هل تريد أن تتألق بذكائك بصحبة زملائك أو تدهش أصدقائك في محادثة حول الموضوعات الفنية الحالية؟ اذكر "الذكاء الاصطناعي" أو "التعلم الآلي" في المحادثة وستكون قد انتهيت.
![التعلم العميق والذكاء الاصطناعي والتعلم الآلي للدمى: موضح بمثال - 1]()
أصبح مصطلح "الذكاء الاصطناعي" شائعًا الآن على نطاق واسع. يريد المبرمجون تعلم الذكاء الاصطناعي. يريد القادة تطبيق الذكاء الاصطناعي في خدماتهم. ولكن من الناحية العملية، حتى المحترفين لا يفهمون دائمًا ما هو "الذكاء الاصطناعي". تهدف هذه المقالة إلى مساعدتك على فهم مصطلحي “الذكاء الاصطناعي” و”التعلم الآلي”. سوف تتعلم أيضًا كيفية عمل التعلم العميق، وهو النوع الأكثر شيوعًا للتعلم الآلي. والأهم من ذلك أن هذه التعليمات مكتوبة بلغة يسهل الوصول إليها تمامًا. الرياضيات هنا لن تكون صعبة الفهم.
الأساسيات
الخطوة الأولى لفهم ماهية التعلم العميق هي فهم الفرق بين المصطلحات الأساسية.
الصورة: داتانامي
الذكاء الاصطناعي مقابل التعلم الآلي
الذكاء الاصطناعي (AI أو AI agnl.) هو محاولة لنسخ عملية التفكير البشري بواسطة الكمبيوتر. عندما كانت الأبحاث في مجال الذكاء الاصطناعي قد بدأت للتو، حاول العلماء تقليد سلوك الذكاء البشري بشكل صارم في ظل ظروف معينة، أي شحذه لحل مشاكل معينة. على سبيل المثال، حتى يتمكن الجهاز من تشغيل الألعاب. لقد وضعوا عددًا من القواعد التي يجب على آلة الكمبيوتر اتباعها. كان لدى الكمبيوتر قائمة بالإجراءات المحتملة، وكان يتخذ القرارات بناءً على القواعد والقيود الموضوعة أثناء مرحلة التصميم.
| التعلم الآلي (ML أو ML باللغة الإنجليزية) يعني قدرة الآلة على التعلم من خلال معالجة مجموعات كبيرة من المعلومات بدلاً من القواعد المحددة بوضوح. |
ML يسمح لأجهزة الكمبيوتر بالتعلم من تلقاء نفسها. ويستفيد هذا النوع من التعلم من تكنولوجيا الحوسبة الحديثة، والتي يمكنها بسهولة معالجة كميات هائلة من البيانات.
التعلم الخاضع للإشراف مقابل التعلم غير الخاضع للإشراف
يستخدم التعلم الخاضع للإشراف مجموعات البيانات المصنفة التي تتكون من المدخلات والمخرجات المتوقعة. عندما تقوم بتدريب الذكاء الاصطناعي باستخدام التعلم الخاضع للإشراف، فإنك تقدم البيانات كمدخلات وتحدد المخرجات التي ينبغي أن تكون. إذا كانت النتيجة التي ينتجها الذكاء الاصطناعي مختلفة عما كان متوقعا، فيجب على الذكاء الاصطناعي تصحيح حساباته. تتكرر العملية عدة مرات عبر مصفوفة البيانات طالما أن الذكاء الاصطناعي يرتكب أخطاء. ومن أمثلة التعلم الخاضع للإشراف الذكاء الاصطناعي الذي يتنبأ بالطقس. ويتعلم التنبؤ بالطقس باستخدام البيانات التاريخية. البيانات المدخلة هي الضغط والرطوبة وسرعة الرياح، ونتيجة لذلك يجب أن نحصل على درجة الحرارة.
التعلم غير الخاضع للرقابة هو مهمة تتكون من تدريب الذكاء الاصطناعي باستخدام البيانات غير المنظمة. عندما تقوم بتدريب الذكاء الاصطناعي باستخدام التعلم غير الخاضع للرقابة، فإنك تمكن الذكاء الاصطناعي من إجراء تصنيفات منطقية للبيانات. مثال على الذكاء الاصطناعي الذي يستخدم التعلم الآلي غير الخاضع للرقابة هو الروبوت الذي يتنبأ بسلوك العميل في متجر عبر الإنترنت. يتعلم دون استخدام المدخلات والمخرجات المعروفة مسبقا. وبدلاً من ذلك، يجب عليه تصنيف بيانات الإدخال نفسها. يجب أن تحدد الخوارزمية وتخبرك بنوع المستخدمين الذين يفضلون المنتجات.
