ما هي الشبكة العصبية في الذكاء الاصطناعي؟

ما هي الشبكة العصبية في الذكاء الاصطناعي؟

قد تبدو الشبكات العصبية غامضة للوهلة الأولى، لكنها تصبح مفهومة تمامًا. إذا تساءلت يومًا عن ماهية الشبكة العصبية في مجال الذكاء الاصطناعي، وما إذا كانت مجرد رياضيات مُنمّقة، فأنت في المكان الصحيح. سنُقدّم شرحًا عمليًا، مع بعض الاستطرادات البسيطة، وبالطبع، بعض الرموز التعبيرية. ستُغادر وأنت مُلِمٌّ بهذه الأنظمة، وأسباب نجاحها، ومواطن قصورها، وكيفية شرحها بأسلوبٍ واضحٍ ومفهوم.

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 ما هو تحيز الذكاء الاصطناعي؟
فهم التحيز في أنظمة الذكاء الاصطناعي واستراتيجيات ضمان العدالة.

🔗 ما هو الذكاء الاصطناعي التنبؤي؟
كيف تستخدم تقنيات الذكاء الاصطناعي التنبؤية الأنماط للتنبؤ بالنتائج المستقبلية.

🔗 ما هو مدرب الذكاء الاصطناعي؟
استكشاف دور ومسؤوليات المهنيين الذين يدربون الذكاء الاصطناعي.

🔗 ما هي رؤية الحاسوب في الذكاء الاصطناعي؟
كيف يقوم الذكاء الاصطناعي بتفسير وتحليل البيانات المرئية من خلال رؤية الكمبيوتر.

ما هي الشبكة العصبية في الذكاء الاصطناعي؟ الإجابة في ١٠ ثوانٍ ⏱️

الشبكة العصبية عبارة عن مجموعة من وحدات حسابية بسيطة تُسمى الخلايا العصبية، تُمرر الأرقام، وتُعدّل قوة اتصالها أثناء التدريب، وتتعلم تدريجيًا أنماط البيانات. عندما تسمع مصطلح "التعلم العميق" ، فإنه يُشير عادةً إلى شبكة عصبية ذات طبقات متعددة، تتعلم الميزات تلقائيًا بدلًا من كتابتها يدويًا. بعبارة أخرى: الكثير من العمليات الحسابية الصغيرة، مُرتبة بذكاء، ومُدرّبة على البيانات حتى تُصبح مُفيدة [1].

ما الذي يجعل الشبكة العصبية مفيدة؟ ✅

  • قوة التمثيل : مع البنية والحجم المناسبين، يمكن للشبكات تقريب الوظائف المعقدة للغاية (انظر نظرية التقريب العالمي) [4].

  • التعلم من البداية إلى النهاية : بدلاً من هندسة الميزات يدويًا، يكتشف النموذج هذه الميزات [1].

  • التعميم : الشبكة المنظمة جيدًا لا تكتفي بالحفظ فقط - بل تعمل على بيانات جديدة وغير مرئية [1].

  • قابلية التوسع : غالبًا ما تستمر مجموعات البيانات الأكبر حجمًا بالإضافة إلى النماذج الأكبر في تحسين النتائج ... حتى حدود عملية مثل الحوسبة وجودة البيانات [1].

  • قابلية النقل : يمكن أن تساعد الميزات التي تم تعلمها في مهمة واحدة في مهمة أخرى (التعلم بالنقل والضبط الدقيق) [1].

ملاحظة ميدانية صغيرة (مثال على سيناريو): يقوم فريق صغير لتصنيف المنتجات باستبدال الميزات المصممة يدويًا بشبكة عصبية تلافيفية مضغوطة، ويضيف تحسينات بسيطة (قلب/قص)، ويشاهد انخفاض خطأ التحقق - ليس لأن الشبكة "سحرية"، ولكن لأنها تعلمت ميزات أكثر فائدة مباشرة من وحدات البكسل.

"ما هي الشبكة العصبية في الذكاء الاصطناعي؟" بلغة بسيطة، مع استعارة غير دقيقة 🍞

تخيّل خط إنتاج في مخبز. تدخل المكونات، ويُعدّل العمال الوصفة، ويُبدي المتذوقون ملاحظاتهم، ثم يُحدّث الفريق الوصفة مرة أخرى. في الشبكة، تتدفق المدخلات عبر الطبقات، وتُقيّم دالة الخسارة المخرجات، وتُحسّن التدرجات أداء الأوزان في المرة القادمة. ليس هذا التشبيه مثاليًا - فالخبز ليس قابلاً للتفاضل - ولكنه مفهوم [1].

