الإدراكات والشبكات العصبية: المبادئ الأساسية للرؤية الحاسوبية

على مدى العقود القليلة الماضية، أصبحت الشبكات العصبية لبنات أساسية للعديد من الابتكارات البارزة في الذكاء الاصطناعي (AI). والشبكات العصبية نماذج حاسوبية تحاول محاكاة الوظائف المعقدة للدماغ البشري. وهي تساعد الآلات على التعلم من البيانات والتعرّف على الأنماط لاتخاذ قرارات مستنيرة. ومن خلال ذلك، تتيح مجالات فرعية من الذكاء الاصطناعي مثل رؤية الحاسوب والتعلم العميق في قطاعات مثل الرعاية الصحية والتمويل والسيارات ذاتية القيادة.

إن فهم طريقة عمل الشبكة العصبية يمنحك تصورًا أفضل عن «الصندوق الأسود» الذي يمثله الذكاء الاصطناعي، ويساعد على إزالة الغموض عن كيفية دمج أحدث التقنيات في حياتنا اليومية. سنستكشف في هذه المقالة ماهية الشبكات العصبية وكيفية عملها وتطورها على مر السنين. وسنتناول أيضًا الدور الذي تؤديه في تطبيقات رؤية الحاسوب. لنبدأ!

ما هو البرسيبترون في الذكاء الاصطناعي؟#

قبل مناقشة الشبكات العصبية بالتفصيل، دعونا نلقِ نظرة على البرسيبترونات. فهي أبسط أنواع الشبكات العصبية، وتشكل أساس بناء نماذج أكثر تعقيدًا.

البرسيبترون خوارزمية خطية في التعلم الآلي تُستخدم في التعلم الخاضع للإشراف (التعلم من بيانات التدريب الموسومة). ويُعرف أيضًا باسم الشبكة العصبية أحادية الطبقة، ويُستخدم عادةً في مهام التصنيف الثنائي التي تميّز بين فئتين من البيانات. وإذا أردت تصور البرسيبترون، فيمكنك اعتباره عصبونًا اصطناعيًا واحدًا.

الشكل 1. البرسيبترون عصبون اصطناعي واحد.

فهم طريقة عمل البرسيبترون#

يستطيع البرسيبترون استقبال عدة مدخلات، ودمجها باستخدام أوزان، وتحديد الفئة التي تنتمي إليها، والعمل كأداة بسيطة لاتخاذ القرار. ويتألف من أربع معلمات رئيسية: قيم الإدخال (وتسمى أيضًا العقد)، والأوزان والانحيازات، والمجموع الصافي، ودالة التنشيط.

إليك طريقة عمله:

• المدخلات والأوزان: لنفترض أن لديك عدة معلومات (مدخلات)، ولكل منها وزن يوضح مدى أهميتها. وإضافة إلى ذلك، يساعد الانحياز البرسيبترون على اتخاذ قرارات أكثر مرونة.
• حساب المجموع الموزون: يضرب البرسيبترون كل مدخل في وزنه، ثم يجمع كل القيم، بما فيها الانحياز، للحصول على المجموع الموزون.
• اتخاذ القرار: يستخدم البرسيبترون بعد ذلك دالة تنشيط لتحديد الناتج النهائي. إذ تأخذ هذه الدالة المجموع الموزون وتقرر ما إذا كان ينبغي تنشيط البرسيبترون أم لا. وفي أبسط الحالات، تكون دالة التنشيط دالة درجية تُخرج القيمة واحدًا إذا تجاوز المجموع الموزون عتبة معينة، وصفرًا إن لم يتجاوزها. وهكذا يتحول الإدخال الموزون إلى قرار بنعم أو لا.
• التعلم والتحسين: إذا أخطأ البرسيبترون، فإنه يعدّل الأوزان لمحاولة تحسين أدائه في المرة التالية. وتساعد هذه العملية النموذج على التعلم من أخطائه.

