ما هو التعلم العميق؟

التعلم العميق هو مجموعة فرعية معينة من التعلم الالي (ميكانيكا الذكاء الاصطناعي). في حين أن هذا الفرع من البرمجة يمكن أن يصبح معقدًا للغاية، فقد بدأ بسؤال بسيط للغاية: "إذا أردنا أن يتصرف نظام الكمبيوتر بذكاء، فلماذا لا نصممه وفقًا للعقل البشري؟"

وقد ولدت هذه الفكرة العديد من الجهود في العقود الماضية لإنشاء خوارزميات تحاكي الطريقة التي يعمل بها الدماغ البشري، والتي يمكن أن تحل المشاكل بالطريقة التي يفعلها البشر. وقد أسفرت هذه الجهود عن أدوات تحليلية ذات قيمة وكفاءة متزايدة تُستخدم في العديد من المجالات المختلفة.

الشبكة العصبية وكيفية استخدامها

تعلم عميق حصل على اسمه من كيفية استخدامه لتحليل البيانات "غير المنظمة"، أو البيانات التي لم يتم تصنيفها مسبقًا بواسطة مصدر آخر وقد تحتاج إلى تعريف. ويتطلب ذلك تحليلًا دقيقًا لماهية البيانات، واختبارات متكررة لتلك البيانات للوصول إلى نتيجة نهائية قابلة للاستخدام. أجهزة الكمبيوتر ليست جيدة تقليديًا في تحليل البيانات غير المنظمة مثل هذه.

فكر في الأمر من حيث الكتابة: إذا كان لديك عشرة أشخاص يكتبون نفس الكلمة، فستبدو هذه الكلمة مختلفة تمامًا من كل شخص، من غير متقن إلى أنيق، ومن مخطوطة إلى مطبوعة. ليس لدى العقل البشري مشكلة في فهم أن الكلمة كلها هي نفس الكلمة، لأنه يعرف كيف تعمل الكلمات والكتابة والورق والحبر والمراوغات الشخصية. ومع ذلك، فإن نظام الكمبيوتر العادي لن يكون لديه أي وسيلة لمعرفة أن هذه الكلمات هي نفسها، لأنها تبدو مختلفة تمامًا.

وهذا يقودنا إلى عبر الشبكات العصبية، الخوارزميات التي تم إنشاؤها خصيصًا لتقليد الطريقة التي تتفاعل بها الخلايا العصبية في الدماغ. تحاول الشبكات العصبية تحليل البيانات بالطريقة التي يستطيع بها العقل: هدفها هو التعامل مع البيانات الفوضوية – مثل الكتابة – واستخلاص استنتاجات مفيدة، مثل الكلمات التي تحاول الكتابة إظهارها. من الأسهل أن نفهم الشبكات العصبية إذا قسمناها إلى ثلاثة أجزاء مهمة:

طبقة الإدخال: في طبقة الإدخال، تمتص الشبكة العصبية جميع البيانات غير المصنفة التي يتم تقديمها لها. وهذا يعني تقسيم المعلومات إلى أرقام وتحويلها إلى أجزاء من بيانات نعم أو لا، أو "خلايا عصبية". إذا أردت تعليم الشبكة العصبية التعرف على الكلمات، فستكون طبقة الإدخال رياضية تحديد شكل كل حرف، وتقسيمه إلى لغة رقمية حتى تتمكن الشبكة من البدء عمل. يمكن أن تكون طبقة الإدخال بسيطة جدًا أو معقدة بشكل لا يصدق، اعتمادًا على مدى سهولة تمثيل شيء ما رياضيًا.

الطبقات الخفية: توجد في مركز الشبكة العصبية طبقات مخفية — في أي مكان من طبقة واحدة إلى عدة طبقات. تتكون هذه الطبقات من خلايا عصبية رقمية خاصة بها، والتي تم تصميمها للتنشيط أو عدم التنشيط بناءً على طبقة الخلايا العصبية التي تسبقها. الخلية العصبية الواحدة هي عبارة عن "إذا كان هذا، فهذا إذن".“ نموذجًا، لكن الطبقات تتكون من سلاسل طويلة من الخلايا العصبية، والعديد من الطبقات المختلفة يمكن أن تؤثر على بعضها البعض، مما يؤدي إلى نتائج معقدة للغاية. الهدف هو السماح للشبكة العصبية بالتعرف على العديد من الميزات المختلفة ودمجها في إدراك واحد، مثل الطفل تعلم كيفية التعرف على كل حرف ثم تشكيلها معًا للتعرف على كلمة كاملة، حتى لو كانت تلك الكلمة مكتوبة قليلاً قذرة.

