الشبكات العصبية والتعلّم العميق

يُعد التعلّم العميق من أهم التطورات الحديثة في الذكاء الاصطناعي،
وتوضح الصفحة الأصلية أن الثورة الحقيقية لهذا المجال بدأت تقريبًا
حوالي عام 2010. ومنذ ذلك الوقت، أصبح التعلّم العميق
قادرًا على حل كثير من المشكلات التي كانت تبدو سابقًا شديدة الصعوبة
أو حتى غير قابلة للحل بالطرق التقليدية.

وتشير الصفحة إلى أن هذا التحول لم يحدث بسبب اكتشاف واحد فقط،
بل نتيجة توافر عدة عوامل في الوقت نفسه، مثل:

• أن الحواسيب أصبحت أسرع
• أن التخزين أصبح أكبر
• أن طرق التدريب أصبحت أفضل
• أن طرق الضبط والتحسين أصبحت أفضل

الخلايا العصبية Neurons

تبدأ الصفحة بشرح فكرة الخلايا العصبية في الدماغ البشري،
لأن الشبكات العصبية الاصطناعية استُلهمت أساسًا من طريقة عملها.
وتذكر الصفحة أن العلماء يتفقون على أن الدماغ البشري يحتوي تقريبًا
على ما بين 80 و100 مليار خلية عصبية، مع
مئات المليارات من الوصلات بينها.

كما تشرح الصفحة أن الخلايا العصبية، والتي تُعرف أيضًا باسم
Nerve Cells، هي الوحدات الأساسية في الدماغ والجهاز العصبي.
وهي مسؤولة عن:

• استقبال المدخلات من العالم الخارجي
• إرسال المخرجات مثل الأوامر إلى العضلات
• تحويل الإشارات الكهربائية بين المدخلات والمخرجات

ما هي الشبكات العصبية؟

توضح الصفحة أن Artificial Neural Networks
يُشار إليها عادة باختصار Neural Networks (NN).
كما تشرح أن الشبكات العصبية هي في الحقيقة
Perceptrons متعددة الطبقات.

بمعنى آخر، فإن الـ Perceptron يمثل الخطوة الأولى
لفهم الشبكات العصبية متعددة الطبقات، ثم تتوسع الفكرة بعد ذلك
إلى نماذج أكثر عمقًا وتعقيدًا.

وتؤكد الصفحة أن الشبكات العصبية تمثل
جوهر التعلّم العميق، وأنها من أهم الاكتشافات
في هذا المجال، لأنها قادرة على حل مشكلات
لا يمكن للخوارزميات التقليدية البسيطة التعامل معها بسهولة.

ومن أمثلة هذه المشكلات:

• التشخيص الطبي
• اكتشاف الوجوه
• التعرف على الصوت

نموذج الشبكة العصبية

تعرض الصفحة نموذجًا بصريًا مبسطًا للشبكة العصبية.
وفيه يتم إدخال البيانات من طبقة الإدخال،
ثم تمر البيانات على طبقة مخفية،
ثم يتم تعديلها مرة أخرى عبر طبقة مخفية أخرى،
حتى نصل في النهاية إلى المخرج النهائي.

وتصف الصفحة الألوان في النموذج كالتالي:

• البيانات الداخلة باللون الأصفر
• طبقة مخفية أولى باللون الأزرق
• طبقة مخفية ثانية باللون الأخضر
• المخرج النهائي باللون الأحمر

تعريف Tom Mitchell للتعلّم

تنتقل الصفحة بعد ذلك إلى اقتباس مشهور للعالم
Tom Mitchell، وهو عالم حاسب أمريكي
وأستاذ في جامعة Carnegie Mellon University.
وكان أيضًا رئيسًا سابقًا لقسم تعلم الآلة في الجامعة.

ويعرض الدرس تعريفه الشهير لفكرة التعلّم في علوم الحاسب،
والذي يدور حول أن البرنامج يُعتبر متعلمًا إذا تحسن أداؤه
في تنفيذ مهمة ما مع ازدياد الخبرة.

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P,
if its performance at tasks in T, as measured by P, improves with experience E.

