ما هو التعلم العميق؟

أصبح التعلم العميق ، تقنية متقدمة للذكاء الاصطناعي ، شائعًا بشكل متزايد في السنوات القليلة الماضية ، بفضل البيانات الوفيرة وزيادة القدرة الحاسوبية. إنها التقنية الرئيسية وراء العديد من التطبيقات التي نستخدمها كل يوم ، بما في ذلك ترجمة اللغة على الإنترنت ووضع علامات الوجه تلقائيًا في وسائل التواصل الاجتماعي.

أثبتت هذه التقنية أيضًا أنها مفيدة في الرعاية الصحية: في وقت سابق من هذا العام ، استخدم علماء الكمبيوتر في معهد ماساتشوستس للتكنولوجيا (MIT) التعلم العميق لإنشاء برنامج كمبيوتر جديد للكشف عن سرطان الثدي.

تطلبت النماذج الكلاسيكية من المهندسين تحديد القواعد والمنطق للكشف عن السرطان يدويًا ، ولكن بالنسبة لهذا النموذج الجديد ، أعطى العلماء خوارزمية للتعلم العميق 90،000 فحص ماموجرام كامل الدقة من 60.000 مريض والسماح لها بالعثور على الأنماط الشائعة بين فحوصات المرضى الذي انتهى بسرطان الثدي وأولئك الذين لم يفعلوا ذلك. إنه قادر على التنبؤ بسرطان الثدي قبل خمس سنوات ، وهو تحسن كبير مقارنة بنماذج التنبؤ بالمخاطر السابقة.

ما هو بالضبط تعلم الآلة؟

التعلم العميق عبارة عن مجموعة فرعية من التعلم الآلي ، وهي فرع من الذكاء الاصطناعي يقوم بتكوين أجهزة الكمبيوتر لأداء المهام من خلال التجربة. خلافًا لأنظمة الذكاء الاصطناعي التقليدية القائمة على القواعد ، تعمل خوارزميات التعلم الآلي على تطوير سلوكها من خلال معالجة الأمثلة المشروحة ، وهي عملية تسمى "التدريب".

على سبيل المثال ، لإنشاء برنامج للكشف عن الاحتيال ، تقوم بتدريب خوارزمية للتعلم الآلي مع قائمة بالمعاملات المصرفية ونتائجها النهائية (شرعية أو احتيالية). يقوم نموذج التعلم الآلي بفحص الأمثلة وتطوير تمثيل إحصائي للخصائص الشائعة بين المعاملات المشروعة والاحتيالية. بعد ذلك ، عندما تزود الخوارزمية ببيانات معاملة بنكية جديدة ، فسوف تصنفها على أنها شرعية أو احتيالية استنادًا إلى الأنماط التي استخلصتها من أمثلة التدريب.

كقاعدة عامة ، كلما زادت جودة البيانات التي تقدمها ، أصبحت خوارزمية التعلم الآلي أكثر دقة في أداء مهامها.

التعلم الآلي مفيد بشكل خاص في حل المشكلات التي لا يتم فيها تعريف القواعد بشكل جيد ولا يمكن ترميزها في أوامر مميزة. أنواع مختلفة من الخوارزميات تتفوق في مهام مختلفة.

التعلم العميق والشبكات العصبية

على الرغم من أن خوارزميات التعلم الآلي الكلاسيكية حلت العديد من المشكلات التي واجهتها البرامج المستندة إلى القواعد ، إلا أنها ضعيفة في التعامل مع البيانات السهلة مثل الصور والفيديو وملفات الصوت والنصوص غير المنظمة.

على سبيل المثال ، يتطلب إنشاء نموذج للتنبؤ بسرطان الثدي باستخدام أساليب تعلم الآلة الكلاسيكية جهود عشرات من خبراء المجال ومبرمجي الكمبيوتر وعلماء الرياضيات ، وفقًا لباحث الذكاء الاصطناعي وعالم البيانات جيريمي هوارد. سيتعين على الباحثين القيام بالكثير من هندسة الميزات ، وهي عملية شاقة تقوم ببرمجة الكمبيوتر للعثور على أنماط معروفة في الأشعة السينية وعمليات التصوير بالرنين المغناطيسي. بعد ذلك ، يستخدم المهندسون تعلم الآلة أعلى الميزات المستخرجة. يستغرق إنشاء نموذج الذكاء الاصطناعي هذا سنوات.

