تقدير المشروع
← كل المقالات

أكبر 6 مفاهيم خاطئة لدى الأعمال حول مشاريع تعلّم الآلة

في هذا المقال أحاول أن أُظهر كيف يبدو مشروع تعلّم الآلة فعلًا بعين المهندس، وما المشكلات التي يواجهها العملاء عادةً. ويتناول المقال هذه المشكلات، وما الذي يسير على نحو خاطئ، وما الذي يباغتنا، وأين تكمن المخاطر الحقيقية، وكيف نقلّلها.

18 دقائق قراءة
تعلّم الآلةمشروع تعلّم الآلةإدارة مشاريع تعلّم الآلة

هكذا أتخيّل تفكير بعض العملاء الذين عملت معهم:

«لدينا البيانات ونفهم المشكلة – ابنوا لنا نموذجًا فحسب. بل يمكننا حتى استخدام AutoML. وحين يصبح النموذج جاهزًا ينتهي العمل. سندفع به إلى بيئة الإنتاج وسيعمل وحده خلال السنوات القليلة المقبلة.»

للأسف، الأمور أكثر تعقيدًا من ذلك.

تعلّم الآلة ليس إضافة لـ Excel. وهو ليس قطعة جاهزة تشتريها وتثبتها ثم تستخدمها سنوات دون أي جهد. إنه نظام حي يعتمد على البيانات ويتغير مع الوقت ويحتاج إلى تحسين وتحديث مستمرين. ويتطلب صبرًا وتجريبًا وجرعة صحية من التواضع إزاء ما لا نعرفه (بعد).

في هذا المقال أحاول أن أُظهر كيف يبدو مشروع تعلّم الآلة فعلًا بعين المهندس، وما المشكلات التي يواجهها العملاء عادةً. ويتناول المقال هذه المشكلات، وما الذي يسير على نحو خاطئ، وما الذي يباغتنا، وأين تكمن المخاطر الحقيقية، وكيف نقلّلها.

إذا كنت تفكر في إدخال الذكاء الاصطناعي إلى منتجك أو تخطط للعمل مع فريق تعلّم آلة، فقد يساعدك هذا المقال على تجنب الأخطاء النمطية. أو على الأقل يساعدك على فهم لماذا لم يظهر النموذج بالسحر بعد أسبوع.

الخرافة 1: الذكاء الاصطناعي يحلّ أي مشكلة

انفجر الاهتمام بأدوات الذكاء الاصطناعي مع ظهور أنظمة مثل ChatGPT وMidjourney. فهي سريعة، وكثيرًا ما تنتج نتائج مبهرة، وتبدو أقرب إلى السحر. ولا عجب أن بعض فرق الأعمال باتت تعامل الذكاء الاصطناعي على أنه «حل واحد يناسب الجميع».

لكن بصفتي مهندس تعلّم آلة، ألتقي باستمرار بعملاء لديهم توقعات غير واقعية. يريدون نموذجًا يتنبأ بكل شيء، ولا يخطئ أبدًا، ويستجيب فورًا، ويتعامل مع كل السيناريوهات، ويتكيّف من تلقاء نفسه. والمشكلة أن – نماذج كهذه غير موجودة.

ليست مهمة فريق تعلّم الآلة بناء نموذج فحسب، بل أيضًا تثقيف العملاء حول المواضع التي يكون فيها تعلّم الآلة منطقيًا والمواضع التي لا يكون: أين يمكنه تقديم قيمة حقيقية، وأين يكون تحليل البيانات الكلاسيكي أو حتى قاعدة بسيطة في النظام أنسب.

ومعرفة هذه الحدود جزء مما يجعل مشروع تعلّم الآلة ناجحًا. فنحن، بصفتنا شركاء تقنيين، مسؤولون عن الإشارة إلى هذه الحدود وعن المساعدة في إيجاد أفضل حل متاح، حتى لو كان أقل إبهارًا لكنه أكثر واقعية بكثير.

الخرافة 2: يكفي أن تُلقي البيانات وسيتولى تعلّم الآلة الباقي

من أكثر المعتقدات انتشارًا حول تعلّم الآلة ما يبدو هكذا:

«لدينا بيانات، فنضعها في نموذج، وسيتعلّم النموذج ويحلّ المشكلة.»

