بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
تعرف على كيف تُحدث الشبكات العصبية تحولًا في التكنولوجيا الحديثة، بدءًا من مراقبة الجودة في سلاسل التوريد وحتى عمليات فحص المرافق المستقلة باستخدام الطائرات بدون طيار.
على مدى العقود القليلة الماضية، أصبحت الشبكات العصبية اللبنات الأساسية للعديد من الابتكارات الرئيسية في مجال الذكاء الاصطناعي (AI). الشبكات العصبية هي نماذج حسابية تحاول محاكاة الوظائف المعقدة للدماغ البشري. فهي تساعد الآلات على التعلم من البيانات والتعرف على الأنماط لاتخاذ قرارات مستنيرة. وبذلك، فإنها تمكن المجالات الفرعية للذكاء الاصطناعي مثل الرؤية الحاسوبية و التعلم العميق في قطاعات مثل الرعاية الصحية و التمويل و السيارات ذاتية القيادة.
إن فهم كيفية عمل الشبكة العصبية يمكن أن يمنحك فكرة أفضل عن "الصندوق الأسود" الذي يمثله الذكاء الاصطناعي، مما يساعد على إزالة الغموض عن كيفية دمج التكنولوجيا المتطورة في حياتنا اليومية. في هذه المقالة، سوف نستكشف ماهية الشبكات العصبية، وكيف تعمل، وكيف تطورت على مر السنين. سنلقي نظرة أيضًا على الدور الذي تلعبه في تطبيقات رؤية الكمبيوتر. هيا بنا نبدأ!
ما هو الـ perceptron في الذكاء الاصطناعي؟
قبل مناقشة الشبكات العصبية بالتفصيل، دعنا نلقي نظرة على مستقبلات الإدراك الحسي (Perceptrons). إنها أبسط أنواع الشبكات العصبية وهي الأساس لبناء نماذج أكثر تعقيدًا.
البيرسيبترون هو خوارزمية تعلم آلي خطية تستخدم في التعلم الخاضع للإشراف (التعلم من بيانات التدريب المصنفة). يُعرف أيضًا باسم شبكة عصبية أحادية الطبقة ويستخدم عادةً لمهام التصنيف الثنائي التي تميز بين فئتين من البيانات. إذا كنت تحاول تصور البيرسيبترون، يمكنك التفكير فيه على أنه خلية عصبية اصطناعية واحدة.
الشكل 1. المستقبل الحسي (Perceptron) هو عصبون اصطناعي واحد.
فهم كيفية عمل المستشعِر (Perceptron)
يمكن أن يستقبل البيرسيبترون عدة مدخلات، ويجمعها مع الأوزان، ويقرر الفئة التي تنتمي إليها، ويعمل كصانع قرار بسيط. يتكون من أربعة معلمات رئيسية: قيم الإدخال (تسمى أيضًا العقد)، الأوزان والانحيازات، والمجموع الصافي، ودالة التنشيط.
إليك كيف يعمل:
المدخلات والأوزان: لنفترض أن لديك عدة أجزاء من المعلومات (مدخلات)، ولكل منها وزن يوضح مدى أهميتها. بالإضافة إلى ذلك، يساعد التحيز (bias) الإدراك الحسي على أن يكون أكثر مرونة في اتخاذ القرارات.
حساب المجموع المرجح: يضرب البيرسيبترون كل مدخل بوزنه، ثم يضيف كل شيء معًا، بما في ذلك التحيز، للوصول إلى مجموع مرجح.
اتخاذ قرار: بعد ذلك، يستخدم perceptron دالة تنشيط لتحديد الناتج النهائي. يأخذ المجموع المرجح ويقرر ما إذا كان يجب تنشيط perceptron أم لا. في أبسط الحالات، تكون دالة التنشيط دالة خطوة تعطي ناتجًا واحدًا إذا كان المجموع المرجح أعلى من عتبة معينة، وصفرًا إذا لم يكن كذلك. لذلك، يتم تحويل الإدخال المرجح إلى قرار بنعم أو لا.
التعلم والتحسين: إذا ارتكب البيرسيبترون خطأً، فإنه يضبط الأوزان لمحاولة التحسين في المرة القادمة. هذه العملية تساعد النموذج على التعلم من أخطائه.
