الفهرس
تكتب رقمًا بخط يدك على شاشة الهاتف، فيتعرف إليه التطبيق رغم اختلافه عن الخط المطبوع. ثم تنطق جملة فيحولها برنامج آخر إلى نص. كيف يتعامل الحاسوب مع كل هذا الاختلاف، وما الذي يحدث بين دخول الصورة أو الصوت وخروج الإجابة؟
مقدمة في الشبكات العصبية الاصطناعية
تعتبر الشبكات العصبية الاصطناعية Artificial Neural Networks نوعًا من نماذج التعلم الآلي، وهي مستوحاة بصورة مبسطة من فكرة الخلايا العصبية المترابطة. تتكون الشبكة من عقد مترابطة تسمى «عصبونات اصطناعية»، وتعالج المعلومات وتتعلم من الأمثلة لعمل تنبؤات أو تصنيفات.
الاستلهام هنا لا يعني أن الشبكة نسخة من الدماغ البشري. العصبون الاصطناعي عملية حسابية، والاتصالات بين العصبونات تمثلها أرقام تسمى الأوزان. كما أن الشبكات العصبية جزء من التعلم الآلي، والتعلم الآلي جزء من مجال الذكاء الاصطناعي الأوسع.
تُستخدم الشبكات العصبية الاصطناعية في مجموعة واسعة من التطبيقات، من التعرف على الصور ومعالجة اللغة الطبيعية إلى أنظمة المركبات والبحث الطبي. ويشير التعلم العميق عادةً إلى استخدام شبكات تضم طبقات متعددة تتعلم تمثيلات متدرجة للبيانات.
تاريخ الشبكات العصبية
تعود جذور الفكرة إلى أربعينيات القرن الماضي. ففي عام 1943 نشر وارن مكولوتش ووالتر بيتس نموذجًا رياضيًا مبسطًا للعصبونات. ثم قدّم فرانك روزنبلات نموذج «البرسيبترون» الذي تناولته ورقته المنشورة عام 1958. كانت هذه خطوات تأسيسية، وليست شبكة حديثة ضخمة كما نعرفها اليوم.
منذ ذلك الحين شهدت هذه التقنية تطورات كبيرة، مع تطوير طرق التدريب والتعلم العميق والتوافر الواسع لمجموعات البيانات الكبيرة وموارد الحوسبة. وفي عام 1986 ساعد عمل روملهارت وهينتون وويليامز في نشر استخدام الانتشار العكسي لتدريب الشبكات متعددة الطبقات، دون أن يعني ذلك أن حساب المشتقات بهذه الطريقة بدأ من الصفر في ذلك العام.
اليوم تُستخدم الشبكات العصبية الاصطناعية في مجموعة متنوعة من الصناعات والأعمال، من تحليل البيانات المالية إلى الرعاية الصحية. لكن القدرة على التعلم من البيانات لا تجعل كل تطبيق دقيقًا أو صالحًا للاستخدام دون اختبار.
كيف تعمل الشبكات العصبية؟
تتكون الشبكات العصبية من طبقات من العقد أو العصبونات الاصطناعية المترابطة. في شبكة التغذية الأمامية البسيطة تتلقى كل عقدة بعد طبقة الإدخال مدخلات من الطبقة السابقة، وتجري عليها عملية حسابية، ثم تمرر ناتجها إلى الطبقة التالية.
تتكرر هذه العملية عبر الطبقات. تُضرب المدخلات في أوزان تحدد قوة تأثيرها، ثم تُجمع ويُضاف إليها معامل يسمى الانحياز Bias. هذا المعامل عدد تتعلمه الشبكة، وهو مختلف عن التحيز غير العادل الذي قد يظهر في نتائجها. بعد ذلك تمر النتيجة عادةً عبر دالة تنشيط تساعد الشبكة على تمثيل علاقات غير خطية.
مثال عددي صغير
لنفترض أن عقدة تستقبل القيمتين 2 و3، ولهما الوزنان 0.5 و0.2، وأن الانحياز يساوي 0.1. يصبح المجموع الموزون: 2 × 0.5 + 3 × 0.2 + 0.1 = 1.7.
