التعلم العميق مقابل الشبكات العصبية – بقلم المهندس صادق علي القطري

هذا المقال أحد سلسلة من المقالات المكملة للمقالات السابقة (المرفقة) التي تطرقت اليها في مجال الذكاء الاصطناعي (AI). ولأهمية هذا المجال أحببت من وقت الى آخر التطرق الى فرع من فروعه او شرح مصطلح او مفهوم من مفاهيمه الى جيل أبنائنا وبناتنا ، وذلك لتشجيعهم الى الانخراط في هذا المجال الواعد والمستقبلي.

هذا المجال مهما تكلمت عنه فانه لا يمكن تغطيته في عدة مقالات بل يحتاج الى كتب ومجلدات ، لذا هنا أحببت أن أتطرق الى مفهومين او مصطلحين فقط (التعلم العميق مقابل الشبكات العصبية) والتي لا يفرق بينها بعض مستخدمي الاعمال ، وذلك لأجل تبسيطها للأجيال عسى ان أوفق لذلك.

جلبت البيانات الضخمة والذكاء الاصطناعي (AI) العديد من المزايا للشركات في السنوات الأخيرة. ولكن مع هذه التطورات تأتي مجموعة من المصطلحات الجديدة التي يتعين علينا جميعًا استيعابها. نتيجة لذلك، يُترك بعض مستخدمي الأعمال غير متأكدين من الاختلاف بين المصطلحات، أو يستخدمون مصطلحات ذات معاني مختلفة بالتبادل.

“الشبكات العصبية” و “التعلم العميق” هما مصطلحان من هذا القبيل لاحظت أنهما يستخدمان بالتبادل، على الرغم من وجود اختلاف بين الاثنين. لذلك، في هذه المقالة، أعرّف كل من الشبكات العصبية والتعلم العميق، وألقي نظرة على كيفية اختلافهما.

ما هي الشبكة العصبية؟

ربما جاء الذكاء الاصطناعي على قدم وساق في السنوات القليلة الماضية، لكننا ما زلنا بعيدًا عن الآلات الذكية حقًا – الآلات التي يمكنها التفكير واتخاذ القرارات مثل البشر. قد توفر الشبكات العصبية الاصطناعية (اختصارًا ANN) الإجابة على هذا السؤال.

تتكون أدمغة الإنسان من شبكات متصلة من الخلايا العصبية. تسعى شبكات (ANN) إلى محاكاة هذه الشبكات وجعل أجهزة الكمبيوتر تعمل مثل خلايا الدماغ المترابطة، حتى يتمكنوا من التعلم واتخاذ القرارات بطريقة أكثر شبها بالبشر.

وتتكون الشبكات العصبية من مجموعة متنوعة من الخوارزميات المصممة على غرار الدماغ البشري. يمكن لهذه الخوارزميات تفسير البيانات الحسية عبر إدراك الآلة وتسمية أو تجميع البيانات الأولية. وهي مصممة للتعرف على الأنماط العددية الموجودة في المتجهات التي يجب ترجمة جميع بيانات العالم الحقيقي (الصور، الصوت، النص، السلاسل الزمنية، إلخ).

بشكل أساسي، تتمثل المهمة الأساسية للشبكات العصبية في تجميع البيانات الأولية وتصنيفها – فهي تجمع البيانات غير المسماة بناءً على أوجه التشابه الموجودة في بيانات الإدخال ثم تصنف البيانات بناءً على مجموعة بيانات التدريب المسمى. يمكن للشبكات العصبية أن تتكيف تلقائيًا مع المدخلات المتغيرة. لذلك، لا تحتاج إلى إعادة تصميم معايير الإخراج في كل مرة يتغير فيها الإدخال للحصول على أفضل نتيجة ممكنة.

أجزاء مختلفة من الدماغ البشري مسؤولة عن معالجة أجزاء مختلفة من المعلومات، وهذه الأجزاء من الدماغ مرتبة بشكل هرمي أو في طبقات. بهذه الطريقة، عندما تصل المعلومات إلى الدماغ، يقوم كل مستوى من الخلايا العصبية بمعالجة المعلومات، ويوفر البصيرة، ويمرر المعلومات إلى الطبقة التالية، الأقدم.