تشريح الشبكة العصبية 🧩

  • الخلايا العصبية : آلات حاسبة صغيرة تطبق مجموعًا مرجحًا ودالة تنشيط.

  • الأوزان والانحيازات : مقابض قابلة للتعديل تحدد كيفية دمج الإشارات.

  • الطبقات : تستقبل طبقة الإدخال البيانات، وتقوم الطبقات المخفية بتحويلها، وتقوم طبقة الإخراج بالتنبؤ.

  • دوال التنشيط : تجعل الالتواءات غير الخطية مثل ReLU و sigmoid و tanh و softmax عملية التعلم مرنة.

  • دالة الخسارة : هي درجة توضح مدى خطأ التنبؤ (الإنتروبيا المتقاطعة للتصنيف، وMSE للانحدار).

  • المُحسِّن : تستخدم الخوارزميات مثل SGD أو Adam التدرجات لتحديث الأوزان.

  • التنظيم : تقنيات مثل التسرب أو انخفاض الوزن لمنع النموذج من الإفراط في التخصيص.

إذا كنت تريد المعالجة الرسمية (ولكن لا تزال قابلة للقراءة)، فإن كتاب التعلم العميق يغطي المجموعة الكاملة: الأسس الرياضية والتحسين والتعميم [1].

وظائف التنشيط، بإيجاز ولكن بشكل مفيد ⚡

  • دالة ReLU : صفر للقيم السالبة، وخطية للقيم الموجبة. بسيطة، سريعة، وفعالة.

  • الدالة السينية : تضغط القيم بين 0 و 1 - مفيدة ولكنها قد تصل إلى حد التشبع.

  • الظل الزائدي : يشبه الدالة السينية ولكنه متناظر حول الصفر.

  • دالة Softmax : تحول الدرجات الخام إلى احتمالات عبر الفئات.

لست بحاجة إلى حفظ كل شكل منحنى - فقط تعرف على المقايضات والخيارات الافتراضية الشائعة [1، 2].

كيف يحدث التعلّم فعلياً: الانتشار العكسي، ولكن ليس مخيفاً 🔁

  1. التمرير الأمامي : تتدفق البيانات طبقة تلو الأخرى لإنتاج تنبؤ.

  2. حساب الخسارة : مقارنة التنبؤ بالحقيقة.

  3. الانتشار العكسي : حساب تدرجات الخسارة بالنسبة لكل وزن باستخدام قاعدة السلسلة.

  4. تحديث : قام المُحسِّن بتغيير الأوزان قليلاً.

  5. التكرار : عدة دورات. يتعلم النموذج تدريجياً.

للحصول على فهم عملي بديهي مع صور توضيحية وشروحات مرتبطة بالبرمجة، راجع ملاحظات CS231n الكلاسيكية حول الانتشار العكسي والتحسين [2].

أهم أنواع الشبكات العصبية، لمحة سريعة 🏡

  • الشبكات الأمامية (MLPs) : أبسط أنواع الشبكات. البيانات تتحرك للأمام فقط.

  • الشبكات العصبية الالتفافية (CNNs) : رائعة للصور بفضل المرشحات المكانية التي تكتشف الحواف والقوام والأشكال [2].

  • الشبكات العصبية المتكررة (RNNs) والمتغيرات : تم بناؤها للتسلسلات مثل النصوص أو السلاسل الزمنية من خلال الحفاظ على إحساس بالترتيب [1].

  • المحولات : تستخدم الانتباه لنمذجة العلاقات عبر المواضع في التسلسل دفعة واحدة؛ مهيمنة في اللغة وما وراءها [3].

  • الشبكات العصبية للرسوم البيانية (GNNs) : تعمل على العقد والحواف في الرسم البياني - مفيدة للجزيئات والشبكات الاجتماعية والتوصية [1].

  • المشفرات التلقائية و VAEs : تعلم التمثيلات المضغوطة وتوليد الاختلافات [1].

  • النماذج التوليدية : من الشبكات التوليدية الخصومية إلى نماذج الانتشار، المستخدمة للصور والصوت وحتى التعليمات البرمجية [1].