إذا استخدمنا دالة التنشيط ReLU، يظل الناتج 1.7؛ لأنها تمرر القيم غير السالبة كما هي، وتجعل القيم السالبة صفرًا. هذا مثال حسابي للتوضيح، ولا تعني قيمته وحدها احتمالًا أو حكمًا نهائيًا. في شبكة فعلية تتكرر حسابات مشابهة، ويتحدد معنى الناتج بحسب المهمة وطريقة بناء طبقة الإخراج.
وتكمن أهمية دالة التنشيط في أن تكديس عمليات خطية وحدها لا يكفي لتمثيل العلاقات المعقدة غير الخطية. تعرض دورة Google في التعلم الآلي، ومنها شرح الشبكات العصبية وتدريبها تسلسل هذه الفكرة وتمارين لتجربتها.
من حساب الإجابة إلى التعلم من الخطأ
الحساب السابق يشرح مرور البيانات إلى الأمام. أما التدريب في مثال التعلم الخاضع للإشراف فيضيف حلقة أخرى: نقارن الناتج بالهدف المطلوب باستخدام دالة خسارة، ثم نحسب كيف يتأثر الخطأ بتغيير الأوزان والانحيازات. يساعد الانتشار العكسي Backpropagation على حساب هذه المشتقات بكفاءة، وتستخدمها خوارزمية تحسين لتحديث المعاملات.
في مثال التعرف على الأرقام، تُحوَّل الصورة إلى أعداد تمثل قيم بكسلاتها، وتُعرض على الشبكة ومعها الإجابة الصحيحة أثناء التدريب. تتغير المعاملات بحسب دالة الخسارة عبر أمثلة كثيرة؛ فقد يحتاج النموذج إلى تحسين حتى عندما يختار الفئة الصحيحة. لا يكتب المبرمج قاعدة منفصلة لكل طريقة يمكن أن يكتب بها الناس الرقم نفسه.
وفي التعلم الذاتي الإشراف يُستخرج الهدف من البيانات نفسها، مثل تدريب نموذج لغوي على توقع الجزء التالي من النص. أما التعلم المعزز، الذي سنراه في الروبوتات، فيعتمد على الأفعال والمكافآت. تختلف إشارة التعلم، مع إمكان استخدام الشبكات العصبية في هذه الأساليب.
ما الفرق بين التدريب والاستدلال؟
- التدريب: تعديل الأوزان والانحيازات اعتمادًا على البيانات وهدف التعلم. وقد يحتاج إلى وقت وموارد حوسبة كبيرة.
- الاستدلال: استخدام النموذج المدرّب لإنتاج نتيجة لمدخل جديد، مثل تصنيف صورة لم يرها أثناء التدريب.
في الاستدلال المعتاد لا تتغير أوزان النموذج مع كل طلب. وإذا كان النظام يتعلم باستمرار، فذلك يحتاج إلى آلية تحديث وتقييم صُممت لهذا الغرض. لذلك لا يصح افتراض أن كل برنامج ذكي «يتعلم منك» تلقائيًا بمجرد استعماله.
تطبيقات الشبكات العصبية
طُبقت الشبكات العصبية على مجموعة واسعة من مشكلات العالم الحقيقي، من التعرف على الصور ومعالجة اللغة الطبيعية إلى المركبات المستقلة والطب والهندسة. وهي مناسبة خصوصًا لمهام تتضمن أنماطًا معقدة أو علاقات في البيانات، مثل تحديد الكائنات في الصور.
لكن التطبيقات ليست نوعًا واحدًا. قد يكون المطلوب تصنيف رسالة إلى مزعجة أو عادية، أو تقدير قيمة عددية، أو توليد صورة ونص، أو تعلم سياسة لاختيار الأفعال. ويتغير أسلوب التدريب والتقييم بحسب المطلوب.
ويمكن دراسة الشبكات في التنبؤ بالسلاسل المالية، لكن توقع أسعار الأسهم لا يعني ضمان الربح. قد تتغير ظروف السوق، وقد ينجح النموذج على بيانات قديمة ثم يفشل على بيانات جديدة. وفي المجال الطبي، وجود نموذج يحلل صورة لا يغني عن التحقق من صلاحيته للمهمة والإشراف المهني المناسب.
