تعريف التعلم العميق

التعلم العميق هو نوع من التعلم الآلي الذي يمكِّن أجهزة الكمبيوتر من معالجة المعلومات بطرق مشابهة لدماغ الإنسان. ويسمى "عميق" لأنه يتضمن طبقات متعددة من الشبكات العصبية التي تساعد النظام على فهم البيانات وتفسيرها. وتسمح هذه التقنية لأجهزة الكمبيوتر بالتعرف على الأنماط وإدارة المهام المعقدة، مثل ترجمة اللغات وقيادة السيارات بشكل ذاتي. وعلى غرار كيفية تعلم البشر من التجربة، تعمل هذه الأنظمة على تحسين مهاراتها ودقتها مع مرور الوقت من خلال تحليل كميات هائلة من البيانات، دون الحاجة إلى إجراء تحديثات يدوية من البشر.

فهم الشبكات العصبية

من النظرية إلى شبكة بيرسيبترون

في الأربعينيات من القرن العشرين، تعاون Warren McCulloch، وهو عالم في الأعصاب، وWalter Pitts، وهو عالم رياضيات، لإنشاء أول مفهوم للشبكة العصبية الاصطناعية. وكان هدفهما هو فهم كيف يمكن للدماغ إنتاج أنماط فكرية معقدة من الاستجابات الثنائية البسيطة للخلايا العصبية. وقدما نموذجًا للخلية العصبية، والذي يعتقدان أنه يمكن أن يحاكي قدرة الدماغ على إجراء حسابات معقدة باستخدام المنطق الثنائي.

وفي نموذج الشبكة العصبية الذي طوره McCulloch وPitts، تعمل المدخلات عمل النبضات الكهربائية التي تتلقاها الخلية العصبية. وإذا كانت بعض المدخلات أكثر أهمية لتحقيق نتيجة معينة، فإن النموذج يبرزها من خلال منحها أهمية أكبر. وعندما تتجاوز هذه المدخلات المرجَّحة مستوى معينًا، يتم تنشيط الخلية العصبية؛ وإن لم تتجاوزه، تبقى خاملة. وقد أتاحت آلية التنشيط والخمول الأساسية هذه للنموذج الخاص بهما إمكانية محاكاة عمليات اتخاذ القرارات البسيطة الشبيهة بالدماغ، وهذا مهد الطريق لتطور التعلم العميق.

وفي عام 1957، مثَّل تقديم جهاز Mark I Perceptron، وهو آلة بحجم غرفة صممها عالم الكمبيوتر وعالم النفس Frank Rosenblatt، أول تطبيق عملي للخلايا العصبية الاصطناعية. وقد استخدم هذا الجهاز الخلايا الضوئية والشبكات العصبية الاصطناعية للتعرف على الصور وتصنيفها، ويدل هذا على مدى فعالية أفكار McCulloch وPitts. ولم تثبت شبكة بيرسيبترون التي استحدثها Rosenblatt أن التعلم الآلي يمكن أن ينجح فحسب، بل إنها مهدت الطريق أيضًا لتطوير تقنيات التعلم العميق الأكثر تطورًا اليوم.

كيف يعمل التعلم العميق؟

يعمل التعلم العميق من خلال استخدام عملية التنبؤ لتحديد الخوارزميات في شبكاتها العصبية التي هي الأكثر نجاحًا في إنتاج المخرجات التي تلبي التوقعات البشرية. ثم تستخدم الشبكات تقنية الانتشار العكسي لتحسين تلك الخوارزميات بحيث يتم تحسين معدل نجاحها. وإليك مثال على ذلك:

تخيل أنك تُعلِّم جهاز كمبيوتر كيفية التعرف على الأنواع المختلفة من الموسيقى. تحلل الشبكة العصبية آلافًا من الملفات الموسيقية، وهو ما يؤدي إلى تدريبها تدريجيًا على ملاحظة سمات مميزة مثل التلحين والنغمات والتسلسلات التآلفية. وعندما تقوم الشبكة العصبية بعملية تنبؤ، مثل تحديد قطعة ما على أنها أغنية بموسيقى الروك، ومن ثم يتم إخبارها ما إذا كان ذلك صوابًا أم لا، فإنها تستخدم طريقة تسمى بالانتشار العكسي لضبط الخوارزمية الخاصة بها.

