برنامج تعليمي للتعلم العميق للمبتدئين: أساسيات الشبكة العصبية
فريق التحرير
⚡ ملخص ذكي
التعلم العميق هو فرع من فروع التعلم الآلي مبني على الشبكات العصبية الاصطناعية التي تتراكم فيها العديد من الطبقات المخفية، بحيث تتعلم كل طبقة ميزة أغنى من البيانات مقارنة بالطبقة التي تسبقها.
ما هو التعلم العميق؟
التعلم العميق هو برنامج حاسوبي يحاكي شبكة الخلايا العصبية في الدماغ. وهو فرع من فروع آلة التعلم يعتمد هذا النوع من التعلم على الشبكات العصبية الاصطناعية مع تعلم التمثيل. ويُطلق عليه اسم التعلم العميق لأنه يستخدم الشبكات العصبية العميقة. ويمكن لهذا التعلم أن يكون أشرفشبه خاضعة للإشراف أو غير خاضعة للرقابة.
تُبنى خوارزميات التعلم العميق باستخدام طبقات متصلة، كما يوضح الرسم البياني أدناه.
- الطبقة الأولى تسمى طبقة الإدخال
- الطبقة الأخيرة تسمى طبقة الإخراج
- تُسمى جميع الطبقات الواقعة بينهما بالطبقات المخفية. أما كلمة "عميق" فتعني أن الشبكة تربط الخلايا العصبية عبر أكثر من طبقتين.
تتكون كل طبقة مخفية من خلايا عصبية. وترتبط هذه الخلايا ببعضها البعض. تعالج كل خلية عصبية الإشارة المدخلة التي تتلقاها، ثم تنقل النتيجة إلى الطبقة التي تعلوها. وتعتمد قوة الإشارة التي تُمرر إلى خلية عصبية في الطبقة التالية على الوزن والانحياز ودالة التنشيط.
تستهلك الشبكة كميات كبيرة من بيانات الإدخال وتعمل عليها من خلال طبقات متعددة، بحيث يمكن للشبكة أن تتعلم ميزات البيانات المعقدة بشكل متزايد في كل طبقة.
عملية التعلم العميق
توفر الشبكات العصبية العميقة دقة فائقة في العديد من المهام، بدءًا من اكتشاف الأجسام وصولًا إلى التعرف على الكلام. وتستطيع هذه الشبكات التعلم تلقائيًا، دون الحاجة إلى معرفة مسبقة مُبرمجة بشكل صريح. عمليًا، يمر مشروع التعلم العميق بخمس مراحل:
- فهم المشكلة
- حدد البيانات
- اختر خوارزمية التعلم العميق
- درب النموذج
- اختبر النموذج
لفهم فكرة التعلم العميق، تخيل عائلةً فيها طفل رضيع ووالدان. يشير الطفل الصغير إلى الأشياء بإصبعه الصغير ويقول دائمًا كلمة "قطة". ولأن والديه قلقان على تعليمه، فإنهما يكرران له "نعم، هذه قطة" أو "لا، هذه ليست قطة". يستمر الرضيع في الإشارة إلى الأشياء، لكنه يصبح أكثر دقة في نطق كلمة "قطط". في قرارة نفسه، لا يعرف الطفل الصغير لماذا يستطيع أن يقول إنها قطة أو لا. لقد تعلم ببساطة تنظيم السمات التي تُكوّن القطة في تسلسل هرمي، ينظر إلى الحيوان الأليف بشكل عام، ثم يركز على تفاصيل مثل الذيل أو الأنف قبل أن يُقرر.
تعمل الشبكة العصبية بطريقة مشابهة إلى حد كبير. تمثل كل طبقة مستوى أعمق من المعرفة، أي تسلسلاً هرمياً للمعرفة. ستتعلم الشبكة العصبية ذات الأربع طبقات خصائص أكثر تعقيداً من تلك ذات الطبقتين.
