0:00:07.360,0:00:11.760
يعد التعلم الآلي جيداً فقط عندما تكون[br]بيانات التدريب المدخلة جيدة أيضاً.

0:00:11.800,0:00:15.820
لذا، من الأهمية القصوى أن تستخدم بيانات ذات جودة عالية، وبأعداد كبيرة منها.

0:00:16.760,0:00:21.960
لكن، إذا كانت البيانات هامة، هنا يجدر التساؤل عن المصدر الذي تأتي منه؟

0:00:22.280,0:00:26.260
غالبا، يعمل الحاسوب على تجميع البيانات من الأشخاص امثالنا،

0:00:26.260,0:00:27.860
بدون بذل اي جهد.

0:00:28.440,0:00:31.480
تعمل خدمة تتبع الفيديو على تتبع ما تشاهده، ثم، يمكنها تمييز المحتوى ووضعه في شكل أنماط

0:00:31.660,0:00:36.000
توصي لك بما قد تشاهده لاحقاً.

0:00:37.420,0:00:43.200
وفي أحيان أخرى، قد يطلب منك المساعدة مباشرة، مثلاً عند طلب استكشاف إشارات الشوارع والصور،

0:00:43.780,0:00:49.280
فأنت تقدم بيانات تدريبية [br]لمساعدة الآلة على تعلم الرؤية، وحتى على تولي القيادة يوماً ما.

0:00:52.320,0:00:56.440
يمكن للباحثين الطبيين استخدام[br]الصور الطبية باعتبارها بيانات تدريبية من أجل تعليم

0:00:56.520,0:00:59.900
أجهزة الحاسوب طريقة التعرف على الأمراض وتشخيصها.

0:01:00.300,0:01:05.560
يحتاج التعلم الآلي لمئات وآلاف الصور، وتوجيه تدريبي من الطبيب

0:01:05.640,0:01:09.920
الذي يعلم ما يتم البحث عنه قبل أن يتم التعرف على المرض بصورة صحيحة.

0:01:10.520,0:01:15.540
حتى في ظل وجود آلاف الأمثلة، فقد توجد مشكلات مع عمليات التنبؤ التي يقوم بها الحاسوب.

0:01:15.880,0:01:20.660
ففي حالة تجميع بيانات الأشعة السينية من قبل الرجال فقط، فقد تصيح كل عمليات التنبؤ التي يقوم بها الحاسوب صالحة للرجال دون غيرهم.

0:01:21.880,0:01:26.300
وقد لا يتمكن الحاسوب من تحديد الأمراض عندما[br]يطلب منه إجراء تشخيص بالأشعة السينية على السيدات.

0:01:26.620,0:01:30.820
هذه النقطة العمياء في البيانات التدريبية[br]التي تقوم بإنشاء شيء ما يطلق عليه اسم "التحيز".

0:01:31.260,0:01:36.420
هذه البيانات التحيزية تعمل على تفضيل بعض الأشياء عن بعضها البعض، أو لا تضع أشياء في أولوياتها، أو تستثني أخرى.

0:01:36.780,0:01:41.800
بحسب الطريقة التي يتم بها تجميع بيانات التدريب، ومن القائم على تجميعها، وطريقة تغذية البيانات،

0:01:41.800,0:01:45.340
توجد احتمالية بأن يكون[br]التحيز البشري متضمناً في البيانات.

0:01:45.880,0:01:50.700
وبتعلم البيانات التحيزية، فقد يقوم الحاسوب بإجراء عمليات تنبؤ متحيزة،

0:01:50.780,0:01:54.320
سواء كأن الأشخاص الذين يدربون الحاسوب[br]على إدراك بهذا الأمر أم لا.

0:01:54.760,0:01:58.400
عند قيامك بالبحث عن بيانات التدريب، اطرح على نفسك سؤالين:

0:01:58.640,0:02:01.600
هل هذه البيانات كافية لتدريب الحاسوب بدقة؟

0:02:02.320,0:02:06.860
وهل تمثل هذه البيانات كل السيناريوهات الممكنة والمستخدمين بدون أي تحيز؟

0:02:07.460,0:02:11.040
ومن هنا يجب أن يلعب التدريب البشري دوراً حيوياً.

0:02:11.160,0:02:14.500
الأمر يرجع إليك في مسألة تقديم بيانات غير متحيزة لآلتك.

0:02:14.500,0:02:18.160
ويعني هذا تجميع أطنان من الأمثلة، ومن الكثير من المصادر.

0:02:19.300,0:02:22.580
تذكر بأنه عند قيامك بانتقاء البيانات واختيارها من أجل التعلم الآلي،

0:02:22.580,0:02:26.660
فأنك تقوم بشكل فعلي ببرمجة الخورزاميات باستخدام بيانات التدريب بدلاً من التعليمات البرمجية.

0:02:27.100,0:02:29.780
البيانات هي التعليمات البرمجية.

0:02:30.180,0:02:34.680
كلما قدمت بيانات أفضل، كلما تعلم الحاسوب بشكل أفضل.