؛؛على سبيل المثال: قد يعالج عقلك الرائحة اللذيذة للبيتزا التي تنبعث من مقهى في الشارع على مراحل متعددة: “أشم رائحة البيتزا” (هذا هو إدخال بياناتك) …،  “أحب البيتزا!” (فكر) …،  “سأذهب كي أحضر لي بعضًا من تلك البيتزا” (صنع القرار) …،  “أوه، لكنني وعدت بقطع الوجبات السريعة” (الذاكرة) …،  “بالتأكيد شريحة واحدة لن تؤذي؟” (التفكير)…،  “أنا أفعل ذلك!” (عمل)؛؛

إنها طريقة متعددة الطبقات لمعالجة المعلومات واتخاذ القرارات التي تحاول شبكات (ANN) محاكاتها. في أبسط أشكالها، يمكن أن تحتوي (ANN) على ثلاث طبقات فقط من الخلايا العصبية: طبقة الإدخال (حيث تدخل البيانات إلى النظام) ، والطبقة المخفية (حيث تتم معالجة المعلومات) وطبقة الإخراج (حيث يقرر النظام ما يجب القيام به بناءً على البيانات).

ولكن يمكن أن تصبح شبكات (ANN) أكثر تعقيدًا من ذلك بكثير، وتتضمن عدة طبقات مخفية. سواء كانت ثلاث طبقات أو أكثر، تتدفق المعلومات من طبقة إلى أخرى، تمامًا كما هو الحال في الدماغ البشري.

ما هو التعلم العميق؟

يمثل التعلم العميق أحدث تقنيات الذكاء الاصطناعي (AI). بدلاً من تعليم أجهزة الكمبيوتر لمعالجة البيانات والتعلم منها (وهي طريقة عمل التعلم الآلي)، مع التعلم العميق، يدرب الكمبيوتر نفسه على معالجة البيانات والتعلم منها.

والتعلم العميق أو التعلم الهرمي هو مجموعة فرعية من التعلم الآلي في الذكاء الاصطناعي الذي يمكنه محاكاة وظيفة معالجة البيانات في الدماغ البشري وإنشاء أنماط مماثلة يستخدمها الدماغ في صنع القرار. على عكس الخوارزميات القائمة على المهام، تتعلم أنظمة التعلم العميق من تمثيل البيانات – يمكنهم التعلم من البيانات غير المنظمة أو غير المصنفة.

لقد وجدت معماريات التعلم العميق مثل الشبكات العصبية العميقة وشبكات المعتقدات والشبكات العصبية المتكررة والشبكات العصبية التلافيفية تطبيقات في مجال رؤية الكمبيوتر والتعرف على الصوت / الكلام والترجمة الآلية وتصفية الشبكات الاجتماعية والمعلوماتية الحيوية وتصميم الأدوية وغير ذلك الكثير.

كل هذا ممكن بفضل طبقات الشبكات العصبية الاصطناعية. تذكر أنني قلت إن (ANN) في أبسط أشكالها بها ثلاث طبقات فقط؟ حسنًا، تُسمى (ANN) المكونة من أكثر من ثلاث طبقات – أي طبقة إدخال وطبقة إخراج وطبقات مخفية متعددة – باسم “الشبكة العصبية العميقة”، وهذا ما يدعم التعلم العميق.

؛؛نظام التعلم العميق هو تعليم ذاتي، يتعلم أثناء مروره عن طريق تصفية المعلومات من خلال طبقات مخفية متعددة، بطريقة مماثلة للبشر؛؛

كما ترى، فإن الاثنين مرتبطان ارتباطًا وثيقًا لأن أحدهما يعتمد على الآخر ليعمل. بدون الشبكات العصبية، لن يكون هناك تعلم عميق.

إن كمية البيانات التي ننتجها كل يوم مذهلة – تقدر حاليًا بـ 2.6 كوينتيليون بايت – وهي المورد الذي يجعل التعلم العميق ممكنًا. نظرًا لأن خوارزميات التعلم العميق تتطلب الكثير من البيانات للتعلم منها، فإن هذه الزيادة في إنشاء البيانات هي أحد أسباب نمو قدرات التعلم العميق في السنوات الأخيرة.

بالإضافة إلى المزيد من إنشاء البيانات، تستفيد خوارزميات التعلم العميق من قوة الحوسبة الأقوى المتوفرة اليوم بالإضافة إلى انتشار الذكاء الاصطناعي (AI) كخدمة. أتاح الذكاء الاصطناعي كخدمة للمنظمات الأصغر الوصول إلى تكنولوجيا الذكاء الاصطناعي وتحديداً خوارزميات الذكاء الاصطناعي المطلوبة للتعلم العميق دون استثمار أولي كبير.

