تقنية تقليص الأبعاد هي إحدى التقنيات الحديثة التي أثبتت أهميتها البالغة في تطوير حلول الذكاء الاصطناعي. تأتي هذه التقنية كخطوة نوعية في تحسين فعالية وكفاءة نظم الذكاء الاصطناعي، وذلك عبر تقليل حجم البيانات المتاحة، مما يسهم في تسريع عمليات التحليل وتقليل الاعتماد على موارد ضخمة.

تقنية تقليص الأبعاد تعتمد على تحويل البيانات الكبيرة والمعقدة إلى مجموعة أبعاد أقل، محافظة في الوقت ذاته على أهم المعلومات. وبفضل هذا التحويل يمكن لأنظمة الذكاء الاصطناعي التفاعل مع البيانات بفاعلية أكبر وتحليلها بشكل أكثر سلاسة. تكمن أهمية هذه التقنية في قدرتها على تحسين أداء النماذج الذكية وتقليل الحمل على الموارد الحاسوبية.

يتيح تقليص الأبعاد أيضاً تسهيل تخزين ونقل البيانات، مما يساهم في تحسين كفاءة استخدام المساحة التخزينية وتقليل الاحتياجات الشبكية. وفي ظل التزايد المستمر لحجم البيانات المتاحة، تعد هذه التقنية خطوة حيوية نحو تحسين أداء تطبيقات الذكاء الاصطناعي وضمان استدامة استخدامها في مختلف المجالات.

ﺑﺎﺳﺘﺨﺪام ﺗﻘﻨﻴﺔ ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد أﺻﺒﺢ اﻟﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت اﻟﻀﺨﻤﺔ ﺳﻬﻼ، إذ ﻳﺘﻢ ﺗﺤﻮﻳﻠﻬﺎ ﻷﺑﻌﺎد أﺻﻐﺮ ﻟﺘﺴﻬﻞ دراﺳﺘﻬﺎ واﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ، ﺗﻌﺮف ﻋﻠﻰ أﻫﻢ اﻟﻤﻌﻠﻮﻣﺎت ﻋﻦ ﻫﺬه اﻟﺘﻘﻨﻴﺔ ﻓﻲ اﻟﻤﻘﺎل اﻵﺗﻲ.

ﻟﻌﻠﻚ ﻓﻜﺮت ﻳﻮماً ﻛﻴﻒ ﻳﻤﻜﻦ دراﺳﺔ واﺳﺘﻨﺒﺎط ﻣﻌﻠﻮﻣﺎت ﻣﻦ ﺑﻴﺎﻧﺎت ذات أﺑﻌﺎ ﺿﺨﻤﺔ ﻣﺜﻞ دراﺳﺔ ﻣﺪى ﺗﺮاﺑﻂ اﻟﺨﻼﻳﺎ ﺑﻨﺎءً ﻋﻠﻰ ﻣﺪى ﺗﺸﺎﺑﻪ اﻟجينات ﻓﻲ ﻣﺎ ﺑﻴﻨﻬﺎ واﻟﺬي ﻗﺪ ﻳﺼﻞ إلى اﻵﻻف، وإﺟﺮاء دراﺳﺔ ﻛﻬﺬه ﻳﺘﻄﻠﺐ مجهوداً ﻛﺒﻴﺮاً ﺑﻞ ﻳﻜﺎد ﻳﻜﻮن ﻣﺴﺘﺤﻴلاً، ﺣﻴﺚ ﺗﺘﻮاﻓﺮ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻤﺘﻐﻴﺮات اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺘﻲ ﻻ ﻳﻤﻜﻦ ﺗﻤﺜﻴﻠﻬﺎ ﻋﻠﻰ أرض اﻟﻮاﻗﻊ وﻻ ﻳﻤﻜﻦ ﺗﺨﻴﻠﻬﺎ؛ ﻟﺬﻟﻚ ﺗﻢ اﺑﺘﻜﺎر ﺗﻘﻨﻴﺔ تجعل إﺟﺮاء ﻣﺜﻞ ﻫﺬه اﻟﺪراﺳﺎت أﺳﻬﻞ وﻫﻲ ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد، ﻟﻨﺘﻌﺮف ﻋﻠﻴﻬﺎ أﻛﺜﺮ ﻓﻲ ﻫﺬا اﻟﻤﻘﺎل.

ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد ﻫﻲ ﺗﻘﻨﻴﺔ ﻳﺘﻢ ﻓﻴﻬﺎ ﺗﺤﻮﻳﻞ اﻟﺒﻴﺎﻧﺎت ﻣﻦ ﻣﺴﺎﺣﺔ ذات أﺑﻌﺎد ﻋﺎﻟﻴﺔ إلى ﻣﺴﺎﺣﺔ ذات أﺑﻌﺎد ﻣﻨﺨﻔﻀﺔ ﻋﻦ ﻃﺮﻳﻖ ﺗﻘﻠﻴﻞ ﻋﺪد اﻟﻤﺘﻐﻴﺮات اﻟﻌﺸﻮاﺋﻴﺔ ﻗﻴﺪ اﻟﺪراﺳﺔ، واﻟﺤﺼﻮل ﻋﻠﻰ مجموعة ﻣﻦ اﻟﻤﺘﻐﻴﺮات اﻟﺮﺋﻴﺴﻴﺔ، ﺣﻴﺚ ﺗﺤﺘﻔﻆ اﻟﺒﻴﺎﻧﺎت ذات اﻟﺘﻤﺜﻴﻞ اﻟﻤﻨﺨﻔﺾ اﻷﺑﻌﺎد ﺑﺒﻌﺾ اﻟﺨﺼﺎﺋﺺ اﻟﻤﻌﻨﻮﻳﺔ ﻟﻠﺒﻴﺎﻧﺎت اﻷﺻﻠﻴﺔ. وﻟﻜﻦ ﻣﺎ ﻫﻮ اﻟﺒﻌﺪ؟

ﻳﻌﺮف اﻟﺒﻌﺪ ﺑﺄﻧﻪ اﻟﺤﺪ اﻷدﻧﻰ ﻟﻺﺣﺪاﺛﻴﺎت اﻟﻼزﻣﺔ ﻟﺘﺤﺪﻳﺪ أي ﻧﻘﻄﺔ داﺧﻠﻪ، وﻣﻦ أﺷﻬﺮ اﻷﺑﻌﺎد اﻟﺒﻌﺪ اﻟﺜﺎﻧﻲ واﻟﺬي ﻳﺘﻜﻮن ﻣﻦ اﻟﻄﻮل واﻟﻌﺮض 2D ) أي ﻣﺘﻐﻴﺮﻳﻦ(، واﻟﺒﻌﺪ اﻟﺜﺎﻟﺚ أو ﺛﻼﺛﻲ اﻷﺑﻌﺎد 3D إذ ﻳﺘﻜﻮن ﻣﻦ اﻟﻄﻮل واﻟﻌﺮض واﻻرﺗﻔﺎع ) أي ﺛﻼﺛﺔ ﻣﺘﻐﻴﺮات(، وﺑﺎﻟﺘﺎﻟﻲ ﻻ ﻳﻤﻜﻨﻨﺎ ﺗﺨﻴﻞ ﺟﺴﻢ أو ﻧﻘﻄﺔ ﺑﺄﻛﺜﺮ ﻣﻦ ﺛﻼثة متغيرات ﻛﺄن ﻳﻜﻮن ﻟﺪﻳﻬﺎ ﻋﺸﺮة ﻣﺘﻐﻴﺮات أو أﻛﺜﺮ، وﻣﻦ ﻫﻨﺎ ﺗﺄﺗﻲ أﻫﻤﻴﺔ ﻫﺬه اﻟﺘﻘﻨﻴﺔ.