الشكل 2. نظرة عامة على Perceptron. المصدر: indiantechwarrior.com
دور المستشعرات (Perceptrons) في رؤية الحاسوب
تلعب البرسبترونات دورًا مهمًا في مساعدتنا على فهم أساسيات الرؤية الحاسوبية. إنها أساس الشبكات العصبية المتقدمة. على عكس البرسبترونات، فإن الشبكات العصبية ليست محدودة بطبقة واحدة. وهي تتكون من طبقات متعددة من البرسبترونات المترابطة، مما يسمح لها بتعلم الأنماط غير الخطية المعقدة. يمكن للشبكات العصبية التعامل مع مهام أكثر تقدمًا وإنتاج مخرجات ثنائية ومستمرة. على سبيل المثال، يمكن استخدام الشبكات العصبية في مهام الرؤية الحاسوبية المتقدمة مثل تجزئة المثيلات و تقدير الوضعية.
تطور تكنولوجيا الرؤية الحاسوبية من الشبكات العصبية
يعود تاريخ الشبكات العصبية إلى عدة عقود وهو مليء بالأبحاث والاكتشافات المثيرة للاهتمام. دعونا نلقي نظرة فاحصة على بعض هذه الأحداث الرئيسية.
إليك لمحة سريعة عن المراحل المبكرة:
الأربعينيات: طور وارن ماكولوك ووالتر بيتس دائرة بسيطة لتقليد طريقة عمل الدماغ.
1958: قدم روزنبلات المستقبِل الحسي.
السبعينيات: توصل بول ويربوس إلى مفهوم الانتشار العكسي (طريقة تدريب تساعد الشبكة العصبية على التعلم عن طريق تقليل الفرق بين المخرجات المتوقعة والفعلية). جعل الانتشار العكسي من الممكن تدريب الشبكات العصبية متعددة الطبقات ومهد الطريق للتعلم العميق.
الثمانينيات: درس باحثون مثل جيفري هينتون ويان ليكان الاتصالية، والتي تدور حول كيف يمكن لشبكات الوحدات المترابطة أن تشكل عمليات معرفية. وضع عملهم الأساس للشبكات العصبية الحديثة.
التسعينيات: اقترح يورغن شميدهوبر وسيب هوكريتر شبكة الذاكرة طويلة المدى (LSTM) التي أصبحت ضرورية للمهام التي تتضمن التنبؤ بالتسلسل.
عندما انتقلنا إلى القرن الحادي والعشرين، انطلق البحث في الشبكات العصبية، مما أدى إلى مزيد من التطورات. في العقد الأول من القرن الحادي والعشرين، لعب عمل Hinton على آلات Boltzmann المقيدة - وهو نوع من الشبكات العصبية التي تجد أنماطًا في البيانات - دورًا رئيسيًا في تطوير التعلم العميق. لقد جعل تدريب الشبكات العميقة أسهل، مما ساعد على التغلب على التحديات المتعلقة بالنماذج المعقدة وجعل التعلم العميق أكثر عملية وفعالية.
اليوم، تتطور الشبكات العصبية بابتكارات جديدة مثل المحولات، وهي رائعة لفهم التسلسلات، والشبكات العصبية الرسومية، التي تعمل بشكل جيد مع العلاقات المعقدة في البيانات. تقنيات مثل التعلم بالنقل - استخدام نموذج تم تدريبه على مهمة ما لمهمة أخرى - والتعلم الخاضع للإشراف الذاتي، حيث تتعلم النماذج دون الحاجة إلى بيانات مصنفة، تعمل أيضًا على توسيع ما يمكن أن تفعله الشبكات العصبية.
فهم الشبكات العصبية: الأساسيات
الآن بعد أن غطينا الأساسيات، دعونا نفهم ما هي الشبكة العصبية بالضبط. الشبكات العصبية هي نوع من نماذج تعلم الآلة التي تستخدم عقدًا أو خلايا عصبية مترابطة في هيكل طبقي يشبه الدماغ البشري. تعالج هذه العقد أو الخلايا العصبية البيانات وتتعلم منها، مما يجعل من الممكن لها أداء مهام مثل التعرف على الأنماط. أيضًا، الشبكات العصبية قابلة للتكيف، لذا يمكنها التعلم من أخطائها والتحسن بمرور الوقت. وهذا يمنحها القدرة على معالجة المشكلات المعقدة، مثل التعرف على الوجوه، بدقة أكبر.
تتكون الشبكات العصبية من معالجات متعددة تعمل بالتوازي، ويتم تنظيمها في طبقات. وهي تتكون من طبقة إدخال وطبقة إخراج وعدة طبقات مخفية بينهما. تتلقى طبقة الإدخال بيانات أولية، على غرار الطريقة التي تستقبل بها أعصابنا البصرية المعلومات المرئية.
