البرسيبترونات والشبكات العصبية: المبادئ الأساسية للرؤية الحاسوبية

على مدار 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. وهي تساعد الآلات على التعلم من البيانات والتعرف على الأنماط لاتخاذ قرارات مستنيرة. ومن خلال القيام بذلك، فإنها تمكن المجالات الفرعية للذكاء الاصطناعي مثل الرؤية الحاسوبية والتعلم العميق في قطاعات مثل الرعاية الصحية، والتمويل، والسيارات ذاتية القيادة.

فهم كيفية عمل الشبكة العصبية يمكن أن يمنحك فكرة أفضل عن "الصندوق الأسود" الذي يمثله الذكاء الاصطناعي، مما يساعد على إزالة الغموض حول كيفية دمج التكنولوجيا المتطورة في حياتنا اليومية. في هذه المقالة، سنستكشف ماهية الشبكات العصبية، وكيف تعمل، وكيف تطورت على مر السنين. سنلقي نظرة أيضاً على الدور الذي تلعبه في تطبيقات الرؤية الحاسوبية. لنبدأ الآن!

ما هو البرسيبترون في الذكاء الاصطناعي؟#

قبل مناقشة الشبكات العصبية بالتفصيل، دعنا نلقي نظرة على البيربروترونات (Perceptrons). فهي أبسط نوع من الشبكات العصبية وتمثل الأساس لبناء نماذج أكثر تعقيداً.

البيربروترون هو خوارزمية تعلم آلي خطية تستخدم للتعلم الخاضع للإشراف (التعلم من بيانات التدريب المسماة). يُعرف أيضاً بشبكة عصبية احادية الطبقة ويُستخدم عادةً لمهام التصنيف الثنائي التي تُميز بين فئتين من البيانات. إذا كنت تحاول تصور بيربروترون، يمكنك التفكير فيه كخلية عصبية اصطناعية واحدة.

الشكل 1. البيربروترون هو خلية عصبية اصطناعية واحدة.

فهم كيفية عمل البرسيبترون#

يمكن للبيربروترون استقبال عدة مدخلات، ودمجها مع الأوزان، وتحديد الفئة التي تنتمي إليها، والعمل متخذ قرار بسيط. وهو يتكون من أربعة معلمات رئيسية: قيم المدخلات (تسمى أيضاً العقد)، والأوزان 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 الانحياز البيربروترون على أن يكون أكثر مرونة في اتخاذ القرارات.
• حساب المجموع الموزون: يقوم البرسيبترون بضرب كل مدخل في وزنه، ثم يضيف كل شيء معاً، بما في ذلك التحيز، للوصول إلى مجموع موزون.
• اتخاذ القرار: بعد ذلك، يستخدم البرسيبترون دالة تنشيط لتحديد المخرجات النهائية. يأخذ المجموع الموزون ويقرر ما إذا كان ينبغي تنشيط البرسيبترون أم لا. في أبسط الحالات، تكون دالة التنشيط عبارة عن دالة خطوة تعطي مخرجاً يساوي واحداً إذا كان المجموع الموزون فوق حد معين، وصفر إذا لم يكن كذلك. وهكذا، يتم تحويل المدخل الموزون إلى قرار "نعم" أو "لا".
• التعلم والتحسين: إذا ارتكب البيربروترون خطأً، فإنه يقوم بضبط الأوزان محاولةً للتحسين في المرة القادمة. هذه العملية تساعد النموذج على التعلم من أخطائه.

شكل 2. نظرة عامة على البرسيبترون. المصدر: indiantechwarrior.com

دور البرسيبترونات في الرؤية الحاسوبية#

تلعب البيربروترونات دوراً مهمًا في مساعدتنا على فهم أساسيات الرؤية الحاسوبية. فهي أساس الشبكات العصبية المتقدمة. على عكس البيربروترونات، لا تقتصر الشبكات العصبية على طبقة واحدة. فهي تتكون من طبقات متعددة من البيربروترونات المترابطة، مما يسمح لها بتعلم أنماط غير خطية معقدة. يمكن للشبكات العصبية التعامل مع مهام أكثر تقدمًا وإنتاج مخرجات ثنائية ومستمرة على حد سواء. على سبيل المثال، يمكن استخدام الشبكات العصبية لمهام الرؤية الحاسوبية المتقدمة مثل تجزئة المثيلات وتقدير 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 المعالم المبكرة:

