ما هو التعلم الآلي؟ مقدمة عن أساسيات ML

تهدف هذه المقالة إلى تحديد سياق التعلم الآلي (ML) لمهندسي الأجهزة والمدمجين، تعريفه، وكيف يعمل، ولماذا هو مهم، وكيف يناسب TinyML.

التعلم الآلي هو مفهوم تكنولوجي دائم الوجود وغالبًا ما يُساء فهمه، فهو علم استخدام تقنيات المعالجة والرياضيات المعقدة لتمكين أجهزة الكمبيوتر من إيجاد ارتباطات بين مساحات كبيرة من المدخلات وبيانات المخرجات، و بفضل التحسينات المتوافرة فيه، وهي:

• القدرة الحاسوبية
• تمكين المعالجة المتوازية بواسطة معماريات وحدة معالجة الرسومات (GPU)
• الحوسبة السحابية لأعباء العمل على نطاق واسع

في الواقع، ركزت المنطقة بشكل كبير على الاستخدام المستند إلى سطح المكتب .والسحابة لدرجة أن العديد من المهندسين المضمنين لا يفكرون كثيرًا في كيفية تأثير التعلم الآلي عليهم. 

ومع ذلك ، مع ظهور TinyML  أو التعلم الآلي الصغير وهو التعلم على الأجهزة المقيدة . مثل المتحكمات الدقيقة وأجهزة الكمبيوتر أحادية اللوحة)، فأصبح (ML) مناسبًا للمهندسين من جميع الأنواع،.بما في ذلك أولئك الذين يعملون على التطبيقات المضمنة. إضافة إلى ذلك، حتى إذا كنت معتادًا على TinyML . فمن المهم أن يكون لديك فهم ملموس للتعلم الالي بشكل عام.

في هذه المقالة ، سأقدم نظرة عامة على التعلم الالي، وكيف يعمل، وسبب أهميته للمهندسين المدمجين.

ما هو التعلم الالي؟

مجموعة فرعية من مجال الذكاء الاصطناعي (AI). فهو تخصص يركز على استخدام التقنيات الرياضية ومعالجة البيانات .على نطاق واسع لبناء برامج يمكنها إيجاد علاقات بين بيانات الإدخال والإخراج. كمصطلح شامل، يغطي الذكاء الاصطناعي مجالًا واسعًا في علوم الكمبيوتر يركز على تمكين الآلات من “التفكير” والعمل دون تدخل بشري. إنه يغطي كل شيء من “الذكاء العام” أو قدرة الآلة على التفكير والتصرف .بنفس الطريقة التي يتصرف بها الإنسان، إلى الذكاء المتخصص والموجه نحو المهام، حيث يقع تعلم الآلة على الطيف.

واحدة من أقوى الطرق التي سمعت عن تعريف (ML) في الماضي هي المقارنة مع النهج التقليدي . الخوارزمية المستخدمة في برمجة الكمبيوتر الكلاسيكية. حيث كانت الحوسبة الكلاسيكية، تقدم للمهندس كمبيوترًا به بيانات إدخال – على سبيل المثال، الرقمان 2 و 4 – بالإضافة إلى خوارزمية لتحويلهما إلى مخرجات مطلوبة – على سبيل المثال . اضرب x و y للحصول على z. وأثناء تشغيل البرنامج، يتم توفير المدخلات، ويتم تطبيق الخوارزمية لإنتاج المخرجات.  هي عملية تقديم جهاز كمبيوتر مع مجموعة من المدخلات والمخرجات ومطالبة الكمبيوتر بتحديد “الخوارزمية” – أو النموذج . باستخدام لغة ML – التي تحول هذه المدخلات إلى مخرجات في كل مرة. في كثير من الأحيان ، يتطلب هذا الكثير من المدخلات للتأكد من أن النموذج سيحدد بشكل صحيح الإخراج الصحيح في كل مرة.

على سبيل المثال ، إذا قمت بتغذية نظام (ML) بالأرقام 2 و 2 والمخرجات المتوقعة من 4 . فقد تقرر أن الخوارزمية ستضيف دائمًا الرقمين معًا. ولكن إذا قمت بعد ذلك بتوفير الرقمين 2 و 4 والإخراج المتوقع 8 . فسوف يتعلم النموذج من مثالين أن الطريقة الصحيحة هي ضرب الرقمين المقدمين.