يتيح التعلم العميق للآلات حل المشكلات المعقدة حتى عند استخدام مجموعة بيانات شديدة التنوع وغير منظمة ومترابطة. كلما تعلمت خوارزميات التعلم العميق، كان أداؤها أفضل.

وهناك ثمانية أمثلة عملية للتعلم العميق حيث أصبحنا الان في وقت تستطيع فيه الآلات تعلم حل المشكلات المعقدة دون تدخل بشري، وما هي بالضبط المشكلات التي تعالجها؟ فيما يلي عدد قليل من المهام التي يدعمها التعلم العميق اليوم وستستمر القائمة في النمو مع استمرار الخوارزميات في التعلم من خلال ضخ البيانات:

• مساعدين افتراضيين

سواء كانت (Alexa) أو (Siri) أو (Cortana)، يستخدم المساعدون الافتراضيون لمقدمي الخدمات عبر الإنترنت التعلم العميق للمساعدة في فهم كلامك واللغة التي يستخدمها البشر عندما يتفاعلون معهم.

• الترجمات

بطريقة مماثلة، يمكن لخوارزميات التعلم العميق أن تترجم تلقائيًا بين اللغات. يمكن أن يكون هذا مفيدًا للمسافرين ورجال الأعمال والحكومة.

• رؤية لشاحنات التوصيل بدون سائق والطائرات بدون طيار والسيارات ذاتية القيادة

الطريقة التي تفهم بها السيارة المستقلة حقائق الطريق وكيفية الاستجابة لها سواء كانت علامة توقف أو كرة في الشارع أو مركبة أخرى هي من خلال خوارزميات التعلم العميق. كلما زادت البيانات التي تتلقاها الخوارزميات، كانت قدرتها على التصرف بشكل أفضل مثل الإنسان في معالجة المعلومات – معرفة علامة التوقف المغطاة بالثلج لا تزال علامة توقف.

• روبوتات المحادثة وروبوتات الخدمة

روبوتات المحادثة وروبوتات الخدمة التي تقدم خدمة العملاء للعديد من الشركات قادرة على الاستجابة بطريقة ذكية ومفيدة لعدد متزايد من الأسئلة السمعية والنصية بفضل التعلم العميق.

• تلوين الصورة

كان تحويل الصور بالأبيض والأسود إلى ألوان مهمة في السابق تتم بدقة بواسطة يد الإنسان. اليوم، خوارزميات التعلم العميق قادرة على استخدام السياق والكائنات في الصور لتلوينها لإعادة إنشاء الصورة بالأبيض والأسود بالألوان. النتائج مبهرة ودقيقة.

• التعرف على الوجه

يتم استخدام التعلم العميق للتعرف على الوجه ليس فقط للأغراض الأمنية ولكن لوضع علامات على الأشخاص في منشورات (Facebook) وقد نتمكن من الدفع مقابل العناصر الموجودة في المتجر فقط باستخدام وجوهنا في المستقبل القريب. تتمثل التحديات التي تواجه خوارزميات التعلم العميق للتعرف على الوجه في معرفة أنه الشخص نفسه حتى عند تغيير تسريحات الشعر أو نمو اللحية أو حلقها أو إذا كانت الصورة الملتقطة سيئة بسبب الإضاءة السيئة أو وجود عائق.

• الأدوية والمستحضرات الصيدلانية

من تشخيص الأمراض والأورام إلى الأدوية الشخصية التي تم إنشاؤها خصيصًا لجينوم الفرد، يحظى التعلم العميق في المجال الطبي باهتمام العديد من أكبر شركات الأدوية والطب.

• تسوق وترفيه شخصي

هل تساءلت يومًا كيف تقدم (Netflix) اقتراحات لما يجب أن تشاهده بعد ذلك؟ أو من أين تأتي أمازون بأفكار لما يجب عليك شراؤه بعد ذلك وهذه الاقتراحات هي بالضبط ما تحتاجه ولكنك لم تعرفه من قبل؟ نعم، إنها خوارزميات التعلم العميق في العمل.

التعلم العميق مقابل الشبكة العصبية

بينما يدمج التعلم العميق الشبكات العصبية في بنيته، هناك فرق صارخ بين التعلم العميق والشبكات العصبية. سنلقي الضوء هنا على نقاط الاختلاف الرئيسية الثلاث بين التعلم العميق والشبكات العصبية:

• التعريف

الشبكات العصبية – إنها بنية تتكون من خوارزميات (ML) حيث تصنع الخلايا العصبية الاصطناعية الوحدة الحسابية الأساسية التي تركز على الكشف عن الأنماط أو الاتصالات الأساسية داخل مجموعة البيانات، تمامًا كما يفعل الدماغ البشري أثناء اتخاذ القرار.

