 |
| ما هو التعلم العميق ? كل ما تحتاج إلى معرفته |
ما هو التعلم العميق
على الرغم من أن التكنولوجيا قطعت شوطًا طويلًا في السنوات الأخيرة ، ليس أقلها من حيث القوة والموارد الهائلة المتوفرة من خلال خدمات الحوسبة السحابية ، ناهيك عن الكم الهائل من البيانات التي يمكن تخصيصها للتخزين السحابي ، لا تزال أجهزة الكمبيوتر والآلات غير قادرة على مطابقة قوة الدماغ البشري.
إن ما يجعل البشر فريدين من نوعه هو أنه يمكننا أن نتعلم بينما نمضي ، بالاعتماد على ذكرياتنا وخبراتنا. وهذا يعني أخذ البيانات من العالم من حولنا وتكوين أفكار حول كيفية أداء المهام على النحو الأمثل أو فهم معلومات جديدة.
يهدف التعلم العميق ، وهو فرع من الذكاء الاصطناعي ، إلى تكرار قدرتنا على التعلم والتطور في الآلات. في نهاية اليوم ، يسمح التعليم العميق لأجهزة الكمبيوتر بتدوين معلومات جديدة وفك تشفيرها وإنتاج ناتج - كل ذلك دون الحاجة إلى مشاركة الإنسان في هذه العملية. هذا المجال له آثار هائلة على تقنيات المستقبل ، بما في ذلك المركبات ذاتية القيادة ، وبرنامج التعرف على الوجه ، والطب الشخصي ، وأكثر من ذلك بكثير.
تدريس أجهزة الكمبيوتر لإيجاد أنماط
الهدف النهائي للتعلم العميق هو تعليم الكمبيوتر كيفية التعرف على الأنماط عند إعطاء مجموعة من البيانات غير المهيكلة. مثال بسيط على البيانات غير المهيكلة هو صورة لمشهد في العالم الحقيقي ، حيث يتم تمييز أشياء مثل السماء والأشجار والأشخاص على جهاز الكمبيوتر بواسطة مشرف بشري. يجب أن تكون الخوارزمية المدربة بالتعلم العميق قادرة على تحديد تلك المكونات الفردية. بمعنى أنه يجب أن يكون قادرًا على إخبارك بالبكسلات
على نطاق أوسع ، يمكن تطبيق هذه القدرة على التعرف على الأنماط على أي شيء تقريبًا. على سبيل المثال ، في السيارة ذاتية القيادة ، يجب أن يكون الكمبيوتر قادراً على التعرف على علامة التوقف ثم تشغيل السيارة للتوقف بشكل مناسب. في الطب ، يجب أن تكون خوارزمية التعلم العميق قادرة على النظر إلى صورة المجهر للخلايا وتحديد ما إذا كانت هذه الخلايا سرطانية.
التعلم العميق له نفس هدف التعلم الآلي ، والذي يلعب دورًا متزايدًا في التكنولوجيا الحديثة. ومع ذلك ، فإن التعلم الآلي محدود في مقدار البيانات التي يمكن أن يدخل فيها. قد يكون من الجيد التعرف على الميزات الموجودة في مجموعة من الصور ، على سبيل المثال ، ولكن التعلم الآلي لا يملك القدرة على التكيف مع مشهد ثلاثي الأبعاد مثل يجب أن تكون السيارة ذاتية القيادة قادرة على القيام بها.
التعلم العميق ، من ناحية أخرى ، يوفر قدرة غير محدودة فعليًا للتعلم والتي يمكن أن تتجاوز نظريًا قدرة الدماغ البشري في يوم من الأيام. هذا بسبب عائلة الخوارزميات التي تكمن وراء التعلم العميق ، والمعروف باسم الشبكات العصبية.
نسخ اتصالات الدماغ
يتم تسمية الشبكات العصبية لأنها تهدف أساسًا إلى محاكاة عمل الخلايا العصبية في الدماغ البشري. تتكون هذه الشبكات من ثلاث طبقات من الخلايا العصبية الرقمية: طبقة الإدخال ، الطبقة المخفية ، وطبقة الإخراج.
طبقة الإدخال عبارة عن سلسلة من الخلايا العصبية الرقمية التي "ترى" المعلومات التي يتم تقديم الكمبيوتر إليها. قد تطلق إحدى الخلايا العصبية عندما يكون اللون الأخضر موجودا في صورة ما ، على سبيل المثال ، في حين قد تطلق خلية أخرى عندما يكون هناك شكل معين. يمكن أن يكون هناك الآلاف من الخلايا العصبية طبقة الإدخال ، كل إطلاق عندما يرى خاصية محددة في البيانات.
