الوحدة 4 — كيف تتعلّم الآلة

«يتعلّم النموذج من البيانات»: هذه العبارة، المستخدمة منذ بداية الدورة، تصف آلية دقيقة وبسيطة في مبدئها بصورة مدهشة. تفكّكها هذه الوحدة قطعةً قطعة، بلا متطلّبات رياضية. في النهاية، سيعني «تدريب نموذج» عندك إجراءً ملموساً، لا تعويذة.

النموذج دالة بمقابض ضبط

نعود إلى تعريف الوحدة 1: النموذج يحوّل مدخلاً إلى تنبّؤ. ما يجعل هذه الدالة قابلة للضبط هو معاملاتها — أرقام داخلية تزن تأثير كلّ معلومة.

لنأخذ مثالاً صغيراً جداً: تقدير سعر شقّة من مساحتها.

السعر المقدَّر = a × المساحة + b

هنا a وb هما المعاملان. مع a = 3000 وb = 20000، تُقدَّر شقّة من 50 م² بـ170,000. وبقيم أخرى يتغيّر التقدير. التعلّم هو إيجاد قيم a وb التي تعطي أقلّ التقديرات خطأً على الأمثلة المعروفة.

يستخدم نموذج عقارات حقيقي عشرات المتغيّرات؛ ويملك النموذج اللغوي الكبير مليارات المعاملات. لكنّ المبدأ يبقى هذا بالضبط: أرقام تُضبَط لتطابق المخرجاتُ الأمثلةَ.

دالة الخسارة: إعطاء الخطأ درجة

لضبط المعاملات يلزم أولاً قياس مقدار خطأ النموذج. هذا دور دالة الخسارة: رقم واحد يلخّص خطأ النموذج على بيانات التدريب. خسارة كبيرة، نموذج سيّئ؛ خسارة صغيرة، نموذج جيّد — على هذه البيانات على الأقلّ.

في مثالنا، الخسارة الكلاسيكية هي متوسّط مربّع الخطأ: لكلّ شقّة في مجموعة التدريب نحسب الفرق بين السعر المقدَّر والسعر الحقيقي، ونربّعه (كي لا تُلغي الفروق الموجبة والسالبة بعضها، ولمعاقبة الأخطاء الكبيرة أكثر)، ثم نأخذ المتوسّط.

يصبح التعلّم عندها مسألة استمثال تُصاغ في جملة واحدة:

إيجاد قيم المعاملات التي تجعل دالة الخسارة أصغر ما يمكن.

اختيار الخسارة قرار عمل

تشفّر دالة الخسارة معنى «الخطأ» عندك. هل يُعاقَب التقديرُ الناقص والزائد بالتساوي؟ في كشف الاحتيال، هل تفويت عملية احتيال يكلّف بقدر حجب عميل نزيه؟ هذه الموازنات تُترجَم رياضياً في الخسارة. النموذج يستمثل بالضبط ما يُطلَب منه استمثاله — حتى حين يُطلَب منه ذلك على نحو خاطئ.

الانحدار التدرّجي: البحث عن قاع الوادي

يبقى إيجاد الحدّ الأدنى. تجريب كلّ التوليفات مستحيل: بملايين المعاملات، الفضاء شاسع فوق التصوّر. خوارزمية المجال المركزية تسلك طريقاً آخر: الانحدار التدرّجي.

الصورة المعتمدة — وهي أمينة: ترسم الخسارةُ تضاريس متموّجة كلّ نقطة فيها توليفة معاملات وارتفاعُها هو الخطأ. تُنزَل في مكان ما من هذه التضاريس، وسط الضباب. للنزول، استراتيجية بسيطة: تحسّس الميل تحت قدميك واخطُ خطوة في الاتجاه الأكثر انحداراً. ثم كرّر.

التدرّج هو الكائن الرياضي الذي يدلّ على الميل: يقول لكلّ معامل هل زيادته سترفع الخسارة أم ستخفضها، وبأيّ مقدار. فخطوة نزول واحدة تضبط إذن كلّ المعاملات في آن، كلاً في الاتجاه الذي يقلّل الخطأ. وبالتكرار الكثيف تنزل هذه العملية بالنموذج نحو توليفة جيّدة.

إعدادان عمليان يهيمنان على حياة الممارسين.

معدّل التعلّم: حجم الخطوة. إن كان كبيراً جداً قفزتَ فوق الوادي فتتذبذب الخسارة أو تنفجر. وإن كان صغيراً جداً استغرق النزول وقتاً غير معقول. إنه أكثر المعاملات الفائقة حساسية في المجال.

الدفعات الصغيرة (mini-batches): حساب الميل على كامل البيانات عند كلّ خطوة أبطأ من اللازم. يُحسَب على حزمة صغيرة من أمثلة مسحوبة عشوائياً — الاتجاه مشوّش قليلاً لكنه كافٍ، والتقدّم أسرع بكثير. المرور الكامل على البيانات يسمّى حقبة (epoch).

ما تعنيه هذه الآلية

التعلّم عملية عددية، لا فهم. لم «يدرك» النموذج أنّ المساحة تصنع السعر؛ بل تقاربت معاملاته نحو قيم تقلّل خطأً متوسّطاً. هذا الفارق يفسّر الإخفاقات: إن حوت البيانات انتظاماً طفيلياً (كلّ الشقق الغالية في المجموعة تقع في العاصمة)، تعلّمه النموذج بالحماسة نفسها التي يتعلّم بها الأسباب الحقيقية.

خسارة التدريب ليست الأداء. خسارة ضئيلة على الأمثلة المعروفة قد تخفي نموذجاً عديم النفع على حالات جديدة — هذا هو فرط التخصيص، الموضوع الحصري للوحدة التالية.

كلفة الحوسبة من التكرار. ملايين الخطوات، كلّ منها على آلاف الأمثلة، وكلّ منها يضبط ملايين أو مليارات المعاملات: لهذا يُقاس تدريب النماذج الكبيرة بأسابيع حوسبة وملايين دولارات، بينما يظلّ الاستدلال — مرور أمامي واحد — رخيصاً.

الخلاصة

• النموذج دالة بمعاملات؛ والتعلّم = ضبط المعاملات لتقليل دالة خسارة تُقاس على الأمثلة.
• الانحدار التدرّجي يجد هذا الحدّ الأدنى خطوة خطوة: احسب الميل، تقدّم، كرّر.
• معدّل التعلّم والدفعات الصغيرة هما الإعدادان العمليان الأساسيان؛ واختيار الخسارة قرار عمل بقدر ما هو تقني.
• يستمثل النموذج ما تقيسه — بما في ذلك الانتظامات الطفيلية. جودة البيانات ليست تفصيلاً؛ إنها الجوهر.

الوحدة التالية: الطريقتان اللتان يفشل بهما هذا التعلّم — فرط التخصيص ونقصه — والعلاجات المعيارية.