بالنظر إلى أنني أستخدم مثالًا بسيطًا لتعريف حقل معقد. فقد تسأل في هذه المرحلة: لماذا يكلف المرء نفسه عناء تعقيد ما هو غير معقد؟ لماذا لا تلتزم بأساليب الحوسبة الخوارزمية الكلاسيكية؟

فالإجابة هي أن فئة المشكلات التي تميل إلى التعلم الالي غالبًا لا يمكن التعبير عنها من خلال نهج خوارزمي بحت. لا توجد خوارزمية بسيطة لإعطاء الكمبيوتر صورة وتطلب منه تحديد ما إذا كان يحتوي على قطة أو وجه بشري. بدلاً من ذلك، نوستفيد من( ML) ونمنحه آلاف الصور (كمجموعات من البكسل) مع القطط . والوجوه البشرية ، بدون أي منهما، ويتم تطوير النموذج من خلال تعلم كيفية ربط وحدات البكسل ومجموعات البكسل بالإخراج المتوقع. عندما يرى الجهاز بيانات جديدة ، فإنه يستنتج مخرجات بناءً على جميع الأمثلة التي شاهدها من قبل. هذا الجزء من العملية ، غالبًا ما يسمى التنبؤ أو الاستدلال ، هو سحر تعلم الآلة.

يبدو معقدًا لأنه كذلك. في عالم الأنظمة المضمنة وأنظمة إنترنت الأشياء (IoT) . يتم زيادة الاستفادة من ML للمساعدة في مجالات مثل رؤية الآلة ، واكتشاف الخطأ، والصيانة التنبؤية. في كل من هذه المجالات، نجمع جبالًا من البيانات – الصور والفيديو، وقراءات مقياس التسارع، والصوت، والحرارة، ودرجة الحرارة – لغرض مراقبة المرافق أو البيئات أو الآلات. ومع ذلك ، فإننا غالبًا ما نكافح لتحويل تلك البيانات إلى رؤى يمكننا العمل بناءً عليها. يعد الرسم البياني الشريطي أمرًا مميزًا ، ولكن عندما يكون ما نريده حقًا هو القدرة على توقع أن الجهاز يحتاج إلى الخدمة قبل أن ينكسر ويصبح غير متصل بالإنترنت. فإن الأساليب الحسابية البسيطة لن تفيد.

حلقة تطوير تعلم الآلة

أدخل التعلم الالي. بتوجيه من علماء البيانات ومهندسي (ML) ، حيث تبدأ العملية بالبيانات. وهي أنظمة البيانات التي أنشأتها أنظمتنا المدمجة. تتمثل الخطوة الأولى في عملية تطوير (ML) في جمع البيانات وتسميتها قبل إدخالها في نموذج. وتعتبر عملية وضع العلامات خطوة تصنيف مهمة وهي كيفية ربط مجموعة من المدخلات بالمخرجات المتوقعة.

وضع العلامات وجمع البيانات في (ML)

على سبيل المثال، قد تتوافق مجموعة واحدة من قيم مقياس التسارع x و y و z مع كون الآلة في وضع الخمول. وقد تعني مجموعة أخرى أن الجهاز يعمل بشكل جيد، وقد تتوافق مجموعة أخرى مع مشكلة ما. 

حيث يتم جمع البيانات وتصنيفها عملية تستغرق وقتًا طويلاً ولكنها ضرورية للحصول على المعلومات الصحيحة. في حين أن هناك العديد من الابتكارات في مساحة (ML )التي تستفيد من النماذج المدربة مسبقًا لتعويض بعض العمل والأدوات الناشئة لتبسيط جمع البيانات من الأنظمة الحقيقية . فهذه خطوة لا يمكن تخطيها. لا يمكن لأي نموذج (ML) في العالم أن يخبرك بشكل موثوق ما إذا كان جهازك أو جهازك يعمل بشكل جيد أو على وشك الانهيار دون رؤية البيانات الفعلية من هذا الجهاز أو غيره.

تطوير نموذج التعلم الالي ، التدريب ، الاختبار ، التكرير

بعد جمع البيانات، هي الخطوات التالية هي تطوير النموذج والتدريب والاختبار والتحسين. فهذه المرحلة هي المكان الذي يقوم فيه عالم البيانات أو المهندس بإنشاء برنامج .يستوعب كتلة بيانات الإدخال المجمعة ويحولها إلى المخرجات المتوقعة باستخدام نهج واحد أو أكثر. شرح هذه الأساليب يمكن أن يملأ المجلدات، ولكن يكفي أن نقول أن معظم النماذج تقوم بمجموعة من التحويلات على مدخلاتها. بالإضافة إلى ذلك، سيقومون بضبط أوزان كل مدخلات مقابل بعضها البعض من أجل العثور على مجموعة من الأوزان والوظائف التي ترتبط بشكل موثوق بالمخرجات المتوقعة.