تعتبر ملاحظات CS231n مفيدة بشكل خاص للشبكات العصبية التلافيفية، في حين أن ورقة Transformer هي المصدر الأساسي للنماذج القائمة على الانتباه [2، 3].

جدول مقارنة: أنواع الشبكات العصبية الشائعة، ولمن تُستخدم، وتكلفتها، وسبب فعاليتها 📊

الأداة / النوع جمهور سعره معقول لماذا ينجح؟
التغذية الأمامية (MLP) للمبتدئين والمحللين منخفض إلى متوسط خطوط أساسية بسيطة ومرنة ومناسبة
سي إن إن فرق الرؤية واسطة الأنماط المحلية + مشاركة المعلمات
RNN / LSTM / GRU يا جماعة التسلسل واسطة ذاكرة زمنية نوعًا ما... تلتقط النظام
محول معالجة اللغة الطبيعية، متعدد الوسائط متوسط ​​إلى مرتفع ينصب التركيز على العلاقات ذات الصلة
شبكة عصبية عالمية العلماء، أنظمة التتبع واسطة يكشف تمرير الرسائل على الرسوم البيانية عن البنية
المشفر التلقائي / VAE الباحثون منخفض إلى متوسط يتعلم التمثيلات المضغوطة
GAN / الانتشار مختبرات إبداعية متوسط ​​إلى مرتفع سحر إزالة الضوضاء العدائي أو التكراري

ملاحظات: يعتمد السعر على قوة المعالجة والوقت؛ وتختلف النتائج من شخص لآخر. بعض الخلايا قد تكون كثيرة الكلام عمداً.

"ما هي الشبكة العصبية في الذكاء الاصطناعي؟" مقابل خوارزميات التعلم الآلي التقليدية ⚖️

  • هندسة الميزات : غالبًا ما تعتمد تقنيات التعلم الآلي التقليدية على الميزات اليدوية. تتعلم الشبكات العصبية الميزات تلقائيًا - وهو مكسب كبير للبيانات المعقدة [1].

  • نهم البيانات : غالبًا ما تتألق الشبكات مع المزيد من البيانات؛ قد تفضل البيانات الصغيرة النماذج الأبسط [1].

  • الحوسبة : تحب الشبكات المسرعات مثل وحدات معالجة الرسومات [1].

  • الحد الأقصى للأداء : بالنسبة للبيانات غير المهيكلة (الصور والصوت والنصوص)، تميل الشبكات العميقة إلى الهيمنة [1، 2].

آلية التدريب التي تُجدي نفعاً في الواقع 🛠️

  1. حدد الهدف : التصنيف، الانحدار، الترتيب، التوليد - اختر دالة خسارة مناسبة.

  2. معالجة البيانات : قسّمها إلى مجموعات تدريب/تحقق/اختبار. قم بتطبيع الميزات. وازن بين الفئات. بالنسبة للصور، ضع في اعتبارك تقنيات التوسيع مثل قلب الصورة، والقص، وإضافة تشويش بسيط.

  3. اختيار التصميم المعماري : ابدأ ببساطة. أضف السعة فقط عند الحاجة.

  4. حلقة التدريب : تجميع البيانات. تمرير البيانات للأمام. حساب الخسارة. الانتشار العكسي. التحديث. تسجيل المقاييس.

  5. التنظيم : التسرب، انخفاض الوزن، التوقف المبكر.

  6. التقييم : استخدم مجموعة التحقق من صحة المعلمات الفائقة. احتفظ بمجموعة اختبار لإجراء الفحص النهائي.

  7. الشحن بعناية : راقب الانحراف، وتحقق من وجود تحيز، وخطط لعمليات التراجع.

بالنسبة للدروس التعليمية الشاملة والموجهة نحو الكود مع نظرية متينة، فإن الكتاب المدرسي المفتوح وملاحظات CS231n هي نقاط ارتكاز موثوقة [1، 2].

الإفراط في التخصيص، والتعميم، وغيرها من المشاكل 👀

  • مشكلة التخصيص الزائد : يحفظ النموذج خصائص التدريب. يمكن إصلاح ذلك من خلال زيادة البيانات، أو استخدام تنظيم أقوى، أو تبسيط البنية.