• الأربعينيات: طور وارن ماكولوتش ووالتر بيتس دائرة بسيطة لمحاكاة كيفية عمل الدماغ.
• 1958: قدم روزنبلات البرسيبترون.
• السبعينيات: اقترح بول ويربوس مفهوم الانتشار العكسي (وهو 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 ومهّد الطريق للتعلم العميق.
• الثمانينيات: درس باحثون مثل جيفري هينتون ويان ليكون الاتصالية، وهي تدور حول كيفية تشكيل شبكات الوحدات المترابطة للعمليات المعرفية. وضع عملهم الأساس للشبكات العصبية الحديثة.
• التسعينيات: اقترح يورغن شميدهوبر وسيب هوكريتر شبكة الذاكرة طويلة المدى (LSTM) التي أصبحت ضرورية للمهام التي تتضمن التنبؤ بالتسلسلات.

الشكل 3. تطور الشبكات العصبية.

مع انتقالنا إلى القرن الحادي والعشرين، انطلقت أبحاث الشبكات العصبية، مما أدى إلى تقدم أكبر. في العقد الأول من القرن الحادي والعشرين، لعب عمل هينتون على آلات بولتزمان المقيدة - وهو نوع من الشبكات العصبية التي تعثر على أنماط في البيانات - دوراً رئيسياً في تطوير التعلم العميق. لقد جعل تدريب الشبكات العميقة أسهل، مما ساعد في التغلب على التحديات المتعلقة بالنماذج المعقدة وجعل التعلم العميق أكثر عملية وفعالية.

ثم، في العقد الأول من القرن الحادي والعشرين (العقد الثاني من الألفية)، تسارعت الأبحاث بسرعة بسبب صعود البيانات الضخمة والحوسبة المتوازية. كان أحد أبرز الأحداث خلال هذه الفترة هو فوز شبكة AlexNet في مسابقة ImageNet (عام 2012). كانت AlexNet، وهي شبكة عصبية تلافيفية عميقة، إنجازًا كبيرًا لأنها أظهرت مدى قوة التعلم العميق لمهام الرؤية الحاسوبية، مثل التعرف بدقة على الصور. لقد ساعدت في إشعال النمو السريع للذكاء الاصطناعي في مجال التعرف البصري.

اليوم، تتطور الشبكات العصبية بابتكارات جديدة مثل المحول (Transformer)، والتي تُعد ممتازة لفهم التسلسلات، والشبكات العصبية للرسوم البيانية، والتي تعمل بشكل جيد مع العلاقات المعقدة في البيانات. تقنيات مثل التعلم النقلي - استخدام نموذج مدرب على مهمة واحدة لأخرى - والتعلم الشبه خاضع للإشراف، حيث يتعلم النموذج دون الحاجة إلى بيانات مسماة، تعمل أيضًا على توسيع قدرات الشبكات العصبية.

فهم الشبكات العصبية: الأساسيات#

الآن بعد أن غطينا الأساسيات، دعونا نفهم بدقة ماهية الشبكة العصبية. الشبكات العصبية هي نوع من نماذج التعلم الآلي التي تستخدم عقدًا أو خلايا عصبية مترابطة في هيكل طبقي يشبه الدماغ البشري. تعالج هذه العقد أو الخلايا العصبية البيانات وتتعلم منها، مما يتيح لها أداء مهام مثل التعرف على الأنماط. علاوة على ذلك، تتميز الشبكات العصبية بالتكيف، لذا يمكنها التعلم من أخطائها والتحسن بمرور الوقت. هذا يمنحها القدرة على معالجة المشكلات المعقدة، مثل التعرف على الوجوه، بدقة أكبر.

الشكل 4. شبكة عصبية.

تتكون الشبكات العصبية من معالجات متعددة تعمل بالتوازي، منظمة في طبقات. وهي تتكون من طبقة دخل، وططبقة خرج، والعديد من الطبقات الخفية بينهما. تستقبل طبقة الدخل البيانات الخام، على غرار كيفية تلقي أعصابنا البصرية للمعلومات المرئية.

