معلومات عامة

ثورة التعلم العميق

ثورة التعلم العميق : تعرف على وجه ، أكمل جملة ، اربح لعبة … بعد عقود من خيبة الأمل ، أصبحت الآلات الذكية أخيرًا حقيقة – بفضل شبكات من عدة طبقات من الخلايا العصبية الاصطناعية.

أثارت أجهزة الكمبيوتر قدرًا كبيرًا من الحماس والتوقعات في الخمسينيات من القرن الماضي ، عندما بدأت في التغلب على بعض المشجعين رفيعي المستوى عند لعبة الداما. في الستينيات ، كان الباحثون يأملون في تكرار وظائف الدماغ البشري باستخدام الكمبيوتر وبرامج الكمبيوتر. ومن ثم فإن “الذكاء الاصطناعي” سوف يساوي أداء الإنسان في جميع أنواع المهام. في عام 1967 ، ادعى المتخصص مارفن مينسكي من معهد ماساتشوستس للتكنولوجيا أن تحديات الذكاء الاصطناعي ستحل في غضون جيل واحد.

كان هذا التفاؤل سابقًا لأوانه. برنامج اليوم لمساعدة الأطباء على إجراء تشخيص أفضل والشبكات المصممة على غرار الدماغ البشري للتعرف على محتوى الصور فشلت في الوفاء بوعود الجنون الأولي. كانت الخوارزميات بسيطة للغاية وتفتقر إلى البيانات اللازمة لإتقان تعلمهم. كانت قوة معالجة الكمبيوتر أيضًا غير كافية لتشغيل آلات قادرة على إجراء الحسابات المعقدة المطلوبة لتقليد ، حتى تقريبًا ، تعقيدات الفكر البشري.

جدول المحتويات

بحلول منتصف العقد الأول من القرن الحادي والعشرين

بحلول منتصف العقد الأول من القرن الحادي والعشرين ، كان حلم بناء آلات ذكية مثل البشر قد تخلى عنه المجتمع العلمي تقريبًا. في ذلك الوقت ، حتى مصطلح “الذكاء الاصطناعي” بدا وكأنه قد هجر عالم العلم الجاد. يصف الباحثون الفترة من السبعينيات إلى منتصف العقد الأول من القرن الحادي والعشرين بأنها “شتاء الذكاء الاصطناعي” ، وهو نوع من الذكاء الاصطناعي في فصل الشتاء الجليدي الطويل حيث تحطمت كل الآمال.

إقرأ أيضا:العيش بدون نقود هل هذا ممكن؟

بدأت الأمور تتغير في عام 2005. تغيرت وجهات النظر في مجال الذكاء الاصطناعي بشكل كبير مع التعلم الآلي وظهور “التعلم العميق” ، الذي يعيد النظر في الارتباطية في الستينيات ويستمد الإلهام من علم الأعصاب. ترقى الإنجازات الحالية للتعلم العميق إلى مستوى الوعود السابقة ، وتنفق شركات تكنولوجيا المعلومات الكبيرة الآن مليارات الدولارات أو اليورو على تطويرها.

ثورة التعلم العميق : من خلال التعلم العميق

من خلال التعلم العميق ، يفهم المرء المعالجة التي يقوم بها عدد كبير من الخلايا العصبية الاصطناعية (تقلد بطريقة مبسطة للغاية الخلايا العصبية البيولوجية) والتي ، من خلال تفاعلاتها ، تسمح للنظام بالتعلم تدريجيًا بدءًا من الصور أو النصوص أو من البيانات الأخرى. يعتمد التعلم على مبادئ رياضية عامة. نتيجة التعلم هي تمثيل (على سبيل المثال ، “تحتوي هذه الصورة على عناصر مختلفة”) ، أو قرار (على سبيل المثال “تمثل هذه الصورة جان دوبونت”) أو تحويل (على سبيل المثال ، ترجمة نص بلغة أخرى).

لقد حولت تقنية التعلم العميق البحث إلى ذكاء اصطناعي ، وأعادت إحياء الطموحات المنسية لرؤية الكمبيوتر ، والتعرف التلقائي على الكلام والروبوتات. تم إطلاق التطبيقات الأولى في عام 2012 لفهم الكلام (لقد سمعت بالتأكيد عن Siri ، الذي يجهز iPhone). وبعد فترة وجيزة ظهرت البرامج التي تحدد محتوى الصورة ، وهي ميزة مدرجة الآن في محرك بحث صور Google.

إقرأ أيضا:تقنيات تساعد على الاسترخاء

يمكن لأي شخص يشعر بالإحباط بسبب القوائم غير الملائمة

يمكن لأي شخص يشعر بالإحباط بسبب القوائم غير الملائمة على هاتفه أن يقدر فوائد استخدام Siri أو “مساعد شخصي” آخر على أجهزته. وبالنسبة لأولئك الذين يتذكرون مدى سوء التعرف على الأشياء قبل بضع سنوات فقط (على سبيل المثال ، خلط البرنامج بين مكنسة كهربائية وأرماديلو ، على سبيل المثال) ، فإن التقدم في رؤية الآلة كان استثنائيًا: اليوم ، في ظل ظروف معينة ، يمكن لأجهزة الكمبيوتر التعرف على قطة ، الحجر أو الوجوه في الصور تقريبًا مثلها مثل البشر. أصبحت برامج الذكاء الاصطناعي الآن جزءًا من الحياة اليومية لملايين مستخدمي الهواتف. أنا شخصياً لم أعد أكتب الرسائل: أتحدث إلى هاتفي فقط ،

مهدت هذه التطورات الطريق لإدراك جديد لهذه التقنيات ، للتطبيقات التجارية ، ولا يزال الاهتمام ينمو. المنافسة محتدمة بين الشركات لجذب المواهب الشابة ؛ الدكتوراه في التعلم العميق هي سلعة نادرة مطلوبة كثيرًا. انتقل العديد من أساتذة الجامعات المتخصصين في هذا المجال (الغالبية ، حسب بعض التقديرات) من الأوساط الأكاديمية إلى الصناعة ، حيث تبهرهم أحدث المعدات والرواتب السخية.

ثورة التعلم العميق : أدت الجهود المبذولة لمواجهة تحديات التعلم العميق إلى بعض النجاحات المحيرة للعقل

أدت الجهود المبذولة لمواجهة تحديات التعلم العميق إلى بعض النجاحات المحيرة للعقل. تصدّر الانتصار الأخير الذي حققته الشبكة العصبية على اللاعب المحترف لي سيدول عناوين الصحف. ستتوسع التطبيقات لتشمل مجالات أخرى من الخبرة البشرية ، وليس فقط الألعاب. على سبيل المثال ، ستكون خوارزمية التعلم العميق المطورة حديثًا قادرة على تشخيص قصور القلب على صور التصوير بالرنين المغناطيسي وكذلك طبيب القلب.

إقرأ أيضا:تخلص من السكر و الحصول على بديل الأفضل لك

يأتي هذا النجاح الأخير في التعلم العميق بمثابة مفاجأة عندما تنظر إلى تاريخ الذكاء الاصطناعي. لماذا واجه العديد من العقبات في العقود الماضية؟ لأن تعلم أشياء جديدة أمر صعب بالنسبة للآلة. معظم المعرفة التي لدينا عن العالم من حولنا ليست رسمية في لغة مكتوبة في شكل مجموعة من المهام الصريحة ، وهو أمر ضروري لكتابة برنامج كمبيوتر. هذا هو السبب في أننا لم نتمكن من برمجة جهاز كمبيوتر بشكل مباشر للقيام بمعظم المهام الواضحة أو السهلة بالنسبة لنا ، سواء كانت فهم الكلام أو تفسير الصور أو قيادة السيارة.

هذا هو المكان الذي يأتي فيه التعلم الآلي

هو المكان الذي يأتي فيه التعلم الآلي – الإطار العام للتعلم العميق. يعتمد على المبادئ العامة ، مما يسمح للأنظمة باستخدام البيانات المتاحة لتعلم اتخاذ القرار بشكل جيد ، واكتساب المعرفة الجيدة ، وفي النهاية ، البحث عن بيانات جديدة للتعلم بشكل أفضل. لكن ما هو القرار “الجيد”؟ بالنسبة للحيوانات ، فيما يتعلق بمبادئ التطور ، يجب أن تكون القرارات التي يتم اتخاذها هي تلك التي تعمل على تحسين فرص البقاء والتكاثر. في المجتمعات البشرية ، يكون تحديد القرار الجيد أكثر دقة ويمكن أن يشمل التفاعلات الاجتماعية التي تمنح مكانة عالية أو إحساسًا بالرفاهية. بالنسبة للسيارة ذاتية القيادة ، التي تقود نفسها ، ستكون جودة اتخاذ القرار