  • نقص التوافق : النموذج بسيط للغاية أو التدريب ضعيف للغاية. قم بزيادة القدرة أو زد مدة التدريب.

  • تسريب البيانات : تتسرب معلومات من مجموعة الاختبار إلى التدريب. تأكد من تقسيماتك ثلاث مرات.

  • سوء المعايرة : النموذج الذي يتمتع بثقة عالية ولكنه خاطئ يُعدّ خطيراً. لذا، يُنصح بإعادة المعايرة أو استخدام ترجيح خسارة مختلف.

  • تحول التوزيع : تحركات البيانات في العالم الحقيقي. راقبها وتكيف معها.

للحصول على النظرية الكامنة وراء التعميم والتنظيم، اعتمد على المراجع القياسية [1، 2].

السلامة، وسهولة الفهم، والنشر المسؤول 🧭

تستطيع الشبكات العصبية اتخاذ قرارات مصيرية. ولا يكفي أن تحقق أداءً متميزًا في قوائم التصنيف، بل تحتاج إلى حوكمة وقياس وتدابير تخفيف المخاطر طوال دورة حياتها. يحدد إطار إدارة مخاطر الذكاء الاصطناعي الصادر عن المعهد الوطني للمعايير والتكنولوجيا (NIST) وظائف عملية - الحوكمة، والتخطيط، والقياس، والإدارة - لمساعدة الفرق على دمج إدارة المخاطر في التصميم والنشر [5].

بعض التنبيهات السريعة:

  • التحقق من التحيز : التقييم عبر الشرائح الديموغرافية حيثما كان ذلك مناسبًا وقانونيًا.

  • قابلية التفسير : استخدم تقنيات مثل تحديد العناصر البارزة أو إسناد الميزات. إنها غير مثالية، لكنها مفيدة.

  • المراقبة : قم بتعيين تنبيهات لانخفاضات مفاجئة في المقاييس أو انحراف البيانات.

  • الإشراف البشري : يجب إشراك البشر في اتخاذ القرارات ذات التأثير الكبير. لا مجال للمبالغة، بل مجرد إجراءات وقائية.

أسئلة متكررة كانت تراودك سرًا 🙋

هل الشبكة العصبية هي في الأساس دماغ؟

مستوحاة من الدماغ، نعم - ولكن بشكل مبسط. الخلايا العصبية في الشبكات هي دوال رياضية؛ أما الخلايا العصبية البيولوجية فهي خلايا حية ذات ديناميكيات معقدة. تشابه في الأجواء، ولكن في الفيزياء مختلفة تمامًا [1].

كم عدد الطبقات التي أحتاجها؟

ابدأ بخطوات صغيرة. إذا كان النموذج غير مناسب تمامًا، فقم بزيادة العرض أو العمق. إذا كان غير مناسب تمامًا، فقم بتنظيم النموذج أو تقليل سعته. لا يوجد رقم سحري؛ بل توجد فقط منحنيات التحقق والصبر [1].

هل أحتاج دائمًا إلى وحدة معالجة الرسومات (GPU)؟

ليس دائمًا. يمكن تدريب النماذج الصغيرة على بيانات متواضعة على وحدات المعالجة المركزية، ولكن بالنسبة للصور أو نماذج النصوص الكبيرة أو مجموعات البيانات الكبيرة، فإن المسرعات توفر الكثير من الوقت [1].

لماذا يقول الناس إن الانتباه قوة؟

لأن الانتباه يسمح للنماذج بالتركيز على الأجزاء الأكثر صلة من المدخلات دون اتباع ترتيب صارم. فهو يلتقط العلاقات الشاملة، وهو أمر بالغ الأهمية للغة والمهام متعددة الوسائط [3].

هل يختلف سؤال "ما هي الشبكة العصبية في الذكاء الاصطناعي؟" عن سؤال "ما هو التعلم العميق؟"؟

التعلم العميق هو النهج الأوسع الذي يستخدم الشبكات العصبية العميقة. لذا فإن السؤال "ما هي الشبكة العصبية في الذكاء الاصطناعي؟" يشبه السؤال عن الشخصية الرئيسية؛ فالتعلم العميق هو الفيلم بأكمله [1].

نصائح عملية، مع بعض الآراء الشخصية 💡

  • ابدأ بنماذج أساسية بسيطة . حتى نموذج الشبكة العصبية متعددة الطبقات الصغير يمكنه أن يخبرك ما إذا كانت البيانات قابلة للتعلم.