ويتم التعلم على مرحلتين:
- الطور الأول: تطبيق تحويل غير خطي للمدخلات وإنشاء نموذج إحصائي كمخرجات.
- المرحلة الثانية: تحسين النموذج باستخدام طريقة رياضية تعتمد على المشتقات، وهذا هو السبيل انتشار عكسي يقوم بضبط الأوزان.
تكرر الشبكة العصبية هاتين المرحلتين مئات إلى آلاف المرات حتى تصل إلى مستوى مقبول من الدقة. وتُسمى كل عملية تكرار للمرحلتين دورة.
لإعطاء مثال على التعلم العميق، انظر إلى الرسوم المتحركة أدناه، حيث يحاول النموذج تعلم الرقص. بعد 10 دقائق من التدريب، لا يعرف النموذج كيف يرقص، ويبدو ناتجه أشبه بخربشة.
بعد 48 ساعة من التعلم، يتقن الكمبيوتر فن الرقص، كما يظهر في الرسوم المتحركة الثانية.
تصنيف الشبكات العصبية
يتم أولاً تجميع الشبكات حسب عدد الطبقات المخفية.
شبكة عصبية سطحية: تحتوي الشبكة العصبية الضحلة على طبقة مخفية واحدة فقط بين المدخلات والمخرجات.
الشبكة العصبية العميقة: تحتوي الشبكات العصبية العميقة على أكثر من طبقة مخفية واحدة. على سبيل المثال، يحتوي نموذج GoogLeNet للتعرف على الصور على 22 طبقة.
اليوم، يظهر التعلم العميق في السيارات ذاتية القيادة والهواتف المحمولة، Google محرك البحث، وكشف الاحتيال، والتلفزيون.
أنواع شبكات التعلم العميق
أصبحت العديد من البنى معيارية، وتتشكل كل منها وفقًا لنوع البيانات التي تتعامل معها. يوضح الرسم البياني أدناه، الذي نشره معهد أسيموف، هذه العائلة الأوسع.
الشبكات العصبية ذات التغذية الأمامية
هذا هو أبسط أنواع الشبكات العصبية الاصطناعية. في هذا النوع من البنية، تتدفق المعلومات في اتجاه واحد فقط، للأمام. أي أن تدفق المعلومات يبدأ من طبقة الإدخال، وينتقل إلى الطبقات "المخفية"، وينتهي عند طبقة الإخراج. لا تحتوي الشبكة على حلقات، وتتوقف المعلومات عند طبقة الإخراج.
الشبكات العصبية المتكررة (RNNs)
An RNN هي شبكة عصبية متعددة الطبقات قادرة على تخزين المعلومات في عقد السياق، مما يسمح لها بتعلم تسلسلات البيانات وإخراج رقم أو تسلسل آخر. بعبارة أخرى، هي شبكة عصبية اصطناعية تتضمن روابطها بين الخلايا العصبية حلقات. تُعدّ الشبكات العصبية المتكررة (RNNs) مناسبة تمامًا لمعالجة تسلسلات المدخلات، لأن المخرجات تُعاد إلى الشبكة كذاكرة.
على سبيل المثال، إذا كانت المهمة هي التنبؤ بالكلمة التالية في جملة "هل تريد ...؟"، فإن الشبكة تعمل على النحو التالي:
- تستقبل الخلايا العصبية في الشبكة العصبية المتكررة إشارة تشير إلى بداية الجملة.
- تستقبل الشبكة كلمة "افعل" كمدخل، وتُنتج متجهًا من الأرقام. يُعاد هذا المتجه إلى العصبون لتوفير ذاكرة للشبكة. تُساعد هذه المرحلة الشبكة على تذكر أنها استقبلت كلمة "افعل"، وأنها استقبلتها في الموضع الأول.
- تتابع الشبكة عملها بشكل مشابه مع الكلمات التالية. فهي تأخذ كلمة "أنت" ثم كلمة "أريد". ويتم تحديث حالة الخلايا العصبية عند استقبال كل كلمة.
