المحتوى الرئيسي

السؤال الموجِّه

كيف تعمل بنية مبسطة لشبكة عصبية، وكيف تتغير معلماتها أثناء التدريب، وماذا قد يضيف العمق؟ الفكرة الأساسية أن الشبكة العصبية عبارة عن طبقات من الخلايا العصبية المتصلة: طبقة إدخال، وطبقات مخفية تستخرج السمات، وطبقة إخراج. تقوم كل خلية عصبية بضرب مدخلاتها في الأوزان وجمعها؛ ويقوم التدريب بضبط هذه الأوزان اعتمادًا على البيانات. يقوم التعلم العميق بتكديس العديد من الطبقات المخفية لبناء السمات خطوة بخطوة — وهذه هي القفزة التي تقف وراء الذكاء الاصطناعي الحديث.

الشبكات العصبية نماذج رياضية استوحت اسمها تاريخيًا من فكرة الخلايا العصبية، لكنها ليست نسخة من الدماغ.

بنية الشبكات العصبية

تتكون الشبكة العصبية من وحدات حسابية وروابط تحددها بنية النموذج. في المثال التعليمي المبسط، تُنظَّم الوحدات في طبقات وتتصل الطبقات المتجاورة، لكن شكل الاتصال يختلف باختلاف نوع الشبكة. تُقسَّم الطبقات حسب الدور إلى ثلاثة أنواع:

تدخل البيانات من تمثيل الإدخال، ثم تحولها الطبقات المخفية، وتنتج طبقة الإخراج قيمًا مناسبة للمهمة. ففي نموذج لتصنيف صورة حيوان، قد تمثل قيم البكسلات الإدخال، وقد تتعلم الطبقات أنماطًا مرتبطة بالحواف أو الأشكال أو تمثيلات أخرى، ثم تنتج طبقة الإخراج درجات أو احتمالات للفئتين “كلب” و”قطة” وتُطبَّق قاعدة القرار.

يختار المصمم بنية النموذج وفق المهمة والبيانات والموارد ونتائج التجارب. قد يفيد عمق أو عدد وحدات أكبر في بعض المسائل، لكنه يزيد الكلفة ولا يضمن تحسّن الأداء أو التعميم.

كيف تعمل الخلية العصبية

في نموذج مبسط شائع، تستقبل الوحدة قيمًا متعددة، وتضربها في أوزان، وتجمع النواتج، ثم تضيف حد الانحياز وتطبق دالة تنشيط لإنتاج قيمة تنتقل إلى الجزء التالي من الشبكة.

الوزن (Weight): معامل عددي يحدد مقدار واتجاه مساهمة قيمة ما في الحساب؛ فقد تكون مساهمته موجبة أو سالبة. لا يعني الوزن وحده أن كلمة أو سمة بعينها ستقرر النتيجة، لأن التنبؤ ينتج من تفاعل معلمات عديدة عبر الشبكة.

التدريب: عملية تعديل معلمات الشبكة تدريجيًا لتقليل دالة خسارة على بيانات التدريب، باستخدام خوارزمية تحسين، وغالبًا يحسب الانتشار العكسي التدرجات اللازمة لهذا التعديل.

يهدف التدريب إلى إيجاد معلمات تقلل الخسارة وتحسّن الأداء، لكن انخفاض خطأ التدريب وحده لا يكفي؛ فقد يحدث فرط التخصيص (Overfitting)، لذلك نقيّم النموذج على بيانات منفصلة لم تُستخدم في تعديل معلماته.

التعلم العميق

التعلم العميق: تعلّم باستخدام شبكات عصبية متعددة الطبقات قادرة على تعلّم تمثيلات متتابعة من البيانات. تشير كلمة “عميق” إلى عمق البنية، ولا يوجد عدد عالمي واحد من الطبقات يفصل كل نموذج عميق عن غيره.

قد تتعلم الطبقات المتتابعة تمثيلات أكثر تجريدًا. مثال تعليمي تقريبي لشبكات الصور:

هذا مثال تقريبي وليس مسارًا ثابتًا لكل شبكة. قد تساعد هذه التمثيلات المتتابعة على تعلم علاقات معقدة وتحقيق أداء مرتفع إذا كانت البيانات والبنية والتدريب والتقييم مناسبة، لكن زيادة العمق وحدها لا تضمن ذلك.

أسهم اجتماع عوامل متعددة في انتشار التعلم العميق: تحسّن المعماريات والخوارزميات ودوال التنشيط والتحسين، وتوافر بيانات وأدوات برمجية أفضل، وزيادة القدرة الحاسوبية. تسّرع وحدات مثل GPU وTPU عمليات كثيرة، لكنها ليست شرطًا لكل استخدام أو استدلال.