إسهامات الشبكات العصبية في رؤية الحاسوب
قدمت الشبكات العصبية مساهمات كبيرة في مجال رؤية الحاسوب، خاصة في مهام مثل تصنيف الصور والكشف عن الأشياء والتعرف على الوجوه. وتعد الشبكات العصبية الالتفافية أو التلافيفية CNN من البنى المهمة في هذا المجال.
تتعلم CNN استخراج سمات من الصور من خلال طبقات تستخدم مرشحات مشتركة على مواضع مختلفة. وقد تلتقط الطبقات الأولى أنماطًا بسيطة، بينما تجمعها الطبقات التالية في تمثيلات أكثر تركيبًا. ومع ذلك، لا تقتصر رؤية الحاسوب على CNN؛ فهناك أيضًا نماذج تعتمد على المحولات وغيرها.
ومن المفيد التمييز بين تصنيف الصورة والكشف عن الأشياء وتقسيمها. التصنيف يجيب عن نوع المحتوى، والكشف يحدد مواضع أشياء داخل الصورة، أما التقسيم فيحدد مناطق أو بكسلات تخص كل فئة أو كائن. وهذه مهام مختلفة حتى لو استعانت كلها بشبكات عصبية.
أما إنشاء الصور فينتمي إلى النمذجة التوليدية. في الشبكات التوليدية التنافسية GAN يتدرب مولّد مع مميّز يحاول التفريق بين الأمثلة الحقيقية والمولدة. وتضيف النسخ الشرطية cGAN معلومات توجه التوليد. وتوجد أيضًا نماذج الانتشار التي تتعلم إزالة التشويش تدريجيًا، فلا يصح اختزال توليد الصور الحديث في GAN وحدها.
ولرؤية أمثلة على الاستخدام بدل تفاصيل البنية، يمكن قراءة دليل أدوات الرسم بالذكاء الاصطناعي وما تتيحه مجانًا.
إسهامات الشبكات العصبية في الروبوتات
قدمت الشبكات العصبية مساهمات كبيرة في مجال الروبوتات، خاصة في مهام مثل الإدراك وتخطيط الحركة والتحكم فيها. وقد تُستخدم في الأذرع الروبوتية والروبوتات البشرية والمركبات، لكنها تعمل غالبًا ضمن نظام أوسع يجمع المستشعرات وقواعد الأمان وبرامج التحكم.
كما تُستخدم الشبكات العصبية داخل بعض خوارزميات التعلم المعزز، فتتعلم تقدير قيمة الأفعال أو اختيارها اعتمادًا على التجربة والمكافآت. ويمكن تدريب الروبوت أيضًا من أمثلة ينفذها الإنسان. ليست كل طريقة لتعلم الروبوت تعلمًا معززًا، وليست كل خوارزمية تعلم معزز شبكة عصبية.
وقد تُختبر المهام أولًا في المحاكاة، بما في ذلك التنقل والإدراك والتعامل مع الأشياء. لكن نجاح الروبوت في بيئة محاكاة لا يضمن النجاح نفسه في الواقع، حيث توجد أخطاء مستشعرات واحتكاك وأجسام وظروف لم يشاهدها أثناء التدريب.
مساهمات الشبكات العصبية في الأنظمة المستقلة
أسهمت الشبكات العصبية في الأنظمة المستقلة، خاصة في الإدراك واتخاذ بعض القرارات والتحكم. وتشمل مجالات البحث المركبات الجوية غير المأهولة والمركبات الأرضية والروبوتات تحت الماء، لكن بنية النظام ودرجة استقلاله تختلف من تطبيق إلى آخر.
أما SARSA فهي خوارزمية من خوارزميات التعلم المعزز، وليست شبكة عصبية بذاتها. يتصل اسمها بتسلسل الحالة والفعل والمكافأة والحالة التالية والفعل التالي. ويمكن عرضها بجدول لقيم الأفعال، أو استخدام تقريب للدوال في حالات أوسع. يشرح كتاب Sutton وBarto في التعلم المعزز، الفصل السادس صيغتها الأساسية.
ويسمح التعلم المعزز العميق باستخدام الشبكات العصبية لتمثيل بعض الدوال المطلوبة للتعلم. لكن لا يصح وصف SARSA بأنها «أقدم تطبيق للشبكات العصبية في الأنظمة المستقلة»، أو نسبة جميع هذه الأنظمة إليها؛ فذلك يخلط بين طريقة التعلم وبنية النموذج والتطبيق النهائي.