وهذا يشبه التعلم من الأخطاء. فعلى سبيل المثال، إذا أخطأ الكمبيوتر واعتبر معزوفة السوناتة الكلاسيكية أغنية روك، فإنه يتعلم من هذا الخطأ، ويحسِّن قدرته على التمييز بين الأغاني الكلاسيكية وأغاني الروك في عمليات التنبؤ المستقبلية. ومع مرور الوقت، تمكِّن هذه العملية الشبكة العصبية الاصطناعية من تقديم تنبؤات عالية الدقة، مما يؤدي إلى تحويلها إلى أداة فعالة في كل شيء بدءًا من اقتراح الأفلام بناءً على ما يُعجبك، وصولاً إلى تمكين السيارات ذاتية القيادة من تفسير الإشارات والعلامات الموجودة في الطريق.

نظرة متعمقة على طبقات الشبكة العصبية العميقة

توضح هذه القائمة المكونات الأساسية للشبكة العصبية العميقة والنظام العام الذي تعمل به. ومع ذلك، فإن الخلايا العصبية ودوال التنشيط وتقنيات التنظيم ليست خطوات منفصلة، بل هي عناصر تعمل في الشبكة وفي عملية التعلم بها بالكامل.

1. طبقة الإدخال

طبقة الإدخال هي عبارة عن المدخل إلى الشبكة، حيث تمثل كل خلية عصبية سمة فريدة من نوعها لبيانات المدخلات. وتكمن وظيفتها الأساسية في استقبال البيانات الأولية وتمريرها إلى الطبقات التالية لمزيد من المعالجة.

1. الخلايا العصبية (العُقد)

الخلايا العصبية، أو العُقد، هي وحدات المعالجة الأساسية في الشبكة العصبية. وتتلقى كل خلية عصبية المدخلات، وتعالجها (باستخدام مجموع مرجَّح ثم استخدام دالة تنشيط)، وترسل المخرجات إلى الطبقة التالية.

1. دوال التنشيط

تعمل هذه الدوال مثل مُتّخذي القرار داخل الشبكة العصبية، إذ تساعدها على تحديد ما يجب تعلمه وما يتم تجاهله. فهي تضيف نوعًا من المرونة إلى الشبكة، وهو ما يمكَِّنها من التقاط الأنماط المعقدة وتعلمها. وتشمل دوال التنشيط الشائعة sigmoid، ReLU (وحدة خطية مصححة)، وtanh.

1. الأوزان والتحيزات

الأوزان هي معامَلات داخل الشبكة تحدد تأثير البيانات المدخلة على المخرجات داخل طبقات الشبكة. وإلى جانب الأوزان، تضمن التحيزات أن دوال التنشيط يمكن أن تنتج مخرجات غير صفرية، وهو ما يعزز هذا قدرة الشبكة على التنشيط والتعلم بشكل فعال.

1. الطبقات المُخفَاة

تؤدي الطبقات المُخفَاة، بوجودها بين طبقات الإدخال وطبقات الإخراج، الجزء الأكبر من العمليات الحسابية داخل الشبكة العصبية. ويطلق عليها "مُخفَاة" لأنها على عكس طبقات الإدخال والإخراج، لا تتفاعل مع البيئة الخارجية. وتعتمد درجة تعقيد الشبكة العصبية وقدرتها إلى حد كبير على عدد الطبقات المُخفَاة وبنيتها.

1. طبقة الإخراج

تُعد هذه هي الطبقة الأخيرة في الشبكة العصبية. فهي تقدم النتائج، وتحوِّل المعلومات من الطبقات المُخفَاة إلى صيغة تعالج المهمة المطروحة، مثل التصنيف أو الانحدار أو أي نوع آخر من التنبؤ.

1. دالة الخسارة

تحدد دالة الخسارة أو دالة التكلفة الفرق بين المخرجات المتوقعة والمخرجات الفعلية. ويتمثل الهدف من التدريب في تقليل قيمة هذه الدالة لمساعدة النموذج على تحسين دقته في التنبؤ.

1. خوارزميات التحسين

تعمل هذه الخوارزميات على ضبط النموذج لتحسين دقته مع مرور الوقت. فهي تُدخل تعديلات على الأوزان والتحيزات للحد من الأخطاء أثناء التنبؤات. وتشمل بعض الطرق الشائعة خوارزميات النزول الاشتقاقي العشوائي وAdam وRMSprop.

1. الانتشار العكسي

تُعد هذه الخوارزمية أساسية في التعلم العميق لأنها تساعد النموذج على التعلم والتحسين من أخطائه. فهي تحدد كيف تؤثر التغييرات التي تطرأ على أوزان النموذج على دقته. ثم تُجري تعديلات على هذه الإعدادات من خلال تتبع الأخطاء بشكل عكسي خلال النموذج لجعله أفضل في إجراء التنبؤات.