بعد ذلك، تمرر كل طبقة مخرجاتها إلى الطبقة التالية، بدلاً من العمل مباشرة مع المدخلات الأصلية، تمامًا مثل الطريقة التي ترسل بها الخلايا العصبية في الدماغ إشارات من واحدة إلى أخرى. تنتج الطبقة الأخيرة مخرجات الشبكة. باستخدام هذه العملية، يمكن للشبكة العصبية الاصطناعية (ANN) أن تتعلم أداء مهام الرؤية الحاسوبية مثل تصنيف الصور.
تطبيق صناعي للشبكات العصبية في رؤية الكمبيوتر
بعد فهم ماهية الشبكات العصبية وكيفية عملها، دعنا نلقي نظرة على تطبيق يعرض إمكانات الشبكات العصبية في الرؤية الحاسوبية.
فحص خطوط الكهرباء في قطاع الطاقة
تشكل الشبكات العصبية أساس نماذج رؤية الحاسوب مثل Ultralytics YOLO11 ويمكن استخدامها للفحص البصري لخطوط الطاقة باستخدام الطائرات بدون طيار. تواجه صناعة المرافق تحديات لوجستية عندما يتعلق الأمر بفحص وصيانة شبكات خطوط الطاقة الواسعة الخاصة بها. غالبًا ما تمتد هذه الخطوط عبر كل شيء بدءًا من المناطق الحضرية المزدحمة وحتى المناظر الطبيعية الوعرة النائية. تقليديًا، كانت عمليات التفتيش هذه تتم بواسطة طاقم أرضي. في حين أن هذه الطرق اليدوية فعالة، إلا أنها مكلفة وتستغرق وقتًا طويلاً ويمكن أن تعرض العمال لمخاطر بيئية وكهربائية. تظهر الأبحاث أن العمل في خطوط المرافق هو من بين أخطر عشر وظائف في أمريكا، حيث يبلغ معدل الوفيات السنوي من 30 إلى 50 عاملاً لكل 100000.
ومع ذلك، يمكن لتكنولوجيا التفتيش بالطائرات بدون طيار أن تجعل عمليات التفتيش الجوي خياراً أكثر عملية وفعالية من حيث التكلفة. تسمح التكنولوجيا المتطورة للطائرات بدون طيار بالتحليق لمسافات أطول دون الحاجة إلى تغيير البطارية بشكل متكرر أثناء عمليات التفتيش. تأتي العديد من الطائرات بدون طيار الآن مدمجة مع الذكاء الاصطناعي ولديها ميزات تجنب العوائق الآلية وقدرات أفضل لاكتشاف الأعطال. تُمكِّنها هذه الميزات من فحص المناطق المزدحمة التي تحتوي على العديد من خطوط الطاقة والتقاط صور عالية الجودة من مسافات بعيدة. تتبنى العديد من الدول استخدام الطائرات بدون طيار والرؤية الحاسوبية في مهام فحص خطوط الكهرباء. على سبيل المثال، في إستونيا، يتم إجراء 100% من جميع عمليات فحص خطوط الكهرباء بواسطة هذه الطائرات بدون طيار.
الشكل 5. فني يستخدم الطائرات بدون طيار وأدوات الذكاء الاصطناعي لفحص خطوط الكهرباء (الصورة على اليسار) والطائرة بدون طيار التي يشغلها (الصورة على اليمين) (suasnews).
النقاط الرئيسية
لقد قطعت الشبكات العصبية شوطًا طويلاً من البحث إلى التطبيقات وأصبحت جزءًا مهمًا من التطورات التكنولوجية الحديثة. إنها تسمح للآلات بالتعلم والتعرف على الأنماط واتخاذ قرارات مستنيرة باستخدام ما تعلمته. من الرعاية الصحية والتمويل إلى المركبات ذاتية القيادة والتصنيع، تقود هذه الشبكات الابتكار وتحول الصناعات. بينما نواصل استكشاف وتحسين نماذج الشبكات العصبية، يصبح من الواضح بشكل متزايد قدرتها على إعادة تعريف المزيد من جوانب حياتنا اليومية وعملياتنا التجارية.
لاستكشاف المزيد، قم بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع و الزراعة في صفحات الحلول الخاصة بنا. 🚀