تعمل خوارزميات التعلم العميق على حل المشكلة نفسها باستخدام الشبكات العصبية العميقة ، وهو نوع من بنية البرمجيات المستوحاة من الدماغ البشري (على الرغم من أن الشبكات العصبية تختلف عن الخلايا العصبية البيولوجية). الشبكات العصبية هي طبقات على طبقات من المتغيرات التي تعدل نفسها لخصائص البيانات التي يتم تدريبهم عليها وتصبح قادرة على القيام بمهام مثل تصنيف الصور وتحويل الكلام إلى نص.

الشبكة العصبية الاصطناعية (المصدر: ويكيبيديا)

تعتبر الشبكات العصبية جيدة بشكل خاص في إيجاد أنماط شائعة بشكل مستقل في البيانات غير المنظمة. على سبيل المثال ، عندما تقوم بتدريب شبكة عصبية عميقة على صور لكائنات مختلفة ، فإنها تجد طرقًا لاستخراج ميزات من تلك الصور. تكتشف كل طبقة من الشبكة العصبية ميزات معينة مثل الحواف ، الزوايا ، الوجوه ، مقل العيون ، إلخ.

تكتشف الطبقات العليا من الشبكات العصبية السمات العامة. تكتشف الطبقات العميقة الكائنات الفعلية (المصدر: arxiv.org)

باستخدام الشبكات العصبية ، تعمل خوارزميات التعليم العميق على تجنب الحاجة إلى هندسة المعالم. في حالة نموذج MIT للتنبؤ بسرطان الثدي ، وبفضل التعلم العميق ، احتاج المشروع إلى جهد أقل بكثير من علماء الكمبيوتر وخبراء المجال ، واستغرق تطويره وقتًا أقل. أيضًا ، تمكن النموذج من العثور على ميزات وأنماط في عمليات تصوير الماموجرام التي غاب عنها محللون بشريون.

الشبكات العصبية موجودة منذ الخمسينات (على الأقل من الناحية النظرية). لكن حتى وقت قريب ، قام مجتمع الذكاء الاصطناعى برفضهم إلى حد كبير لأنهم يحتاجون إلى كميات هائلة من البيانات وقوة الحوسبة. في السنوات القليلة الماضية ، دفع توفر موارد التخزين والبيانات والحوسبة والقدرة على تحمل تكلفتها الشبكات العصبية إلى طليعة ابتكار الذكاء الاصطناعى.

ما هو التعلم العميق المستخدمة ل؟

هناك العديد من المجالات التي يساعد فيها التعلم العميق أجهزة الكمبيوتر على معالجة المشكلات التي لم تكن قابلة للحل سابقًا.

رؤية الكمبيوتر: رؤية الكمبيوتر هي علم استخدام البرامج لفهم محتوى الصور والفيديو. هذا هو أحد المجالات التي حقق فيها التعلم العميق الكثير من التقدم. بصرف النظر عن سرطان الثدي ، يمكن لخوارزميات معالجة الصور للتعلم العميق اكتشاف أنواع أخرى من السرطان والمساعدة في تشخيص الأمراض الأخرى.

لكن التعلم العميق متأصل أيضًا في العديد من التطبيقات التي تستخدمها كل يوم. Appleيستخدم Face ID للتعلم العميق ، كما يستخدم Google Photos للتعلم العميق لمختلف الميزات مثل البحث عن الكائنات والمشاهد وكذلك تصحيح الصور. Facebook يستخدم التعلم العميق لوضع علامة تلقائيًا على الأشخاص في الصور التي تحمّلها.

يساعد التعلم العميق شركات الوسائط الاجتماعية في تحديد المحتوى المشكوك فيه وحجبه تلقائيًا ، مثل العنف والعُري. وأخيرًا ، يلعب التعلم العميق دورًا مهمًا للغاية في تمكين السيارات ذاتية القيادة من فهم محيطها.

التعرف على الصوت والكلام: عندما ينطق بأمر لك Amazon صدى المتكلم الذكية أو الخاصة بك Google Assistant، خوارزميات التعلم العميق تحويل صوتك إلى أوامر النص. تستخدم العديد من التطبيقات عبر الإنترنت تعلمًا عميقًا لنقل ملفات الصوت والفيديو. أصدرت Google مؤخرًا تطبيقًا ذكيًا على الهاتف الذكي لنسخ خطاب Gboard في الوقت الفعلي يستخدم تعلمًا عميقًا للكتابة أثناء التحدث.