1. تقنيات التنظيم

غالبًا ما تتعلم النماذج بيانات التدريب بشكل مباشر، ويتسبب هذا في جعل أدائها أضعف عند التعامل مع البيانات الجديدة (يُعرف باسم المطابقة الزائدة). ولضبط ذلك، تُستخدم تقنيات مثل تنظيم L1 وL2 والتسوية الحزمية لضبط حجم الأوزان وتسريع عملية التدريب.

1. التسوية الحزمية

تعمل هذه التقنية على تسوية مدخلات كل طبقة، وتهدف إلى تحسين استقرار الشبكة العصبية وأدائها وسرعتها. وهي تساعد أيضًا في تقليل الحساسية تجاه أوزان البدء الأولية.

1. الإسقاط

يُعد الإسقاط طريقة تنظيم أخرى، وهو يتجاهل عشوائيًا مجموعة من الخلايا العصبية أثناء التدريب. ويساعد هذا على الحد من المطابقة الزائدة عن طريق منع الشبكة من الاعتماد بشكل كبير على أي خلية عصبية واحدة.

التطبيقات الشائعة للتعلم العميق

لقد شهد تدريب الآلة العميق تطورًا كبيرًا منذ ظهور شبكة "بيرسيبترون". فلم يعد الأمر يتطلب وضع أجهزة بحجم غرفة، إذ أصبح بإمكان المؤسسات اليوم إنشاء حلول للتعلم العميق على الشبكة السحابية. وتُعد قدرة الشبكات العصبية العميقة اليوم على التعامل مع مجموعات البيانات المعقدة أدوات قيِّمة في مختلف القطاعات، مما يعمل على فتح آفاق جديدة للابتكار كانت تعتبر ذات يوم سابقة لعصرها.

صناعة السيارات

يتيح التعلم العميق للمركبات تفسير بيانات المستشعرات من أجل التنقل. وهو يحسن أيضًا أنظمة مساعدة السائق، بميزات مثل الكشف عن المخاطر وتجنب التصادم، ويسهم في تصميم المركبات وتصنيعها بشكل أفضل.

عمليات الأعمال

تُعد روبوتات الدردشة التي تعمل بالذكاء الاصطناعي للمحادثات وأدوات المساعد الرقمي الذكي الافتراضي من تطبيقات التعلم العميق الشائعة للأعمال. فهي تعمل على تقليل الخطأ البشري من خلال أتمتة المهام اليدوية وتسريع عملية تحليل البيانات واتخاذ القرارات، وتيسير العثور على المعلومات المخزَّنة عبر الأنظمة المختلفة.

الشؤون المالية

يُستخدم التداول الخوارزمي المدعوم بالتعلم العميق لتحليل بيانات السوق للحصول على الرؤى التنبؤية وتحديد الأنماط المعقدة لتعزيز كشف الاحتيال. ويساعد التعلم العميق أيضًا في إدارة المخاطر وتقييم مخاطر الائتمان وظروف السوق من أجل اتخاذ قرارات أكثر استنارة.

اكتشف المزيد حول تقنية الذكاء الاصطناعي في مجال الماليات

الرعاية الصحية

يمكن لخوارزميات التعلم العميق أن تساعد في تحسين دقة التشخيص واكتشاف الحالات الشاذة مثل الأورام في مراحل مبكرة من خلال صور الأشعة الطبية. وهناك أيضًا فرص لاكتشاف العلاج من خلال التنبؤ بالسلوك الجزيئي، وتسهيل تطوير علاجات جديدة.

التصنيع

تستخدم الصيانة التنبؤية إنترنت الأشياء والتعلم العميق للتنبؤ بأعطال الآلات وتقليل فترات التوقف. ويمكن لأنظمة الفحص البصري المدربة على مجموعات كبيرة من بيانات الصور أن تعزز مراقبة الجودة من خلال تحديد العيوب.

اكتشف المزيد حول تقنية الذكاء الاصطناعي في مجال التصنيع

الإعلام والترفيه

تستخدم صناعة الترفيه تطبيقات التعلم العميق لتشغيل المحتوى الموصى به على منصات البث، ولمساعدة المنشئين على تطوير الصور الواقعية المُنشأة باستخدام الكمبيوتر وتأليف الموسيقى باستخدام الذكاء الاصطناعي التوليدي. كما أنها تحلل تفضيلات المشاهدين، وتساعد المنشئين على تخصيص المحتوى والتنبؤ بالتوجهات المستقبلية.