المعرفة اللازمة لاتخاذ قرار جيد في سياق معين ليست بالضرورة واضحة وسهلة الترجمة إلى لغة الكمبيوتر. الفأر ، على سبيل المثال ، يعرف بيئته جيدًا ولديه إحساس فطري بالمكان الذي يجب أن يشم فيه ، ويعرف غريزيًا كيفية تحريك مخالبه ، والعثور على الطعام ، وتجنب الحيوانات المفترسة … لن يتمكن أي عالم كمبيوتر من تحديد برنامج خطوة. خطوة بخطوة لإنتاج هذه السلوكيات. ومع ذلك ، فإن هذه المعرفة مشفرة في دماغ القوارض.

ثورة التعلم العميق ; تعلم من العديد من الأمثلة

قبل إنشاء أجهزة كمبيوتر قادرة على التعلم ، يجب على العلماء الإجابة عن الأسئلة الأساسية ، لا سيما فيما يتعلق بالفصل بين الفطري (الذي يعد جزءًا من النظام منذ البداية) والمكتسب (ما يتعلم النظام التعلم منه). بناءً على خبرته). منذ الخمسينيات من القرن الماضي ، درس الباحثون وحاولوا تحسين المبادئ العامة التي تمكن الحيوانات والبشر (وكذلك ، في هذه الحالة ، الآلات) من اكتساب المعرفة من خلال التجربة. يهدف التعلم الآلي إلى وضع إجراءات ، تسمى خوارزميات التعلم ، والتي تمنح الآلة القدرة على التعلم من الأمثلة المقدمة لها.

يواجه علم التعلم الآلي نتيجة سلبية

يواجه علم التعلم الآلي نتيجة سلبية رسمية يطلق عليها اسم ” لا غداء مجاني” : إذا كانت جميع المشكلات متساوية في الاحتمال ، فلا يوجد شيء اسمه خوارزمية عالمية. – قل أفضل من جميع المشكلات الأخرى في جميع المشكلات. لذلك عليك تطوير خوارزميات مختلفة لمعالجة فئات مختلفة من المشاكل (على سبيل المثال التعرف على غروب الشمس أو ترجمة نص إلى الأردية). وبالتالي ، يعتمد التعلم الآلي على ركيزتين ، النظرية والتجريبية: المشكلة الحقيقية لا ترضي دائمًا الفرضيات النظرية للخوارزمية ، والتحقق من صحة الخوارزمية على البيانات الحقيقية ضروري دائمًا.

ومع ذلك ، يبدو أن دماغنا يشتمل على خوارزميات عامة تسمح لنا بتعلم العديد من المهام التي لم يكن التطور قد أعد أسلافنا من أجلها: لعب الشطرنج أو بناء الجسور أو إجراء أبحاث في الذكاء الاصطناعي.

ثورة التعلم العميق : تشير هذه المهارات الإضافية إلى أن الذكاء البشري ي

تشير هذه المهارات الإضافية إلى أن الذكاء البشري يمكن أن يظل مصدر إلهام لإنشاء آلات ذات شكل من أشكال الذكاء العام. هذا هو بالضبط سبب تبني مطوري الشبكات العصبية لنموذج الدماغ كدليل لتصميم الأنظمة الذكية.

الوحدات الحسابية الرئيسية في الدماغ هي خلايا تسمى الخلايا العصبية. ينقل العصبون إشارة على شكل نبضة كهربائية تنتقل إلى المشبك ، منطقة التلامس مع عصبون آخر. يتم إطلاق جزيئات تسمى الناقلات العصبية ثم إعادة امتصاصها من قبل الخلايا العصبية المستهدفة ، مما يسمح للأخير بالسيطرة. يُطلق على ميل الخلية العصبية لنقل إشارة إلى خلية عصبية أخرى القوة المشبكية. عندما “تتعلم” الخلية العصبية ، تزداد قوتها التشابكية ، ومن المرجح أن ترسل إشارات إلى جيرانها عندما يتم تحفيزها بواسطة نبضة كهربائية.