  • حافظ على إمكانية إعادة إنتاج مسار البيانات . إذا لم تتمكن من إعادة تشغيله، فلا يمكنك الوثوق به.

  • سرعة التعلم أهم مما تتصور. جرب وضع جدول زمني. الإحماء قد يكون مفيداً.

  • مفاضلات تتعلق بحجم الدفعة . فالدفعات الأكبر حجماً تعمل على استقرار التدرجات، ولكنها قد تعمم بشكل مختلف.

  • عندما تشعر بالحيرة، ارسم منحنيات فقدان الوزن ومعايير الوزن . ستندهش من عدد المرات التي يكون فيها الحل موجودًا في الرسوم البيانية.

  • افتراضات الوثائق. أنت في المستقبل تنسى الأشياء - بسرعة [1، 2].

استطراد معمق: دور البيانات، أو لماذا لا تزال المدخلات غير الدقيقة تؤدي إلى مخرجات غير دقيقة 🗑️➡️✨

لا تُصلح الشبكات العصبية البيانات المعيبة بطريقة سحرية. فالتصنيفات غير الدقيقة، وأخطاء التوصيف، أو ضيق نطاق العينة، كلها ستؤثر سلبًا على النموذج. لذا، نظّم بياناتك، وراجعها، وحسّنها. وإذا كنت مترددًا بين الحاجة إلى المزيد من البيانات أو نموذج أفضل، فالإجابة غالبًا ما تكون بسيطة للغاية: كلاهما - ولكن ابدأ بجودة البيانات [1].

"ما هي الشبكة العصبية في الذكاء الاصطناعي؟" - تعريفات مختصرة يمكنك إعادة استخدامها 🧾

  • الشبكة العصبية هي مقارب دالة متعددة الطبقات يتعلم الأنماط المعقدة عن طريق ضبط الأوزان باستخدام إشارات التدرج [1، 2].

  • إنه نظام يحول المدخلات إلى مخرجات من خلال خطوات غير خطية متتالية، تم تدريبه لتقليل الخسارة [1].

  • إنه نهج نمذجة مرن ومتعطش للبيانات يزدهر على المدخلات غير المنظمة مثل الصور والنصوص والصوت [1، 2، 3].

طويل جدًا، لم أقرأه، والملاحظات الختامية 🎯

إذا سألك أحدهم: ما هي الشبكة العصبية في الذكاء الاصطناعي؟ إليك شرحًا موجزًا: الشبكة العصبية عبارة عن مجموعة من الوحدات البسيطة التي تُحوّل البيانات خطوة بخطوة، وتتعلم التحويل من خلال تقليل الخسارة واتباع التدرجات. تكمن قوتها في قابليتها للتوسع، وتعلمها للميزات تلقائيًا، وقدرتها على تمثيل وظائف بالغة التعقيد [1، 4]. لكنها تنطوي على مخاطر إذا تم تجاهل جودة البيانات، أو الحوكمة، أو المراقبة [5]. وهي ليست سحرًا، بل هي مجرد رياضيات، وحوسبة، وهندسة جيدة - مع لمسة من الإبداع.

للمزيد من القراءة، مختارة بعناية (إضافات غير مقتبسة)

مراجع

[1] غودفيلو، آي.، بينجيو، واي.، وكورفيل، إيه. التعلم العميق . مطبعة معهد ماساتشوستس للتكنولوجيا. نسخة إلكترونية مجانية: اقرأ المزيد

[2] ستانفورد CS231n. الشبكات العصبية الالتفافية للتعرف البصري (ملاحظات الدورة): اقرأ المزيد

[3] فاسواني، أ.، شازير، ن.، بارمار، ن.، وآخرون. (2017). الانتباه هو كل ما تحتاجه . مؤتمر NeurIPS. arXiv: اقرأ المزيد

[4] سيبينكو، ج. (1989). التقريب بالتراكب لدالة سيجمويدية . رياضيات التحكم والإشارات والأنظمة ، 2، 303-314. سبرينغر: اقرأ المزيد

[5] المعهد الوطني للمعايير والتكنولوجيا (NIST). إطار إدارة مخاطر الذكاء الاصطناعي (AI RMF) : اقرأ المزيد

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة