الخاصة بتعلم الآلات”.

تطبيق ممارسات تعلم الآلات والذكاء الاصطناعي بشكل ناجح

الاستفادة من مجالات تعلم الآلات والذكاء الاصطناعي لإضافة قيمة أكبر لشركة معينة يعتبر أمرًا معقدًا. وأشار ليندن بالقول: “لا تتقيد بكافة متطلبات وشروط البدء بالعمل في مجال تعلم الآلات، بل اعمل بدلًا من ذلك على تحديد المشكلة بشكل صحيح والبدء بحلها. ومن الجيد أن تبدأ العمل على تعليم الآلات من خلال استخدام نفس البيانات التي تقوم باستخدامها خلال تقاريرك الشائعة، مثل البيانات المتعلقة بحجم الطلبات ضمن منطقة معينة. ومن ثم يمكنك تطبيق التعلم الآلي لتوفير توقعات مستقبلية خاصة بهذه الطلبات للشهر المقبل. وبهذه الطريقة يمكن للتعلم الآلي أن يمتد ليشمل تقارير مستقبلية يمكنها التنبؤ بالأحداث القادمة بحيث يمكن لأصحاب المصالح الاستفادة بشكل كبير من فن تعلًم الآلات والإمكانات التي تكمن وراءه”.