الطبقات المخفية هي أيضًا المكان الذي يجري فيه الكثير من التدريب على التعلم العميق. على سبيل المثال، إذا فشلت الخوارزمية في التعرف على كلمة ما بدقة، يرسل المبرمجون رسالة "عذرًا، هذا غير صحيح"، وستقوم الخوارزمية بضبط كيفية وزن البيانات حتى تجد ما هو صحيح إجابات. تكرار هذه العملية (يمكن للمبرمجين أيضًا ضبط الأوزان يدويًا) يسمح للشبكة العصبية ببناء طبقات مخفية قوية ماهر في البحث عن الإجابات الصحيحة من خلال الكثير من التجارب والخطأ بالإضافة إلى بعض التعليمات الخارجية - مرة أخرى، يشبه إلى حد كبير كيفية عمل الدماغ البشري يعمل. كما تظهر الصورة أعلاه، يمكن أن تصبح الطبقات المخفية معقدة للغاية!

طبقة الإخراج: تحتوي طبقة الإخراج على عدد قليل نسبيًا من "الخلايا العصبية" لأنها المكان الذي يتم فيه اتخاذ القرارات النهائية. هنا تطبق الشبكة العصبية التحليل النهائي، وتستقر على تعريفات البيانات، وتستخلص الاستنتاجات المبرمجة بناءً على تلك التعريفات. على سبيل المثال، "ما يكفي من سطور البيانات للقول أن هذه الكلمة هي بحيرة، لا خط". وفي نهاية المطاف، يتم تضييق جميع البيانات التي تمر عبر الشبكة إلى خلايا عصبية محددة في طبقة الإخراج. وبما أن هذا هو المكان الذي تتحقق فيه الأهداف، فغالبًا ما يكون أحد الأجزاء الأولى من الشبكة التي يتم إنشاؤها.

التطبيقات

إذا كنت تستخدم التكنولوجيا الحديثة، فمن المحتمل جدًا أن تعمل خوارزميات التعلم العميق من حولك كل يوم. كيف تفكر اليكسا أو مساعد جوجل فهم أوامرك الصوتية؟ يستخدمون الشبكات العصبية التي تم بناؤها لفهم الكلام. كيف يعرف Google ما تبحث عنه قبل الانتهاء من الكتابة؟ مزيد من التعلم العميق في العمل. كيف تتجاهل كاميرا الأمان الخاصة بك الحيوانات الأليفة ولكنها تتعرف على حركة الإنسان؟ التعلم العميق مرة أخرى.

في أي وقت يتعرف فيه البرنامج على المدخلات البشرية، من التعرف على الوجه بالنسبة للمساعدين الصوتيين، ربما يكون التعلم العميق موجودًا في مكان ما بالأسفل. ومع ذلك، يحتوي هذا المجال أيضًا على العديد من التطبيقات المفيدة الأخرى. يعد الطب مجالًا واعدًا بشكل خاص، حيث يتم استخدام التعلم العميق المتقدم لتحليل الحمض النووي بحثًا عن العيوب أو المركبات الجزيئية لتحقيق فوائد صحية محتملة. على الصعيد المادي، يتم استخدام التعلم العميق في عدد متزايد من الآلات والمركبات للتنبؤ عندما تحتاج المعدات إلى الصيانة قبل أن يحدث خطأ خطير.

مستقبل التعلم العميق

مستقبل التعلم العميق مشرق بشكل خاص! إن الشيء العظيم في الشبكة العصبية هو أنها تتفوق في التعامل مع كمية هائلة من البيانات المتباينة (فكر في كل ما يتعين على أدمغتنا التعامل معه طوال الوقت). وهذا أمر مهم بشكل خاص في عصرنا الذي تتميز فيه أجهزة الاستشعار الذكية المتقدمة، والتي يمكنها جمع كمية لا تصدق من المعلومات. بدأت حلول الكمبيوتر التقليدية تواجه صعوبة في الفرز والتصنيف واستخلاص النتائج من الكثير من البيانات.

ومن ناحية أخرى، يمكن للتعلم العميق التعامل مع الجبال الرقمية من البيانات التي نجمعها. في الواقع، كلما زادت كمية البيانات، أصبح التعلم العميق أكثر كفاءة مقارنة بطرق التحليل الأخرى. هذا هو السبب وراء قيام منظمات مثل Google استثمر الكثير في خوارزميات التعلم العميقولماذا من المحتمل أن تصبح أكثر شيوعًا في المستقبل.

وبالطبع الروبوتات. دعونا لا ننسى أبدًا الروبوتات.

توصيات المحررين

• التعلم العميق يساعد علماء الآثار على ترجمة الألواح القديمة
• التعلم العميق يمكنه تقليد تأثيرات التشويه لآلهة الجيتار الشهيرة
• قراءة الأفكار يحلل موجات دماغك لتخمين الفيديو الذي تشاهده
• يمكن لهذا التطبيق المدعوم بالذكاء الاصطناعي اكتشاف سرطان الجلد بدقة تصل إلى 95 بالمائة
• منظمة العفو الدولية. يقوم الباحثون بإنشاء نظام للتعرف على الوجه للشمبانزي