لقد أثر علم الأعصاب على ظهور الشبكات العصبية الاصطناعية ، حيث يتم توصيل هذه العناصر بطريقة الأجهزة أو البرامج. افترض المبرمجون الأوائل لهذا الفرع الفرعي للذكاء الاصطناعي ، المعروف باسم التوصيلية ، أن الشبكات العصبية ستكون قادرة على تعلم المهام المعقدة عن طريق تغيير الروابط بين الخلايا العصبية تدريجيًا ، بحيث تقوم أنماط النشاط العصبي بترميز محتوى البيانات – يتم تسليمها كصور أو أصوات أو غير ذلك. مع تقديم كل مثال إلى الشبكة ، ستستمر عملية التعلم عن طريق تغيير القوى المشبكية بين الخلايا العصبية المتصلة. ستتقارب هذه القيم تدريجيًا نحو تكوين الشبكة الذي يمثل أفضل تمثيل ، على سبيل المثال ، محتوى

من الدماغ إلى الشبكات الافتراضية

الشبكات العصبية اليوم هي نسخ محسّنة من العمل الرائد للترابطية. ومع ذلك ، تتطلب خوارزميات التعلم المقابلة مشاركة بشرية نشطة. يستخدم معظمهم أسلوبًا يسمى التعلم الخاضع للإشراف ، حيث يكون كل مثال تعليمي مصحوبًا بعلامة تشير إلى موضوع التعلم (صورة غروب الشمس ، على سبيل المثال ، مرتبطة بالتسمية “غروب الشمس”).

في هذه الحالة ، يتمثل الهدف من خوارزمية التعلم الخاضع للإشراف ، من عنصر بيانات الإدخال .المكون من صورة فوتوغرافية ، في إنتاج اسم الكائن المركزي للصورة كمخرج. العملية الحسابية التي تحول أحد المدخلات إلى مخرجات هي دالة. تتوافق القيم العددية التي تحدد هذه الوظيفة ، مثل القوى المشبكية ، مع حل مهمة التعلم.

سيكون من السهل على النظام حفظ الإجابات الصحيحة في الأمثلة المعروفة (الذاكرة الكافية كافية). لكن هذا ليس له أهمية تذكر. حتى لو جمعنا الملايين من صور غروب الشمس ، فإن عدد الصور الممكنة لمثل هذا المشهد لا حصر له. وبالتالي ، فإن الهدف من التعلم هو القدرة على إعطاء إجابات جيدة على أمثلة جديدة . غير معروفة للنظام ، من خلال تعميم الأمثلة المعروفة. يعتمد المستوى الصحيح من التعميم على السياق. وبالتالي ، قد نرغب .في التعرف على فكرة الشجرة بشكل عام ، لكننا قد نرغب أيضًا في التمييز بين خشب البلوط والزان ، أو نريد التعرف على خشب الزان في حديقة معينة …

ثورة التعلم العميق : هيكل مصنوع من طبقات متعددة

يجب أن تستند هذه الخوارزمية أيضًا إلى افتراضات معينة حول البيانات وما هو الحل المحتمل لمشكلة معينة. على سبيل المثال ، يجب أن يدمج البرنامج كمبدأ أنه إذا كانت .بيانات الإدخال لوظيفة معينة متشابهة . فلا ينبغي أن يكون ناتجها مختلفًا جذريًا: تغيير بضع وحدات بكسل على صورة قطة لا ينبغي أن يحول الحيوان إلى كلب.

يتم استخدام مثل هذه الافتراضات التي يتم إجراؤها على الصور من قبل ما يسمى بالشبكات العصبية التلافيفية. هذه البرامج هي أصل إحياء الذكاء الاصطناعي. تتضمن الشبكات العصبية التلافيفية المستخدمة .في التعلم العميق طبقات عديدة من الخلايا العصبية المنظمة بطريقة تجعل البرنامج قويًا للتغيرات .في الكائن الذي يحاول تحليله. سيكون قادرًا على التعرف على العنصر حتى لو تحرك قليلاً على سبيل المثال. وبالتالي ، ستكون الشبكة المدربة جيدًا قادرة على التعرف على وجه تمثله الصور من زوايا مختلفة.

تكوين الشبكة التلافيفية مستوحى من البنية متعددة الطبقات للقشرة البصرية ، وهي جزء من دماغنا يستقبل إشارات من العين. تبرر هذه الطبقات العديدة من الخلايا العصبية الافتراضية مؤهلات “العميقة” الممنوحة لهذه الشبكات ومنحها قدرة أفضل على فهم العالم المحيط.

السابق
أجزاء من الجسم يجب عليك غسلها بانتظام
التالي
التعلم العميق للذكاء الاصطناعي