التعلم الآلي (Machine Learning)

التعلم الآلي هو فرع من فروع الذكاء الاصطناعي تحسن فيه الخوارزميات أدائها تلقائياً في مهمة ما من خلال تعلم الأنماط من البيانات، بدون أن تُبرمج بشكل صريح بقواعد خاصة بالمهمة لكل حالة.

يشمل التعلم الآلي الخوارزميات والتقنيات الإحصائية التي تبني نموذجاً من الأمثلة بدلاً من القواعد المكتوبة يدوياً. الثلاث نماذج تعلم أساسية هي: التعلم الموجه، حيث تتعلم الخوارزمية من أزواج مدخلات ومخرجات موسومة (مثلاً، صور مقترنة برموز الفئات)؛ والتعلم غير الموجه، حيث تكتشف الخوارزمية البنية في البيانات غير الموسومة (مثلاً، تجميع العملاء حسب السلوك)؛ والتعلم المعزز، حيث يتعلم الوكيل من خلال تلقي إشارات المكافأة من البيئة نتيجة أفعاله.

يتضمن خط أنابيب التعلم الآلي الموجه النموذجي جمع البيانات وتنظيفها، واختيار عائلة نموذج (شجرة قرار، تعزيز التدرج، آلة المتجهات الداعمة، أو شبكة عصبية)، وتقليل دالة الخسارة على أمثلة التدريب لملاءمة النموذج، وتقييم الأداء على البيانات المحتفظ بها لتقدير التعميم. هندسة الميزات - تحويل المدخلات الخام إلى تمثيلات رقمية معلوماتية - أمر مركزي لطرق التعلم الآلي الكلاسيكية مثل XGBoost أو الانحدار اللوجستي، لكنها تُأتمت بشكل كبير في خطوط أنابيب التعلم العميق.

يغذي التعلم الآلي مرشحات البريد العشوائي، وأنظمة توصيات المنتجات، وتسجيل الائتمان، واكتشاف الاحتيال، والصيانة التنبؤية في التصنيع، والتنبؤ بالطقس، وتفسير متغيرات الجينوم. يُقدر تأثيره الاقتصادي بأنه يؤثر على تريليونات الدولارات من الإنتاج عبر القطاعات، في الأساس من خلال تحسين الأتمتة والتخصيص والقياس الكمي للمخاطر على نطاق سيكون مستحيلاً بدون الأنظمة المشفرة يدوياً.

اعتباراً من عام 2026، يُستخدم 'التعلم الآلي' غالباً بالتبادل مع التعلم العميق في السياقات التجارية، لكن الطرق الكلاسيكية - تعزيز التدرج (XGBoost، LightGBM)، الغابات العشوائية، والنماذج الخطية - تبقى مستخدمة على نطاق واسع لمهام البيانات الجدولية حيث تكون أحجام البيانات متوسطة، أو تُطلب القابلية للتفسير بموجب القانون، أو تكون كمون الاستدلال على وحدة المعالجة المركزية حرجة. تحولت التحديات الأساسية للمجال نحو أنظمة التعلم الآلي التي تكون قوية وعادلة عبر المجموعات الديموغرافية وخاصة بالتصميم ومتوافقة مع القيم والنوايا الإنسانية والتنظيمية.