- تحدث المرحلة الأخيرة بعد استقبال الكلمة "a". تُحدد الشبكة العصبية احتمالية كل كلمة إنجليزية يُمكن أن تُكمل الجملة. من المرجح أن تُخصص شبكة عصبية متكررة مُدربة جيدًا احتمالية عالية لكلمات مثل "café" و"drink" و"burger" وما شابهها.
الاستخدامات الشائعة لـ RNN
- مساعدة تجار الأوراق المالية على إنشاء تقارير تحليلية
- الكشف عن المخالفات في البيانات المالية
- كشف عمليات الاحتيال في بطاقات الائتمان
- توفير تسمية توضيحية للصور
- الطاقة chatbots
- تحدث الاستخدامات القياسية للشبكات العصبية المتكررة عندما يعمل الممارسون مع بيانات السلاسل الزمنية أو التسلسلات، على سبيل المثال التسجيلات الصوتية أو النصوص.
الشبكات العصبية التلافيفية (CNN)
A سي ان ان هي شبكة عصبية متعددة الطبقات ذات بنية فريدة مصممة لـtracتعتمد الشبكات العصبية التلافيفية على خصائص البيانات المتزايدة التعقيد في كل طبقة لتحديد المخرجات. وهي مناسبة تمامًا للمهام الإدراكية.
تُستخدم الشبكات العصبية التلافيفية (CNN) في الغالب عند وجود مجموعة بيانات غير منظمة، مثل الصور، ويحتاج الممارسون إلى توسيع نطاقها.tract معلومات منه.
على سبيل المثال، إذا كانت المهمة هي التنبؤ بالتسمية التوضيحية للصورة:
- تستقبل الشبكة العصبية التلافيفية صورة، لنقل، لقطة. من الناحية الحاسوبية، هذه الصورة عبارة عن مجموعة من البكسلات، عادةً طبقة واحدة للصورة الرمادية وثلاث طبقات للصورة الملونة.
- خلال مرحلة تعلم الميزات، أي الطبقات المخفية، تحدد الشبكة ميزات فريدة، على سبيل المثال ذيل القطة أو الأذن.
- بمجرد أن تتعلم الشبكة كيفية التعرف على الصورة بشكل كامل، يمكنها تقديم احتمال لكل فئة من فئات الصور التي تعرفها. ويصبح التصنيف ذو الاحتمال الأعلى هو تنبؤ الشبكة.
تعزيز التعلم
تعزيز التعلم هو فرع من فروع التعلم الآلي، حيث تُدرَّب الأنظمة من خلال تلقي "مكافآت" أو "عقوبات" افتراضية، أي أنها تتعلم بالتجربة والخطأ. وهو نموذج تعليمي وليس بنية شبكية، لكن خوارزمياته الحديثة مبنية على الشبكات العميقة. Googleاستخدمت شركة DeepMind التابعة لمجموعة DeepMind تقنية التعلم المعزز للتغلب على بطل بشري في لعبة غو. كما يُستخدم التعلم المعزز في ألعاب الفيديو لتحسين تجربة اللعب من خلال توفير روبوتات أكثر ذكاءً.
من أشهر الخوارزميات ما يلي:
- س-التعلم
- شبكة ديب كيو
- الدولة - العمل - المكافأة - الدولة - العمل (SARSA)
- التدرج العميق للسياسة الحتمية (DDPG)
يلخص الجدول أدناه متى يكون كل تصميم معماري مناسبًا.