يبدو معقولًا، أليس كذلك؟ فالبيانات هي «وقود» الذكاء الاصطناعي بعد كل شيء – وكلما صببناها أسرع، بدأ المحرك أسرع. لكن لنبقَ مع تشبيه المحرك: إذا استخدمنا وقودًا رديئًا أو ملوثًا، تعطّل المحرك ولم نصل إلى أي مكان. ولهذا فإن «مدخلات سيئة تعطي مخرجات سيئة» (garbage in, garbage out) مقولة شائعة جدًا في تعلّم الآلة. فإذا دربت نموذجًا على بيانات منخفضة الجودة فلا يمكنك توقع نتائج جيدة.

من أين تأتي هذه الخرافة؟

في مشاريع تقنية المعلومات التقليدية، تميل البيانات إلى أن تكون نظيفة ومهيكلة: نماذج وقواعد بيانات ذات صيغة ومصدر محددين. أما في تعلّم الآلة، فالبيانات ليست مجرد قيم صحيحة في الخلايا – بل هي أيضًا المعنى والمنطق وكيفية نشأة البيانات. فالنموذج يتعلّم مباشرة مما يتلقاه، لذا يجب أن تعكس البيانات فعلًا العملية أو المشكلة التي نريد نمذجتها.

إذن ماذا تفعل بدلًا من «إلقاء البيانات فحسب»؟

  1. ابدأ بسؤال بسيط: ما الذي ينبغي أن يتنبأ به النموذج بالضبط؟ هل يمكن قياسه؟ هل لدينا أمثلة تاريخية عليه؟
  2. اسحب عينة صغيرة (من 50 إلى 100 سجل) وراجعها يدويًا. هل التسميات متسقة؟ هل الأعمدة منطقية؟ هل تتناقض القيم فيما بينها؟ هل لدينا فعلًا هذا النوع من البيانات؟ هل لدينا المتغير الذي نريد التنبؤ به؟
  3. حدّد موعدًا لتدقيق صغير للبيانات قبل انطلاق المشروع. يمكن لفريق تعلّم الآلة تقديم قائمة تحقق: توزيعات القيم، والبيانات المفقودة، والارتباطات، وجودة التسميات.
  4. أشرك خبراء الأعمال لشرح البيانات. فقط من يعرفون المشروع يستطيعون إخبارك بأمور مثل: «هذا العمود لا يهم إلا للمنطقة A»، أو «هذه السجلات سابقة لتغيير نظامنا». وبدون هذا السياق يصبح فهم البيانات والاستفادة الجيدة منها أصعب بكثير.

الخرافة 3: بيانات أكثر = نموذج أفضل

بمجرد أن نقبل أن البيانات مهمة، يصبح من المغري اتخاذ اختصارات:

«لدينا الكثير من البيانات، ملايين السجلات. حسنًا، قد يكون بعضها فوضويًا، لكن النموذج سيتدبر الأمر. البيانات الأكثر أفضل دائمًا. أليس كذلك؟»

لا. في تعلّم الآلة، لا يؤدي تكديس مزيد من البيانات الرديئة إلى تحسين نموذجك. بل قد يجعله أسوأ فعليًا.

تبحث نماذج تعلّم الآلة عن أنماط في البيانات. وإذا كانت البيانات مشوشة أو غير متسقة أو مسمّاة تسمية خاطئة، فمهما كبرت مجموعة بياناتك ستكون ببساطة كومة ضخمة من الأمثلة عديمة الفائدة.

في مشروعين حديثين لي، سلّم عملاء بفخر مجموعات بيانات ضخمة مخصصة لتدريب النموذج. وسرعان ما اكتشفنا أن البيانات غير متسقة ومليئة بالتسميات الخاطئة، وأنها في النهاية غير قابلة للاستخدام دون تنظيف جدي.

البيانات: أكبر مخاطر أي مشروع تعلّم آلة

من واقع ما رأيناه، فإن معظم الوقت في مشاريع تعلّم الآلة لا يُصرف على بناء النماذج بل على فهم البيانات وإصلاحها. وقد وجد استطلاع بين خبراء تعلّم الآلة أن هذه المرحلة قد تستهلك ما يصل إلى 80% من الجهد الكلي. وهي أيضًا الموضع الذي ينشأ فيه معظم سوء الفهم.

