- تتيح الآلة القابلة للتعليم تطوير نماذج التعرف على الصور والصوت والوضعيات دون كتابة التعليمات البرمجية.
- تعمل هذه الأداة على إضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال تسهيل تعلم الآلة للأفراد غير المتخصصين في المجال التقني والمعلمين.
- من الممكن تصدير النماذج المدربة لدمجها في تطبيقات الويب أو مشاريع إنترنت الأشياء أو البرامج المحلية.
هل سبق لك أن اعتقدت أن الذكاء الاصطناعي حكرٌ على عباقرة الحاسوب أو علماء الرياضيات الحاصلين على شهادات الدكتوراه؟ حسنًا، انسَ هذه الفكرة، فاليوم يُمكن لأي شخص تجربة التعلّم الآلي دون الحاجة إلى كتابة سطر واحد من التعليمات البرمجية. بفضل الأدوات سهلة الاستخدام، أصبح الوصول إلى هذه التقنية متاحًا للجميع، من الطلاب إلى رواد الأعمال، ليخطوا خطواتهم الأولى في عالم الذكاء الاصطناعي بطريقة بصرية بالكامل.
من أبرز الأمثلة في هذا المجال منصة Teachable Machine، وهي منصة ويب من جوجل تُحوّل تدريب النماذج إلى ما يشبه اللعبة. لا يتعلق الأمر بإنشاء روبوت محادثة معقد، بل بتصميم أنظمة قادرة على تصنيف الصور، والتعرف على الأصوات، أو رصد وضعيات الجسم في الوقت الفعلي. إنها نقطة انطلاق مثالية لمن يرغب في فهم كيفية "تعلم" الآلة من الأمثلة، وكيفية تطبيق هذه المعرفة في المشاريع التعليمية أو الإبداعية.
مفاهيم أساسية لتجنب الضياع على طول الطريق
قبل الخوض في تفاصيل الأداة، من المفيد فهم ماهية التعلّم الآلي . هو في جوهره فرع من فروع الذكاء الاصطناعي يسمح لأجهزة الكمبيوتر بالتعلم من البيانات بدلاً من اتباع التعليمات المبرمجة خطوة بخطوة. تخيّل أنك طفل تتعلم التمييز بين التفاح والإجاص؛ يُريك والداك أنواعًا مختلفة من الفاكهة ويخبرانك أيها أيها. حسنًا، يقوم نموذج الذكاء الاصطناعي بالشيء نفسه: فهو يحلل الأنماط في البيانات المُقدّمة لاتخاذ قرارات بشأن أشياء لم يرها من قبل.
تُشكّل هذه النماذج القوة الدافعة وراء التقنيات التي نستخدمها يوميًا، مثل المساعدين الصوتيين من نوع أليكسا أو أنظمة التوصيات في نتفليكس. وفي المجال التعليمي، يُعدّ هذا الأمر بالغ الأهمية، إذ يُتيح للطلاب فهم آليات عمل الذكاء الاصطناعي وتطوير مهارات التفكير النقدي حول كيفية معالجة المعلومات في العصر الرقمي.
خطوات إنشاء نموذجك الأول
إذا كنت ترغب في البدء، فالعملية بسيطة للغاية. أولًا، انتقل إلى موقع Teachable Machine الرسمي واختر نوع المشروع الذي يهمك أكثر: الصور، أو الأصوات، أو الوضعيات . إذا اخترت الصور، على سبيل المثال، فسترى أن النظام يطلب منك تحديد "الفئات". الفئة هي ببساطة التصنيف الذي تريد أن يتعرف عليه الذكاء الاصطناعي. إذا كنت تريده أن يميز بين قلم ودفتر ملاحظات، فستنشئ فئة لكل منهما.
لتغذية هذه الدروس، لديك خياران: استخدام كاميرا الويب لالتقاط الصور في الوقت الفعلي، أو تحميل الملفات المحفوظة مسبقًا على جهاز الكمبيوتر أو في جوجل درايف. ولضمان دقة النموذج، يُنصح بتوفير صور متنوعة؛ فلا تلتقط عشر صور متطابقة، بل التقط الجسم من زوايا وإضاءة ومواقع مختلفة . كلما زادت دقة وتنوع الصور التي يحصل عليها الجهاز، قلّت الأخطاء التي سيرتكبها.