لماذا أحدث التعلم العميق قفزة في الذكاء الاصطناعي

حقق التعلم العميق تقدمًا كبيرًا في مهام محددة مثل تصنيف الصور والتعرف على الكلام ومعالجة اللغة. قد يقارب أداء البشر أو يتفوق عليه في اختبار محدد، لكنه قد يفشل خارج ظروف التقييم ولا يعني امتلاك ذكاء عام.

في أساليب تقليدية كثيرة صمّم البشر سمات يدويًا. أما شبكات التعلم العميق فيمكنها تعلّم تمثيلات كثيرة من البيانات، مع بقاء اختيار المهمة والبيانات والبنية والهدف والتقييم مسؤولية بشرية. دعمت هذه القدرات تطور نماذج توليد النصوص والصور والصوت والبرمجيات، مع ضرورة تقييم جودة مخرجاتها ومخاطرها لكل استخدام.

أسئلة للمراجعة

1. اشرح كيف يمكن لشبكة عصبية ذات خلايا عصبية بسيطة أن تصدر أحكامًا معقدة، مع الإشارة إلى الأوزان والتدريب.

الإجابة: كل خلية عصبية بمفردها تقوم بعملية بسيطة جدًا: ترجيح مدخلاتها (ضربها في أوزان) وجمعها مع انحياز ثم تطبيق دالة تنشيط. لكن الشبكة تكدّس آلاف أو ملايين هذه الخلايا البسيطة في طبقات متتابعة، بحيث يصبح ناتج كل خلية مدخلًا لخلايا الطبقة التالية. عبر التدريب، تُعدَّل أوزان جميع هذه الخلايا معًا تدريجيًا (باستخدام الانتشار العكسي) لتقليل الخطأ بين مخرجات الشبكة والقيم المستهدفة الصحيحة على بيانات التدريب. فالحكم المعقد النهائي لا ينتج من خلية واحدة “ذكية”، بل من تفاعل عدد هائل من هذه العمليات البسيطة المضبوطة معًا عبر التدريب، بحيث تتكامل مساهمات الأوزان المختلفة (الموجبة والسالبة) لتنتج تمييزًا دقيقًا بين أنماط معقدة.

2. لماذا لا يضمن انخفاض خطأ التدريب وحده أن النموذج جيد؟ وما الحل المذكور في الدرس؟

الإجابة: لأن النموذج قد يتعلم “حفظ” تفاصيل بيانات التدريب المحددة (بما فيها الضوضاء والخصائص العشوائية الخاصة بتلك العينة بالذات) بدلًا من تعلّم الأنماط العامة القابلة للتعميم — وهي ظاهرة تُسمى فرط التخصيص (Overfitting). في هذه الحالة قد يحقق النموذج خطأً منخفضًا جدًا على بيانات التدريب نفسها لكنه يؤدي أداءً ضعيفًا على بيانات جديدة لم يرها من قبل، لأنه لم يتعلم الأنماط الحقيقية بل حفظ التفاصيل الخاصة بعينة التدريب. الحل المذكور في الدرس: تقييم النموذج على بيانات تحقق أو اختبار منفصلة لم تُستخدم في تعديل معلماته أثناء التدريب، لمعرفة مدى قدرته الفعلية على التعميم على أمثلة جديدة.

3. فريق يجعل شبكته أعمق فأعمق (يضيف طبقات مخفية أكثر)، لكن الدقة تتوقف عن التحسن ويصبح التدريب بطيئًا جدًا. اذكر سببًا واحدًا يجعل زيادة العمق ليست دائمًا أفضل، وأمرًا واحدًا غير إضافة المزيد من الطبقات يجب عليهم التحقق منه أولًا.

الإجابة: سبب واحد: زيادة عمق الشبكة تزيد عدد المعلمات (الأوزان) التي يجب تدريبها، ما يرفع كلفة الحوسبة والزمن اللازم للتدريب، دون ضمان أن هذا العمق الإضافي مناسب فعليًا لتعقيد المشكلة أو لحجم بيانات التدريب المتاحة — فقد لا تحتاج المهمة أصلًا إلى تمثيلات بهذا العمق، أو قد تكون البيانات غير كافية لتدريب هذا العدد الكبير من المعلمات بفعالية. أمر يجب التحقق منه أولًا (غير إضافة طبقات): جودة وكمية بيانات التدريب ومدى تنوعها وملاءمتها؛ فحتى أفضل بنية شبكة لن تتحسن دقتها إذا كانت البيانات نفسها غير كافية أو غير ممثلة أو ذات جودة منخفضة — فالعمق وحده لا يعوّض عن قصور البيانات أو طريقة التدريب والتقييم.