مشكلات البيانات النمطية التي نصادفها:

  • سجلات ناقصة – مثلًا، 40% منها تفتقر إلى معلومات أساسية مثل قرارات العملاء.
  • تناقضات – عمود يقول «status = canceled» وآخر «status = closed».
  • تسميات مضللة – قد تعني تسمية «نجاح» «أُرسل العرض» لا «بِيع المنتج».
  • سياق مفقود – لا أحد يتذكر لماذا أُدخلت قاعدة العمل X، فيصبح ثلث البيانات منحازًا.

إذن أيهما أهم: الكمية أم الجودة؟

كثيرًا ما يسأل الناس:

«أيهما أهم: كمية البيانات أم جودتها؟»

نصيحتي أن تضع الجودة أولًا، مع أن الكمية مهمة أيضًا. وإليك مثالًا حقيقيًا.

في أحد المشاريع، قدّم عميل مجموعة بيانات كبيرة لتدريب نموذج تنبؤي. وعلى السطح بدت ممتازة: سجلات كثيرة وتنوع كبير وتغطية معقولة. غير أن تدقيقًا سريعًا كشف قيمًا مفقودة وتسميات غير معرّفة جيدًا.

وبدلًا من جدال طويل حول سبب كون ذلك مشكلة، اخترت أن أُظهر ذلك عمليًا. اخترنا مجموعة فرعية صغيرة منتقاة بعناية، أقل من 1% من البيانات، وراجعناها وأصلحناها يدويًا. ثم بنينا نموذجين:

  1. نموذج دُرّب على مجموعة البيانات الفوضوية كاملة
  2. نموذج دُرّب على المجموعة الفرعية الصغيرة المنظَّفة

وقيّمنا كليهما على مجموعة الاختبار المنظَّفة نفسها. والنتيجة؟ النموذج المدرَّب على بيانات نظيفة تفوّق بوضوح على النموذج الأكبر.

ترك هذا التجربة الصغيرة انطباعًا قويًا لدى العميل. فقد أثبتت نقطة جوهرية: البيانات الأفضل تتغلب على البيانات الأكثر.

وهذا يتفق مع ما يقوله خبير الذكاء الاصطناعي Andrew Ng: ففي حالات استخدام كثيرة قد تكفي بضع عشرات من الأمثلة عالية الجودة لبناء نموذج فعّال. وهذا جوهر الذكاء الاصطناعي المتمحور حول البيانات (data-centric AI) – فبذل الجهد في بيانات أفضل لا في نماذج أكبر فحسب يعطي في الغالب أفضل نتيجة.

وقد بُحثت علاقة جودة البيانات بتراجع أداء خوارزميات تعلّم الآلة بعمق في الورقة العلمية «The Effects of Data Quality on Machine Learning Performance on Tabular Data». وتُظهر دراسة أخرى، عن تدريب نماذج لغوية صغيرة، أن جودة البيانات، لا كميتها، هي ما يحقق النتائج القوية.

ماذا تكلّف جودة البيانات الرديئة عمليًا

عندما لا ينتبه أحد إلى جودة البيانات:

  • يلتقط النموذج ارتباطات مضللة – مثل «العملاء الذين تنتهي معرّفاتهم بالرقم 7 يتحوّلون أكثر».
  • تخسر الوقت والمال – يطول التدريب ويصبح تصحيح الأخطاء أصعب.
  • يطول وقت الوصول إلى السوق – فإصلاح المشكلات لاحقًا يعني إنجاز العمل مرتين.

لماذا هذه الخرافة منتشرة إلى هذا الحد؟

  • في التحليلات التقليدية، كثيرًا ما تفيد البيانات الأكثر فعلًا. فمثلًا، أربعة أضعاف بيانات التدريب في الانحدار الخطي قد تخفض الخطأ إلى النصف – لكن فقط عندما تحقق البيانات افتراضات النموذج.
  • ينسى الناس أن الأمثلة التسويقية كثيرًا ما تعتمد على مجموعات بيانات منتقاة بعناية ومنظَّفة (مثلًا لتدريب نماذج كبيرة مثل ChatGPT أو Falcon).
  • جمع مزيد من البيانات أسهل عادةً من مراجعتها وتنظيفها وفهمها فهمًا حقيقيًا.