ما مساهمات الشبكات العصبية في السيارات ذاتية القيادة؟
قدمت الشبكات العصبية مساهمات مهمة في أنظمة القيادة الآلية، لا سيما في مهام مثل اكتشاف الأشياء وتفسير المشهد المحيط. لكن التعرف على المشاة والسيارات ليس وحده قيادة آمنة؛ إذ يحتاج النظام أيضًا إلى تقدير الحركة والتخطيط والتحكم واختبار الظروف الصعبة.
ومن أشهر أمثلة كشف الأشياء YOLO، ويعني اسمها «تنظر مرة واحدة فقط». تصف ورقتها الأصلية المقدمة عام 2015 شبكة تتنبأ بمربعات إحاطة الأشياء واحتمالات فئاتها من الصورة. هذا يجعلها مثالًا للكشف، لا نظامًا كاملًا للقيادة أو ضمانًا لتجنب الاصطدام.
كما أنها ليست بداية استخدام الشبكات في قيادة المركبات؛ فقد وصف مشروع ALVINN في جامعة كارنيغي ميلون شبكة لتعلم توجيه مركبة على الطريق عام 1989. ولا تعني هذه النتيجة التاريخية أن القيادة المستقلة في جميع الظروف كانت قد حُلّت آنذاك.
والفارق العملي الأهم هو بين مساعدة السائق والقيادة الآلية ضمن نطاق تشغيل محدد. توضح هيئة NHTSA مستويات الأتمتة ومسؤولية السائق؛ فلا تتعامل مع نظام يتطلب المتابعة المستمرة كما لو كان سيارة تقود نفسها بلا إشراف.
ما مساهمات الشبكات العصبية في المساعدين الشخصيين؟
للشبكات العصبية مساهمات مهمة في المساعدين الشخصيين، خاصة في معالجة اللغة الطبيعية والتعرف على الكلام. وقد يجمع المساعد بين نموذج للتعرف على الصوت ونموذج لغوي وخدمات تبحث في المعلومات أو تنفذ طلبًا، بدل الاعتماد على شبكة واحدة تؤدي كل شيء.
كان Google Assistant، الذي أُعلن عنه عام 2016، مثالًا معروفًا لهذه التطبيقات، لكنه لم يكن أول استخدام للشبكات العصبية في الكلام. وثّقت Google استخدامها في التعرف على الكلام عام 2012 قبل إطلاقه، ولذلك لا يصح تقديمه باعتباره أقدم تطبيق في هذا المجال.
كما تُستخدم نماذج التعلم العميق في تحليل المشاعر وتصنيف النصوص واستخراج المعلومات. وتعتمد كثير من النماذج اللغوية الحديثة على المحولات Transformers وآليات الانتباه التي تساعدها على تمثيل العلاقات بين أجزاء المدخلات. لكن الطلاقة في صياغة جواب لا تضمن أن المعلومات الواردة فيه صحيحة، وقد يحتاج الجواب إلى تحقق من مصدر موثوق.
حدود الشبكات العصبية: متى تخطئ؟
على الرغم من الفوائد العديدة للشبكات العصبية، فإن لها أيضًا قيودًا. أحد القيود الرئيسية هو فرط التكيّف أو الإفراط في ملاءمة بيانات التدريب Overfitting. يحدث حين يلتقط النموذج تفاصيل بيانات التدريب على نحو لا يساعده على التعامل مع أمثلة جديدة.
يمكن أن يؤدي هذا إلى ضعف الأداء على البيانات الجديدة أو غير المرئية، وهو ما يجعل التقييم خارج بيانات التدريب مهمًا. ويشرح درس فرط التكيّف ضمن دورة Google المشار إليها سابقًا الفرق بين حفظ أنماط مجموعة بعينها والتعميم الجيد.
لماذا نقسم البيانات؟
- بيانات التدريب: يتعلم النموذج منها ويعدّل معاملاته.
- بيانات التحقق: تساعد على اختيار الإعدادات ومتابعة الأداء أثناء التطوير.
- بيانات الاختبار: تُحجز للتقييم النهائي، ولا ينبغي استخدامها مرارًا لتوجيه التعديلات ثم التعامل مع نتيجتها كاختبار مستقل.
