سنحاول اليوم معرفة ما هي الشبكات العصبية وكيف تعمل وما هو دورها في إنشاء الذكاء الاصطناعي.
الشبكات العصبية. نسمع هذه العبارة في كل مكان تقريبًا. وصل الأمر إلى حد أنك ستجد شبكات عصبية حتى في الثلاجات (هذه ليست مزحة). تُستخدم الشبكات العصبية على نطاق واسع بواسطة خوارزميات التعلم الآلي، والتي يمكن العثور عليها اليوم ليس فقط في أجهزة الكمبيوتر والهواتف الذكية، ولكن أيضًا في العديد من الأجهزة الإلكترونية الأخرى، على سبيل المثال، في الأجهزة المنزلية. وهل تساءلت يومًا ما هي هذه الشبكات العصبية؟
لا تقلق، هذه لن تكون محاضرة أكاديمية. هناك العديد من المنشورات، بما في ذلك باللغة الأوكرانية، والتي تشرح بشكل احترافي وموثوق للغاية هذه المشكلة في مجال العلوم الدقيقة. عمر هذه المنشورات أكثر من اثنتي عشرة سنة. كيف يمكن أن تظل هذه المنشورات القديمة ذات صلة؟ والحقيقة هي أن أساسيات الشبكات العصبية لم تتغير، والمفهوم نفسه - وهو نموذج رياضي للخلية العصبية الاصطناعية - تم إنشاؤه خلال الحرب العالمية الثانية.
الأمر نفسه ينطبق على الإنترنت، فالإنترنت اليوم أكثر تقدمًا بما لا يقاس مما كان عليه عندما تم إرسال أول بريد إلكتروني. أسس الإنترنت، والبروتوكولات الأساسية، كانت موجودة منذ بداية إنشائها. كل مفهوم معقد مبني على أساس الهياكل القديمة. الأمر نفسه ينطبق على دماغنا، فالقشرة الدماغية الأصغر سنًا غير قادرة على العمل بدون أقدم عنصر تطوري: جذع الدماغ، الذي كان في رؤوسنا منذ زمن أقدم بكثير من وجود جنسنا البشري على هذا الكوكب.
هل أربكتك قليلاً؟ لذلك دعونا نفهم بمزيد من التفصيل.
مثير للاهتمام أيضًا: ChatGPT: تعليمات بسيطة للاستخدام
ما هي الشبكات العصبية؟
الشبكة عبارة عن مجموعة من عناصر معينة. هذا هو أبسط نهج في الرياضيات أو الفيزياء أو التكنولوجيا. إذا كانت شبكة الكمبيوتر عبارة عن مجموعة من أجهزة الكمبيوتر المترابطة، فمن الواضح أن الشبكة العصبية هي مجموعة من الخلايا العصبية.
ومع ذلك، فإن هذه العناصر لا يمكن مقارنتها من حيث التعقيد بالخلايا العصبية في دماغنا وجهازنا العصبي، ولكن عند مستوى معين من التجريد، تكون بعض ميزات الخلايا العصبية الاصطناعية والخلايا العصبية البيولوجية شائعة. ولكن من الضروري أن نتذكر أن الخلية العصبية الاصطناعية هي مفهوم أبسط بكثير من نظيرتها البيولوجية، والتي ما زلنا لا نعرف كل شيء عنها.
اقرأ أيضا: 7 أروع استخدامات ChatGPT
في البداية كان هناك خلية عصبية اصطناعية
تم تطوير النموذج الرياضي الأول للخلية العصبية الاصطناعية في عام 1943 (نعم، هذا ليس خطأ، خلال الحرب العالمية الثانية) من قبل عالمين أمريكيين، وارن ماكولوتش ووالتر بيتس. لقد تمكنوا من القيام بذلك على أساس نهج متعدد التخصصات، يجمع بين المعرفة الأساسية لعلم وظائف الأعضاء في الدماغ (تذكر الوقت الذي تم فيه إنشاء هذا النموذج)، والرياضيات ونهج تكنولوجيا المعلومات الشاب آنذاك (استخدموا، من بين أمور أخرى، نظرية آلان تورينج حول قابلية الحساب ). نموذج الخلايا العصبية الاصطناعية ماكولوتش-بيتس هو نموذج بسيط للغاية، وله العديد من المدخلات، حيث تمر المعلومات المدخلة عبر الأوزان (المعلمات)، التي تحدد قيمها سلوك الخلية العصبية. يتم إرسال النتيجة الناتجة إلى مخرج واحد (انظر الرسم التخطيطي لخلية مكولوتش-بيتس العصبية).
