تويت
ما هو التعلم العميق
التعلم العميق هو أسلوب تعلم آلي يقوم بإعداد الحواسيب للقيام بمهام بشكل طبيعي مع البشر. على سبيل المثال، التعلم العميق هو تقنية رئيسية وراء السيارات بدون سائق، مما يمكنها من التعرف على علامة التوقف أو تمييز أحد المشاة من عمود إنارة، أو إنه مفتاح التحكم الصوتي الموجود في أجهزة المستهلك مثل الهواتف والأجهزة اللوحية وأجهزة التلفزيون ومكبرات الصوت بدون استخدام اليدين.
يحصل التعلم العميق على الكثير من الاهتمام في الآونة الأخيرة ولسبب وجيه؛ إنه يحقق نتائج لم تكن ممكنة من قبل.
في التعلم العميق يتعلم نموذج الكمبيوتر أداء مهام التصنيف مباشرةً من الصور أو النص أو الصوت، كما يمكن لنماذج التعلم العميق أن تحقق دقة متطورة تتجاوز في بعض الأحيان الأداء على المستوى البشري، و يتم تدريب النماذج باستخدام مجموعة كبيرة من البيانات المصنفة وبنيات الشبكات العصبية التي تحتوي على طبقات متعددة.
كيف يعمل التعلم العميق
برامج الكمبيوتر التي تستخدم التعلم العميق تمر عبر العملية نفسها، حيث تقوم كل خوارزمية في التسلسل الهرمي بتطبيق تحويل غير خطي على مدخلاتها وتستخدم ما تتعلمه لإنشاء نموذج إحصائي كمخرج، وتستمر التكرارات حتى يصل المخرج إلى مستوى مقبول من الدقة. عدد طبقات المعالجة التي تمر عبرها البيانات هو ما أوحى بالطبقة العميقة.
ولأن هذه العملية تحاكي نظامًا من الخلايا العصبية البشرية، فإن هذا الشكل من التعلم يُشار إليه أحيانًا بالتعليم العصبي العميق أو الشبكات العصبية العميقة، وخلافًا للطفل الذي سيستغرق بضعة أسابيع أو حتى أشهر لفهم مفهوم "الكلب"، فإن برنامج الكمبيوتر الذي يستخدم خوارزميات التعلم المذكور يمكن أن يُظهر من خلال التدريب وفرز ملايين الصور بدقة القدرة في تحديد الصور التي يوجد فيها كلاب في بضع دقائق.
لتحقيق مستوى مقبول من الدقة تتطلب برامج التعلم العميق الوصول إلى كميات هائلة من بيانات التدريب وقوة المعالجة، ولم يكن أي منهما متاحًا بسهولة للمبرمجين حتى عصر البيانات الكبيرة والحوسبة السحابية. ولأن برمجة التعلم العميق قادرة على إنشاء نماذج إحصائية معقدة مباشرة من ناتجها التكراري الخاص، فإنها قادرة على إنشاء نماذج تنبؤية دقيقة من كميات كبيرة من البيانات غير المبوبة وغير المهيكلة، وهذا أمر مهم لأن إنترنت الأشياء (IoT) لا يزال أكثر انتشارًا، لأن معظم البيانات التي ينشئها البشر والآلات غير منظمة ولا يتم تصنيفها.
استخدامه اليوم يشمل جميع أنواع تطبيقات تحليلات البيانات الضخمة، وخاصة تلك التي تركز على معالجة اللغات الطبيعية (NLP)، وترجمة اللغات، والتشخيص الطبي، وإشارات تداول سوق الأوراق المالية، وأمن الشبكات، والتقاط الصور.
أمثلة على
تطبيقات التعلم العميق
لأنه يعالج المعلومات بطرق مشابهة للدماغ البشري، يمكن تطبيق هذه النماذج على العديد من المهام التي يقوم بها الأشخاص، إذ يتم استخدام التعلم العميق حاليًا في معظم أدوات التعرف على الصور الشائعة، ومعالجة بروتوكولات NLP وبرامج التعرف على الكلام، كما بدأت هذه الأدوات تظهر في تطبيقات متنوعة مثل السيارات ذاتية القيادة وخدمات ترجمة اللغات.
حدود التعلم
العميق
أكبر القيود على عملية التعلم هذه هي أنّها تتم من خلال الملاحظات، وهذا يعني أن المعلومات تقتصر فقط على ما كان في البيانات التي تم تدريب النماذج عليها، أي أنه إذا كان لدى المستخدم كمية صغيرة من البيانات أو مصدرها محدد لا يمثل بالضرورة المنطقة الوظيفية الأوسع، فلن تتعلم النماذج بطريقة يمكن تعميمها.
تعتبر قضية الانحراف مشكلة رئيسية لنماذج التعلّم العميق، فإذا تم تدريب نموذج على بيانات تحتوي على انحرافات؛ سيقوم النموذج بإعادة إنتاج هذه الانحرافات في تنبؤاته، وكانت هذه مشكلة مزعجة لمبرمجي التعلّم العميق لأن النماذج تتعلم التفريق بناءً على الاختلافات الدقيقة في عناصر البيانات، وهذا يعني على سبيل المثال أن نموذج التعرف على الوجوه قد يتخذ قرارات حول خصائص الأشخاص استنادًا إلى أشياء مثل العرق أو الجنس دون أن يكون المبرمج مدركًا لذلك.
