البرسيبترونات والشبكات العصبية: المبادئ الأساسية للرؤية الحاسوبية

على مدى العقود القليلة الماضية، أصبحت الشبكات العصبية اللبنات الأساسية للعديد من ابتكارات الذكاء الاصطناعي (AI) المهمة. والشبكات العصبية نماذج حسابية تحاول محاكاة الوظائف المعقدة للدماغ البشري. وهي تساعد الآلات على التعلم من البيانات والتعرف على الأنماط لاتخاذ قرارات مستنيرة. وبذلك، تُمكّن مجالات فرعية من الذكاء الاصطناعي مثل الرؤية الحاسوبية والتعلم العميق في قطاعات مثل الرعاية الصحية والتمويل والسيارات ذاتية القيادة.

إن فهم كيفية عمل الشبكة العصبية يمكن أن يمنحك تصورًا أفضل عن "الصندوق الأسود" الذي يمثله الذكاء الاصطناعي، مما يساعد على إزالة الغموض عن كيفية دمج التكنولوجيا المتطورة في حياتنا اليومية. في هذه المقالة، سنستكشف ماهية الشبكات العصبية، وكيف تعمل، وكيف تطورت على مر السنين. وسنلقي أيضًا نظرة على الدور الذي تؤديه في تطبيقات الرؤية الحاسوبية. فلنبدأ!

ما هو الإدراك في الذكاء الاصطناعي؟#

قبل مناقشة الشبكات العصبية بالتفصيل، دعونا نلقِ نظرة على الإدراكات. فهي أبسط أنواع الشبكات العصبية، وتشكل الأساس لبناء نماذج أكثر تعقيدًا.

الإدراك هو خوارزمية خطية في التعلم الآلي تُستخدم في التعلم الخاضع للإشراف (التعلم من بيانات التدريب المُعنونة). ويُعرف أيضًا باسم الشبكة العصبية أحادية الطبقة، ويُستخدم عادةً في مهام التصنيف الثنائي التي تميز بين فئتين من البيانات. وإذا أردت تصور الإدراك، فيمكنك التفكير فيه بوصفه عصبونًا اصطناعيًا واحدًا.

الشكل 1. الإدراك هو عصبون اصطناعي واحد.

فهم كيفية عمل الإدراك#

يمكن للإدراك استقبال عدة مدخلات، ودمجها مع أوزان، وتحديد الفئة التي تنتمي إليها، والعمل بوصفه صانع قرارات بسيطًا. ويتكون من أربعة معلمات رئيسية: قيم الإدخال (وتُسمى أيضًا العُقد)، والأوزان والانحيازات، والمجموع الصافي، ودالة التنشيط.

إليك كيفية عمله:

• المدخلات والأوزان: لنفترض أن لديك عدة أجزاء من المعلومات (مدخلات)، وأن لكل منها وزنًا يوضح مدى أهميته. بالإضافة إلى ذلك، يساعد الانحياز الإدراك على التحلي بمرونة أكبر عند اتخاذ القرارات.
• حساب المجموع الموزون: يضرب الإدراك كل مدخل في وزنه، ثم يجمع كل شيء معًا، بما في ذلك الانحياز، للوصول إلى مجموع موزون.
• اتخاذ القرار: بعد ذلك، يستخدم الإدراك دالة تنشيط لتحديد المخرج النهائي. فهو يأخذ المجموع الموزون ويقرر ما إذا كان ينبغي تنشيط الإدراك أم لا. وفي أبسط الحالات، تكون دالة التنشيط دالة درجية تعطي مخرجًا قيمته واحد إذا تجاوز المجموع الموزون عتبة معينة، وصفرًا إذا لم يتجاوزها. وهكذا، يتحول الإدخال الموزون إلى قرار بنعم أو لا.
• التعلم والتحسين: إذا ارتكب الإدراك خطأً، فإنه يضبط الأوزان لمحاولة التحسن في المرة التالية. وتساعد هذه العملية النموذج على التعلم من أخطائه.

الشكل 2. نظرة عامة على الإدراك. المصدر: indiantechwarrior.com

دور الإدراكات في الرؤية الحاسوبية#

تؤدي الإدراكات دورًا مهمًا في مساعدتنا على فهم أساسيات الرؤية الحاسوبية. فهي تشكل أساس الشبكات العصبية المتقدمة. وعلى خلاف الإدراكات، لا تقتصر الشبكات العصبية على طبقة واحدة. فهي تتكون من طبقات متعددة من الإدراكات المترابطة، مما يتيح لها تعلم أنماط لاخطية معقدة. ويمكن للشبكات العصبية التعامل مع مهام أكثر تقدمًا وإنتاج مخرجات ثنائية ومستمرّة على حد سواء. فعلى سبيل المثال، يمكن استخدام الشبكات العصبية في مهام الرؤية الحاسوبية المتقدمة مثل تجزئة الكائنات وتقدير الوضعية.

تطور تكنولوجيا الرؤية الحاسوبية انطلاقًا من الشبكات العصبية#

يعود تاريخ الشبكات العصبية إلى عدة عقود، وهو حافل بالأبحاث والاكتشافات المثيرة للاهتمام. دعونا نلقِ نظرة أقرب على بعض هذه الأحداث الرئيسية.

إليك لمحة سريعة عن المحطات المبكرة:

• أربعينيات القرن العشرين: طور وارن مكولوتش ووالتر بيتس دائرة بسيطة لمحاكاة طريقة عمل الدماغ.
• 1958: قدّم روزنبلات الإدراك.
• سبعينيات القرن العشرين: ابتكر بول ويربوس مفهوم الانتشار العكسي (وهو أسلوب تدريب يساعد الشبكة العصبية على التعلم من خلال تقليل الفرق بين المخرجات المتوقعة والفعلية). وقد أتاح الانتشار العكسي إمكانية تدريب الشبكات العصبية متعددة الطبقات ومهّد الطريق للتعلم العميق.
• ثمانينيات القرن العشرين: درس باحثون مثل جيفري هينتون ويان لوكون الترابطية، التي تتناول كيفية تشكيل شبكات الوحدات المترابطة للعمليات الإدراكية. وقد أرسى عملهما الأساس للشبكات العصبية الحديثة.
• تسعينيات القرن العشرين: اقترح يورغن شميدهوبير وسيب هوخرايتر شبكة الذاكرة طويلة قصيرة الأمد (LSTM)، التي أصبحت أساسية للمهام المتعلقة بالتنبؤ بالتسلسلات.

الشكل 3. تطور الشبكات العصبية.

مع انتقالنا إلى القرن الحادي والعشرين، انطلقت الأبحاث المتعلقة بالشبكات العصبية، مما أدى إلى تطورات أكبر. ففي العقد الأول من القرن الحادي والعشرين، أدى عمل هينتون على آلات بولتزمان المقيدة - وهي نوع من الشبكات العصبية التي تكتشف الأنماط في البيانات - دورًا رئيسيًا في تطوير التعلم العميق. وجعل تدريب الشبكات العميقة أسهل، مما ساعد على تجاوز التحديات المرتبطة بالنماذج المعقدة وجعل التعلم العميق أكثر عملية وفعالية.

ثم، في العقد الثاني من القرن الحادي والعشرين، تسارعت الأبحاث سريعًا بفضل صعود البيانات الضخمة والحوسبة المتوازية. وكان من أبرز أحداث هذه الفترة فوز AlexNet في مسابقة ImageNet عام 2012. وكانت AlexNet، وهي شبكة عصبية التفافية عميقة، إنجازًا مهمًا لأنها أظهرت مدى قوة التعلم العميق في مهام الرؤية الحاسوبية، مثل التعرف الدقيق على الصور. وقد ساعدت على إشعال النمو السريع للذكاء الاصطناعي في مجال التعرف البصري.

اليوم، تتطور الشبكات العصبية بفضل ابتكارات جديدة مثل Transformer، وهي مناسبة جدًا لفهم التسلسلات، والشبكات العصبية البيانية، التي تتعامل بكفاءة مع العلاقات المعقدة في البيانات. كما تعمل تقنيات مثل التعلم بالنقل - أي استخدام نموذج دُرّب على مهمة معينة لتنفيذ مهمة أخرى - والتعلم الخاضع للإشراف الذاتي، حيث تتعلم النماذج من دون الحاجة إلى بيانات معنونة، على توسيع قدرات الشبكات العصبية.

فهم الشبكات العصبية: الأساسيات#

بعد أن غطينا الأساسيات، دعونا نفهم ماهية الشبكة العصبية بالضبط. الشبكات العصبية هي نوع من نماذج التعلم الآلي يستخدم عُقدًا أو عصبونات مترابطة في بنية طبقية تشبه الدماغ البشري. وتعالج هذه العُقد أو العصبونات البيانات وتتعلم منها، مما يتيح لها تنفيذ مهام مثل التعرف على الأنماط. كما أن الشبكات العصبية تكيفية، لذا يمكنها التعلم من أخطائها والتحسن بمرور الوقت. وهذا يمنحها القدرة على معالجة مشكلات معقدة، مثل التعرف على الوجوه، بدقة أكبر.

