المؤلف: عمر الصنهاجي الغازي * *مهندس في المعلوميات و الرياضيات التطبيقية، مدير مشاريع و مهتم بميدان الذكاء الاصطناعي و سلاسل الكتل صفحة لنكد إن آخر تحديث: Dec. 18, 2022, 5:49 p.m.
الحمد لله و الصلاة و السلام على سيدنا رسول الله و على آله و صحبه و من والاه في هذا المقال، سوف نحاول توضيح المفاهيم التالية بإذن الله: ما معنى الذكاء الاصطناعي ؟ ما معنى تعلم الآلة ؟ ما معنى التعلم العميق ؟ كيف يعمل العصبون الاصطناعي ؟ كيف يتم تدريب الشبكات العصبية الاصطناعية على التعلم ؟ ما معنى الذكاء الاصطناعي ؟ الذكاء الاصطناعي هو محاكاة الذكاء البشري عن طريق برمجة الآلات للقيام بتحليلات مشابهة لتحليلات البشر و تقليد أفعالهم مجالات تطبيق الذكاء الاصطناعي: التعرف على الصور السيارات ذاتية القيادة التنبؤ بالأعطاب الصناعية داخل المصانع قبل حدوثها توليد صور وفيديوهات واقعية: إضافة اللون والحركة العادية إلى الأفلام القديمة ، التزييف العميق (DeepFake)،…. تقليص حجم الوسائط السمعية البصرية وترميزها أنظمة التوصية و الاقتراحات في الشبكات الاجتماعية (مثال: اقتراحات يوتوب) كشف الاحتيال (المعاملات المصرفية المشبوهة ، غسيل الأموال ،….) معالجة اللغة الطبيعية: فهم معنى الجمل + تحليل النغمة (الحالة العاطفية التي يعبر عنها المتحدث: الغضب ، الخوف ، التوتر ، ...) تحويل الكلام إلى نص وتحويل النص إلى كلام الترجمة الآلية (ترجمة جوجل ، ...) روبوتات المحادثة (Chatbots) برمجة لاعبين افتراضيين (الشطرنج، لعبة الغو، ...) ، و هم أفضل بكثير من اللاعبين البشريين! والعديد من المجالات الأخرى! ما معنى تعلم الآلة Machine Learning ؟ تعلم الآلة هو فرع من فروع الذكاء الاصطناعي يعتمد على فكرة أن الأنظمة يمكن أن تتعلم من البيانات ، وتتعرف على الأنماط وتتخذ القرارات دون أن تتم برمجتها بشكل صريح. الشبكات العصبية الاصطناعية هي استراتيجية تعلم شائعة يستخدمها تعلم الآلة ، بناءً على محاكاة الشبكات العصبية الطبيعية التي يستخدمها الدماغ البشري الشبكة العصبية الاصطناعية: الشبكة العصبية هي شبكة تتكون من طبقة واحدة أو عدة طبقات من الخلايا العصبية (أو العصبونات)، تحقق وظيفة بين المداخل و المخارج ما هو التعلم العميق ؟ Deep Learning التعلم العميق هو جزء من ميدان تعلم الآلة يتمثل التعلم العميق في استخدام شبكات عصبية عميقة (مكونة من طبقتين من الخلايا العصبية، أو أكثر) في التعلم و التدرب على مجموعة كبيرة من البيانات الشبكات العصبية: عملية التدريب يتم تدريب الشبكة العصبية باستعمال مجموعة من البيانات تسمى بيانات التدريب، و ذلك من أجل إنجاز وظيفة محددة كيف يعمل العصبون ? العصبون هو دالة رياضية تقوم باحتساب المخرج انطلاقا من المداخل Z = W1.x1 + W2.x2 + b1 w1 و w2 تسمى الأوزان b1 يسمى الميل على مستوى المخرج، يتم تطبيق دالة تفعيل من أجل حصر المخرج دائما في المجال [0، 