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

دور البرسيبترونات في رؤية الحاسوب#

تؤدي البرسيبترونات دورًا مهمًا في مساعدتنا على فهم أساسيات رؤية الحاسوب. فهي أساس الشبكات العصبية المتقدمة. وعلى خلاف البرسيبترونات، لا تقتصر الشبكات العصبية على طبقة واحدة، بل تتكون من طبقات متعددة من البرسيبترونات المترابطة، ما يتيح لها تعلم أنماط لاخطية معقدة. ويمكن للشبكات العصبية التعامل مع مهام أكثر تقدمًا وإنتاج مخرجات ثنائية ومستمرة. فعلى سبيل المثال، يمكن استخدام الشبكات العصبية في مهام رؤية الحاسوب المتقدمة مثل تجزئة المثيلات وتقدير الوضعية.

تطور تقنية رؤية الحاسوب انطلاقًا من الشبكات العصبية#

يمتد تاريخ الشبكات العصبية إلى عدة عقود، وهو حافل بالأبحاث والاكتشافات المثيرة للاهتمام. فلنلقِ نظرة عن كثب على بعض المحطات الرئيسية.

إليك لمحة سريعة عن المحطات المبكرة:

• الأربعينيات: طوّر Warren McCulloch وWalter Pitts دائرة بسيطة لمحاكاة طريقة عمل الدماغ.
• 1958: قدّم Rosenblatt البرسيبترون.
• السبعينيات: ابتكر Paul Werbos مفهوم الانتشار العكسي (طريقة تدريب تساعد الشبكة العصبية على التعلم عبر تقليل الفرق بين المخرجات المتوقعة والفعلية). أتاح الانتشار العكسي إمكانية تدريب الشبكات العصبية متعددة الطبقات ومهّد الطريق أمام التعلم العميق.
• الثمانينيات: درس باحثون مثل Geoffrey Hinton وYann LeCun الترابطية، التي تتناول كيفية تشكيل شبكات الوحدات المترابطة للعمليات الإدراكية. وأرست أعمالهم أسس الشبكات العصبية الحديثة.
• التسعينيات: اقترح Jürgen Schmidhuber وSepp Hochreiter شبكة الذاكرة طويلة وقصيرة الأمد (LSTM)، التي أصبحت أساسية للمهام التي تتضمن التنبؤ بالتسلسلات.

الشكل 3. تطور الشبكات العصبية.

مع دخولنا القرن الحادي والعشرين، انطلقت الأبحاث المتعلقة بالشبكات العصبية، مما أفضى إلى تقدم أكبر. ففي العقد الأول من القرن، أدت أعمال Hinton على آلات بولتزمان المقيّدة، وهي نوع من الشبكات العصبية التي تستكشف الأنماط في البيانات، دورًا رئيسيًا في تطوير التعلم العميق. وسهّلت هذه الأعمال تدريب الشبكات العميقة، وساعدت على تجاوز التحديات المرتبطة بالنماذج المعقدة، وجعلت التعلم العميق أكثر عملية وفاعلية.

ثم تسارعت الأبحاث بوتيرة كبيرة في العقد الثاني من القرن الحادي والعشرين، بفضل ازدهار البيانات الضخمة والحوسبة المتوازية. وكان من أبرز أحداث تلك الفترة فوز AlexNet في مسابقة ImageNet عام 2012. وقد مثّل AlexNet، وهو شبكة عصبية التفافية عميقة، إنجازًا كبيرًا لأنه أظهر مدى قوة التعلم العميق في مهام رؤية الحاسوب، مثل التعرّف الدقيق على الصور. وأسهم هذا الإنجاز في تحفيز النمو السريع للذكاء الاصطناعي في مجال التعرّف البصري.

تتطور الشبكات العصبية اليوم بفضل ابتكارات جديدة مثل المحوّلات، التي تجيد فهم التسلسلات، والشبكات العصبية البيانية، التي تتعامل جيدًا مع العلاقات المعقدة في البيانات. كما توسّع تقنيات مثل التعلم بالنقل، أي استخدام نموذج دُرّب على مهمة لتنفيذ مهمة أخرى، والتعلم الخاضع للإشراف الذاتي، حيث تتعلم النماذج من دون الحاجة إلى بيانات موسومة، قدرات الشبكات العصبية.