معالجة اللغة الطبيعية (NLP) والجيل (NLG): كانت معالجة اللغة الطبيعية ، علم استخراج معنى النص غير المنظم ، نقطة ألم تاريخية للبرامج الكلاسيكية. من المستحيل تقريبًا تعريف جميع الفروق الدقيقة والمعاني الخفية للغة المكتوبة بقواعد الكمبيوتر. لكن الشبكات العصبية المدربة على حدود كبيرة للنص يمكن أن تؤدي بدقة العديد من مهام البرمجة اللغوية العصبية.

شهدت خدمة الترجمة من Google دفعة مفاجئة في الأداء عندما تحولت الشركة إلى التعلم العميق. يستخدم المتحدثون الأذكياء البرمجة اللغوية العصبية للتعلم العميق لفهم الفروق الدقيقة في الأوامر ، مثل الطرق المختلفة التي يمكنك من خلالها طلب الطقس أو الاتجاهات.

التعلم العميق هو أيضا فعال جدا في توليد نص ذي معنى ، وتسمى أيضا توليد اللغة الطبيعية. يستخدم الرد الذكي والتأليف الذكي لـ Gmail التعلم العميق لإحضار الردود ذات الصلة على رسائل البريد الإلكتروني والاقتراحات لإكمال جملك. خلق نموذج لتوليد النصوص طوره OpenAI في وقت سابق من هذا العام مقتطفات طويلة من النص المتماسك.

حدود التعلم العميق

على الرغم من كل فوائده ، فإن التعلم العميق لديه بعض أوجه القصور.

تبعية البيانات: بشكل عام ، تتطلب خوارزميات التعلم العميق كميات هائلة من بيانات التدريب لأداء مهامها بدقة. لسوء الحظ ، بالنسبة للعديد من المشكلات ، لا توجد بيانات تدريب كافية لإنشاء نماذج تعليمية عميقة.

Explainability: تعمل الشبكات العصبية على تطوير سلوكها بطرق معقدة للغاية – حتى أن المبدعين يكافحون لفهم تصرفاتهم. عدم وجود تفسير يجعل من الصعب للغاية استكشاف الأخطاء وإصلاح الأخطاء في خوارزميات التعلم العميق.

التحيز الحسابي: تعد خوارزميات التعليم العميق جيدة مثل البيانات التي يتم تدريبهم عليها. المشكلة هي أن بيانات التدريب غالبًا ما تحتوي على تحيزات خفية أو واضحة ، وترث الخوارزميات هذه التحيزات. على سبيل المثال ، فإن خوارزمية التعرف على الوجه المدربة في الغالب على صور الأشخاص البيض ستؤدي بشكل أقل دقة على الأشخاص غير البيض.

عدم التعميم: خوارزميات التعلم العميق جيدة في أداء المهام المركزة ولكنها ضعيفة في تعميم معارفهم. على عكس البشر ، لن يكون نموذج التعلم العميق الذي تم تدريبه على لعب StarCraft قادرًا على لعب لعبة مماثلة: على سبيل المثال ، لعبة WarCraft. كما أن التعلم العميق ضعيف في التعامل مع البيانات التي تنحرف عن أمثلة التدريب ، والمعروفة أيضًا باسم "الحالات المتطورة". قد يصبح هذا خطيرًا في مواقف مثل السيارات ذاتية القيادة ، حيث يمكن أن يكون للأخطاء عواقب وخيمة.

مستقبل التعلم العميق

في وقت سابق من هذا العام ، حصل رواد التعليم العميق على جائزة تورينج ، أي ما يعادل علوم الكمبيوتر لجائزة نوبل. لكن العمل على التعلم العميق والشبكات العصبية لم ينته بعد. الجهود المختلفة في العمل لتحسين التعلم العميق.

تتضمن بعض الأعمال المثيرة للاهتمام نماذج للتعلم العميق قابلة للتفسير أو مفتوحة للتفسير ، وشبكات عصبية يمكنها تطوير سلوكها باستخدام بيانات تدريب أقل ، ونماذج AI المتطورة ، وخوارزميات التعلم العميق التي يمكنها أداء مهامها دون الاعتماد على موارد الحوسبة السحابية الكبيرة.

وعلى الرغم من أن التعلم العميق هو في الوقت الحالي أكثر تقنيات الذكاء الاصطناعي تقدماً ، إلا أنه ليس الوجهة النهائية لصناعة الذكاء الاصطناعى. تطور التعلم العميق والشبكات العصبية قد تعطينا أبنية جديدة تماما.