البيع بالتجزئة

لقد أدى التعلم العميق إلى إحداث ثورة في تجارب عملاء البيع بالتجزئة من خلال توصيات المنتجات المخصصة. وهو يعمل أيضًا على تحسين إدارة المخزون باستخدام التحليلات التنبؤية لتوقع الطلب وتحسين مستويات المخزون.

اكتشف المزيد حول تقنية الذكاء الاصطناعي في مجال البيع بالتجزئة

سلسلة التوريدات

تستخدم العمليات اللوجيستية تدريب الآلة العميق لتحسين جدولة التسليم من خلال تحديد اضطرابات الحركة في الوقت الفعلي. ويعزز التعلم العميق أيضًا دقة توقع الطلب والعرض، مما يتيح إجراء تعديلات استباقية على الاستراتيجية.

مزايا التعلم العميق وتحدياته

على الرغم من أن التعلم العميق له مزايا مذهلة حقًا، فإن تعقيد هذه التقنية يجلب معه تحديات أيضًا. ونظرًا لأن حلول التعلم العميق تتطلب موارد وتخطيطًا كبيرًا، فمن المهم أن تضع المؤسسات أهدافًا محددة بوضوح وأن تتبنى ممارسات الذكاء الاصطناعي المسؤول قبل تصميم هذه التقنية ونشرها.

التعلم العميق مقابل تدريب الآلة مقابل تدريب الآلة مقابل الذكاء الاصطناعي

هناك بعض الفروق الرئيسية بين تدريب الآلة التقليدي والتعلم العميق:

يعتمد تدريب الآلة على البشر لتحديد ميزات أو خصائص البيانات المهمة واختيارها لأداء مهمة ما، مثل الحواف في الصور أو كلمات محددة في النص. وتتطلب عملية التدريب هذه كثيرًا من الخبرة والجهد.

ويمكِّن التعلم العميق الآلات من التحديد التلقائي لسمات البيانات الأكثر أهمية لأداء مهام محددة. ويتم ذلك من خلال معالجة البيانات الأولية، مثل وحدات البكسل في الصورة، خلال عدة طبقات من الشبكة العصبية. وتحوِّل كل طبقة البيانات إلى شكل أكثر تجردًا، وذلك بناءً على مخرجات الطبقة السابقة. ومع تعرض النموذج لمزيد من البيانات، فإنه يحسن من عمليات التحويل هذه لتحسين الدقة والأداء، ليصبح أكثر فعالية بمرور الوقت.

مثال على الذكاء الاصطناعي مقابل التعلم العميق مقابل تدريب الآلة

إذا لم تتبين لك الفروق بين الذكاء الاصطناعي وتدريب الآلة والتعلم العميق، فأنت لست وحدك. وفيما يلي مثال واقعي للذكاء الاصطناعي مقابل التعلم العميق مقابل تدريب الآلة حول المركبات ذاتية القيادة:

الذكاء الاصطناعي هو التقنية الشاملة المستخدَمة لمنح المركبات ذاتية القيادة ذكاء واستقلالية مثل الإنسان، وهو يشمل تدريب الآلة والتعلم العميق.

تدريب الآلة هو النوع الفرعي من الذكاء الاصطناعي الذي يسمح لأنظمة القيادة الذاتية بالتعلم والتحسين من البيانات دون برمجتها بشكل خاص لكل سيناريو.

التعلم العميق هو النوع الفرعي المتخصص لتدريب الآلة الذي يعالج المدخلات المعقدة ويفسرها، بما في ذلك البيانات المرئية من الكاميرات، لفهم البيئة في الوقت الفعلي.

التعلم العميق مقابل نماذج التعلم العميق

من الشائع أيضًا رؤية مصطلحي "التعلم العميق" و"نماذج التعلم العميق" يُستخدمان بالتبادل، لكن هناك فرق دقيق بينهما:

يشير التعلم العميق إلى مجال الدراسة بأكمله، وهو يشمل النظريات والتقنيات والخوارزميات والعمليات المستخدَمة لتدريب الشبكات العصبية الاصطناعية.

تشير نماذج التعلم العميق إلى الشبكات العصبية المحددة التي صُممت ودُربت لحل مشكلة معينة أو أداء مهمة محددة. ويُعد كل نموذج فريدًا من نوعه، ومصممًا خصيصًا لبياناته المحددة وتدريبه ومهمته. ويعتمد أداء النموذج على:

• مدى جودة تدريبه، بما في ذلك جودة البيانات وكميتها، ومعدل تعلمه.
• التصميم والقدرة الحاسوبية للبنية الأساسية للكمبيوتر التي يعمل عليه.