يرتبط مثل هذا الهيكل الشبيه بالشجرة بالخلايا العصبية البيولوجية، لأنه عندما نفكر في الرسومات التي تصور الخلايا العصبية البيولوجية، فإن البنية المميزة الشبيهة بالشجرة للتشعبات هي التي تتبادر إلى ذهننا. ومع ذلك، لا ينبغي للمرء أن يستسلم للوهم بأن الخلايا العصبية الاصطناعية قريبة إلى حد ما على الأقل من خلية عصبية حقيقية. تمكن هذان الباحثان، مؤلفا أول خلية عصبية اصطناعية، من إثبات أنه يمكن حساب أي وظيفة قابلة للحساب باستخدام شبكة من الخلايا العصبية المترابطة. ومع ذلك، دعونا نتذكر أن هذه المفاهيم الأولى تم إنشاؤها فقط كأفكار كانت موجودة فقط "على الورق" ولم يكن لها تفسير حقيقي في شكل معدات التشغيل.
اقرأ أيضا: حول أجهزة الكمبيوتر الكمومية بكلمات بسيطة
من النموذج إلى التطبيقات المبتكرة
طور ماكولوتش وبيتس نموذجًا نظريًا، لكن إنشاء أول شبكة عصبية حقيقية كان عليه الانتظار أكثر من عشر سنوات. يعتبر منشئها رائدًا آخر في أبحاث الذكاء الاصطناعي، وهو فرانك روزنبلات، الذي أنشأ في عام 1957 شبكة Mark I Perceptron، وقد أظهرت أنت بنفسك أنه بفضل هذا الهيكل، اكتسبت الآلة قدرة متأصلة سابقًا في الحيوانات والبشر فقط: يمكن أن تتعلم. ومع ذلك، فنحن نعلم الآن أنه كان هناك، في الواقع، علماء آخرون توصلوا إلى فكرة أن الآلة يمكن أن تتعلم، بما في ذلك قبل روزنبلات.
توصل العديد من الباحثين ورواد علوم الكمبيوتر في الخمسينيات إلى فكرة كيفية جعل الآلة تفعل ما لا تستطيع فعله بمفردها. على سبيل المثال، طور آرثر صموئيل برنامجًا يلعب لعبة الداما مع الإنسان، وأنشأ ألين نيويل وهربرت سيمون برنامجًا يمكنه إثبات النظريات الرياضية بشكل مستقل. وحتى قبل إنشاء أول شبكة عصبية لروزنبلات، قام اثنان آخران من رواد الأبحاث في مجال الذكاء الاصطناعي، وهما مارفن مينسكي ودين إدموندز، في عام 1950، أي حتى قبل ظهور إدراك روزنبلات، ببناء آلة تسمى SNARC (الاستوكاستيك العصبي). حاسبة التعزيز التناظري) - آلة حاسبة تناظرية عصبية عشوائية للتعزيز، يعتبرها الكثيرون أول كمبيوتر شبكة عصبية عشوائية. تجدر الإشارة إلى أن SNARC لا علاقة له بأجهزة الكمبيوتر الحديثة.
وتمكنت الآلة القوية، التي تستخدم أكثر من 3000 أنبوب إلكتروني وآلية طيار آلي احتياطية من قاذفة القنابل B-24، من محاكاة عمل 40 خلية عصبية، وهو ما تبين أنه يكفي لمحاكاة بحث فأر عن مخرج من المتاهة رياضيا. . وبطبيعة الحال، لم يكن هناك فأر، بل كانت مجرد عملية استنتاج وإيجاد الحل الأمثل. كانت هذه السيارة جزءًا من رسالة دكتوراه مارفن مينسكي.
مشروع آخر مثير للاهتمام في مجال الشبكات العصبية هو شبكة ADALINE، التي طورها برنارد ويثرو في عام 1960. وبالتالي، يمكن للمرء أن يطرح السؤال: منذ أكثر من نصف قرن مضى، عرف الباحثون الأسس النظرية للشبكات العصبية، بل وقاموا بإنشاء أول تطبيقات عمل لهذه الأطر الحسابية، لماذا استغرق الأمر كل هذا الوقت الطويل، حتى القرن الحادي والعشرين، إنشاء حلول حقيقية تعتمد على الشبكات العصبية؟ الجواب هو واحد: عدم كفاية قوة الحوسبة، لكنها لم تكن العقبة الوحيدة.