| معمار | البيانات التي تناسبها | السمة المميزة | مهمة نموذجية |
|---|---|---|---|
| تغذية إلى الأمام | مدخلات جدولية ذات طول ثابت | لا توجد حلقات؛ المعلومات تتحرك للأمام فقط | التسجيل والتصنيف البسيط |
| الشبكات العصبية المتكررة (RNN) | التسلسلات والسلاسل الزمنية | توفر عقد السياق الذاكرة | التنبؤ بالنصوص، والصوت، والتوقعات |
| الشبكات العصبية الالتفافية (CNN) | بيانات غير منظمة تشبه الشبكة | مثال على الالتفاف والتجميعtracميزات t | تصنيف الصور وكتابة التعليقات عليها |
| تعزيز التعلم | بيئة، وليست مجموعة بيانات | يتعلم من المكافآت والعقوبات | وكلاء الألعاب، والروبوتات، والتحكم |
أمثلة على تطبيقات التعلم العميق
هذه البنى المعمارية قيد الإنتاج بالفعل في قطاعات صناعية مختلفة تماماً:
الذكاء الاصطناعي في التمويل
بدأ قطاع التكنولوجيا المالية بالفعل في استخدام الذكاء الاصطناعي لتوفير الوقت وخفض التكاليف وإضافة قيمة. ويُحدث التعلم العميق تغييرًا جذريًا في صناعة الإقراض من خلال تحسين تقييم الجدارة الائتمانية. ويمكن لصناع القرار الائتماني استخدام الذكاء الاصطناعي في طلبات الإقراض لتحقيق تقييم أسرع وأكثر دقة للمخاطر، وذلك بالاعتماد على الذكاء الاصطناعي لمراعاة شخصية المتقدمين وقدراتهم.
شركة Underwrite هي شركة تكنولوجيا مالية تقدم حلولاً تعتمد على الذكاء الاصطناعي لصناع القرار الائتماني. يستخدم موقع underwrite.ai الذكاء الاصطناعي لتحديد أي من المتقدمين للقروض هو الأكثر احتمالاً لسداد القرض، وهو نهج تقول الشركة إنه يتفوق على بطاقات التقييم التقليدية.
الذكاء الاصطناعي في الموارد البشرية
شركة أندر آرمور، وهي شركة ملابس رياضية، revolutأحدثت شركة أندر آرمور ثورة في التوظيف وطورت تجربة المرشحين بمساعدة الذكاء الاصطناعي. واجهت الشركة إقبالاً هائلاً في عام 2012، حيث كانت تتلقى في المتوسط أكثر من 30,000 طلب توظيف شهرياً. كانت عملية قراءة كل هذه الطلبات، ثم البدء في فرزها وإجراء المقابلات، تستغرق وقتاً طويلاً للغاية. أثرت هذه العملية المطولة لتوظيف وتدريب الموظفين على قدرة أندر آرمور على تشغيل متاجرها بكامل طاقتها وتجهيزها للعمل.
في ذلك الوقت، كانت شركة أندر آرمور تمتلك جميع تقنيات الموارد البشرية "الضرورية"، مثل الحلول العملية لتحديد مصادر التوظيف والتقديم، tracلم تكن أدوات التوظيف والتدريب كافية وحدها. اختارت شركة أندر آرمور منصة HireVue، المزودة لحلول الموارد البشرية القائمة على الذكاء الاصطناعي، لإجراء المقابلات الفورية والمباشرة. وكانت النتائج مذهلة: فقد أفادت الشركة بتقليص وقت التوظيف بنسبة 35% مع رفع مستوى جودة الموظفين الذين تم توظيفهم.
منظمة العفو الدولية في التسويق
يُعدّ الذكاء الاصطناعي أداة قيّمة لإدارة خدمة العملاء وتخصيصها. وبفضل تطبيق تقنيات الذكاء الاصطناعي، يُتيح تحسين التعرّف على الكلام في إدارة مراكز الاتصال وتوجيه المكالمات تجربة أكثر سلاسة للعملاء.
على سبيل المثال، يُمكّن تحليل الصوت باستخدام التعلم العميق الأنظمة من تقييم الحالة العاطفية للعميل. فإذا كان رد فعل العميل غير مناسب لروبوت الدردشة المدعوم بالذكاء الاصطناعي، يُمكن للنظام تحويل المحادثة إلى موظف خدمة عملاء بشري حقيقي يتولى الأمر.