بمجرد تجهيز بياناتك، حان وقت النقر على زر "إعداد النموذج" . هنا تبدأ العملية: يقوم النظام بمعالجة الصور وبدء التدريب. من الضروري عدم إغلاق علامة التبويب أو فتح برامج تستهلك موارد النظام بكثافة أثناء هذه العملية لتجنب الأخطاء. بعد ذلك، يمكنك اختبار النتيجة في المعاينة بوضع الجسم أمام الكاميرا وملاحظة كيف يُحدد الذكاء الاصطناعي احتمالية النجاح لكل فئة.
نصائح متقدمة وتحسين البيانات
لا ينجح الأمر دائمًا بشكل مثالي من المحاولة الأولى، وهذا جزء من متعة التجربة. إذا لاحظتَ أن نموذجك يُصاب بالارتباك، فربما تحتاج إلى تنظيف مجموعة البيانات . على سبيل المثال، إذا كنتَ تُصنِّف الحشرات، وكان هناك شخص في خلفية صور النمل، فقد يعتقد الذكاء الاصطناعي أن الأشخاص جزءٌ مما يُعرِّف النملة. يُعدُّ حذف هذه الصور غير ذات الصلة أمرًا أساسيًا للحصول على بيانات "نظيفة" وتدريب فعّال.
بالنسبة لمن يبحثون عن نهج أكثر احترافية، تتيح أدوات مثل إضافة Imageye لمتصفح Chrome تحميل الصور بكميات كبيرة من جوجل لتغذية النماذج. إضافةً إلى ذلك، يُنصح بشدة بتخصيص بعض العينات للاختبار ؛ أي حفظ بعض الصور التي لم يرها الذكاء الاصطناعي أثناء التدريب للتحقق مما إذا كان قد تعلم التعميم فعلاً أم أنه حفظ الصور فقط.
تطبيقات التصدير والتطبيقات العملية
أفضل ما في الأمر هو أن عملك لا يقتصر على موقع جوجل الإلكتروني. يمكنك تصدير نموذجك بصيغة TensorFlow.js ، مما يتيح لك دمجه في موقعك الإلكتروني أو تطبيقك على الهاتف. كما تتوفر خيارات لتنزيله بصيغ متوافقة مع TensorFlow Lite، وهي مثالية لمشاريع إنترنت الأشياء (IoT) أو الأجهزة المحلية.
من منظور تربوي، يمكن للمعلمين استخدام هذه التقنية لابتكار أنشطة ترتبط بمواقف الحياة الواقعية. على سبيل المثال، يمكنهم تدريب نظام ذكاء اصطناعي لتحديد أنواع المجرات بناءً على صور هابل، أو إنشاء نظام يتعرف على الأشياء اليومية لحل مشكلة محددة في الفصل الدراسي. هذا يحوّل الطلاب من مستهلكين سلبيين للتكنولوجيا إلى مبدعين فاعلين لحلول تعتمد على الذكاء الاصطناعي.
أدوات أخرى لغير المتخصصين
رغم روعة Teachable Machine، إلا أن هناك خيارات أخرى متاحة في السوق لمن يبحثون عن حلول برمجية منخفضة التعليمات البرمجية . يُعدّ Google AutoML الخيار الأكبر والأكثر قوةً والموجه للمؤسسات، ويتكامل مع Google Cloud. من جهة أخرى، يوفر Lobe.ai تجربة سهلة للغاية تعتمد على السحب والإفلات لإنشاء نماذج الصور، بينما يُعدّ Runway ML جنةً للفنانين الرقميين الراغبين في إنشاء أعمال فنية أو تحرير مقاطع فيديو باستخدام الذكاء الاصطناعي.
إذا كنت تفضل استخدام منتجات مايكروسوفت، فإن Azure Machine Learning Studio يتيح لك تصميم سير عمل معقد دون الحاجة إلى كتابة أي كود. أما إذا كنت مهتمًا باللغات والنصوص، فإن Hugging Face هي المنصة الأمثل، حيث تقدم مكتبة ضخمة من النماذج المدربة مسبقًا والتي يمكنك تخصيصها لتحليل المشاعر أو ترجمة اللغات. تشترك جميع هذه المنصات في هدف واحد: إزالة الحواجز التقنية لكي يعتمد الابتكار على الأفكار، لا على معرفة كيفية كتابة الكود.
أصبحت القدرة على تدريب الأنظمة الذكية متاحة للجميع، مما يسمح بدمج الإبداع والتعليم مع أحدث التقنيات. من خلال إتقان أدوات مثل "الآلات القابلة للتعليم" وما يماثلها، يستطيع أي مستخدم تحويل البيانات البسيطة إلى نماذج وظيفية قادرة على فهم بيئتها، وتحسين العمليات، وفتح آفاق الابتكارات التي كانت حكرًا على خبراء الحاسوب.