التعلم العميق يلتهم بيانات العالم. التعلم العميق في الذكاء الاصطناعي هو ثورة التكنولوجيا التي بدأ تغير نظرتنا لكل شيئ، من التسويق والتواصل الاجتماعي إلى الروبوتات الذكية.
بدأ الضجيج في عام 2012 عندما حققت الشبكة العصبية أداءً بشريًا فائقًا في مهام التعرف على الصور ولم يكن بمقدور سوى عدد قليل من الأشخاص توقع ما سيحدث.
خلال العقد الماضي ، بدأ المزيد والمزيد من الخوارزميات في الحياة. بدأت المزيد والمزيد من الشركات في إضافتها في أعمالها اليومية.
هنا ، حاولت تغطية جميع خوارزميات وبنى التعلم العميق الأكثر أهمية التي تم التعرف عليها على مر السنين لاستخدامها في مجموعة متنوعة من التطبيقات مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية.
يتم استخدام بعضها بشكل متكرر أكثر من البعض الآخر ولكل منها قوتها الخاصة وفاعليتها.
هدفي الرئيسي هو إعطائك فكرة عامة عن المجال ومساعدتك على فهم الخوارزمية التي يجب أن تستخدمها في كل حالة محددة. لأنني أعلم أن الأمر يبدو فوضوياً بالنسبة لشخص يريد أن يبدأ من الصفر.
لكن بعد قراءة الدليل ، أنا واثق من أنك ستكون قادرًا على التعرف على ما هو وستكون جاهزًا لبدء استخدامه على الفور.
لذلك إذا كنت تبحث عن دليل كامل حقًا حول التعلم العميق ، فلنبدأ.
ما هو التعلم العميق في الذكاء الاصطناعي؟
يتعلم الناس من التجربة. كلما كانت تجاربنا أكثر ثراءً ، زادت قدرتنا على التعلم. في تخصص الذكاء الاصطناعي (AI) المعروف باسم التعلم العميق ، يمكن قول الشيء نفسه بالنسبة للآلات التي تعمل بواسطة أجهزة وبرامج الذكاء الاصطناعي. يتم تحديد الخبرات التي يمكن للآلات التعلم من خلالها من خلال البيانات التي تحصل عليها ، كما تحدد كمية ونوعية البيانات مقدار ما يمكن أن تتعلمه.
التعلم العميق الذكاء الاصطناعي هو فرع من فروع التعلم الآلي. على عكس خوارزميات التعلم الآلي التقليدية ، التي يتمتع الكثير منها بقدرة محدودة على التعلم بغض النظر عن مقدار البيانات التي يكتسبونها ، يمكن لأنظمة التعلم العميق تحسين أدائها من خلال الوصول إلى المزيد من البيانات: النسخة الآلية لمزيد من الخبرة.
بعد أن اكتسبت الآلات خبرة كافية من خلال التعلم العميق ، يمكن تشغيلها لأداء مهام محددة مثل قيادة السيارة ، واكتشاف الأعشاب الضارة في مجال المحاصيل ، واكتشاف الأمراض ، وفحص الآلات لتحديد الأعطال ، وما إلى ذلك.
كيف يعمل التعلم العميق الذكاء الاصطناعي ؟
تتعلم شبكات التعلم العميق الذكاء الاصطناعي من خلال اكتشاف الهياكل المعقدة في البيانات التي تواجهها. من خلال بناء نماذج حسابية تتكون من طبقات معالجة متعددة ، يمكن للشبكات إنشاء مستويات متعددة من التجريد لتمثيل البيانات.
على سبيل المثال ، يمكن تدريب نموذج التعلم العميق المعروف باسم الشبكة العصبية التلافيفية باستخدام أعداد كبيرة (كما هو الحال في ملايين) من الصور ، مثل تلك التي تحتوي على قطط. يتعلم هذا النوع من الشبكات العصبية عادةً من وحدات البكسل الموجودة في الصور التي يكتسبها. يمكنه تصنيف مجموعات البكسل التي تمثل سمات قطة ، مع مجموعات من الميزات مثل المخالب والأذنين والعينين التي تشير إلى وجود قطة في الصورة.