التعلم العميق – هو فرع من فروع التعلم الآلي الذي يستفيد من سلسلة من وحدات المعالجة غير الخطية التي تتكون من طبقات متعددة لتحويل الميزات واستخراجها. يحتوي على عدة طبقات من الشبكات العصبية الاصطناعية التي تنفذ عملية (ML). تعالج الطبقة الأولى من الشبكة العصبية إدخال البيانات الأولية وتمرر المعلومات إلى الطبقة الثانية. المسار الوظيفي للتعلم العميق: أهم الأدوار الوظيفية الرائعة حيث يقوم الثاني لاحقًا بمعالجة هذه المعلومات بشكل أكبر عن طريق إضافة معلومات إضافية (على سبيل المثال، عنوان (IP) الخاص بالمستخدم) ويمررها إلى الطبقة التالية. تستمر هذه العملية في جميع طبقات شبكة التعلم العميق حتى يتم تحقيق النتيجة المرجوة.

• الهيكل

تتكون الشبكة العصبية من المكونات التالية: الخلايا العصبية – الخلايا العصبية هي وظيفة رياضية مصممة لتقليد عمل الخلايا العصبية البيولوجية. يحسب المتوسط ​​المرجح لإدخال البيانات ويمرر المعلومات من خلال وظيفة غير خطية، مثل وظيفة التنشيط (على سبيل المثال، السيني).

الاتصال والأوزان – كما يوحي الاسم، تربط الوصلات خلية عصبية في طبقة ما بخلايا عصبية أخرى في نفس الطبقة أو طبقة أخرى. كل اتصال له قيمة وزن مرتبطة به. هنا، يمثل الوزن قوة الاتصال بين الوحدات. الهدف هو تقليل قيمة الوزن لتقليل احتمالات الخسارة (الخطأ).

وظيفة الانتشار – تعمل وظيفتان من وظائف الانتشار في شبكة عصبية: الانتشار الأمامي الذي يوفر “القيمة المتوقعة” والانتشار العكسي الذي يوفر “قيمة الخطأ”.

معدل التعلم – يتم تدريب الشبكات العصبية باستخدام (Gradient Descent) لتحسين الأوزان. يتم استخدام التكاثر العكسي عند كل تكرار لحساب مشتق دالة الخسارة بالإشارة إلى كل قيمة وزن وطرحها من ذلك الوزن. يقرر معدل التعلم مدى السرعة أو البطء الذي تريد تحديث قيم (معلمة) الوزن الخاصة بالنموذج.

يتكون نموذج التعلم العميق من المكونات التالية: اللوحة الأم – عادة ما تعتمد مجموعة شرائح اللوحة الأم للنموذج على ممرات (PCI-e).

المعالجات – يجب تحديد وحدة معالجة الرسومات (GPU) المطلوبة للتعلم العميق وفقًا لعدد النوى وتكلفة المعالج.

ذاكرة الوصول العشوائي (RAM) – هذه هي الذاكرة الفعلية والتخزين. نظرًا لأن خوارزميات التعلم العميق تتطلب استخدامًا أكبر لوحدة المعالجة المركزية ومساحة تخزين، يجب أن تكون ذاكرة الوصول العشوائي ضخمة.

(PSU) – مع زيادة متطلبات الذاكرة ، يصبح من الضروري استخدام (PSU) كبير يمكنه التعامل مع وظائف التعلم العميق الضخمة والمعقدة.

• العمارة

تتضمن بنية الشبكة العصبية ما يلي: شبكات التغذية العصبية الأمامية – هذا هو النوع الأكثر شيوعًا من بنية الشبكة العصبية حيث تكون الطبقة الأولى هي طبقة الإدخال، والطبقة النهائية هي طبقة الإخراج. جميع الطبقات الوسيطة هي طبقات مخفية.

الشبكات العصبية المتكررة – بنية الشبكة هذه عبارة عن سلسلة من الشبكات العصبية الاصطناعية حيث تقوم الاتصالات بين العقد بعمل رسم بياني موجه على طول تسلسل زمني. ومن ثم، فإن هذا النوع من الشبكات يصور السلوك الديناميكي الزمني.