تخبر طبقة الإخراج الكمبيوتر بما يجب القيام به استجابةً لبيانات الإدخال. في سيارة ذاتية القيادة ، ستكون هذه الخلايا العصبية الرقمية التي تخبر الكمبيوتر في نهاية المطاف بالتسارع أو الفرامل أو الدوران.
يحدث السحر الحقيقي للشبكة العصبية في الطبقة المخفية. تأخذ هذه الطبقة إطلاقات الخلايا العصبية من طبقة الإدخال وتعيد توجيهها لإطلاق الخلايا العصبية لطبقة الإخراج المناسبة. تتكون الطبقة المخفية من آلاف أو ملايين الصفوف الفردية من الخلايا العصبية ، يرتبط كل منها بكل جيرانه داخل الشبكة.
يتضمن التدريب على نموذج تعلّم عميق تغذية النموذج بالصورة أو النموذج أو الحالة التي يعرف عنها بالفعل إخراج النموذج المرغوب. أثناء التدريب ، يتم تقوية أو إضعاف كل اتصال من خلية عصبية إلى أخرى بناءً على مدى قرب المخرج الفعلي للشبكة من المخرجات المقصودة. إذا كانت قريبة جدًا - توقفت سيارتنا ذاتية القيادة عند علامة التوقف - فقد لا تتغير الاتصالات كثيرًا على الإطلاق. ولكن إذا كانت النتيجة النموذجية بعيدة عن النتيجة المقصودة ، فإن الروابط بين الخلايا العصبية يتم تبديلها قليلاً.
يتيح القيام بهذا ملايين المرات للشبكة تقوية الاتصالات التي تؤدي وظيفة جيدة في إنتاج مخرجات النموذج المرغوبة وضعف الاتصالات التي تتخلص من نتائج النموذج. لقد تعلم النموذج النهائي ، إذن ، كيفية استيعاب البيانات الجديدة ، والتعرف على الأنماط ، وتحقيق النتيجة المرجوة بناءً على تلك الأنماط دون إشراف بشري.
تكنولوجيا المستقبل والتعلم العميق
التعلم العميق يحمل الكثير من الوعود للتقنيات الآلية الجديدة. ربما تكون السيارات ذاتية القيادة هي أبرز استخدام محتمل لخوارزميات التعليم العميق ، ولكن هناك المزيد من التطبيقات في عالم الأعمال وخارجه.
على سبيل المثال ، يمكن أن يكون للتعلم العميق آثار كبيرة على صناعة التمويل. يمكن أن تستخدم البنوك التعلم العميق للمساعدة في حماية حساباتك عبر الإنترنت عن طريق تدريس نموذج لتحديد ما إذا كانت آخر محاولة لتسجيل الدخول لديك مماثلة لتسجيل الدخول المعتاد. أو ، يمكن للبنوك تطبيق خوارزميات تعلم عميقة للاستفادة بشكل أفضل من الأنشطة الاحتيالية مثل غسيل الأموال. هناك احتمال آخر وهو أن البنوك وشركات الاستثمار تستخدم التعلم العميق للتنبؤ عندما تكون أسعار الأسهم على وشك الارتفاع أو الهبوط.
تطبيق آخر لتكنولوجيا التعلم العميق هو التعرف على الوجه. لكي يعمل التعرف على الوجه على نطاق واسع ، يحتاج الكمبيوتر إلى أن يكون قادرًا على التعرف عليك سواء حصلت على حلاقة أو تان ، أو وضعت مكياجًا. تسمح خوارزمية التعلم العميق المدربة على صور وجهك لبرنامج التعرف على الوجه بالتعرف عليك بغض النظر عن الشكل الذي تبدو عليه في يوم معين ، مع إبقاء الآخرين خارج حساباتك.
ومن المثير للاهتمام أن التعلم العميق يمكن أن يساعد العلماء أيضًا على التنبؤ بالزلازل والكوارث الطبيعية الأخرى. في المناطق المعرضة للزلازل ، تهب الأرض دائمًا تقريبًا. يمكن تدريب نماذج التعلم العميق على أي نوع من أنماط الهز التي سبقت الزلازل في الماضي - ومن ثم دق ناقوس الخطر عندما يتم اكتشاف هذه الأنماط نفسها في المستقبل.
مع تحسن تقنية التعلم العميق ، من المرجح أن تحصل قائمة التطبيقات المحتملة على وقت أطول وأكثر إثارة للإعجاب. قد نكون قادرين على تعليم أجهزة الكمبيوتر التعرف على الأنماط ، ولكن الإبداع البشري سيكون ضروريًا في تحديد أفضل السبل لوضع تعلم عميق للعمل من أجل المجتمع.
