تركز أساليب التعزيز على الجمع بشكل متكرر بين نماذج التعلم الضعيفة لبناء نموذج تعلم قوي يمكنه التنبؤ بالنتائج بدقة أكبر. كتذكير، يستطيع نموذج التعلم الضعيف تصنيف البيانات بشكل أفضل قليلاً من التخمين العشوائي. حيث يوفر هذا النهج نتائج قوية لمشاكل التنبؤ، بل يمكنه التفوق على الشبكات العصبية وآلات دعم المتجهات لمهام مثل استرجاع الصور (يوجد الرابط خارج ibm.com).  

تختلف خوارزميات التعزيز في كيفية إنشاء وتجميع نماذج التعلم الضعيفة أثناء العملية التسلسلية. وهناك ثلاثة أنواع شائعة من طرق التعزيز، منها ما يلي: 

• التعزيز التكيّفي أو AdaBoost: يعود الفضل في إنشاء خوارزمية AdaBoost إلى علماء الحاسوب Yoav Freund و Robert Schapire. وتعمل هذه الطريقة بشكل تكراري، حيث تحدد نقاط البيانات المصنَّفة تصنيفًا غير صحيح وتعدِّل أوزانها الترجيحية لتقليل خطأ التدريب. ثم يستمر النموذج في التحسين بطريقة تسلسلية حتى ينتج لنا أقوى متغير توقع.  
• التعزيز التدريجي:إكمالاً لأعمال عالِم الإحصاء Leo Breiman، قام أستاذ الإحصاء Jerome H. Friedman بتطوير التعزيز التدريجي، والذي يعمل عن طريق إضافة متغير توقعين بشكل تسلسلي إلى مجموعة مع تصحيح كل منهما لأخطاء سابقه. ومع ذلك، بدلاً من تغيير الأوزان الترجيحية لنقاط البيانات مثل AdaBoost، نجد أن التعزيز التدريجي يدرِّب على الأخطاء المتبقية من متغير التوقع السابق. يتم استخدام الاسم، تعزيز التدرج، لأنه يجمع بين خوارزمية النزول الاشتقاقي وطريقة التعزيز.  
• التعزيز التدرجي الشديد أو XGBoost:  يعد XGBoost تنفيذًا للتعزيز التدرجي المصمم لتحقيق السرعة الحوسبية وقابلية التوسع. يستفيد XGBoost من الأنوية العديدة في وحدة المعالجة المركزية، مما يسمح بحدوث التعلم بالتوازي أثناء التدريب.  

مزايا وعقبات التعزيز

هناك عدد من المزايا والعقبات الرئيسية لطريقة التعزيز عند استخدامها في حل مشاكل التصنيف أو الانحدار. 

فيما يلي بعض مزايا التعزيز:  

• سهولة التنفيذ:يمكن استخدام التعزيز مع العديد من خيارات ضبط المعلمات الفائقة لتحسين التخصيص. حيث لا حاجة إلى معالجة مسبقة للبيانات، كما أن الخوارزميات المعزَّزة تحتوي على إجراءات مضمنة للتعامل مع البيانات المفقودة. في Python، تتوفر مكتبة scikit-learn الخاصة بأساليب المجموعة (تُعرف أيضًا باسم sklearn.ensemble) والتي تجعل من السهل تنفيذ طرق التعزيز الشائعة، وتشمل AdaBoost وXGBoost ونحوهما.  
• تقليل التحيز: تعمل خوارزميات التعزيز على الجمع بين العديد من نماذج التعلم الضعيفة بطريقة متسلسلة، مما يؤدي إلى تحسين الملاحظات بشكل متكرر. وهذا النهج يساعد على تقليل التحيز العالي، الذي يظهر بشكل شائع في أشجار القرار الضحلة ونماذج الانحدار اللوجستي. 
• الكفاءة الحاسوبية:لأن خوارزميات التعزيز تختار فقط الميزات التي تزيد من قوتها التنبؤية أثناء التدريب، فإن التعزيز يساعد على تقليل الأبعاد بالإضافة إلى زيادة الكفاءة الحاسوبية.  

فيما يلي بعض التحديات الرئيسية التي تواجه التعزيز:  

•  فرط التخصيص: هناك بعض الخلاف في البحث (يوجد الرابط خارج موقع ibm.com) حول إذا ما كان التعزيز قادرًا على أن يساعد على تقليل فرط التخصيص أو تفاقمه أم لا. وسوف ندرج هذا ضمن التحديات لأنه في الحالات التي يحدث فيها، لا يمكن تعميم التنبؤات على مجموعات البيانات الجديدة.  
•  الحوسبة المكثفة:من الصعب توسيع نطاق التدريب المتسلسل في التعزيز. ولأن كل مقدِّر مبني على سابقاته، فقد تكون نماذج التعزيز مكلفة من الناحية الحاسوبية، رغم أن XGBoost تسعى إلى معالجة مشكلات قابلية التوسع التي تظهر في أنواع أخرى من طرق التعزيز. وقد تكون خوارزميات التعزيز أبطأ في التدريب مقارنة بالتعبئة حيث يمكن لعدد كبير من المعلمات أيضًا التأثير على سلوك النموذج. 

تعتبر خوارزميات التعزيز مناسبة تمامًا لمشاريع الذكاء الاصطناعي في مجموعة كبيرة من الصناعات، تشمل ما يلي:  

• الرعاية الصحية: يتم استخدام التعزيز لتقليل الأخطاء في تنبؤات البيانات الطبية، كالتنبؤ مثلاً بعوامل خطر أمراض القلب والأوعية الدموية ومعدلات بقاء مرضى السرطان على قيد الحياة. على سبيل المثال، أظهر البحث (الرابط موجود خارج موقع ibm.com) أن طرق التجميع تعمل على تحسين الدقة بشكل كبير في تحديد المرضى الذين قد يستفيدون من العلاج الوقائي لأمراض القلب والأوعية الدموية، مع تجنب العلاج غير الضروري للآخرين. وبالمثل، وجدت دراسة أخرى (الرابط موجود خارج موقع ibm.com) أن تطبيق التعزيز على منصات علم الجينوم المتعددة يمكن أن يحسِّن التنبؤ بمدة بقاء مرضى السرطان على قيد الحياة. 

• تكنولوجيا المعلومات: تُستخدم أشجار الانحدار التدريجي المعزَّزة في محركات البحث لترتيب الصفحات، بينما تُستخدم خوارزمية التعزيز فيولا-جونز لاسترجاع الصور. كما ذكر Cornell (يوجد الرابط خارج ibm.com)، تسمح التصنيفات المعززة بإيقاف العمليات الحاسوبية في وقت أقرب عندما يكون من الواضح الاتجاه الذي يتجه إليه التنبؤ. وهذا يعني أن محرك البحث يمكنه إيقاف تقييم الصفحات ذات التصنيف الأدنى، في حين أن ماسحات الصور الضوئية سوف تنظر فقط في الصور التي تحتوي بالفعل على الكائن المطلوب.   

• التمويل:يتم استخدام التعزيز مع نماذج التعلم العميق لأتمتة المهام الحساسة، كاكتشاف الاحتيال وتحليل الأسعار وغير ذلك الكثير. على سبيل المثال، تعمل طرق التعزيز المستخدمة في اكتشاف الاحتيال في بطاقات الائتمان وتحليل أسعار المنتجات المالية (يوجد الرابط خارج موقع ibm.com) على تحسين دقة تحليل مجموعات البيانات الضخمة لتقليل الخسائر المالية لأدنى حد ممكن.