التعلم العميق هو أسلوب تعلم آلي يقوم بإعداد الحواسيب للقيام بمهام بشكل طبيعي مع البشر. على سبيل المثال، التعلم العميق هو تقنية رئيسية وراء السيارات بدون سائق، مما يمكنها من التعرف على علامة التوقف أو تمييز أحد المشاة من عمود إنارة، أو إنه مفتاح التحكم الصوتي الموجود في أجهزة المستهلك مثل الهواتف والأجهزة اللوحية وأجهزة التلفزيون ومكبرات الصوت بدون استخدام اليدين.
يحصل التعلم العميق على الكثير من الاهتمام في الآونة الأخيرة ولسبب وجيه؛ إنه يحقق نتائج لم تكن ممكنة من قبل.
في التعلم العميق يتعلم نموذج الكمبيوتر أداء مهام التصنيف مباشرةً من الصور أو النص أو الصوت، كما يمكن لنماذج التعلم العميق أن تحقق دقة متطورة تتجاوز في بعض الأحيان الأداء على المستوى البشري، و يتم تدريب النماذج باستخدام مجموعة كبيرة من البيانات المصنفة وبنيات الشبكات العصبية التي تحتوي على طبقات متعددة.
كيف يعمل التعلم العميق
برامج الكمبيوتر التي تستخدم التعلم العميق تمر عبر العملية نفسها، حيث تقوم كل خوارزمية في التسلسل الهرمي بتطبيق تحويل غير خطي على مدخلاتها وتستخدم ما تتعلمه لإنشاء نموذج إحصائي كمخرج، وتستمر التكرارات حتى يصل المخرج إلى مستوى مقبول من الدقة. عدد طبقات المعالجة التي تمر عبرها البيانات هو ما أوحى بالطبقة العميقة.
ولأن هذه العملية تحاكي نظامًا من الخلايا العصبية البشرية، فإن هذا الشكل من التعلم يُشار إليه أحيانًا بالتعليم العصبي العميق أو الشبكات العصبية العميقة، وخلافًا للطفل الذي سيستغرق بضعة أسابيع أو حتى أشهر لفهم مفهوم "الكلب"، فإن برنامج الكمبيوتر الذي يستخدم خوارزميات التعلم المذكور يمكن أن يُظهر من خلال التدريب وفرز ملايين الصور بدقة القدرة في تحديد الصور التي يوجد فيها كلاب في بضع دقائق.
لتحقيق مستوى مقبول من الدقة تتطلب برامج التعلم العميق الوصول إلى كميات هائلة من بيانات التدريب وقوة المعالجة، ولم يكن أي منهما متاحًا بسهولة للمبرمجين حتى عصر البيانات الكبيرة والحوسبة السحابية. ولأن برمجة التعلم العميق قادرة على إنشاء نماذج إحصائية معقدة مباشرة من ناتجها التكراري الخاص، فإنها قادرة على إنشاء نماذج تنبؤية دقيقة من كميات كبيرة من البيانات غير المبوبة وغير المهيكلة، وهذا أمر مهم لأن إنترنت الأشياء (IoT) لا يزال أكثر انتشارًا، لأن معظم البيانات التي ينشئها البشر والآلات غير منظمة ولا يتم تصنيفها.
استخدامه اليوم يشمل جميع أنواع تطبيقات تحليلات البيانات الضخمة، وخاصة تلك التي تركز على معالجة اللغات الطبيعية (NLP)، وترجمة اللغات، والتشخيص الطبي، وإشارات تداول سوق الأوراق المالية، وأمن الشبكات، والتقاط الصور.
أمثلة على
تطبيقات التعلم العميق
لأنه يعالج المعلومات بطرق مشابهة للدماغ البشري، يمكن تطبيق هذه النماذج على العديد من المهام التي يقوم بها الأشخاص، إذ يتم استخدام التعلم العميق حاليًا في معظم أدوات التعرف على الصور الشائعة، ومعالجة بروتوكولات NLP وبرامج التعرف على الكلام، كما بدأت هذه الأدوات تظهر في تطبيقات متنوعة مثل السيارات ذاتية القيادة وخدمات ترجمة اللغات.
حدود التعلم
العميق
أكبر القيود على عملية التعلم هذه هي أنّها تتم من خلال الملاحظات، وهذا يعني أن المعلومات تقتصر فقط على ما كان في البيانات التي تم تدريب النماذج عليها، أي أنه إذا كان لدى المستخدم كمية صغيرة من البيانات أو مصدرها محدد لا يمثل بالضرورة المنطقة الوظيفية الأوسع، فلن تتعلم النماذج بطريقة يمكن تعميمها.
تعتبر قضية الانحراف مشكلة رئيسية لنماذج التعلّم العميق، فإذا تم تدريب نموذج على بيانات تحتوي على انحرافات؛ سيقوم النموذج بإعادة إنتاج هذه الانحرافات في تنبؤاته، وكانت هذه مشكلة مزعجة لمبرمجي التعلّم العميق لأن النماذج تتعلم التفريق بناءً على الاختلافات الدقيقة في عناصر البيانات، وهذا يعني على سبيل المثال أن نموذج التعرف على الوجوه قد يتخذ قرارات حول خصائص الأشخاص استنادًا إلى أشياء مثل العرق أو الجنس دون أن يكون المبرمج مدركًا لذلك.