وبصرف النظر عن الأمثلة الثلاثة للتعلم العميق المذكورة أعلاه، يتم استخدام الذكاء الاصطناعي على نطاق واسع في قطاعات وصناعات أخرى.
ما أهمية التعلم العميق؟
يُعدّ التعلّم العميق أداةً فعّالة لتحويل التنبؤات إلى نتائج قابلة للتنفيذ. ويتفوّق التعلّم العميق في اكتشاف الأنماط والتنبؤ القائم على المعرفة. البيانات الكبيرة يُعدّ هذا الوقود أساس التعلّم العميق. وعندما يجتمعان، تستطيع المؤسسة تحقيق نتائج في الإنتاجية والمبيعات والإدارة والابتكار كانت في السابق بعيدة المنال.
يمكن للتعلم العميق أن يتفوق على الأساليب التقليدية. ففي مسائل الإدراك على وجه الخصوص، تتصدر الشبكات العميقة الأداء منذ سنوات: إذ تهيمن البنى العميقة على تصنيف الصور، والتعرف على الكلام، والتعرف على الوجوه، حيث تصل دقة نماذج التعرف على الوجوه إلى ما يقارب 99% وفقًا للمعايير العامة القياسية. ويعود هذا التفوق إلى قدرة الشبكة على تعلم خصائصها الخاصة بدلًا من الاعتماد على خصائص مصممة يدويًا.
حدود التعلم العميق
تأتي هذه النتائج بتكاليف حقيقية.
وسم البيانات
تُدرَّب معظم نماذج الذكاء الاصطناعي الحالية من خلال التعلم الخاضع للإشراف. وهذا يعني أن على البشر تصنيف البيانات الأساسية ووضع علامات عليها، وهو ما قد يكون مهمة شاقة وعرضة للأخطاء. على سبيل المثال، تقوم الشركات بتطوير...ping تستعين تقنيات السيارات ذاتية القيادة بمئات الأشخاص لتصنيف ساعات من مقاطع الفيديو من المركبات النموذجية يدويًا من أجل تدريب هذه الأنظمة.
الحصول على مجموعات بيانات تدريب ضخمة
لقد ثبت أن تقنيات التعلم العميق، مثل الشبكات العصبية التلافيفية، قادرة في بعض الحالات على محاكاة معارف الخبراء في الطب ومجالات أخرى. إلا أن هذه الموجة من التعلم الآلي تتطلب مجموعات بيانات تدريبية ليست مصنفة فحسب، بل واسعة النطاق وشاملة أيضاً.
تتطلب أساليب التعلم العميق آلاف الملاحظات حتى تصبح النماذج جيدة نسبيًا في مهام التصنيف، وفي بعض الحالات ملايين الملاحظات لتضاهي أداء البشر. وليس من المستغرب أن يكون التعلم العميق شائعًا في شركات التكنولوجيا العملاقة، التي تستخدم البيانات الضخمة لتجميع بيتابايتات من الأمثلة. يُمكّنها هذا الحجم الهائل من إنشاء نماذج تعلم عميق مذهلة وعالية الدقة.
اشرح مشكلة
قد يصعب شرح النماذج الكبيرة والمعقدة بلغة بشرية، على سبيل المثال، لماذا تم اتخاذ قرار معين. وهذا أحد أسباب قبول بعض النماذج. الذكاء الاصطناعي تكون الأدوات بطيئة في مجالات التطبيق التي تكون فيها قابلية التفسير مفيدة أو مطلوبة بالفعل.
علاوة على ذلك، مع توسع تطبيق الذكاء الاصطناعي، يمكن أن تؤدي المتطلبات التنظيمية أيضًا إلى زيادة الحاجة إلى نماذج ذكاء اصطناعي أكثر قابلية للتفسير.