الشكل 4. شبكة عصبية.

تتكون الشبكات العصبية من معالجات متعددة تعمل بالتوازي، وتُنظَّم في طبقات. وهي تتألف من طبقة إدخال وطبقة إخراج وعدة طبقات مخفية بينهما. وتستقبل طبقة الإدخال البيانات الخام، على نحو يشبه استقبال أعصابنا البصرية للمعلومات المرئية.

تمرر كل طبقة مخرجاتها إلى الطبقة التالية، بدلًا من العمل مباشرةً مع الإدخال الأصلي، تمامًا كما ترسل العصبونات في الدماغ الإشارات من عصبون إلى آخر. وتنتج الطبقة النهائية مخرج الشبكة. ومن خلال هذه العملية، يمكن لشبكة عصبية اصطناعية (ANN) أن تتعلم تنفيذ مهام الرؤية الحاسوبية مثل تصنيف الصور.

تطبيق صناعي للشبكات العصبية في الرؤية الحاسوبية#

بعد أن فهمنا ماهية الشبكات العصبية وكيفية عملها، دعونا نلقِ نظرة على تطبيق يبرز إمكانات الشبكات العصبية في الرؤية الحاسوبية.

فحص خطوط الكهرباء في قطاع الطاقة#

تشكل الشبكات العصبية أساس نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، ويمكن استخدامها لفحص خطوط الكهرباء بصريًا باستخدام الطائرات المسيّرة. ويواجه قطاع المرافق تحديات لوجستية عند فحص شبكاته الواسعة من خطوط الكهرباء وصيانتها. وغالبًا ما تمتد هذه الخطوط عبر كل شيء، من المناطق الحضرية المزدحمة إلى المناظر الطبيعية الوعرة والنائية. وتقليديًا، كان طاقم أرضي يتولى عمليات الفحص هذه. وعلى الرغم من فعالية هذه الأساليب اليدوية، فإنها مكلفة وتستغرق وقتًا طويلًا، وقد تعرّض العمال للمخاطر البيئية والكهربائية. وتُظهر الأبحاث أن العمل على خطوط المرافق من بين أخطر عشرة أعمال في أمريكا، إذ يتراوح معدل الوفيات السنوي بين 30 و50 عاملًا لكل 100,000 عامل.

ومع ذلك، يمكن أن تجعل تكنولوجيا فحص الطائرات المسيّرة عمليات الفحص الجوي خيارًا عمليًا وفعالًا من حيث التكلفة. وتتيح التكنولوجيا المتطورة للطائرات المسيّرة قطع مسافات أطول من دون الحاجة إلى تغيير البطاريات بشكل متكرر أثناء عمليات الفحص. وأصبحت العديد من الطائرات المسيّرة مزودةً بالذكاء الاصطناعي، وتتميز بخصائص آلية لتجنب العوائق وقدرات أفضل على اكتشاف الأعطال. وتمكّنها هذه الخصائص من فحص المناطق المزدحمة التي تضم العديد من خطوط الكهرباء والتقاط صور عالية الجودة من مسافات أكبر. وتتجه بلدان كثيرة إلى اعتماد الطائرات المسيّرة والرؤية الحاسوبية في مهام فحص خطوط الكهرباء. فعلى سبيل المثال، تُجرى في إستونيا نسبة 100% من عمليات فحص خطوط الكهرباء باستخدام هذه الطائرات المسيّرة.

الشكل 5. فني يستخدم الطائرات المسيّرة وأدوات الذكاء الاصطناعي لفحص خطوط الكهرباء (الصورة على اليسار) والطائرة المسيّرة التي يشغّلها (الصورة على اليمين) (suasnews).

أهم النقاط المستخلصة#

قطعت الشبكات العصبية شوطًا طويلًا من البحث إلى التطبيقات، وأصبحت جزءًا مهمًا من التطورات التكنولوجية الحديثة. فهي تتيح للآلات التعلم والتعرف على الأنماط واتخاذ قرارات مستنيرة باستخدام ما تعلمته. ومن الرعاية الصحية والتمويل إلى المركبات ذاتية القيادة والتصنيع، تدفع هذه الشبكات عجلة الابتكار وتحول الصناعات. ومع استمرارنا في استكشاف نماذج الشبكات العصبية وتحسينها، تتضح بصورة متزايدة إمكاناتها في إعادة تعريف مزيد من جوانب حياتنا اليومية وعملياتنا التجارية.

لمزيد من الاستكشاف، تفضّل بزيارة مستودع GitHub الخاص بنا، وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة في صفحات الحلول لدينا. 🚀