ما هو تصنيف البيانات؟

يعطيك ذكاء اصطناعي إجابةً واثقةً وخاطئة. فيلوم الجميعُ النموذج.

المُتَّهَم خطأ.

لقد فعل النموذج بالضبط ما عُلِّم أن يفعله. المشكلة فيما عُلِّمه — في الأمثلة التي تعلّم منها. لا يمكن للنموذج أن يعرف ما لم يُرِه أحدٌ إيّاه.

ولهذا «الإراءة» اسمٌ. تصنيف البيانات. إنه العمل البشري في وسم البيانات الخام كي تتعلّم منها الآلة — وهو الأساس الصامت تحت كل ذكاء اصطناعي استخدمته يومًا.

لا يحظى بالعناوين. لكنه الفرق بين ذكاء اصطناعي يعمل وآخر يهلوس. يمشي هذا الدليل في الأمر كلّه: ما هو التصنيف، ولماذا يحدّد جودة النموذج، والأنواع التسعة من البيانات التي يمكنك تصنيفها، وكيف يجري مشروعٌ حقيقيّ من طرفه إلى طرفه.

ما هو تصنيف البيانات؟

تصنيف البيانات هو العمل في وسم البيانات الخام — رسم مربّع حول جسم، أو نسخ جملة منطوقة، أو وسم عبارة، أو ترتيب إجابات نموذج — كي يتعلّم منها نموذج الذكاء الاصطناعي بالمثال. تصبح هذه الأمثلة الموسومة بيانات التدريب التي يدرسها النموذج. ويُسمّى أيضًا وسم البيانات؛ والمصطلحان يعنيان الشيء نفسه.¹

وإليك أبسط صورة له. تريد نموذجًا يرصد قطّةً في صورة. الصورة، للآلة، مجرّد شبكة أرقام — لا قطّة فيها. فيرسم إنسانٌ مربّعًا حول القطّة ويكتب كلمة قطّة. افعل ذلك عبر آلاف الصور فيتعلّم النموذج النمط: هذا الشكل، هذه الملامس، هذا الترتيب من البكسلات ← قطّة. أرِه صورةً لم يرَها قطّ، فيجد القطّة بنفسه.

لم تتعلّم الآلة ما القطّة. بل تعلّمت من بشرٍ يعرفون. تلك هي الحيلة كلّها — وهي صحيحة سواء أكانت البيانات صورةً أم جملةً أم صوتًا أم ردَّ روبوت محادثة.

لماذا يهمّ تصنيف البيانات أكثر من النموذج

معظم الذكاء الاصطناعي الحديث تعلُّمٌ خاضع للإشراف: يتعلّم النموذج المهمة بدراسة أمثلة موسومة. لا وسوم، فلا شيء يتعلّم منه الإجابة الصحيحة. وفي أنظمة الرؤية الحاسوبية واللغة الإنتاجية، تبقى الوسوم البشرية لا غنى عنها — دقّة النموذج ترتفع وتنخفض مع جودة الوسوم تحته.³

هذا ما تتعلّمه الفِرَق بالطريقة الصعبة. الكلّ يريد ضبط النموذج. ولا أحد تقريبًا يريد إصلاح البيانات. أعطى باحثو Google هذا الميل اسمًا — تعاقبات البيانات — ووجدوها متفشّية: في دراستهم، واجه ٩٢٪ من ممارسي الذكاء الاصطناعي إخفاقات متراكمة تعود جذورها إلى بيانات رديئة مُبخَّسة القيمة، وذلك بالضبط لأن العمل على البيانات يُعامَل بوصفه بلا بريق فيُتخطَّى.²

اقلبها تصبح أكبر رافعة بيدك: الأمثلة الأفضل تُحدث فرقًا أكبر من نموذج أضخم. لا يهلوس النموذج لأن أحدهم كتب دالّةً سيّئة. يهلوس لأن لا أحد أعطاه ما يكفي من الأمثلة الجيّدة.

وقد لاحظ السوق ذلك. بلغت سوق أدوات تصنيف البيانات نحو مليار دولار عام ٢٠٢٣، ويُتوقَّع أن تصل إلى قرابة ٥٫٣ مليار دولار بحلول ٢٠٣٠ — بنموٍّ سنويّ مركّب نحو ٢٦٪ — إذ يصطدم كل فريق يبني ذكاءً اصطناعيًّا بالجدار نفسه: النموذج بجودة بياناته.⁴

كيف يعمل تصنيف البيانات، خطوةً بخطوة

المشروع الحقيقيّ حلقةٌ لا حدثٌ عابر. خمس خطوات، ثم كرِّر.