ذﻛﺮﻧﺎ ﺳﺎﺑﻘﺎً ﻋﺪم ﻗﺪرﺗﻨﺎ ﻋﻠﻰ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻋﺪد ﻛﺒﻴﺮ ﻣﻦ اﻟﻤﺘﻐﻴﺮات، ﻷن ذﻟﻚ ﻳﺆدي إﻟﻰ ﻣﺎ ﻳﺴﻤﻰ ﺑﻠﻌﻨﺔ اﻷﺑﻌﺎد وﻫﻮ اﻻﻧﺘﺸﺎر واﻟﺘﺒﺎﻋﺪ ﺑﻴﻦ اﻟﻨﻘﺎط ﻣﻤﺎ يجعل اﻟﺒﻴﺎﻧﺎت ﺗﺒﺪو ﻋﺸﻮاﺋﻴﺔ. ﻛﻤﺎ أن ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد ﻳﺆدي إﻟﻰ ﺗﻮﻓﻴﺮ اﻟﻮﻗﺖ واﻟﻤﻮارد اﻟﺤﺴﺎﺑﻴﺔ اﻟﻼزﻣﺔ ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت، ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ﺗﺴﻬﻴﻞ ﺗﺼﻮر اﻟﺒﻴﺎﻧﺎت ﺑﺘﺤﻮﻳﻠﻬﺎ إﻟﻰ أﺑﻌﺎد ﻣﻨﺨﻔﻀﺔ. ﻛﻤﺎ ﺗﺴﺘﺨﺪم ﺗﻘﻨﻴﺔ ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد ﻓﻲ معالجة اﻹﺷﺎرات واﻟﻌﻠﻮم اﻟﻌﺼﺒﻴﺔ، وﻋﻠﻮم اﻟﺤﻴﺎة واﻟﻤﻌﻠﻮﻣﺎت اﻟﺒﻴﻮﻟﻮﺟﻴﺔ.

• ﻣﻜﻮﻧﺎت ﺗﻘﻠﻴﻞ اﻷﺑﻌﺎد اﺧﺘﻴﺎر اﻟﺨﺎﺻﻴﺔ selection Feature: ﻫﻲ ﻋﻤﻠﻴﺔ ﺗﻘﻠﻴﻞ اﻟﻤﺪﺧﻼت ﻋﻦ ﻃﺮﻳﻖ اﺧﺘﻴﺎر مجموعة ﻓﺮﻋﻴﺔ ﻟﻠﻤﺘﻐﻴﺮات واﻟﺘﻲ ﺗﺘﻤﻴﺰ ﺑﺴﻤﺎت ذات ﺻﻠﺔ ﻟﺒﻨﺎء اﻟﻨﻤﻮذج، وﺗﻢ ﺑﺬﻟﻚ ﺑﺎﺳﺘﺨﺪام ﺛﻼﺛﺔ ﻃﺮق:

• اﻟﻄﺮﻳﻘﺔ اﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ اﻟﺘﻐﻠﻴﻒ Method :Wrapper ﺗﻌﺘﻤﺪ ﻋﻠﻰ اﺳﺘﺨﺪام ﻧﻤﻮذج ﺗﻨﺒﺆي ﻟﺘﻘﻴﻴﻢ مجموعات ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺴﻤﺎت. ﺗﺴﺘﺨﺪم ﻛﻞ مجموعة لتدريب اﻟﻨﻤﻮذج ﺛﻢ اﺧﺘﺒﺎره ﻋﻠﻰ مجموعة اﺣﺘﻴﺎﻃﻴﺔ. ﺑﻌﺪ ذﻟﻚ، ﻳﺘﻢ ﺣﺴﺎب ﻋﺪد اﻷﺧﻄﺎء اﻟﺘﻲ ﺣﺪﺛﺖ ﻓﻲ ﻫﺬا اﻻﺧﺘﺒﺎر )ﻣﻌﺪل اﻷﺧﻄﺎء ﻓﻲ اﻟﻨﻤﻮذج( ﻟﺘﻘﺪﻳﺮ أداء المجموعة. بسبب أن ﻫﺬه اﻟﻄﺮق ﺗﻘﻮم بتدريب ﻧﻤﻮذج ﺟﺪﻳﺪ ﻟﻜﻞ مجموعة، ﻓﻬﻲ تتطلب اﻟﻜﺜﻴﺮ ﻣﻦ اﻟﻘﻮة اﻟﺤﺴﺎﺑﻴﺔ، وﻟﻜﻦ ﻋﺎدة ﻣﺎ ﺗﻮﻓﺮ مجموعة ﻣﻦ اﻟﺴﻤﺎت اﻟﺘﻲ ﺗﻌﻤﻞ ﺑﺸﻜﻞ ﺟﻴﺪ ﻣﻊ ﻧﻮع ﻣﻌﻴﻦ ﻣﻦ اﻟﻨﻤﻮذج أو ﻣﺸﻜﻠﺔ ﻣﺤﺪدة.

