From Data to Insights: The Journey of a Machine Learning Model

عمرك سألت نفسك قبل كده ازاي أنت ممكن تبقي لسه بتفكر في الحاجة او بتتناقش فيها مع حد وفجأة تفتح أي موقع من مواقع السوشيال ميديا وتلاقي الحاجة دي قدامك من غير حتى ما تكون فكرت تسيرش عنها قبل كده!! 

أكيد ده مش سحر - ده ال Machine Learning!! 

في البوست ده، هنعرض رحلة ال Machine Learning Model، من أول جمع البيانات الخام لحد إجراء تنبؤات تقود نظام ال recommendations على مواقع التجارة الإلكترونية.

Step 1: Collecting Data

كل حاجة بتبدأ بالداتا او البيانات.

فكر في الداتا باعتبارها المادة الخام لل Machine Learning Model الخاص بيك، تمامًا زي المكونات لأي اكلة مثلاً.

في بيئة التجارة الإلكترونية، ممكن الداتا دي تتضمن معلومات حول مشتريات العملاء السابقة، والمنتجات اللي تصفحوها، وحتى تقييماتهم أو مراجعاتهم.

على سبيل المثال، لنفترض أنك تُدير متجر كتب أونلاين من خلال الإنترنت.

وبتجمع الداتا حول الكتب اللي بيشتريها الأشخاص، والأنواع الي بيفضلونها، ومدى تكرار تسوقهم، والكتب اللي بيضيفونها لل shop later list.

البيانات دي هي أساس ال recommendation system بتاعك.

 Step 2: Preparing the Data

البيانات الخام دي عاملة زي الخضروات اللي مش متقطعة - قبل ما تقدر تستخدمها، هتحتاج انك تعدها وتنضفها.

تتضمن الخطوة دي إزالة أي بيانات غير صحيحة "wrong values" أو مفقودة "missing values" ، وتنظيمها في تنسيق مُنسق، واختيار المعلومات الأكثر صلة بال model بتاعك.

بالنسبة لمكتبتنا، ممكن ده يكون بيمثل تصفية العملاء اللي زاروا المكتبة مرة واحدة ومشتروش أي شيء، وتنظيم سجلات الشراء حسب التاريخ، والتركيز على المميزات الرئيسية زي مثلاً نوع الكتاب والمؤلف وتكرار الشراء.

Step 3: Training the Model

وده بيمثل قلب العملية:

تدريب ال Machine Learning Model.

 هنا بيتعلم ال model الأنماط او ال patterns من الداتا. 

في المثال بتاعنا، هيحلل ال model كل سجلات الشراء لفهم أنواع الكتب اللي بيفضلها العملاء المختلفين.

وأثناء ال training ده، ممكن يتعلم الmodel أن العملاء اللي بيشتروا مثلاً روايات الغموض بشكل متكرر بيميلوا كمان لشراء كتب الإثارة، أو أن الأشخاص اللي بيشتروا كتب الطبخ غالبًا بيبقوا بيدوروا على إصدارات جديدة في نفس الفئة.

 Step 4: Evaluating the Model

بعد ال training لل model، بنحتاج نعرف مدى أدائه او ال performance بتاعه قد إيه؟ 

وده شبه كده اننا ندوق اكلة قبل ما نقدمها للضيوف - فأنت بتبقي عايز تتأكد ان طعمها حلو ! 

بنختبر ال model على مجموعة منفصلة من الداتا اللي مشافهاش قبل كده ولا اتدرب عليها، عشان نتأكد من انه بيقدم فعلاً تنبؤات دقيقة على داتا هو أول مرة يشوفها.

بالنسبة لمكتبة الكتب، ممكن يتضمن الأختبار ده ما إذا كان ال model قادر على التنبؤ بشكل صحيح بعملية الشراء التالية للعميل بناءً على سلوكه السابق.

 إذا كان ال performance لل model كويس، يبقى كده مبروك عليك ال model جاهز للاستخدام. 

طب لو مكنش كويس يبقى كده انت محتاج تعدله وتدربه مرة كمان من الأول وتزود الداتا المستخدمة في تدريبه أو تعيد تنضيفها من تاني. 

Step 5: Making Predictions

دلوقتي أنت عندك model متدرب واختبرته خلاص واتأكدت من اداؤه، جه الوقت لبدء تقديم التنبؤات او predictions. هنا هيستخدم الmodel اللي اتعلمه عشان يقدر يرشح المنتجات للعملاء. 

على سبيل المثال، لما يزور العميل اللي بيشتري الروايات التاريخية بشكل متكرر مكتبتك، ممكن يقترح الmodel إصدارات جديدة في هذا النوع أو عناوين شهيرة مشتراهاش قبل كده.

وبتظهر ال recommendations دي على الموقع الإلكتروني على هيئة "قد يعجبك أيضًا" أو "العملاء الذين اشتروا هذا اشتروا أيضًا..." الاقتراحات المخصصة دي هي الأفكار اللي بيولدها ال Machine Learning Model، واللي بتهدف لمساعدة العملاء أنهم يلاقوا اللي بيدوروا عليه بسهولة أكبر وممكن تلفت نظر العميل لكتاب مكنش بيفكر يشتريه بس يعجبه لما يظهر قدامه ويقرر ساعتها انه يشتريه.

Step 6: Continuous Learning

مبتنتهيش الرحلة بالمجموعة الأولى من ال predictions.

بيحتاج الmodel للاستمرار في التعلم من الداتا الجديدة عشان يفضل على صلة وال performance بتاعته تزيد أكتر بمرور الوقت.

مع الزيارات الجديدة للعملاء عشان يتسوقوا في مكتبتك، هتوفر أفعالهم داتا جديدة ممكن إرجاعها لل model.

 وال continuous learning ده هيساعد ال model على التحسن بمرور الوقت، وتحسين ال recommendations اللي هيقدمها والتكيف مع تفضيلات العملاء المتغيرة.

A Real-World Example: Netflix Recommendations

مثال من الحقيقة للعملية دي هو نظام ال recommendations بتاع Netflix.

يستخدم Netflix نهجًا مشابه لاقتراح العروض والأفلام للمستخدمين بتوعه. 

فهو بيجمع البيانات حول الحاجات اللي بتشوفها، وازاي بتقيمها، وحتى المدة اللي بتشوفها فيها. 

وبيتم تدريب ال model على الداتا دي وتحديثه باستمرار عشان يمنحك specific recommendations تتناسب مع ذوقك.

عشان كده، في المرة الجاية اللي تسمع فيها عن ال spot-on recommendation، هتعرف الرحلة اللي قطعتها عشان توصل لهناك!!