على الرغم من أنه في الخمسينيات والستينيات من القرن الماضي، كان العديد من رواد الذكاء الاصطناعي منبهرين بإمكانيات الشبكات العصبية، وتوقع بعضهم أن تكون الآلة المكافئة للدماغ البشري على بعد عشر سنوات فقط. من المضحك أن نقرأ اليوم، لأننا ما زلنا لم نقترب حتى من إنشاء آلة تعادل الدماغ البشري، وما زلنا بعيدين عن حل هذه المهمة. وسرعان ما أصبح من الواضح أن منطق الشبكات العصبية الأولى كان رائعًا ومحدودًا. كانت التطبيقات الأولى للذكاء الاصطناعي باستخدام الخلايا العصبية الاصطناعية وخوارزميات التعلم الآلي قادرة على حل مجموعة ضيقة معينة من المهام.
ومع ذلك، عندما يتعلق الأمر بمساحات أوسع وحل مشكلة خطيرة حقًا، مثل التعرف على الأنماط والصور، والترجمة الفورية، والتعرف على الكلام والكتابة اليدوية، وما إلى ذلك، أي الأشياء التي يمكن لأجهزة الكمبيوتر والذكاء الاصطناعي القيام بها بالفعل اليوم، فقد اتضح أن لم تكن التطبيقات الأولى للشبكات العصبية قادرة على القيام بذلك. لماذا هو كذلك؟ تم تقديم الإجابة من خلال البحث الذي أجراه مارفن مينسكي (نعم، نفس البحث من SNARC) وسيمور بابيرت، اللذين أثبتا في عام 1969 حدود منطق الإدراك الحسي وأظهرا أن زيادة قدرات الشبكات العصبية البسيطة بسبب التوسع فقط لا يعمل. كان هناك عائق آخر، ولكنه مهم للغاية، وهو أن قوة الحوسبة المتاحة في ذلك الوقت كانت صغيرة جدًا بحيث لا يمكن استخدام الشبكات العصبية على النحو المنشود.
مثير للاهتمام أيضًا:
- إذن ، أن أتكلم أو لا أتكلم؟ ماسك ينفي الحديث مع بوتين. ولكن هناك "لكن"
- المدفعية الحديثة هي السلاح الخارق لأوكرانيا. ولماذا إيلون ماسك هنا؟
نهضة الشبكات العصبية
في السبعينيات والثمانينيات، كانت الشبكات العصبية منسية عمليا. ولم تصبح قوة الحوسبة المتاحة كبيرة جدًا إلا في نهاية القرن الماضي لدرجة أن الناس بدأوا في العودة إليها وتطوير قدراتهم في هذا المجال. عندها ظهرت وظائف وخوارزميات جديدة قادرة على التغلب على قيود أبسط الشبكات العصبية. عندها نشأت فكرة التعلم الآلي العميق للشبكات العصبية متعددة الطبقات. ماذا يحدث فعلا لهذه الطبقات؟ اليوم، تقريبًا جميع الشبكات العصبية المفيدة العاملة في بيئتنا هي متعددة الطبقات. لدينا طبقة إدخال مهمتها تلقي بيانات الإدخال والمعلمات (الأوزان). ويختلف عدد هذه المعلمات اعتمادًا على مدى تعقيد المشكلة الحسابية التي يتعين على الشبكة حلها.
بالإضافة إلى ذلك، لدينا ما يسمى "الطبقات المخفية" - حيث يحدث كل "السحر" المرتبط بالتعلم الآلي العميق. إن الطبقات المخفية هي المسؤولة عن قدرة هذه الشبكة العصبية على التعلم وإجراء الحسابات اللازمة. وأخيرا، العنصر الأخير هو طبقة الإخراج، أي طبقة الشبكة العصبية التي تعطي النتيجة المرجوة، في هذه الحالة: التعرف على خط اليد، الوجه، الصوت، الصورة المشكلة بناء على الوصف النصي، نتيجة التحليل المقطعي لـ الصورة التشخيصية وأكثر من ذلك بكثير.