يختلف التعلم العميق اختلافًا جوهريًا عن التعلم الآلي التقليدي. في هذا المثال ، سيحتاج خبير المجال إلى قضاء وقت طويل في هندسة نظام تعلم آلي تقليدي لاكتشاف الميزات التي تمثل قطة. مع التعلم العميق ، كل ما هو مطلوب هو تزويد النظام بعدد كبير جدًا من صور القطط ، ويمكن للنظام أن يتعلم بشكل مستقل الميزات التي تمثل قطة.
بالنسبة للعديد من المهام ، مثل رؤية الكمبيوتر ، والتعرف على الكلام (المعروف أيضًا باسم معالجة اللغة الطبيعية) ، والترجمة الآلية ، والروبوتات ، فإن أداء أنظمة التعلم العميق يفوق بكثير أداء أنظمة التعلم الآلي التقليدية. هذا لا يعني أن بناء أنظمة التعلم العميق سهل نسبيًا مقارنة بأنظمة التعلم الآلي التقليدية. على الرغم من أن التعرف على الميزات مستقل في التعلم العميق ، إلا أن الآلاف من المعلمات الفائقة (المقابض) تحتاج إلى ضبطها حتى يصبح نموذج التعلم العميق فعالاً.
كيف تعمل خوارزميات التعلم العميق؟
بينما تتميز خوارزميات التعلم العميق بتمثيلات التعلم الذاتي ، فإنها تعتمد على الشبكات العصبية الاصطناعية التي تعكس الطريقة التي يحسب بها الدماغ المعلومات. أثناء عملية التدريب ، تستخدم الخوارزميات عناصر غير معروفة في توزيع المدخلات لاستخراج الميزات ، وكائنات المجموعة ، واكتشاف أنماط البيانات المفيدة. مثل الكثير من آلات التدريب على التعلم الذاتي ، يحدث هذا على مستويات متعددة ، باستخدام الخوارزميات لبناء النماذج.
تستفيد نماذج التعلم العميق من عدة خوارزميات. بينما لا تعتبر شبكة واحدة مثالية ، فإن بعض الخوارزميات تكون مناسبة بشكل أفضل لأداء مهام محددة. لاختيار المناسب منها ، من الجيد اكتساب فهم قوي لجميع الخوارزميات الأساسية.
ما هو مثال على خوارزمية التعلم العميق؟
تتضمن أمثلة خوارزميات التعلم العميق خوارزميات مستوحاة من هندستها من عمل الخلايا العصبية في الدماغ البشري. عدد قليل منهم عبارة عن إدراك متعدد الطبقات ، وشبكات وظيفية أساسية شعاعية ، وشبكات عصبية تلافيفية ، إلخ.
نمادج التعلم العميق في الذكاء الاصطناعي
فيما يلي قائمة بأفضل 10 خوارزميات التعلم العميق الأكثر شيوعًا:
- الشبكات العصبية التلافيفية (CNNs)
- شبكات الذاكرة طويلة المدى (LSTMs)
- الشبكات العصبية المتكررة (RNNs)
- شبكات الخصومة التوليدية (GANs)
- شبكات وظيفة الأساس الشعاعي (RBFNs)
- متعدد الطبقات Perceptrons (MLPs)
- خرائط التنظيم الذاتي (SOMs)
- شبكات المعتقدات العميقة (DBNs)
- آلات Boltzmann المقيدة (RBMs)
- أجهزة التشفير التلقائي
تعمل خوارزميات التعلم العميق مع أي نوع من البيانات تقريبًا وتتطلب كميات كبيرة من قوة الحوسبة والمعلومات لحل المشكلات المعقدة.
لماذا التعلم العميق مهم؟
نحن نعيش في وقت يتسم بفرص غير مسبوقة ، ويمكن أن تساعدنا تكنولوجيا التعلم العميق في تحقيق اختراقات جديدة. كان التعلم العميق مفيدًا في اكتشاف الكواكب الخارجية والأدوية الجديدة واكتشاف الأمراض والجسيمات دون الذرية. إنه يعزز بشكل أساسي فهمنا للبيولوجيا ، بما في ذلك علم الجينوم ، وعلم البروتينات ، وعلم الأيض ، والمناعة ، وأكثر من ذلك.