ما الذي يتضمنه النهج الحديث المتمحور حول البيانات؟

أفضل فرق تعلّم الآلة اليوم تتبع الذكاء الاصطناعي المتمحور حول البيانات. وعمليًا:

  • يمكن لـ نموذج بسيط أن يؤدي جيدًا عندما تكون البيانات عالية الجودة.
  • بدلًا من جمع مزيد من البيانات، نحسّن البيانات التي لدينا أصلًا – بإزالة الضوضاء وتصحيح التسميات وتوحيد التعريفات.
  • تنظيف البيانات يتفوق على تكديسها – فمجموعة أصغر من الأمثلة الأنظف تؤدي غالبًا أفضل من مجموعة بيانات أكبر لكنها معيبة.

الخرافة 4: تعلّم الآلة يعمل بالطريقة نفسها التي تعمل بها تقنية المعلومات الكلاسيكية

يأتي كثير من العملاء إلى مشاريع تعلّم الآلة وهم يفكرون بمنطق تطوير البرمجيات التقليدي. وهذا مفهوم – فقد بنينا البرمجيات سنوات بأطر قابلة للتكرار:

«نكتب المتطلبات، ونقسّم العمل إلى سباقات (sprints)، ونخطط للإصدارات، ونعرض عرضًا تجريبيًا، فيعمل.»

وهذا يصلح جدًا لبناء واجهة API أو لوحة معلومات أو نظام دعم عملاء. لكن ما إن يبدأ مشروع تعلّم آلة حتى ينهار هذا النهج سريعًا. لماذا؟

لأن تعلّم الآلة لا يتعلق بكتابة المنطق، بل بإيجاد الأنماط في البيانات. وهذه لعبة مختلفة تمامًا.

تعلّم الآلة بحث، لا مجرد تنفيذ

في مشاريع تعلّم الآلة:

  • لا يمكننا أن نعرف مسبقًا أي نموذج سينجح – نحتاج إلى التجريب وفهم طبيعة البيانات.
  • لا يمكننا تقدير الجهد بدقة – فالنتائج تعتمد على جودة البيانات، لا على نظافة الشيفرة وحدها.
  • لا ننفّذ المنطق – بل ندرّب النموذج ليتعلمه. وقد يتعلمه النموذج خطأً، حتى لو كانت الشيفرة سليمة تمامًا.

أدرت ذات مرة مشروعًا توقع فيه العميل «عرضًا تجريبيًا للتنبؤ في أسبوعين». وبعد أسبوعين كان لدينا خمس فرضيات تفسر التناقضات في البيانات وثلاث أفكار للمعالجة المسبقة ولا نموذج يعمل. ليس لأن الفريق كان قليل الكفاءة أو يفتقر إلى المهارات، بل لأنه في تعلّم الآلة، قبل أن يعمل أي شيء، عليك أن تفهم ما الذي تتعامل معه.

أين تقصّر نُهُج تقنية المعلومات التقليدية

النجاح غير مضمون

لن ينجح مشروع تعلّم الآلة دائمًا، خاصة من المحاولة الأولى. فعندما تكون المشكلة معقدة قد تكون الافتراضات الأولية خاطئة. وقد تكون البيانات المجموعة غير كافية أو غير متسقة أو محدودة جدًا على تعلّم الآلة.

وأحيانًا يكفي أن نعيد صياغة المشكلة ونراجع الافتراضات ونجهّز البيانات بعناية أكبر ونحاول مرة أخرى. وفي حالات أخرى تكون المشكلة أعقد من أن يعالجها تعلّم الآلة بكفاءة.

يذهب معظم الوقت إلى جودة البيانات ومعالجتها

يريد العملاء عادةً نموذج تعلّم آلة عاملًا بأسرع ما يمكن – وهذا مفهوم، فالوقت مال. لكن تخطي مرحلة فحص جودة البيانات وفهمها يقلل فرص النجاح.

إعادة هيكلة الشيفرة جزء طبيعي من دورة حياة مشروع تطوير البرمجيات. فلماذا ما زال يُنظر إلى «إعادة هيكلة البيانات» – أي تحليل جودة البيانات وتحسينها – على أنها اختيارية؟ لأن الناس لا يدركون مدى تعقيد تطوير تعلّم الآلة ولا مدى اعتماد نجاح المشروع على البيانات.

يأتي العملاء قائلين إن لديهم بيانات ويتوقعون منا ببساطة أن «ندرّب النموذج وننتهي». هذه ليست الطريقة التي يعمل بها الأمر.