1] مثال لدالة التفعيل: دالة سيغمويد Sigmoid function بالنسبة لشبكة عصبية كاملة، سوف تكون وظيفة المخرج هي دالة متعلقة بجميع الأوزان و الأميال المكونة للشبكة تفاصيل عملية تدريب الشبكة العصبية في الشبكة العصبية ، تكمن الفكرة في توفير مجموعة من البيانات تسمى "مجموعة التدريب" (X1 إلى Xn) مع مجموعة النتائج المتوقعة المقابلة (Z1 إلى Zn). بالنسبة للشبكة العصبية ، نحدد "دالة الخسارة" Loss Function التي يتم حسابها كالفرق بين النتائج المتوقعة (Z1 إلى Zn) من ناحية ، ودالة الإخراج f (Xi، Wi، bi) المطبقة على المدخلات من ناحية أخرى. تقيس دالة الخسارة هذه الفرق بين النتيجة الفعلية التي قدمتها الشبكة العصبية والنتيجة المتوقعة مثال على دالة الخسارة (دالة الخطأ التربيعي المتوسط - Mean Squared function): سيتم "تدريب" الشبكة العصبية بناءً على مجموعة التدريب هذه ، لتقليل وظيفة الخسارة ، عن طريق ضبط الأوزان (Wi) و الأميال (Bi) للقيام بذلك ، نستخدم خوارزمية تكرارية تسمى "الانحدار المتدرج" Gradient Descent في كل دورة تدريب ، سيتم تعديل الأوزان (W1 ،…. Wn) و الأميال (b1 ،… .bn) وفقًا لهذه الخوارزمية ، وسيتم تنفيذ هذه العملية للعديد من الدورات بناءً على مجموعة التدريب ، حتى يتم تقليل وظيفة الخسارة إلى حد مناسب. بمجرد أن تصل الأوزان والأميال إلى القيم التي تسمح بهذه القيمة الدنيا المرضية لوظيفة الخسارة ، يمكننا حينئذٍ القول إن الشبكة العصبية الآن "مدربة" بأوزان وقيم أميال مناسبة ، وهي الآن جاهزة لعمل "تنبؤات" لا داعي للدخول في تعقيدات رياضية !! لتبسيط الأمر ، تذكر الأفكار الأربعة التالية: - تطبق الشبكة العصبية دالة من الأوزان والأميال على مجموعة من المدخلات للحصول على مجموعة من النتائج - لتدريب شبكة عصبية على وظيفة معينة ، نقوم بتزويدها بمجموعة من البيانات تسمى مجموعة التدريب (مجموعة من المدخلات + النتائج المتوقعة) - باستخدام مجموعة التدريب هذه ، نستخدم خوارزمية تكرارية (الانحدار المتدرج) لضبط الأوزان و الأميال حتى يتم تقليل دالة الخسارة إلى الحد الأدنى - بمجرد تحسين الأوزان و الأميال و وصولنا لأدنى حد ممكن من الخسارة ، تكون الشبكة العصبية جاهزة للتنبؤ بالنتيجة انطلاقا من بيانات جديدة (حتى لو لم يتم التدرب عليها في مجموعة التدريب الأصلية) من المفيد معرفة كيفية عمل الشبكة العصبية وكيفية تدريبها ، ولكن تنفيذ خوارزمية التدريب هو أمر مبرمج سلفا داخل مكتبات التعلم العميق الحالية (KERAS ، TensorFlow ، PyTorch ،….) ، تدير هذه المكتبات عملية التدريب بشفافية من أجلك بدون أن تحتاج الدخول في هذه التفاصيل الصورة التالية تقدم ملخصا لعملية تدريب الشبكات العصبية: نتمنى أن يكون هذا المقال نال إعجابكم و أوضح الصورة المجملة عن التعلم العميق و الشبكات الاصطناعية، و إلى أمل لقياكم في مقال جديد بإذن الله
الرجوع إلى الصفحة الرئيسية