ثم تمرر كل طبقة خرجها إلى الطبقة التالية، بدلاً من العمل بشكل مباشر مع الدخل الأصلي، تمامًا مثل كيفية إرسال الخلايا العصبية في الدماغ للإشارات من خلية إلى أخرى. تنتج الطبقة النهائية خرج الشبكة. باستخدام هذه العملية، يمكن لشبكة عصبية اصطناعية (ANN) أن تتعلم أداء مهام الرؤية الحاسوبية مثل تصنيف الصور.

تطبيق صناعي للشبكات العصبية في الرؤية الحاسوبية#

بعد فهم ماهية الشبكات العصبية وكيفية عملها، دعونا نلقي نظرة على تطبيق يعرض إمكانات الشبكات العصبية في الرؤية الحاسوبية.

فحص خطوط الطاقة في قطاع الطاقة#

تشكل الشبكات العصبية الأساس لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 ويمكن استخدامها لفحص خطوط الطاقة بصريًا باستخدام الطائرات بدون طيار. تواجه صناعة المرافق تحديات لوجستية عندما يتعلق الأمر بفحص وصيانة شبكاتها الواسعة من خطوط الطاقة. وغالبًا ما تمتد هذه الخطوط عبر كل شيء بدءًا من المناطق الحضرية المزدحمة ووصولاً إلى المناظر الطبيعية الوعرة والنائية. تقليديًا، كانت عمليات الفحص هذه تُنفذ بواسطة فريق أرضي. ورغم فعالية هذه الطرق اليدوية، إلا أنها مكلفة، وتستغرق وقتاً طويلاً، وقد تعرض العمال لمخاطر بيئية وكهربائية. تشير الأبحاث إلى أن العمل في خطوط المرافق يعد من بين الوظائف العشرة الأكثر خطورة في أمريكا، مع معدل وفيات سنوي يتراوح بين 30 إلى 50 عاملًا لكل 100,000.

ومع ذلك، يمكن لـتقنية الفحص بالطائرات بدون طيار أن تجعل عمليات الفحص الجوي خيارًا أكثر عملية وفعالية من حيث التكلفة. تتيح التكنولوجيا المتطورة للطائرات بدون طيار الطيران لمسافات أطول دون الحاجة إلى تغييرات متكررة في البطارية أثناء عمليات الفحص. تأتي العديد من الطائرات بدون طيار الآن مدمجة بالذكاء الاصطناعي ولديها ميزات تلقائية لتفادي العوائق وقدرات محسنة لاكتشاف الأعطال. تمكنها هذه الميزات من فحص المناطق المزدحمة التي تحتوي على العديد من خطوط الطاقة والتقاط صور عالية الجودة من مسافات أبعد. تعتمد العديد من البلدان استخدام الطائرات بدون طيار والرؤية الحاسوبية لمهام فحص خطوط الطاقة. على سبيل المثال، في إستونيا، يتم إجراء 100% من جميع عمليات فحص خطوط الطاقة بواسطة هذه الطائرات بدون طيار.

شكل 5. فني يستخدم طائرات بدون طيار وأدوات ذكاء اصطناعي لفحص خطوط الطاقة (الصورة على اليسار) والطائرة بدون طيار التي يشغلها (الصورة على اليمين) (suasnews).

أبرز النقاط#

لقد قطعت الشبكات العصبية شوطاً طويلاً من الأبحاث إلى التطبيقات وأصبحت جزءاً مهماً من التطورات التكنولوجية الحديثة. إنها تسمح للآلات بالتعلم وتمييز الأنماط واتخاذ قرارات مستنيرة باستخدام ما تعلمته. من الرعاية الصحية والتمويل إلى المركبات ذاتية القيادة والتصنيع، تدفع هذه الشبكات الابتكار وتحول الصناعات. وبينما نواصل استكشاف وتحسين نماذج الشبكات العصبية، تصبح إمكاناتها لإعادة تعريف المزيد من جوانب حياتنا اليومية وعملياتنا التجارية أكثر وضوحاً.

لاستكشاف المزيد، قم بزيارة GitHub repository الخاص بنا، وتفاعل مع الـ community الخاص بنا. استكشف تطبيقات الذكاء الاصطناعي في manufacturing وagriculture على صفحات الحلول الخاصة بنا. 🚀