إن تخطي التحليل الدقيق للبيانات والانتقال مباشرة إلى تدريب النموذج يؤدي إلى أداء ضعيف، ثم إلى تصحيح الأخطاء، الذي يقود في النهاية، كما قد تخمّن، إلى البيانات. ومن المجدي الاستثمار مبكرًا في التحقق من البيانات وفهمها. وإذا ظهرت مشكلات جدية، يمكننا إيقاف المشروع مؤقتًا وإصلاح البيانات ثم المتابعة بثقة.

مخاطر أخرى للمشروع

في مشاريع البرمجيات الكلاسيكية يمكن عادةً رصد المخاطر وتقليلها مبكرًا، أثناء جمع المتطلبات وبناء النماذج الأولية، لأن كل شيء يتمحور حول الوظائف وحالات الاستخدام. أما في مشاريع تعلّم الآلة فالخطر الرئيسي، على العكس، هو البيانات. وإلى أن يراها المهندس ويحللها، يعمل على افتراضات.

عدم القدرة على التنبؤ

من الصعب تقدير الوقت اللازم «لإصلاح» البيانات أو ضبط المعاملات الفائقة. فحتى بعد تحليل بيانات مشجّع، قد يفشل النموذج لأن البيانات لا تغطي حالات كافية أو لأن قدرتها التنبؤية ضعيفة. وكثيرًا ما يعني ذلك العودة إلى جمع البيانات وتسميتها والبدء من جديد.

وقد تتحول البيانات إلى صندوق باندورا حقيقي. فقد تبدو سليمة للوهلة الأولى، لكن تحليلًا أدق قد يكشف فجوات وأخطاء. وهذا خطر جدي على المشروع – ويصعب توقعه دون تعمّق حقيقي.

ويمكن أن تخفض مشكلات البيانات الجدية فرص نجاح المشروع بشدة، أو حتى تستبعد بناء نموذج أصلًا. وقد يتعين تعليق المشروع أو إيقافه تمامًا إلى أن تُصلح البيانات، ومن المستحيل غالبًا القول كم سيستغرق ذلك.

التكرار بأسلوب البحث والتطوير

بدلًا من «للتنفيذ ← قيد التنفيذ ← منجَز» الكلاسيكي، تميل مشاريع تعلّم الآلة إلى أن تبدو هكذا: «جرّبنا ← لم ينجح ← نجرّب مرة أخرى بطريقة أخرى».

وكما قلت سابقًا، قد تتبين عيوب في بيانات بدت سليمة، أو قد تتضح عدم ملاءمة معمارية النموذج. وينتج عن ذلك حلقة من التجريب والتصحيح.

حتى ضبط المعاملات الفائقة عملية تكرارية ترتبط ارتباطًا وثيقًا بمجموعة بيانات التدريب.

لا اختبارات حاسمة

لا يوجد في تعلّم الآلة اختبار وحدة يعلن: «النموذج يعمل». هناك مقاييس إحصائية، وهي تحتاج إلى تفسير.

منحنى تكلفة مختلف

في مشاريع البرمجيات تبلغ التكاليف ذروتها أثناء التطوير وتنخفض بعد النشر، ولا تبقى سوى الصيانة.

الرسم البياني 01 للمقال

تكاليف مشاريع تعلّم الآلة لا تتبع هذا المنحنى. فهي كثيرًا ما تبقى مرتفعة أو حتى تتزايد مع الوقت، لأن:

  1. النماذج تتدهور ويجب إعادة تدريبها،
  2. البيانات تتغير ويجب تحليلها من جديد،
  3. يجب بناء نماذج جديدة لتواكب واقعًا متغيرًا.

إذن ماذا يمكنك أن تفعل؟

تعامل مع مشروع تعلّم الآلة بوصفه مشروعًا استكشافيًا

فكّر في دورات من: فرضية ← تجربة ← تحليل ← قرار – تمامًا كما في البحث والتطوير.

أدِر عدم اليقين، لا المهام فحسب

اسأل نفسك: ما الذي لسنا متأكدين منه؟ أين يتعين علينا التحقق من البيانات؟ ما الذي قد يسوء؟

خطط لجدول زمني واقعي

أدرج مراحل مثل استكشاف البيانات والتجريب والتحقق والضبط والدمج.

أضف هامشًا زمنيًا. ثم أضف هامشًا آخر.

أدِر التوقعات

أبلغ عن التقدم بوضوح وبتكرار:

«النموذج لا يؤدي جيدًا بعد لأننا وجدنا المشكلة X في البيانات. ونحن نعمل عليها.» بدلًا من وعود غامضة مثل: «النسخة الأولى من المنتج (MVP) شبه جاهزة.»