كيف يعمل التعلم الآلي
لذلك، يعد
التعلم العميق أحد أساليب التعلم الآلي. يسمح لك بالتنبؤ بالنتائج من بيانات الإدخال المحددة. لتدريب الذكاء الاصطناعي، يمكنك استخدام كلا الخيارين المذكورين أعلاه: التعلم الخاضع للإشراف وغير الخاضع للإشراف. سوف نفهم كيفية عمل التعلم العميق باستخدام مثال واضح: لنفترض أننا بحاجة إلى تطوير خدمة للتنبؤ بأسعار السفر الجوي. سنقوم بتدريب الخوارزمية الخاصة بنا باستخدام طريقة خاضعة للإشراف. نريد أن تقوم خدمتنا للتنبؤ بأسعار السفر الجوي بالتنبؤ بالسعر بناءً على البيانات المدخلة التالية (لا نأخذ في الاعتبار رحلة العودة لسهولة العرض):
- مطار المغادرة؛
- مطار الوصول؛
- تاريخ المغادرة المخطط له؛
- شركة طيران.
الشبكات العصبية دعونا نلقي نظرة على دماغ الذكاء الاصطناعي. كما هو الحال في الكائنات الحية البيولوجية، فإن المتنبئ لدينا يحتوي على خلايا عصبية في "رأسه". في الصورة يتم تقديمها على شكل دوائر. ترتبط الخلايا العصبية ببعضها البعض.
في الصورة، يتم دمج الخلايا العصبية في ثلاث مجموعات من الطبقات:
- طبقة الإدخال
- الطبقة المخفية 1 (الطبقة المخفية 1) والطبقة المخفية 2 (الطبقة المخفية 2)؛
- طبقة الإخراج
تدخل بعض البيانات إلى طبقة الإدخال. في حالتنا، لدينا أربع خلايا عصبية في طبقة الإدخال: مطار المغادرة، مطار الوصول، تاريخ المغادرة، شركة الطيران. تقوم طبقة الإدخال بتمرير البيانات إلى الطبقة المخفية الأولى. تقوم الطبقات المخفية بإجراء حسابات رياضية بناءً على بيانات الإدخال المستلمة. إحدى المشكلات الرئيسية عند بناء الشبكات العصبية هي اختيار عدد الطبقات المخفية وعدد الخلايا العصبية في كل طبقة.
| كلمة Deep في عبارة Deep Learning تشير إلى وجود أكثر من طبقة مخفية. |
تقوم طبقة الإخراج بإرجاع المعلومات الناتجة إلينا. في حالتنا، السعر المتوقع للرحلة.
لقد فاتنا الشيء الأكثر إثارة للاهتمام حتى الآن: كيف يتم حساب السعر المتوقع بالضبط؟ هذا هو المكان الذي يبدأ فيه سحر التعلم العميق. يتم تعيين وزن معين (معامل) لكل اتصال بين الخلايا العصبية. يحدد هذا الوزن
أهمية قيمة الإدخال. يتم تعيين الأوزان الأولية بشكل عشوائي. عند التنبؤ بتكلفة السفر الجوي، فإن تاريخ المغادرة يؤثر على السعر أكثر من غيره. ولذلك، فإن اتصالات الخلايا العصبية "تاريخ المغادرة" لها وزن أكبر.