الشبكات العصبية المتصلة بشكل متماثل – تشبه الشبكات العصبية المتكررة مع الاختلاف الوحيد هو أنه في الشبكات العصبية المتصلة بشكل متماثل، تكون الاتصالات بين الوحدات متماثلة (لها نفس قيم الوزن في كلا الاتجاهين).

تتضمن بنية نموذج التعلم العميق ما يلي: شبكات مدربة مسبقًا غير خاضعة للإشراف – كما يوحي الاسم، لا تحتاج هذه البنية إلى تدريب رسمي نظرًا لأنها مدربة مسبقًا على التجارب السابقة. وتشمل هذه أجهزة التشفير الآلي وشبكات الاعتقاد العميق وشبكات الخصومة التوليدية.

الشبكات العصبية التلافيفية – هذه خوارزمية التعلم العميق التي يمكن أن تأخذ صورة إدخال، وتعيين الأهمية (الأوزان والتحيزات القابلة للتعلم) لكائنات مختلفة في الصورة، وكذلك التمييز بين هذه الكائنات.

الشبكات العصبية المتكررة – تشير الشبكات العصبية المتكررة إلى نوع معين من الشبكات العصبية الاصطناعية التي تضيف أوزانًا إضافية إلى الشبكة لإنشاء دورات في الرسم البياني للشبكة وذلك للحفاظ على الحالة الداخلية.

الشبكات العصبية العودية – هذا هو نوع من الشبكات العصبية العميقة التي يتم إنشاؤها عن طريق تطبيق نفس مجموعة الأوزان بشكل متكرر على مدخلات منظمة، لإنتاج تنبؤ منظم فوق أو توقع قياسي على هياكل إدخال متغيرة الحجم عن طريق تمرير بنية طوبولوجية.

نظرًا لأن التعلم العميق والشبكات العصبية متشابكان بشدة، فمن الصعب التمييز بينهما على مستوى السطح. ومع ذلك، فإن هناك فرقًا كبيرًا بين التعلم العميق والشبكات العصبية.

بينما تستخدم الشبكات العصبية الخلايا العصبية لنقل البيانات في شكل قيم إدخال وقيم مخرجات من خلال الاتصالات، يرتبط التعلم العميق بتحويل واستخراج الميزة التي تحاول إنشاء علاقة بين المنبهات والاستجابات العصبية المرتبطة الموجودة في الدماغ.

المصادر:

1. https://bernardmarr.com/deep-learning-vs-neural-networks-whats-the-difference/
2. https://bernardmarr.com/what-is-deep-learning-ai-a-simple-guide-with-8-practical-examples/
3. https://bernardmarr.com/what-is-the-difference-between-artificial-intelligence-and-machine-learning/
4. https://bernardmarr.com/how-do-you-know-when-and-where-to-apply-deep-learning/
5. https://bernardmarr.com/what-is-the-difference-between-data-mining-and-machine-learning/
6. https://www.bbntimes.com/science/artificial-intelligence-vs-machine-learning-vs-artificial-neural-networks-vs-deep-learning
7. https://www.qatifscience.com/2021/12/25/%d9%85%d8%a7-%d9%8a%d8%ac%d8%a8-%d8%b9%d9%84%d9%89-%d8%af%d8%a7%d8%b1%d8%b3-%d8%a7%d9%84%d8%b0%d9%83%d8%a7%d8%a1-%d8%a7%d9%84%d8%a7%d8%b5%d8%b7%d9%86%d8%a7%d8%b9%d9%8a-%d8%af%d8%b1%d8%a7%d8%b3%d8%aa/
8. https://www.qatifscience.com/2021/12/23/%d8%aa%d8%b7%d8%a8%d9%8a%d9%82%d8%a7%d8%aa-%d8%a7%d9%84%d8%b0%d9%83%d8%a7%d8%a1-%d8%a7%d9%84%d8%a7%d8%b5%d8%b7%d9%86%d8%a7%d8%b9%d9%8a-%d9%81%d9%8a-%d8%a7%d9%84%d8%b9%d8%a7%d9%84%d9%85-%d8%a7%d9%84/
9. https://www.qatifscience.com/2021/12/18/%d8%a7%d9%84%d8%b0%d9%83%d8%a7%d8%a1-%d8%a7%d9%84%d8%a7%d8%b5%d8%b7%d9%86%d8%a7%d8%b9%d9%8a-%d8%aa%d8%ae%d8%b5%d8%b5-%d8%a3%d8%ac%d9%8a%d8%a7%d9%84-%d8%a7%d9%84%d9%85%d8%b3%d8%aa%d9%82%d8%a8%d9%84/