ثم تشرح الصفحة الرموز الثلاثة في هذا التعريف:

• E وتعني Experience أي الخبرة أو عدد مرات التجربة
• T وتعني Task أي المهمة المطلوبة
• P وتعني Performance أي مستوى الأداء، جيد أو سيئ

وتعطي الصفحة مثالًا بسيطًا على ذلك مثل:

• الخبرة = عدد المرات
• المهمة = قيادة سيارة
• الأداء = جيد أو سيئ

قصة Giraffe

من الأمثلة اللافتة في الصفحة قصة شبكة عصبية اسمها
Giraffe.
وتذكر الصفحة أنه في عام 2015 قام
Matthew Lai، وهو طالب في
Imperial College في لندن،
بإنشاء شبكة عصبية بهذا الاسم.

المدهش في القصة أن Giraffe استطاعت، بعد تدريب استمر
72 ساعة فقط، أن تلعب الشطرنج
بمستوى مقارب لمستوى أستاذ دولي.

وتوضح الصفحة أن برامج الشطرنج الذكية ليست جديدة،
لكن الجديد هنا هو طريقة البناء.
فالبرامج التقليدية الذكية في الشطرنج قد تحتاج إلى
سنوات من التطوير، بينما تم بناء Giraffe في
مدة قصيرة نسبيًا باستخدام شبكة عصبية.

ما هو التعلّم العميق؟

في الجزء التالي، تقارن الصفحة بين الحوسبة التقليدية
وبين تعلم الآلة من أجل توضيح الفكرة الأساسية
وراء التعلّم العميق.

في الحوسبة التقليدية:

Data + Computer Algorithm = Result

أما في تعلم الآلة:

Data + Result = Computer Algorithm

وهذا يعني أن البرمجة التقليدية تعتمد على كتابة الخوارزمية أولًا
ثم تطبيقها على البيانات للحصول على النتيجة،
بينما تعلم الآلة يبدأ من البيانات والنتائج،
ثم يحاول استخراج الخوارزمية أو النموذج المناسب.

العلاقة بين تعلم الآلة والذكاء الاصطناعي

توضح الصفحة نقطة مهمة جدًا:
وهي أن تعلم الآلة ليس مرادفًا للذكاء الاصطناعي.
فكثير من الناس يخلط بينهما، لكن الصحيح أن تعلم الآلة هو
جزء فرعي من الذكاء الاصطناعي.

كما تصف الصفحة تعلم الآلة بأنه
مجال داخل الذكاء الاصطناعي يعتمد على استخدام البيانات
لتعليم الآلات.

ثم تعرض اقتباسًا مشهورًا لـ Arthur Samuel من عام 1959:

Machine Learning is a field of study that gives computers the ability to learn without being programmed.

صيغة القرار الذكي

في ختام الصفحة، يتم عرض فكرة مبسطة تصف كيف يمكن للحاسوب
أن يتخذ قرارات ذكية إذا استطاع أن يجرب ويقارن ويحفظ النتائج
ويكرر العملية ملايين المرات.

وتعرض الصفحة هذه الفكرة على شكل خطوات:

Save the result of all actions
Simulate all possible outcomes
Compare the new action with the old ones
Check if the new action is good or bad
Choose the new action if it is less bad
Do it all over again

والفكرة هنا أن الحاسوب، بسبب سرعته الكبيرة، يستطيع تنفيذ هذا النوع
من المقارنة والتجربة مرات هائلة، وهذا ما يجعل من الممكن
الوصول إلى قرارات تبدو ذكية جدًا.

الخلاصة

يوضح هذا الدرس أن الشبكات العصبية هي العمود الفقري
للتعلّم العميق، وأنها مستوحاة من فكرة الخلايا العصبية في الدماغ.
كما يشرح أن الشبكات العصبية هي في الأساس
Perceptrons متعددة الطبقات، وأنها قادرة على حل
مشكلات معقدة مثل التشخيص الطبي والتعرف على الوجوه والصوت.
ثم ينتقل إلى تعريف Tom Mitchell للتعلّم، وقصة Giraffe في الشطرنج،
وأخيرًا يوضح الفرق بين الحوسبة التقليدية وتعلم الآلة،
وكيف يمكن للتكرار والمحاكاة والمقارنة أن تقود إلى قرارات ذكية.