كيف يساعد التعلم الآلي في الأعمال
Franck V./Unsplash
الصفحة الرئيسية التقنيات, قطاع التكنولوجيا

نحدث كيف يستخدم التعلم الآلي لتسهيل سير العمل.

التعلم الآلي هو واحد من أهم مواضيع المعلوماتية الذي كان يطرح ويدرس خلال عقود. بيد أن الكثيرين يقرنون هذا المفهوم بل وحتى يخلطون بينه وبين الذكاء الاصطناعي، ولكن هذان الأمران مختلفان.

التعلم الآلي هو علم تعليم وتحسين الآلات دون برمجة خاصة مستهدفة. أما الذكاء الاصطناعي فهو التكنولوجيا الأساسية التي تجعل هذا الشيء جائزاً. يجوز القول أن التعلم الآلي هو فرع من فروع الذكاء الاصطناعي. من المهم التذكر أن كل التعلم الآلي هو الذكاء الاصطناعي ولكن لا ينحصر كل الذكاء الاصطناعي في التعلم الآلي.

كما ولا بد من فهم سبب إعارة كل هذا الاهتمام الكبير للتعلم الآلي خلال السنوات الأخيرة. ساهمت عدة عوامل في تطوير هذه المادة العلمية:

  • التعلم الآلي هو الوجه البشري للعالم الرقمي. فـ Twitter مثلاً يستخدم خوارزمية معقدة لتشكيل شريطك، وهذا يعني عدم وجود لدى مستخدمين اثنين شريط متماثل حتى ولو تطابقت اهتمامتهما وكان لديهما نفس المشتركين.
  • يستمر التعلم الآلي في التقدم. متى استخدمت لآخر مرة Alexa أو Siri أو Cortana؟ إذا كان هذا منذ شهور جرب من جديد ولعلك تجد مفاجأة سارة.
  • الوصول إلى التعلم الآلي مفتوح الآن لعدد هائل من المصممين. يوجد لدى كل المزودين السحابيين ما يقدمونه في هذا المجال بما فيها Google و AWS و Azure.

كيف يساعد التعلم الآلي في الأعمال

بغض النظر عما إذا كان يجري الحديث عن فهم مبادئ عمل المركز الموجود لمعالجة المعلومات أو نقل الترخيص المحلي إلى المجال السحابي يبقى شيء واحد واضحاً ألا وهو أن التغيرات هي الثبوت الوحيد في IT. إذا فكرنا عن كيفية قياس التغيرات وتخطيطها بشكل متتابع ينبغي الابتداء من المعطيات.

ننشئ كمية ضخمة من المعلومات ولا نجد وقتاً لاستهلاكها بنفس السرعة إذا لم تتم معالجتها على الأقل. إذاً كيف تهتدى الشركات في تدفق المعلومات في حين أننا نغرق فيها؟ مد التعلم الآلي يد العون إليها.

خلال السنوات الأخيرة الماضية رخصت سواء قوى الحوسبة لتحليل الكميات الهائلة من المعطيات أو سبل تخزينها. وهذا يعني أن إمكانيات التعلم الآلي أضحت متاحة لمعظم المستخدمين بنفقات أقل بكثير ما سهل حياتهم كثيراً. والشيء الناقص هو النموذج الذي يمكن تصميمه واختباره قبل التشغيل.

الخطوة الأولى: رشح ضجيج المعلومات

دعنا ننظر في المثال العملي للضجيج. لنأخذ استخدام المخدم للمعالج المركزي وهو المؤشر الكلاسيكي المستخدم دوماً من قبل DevOps.

وهذه مواصفات نفس المخدم خلال اليوم. لنتركز على يوم أمس الثلاثاء لأنه على ما يبدو أكثر الأيام توتراً.

الثلاثاء أكثر الأيام توتراً للأسباب التالية:

  1. كان يوم الاثنين عيداً وطنياً
  2. كلنا منتجون بالحد الأقصى أيام الثلاثاء
  3. تم تشغيل في نظام الخلفية برنامج ما
  4. كل ما ذكر أعلاه

الجواب الصحيح هو الرابع أي كل ما ذكر أعلاه. الأمر في أن الناس يفترضون أما الآلات فلا. حين نستخدم التعلم الآلي في قضية فهم ما يحدث نراه أكثر شبهاً بهذا:

وبالتحديد يعمل هذا المخدم معظم الوقت قليلاً جداً. والحالة الاستثنائية هي أيام الثلاثاء والأربعاء والخميس (حركة المستخدم الواقعية أقل من 1%). كيف توصلنا إلى هذا؟ قمنا بترشيح المعطيات فقط.

حين تزيل الضجيج الزائد (لقد استخدمنا التعلم الآلي لهذا الغرض) وتنظر إلى المعطيات الواقعية من مستوى المعالجة (قارن بين عمل Chrome.exe التابع لك بنسبة 20% مع عمل مخدمك بنسبة 20%) وكذلك حركة مرور الشبكة والمتغيرات الأخرى التي تفصل بين النشاط الواقعي ونشاط النظام يجوز أن تستنتج أن هذا المخدم يستخدم واقعياً ثلاثة أيام من أصل سبعة.

الخطوة الثانية: ادفع فقط على الذي تستخدمه

عند النظر إلى مليارات نقاط الدخول من الأجهزة حيث تم تشغيل كافة التطبيقات وغيرها من التحميلات سترى القوالب التي يجوز استخدامها للتنبؤ على ضرورة تشغيل المخدم بكامل طاقته أو تخفيض طاقته أو إغلاقه كاملاً.

قد مضت منذ زمن طويل تلك الأيام حين كانت مخدمات المعالجة والاختبار تغلق بعد الساعة 17:00 فقط. الآن يجوز إغلاق معظم إذا ليس كل المخدمات خلال فترة معينة من الزمن، والسؤال هو متى؟

تنبؤ كهذا مستحيل إذا نظرنا إلى المؤشرات على المستوى الكلي من شاشة واحدة. بيد أن التعلم الآلي يمنح إمكانية كهذه. إذا حسبنا المال الذي يجوز توفيره بتقليل الساعات بل وحتى الأيام في الحساب ستعوض الاستثمارات في التعلم الآلي بسرعة.

التعلم الآلي هو الطريقة الأكثر فعالية لتحويل المعطيات المجمعة إلى الأفكار المحققة للحلول الوظيفية للأعمال.

اقرأ أيضا:
الرجاء وصف الخطأ
إغلاق