الخرافة 5: نموذج تعلّم الآلة = منتج تعلّم الآلة

يعتقد كثير من العملاء، ومنهم تقنيون جدًا، أنه ما إن يؤدي نموذج تعلّم الآلة أداءً جيدًا حتى تُحلّ المشكلة. وسؤالهم هو:

«لدينا نموذج وهو يؤدي جيدًا. متى يمكننا وضعه في الإنتاج؟»

للوهلة الأولى يبدو هذا منطقيًا: فإذا كان أداء النموذج جيدًا على مجموعة الاختبار، فينبغي أن نتمكن من «توصيله بالنظام» وننتهي. لكنه للأسف لا يعمل بهذه الطريقة.

إن نموذج تعلّم الآلة هو قلب الحل، لكنه وحده ليس منتجًا. فلا رئتين له ولا جهازًا عصبيًا ولا قدرة على الصمود أمام تغيرات البيئة الديناميكية من حوله.

ما الذي يحوّله إلى منتج تعلّم آلة حقيقي؟

تخيّل نموذج تعلّم الآلة محركًا. حتى لو كان يعمل بلا عيب على منصة الاختبار، فلن يوصلك إلى أي مكان دون قطع أخرى. وفي السيارة تكون هذه القطع ناقل الحركة والعجلات والمكابح وغيرها. أما في منتج تعلّم الآلة فهي:

  • بيئة إنتاج (حيث يُنشر النموذج ويمكن الوصول إليه)،
  • واجهات الإدخال والإخراج (كيف تدخل البيانات إلى النموذج وتخرج منه)،
  • منطق الأعمال المحيط به (مثلًا، متى ينبغي استدعاء النموذج ومتى لا ينبغي)،
  • مراقبة آنية (هل يؤدي جيدًا اليوم، لا الأسبوع الماضي فقط؟)،
  • آليات إعادة التدريب (لأن البيانات تتغير والنماذج تتقادم)،
  • التحكم في إصدارات البيانات والنماذج (ما الذي دُرّب، وعلى أي بيانات؟)،
  • بنية النشر التحتية (CI/CD وواجهات API والتوافر والأمان).

وبدون كل هذه الأدوات يبقى النموذج إثباتًا للمفهوم لا حلًّا جاهزًا للإنتاج.

ماذا يحدث عندما تبقى هذه الخرافة قائمة؟

  • يبدأ النموذج العمل لكنه يتوقف عن العمل بشكل صحيح – لأن البيانات تغيرت ولم يكن أحد يراقب.
  • لا يستطيع المستخدمون فهم التنبؤات – لأن قابلية التفسير لم تُعالج قط.
  • لا يعرف الفريق كيف يعيد تدريبه – لأنه لا يوجد تحكم في إصدارات البيانات وشيفرة التدريب.
  • ينهار النموذج أمام مدخلات العالم الحقيقي – لأن واجهات API في الإنتاج تختلف عن بيانات الاختبار، أو لأن البيانات انحرفت وأصبح النموذج قديمًا.

كيف تصيب الهدف؟

  • خطط لمنتج تعلّم الآلة ككل – بدءًا من اليوم الأول

لا تسأل فقط: كيف سنُدرّب النموذج؟
اسأل أيضًا: كيف سنسلّمه وندمجه ونصونه ونحسّنه؟

  • حدّد من يملك مرحلة الإنتاج

فريق تعلّم الآلة؟ فريق DevOps؟ قسم تقنية المعلومات لدى العميل؟
هذا أهم مما قد تظن.

  • تأكد من وجود المراقبة والتفسير

ماذا يعني تنبؤ بقيمة 0.87؟ هل هو درجة ثقة؟ هل تدهور النموذج؟

  • اقبل أن النموذج مجرد مكوّن واحد

حتى أفضل خوارزمية لا قيمة لها إذا تعذّر استخدامها في عملية حقيقية.

الخرافة 6: إضافة وظائف جديدة ستكون سهلة

بين الحين والآخر، في منتصف مشروع تعلّم آلة، قد يقول عميل:
«همم، ماذا لو جربنا تصنيف Y بدلًا من التنبؤ بـ X؟» أو: «لنغيّر النموذج، ربما شبكة عصبية بدلًا من XGBoost؟»

في مشاريع البرمجيات التقليدية، تغيير كهذا ليس بالأمر الكبير. تعدّل المنطق وتغيّر نقطة نهاية وتضيف شرطًا، وهذا كل شيء.

