هندسة الميزات بجرعة منشِّطة: سبع مكتبات Python تتجاهلونها دون مبرر

علم البيانات هو 80% تنظيف للبيانات و20% شكوى من الوقت الطويل الذي يستغرقه تنظيف البيانات. اعتدنا جميعًا على الحزمة القياسية التي تبدو فيها Pandas وScikit-learn أبديتين ولا غنى عنهما. لكن لنكن صريحين: ما إن تتوقف بياناتكم عن الاتساع في الذاكرة العشوائية لحاسوبكم المحمول، حتى تحوّل الأساليب القديمة المألوفة حياتكم إلى كابوس. وبينما يعذّب زملاؤكم أنفسهم بالحلقات التكرارية ويحاولون استخراج أي ميزات من السلاسل الزمنية يدويًا، أطلقت الصناعة بهدوء أدوات تنجز هذا العمل بدلًا عنكم. وتنجزه بصورة أفضل.

تكمن مشكلة هندسة الميزات الحديثة في أنها أصبحت عنق الزجاجة. فقد تعلّمنا تدريب النماذج بسرعة، لكن إعداد الميزات (feature engineering) ما زال في كثير من الأحيان أقرب إلى حرفة يدوية. وهذا غريب، إذ إن جودة الميزات هي التي تحدد ما إذا كان نموذجكم سيتنبأ بالمستقبل فعلًا أم سيخمّن تخمينًا عشوائيًا. وهنا تظهر «الشخصيات الرمادية المؤثرة» في منظومة Python — مكتبات لا تتصدر كل دليل تعليمي، لكنها تحل مشكلات جوهرية في قابلية التوسّع.

لنأخذ Featuretools مثالًا. تطبّق هذه المكتبة مفهوم التركيب العميق للميزات (Deep Feature Synthesis). فهي تفهم العلاقات بين الجداول في قاعدة البيانات العلائقية، وتنشئ تلقائيًا ميزات معقدة كان الإنسان سيحتاج إلى أسابيع لإنتاجها. وبدلًا من كتابة عمليات التجميع يدويًا، تشرحون للمكتبة بنية البيانات فحسب، فتعيد لكم مئات الميزات ذات الصلة. إنه انتقال من الإنتاج الحِرفي إلى خط التجميع الصناعي. وهذا بالضبط ما تحتاجونه حين تنتقلون من النموذج الأولي إلى منتج حقيقي.

أما العاملون على السلاسل الزمنية فتتوفر لهم TSFRESH. وإن حاولتم يومًا استخراج الخصائص من الإشارات أو من أسعار الأسهم يدويًا، فأنتم تعرفون حجم المعاناة. تحسب TSFRESH تلقائيًا مئات الخصائص الإحصائية، من المتوسطات البسيطة إلى معاملات فورييه المعقدة. كما تستطيع تقييم أهمية كل ميزة، فتستبعد الشوائب منذ المدخلات. وهذا يوفّر لا وقتكم فحسب، بل الموارد الحوسبية أيضًا، التي أصبحت اليوم باهظة التكلفة بصورة فاحشة.

ولا ينبغي نسيان Woodwork. فهي تعالج مشكلة التنميط الدلالي. في Python القياسية، نوع البيانات مجرد رقم أو سلسلة نصية. لكن بالنسبة إلى النموذج، يهم أن يكون هذا الرقم رمزًا بريديًا أو عمرًا أو معرّف فئة. تتيح Woodwork وضع «وسوم ذكية» على البيانات، تستطيع المكتبات الأخرى قراءتها تلقائيًا. وهذا يجنّبكم طبقة كاملة من الأخطاء الساذجة، مثل أن يحاول النموذج حساب المتوسط الحسابي لرقم هاتف.

لماذا يهم هذا الأمر الآن تحديدًا؟ لأن عصر «ألقِ بالبيانات في XGBoost وكفى» انتهى. فاليوم يفوز من يعرف كيف يوسّع خطوط معالجته بسرعة وبتكلفة منخفضة. واستخدام مكتبات مثل Feature-engine أو BorutaPy يتيح توحيد عملية اختيار الميزات وجعلها قابلة لإعادة الإنتاج. وهذا حاسم في التطوير الجماعي، حيث لا ينبغي لمهندس أن يضطر إلى تخمين ما برمجه سلفه في السطر الثلاثة آلاف من دفتر Jupyter.

وفي المحصلة، يمثّل الانتقال إلى أدوات هندسة الميزات المؤتمتة مسألة بقاء في ظل تنامي أحجام البيانات. فإذا واصلتم كتابة دوال مخصصة لكل عمود جديد، فأنتم تخسرون أمام من يعتمد أُطرًا جاهزة. وقابلية التوسّع لا تبدأ بشراء وحدات GPU جديدة، بل بطريقة تنظيمكم للعمل مع المعلومات على أبسط المستويات.

الخلاصة: هندسة الميزات اليدوية تحتضر، وهذا خبر ممتاز. فهل ستتمكنون من إعادة بناء سير عملكم قبل أن تصبح بياناتكم خارجة عن السيطرة؟