• ﻃﺮﻳﻘﺔ اﻟﺘﺼﻔﻴﺔ Method :Filter ﻃﺮق اﻟﺘﺼﻔﻴﺔ ﺗﺴﺘﺨﺪم ﻣﻘﻴﺎﺳﺎً ﺑﺪﻳلاً ﻋﻦ ﻣﻌﺪل اﻟﺨﻄﺄ ﻟﺘﻘﻴﻴﻢ مجموعة اﻟﺴﻤﺎت. ﻫﺬا اﻟﻤﻘﻴﺎس ﺳﺮﻳﻊ اﻟﺤﺴﺎب وﻳﺴﺎﻋﺪ ﻓﻲ اﺧﺘﻴﺎر اﻟﺴﻤﺎت اﻟﻤﻔﻴﺪة. ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻓﻲ مجالات ﻣﻌﻴﻨﺔ ﺣﻴﺚ ﻫﻨﺎك اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺴﻤﺎت وﻗﻠﻴﻞ ﻣﻦ اﻟﺒﻴﺎﻧﺎت. ﺑﺎﻟﺮﻏﻢ ﻣﻦ أﻧﻬﺎ أﻗﻞ ﺗﻜﻠﻔﺔ ﺣﺴﺎﺑﻴﺎً ﻣﻦ الأساليب اﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ اﻟﺘﻐﻠﻴﻒ، إﻻ أﻧﻬﺎ ﺗﻨﺘﺞ مجموعة ﻣﻦ اﻟﺴﻤﺎت أﻗﻞ ﺗﺨﺼﻴﺼﺎً ﻟﻨﻤﻮذج ﻣﺤﺪد، ﻣﻤﺎ ﻳﻘﻠﻞ ﻣﻦ ﻗﺪرﺗﻬﺎ ﻋﻠﻰ اﻟﺘﻨﺒﺆ. وﻣﻊ ذﻟﻚ، ﺗﻜﻮن ﻫﺬه اﻟﺴﻤﺎت أﻛﺜﺮ ﻋﻤﻮﻣﻴﺔ وﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻬﺎ ﻟﻔﻬﻢ اﻟﻌﻼﻗﺎت ﺑﻴﻦ اﻟﺴﻤﺎت. اﻟﻌﺪﻳﺪ ﻣﻦ ﻃﺮق اﻟﺘﺼﻔﻴﺔ ﺗﻘﺪم ﺗﺼﻨﻴﻔﺎت ﻟﻠﺴﻤﺎت وﺗﺴﺘﺨﺪم ﻛﺨﻄﻮة ﺗﺤﻀﻴﺮﻳﺔ ﻟﻸﺳاليب اﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ اﻟﺘﻐﻠﻴﻒ.