غالبًا ما تكون هذه المرحلة من العملية متكررة. سيقوم المهندس بتعديل النموذج، والأدوات . والأساليب المستخدمة، بالإضافة إلى عدد التكرارات للتشغيل أثناء تدريب النموذج والمعلمات الأخرى لبناء شيء يمكن الاعتماد عليه لربط بيانات الإدخال بالمخرجات الصحيحة. فبمجرد أن يكون المهندس مهتمًا بهذا الارتباط، يختبر النموذج باستخدام مدخلات غير مستخدمة في التدريب لمعرفة كيفية أداء النموذج على بيانات غير معروفة. فإذا كان أداء النموذج ضعيفًا في هذه البيانات الجديدة، يقوم المهندس بتكرار الحلقة.

بمجرد أن يصبح النموذج جاهزًا ، يتم نشره ومتاحًا للتنبؤ في الوقت الفعلي مقابل البيانات الجديدة. في (ML) التقليدي، ويتم نشر النموذج في خدمة سحابية بحيث يمكن استدعاؤه بواسطة تطبيق قيد التشغيل يوفر المدخلات المطلوبة ويتلقى مخرجات من النموذج. قد يوفر التطبيق صورة ويسأل عما إذا كان الشخص موجودًا . أو مجموعة من قراءات مقياس التسارع، ويسأل النموذج عما إذا كانت هذه المجموعة من القراءات تتوافق مع آلة خاملة أو قيد التشغيل أو معطلة.

في هذا الجزء من العملية يكون TinyML مهمًا جدًا ورائدًا جدًا.

أين تناسب TinyML؟

إذا لم يكن الأمر واضحًا بالفعل، فإن التعلم الالي هو عملية كثيفة البيانات. عندما تحاول اشتقاق نموذج من خلال الارتباط ، فإنك تحتاج إلى الكثير من البيانات لتغذية هذا النموذج. مئات الصور أو آلاف قراءات أجهزة الاستشعار. في الواقع، عملية تدريب النموذج مكثفة للغاية ومتخصصة جدًا لدرجة أنها تستهلك الموارد تقريبًا لأي وحدة معالجة مركزية (CPU) . بغض النظر عن مدى قوتها العالية. بدلاً من ذلك، لا تختلف عمليات المتجهات والرياضيات الشائعة جدًا في (ML )عن تطبيقات معالجة الرسومات . وهذا هو السبب في أن وحدات معالجة الرسومات أصبحت خيارًا شائعًا لتطوير النماذج.

نظرًا للحاجة إلى حوسبة قوية، أصبحت السحابة المكان الفعلي لتفريغ عمل نماذج التدريب واستضافتها للتنبؤ في الوقت الفعلي. في حين أن تدريب النموذج هو ، ولا يزال مجال السحابة. خاصة بالنسبة للتطبيقات المضمنة وتطبيقات إنترنت الأشياء، فكلما اقتربنا من نقل قدرتنا على عمل تنبؤات في الوقت الفعلي إلى المكان الذي يتم فيه التقاط البيانات، كانت أنظمتنا أفضل. نحصل على ميزة الأمان المضمّن وزمن انتقال منخفض عند تشغيل النماذج على وحدات التحكم الدقيقة، بالإضافة إلى القدرة على اتخاذ القرارات واتخاذ الإجراءات في بيئة محلية، دون الاعتماد على اتصال الإنترنت للقيام بذلك.

هذا هو مجال TinyML، حيث تقوم شركات المنصات مثل Edge Impulse ببناء أدوات قائمة على السحابة لجمع بيانات المستشعر وبنيات ML التي تنتج نماذج مدمجة وفعالة مصممة خصيصًا لوحدات التحكم الدقيقة (MCUs) . حيث يقوم عدد متزايد من بائعي السيليكون، من STMicroelectronics إلى Alif Semiconductor، ببناء رقائق بقدرات حوسبة تشبه GPU تجعلها مثالية لتشغيل أعباء عمل ML جنبًا إلى جنب مع أجهزة الاستشعار الخاصة بك، حيث يتم جمع البيانات مباشرةً.

بالنسبة لمهندسي إنترنت الأشياء والمضمنة ، لم يكن هناك وقت أفضل لاستكشاف عالم التعلم الالي، من السحابة إلى أصغر الأجهزة. تزداد أنظمتنا تعقيدًا وتعالج بيانات أكثر من أي وقت مضى. يعني جلب (ML) إلى الحافة أنه يمكننا التعامل مع تلك البيانات واتخاذ القرارات بشكل أسرع.