نحن نعيش أيضًا في وقت نواجه فيه تحديات لا هوادة فيها. يهدد تغير المناخ إنتاج الغذاء وقد يؤدي في يوم من الأيام إلى نشوب حروب على الموارد المحدودة. سوف يتفاقم التحدي المتمثل في التغير البيئي بسبب الزيادة المستمرة في عدد السكان ، والذي من المتوقع أن يصل إلى تسعة مليارات بحلول عام 2050. يتطلب نطاق وحجم هذه التحديات مستوى جديدًا من الذكاء أصبح ممكنًا بفضل التعلم العميق.
اليوم ، أدى الجمع بين الكاميرات مثل العيون الاصطناعية والشبكات العصبية التي يمكنها معالجة المعلومات المرئية التي تلتقطها تلك العيون إلى انفجار في تطبيقات الذكاء الاصطناعي القائمة على البيانات. تمامًا كما لعبت الرؤية دورًا مهمًا في تطور الحياة على الأرض ، سيعزز التعلم العميق والشبكات العصبية من قدرات الروبوتات. على نحو متزايد ، سيكونون قادرين على فهم بيئتهم ، واتخاذ قرارات مستقلة ، والتعاون معنا ، وزيادة قدراتنا الخاصة.
أمثلة حالة استخدام التعلم العميق الذكاء الاصطناعي
علم الروبوتات
كانت العديد من التطورات الأخيرة في مجال الروبوتات مدفوعة بالتطورات في الذكاء الاصطناعي والتعلم العميق. على سبيل المثال ، يمكّن الذكاء الاصطناعي الروبوتات من استشعار بيئتها والاستجابة لها.
تزيد هذه الإمكانية من نطاق الوظائف التي يمكنهم القيام بها ، بدءًا من التنقل في طوابق المستودعات إلى فرز ومعالجة الأشياء غير المستوية أو الهشة أو المختلطة معًا. يعد شيء بسيط مثل التقاط الفراولة مهمة سهلة للإنسان ، ولكن كان من الصعب جدًا على الروبوتات القيام به. مع تقدم الذكاء الاصطناعي ، سيعزز هذا التقدم قدرات الروبوتات.
تعني التطورات في الذكاء الاصطناعي أنه يمكننا توقع استخدام روبوتات المستقبل بشكل متزايد كمساعدين بشريين. لن يتم استخدامها فقط لفهم الأسئلة والإجابة عليها ، كما يستخدم بعضها اليوم. سيكونون أيضًا قادرين على التصرف بناءً على الأوامر الصوتية والإيماءات ، حتى توقع الخطوة التالية للعامل. اليوم ، تعمل الروبوتات التعاونية بالفعل جنبًا إلى جنب مع البشر ، حيث يقوم كل من البشر والروبوتات بمهام منفصلة تتناسب بشكل أفضل مع نقاط قوتهم.
الزراعة
الذكاء الاصطناعي لديه القدرة على إحداث ثورة في الزراعة. اليوم ، يمكّن التعلم العميق المزارعين من نشر المعدات التي يمكنها الرؤية والتمييز بين نباتات المحاصيل والأعشاب الضارة. تسمح هذه الإمكانية لآلات إزالة الأعشاب الضارة برش مبيدات الأعشاب بشكل انتقائي على الحشائش وترك النباتات الأخرى دون مساس.
يمكن لآلات الزراعة التي تستخدم الرؤية الحاسوبية التي تدعم التعلم العميق أن تحسن النباتات الفردية في الحقل عن طريق الرش الانتقائي لمبيدات الأعشاب والأسمدة ومبيدات الفطريات والمبيدات الحشرية والبيولوجية. بالإضافة إلى تقليل استخدام مبيدات الأعشاب وتحسين إنتاج المزرعة ، يمكن توسيع التعلم العميق ليشمل عمليات زراعية أخرى مثل استخدام الأسمدة والري والحصاد.
التصوير الطبي والرعاية الصحية
كان التعلم العميق فعالًا بشكل خاص في التصوير الطبي ، نظرًا لتوافر بيانات عالية الجودة وقدرة الشبكات العصبية التلافيفية على تصنيف الصور. على سبيل المثال ، يمكن أن يكون التعلم العميق بنفس فعالية طبيب الأمراض الجلدية في تصنيف سرطانات الجلد ، إن لم يكن أكثر من ذلك.
تلقى العديد من البائعين بالفعل موافقة إدارة الأغذية والعقاقير (FDA) على خوارزميات التعلم العميق لأغراض التشخيص ، بما في ذلك تحليل الصور لأمراض الأورام والشبكية. يحقق التعلم العميق أيضًا تقدمًا كبيرًا في تحسين جودة الرعاية الصحية من خلال التنبؤ بالأحداث الطبية من بيانات السجلات الصحية الإلكترونية.