• اﻟﻄﺮﻳﻘﺔ اﻟﻤﻀﻤﻨﺔ Method :Embedded ﻫﻲ مجموعة ﻣﻦ اﻟﺘﻘﻨﻴﺎت اﻟﺘﻲ ﺗﻘﻮم ﺑﺎﺧﺘﻴﺎر اﻟﺴﻤﺎت كجزء ﻣﻦ ﻋﻤﻠﻴﺔ ﺑﻨﺎء اﻟﻨﻤﻮذج. ﻣﺜﺎل ﻋﻠﻰ ذﻟﻚ ﻫﻮ ﻃﺮﻳﻘﺔ LASSO اﻟﺘﻲ ﺗﺴﺘﺨﺪم ﻟﺒﻨﺎء ﻧﻤﻮذج ﺧﻄﻲ وﺗﻘﻠﻞ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺴﻤﺎت إﻟﻰ اﻟﺼﻔﺮ. ُﺗﺨﺘﺎر اﻟﺴﻤﺎت اﻟﺘﻲ ﺗﺤﻤﻞ ﻣﻌﺎﻣﻼت اﻧﺤﺪار ﻏﻴﺮ ﺻﻔﺮﻳﺔ ﺑﻮاﺳﻄﺔ ﻫﺬه اﻟﻄﺮﻳﻘﺔ. ﻫﻨﺎك ﺗﺤﺴﻴﻨﺎت أﺧﺮى ﻣﺜﻞ Bolasso واﻻﻋﺘﺪال اﻟﻤﺮن ﻟﻠﺸﺒﻜﺔ و FeaLect و .AEFS ﻫﺬه ﺗﻜﻮن ﻣﺎ ﺑﻴﻦ ﻃﺮق اﻟﺘﺼﻔﻴﺔ واﻷساليب اﻟﻘﺎﺋﻤﺔ ﻋﻠﻰ اﻟﺘﻐﻠﻴﻒ ﻣﻦ ﺣﻴﺚ اﻟﺘﻌﻘﻴﺪ اﻟﺤﺴﺎﺑﻲ.

• اﺳﺘﺨﺮاج اﻟﺨﺎﺻﻴﺔ Extraction :Feature ﻳﺆدي ذﻟﻚ إﻟﻰ ﺗﺨﻔﻴﺾ اﻟﺒﻴﺎﻧﺎت اﻟﻤﻮﺟﻮدة ﻓﻲ ﻣﺴﺎﺣﺔ ذات أﺑﻌﺎد ﻋﺎﻟﻴﺔ إﻟﻰ ﻣﺴﺎﺣﺔ ُﺑﻌﺪ أﻗﻞ، أي ﻣﺴﺎﺣﺔ ﺑﻬﺎ ﻋﺪد أﻗﻞ ﻣﻦ اﻷبعاد.

تقنيات تقليل الأبعاد تعتبر جزءاً مهماً من مجال تعلم الآلة والذكاء الاصطناعي، وهي تشمل تقنيات مثل PCA (تحليل المكونات الرئيسية) و t-SNE (توزيع الانتشار المتقارب t-distributed stochastic neighbor embedding) وغيرها. يمكن للشركات الناشئة الاستفادة من هذه التقنيات بعدة طرق:

تحسين فهم البيانات: يمكن استخدام تقنيات تقليل الأبعاد لتحليل وفهم البيانات بشكل أفضل، مما يساعد في اكتشاف العلاقات الكامنة والأنماط في البيانات. تصور البيانات: تساعد هذه التقنيات في تصوير البيانات ثنائياً وثلاثياً، مما يسهل فهم وتفسير البيانات بصورة أفضل، خاصة عندما يكون البيان ذو أبعاد عالية. تحسين أداء النماذج: يمكن استخدام تقنيات تقليل الأبعاد كخطوة في تحسين أداء النماذج الذكية، حيث يمكن تقليل الأبعاد لتقليل الأثر السلبي للأبعاد الزائدة على أداء النماذج. تسهيل تصنيف البيانات: يمكن استخدام تقنيات التصور البياني لتسهيل عمليات تصنيف البيانات، حيث يمكن للبشر والنماذج الآلية فهم البيانات بشكل أفضل عند تقليل الأبعاد. تسريع التدريب: في بعض الحالات، يمكن تقليل الأبعاد للبيانات لتقليل حجم البيانات وبالتالي تسريع عمليات التدريب للنماذج. تحليل السوق والعملاء: يمكن استخدام تقنيات تقليل الأبعاد في فهم سلوك العملاء وتحليل السوق، مما يمكن الشركات من اتخاذ قرارات إستراتيجية أفضل. تكامل مع تقنيات أخرى: يمكن دمج تقنيات تقليل الأبعاد مع تقنيات أخرى في مجال تعلم الآلة لتحقيق أفضل أداء وفهم للبيانات. من خلال الاستفادة من هذه التقنيات، يمكن للشركات الناشئة تحسين فعالية عملياتها واتخاذ قرارات أفضل بناءً على تحليل أكثر دقة للبيانات.