1. حدِّد المخطط. اتّفقوا على الوسوم والقواعد قبل أن يصنّف أحدٌ أيّ شيء. ما الذي يُعَدّ جسمًا؟ أي الفئات موجودة؟ كيف تعالجون الحالات الحدّية؟ الغموض هنا يظهر أخطاءً في كل مرحلة لاحقة.
2. صنِّف البيانات. يضع المصنّفون الوسوم على البيانات الخام — مربّعات، نقاط مفصلية، مضلّعات، نسخ نصّي، وسوم كيانات، ترتيبات — وفق المخطط. يمكن لنموذج أن يملأ المسودّات لتسريع العمل؛ والإنسان يبقى صاحب القرار.
3. افحص الجودة. تؤكّد مراجعةٌ ومقياس اتفاق المصنّفين أن الوسوم متّسقة. والاختلاف إشارة: أصلِح الإرشاد، لا الوسم وحده.
4. صدِّر الحقيقة الأساسية. تصبح الوسوم النظيفة المتّفَق عليها مجموعة بيانات — مفتاح الإجابة الذي يتدرّب عليه النموذج ويُقاس به.
5. درِّب وقيِّم وأعِد التغذية. درِّب النموذج، وجِد أين يُخفق، وأعِد تلك الحالات الصعبة إلى التصنيف. أفضل فِرَق البيانات تُغلق هذه الحلقة باستمرار.

حدِّد، صنِّف، افحص، صدِّر، درِّب. وطبقة التشغيل التي تُدير هذه الحلقة — التوزيع ومراحل الجودة وتتبّع الاتّفاق والتصدير — جزءٌ من التصنيف بقدر الوسم نفسه.

الفئات التسع: ماذا يمكنك أن تصنّف

«البيانات» ليست شيئًا واحدًا، فلا التصنيف كذلك. لكل نوع تتعلّم منه النماذج طريقته في أن يُوسَم. هذه هي الفئات التسع التي يغطّيها محرك التصنيف من Annota8 — مئتا واجهة تصنيف في مكان واحد.

بياناتٌ مختلفة، والمبدأ نفسه: يُري إنسانٌ الآلةَ الإجابة الصحيحة، بالصورة التي تتّخذها تلك الإجابة.

كيف يبدو تصنيف البيانات الجيّد

ليست كل الوسوم سواء. التصنيف الجيّد يعود إلى ثلاثة أمور: الدقة والاتّساق ووضوح القواعد.

يجب أن يحتضن المربّع جسمه — لا حوافّ مقصوصة ولا خلفية مبتلَعة. وأن يتبع كل مصنّف المخطط المتّفَق عليه ذاته، فيصنّف العاشر كما صنّف الأول. وأن يطابق الوسمُ البياناتِ تمامًا: النسخة حرفًا بحرف، والفئة من قائمة ثابتة واحدة.

وللاتّساق مقياس: اتفاق المصنّفين — كم مرّة ينتج مصنّفون مستقلّون الوسم نفسه على البيانات نفسها. الاتّفاق العالي يعني أن المخطط واضح والحقيقة الأساسية جديرة بالثقة. والاتّفاق المنخفض يعني أن المهمة غامضة أو أن الإرشادات تحتاج عملًا. إنه من الأرقام القليلة التي تُخبرك، قبل التدريب، أإن كانت بياناتك جيّدة.

والحقيقة الأساسية — مجموعة الوسوم المعتمَدة صحيحةً — هي مفتاح الإجابة الذي يُقاس به كل شيء آخر. أصِبْها فينطلق كل نموذج تدرّبه عليها من الحقيقة. أهمِلها فتكون قد علّمت الآلة الإهمال، على نطاق واسع.

ولهذا يبقى النمط الموثوق أن يكون الإنسان في القيادة: يستطيع نموذجٌ أن يسوّد الوسوم لتوفير الوقت، لكن إنسانًا يؤكّد الحقيقة الأساسية. أما الوسم الآلي الكامل بلا مراجعة فيراكم أخطاء النموذج القائمة — إذ لا يمكنه إلا أن يكرّر ما يعرفه أصلًا.

من يُعلّم آلتك؟

أنا أحمد رفيق فهمي. أدرْتُ أنا وشريكي عمليات تصنيف البيانات عقدًا كاملًا — كلانا سابقًا في Affectiva وSmart Eye — من موقع العميل، داخل شركات تدرّب ذكاء اليوم الاصطناعي، نقيّم الأدوات والقوى العاملة من مقعد المشتري. بنينا Annota8 ليكون ما قال ذلك العقد إنّ الأداة كان ينبغي أن تكونه.

ما هو مباشرٌ اليوم: محرك التصنيف من Annota8 — مئتا واجهة تصنيف عبر الفئات التسع أعلاه — مع مساعد ذكيّ موصول ببيانات تصنيفك، وكونسول تشغيل واحد لإدارة الحلقة كاملةً. عربيٌّ أولًا، مبنيٌّ في السعودية. وأول عميل يدفع لنا هو جامعة كاليفورنيا، سان دييغو.

طبقة التعليم تحت كل ذكاء اصطناعي — تلك ما نبنيه.

أسئلة شائعة