اقرأ أيضا: اختبرت وأجريت مقابلات مع روبوت الدردشة الخاص بـ Bing
كيف تتعلم الشبكات العصبية؟
كما نعلم بالفعل، تعالج الخلايا العصبية الفردية في الشبكات العصبية المعلومات بمساعدة المعلمات (الأوزان)، التي يتم تعيين قيم واتصالات فردية لها. تتغير هذه الأوزان أثناء عملية التعلم، مما يسمح لك بتعديل بنية هذه الشبكة بطريقة تؤدي إلى النتيجة المرجوة. كيف تتعلم الشبكة بالضبط؟ ومن الواضح أنه يجب تدريبه باستمرار. فلا تتعجب من هذا القول. نحن نتعلم أيضًا، وهذه العملية ليست فوضوية، ولكنها منظمة، على سبيل المثال. نحن نسميها التعليم. على أية حال، يمكن أيضًا تدريب الشبكات العصبية، ويتم ذلك عادةً باستخدام مجموعة مختارة بشكل مناسب من المدخلات، والتي تقوم بطريقة ما بإعداد الشبكة للمهام التي ستؤديها في المستقبل. وكل هذا يتكرر خطوة بخطوة، وأحيانا تشبه عملية التعلم إلى حد ما عملية التدريب نفسها.
على سبيل المثال، إذا كانت مهمة هذه الشبكة العصبية هي التعرف على الوجوه، فسيتم تدريبها مسبقًا على عدد كبير من الصور التي تحتوي على وجوه. في عملية التعلم، تتغير أوزان ومعلمات الطبقات المخفية. يستخدم الخبراء عبارة "تقليل دالة التكلفة" هنا. دالة التكلفة هي الكمية التي تخبرنا بمدى ارتكاب شبكة عصبية معينة للأخطاء. كلما تمكنا من تقليل دالة التكلفة نتيجة للتدريب، كلما كان أداء هذه الشبكة العصبية أفضل في العالم الحقيقي. الميزة الأكثر أهمية التي تميز أي شبكة عصبية عن مهمة مبرمجة باستخدام خوارزمية كلاسيكية هي أنه في حالة الخوارزميات الكلاسيكية، يجب على المبرمج أن يصمم خطوة بخطوة الإجراءات التي سينفذها البرنامج. في حالة الشبكات العصبية، فإن الشبكة نفسها قادرة على تعلم أداء المهام بشكل صحيح من تلقاء نفسها. ولا أحد يعرف بالضبط كيف تقوم الشبكة العصبية المعقدة بإجراء حساباتها.
اليوم، تُستخدم الشبكات العصبية على نطاق واسع، وربما بشكل مدهش، في كثير من الأحيان دون فهم كيفية عمل العملية الحسابية في شبكة معينة فعليًا. ليست هناك حاجه لهذا. يستخدم المبرمجون شبكات عصبية جاهزة للتعلم الآلي ومجهزة لإدخال البيانات من نوع معين، ومعالجتها بطريقة لا يعرفها أحد سواهم وتنتج النتيجة المرجوة. لا يحتاج المبرمج إلى معرفة كيفية عمل عملية الاستدلال داخل الشبكة العصبية. أي أن الشخص يظل بمعزل عن الحجم الكبير للحسابات وطريقة الحصول على المعلومات ومعالجتها بواسطة الشبكات العصبية. ومن هنا مخاوف معينة لدى البشرية فيما يتعلق بنماذج الذكاء الاصطناعي. نحن نخشى ببساطة أنه في يوم من الأيام ستحدد الشبكة العصبية لنفسها مهمة معينة وبشكل مستقل، دون مساعدة شخص، ستجد طرقًا لحلها. وهذا يقلق البشرية ويسبب الخوف وعدم الثقة في استخدام خوارزميات التعلم الآلي.
هذا النهج النفعي شائع اليوم. الأمر نفسه بالنسبة لنا: نحن نعرف كيفية تدريب شخص ما على نشاط معين، ونعلم أن عملية التدريب ستكون فعالة إذا تم إجراؤها بشكل صحيح. سوف يكتسب الشخص المهارات المطلوبة. لكن هل نفهم بالضبط كيف تتم عملية الاستنباط في دماغه مما أحدث هذا التأثير؟ ليس لدينا أي فكرة.
مهمة العلماء هي دراسة هذه المشاكل قدر الإمكان، بحيث تخدمنا وتساعدنا عند الضرورة، والأهم من ذلك، لا تشكل تهديدا. نحن كبشر نخاف مما لا نعرفه.
مثير للاهتمام أيضًا: