3 أسئلة حول التعلم الآلي في التعلم والتطوير

كل ما تحتاج لمعرفته حول التعلم الآلي في التعلم والتطوير

التعلم الآلي (ML) هو حقل فرعي من الذكاء الاصطناعي يتضمن تدريب الخوارزميات لعمل تنبؤات أو قرارات تستند إلى أنماط في البيانات دون أن تتم برمجتها بشكل صريح. التعلم الآلي له تطبيقات في مجموعة متنوعة من المجالات ، بما في ذلك التعلم والتطوير. في هذا الكتاب التمهيدي عن التعلم الآلي ، سوف تستكشف الأسئلة الأساسية التي يحتاجها كل قائد في مجال التعلم والتطوير حتى يتمكن من الإجابة عنها. السؤال الأول هو: “ما هو غسل الأموال وكيف يعمل؟” هنا ، سوف تستكشف الحد الأدنى من أساسيات ML ووظائفها. السؤال الثاني يتعلق L & D: “كيف يمكنني استخدام ML في التعلم والتطوير؟” حيث ستستكشف ثلاث حالات استخدام أساسية لتعلم الآلة في التعلم والتطوير. أخيرًا ، السؤال الثالث هو “ما هي قيود ML التي يجب أن أكون على دراية بها؟” حيث ستتعرف على ثلاثة قيود أساسية. هيا بنا نبدأ!

لماذا يعد التعلم الآلي مهمًا ، وكيف يعمل؟

حجم وتعقيد البيانات التي يتم إنشاؤها كل دقيقة في جميع أنحاء العالم مذهل ، ولا يمكن للبشر معالجتها بالسرعة الكافية. وفقًا لمجلة Forbes و Adeptia [1]2.5 كوينتيليون بايت من البيانات (2.5 متبوعة بـ 18 صفراً) يتم إنشاؤها يوميًا على مستوى العالم. هذا هو المكان الذي يأتي فيه الذكاء الاصطناعي. وفقًا لماكينزي ، يعد التعلم الآلي نوعًا من الذكاء الاصطناعي يعمل باستخدام خوارزميات يتم تدريبها على البيانات. يمكن لهذه الخوارزميات مسح كميات هائلة من البيانات ، والعثور على الأنماط ، والتعلم من تلقاء نفسها حول كيفية تقديم التنبؤات والتوصيات. يعد التعلم الآلي مهمًا لأن الآلات تعلم نفسها من خلال معالجة البيانات والخبرات ، بدلاً من القيام بذلك بعد تلقي تعليمات برمجة محددة ، ويمكنها معالجة كمية هائلة من البيانات في ثوانٍ ، وهو أسرع بكثير من قدرتنا البشرية. هذه الخوارزميات قابلة للتكيف ويمكنها الاستجابة للبيانات والتجارب الجديدة ، والتي يستخدمونها لتحسين خبراتهم بمرور الوقت. ثلاث عمليات رئيسية يستخدمها التعلم الآلي للقيام بعمله تشمل:

• المعالجة المسبقة للبيانات وهندسة الميزات. تعتبر المعالجة المسبقة للبيانات وهندسة الميزات من الخطوات الأساسية في التعلم الآلي التي تتضمن تنظيف البيانات الأولية وتحويلها إلى تنسيق مناسب للتحليل. يمكن أن تؤثر بشكل كبير على أداء نموذج التعلم الآلي.
• اختيار النموذج وتقييمه. يعد اختيار النموذج وتقييمه من المكونات الأساسية لعملية التعلم الآلي ، حيث يساعدان في تحديد أفضل نموذج لمشكلة معينة وتقييم أدائها.
• تقنيات التنظيم. تُستخدم تقنيات التنظيم لمنع الإفراط في التركيب وتحسين أداء التعميم لنماذج التعلم الآلي. إنها تتضمن إضافة مصطلح جزائي إلى الوظيفة الموضوعية من أجل الحد من تعقيد النموذج وتحسين نتائج التحليل باستمرار.

كيف يمكنني استخدام ML في التعلم والتطوير؟

نظرًا لقوة التعلم الآلي ، يمكنك استخدامه في عدة عناصر أثناء تصميم أصول التعلم وتطويرها وتقديمها وتنظيمها للقوى العاملة. فيما يلي ثلاث طرق أساسية يمكنك أنت وفريق L&D اعتبارها كنقاط انطلاق لرحلة تعلم ML.

تقييم المهارات

يمكن أن تكون تقييمات المهارة أدوات قوية لأنها يمكن أن تساعد المتعلم على التقييم الذاتي لمجموعة مهاراته وتزويد المؤسسة برؤى حول مجموعة مهارات القوى العاملة ، وكيف يتوافق ذلك مع أهداف أداء العمل. يمكن استخدام التعلم الآلي لتقييم مهارات المتعلمين والتنبؤ بها. يمكن أن يكون مفيدًا لتوجيه أنشطة التعلم والتطوير ، بالإضافة إلى تنظيم محتوى جديد ومسارات تعلم لتشجيع المتعلمين على تبني رحلة التعلم مدى الحياة.

التعلم المخصص

يتم تنظيم التعلم المخصص بشكل فريد لتلبية الاحتياجات والاهتمامات الخاصة للمتعلم. يمكن استخدام التعلم الآلي لتخصيص خبرات التعلم من خلال تكييف المحتوى وتقديمه لتلبية احتياجات المتعلمين الفرديين. يمكن لخوارزميات تعلم الآلة جمع البيانات وتحليلها بناءً على نتائج التقييم التكويني للمتعلم طوال دورة التعلم ، والتقييم التراكمي في نهاية الدورة ، وتنظيم التعلم المخصص في الحال أو في شكل مسارات التعلم.

تحليلات التعلم

تحليلات التعلم هو اتجاه رئيسي سيستمر في النضوج في عام 2023 وما بعده. يمكن أن يوفر بناء قدرة تحليل L & D ذات مصداقية وموثوقة وشفافة العديد من المزايا لكل من فريق L&D الخاص بك ولمؤسستك ككل. يعني جني فوائد تحليلات التعلم أنك ستكون قادرًا على تحديد مؤشرات الأداء الرئيسية التي تركز على المتعلم ، ورعاية التعلم المتمحور حول المتعلم ، وتحسين تخصيص موارد التعلم والتطوير ، والتأثير على الثقافة القائمة على البيانات ، وفي النهاية التأثير على نتائج أداء الأعمال. يمكن تعزيز تحليلات التعلم من خلال التعلم الآلي. يمكن للتعلم الآلي مسح كميات هائلة من البيانات التي تم الحصول عليها من خلال واجهة برمجة التطبيقات والتقييمات والاستطلاعات وطرق جمع البيانات الأخرى التي قد تستخدمها لاكتشاف الأنماط عبر سلوكيات المتعلم واحتياجاته ورغباته. كما أنه يوفر رؤى حول مصداقية أصول التعلم وقابلية الإعجاب والقيمة للمتعلمين ، من بين مؤشرات الأداء الرئيسية الأخرى لأصول التعلم [2].

ما هي قيود ML الأساسية التي يجب أن أكون على دراية بها؟

نظرًا لأن التقنيات الرقمية ، بما في ذلك ML ، تتطور بسرعة وحجم أسيتين ، فستحتاج إلى مراعاة العديد من القيود الهامة المتعلقة باستخدامها ، والتي تتعلق بشكل أساسي بالأخلاق والتحيزات الواعية واللاواعية.

الأخلاق والتحيز

بصفتك قائدًا في مجال التعلم والتطوير ، يجب عليك مناقشة التحيزات المعرفية والأخلاق بشكل واضح وواضح ، وتوضيح كيف ستتعامل مؤسستك مع موقف تسوء فيه أخلاقيات تعلم الآلة. يمكن أن تكشف التحيزات المعرفية المتفوقة عن نقاط عمياء مهمة وتساعدك أنت وفريقك ومؤسستك على اتخاذ قرارات أفضل. كما يقول ريد بلاكمان في مقالته في هارفارد بزنس ريفيو [3] “كيف تتجنب الكوابيس الأخلاقية للتكنولوجيا الناشئة” ، للاستعداد ، يجب أن تفهم التقنيات وأن تتماشى مع المخاطر الأخلاقية. لهذا ، يجب عليك إجراء تحليل للجدوى والفجوة لاستخدامات التعلم الآلي ، وبناء إستراتيجية ، ثم طرحها أولاً بشكل تجريبي ، وتكرارها ، وإطلاقها عبر المؤسسة.

خاتمة

التعلم الآلي هو شكل من أشكال الذكاء الاصطناعي ، إذا تم تسخيره والاستفادة منه بشكل جيد ، بالنظر إلى القيود الأخلاقية والمتحيزة المحتملة ، يمكن أن يكون قويًا جدًا في توسيع وتعميق تأثير برامج التعلم والتطوير في رحلات تعلم القوى العاملة. بصفتك قائدًا للتعلم والتطوير ، فإنك تتحمل مسؤولية فهم تعلم الآلة والقدرة على الإجابة على ثلاثة أسئلة مهمة ، لكنها أساسية ، حول تعلم الآلة: ما سبب أهميتها ، وكيف يمكنك الاستفادة منها في التعلم والتطوير ، وماذا تحتاج إلى كن على علم قبل نشره. ستحتاج بعد ذلك إلى مشاركتها وإشراك فريقك لتوسيع ردودك التنظيمية على هذه الأسئلة الثلاثة وإضافة المزيد للتأكد من أنك تستفيد من هذه التكنولوجيا وغيرها من التقنيات المتطورة بشكل كبير ، من أجل تحسين نتائج تعلم القوى العاملة ونتائج أداء الأعمال التنظيمية.

مراجع:

[1] إنفوجرافيك: ما مقدار البيانات التي يتم إنتاجها كل يوم؟

[2]4 يجب أن يكون لديك KPIs لمنتجات التعليم الإلكتروني

[3] كيفية تجنب الكوابيس الأخلاقية للتكنولوجيا الناشئة