تخيّل أنك تُعلّم طفلاً التعرّف على القطّ: أنت لا تُملي عليه قائمة قواعد («أربع أرجل، شوارب، أذنان مدبّبتان»)، بل تُريه قططاً كثيرة حتى يُعمّم بنفسه. يعمل التعلّم الآلي (Machine Learning) بالطريقة ذاتها: فبدل كتابة برنامج صريح، نُزوّد الخوارزمية بـبيانات، فتتعلّم وحدها الأنماط الكامنة وراءها.
التعلّم من البيانات لا من القواعد
تتبع البرمجة التقليدية منطق قواعد + بيانات إجابات. ويقلب التعلّم الآلي هذا النموذج: بيانات + إجابات قواعد (أي نموذج). عملياً، تُعدّل الخوارزمية معاملاتها الداخلية كي تُقلّل الخطأ بين تنبؤاتها والواقع. ويُقاس هذا الخطأ بـدالة التكلفة التي نسعى إلى خفضها:
$$\min_{\theta} \; \frac{1}{n} \sum_{i=1}^{n} \mathcal{L}\big(f_\theta(x_i),\, y_i\big)$$
حيث $\theta$ هي المعاملات، و$f_\theta$ النموذج، و$x_i$ المُدخلات، و$y_i$ المخرجات المتوقّعة.
العائلات الثلاث الكبرى
| العائلة | البيانات | الهدف | مثال |
|---|---|---|---|
| مُوجَّه | موسومة | التنبؤ بمخرَج معروف | كشف الرسائل المزعجة |
| غير مُوجَّه | غير موسومة | اكتشاف بنية خفيّة | تقسيم العملاء |
| تعزيزي | مكافآت | التعلّم بالتجربة والخطأ | قيادة روبوت |
التحدّي الجوهري: التعميم
ليس الهدف حفظ أمثلة التدريب، بل التنبؤ الجيّد على بيانات لم تُشاهَد من قبل. فالنموذج الذي «يحفظ عن ظهر قلب» يقع في فرط التكيّف (overfitting)، والنموذج المُفرط في البساطة يقع في نقص التكيّف. وإيجاد التوازن هو جوهر فنّ هذا المجال.
لا يصنع التعلّم الآلي ذكاءً بالسحر؛ إنه يستخرج انتظاماً إحصائياً. وتظلّ جودة البيانات أهمّ دائماً من تطوّر الخوارزمية.