قيود ومعوقات التعلم العميق في الذكاء الاصطناعي
نأمل ألا يكون هذا مفاجأة ، ولكن من الجدير بالذكر أن التعلم العميق ، في الواقع ، له العديد من القيود. لقد قمنا بإدراج عدد قليل منهم أدناه.
توافر البيانات
تتطلب نماذج التعلم العميق الكثير من البيانات لمعرفة تمثيل البيانات وهيكلها وتوزيعها ونمطها.
إذا لم تتوفر بيانات متنوعة كافية ، فلن يتعلم النموذج جيدًا ويفتقر إلى التعميم (لن يعمل بشكل جيد على البيانات غير المرئية).
يمكن للنموذج التعميم بشكل جيد فقط إذا تم تدريبه على كميات كبيرة من البيانات.
تعقيد النموذج
غالبًا ما يكون تصميم نموذج التعلم العميق عملية تجربة وخطأ.
من المرجح أن يكون النموذج البسيط غير مناسب ، أي غير قادر على استخلاص المعلومات من مجموعة التدريب ، ومن المرجح أن يزداد النموذج المعقد للغاية ، أي غير قادر على التعميم بشكل جيد في مجموعة بيانات الاختبار.
ستؤدي نماذج التعلم العميق أداءً جيدًا عندما يكون تعقيدها مناسبًا لتعقيد البيانات.
يفتقر إلى التعميم العالمي
يمكن أن تحتوي الشبكة العصبية البسيطة على آلاف إلى عشرات الآلاف من المعلمات.
فكرة التعميم العالمي هي أن جميع المعلمات في النموذج يجب أن تقوم بتحديث نفسها بشكل متماسك لتقليل خطأ التعميم أو خطأ الاختبار قدر الإمكان. ومع ذلك ، نظرًا لتعقيد النموذج ، من الصعب جدًا تحقيق خطأ تعميم صفري في مجموعة الاختبار.
ومن ثم ، فإن نموذج التعلم العميق سيفتقر دائمًا إلى التعميم العالمي الذي يمكن أن يؤدي في بعض الأحيان إلى نتائج خاطئة.
غير قادر على تعدد المهام
الشبكات العصبية العميقة غير قادرة على تعدد المهام.
يمكن لهذه النماذج فقط أداء المهام المستهدفة ، أي معالجة البيانات التي تم تدريبهم عليها. على سبيل المثال ، نموذج تم تدريبه على تصنيف القطط والكلاب لن يصنف الرجال والنساء.
علاوة على ذلك ، فإن التطبيقات التي تتطلب التفكير أو الذكاء العام تتجاوز تمامًا ما يمكن أن تفعله تقنيات التعلم العميق للجيل الحالي ، حتى مع وجود مجموعات كبيرة من البيانات.
الاعتماد على الأجهزة
كما ذكرنا سابقًا ، تعد نماذج التعلم العميق باهظة الثمن من الناحية الحسابية.
هذه النماذج معقدة للغاية لدرجة أن وحدة المعالجة المركزية العادية لن تكون قادرة على تحمل التعقيد الحسابي. ومع ذلك ، فإن وحدات معالجة الرسومات متعددة النواة عالية الأداء (GPU) ووحدات معالجة الموتر (TPU) مطلوبة لتدريب هذه النماذج بشكل فعال في وقت أقصر.
على الرغم من أن هذه المعالجات توفر الوقت ، إلا أنها باهظة الثمن وتستهلك كميات كبيرة من الطاقة.
مستقبل التعلم العميق والذكاء الاصطناعي
اليوم ، هناك العديد من بنى الشبكات العصبية المُحسّنة لأنواع معينة من المدخلات والمهام. الشبكات العصبية الالتفافية جيدة جدًا في تصنيف الصور. يستخدم شكل آخر من أشكال بنية التعلم العميق الشبكات العصبية المتكررة لمعالجة البيانات المتسلسلة.