كل خلية عصبية لديها وظيفة التنشيط المرتبطة بها. من الصعب فهم ماهية هذه الوظيفة بدون معرفة رياضية. لذلك دعونا نقوم ببعض التبسيط: الهدف من وظيفة التنشيط هو "توحيد" الإخراج من الخلية العصبية. بعد مرور مجموعة البيانات عبر جميع طبقات الشبكة العصبية، تقوم بإرجاع النتيجة من خلال طبقة الإخراج. حتى الآن كل شيء واضح، أليس كذلك؟
تدريب الشبكات العصبية
يعد تدريب الشبكة العصبية أصعب جزء في التعلم العميق! لماذا؟ لأنك تحتاج إلى كمية كبيرة من البيانات. لأنك تحتاج إلى المزيد من القوة الحاسوبية. بالنسبة لمشروعنا، نحتاج إلى العثور على بيانات تاريخية لرحلات الطيران. علاوة على ذلك، بالنسبة لجميع المجموعات الممكنة من مطارات المغادرة والوجهة، وتواريخ المغادرة وشركات الطيران المختلفة. نحن بحاجة إلى كمية كبيرة جدًا من البيانات مع أسعار التذاكر. يجب علينا تغذية بيانات الإدخال من مجموعتنا إلى مدخلات شبكتنا العصبية والتحقق مما إذا كانت تتطابق مع النتائج التي لدينا بالفعل. وإذا كانت النتائج التي حصل عليها الذكاء الاصطناعي تختلف عن تلك المتوقعة، فهذا يعني أنه لم يتدرب بعد بما فيه الكفاية. بمجرد تشغيل الكمية الكاملة من البيانات عبر شبكتنا العصبية، يمكننا إنشاء وظيفة تشير إلى مدى اختلاف نتائج الذكاء الاصطناعي عن النتائج الفعلية في مجموعة البيانات الخاصة بنا. تسمى هذه الوظيفة
دالة التكلفة . وفي الحالة المثالية، التي نسعى إليها بكل ما أوتينا من قوة، تكون قيم دالة التكلفة لدينا تساوي صفرًا. وهذا يعني أن نتائج التكلفة التي تحددها الشبكة العصبية لا تختلف عن التكلفة الفعلية للتذاكر في مجموعة البيانات الخاصة بنا.
كيف يمكننا تقليل قيمة دالة التكلفة؟
نقوم بتغيير أوزان الاتصالات بين الخلايا العصبية. يمكن القيام بذلك بشكل عشوائي، لكن هذا النهج غير فعال. بدلاً من ذلك، سوف نستخدم طريقة تسمى
Gradient Descent .
| النسب المتدرج هو طريقة تسمح لنا بالعثور على الحد الأدنى من الوظيفة. في حالتنا، نحن نبحث عن الحد الأدنى من دالة التكلفة. |
تعمل هذه الخوارزمية عن طريق زيادة الأوزان تدريجيًا بعد كل تكرار جديد لمعالجة مجموعة البيانات الخاصة بنا. من خلال حساب مشتق (أو تدرج) دالة التكلفة لمجموعات معينة من الأوزان، يمكننا أن نرى في أي اتجاه يقع الحد الأدنى.
في الصورة: الوزن الأولي - الوزن الأولي، الحد الأدنى للتكلفة العالمية - الحد الأدنى العالمي لدالة التكلفة. لتقليل دالة التكلفة، يجب علينا إجراء العمليات الحسابية على مجموعة البيانات لدينا عدة مرات. لهذا السبب تحتاج إلى الكثير من قوة الحوسبة. يتم تحديث الأوزان تلقائيًا باستخدام طريقة النسب المتدرج. هذا هو سحر التعلم العميق! بمجرد أن نقوم بتدريب خدمة التنبؤ بأسعار رحلات الطيران المدعمة بالذكاء الاصطناعي، يمكننا استخدامها بأمان للتنبؤ بالأسعار في الواقع.
دعونا نلخص ذلك ...
- يستخدم التعلم العميق الشبكات العصبية لمحاكاة الذكاء.
- هناك ثلاثة أنواع من الخلايا العصبية في الشبكة العصبية: طبقة الإدخال، والطبقات المخفية، وطبقة الإخراج.
- كل اتصال بين الخلايا العصبية له وزنه الخاص، مما يشير إلى أهمية هذا المدخل.
- تستخدم الخلايا العصبية وظيفة التنشيط "لتوحيد" الإخراج من الخلية العصبية.
- لتدريب الشبكة العصبية، تحتاج إلى كمية كبيرة من البيانات.
- إذا قمنا بمعالجة مصفوفة بيانات باستخدام شبكة عصبية وقارنا بيانات الإخراج بالبيانات الفعلية، فسنحصل على دالة تكلفة توضح مدى خطأ الذكاء الاصطناعي.
- بعد كل معالجة للبيانات، يتم تعديل الأوزان بين الخلايا العصبية باستخدام طريقة النسب المتدرج لتحقيق انخفاض في وظيفة التكلفة.
رابط إلى الأصل
GO TO FULL VERSION