كيف يتعلّم الكمبيوتر من البيانات؟ والفرق عن التعلّم البشري

حين نقول إن الكمبيوتر «يتعلّم» من البيانات، لا نعني أنه يفهم أو يدرك بالمعنى البشري. التعلّم هنا عملية رياضية محدّدة: ضبط معاملات داخل نموذج لتقليل الفرق بين توقّعاته والإجابات الصحيحة.

هذا التعريف الدقيق يزيل الغموض عمّا تستطيع الآلة فعله وما لا تستطيعه. الكمبيوتر لا «يفكّر»، بل يحسّن أداءه في مهمة محدّدة عبر التكرار.

ما معنى «التعلّم» هنا؟

التعريف الكلاسيكي الذي صاغه توم ميتشل: يُقال إن برنامجًا يتعلّم من الخبرة E فيما يتعلّق بفئة من المهامّ T ومقياس أداء P، إذا تحسّن أداؤه في T — مقيسًا بـP — مع الخبرة E.

بعبارة أبسط: التعلّم تحسّنٌ في مهمة محدّدة مع اكتساب خبرة. وهذه الخبرة لا تأتي من فهم، بل من التعرّض لأمثلة كافية لاستخراج الأنماط الإحصائية.

الآلية: التعلّم كتحسين. معظم مسائل التعلم الآلي مسائل تحسين (Optimization). يبدأ النموذج بمعاملات عشوائية، ثم يعدّلها تدريجيًّا لتقليل «دالة الخسارة» — مقياس رياضي للفرق بين توقّعاته والقيم الصحيحة.

في نموذج يميّز القطط من الكلاب مثلًا:

1. يبدأ النموذج بتوقّعات عشوائية.
2. تُحسَب دالة الخسارة: كم توقّعًا كان خاطئًا؟
3. تُعدَّل المعاملات في الاتجاه الذي يقلّل الخسارة.
4. تُعاد العملية آلاف المرات حتى تستقرّ الخسارة عند حدّ مقبول.

تسمّى هذه العملية «النزول التدريجي» (Gradient Descent)، وهي جوهر ما نسمّيه تعلّمًا. لا فهم فيها، بل حسابات متكرّرة لتقليل الخطأ.

من الأمثلة إلى النمط

الكمبيوتر لا يُبرمَج بقواعد صريحة مثل «إن كانت الصورة فيها أذنان مدبّبتان فهي قطّة». بل يُغذّى بآلاف الأمثلة المصنّفة، ويستنتج الأنماط التي تميّز كل فئة.

مثال: تصنيف البريد. الطريقة التقليدية أن تكتب قواعد يدوية، وهي هشّة تفشل مع رسائل جديدة. أما بالتعلم الآلي فتجمع آلاف الرسائل المصنّفة، وتستخرج منها ميزات، وتدرّب نموذجًا. يتعلّم النموذج الأنماط — مثل اقتران كلمات معيّنة بروابط مشبوهة — ثم يطبّقها على رسالة جديدة.

الفرق: بدل قواعد ثابتة، يستنتج النموذج قواعد مرنة من البيانات، فيتعامل أفضل مع حالات جديدة تشبه ما تعلّمه.

أين يفترق عن التعلّم البشري؟

رغم وحدة المصطلح، الآليتان مختلفتان جوهريًّا:

١. عدد الأمثلة. الإنسان قد يتعلّم مفهومًا من مثال أو مثالين؛ الطفل يرى قطّة مرّة فيتعرّف على غيرها. والكمبيوتر يحتاج عادةً آلافًا أو ملايين.

٢. الفهم السببي مقابل الأنماط. الإنسان يبني نماذج عقلية سببية ويفهم لماذا تحدث الأشياء. والكمبيوتر يربط بين مدخلات ومخرجات دون فهم للسببية.

٣. المرونة. الإنسان يطبّق معرفته في مواقف جديدة بطرق إبداعية. والكمبيوتر محدود بما تدرّب عليه، ويفشل خارج نطاقه.

٤. الوعي. التعلّم البشري فيه انتباه ودافع وعاطفة. والتعلّم الآلي عملية حسابية بحتة.

متى لا تحتاج إلى فهم هذه الآلية؟

• عند استعمال نماذج جاهزة لمهام بسيطة.
• عند العمل في أدوار غير تقنية.
• حين تكون المهمة واضحة ومحدّدة: تصنيف أو تلخيص أو ترجمة.

متى تحتاج إليها بعمق؟

• عند بناء نماذج من الصفر: اختيار دالة الخسارة، وضبط معدّل التعلّم، وتقييم الأداء.
• عند تحسين نموذج قائم: فهم كيف تُقلَّل الخسارة يساعد على تشخيص التجهيز الزائد أو الناقص.
• عند شرح حدود النظام لأصحاب المصلحة.

الأسئلة الشائعة

هل الكمبيوتر «يفهم» ما يتعلّمه؟

لا. يتعرّف على أنماط إحصائية ويضبط معاملاته لتقليل الخطأ. لا فهم سببيًّا ولا وعيًا.

لماذا يحتاج أمثلة أكثر من الإنسان؟

لأن الآلية مختلفة. الإنسان يبني نماذج سببية من أمثلة قليلة، والكمبيوتر يحتاج كمّيات كبيرة لاستخراج أنماط موثوقة. وبدون بيانات كافية قد يتعلّم أنماطًا خاطئة.

ما دالة الخسارة؟

مقياس رياضي للفرق بين توقّعات النموذج والقيم الصحيحة. يعدّل النموذج معاملاته لتقليلها. ومن أمثلتها الخطأ التربيعي المتوسط للانحدار، والإنتروبيا المتقاطعة للتصنيف.

هل يمكن أن يتعلّم الكمبيوتر مثل الإنسان يومًا؟

سؤال مفتوح في البحث. هناك أعمال على التعلّم من أمثلة قليلة وعلى الاستدلال السببي، لكن الفجوة ما زالت كبيرة في الكفاءة والمرونة والفهم.

المراجع

1. Mitchell, T. Machine Learning. McGraw-Hill, 1997. cs.cmu.edu
2. Goodfellow, I. et al. Deep Learning — Chapter 5: Machine Learning Basics. deeplearningbook.org
3. Lake, B. et al. Building Machines That Learn and Think Like People. arXiv
4. Ruder, S. An overview of gradient descent optimization algorithms. arXiv
5. Domingos, P. A Few Useful Things to Know About Machine Learning. homes.cs.washington.edu