أما في مشاريع تعلّم الآلة، فحتى تغيير بسيط في طريقة تعريف المشكلة قد يعني إعادة بناء نصف الحل من الصفر.

لماذا التغيير في تعلّم الآلة = البدء من جديد

يعتمد تعلّم الآلة على البيانات وعلى متغير هدف معرّف بوضوح. فإذا غيّرت:

  • ما تحاول التنبؤ به،
  • ما يُعدّ فئة «موجبة»،
  • أي الميزات تؤثر في القرار،

…فأنت لا تغيّر الطريقة فحسب – بل تغيّر المشكلة نفسها. وهذا يجلب:

  • بيانات جديدة (أو طريقة مختلفة لمعالجة البيانات الموجودة)،
  • هندسة ميزات جديدة،
  • تسميات جديدة،
  • معمارية نموذج جديدة،
  • طريقة تقييم جديدة،
  • مخاطر ومقاييس نجاح جديدة.

الأمر أشبه بعميل يقرر أنه يريد مطبخًا مفتوحًا بعد أن رُكّبت الخزائن فعلًا. هل يمكن ذلك؟ بالطبع. وهل هو سهل؟ ليس أبدًا.

مثال من أحد المشاريع

في أحد المشاريع كان الهدف التنبؤ بمدى جاذبية صورة من الناحية الجمالية. وفي منتصف الطريق أضاف العميل متطلبًا: يجب أن تأتي التنبؤات مع تفسيرات حتى يتمكن المستخدمون من تحسين صورهم بناءً على ما يخبرهم به النموذج.

وللوهلة الأولى بدا هذا تغييرًا طفيفًا – ربما مجرد وحدة إضافية لقابلية التفسير. أما في الواقع فقد تطلّب:

  • اختيار وتصميم ميزات للنموذج يستطيع المستخدمون فهمها،
  • إعادة بناء مجموعة بيانات التدريب،
  • إعادة صياغة منطق المعالجة المسبقة والتحقق،
  • إعادة تدريب النماذج وإعادة اختبارها،
  • وإنشاء آلية جديدة لتوليد الاقتراحات.

والنتيجة؟ ثلاثة أشهر إضافية من العمل وخطوة إلى الوراء إلى مرحلة تحليل البيانات.

لماذا تصمد هذه الخرافة؟

  • في المشاريع التقليدية، كثيرًا ما يتلخص التغيير في إضافة شرط إلى الشيفرة.
  • إدارة مشاريع تعلّم الآلة ليست بديهية. فإضافة قابلية تفسير النموذج تبدو ميزة صغيرة، لكنها كثيرًا ما تعني إعادة تعريف المشكلة.
  • ومن الخارج لا يتغير شيء: مدخلات ومخرجات ومخططات.

أما تحت الغطاء فالقصة مختلفة تمامًا.

كيف تتصدى لها؟

  1. عرّف المشكلة ومقياس النجاح بوضوح منذ البداية. ما الذي نتنبأ به بالضبط؟ كيف نحكم على النتيجة «الجيدة»؟ ما الأهم؟
  2. ثبّت تعريف المشكلة أثناء مرحلة التجريب. الأفكار الجديدة مرحّب بها، لكن ينبغي أن تنتظر الدورة التالية. احتفظ بقائمة مؤجلات (backlog) وعد إليها عند انتهاء المرحلة الحالية.
  3. عامل التغييرات الكبرى بوصفها مشاريع جديدة. حتى لو كان الأمر «مجرد مقياس جديد»، تحقق من كيفية تأثيره في خط المعالجة كله.
  4. أشرك فريق تعلّم الآلة في القرارات. ليس كل تحوّل يؤتي ثماره. فأحيانًا يمحو تغيير الهدف قيمة كل ما بُني حتى الآن. ويمكن لفريق تعلّم الآلة المساعدة في تقييم الأفكار بسرعة وتقدير الجهد المطلوب.

إدارة مشروع تعلّم آلة – لماذا ينبغي أن تستعد؟

يبدو تعلّم الآلة جذابًا: أتمتة وتنبؤات وتحسين و«قرارات ذكية». ويمكن لنموذج مبني جيدًا أن يقدم فعلًا قيمة تجارية كبيرة. لكن قبل أن يفعل ذلك، هناك أمور قليلة تستحق الفهم.

