"كيف يعمل التعلم العميق؟
أمثلة على تطبيقات التعلم العميق:
حدود التعلم العميق:

التعلم العميق: هو عبارة عن أسلوب تعلم آلي بحيث يقوم بإعداد الحواسيب للقيام بمختلف المهام والوظائف وبشكل طبيعي مع البشر. التعلم العميق هو تقنية رئيسية في السيارات بدون سائق، مما يمكّنها من التعرف على علامات التوقف كما يمكنها تمييز أحد المشاة من عمود الإنارة، أو كما يحدث في مفتاح التحكم الصوتي الموجود في أجهزة المستخدم مثل الهواتف الذكية والأجهزة اللوحية وأجهزة التلفزيون ومكبرات الصوت وذلك دون الحاجة لاستخدام اليدين.

ويعتبر الذكاء الاصطناعي (Al) هو الذي يُعطي الآلات القدرة على التعلم من التجارب والتكيف مع المعطيات الجديدة وكذلك محاكاة السلوك البشري في العديد من المهام المختلفة.

تعتمد معظم أمثلة الذكاء الاصطناعي التي تسمع عنها اليوم من السيارات ذاتية القيادة إلى روبوتات الذكاء الاصطناعي بشكل كبير على التّعلم العميق ومعالجة اللغات الطبيعيّة؛ حيث يمكن تدريب أجهزة الكمبيوتر لإنجاز مهام محددة من خلال معالجة كميات كبيرة من البيانات والتّعرف على الأنماط.


في التعلم العميق يتعلم نموذج الكمبيوتر أداء مهام التصنيف مباشرةً من الصور أو النص أو الصوت، كما يمكن لنماذج التعلم العميق أن تحقق دقة متطورة تتجاوز في بعض الأحيان الأداء على المستوى البشري، و يتم تدريب النماذج باستخدام مجموعة كبيرة من البيانات المصنّفة وبنيات الشبكات العصبية التي تحتوي على طبقات متعددة.



كيف يعمل التعلم العميق؟



برامج الكمبيوتر التي تستخدم التعلم العميق تمرُّ عبر العملية نفسها، حيث تقوم كل خوارزمية في التسلسل الهرمي بتطبيق تحويل غير خطي على مُدخلاتها (Inputs) وتستخدم ما تتعلمه لإنشاء نموذج إحصائي كمخرج، وتستمر التكرارات حتى يصل المُخرج (Outputs) إلى مستوى جيد ومقبول من الدقة،ويكون عدد طبقات المعالجة التي تمرّ عبرها البيانات هو ما أوحى بالطبقة العميقة.

ولأن هذه العملية تحاكي نظام من الخلايا العصبية البشرية، فإن هذا الشكل من التعلم يُشار إليه أحياناً بالتعليم العصبي العميق أو الشبكات العصبية العميقة، وخلافاً للطفل الذي سيستغرق بضعة أسابيع أو حتى أشهر لفهم مفهوم “القطة” مثلاً؛ فإن برنامج الكمبيوتر الذي يستخدم خوارزميات التعلم المذكور يمكنه من خلال التدريب أن يقوم بإظهار وفرز ملايين الصور والقدرة الدقيقة على تحديد هذه الصور التي يوجد فيها قطط في بضع دقائق.

لتحقيق مستوى مقبول من الدقة  تتطلب برامج التعلم العميق الوصول إلى كميات هائلة من بيانات التدريب وقوة المعالجة، ولم يكن أي منهما متاحًا بسهولة للمبرمجين حتى عصر البيانات الكبيرة والحوسبة السحابية. ولأن برمجة التعلم العميق قادرة على إنشاء نماذج إحصائية معقدة مباشرة من ناتجها التكراري الخاص، فإنها قادرة على إنشاء نماذج تنبؤية دقيقة من كميات كبيرة من البيانات غير المهيكلة وهذا أمر مهم لأن إنترنت الأشياء (IoT) لا يزال أكثر انتشاراً وذلك لأن معظم البيانات التي ينشئها البشر والآلات غير منظمة ولا يتم تصنيفها.

ويعتبر استخدامه اليوم يشمل جميع أنواع تطبيقات تحليلات البيانات الضخمة، وخاصة تلك التي تركز على معالجة اللغات الطبيعية (NLP)، وترجمة اللغات، والتشخيص الطبي، وإشارات تداول سوق الأوراق المالية، وأمن الشبكات، والتقاط الصور.



أمثلة على تطبيقات التعلم العميق:



بما أنه يقوم بمعالجة المعلومات بطرق مشابهة للدماغ البشري يمكن تطبيق هذه النماذج على العديد من المهام التي يقوم بها الأشخاص، إذ يتم استخدام التعلم العميق حالياً في معظم أدوات التعرف على الصور الشائعة، ومعالجة بروتوكولات (NLP) وبرامج التعرف على الكلام، كما بدأت هذه الأدوات تظهر في مختلف التطبيقات المتنوعة مثل السيارات ذاتية القيادة وخدمات ترجمة اللغات والتطبيقات المختلفة كالفيس بوك.



حدود التعلم العميق:



أكبر القيود على عملية التعلم هذه هي أنّها تتم من خلال الملاحظات، وهذا يعني أن المعلومات تقتصر فقط على ما كان في البيانات التي تم تدريب النماذج عليها، أي أنه إذا كان لدى المستخدم كمية صغيرة من البيانات أو مصدرها محدد؛ فإن ذلك لا يمثل بالضرّورة المنطقة الوظيفية الأوسع، فلن تتعلم النماذج بطريقة يمكن تعميمها.


وتعتبر قضية الانحراف مشكلة رئيسية لنماذج التعلّم العميق، فإذا تم تدريب نموذج على بيانات تحتوي على انحرافات؛  سيقوم النموذج بإعادة إنتاج هذه الانحرافات في تنبؤاته، وكانت هذه مشكلة مزعجة لمبرمجي التعلّم العميق لأن النماذج تتعلم التفريق بناءً على الاختلافات الدقيقة في عناصر البيانات، وهذا يعني على سبيل المثال أن نموذج التعرف على الوجوه قد يتخذ قرارات حول خصائص الأشخاص استناداً إلى أشياء مثل العرق أو الجنس دون أن يكون المبرمج مدرك لذلك.


"