تؤدي كل من نماذج الالتفاف والشبكة العصبية المتكررة ما يُعرف بالتعلم الخاضع للإشراف ، مما يعني أنه يجب تزويدها بكميات كبيرة من البيانات لتعلمها. في المستقبل ، ستستخدم الأنواع الأكثر تعقيدًا من الذكاء الاصطناعي التعلم غير الخاضع للإشراف. يتم تخصيص قدر كبير من الأبحاث لتكنولوجيا التعلم غير الخاضعة للإشراف وشبه الإشراف.
التعلم المعزز هو نموذج مختلف قليلاً عن التعلم العميق حيث يتعلم الوكيل عن طريق التجربة والخطأ في بيئة محاكاة فقط من المكافآت والعقوبات. يشار إلى امتدادات التعلم العميق في هذا المجال باسم التعلم المعزز العميق (DRL). كان هناك تقدم كبير في هذا المجال ، كما يتضح من خلال برامج التعلم المعزز العميق التي تغلبت على البشر في لعبة GO القديمة.
يعد تصميم بنيات الشبكة العصبية لحل المشكلات أمرًا صعبًا للغاية ، بل إنه أصبح أكثر تعقيدًا مع وجود العديد من المعلمات الفائقة لضبطها والعديد من وظائف الخسارة للاختيار من بينها لتحسينها. كان هناك الكثير من النشاط البحثي لتعلم بنى الشبكات العصبية الجيدة بشكل مستقل. يحرز تعلم التعلم ، المعروف أيضًا باسم التعلم المعدني أو AutoML ، تقدمًا ثابتًا.
كانت الشبكات العصبية الاصطناعية الحالية مبنية على فهم الخمسينيات لكيفية معالجة العقول البشرية للمعلومات. لقد أحرز علم الأعصاب تقدمًا كبيرًا منذ ذلك الحين ، وأصبحت معماريات التعلم العميق متطورة للغاية بحيث يبدو أنها تعرض هياكل مثل الخلايا الشبكية ، الموجودة في الأدمغة العصبية البيولوجية المستخدمة في الملاحة. يمكن لكل من علم الأعصاب والتعلم العميق الاستفادة من التلقيح المتبادل للأفكار ، ومن المحتمل جدًا أن تبدأ هذه المجالات في الاندماج في مرحلة ما.
لم نعد نستخدم أجهزة الكمبيوتر الميكانيكية ، وفي مرحلة ما ، لن نستخدم أجهزة الكمبيوتر الرقمية أيضًا. بدلاً من ذلك ، سنستخدم جيلًا جديدًا من أجهزة الكمبيوتر الكمومية. كانت هناك العديد من الاختراقات في الحوسبة الكمومية في السنوات الأخيرة ويمكن لخوارزميات التعلم بالتأكيد أن تستفيد من الكم الهائل من الحوسبة المتاحة التي توفرها أجهزة الكمبيوتر الكمومية.
قد يكون من الممكن أيضًا استخدام خوارزميات التعلم لفهم ناتج أجهزة الكمبيوتر الكمومية الاحتمالية. كما أن يعد التعلم الآلي الكمومي فرعًا نشطًا للغاية من التعلم الآلي.
أنظر أيضاً:
خلاصة
لقد تعلمنا اليوم أن التعلم العميق في الذكاء الاصطناعي هو أداة متعددة الاستخدامات.
لقد أثبت التعلم العميق المستوحى من الدماغ البيولوجي فائدته في جميع مجالات العلوم والهندسة تقريبًا. إليك ملخص سريع لكل شيء ناقشناه:
- يتكون نموذج التعلم العميق من شبكة عصبية متعددة الطبقات مترابطة.
- يُطلق على الجزء الأساسي من الشبكة العصبية اسم العقدة ، وهي ببساطة وظيفة رياضية خطية.
- يقوم نموذج التعلم العميق بتعيين المدخلات والمخرجات لإيجاد علاقة متبادلة بينهما. يمكن بعد ذلك استخدام هذا الارتباط لتجميع عينات جديدة من البيانات والتنبؤ بها وتصنيفها وحتى توليدها.
- يحتاج المرء إلى تدريب نموذج التعلم العميق لجعله يتعلم ويحقق نتائج دقيقة.
- تتكون عملية التدريب من عمليتين فرعيتين تسمى الانتشار الأمامي والانتشار العكسي. الأول يبني الارتباط عن طريق تعيين المعلمات بينما يقوم الأخير بضبط تلك المعلمات فيما يتعلق بالخطأ الذي ينتج عنه.