إذا تكررت صور شديدة التشابه في التدريب والاختبار، فقد تبدو النتائج أفضل مما هي عليه. كذلك قد تتغير البيانات في العالم الحقيقي: إضاءة مختلفة، لهجة جديدة أو جهاز تصوير آخر. لهذا نحتاج إلى أمثلة تمثل ظروف الاستخدام، وإلى متابعة الأداء بعد الإطلاق.
البيانات والتكلفة والتحيز
يتمثل قيد آخر في الحاجة إلى بيانات مناسبة، وقد تكون مكلفة أو يصعب الحصول عليها. وقد تتطلب النماذج الكبيرة حوسبة وذاكرة وطاقة ووقتًا طويلًا. لكن ليس كل مشروع مضطرًا إلى تدريب شبكة ضخمة من البداية؛ إذ يمكن استخدام نقل التعلم للاستفادة من نموذج مدرّب سابقًا ثم تكييفه لمهمة محددة.
كما يمكن أن تعكس النتائج انحيازات البيانات أو طريقة اختيارها. وقد يصعب تفسير سبب قرار بعينه في بعض النماذج. لذلك لا تكفي نسبة دقة مرتفعة وحدها؛ ينبغي فهم الأخطاء، والفئات التي يتراجع عندها الأداء، والعواقب عندما يفشل النظام.
هل الخطأ نفسه هلوسة أو تحيز؟
قد يولّد نموذج لغوي معلومة أو مرجعًا غير موجود ويعرضه بثقة؛ تسمى هذه الظاهرة عادةً «الهلوسة». وهي تختلف عن التحيز غير العادل، مثل تفاوت الأداء بين فئات الناس أو لهجاتهم. كما لا يكفي ظهور هلوسة لتشخيص فرط التكيّف؛ فلكل مشكلة طريقة فحص مختلفة. يفصّل دليل NIST لمخاطر الذكاء الاصطناعي التوليدي مخاطر الهلوسة والتحيز، ويوضح لماذا لا تكفي طلاقة الجواب لإثبات صحته.
مستقبل الشبكات العصبية
مع استمرار الباحثين والمطورين في تحسين أداء الشبكات العصبية، تتوسع إمكانات استخدامها في تحليل البيانات والأنظمة الأكثر قدرة على الإدراك والتفاعل. لكن القول إن إمكاناتها «لا حدود لها» يسبق ما تثبته التجارب؛ فالتقدم يرتبط بجودة البيانات وكفاءة الحوسبة والاختبار والاعتمادية.
ومن مسارات العمل تحسين كفاءة النماذج وتشغيلها بموارد أقل، والجمع بين النص والصورة والصوت، ورفع جودة التقييم. لا يتطلب التحسن دائمًا زيادة حجم الشبكة، ولا يجعل نمو القدرات ضمانًا للسلامة أو بديلًا عن تصميم النظام بعناية.
أما الجمع بين الحوسبة الكمومية والتعلم الآلي فهو مجال بحثي، ولا يكفي وجوده للجزم بأن الشبكات الكمومية ستتفوق على النماذج التقليدية في التطبيقات اليومية. يتوقف أي تفوق على المسألة والبيانات والعتاد والمقارنة العادلة، وللحكم على فائدة عملية واسعة، يجب قياسها في المهمة المستهدفة ومقارنتها ببدائل تقليدية قوية.
خاتمة: ماذا تعلمنا من الشبكات العصبية؟
بدأنا بصورة رقم مكتوب وصوت يتحول إلى نص. وبعد تتبع الطبقات والأوزان والتدريب، تظهر الفكرة الأساسية: تتعلم الشبكات العصبية أنماطًا من البيانات عبر ضبط معاملات حسابية، ثم تستخدم ما تعلمته لإنتاج نتائج لمدخلات جديدة.
الشبكات العصبية أداة قوية لحل طيف من المشكلات المعقدة في الذكاء الاصطناعي، وقد أسهمت في تقدم الصور واللغة والروبوتات. لكن قيمتها لا تُقاس بضخامة النموذج أو تشبيهه بالدماغ، بل بقدرتها على التعميم ضمن ظروف واضحة، وبمدى فهمنا لحدودها وأخطائها في الاستخدام الفعلي.
