قرمصيص للأخبار أخبار الذكاء الاصطناعي بالعربي
باختصار
هندسة السمات أو الـ Feature Engineering هي عملية إنك تختار وتصمم أهم الخصائص من البيانات الخام اللي هتساعد النموذج يتعلم بشكل أفضل. يعني بتحوّل البيانات من شكلها الخام لشكل النموذج يقدر يفهمه ويستفيد منه.
بالتفصيل
تخيّل إنك بتقدّم على شغل وعندك سيرة ذاتية طويلة فيها كل حاجة عملتها في حياتك. لو بعتها زي ما هي، مدير التوظيف هيتوه وممكن ميلاقيش المعلومات المهمة. بس لو لخّصتها وركّزت على الخبرات المتعلقة بالوظيفة بالتحديد ورتّبتها صح — ده هندسة سمات. أنت بتختار وتشكّل المعلومات بالطريقة اللي تخلّي “النموذج” (مدير التوظيف) يفهمها ويستفيد منها أحسن.
في عالم الذكاء الاصطناعي، البيانات الخام لوحدها مش دايمًا مفيدة. مثلًا لو عندك تاريخ ميلاد عميل، الرقم ده لوحده مش مفيد قوي. بس لو حوّلته لعمر العميل، أو حدّدت هل هو في فترة الشباب ولا الكهولة، أو حسبت فرق السن بينه وبين متوسط عملاء المنتج — دي كلها features جديدة أنت صمّمتها وهتساعد النموذج يتعلم أحسن.
أنواع هندسة السمات بتشمل:
- تحويل البيانات: زي تحويل التاريخ ليوم في الأسبوع أو شهر في السنة
- دمج بيانات: زي حساب نسبة الدخل للمصاريف من عمودين منفصلين
- ترميز البيانات النصية: تحويل “ذكر/أنثى” لأرقام النموذج يفهمها (Encoding)
- تطبيع البيانات: تخلّي كل الأرقام في نفس النطاق (Normalization)
- إزالة السمات غير المفيدة: لو سمة مش بتأثر في النتيجة، شيلها عشان النموذج ميتلخبطش
قبل انتشار Deep Learning، هندسة السمات كانت من أهم مهارات عالم البيانات — ممكن تفرق بين نموذج ناجح وفاشل. دلوقتي مع النماذج العميقة، النماذج بقت تقدر تكتشف بعض السمات لوحدها (Automatic Feature Learning)، بس هندسة السمات لسه مهمة جدًا خصوصًا مع البيانات المنظّمة (Tabular Data).
مثال عملي
لو بتبني نموذج يتنبأ بأسعار الشقق في القاهرة، البيانات الخام ممكن تكون العنوان ومساحة الشقة وعدد الغرف. بس لو عملت هندسة سمات صح، تقدر تضيف: المسافة من أقرب محطة مترو، متوسط سعر المتر في المنطقة، عمر العمارة، والدور. السمات الجديدة دي بتخلّي النموذج يفهم السوق أحسن بكتير ويدّي تنبؤات أدق.