بالطبيعة، ها هي أمثلة على حالات الاستخدام (Use Cases) لكل مثال: شركات عالمية:

  1. غوغل (Google):

• دراسة حالة تحسين أداء محرك البحث. • يستخدم غوغل تقنية تقليل الأبعاد لتحليل بيانات البحث وتحسين نتائج البحث لتوفير تجربة مستخدم أفضل ونتائج دقيقة وسريعة. 2. فيسبوك (Facebook): • دراسة حالة تخصيص التجربة للمستخدمين. • تستخدم فيسبوك تقنية تقليل الأبعاد لتحليل سلوك المستخدمين واهتماماتهم وفهمهم بشكل أفضل، مما يمكنها من تقديم محتوى مخصص وإعلانات مستهدفة. 3. أمازون (Amazon): • دراسة حالة توصيات المنتجات. • يستخدم أمازون تقنية تقليل الأبعاد لتحليل تاريخ المشتريات والسلوكيات للمستخدمين وتوصية المنتجات التي قد تهمهم بناءً على ذلك. 4. أبل (Apple): • دراسة حالة تحسين تجربة المستخدم في تطبيقاتها. • تستخدم أبل تقنية تقليل الأبعاد في تطبيقاتها مثل Apple Music و Apple News لتحسين تجربة المستخدم وتوصيات المحتوى بناءً على سلوك المستخدمين. شركات محلية في السعودية:

  1. أرامكو (Saudi Aramco):

• دراسة حالة تحسين عمليات الاستكشاف والإنتاج. • تستخدم أرامكو تقنية تقليل الأبعاد لتحليل البيانات الجيولوجية والهندسية لتحسين فهمها للتضاريس والتوقعات بشأن المواقع النفطية. 2. سابك (SABIC): • دراسة حالة تحسين عمليات الإنتاج والتصنيع. • تستخدم سابك تقنية تقليل الأبعاد لتحليل بيانات الإنتاج والجودة وتحسين عمليات التصنيع وتحديد العوامل التي تؤثر على الإنتاجية. شركات محلية في الولايات المتحدة:

  1. بيزوس (Bezos):

• دراسة حالة تحليل سلوك العملاء وتحسين الخدمات. • يستخدم بيزوس تقنية تقليل الأبعاد لتحليل سلوك العملاء وفهم احتياجاتهم وتوفير خدمات مخصصة وتحسين تجربة المستخدم. 2. تسلا (Tesla): • دراسة حالة تحسين أداء السيارات الكهربائية. • تستخدم تسلا تقنية تقليل الأبعاد لتحليل بيانات السيارات الكهربائية وتحسين أدائها وزيادة كفاءة البطاريات والأمان. هذه الأمثلة توضح كيفية استخدام تقنية تقليل الأبعاد في مجموعة متنوعة من الصناعات والتطبيقات لتحسين الأداء وتوفير تجربة مستخدم أفضل وتحقيق النجاح في الأعمال.

توصيات

المركبات ذاتية القيادة

إنفوجرافيك

عرض
تطبيقات علوم البيانات في القطاع الصحي

مقال

عرض
تطبيقات إنترنت الأشياء

ورشة مسجلة

عرض
ورشة ذكاء: كيف تبدأ مشروعك الريادي في الأمن السيبراني

ورشة مسجلة

عرض