إن مشروع تعلّم الآلة ليس سباق عدو قصير، بل رحلة في أرض غير مرسومة على الخرائط. بعض الأمور ستسير كما خُطط لها. وأخرى ستحتاج إلى تعديلات وتجارب ونهج مختلف. وفيما يلي الأمور التي ينبغي أن تستعد لها – ليس لتثنيك، بل لتجنيبك المفاجآت.

ليس كل شيء سيعمل فورًا

  • نادرًا ما تكون النسخة الأولى من النموذج هي الأخيرة.
  • قد تجعل التجارب النتائج أسوأ قبل أن تحسّنها.
  • أحيانًا تلزم عدة دورات لمجرد معرفة ما إذا كان حل المشكلة ممكنًا أصلًا.

تعلّم الآلة عملية علمية، لا مجرد تجميع قطع جاهزة.

إعداد البيانات يستغرق وقتًا

  • سيستغرق فهم البيانات وتنظيفها وتنظيمها وقتًا أطول مما تتوقع.
  • ستحتاج إلى مساعدة من يعرفون سياق الأعمال للبيانات – وكثيرًا ما يكونون من الفرق التشغيلية.

هذه ليست مهمة فريق تعلّم الآلة وحده؛ بل هي جزء حيوي من المشروع.

قد لا ينجح تعلّم الآلة

  • أحيانًا تكون البيانات شحيحة جدًا أو غير متسقة جدًا أو ببساطة غير كافية.
  • وأحيانًا لا يوجد نمط واضح في المشكلة، وقد يؤدي نهج بسيط قائم على القواعد أفضل من نموذج.

تعلّم الآلة لا يحل كل مشكلة. ومن الأفضل إدراك ذلك مبكرًا.

سيتعين عليك التكيّف

  • قد تعني تغييرات في تعريف الهدف أو البيانات أو نطاق المشروع العودة عدة خطوات إلى الوراء.
  • وحتى التغييرات الطفيفة قد تتطلب إعادة تدريب النموذج أو تعديل البنية التحتية أو إعادة تعريف كيفية قياس النجاح.

تتفاعل مشاريع تعلّم الآلة بقوة مع التغيير. وهذا ليس عيبًا؛ بل هو ببساطة طبيعتها.

الإشراف المستمر ضرورة

  • النموذج ليس شيئًا «تضبطه وتنساه».
  • يجب مراقبته وتقييمه وتحديثه – لأن بياناتك وعمليات أعمالك ستظل تتغير.

يكبر تعلّم الآلة مع شركتك. ويجب التعامل معه بوصفه جزءًا من نظامك، لا «أداة» قائمة بذاتها.

ختام

يحمل تعلّم الآلة إمكانات هائلة. فهو قادر على دعم القرارات وأتمتة العمليات وكشف أنماط لا يراها الناس. لكن لجني هذه الإمكانات فعلًا، عليك أن تفهم أن مشاريع تعلّم الآلة ليست كمشاريع تقنية المعلومات التقليدية.

وهذا ما آمل أن تتذكره:

  • النموذج ليس منتجًا. إنه لا يقدم قيمة إلا بوصفه جزءًا من عملية مصممة جيدًا.
  • البيانات هي الأساس. معظم تحديات تعلّم الآلة ليست تقنية – بل تنبع من جودة البيانات وتوافرها وفهمها.
  • ليس كل شيء قابلًا للتنبؤ. مشاريع تعلّم الآلة تكرارية وتجريبية وكثيرًا ما تتطلب مراجعة الافتراضات على طول الطريق.
  • العمل مع فريق تعلّم الآلة شراكة. أنت تعرف عملك ونحن نعرف الأدوات – وبالتعاون يمكننا إنشاء شيء ذي قيمة حقيقية.
  • أفضل النتائج تأتي من الوضوح والاستعداد. أنجح المشاريع تبدأ بهدف واضح واستعداد للمشاركة في العملية.

إذا كنت تخطط لمشروع تعلّم آلة، فلست بحاجة إلى كل الإجابات مسبقًا. لكن من المفيد أن تأتي بذهن منفتح وهدف واضح واستعداد للتعاون.

لأن تعلّم الآلة ليس سحرًا؛ بل هو تعاون ومنطق وبيانات وقليل من الصبر. ومشروع تعلّم آلة يُدار جيدًا قادر فعلًا على تغيير طريقة عمل شركتك.