ما هي الشبكات العصبية العميقة؟

تتعلم شبكات التعلم العميق، التي غالبًا ما تُسمى الشبكات العصبية العميقة، أنماطًا معقدة في مجموعات البيانات الكبيرة عن طريق ضبط الروابط العصبية من خلال التدريب. وهناك عديد من الأنواع الرئيسية وهي: الشبكات العصبية الاصطناعية والشبكات العصبية الترشيحية والشبكات العصبية التكرارية والشبكات العصبية التوليدية وشبكات الترميز التلقائي.

أنواع الشبكات العصبية العميقة

متطلبات البنية الأساسية للتعلم العميق

يتطلب التعلم العميق توفر البنية الأساسية للشبكات والحوسبة المتخصصة لمعالجة نماذجه المعقدة ومجموعات البيانات الضخمة. وليس عمليًا تشغيل نماذج التعلم العميق على الشبكات أو أجهزة الكمبيوتر العامة، لذا فإن عديدًا من المؤسسات تعتمد الأنظمة الأساسية للذكاء الاصطناعي للمؤسسات لتلبية المتطلبات اللازمة. وفيما يلي الاعتبارات التي يجب مراعاتها في البنية الأساسية الرئيسية:

توفر وحدات معالجة رسومات عالية الأداء

تُعد وحدات معالجة الرسومات (وحدات GPU) عالية الأداء هي العمود الفقري للبنية الأساسية للتعلم العميق. ولقد صُممت في الأصل لعرض الرسومات في ألعاب الفيديو، لكن قدراتها على المعالجة جعلتها مناسبة تمامًا للتعلم العميق. وإن قدرتها على إجراء عدة عمليات حسابية في وقت واحد تقلل من الوقت اللازم لتدريب النماذج بشكل كبير، وهو ما يجعلها لا غنى عنها للأبحاث والتطبيقات الحديثة في مجال الذكاء الاصطناعي.

توفر حلول التخزين القابلة للتوسيع

كلما زادت البيانات التي يمكن أن يتعلم منها النموذج، كان أداؤه أفضل. وهذا يخلق الحاجة إلى توفر حلول تخزين سريعة وقابلة للتوسيع يمكنها معالجة بيانات بأحجام البيتابايت دون أن يشكل ذلك عوائق في استرجاع البيانات. وتُستخدم محركات الأقراص الصلبة وأنظمة الملفات الموزعة بشكل شائع لتلبية هذه الطلبات، ويوفر هذا إمكانية الوصول إلى البيانات بسرعة عالية تواكب السرعة الحسابية لوحدات معالجة الرسومات.

توفر أطر عمل فعالة لمعالجة البيانات

تعمل أطر العمل والمكتبات مثل TensorFlow وPyTorch وKeras على تبسيط تطوير نماذج التعلم العميق من خلال توفير وظائف مُنشأة مسبقًا، وهذا يقلل من الحاجة إلى البرمجة من البداية. وهذه الأدوات لا تسهم في تسريع عملية التطوير فحسب، ولكن أيضًا في تحسين الكفاءة الحاسوبية للتدريب والاستنتاج، وبهذا تتيح الاستخدام الفعال للأجهزة الأساسية.

توفر الأنظمة الأساسية للحوسبة السحابية

تقوم الأنظمة الأساسية للحوسبة السحابية بدور محوري في جعل التعلم العميق متاحًا على نطاق واسع. فهي توفر إمكانية الوصول إلى موارد الحوسبة عالية الأداء عند الطلب، وهذا يؤدي إلى الاستغناء عن الحاجة إلى ضخ استثمارات كبيرة في الأجهزة المادية. وتقدم الأنظمة الأساسية هذه خدمات مختلفة، ويشمل ذلك توفير نُسخ وحدات معالجة الرسومات (GPU)، والتخزين القابل للتوسيع، وأطر عمل تدريب الآلة، وهذا يسهل على الأفراد والمؤسسات إنشاء نماذج التعلم العميق ونشرها.

توفر البنية الأساسية للشبكة

نظرًا لأن نماذج التعلم العميق تُدرَّب غالبًا عبر وحدات معالجة رسومات (GPU) متعددة، بل وأحيانًا عبر مواقع جغرافية مختلفة، فإن وجود بنية أساسية فعالة للشبكة يُعد أمرًا بالغ الأهمية. ويضمن توفر اتصال بنطاق ترددي عالي إمكانية نقل معامِلات النماذج والبيانات بكفاءة بين العُقد في بيئة التدريب الموزَّع، مما يقلل من التأخيرات ويحسِّن عملية التدريب.

الأسئلة المتكررة