فهم الشبكات العصبية: الأساسيات#

بعد أن استعرضنا الأساسيات، دعونا نفهم ماهية الشبكة العصبية تحديدًا. الشبكات العصبية نوع من نماذج التعلم الآلي يستخدم عقدًا أو عصبونات مترابطة ضمن بنية طبقية تشبه الدماغ البشري. وتعالج هذه العقد أو العصبونات البيانات وتتعلم منها، ما يتيح لها تنفيذ مهام مثل التعرّف على الأنماط. كما أن الشبكات العصبية تكيفية، لذا يمكنها التعلم من أخطائها وتحسين أدائها بمرور الوقت. وهذا ما يمكّنها من معالجة مشكلات معقدة، مثل التعرّف على الوجوه، بدقة أكبر.

الشكل 4. شبكة عصبية.

تتكون الشبكات العصبية من معالجات متعددة تعمل بالتوازي، وتُنظم في طبقات. وتتألف من طبقة إدخال وطبقة إخراج وعدة طبقات مخفية بينهما. تستقبل طبقة الإدخال البيانات الخام، على غرار الطريقة التي تستقبل بها أعصابنا البصرية المعلومات المرئية.

ثم تمرر كل طبقة مخرجاتها إلى الطبقة التالية بدلًا من التعامل مباشرةً مع الإدخال الأصلي، على غرار إرسال العصبونات في الدماغ الإشارات بعضها إلى بعض. وتنتج الطبقة الأخيرة مخرجات الشبكة. ومن خلال هذه العملية، تستطيع الشبكة العصبية الاصطناعية (ANN) تعلم تنفيذ مهام رؤية الحاسوب مثل تصنيف الصور.

تطبيق صناعي للشبكات العصبية في رؤية الحاسوب#

بعد أن فهمنا ماهية الشبكات العصبية وكيفية عملها، دعونا نلقي نظرة على تطبيق يبرز إمكاناتها في مجال رؤية الحاسوب.

فحص خطوط الطاقة 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. فكثيرًا ما تمتد هذه الخطوط عبر بيئات متنوعة، من المناطق الحضرية المزدحمة إلى المناظر الطبيعية الوعرة النائية. تقليديًا، كان فريق ميداني يتولى إجراء عمليات الفحص هذه. وعلى الرغم من فاعلية هذه الأساليب اليدوية، فإنها مكلفة وتستغرق وقتًا طويلًا، وقد تعرّض العاملين لمخاطر بيئية وكهربائية. وتُظهر الأبحاث أن العمل على خطوط المرافق من بين أخطر عشر مهن في الولايات المتحدة، إذ يتراوح معدل الوفيات السنوي بين 30 و50 حالة وفاة لكل 100,000 عامل.

لكن تقنية الفحص بالطائرات المسيّرة يمكن أن تجعل الفحوصات الجوية خيارًا عمليًا وأكثر فعالية من حيث التكلفة. وتتيح التقنيات المتقدمة للطائرات المسيّرة قطع مسافات أطول من دون الحاجة إلى تبديل البطاريات بصورة متكررة أثناء الفحص. وتأتي طائرات مسيّرة كثيرة الآن مدمجة مع الذكاء الاصطناعي، وتتميز بخصائص آلية لتجنب العوائق وقدرات أفضل على اكتشاف الأعطال. وتمكّنها هذه الميزات من فحص المناطق المزدحمة بخطوط الطاقة والتقاط صور عالية الجودة من مسافات أبعد. وتعتمد دول كثيرة الطائرات المسيّرة ورؤية الحاسوب في مهام فحص خطوط الطاقة. فعلى سبيل المثال، تُجرى في إستونيا جميع فحوصات خطوط الطاقة، بنسبة 100%، باستخدام هذه الطائرات المسيّرة.

الشكل 5. فني يستخدم طائرات مسيّرة وأدوات الذكاء الاصطناعي لفحص خطوط الطاقة (الصورة على اليسار)، والطائرة المسيّرة التي يشغّلها (الصورة على اليمين) (suasnews).

أبرز النقاط#

قطعت الشبكات العصبية شوطًا طويلًا من مرحلة البحث إلى التطبيقات، وأصبحت جزءًا مهمًا من التطورات التقنية الحديثة. فهي تمكّن الآلات من التعلم والتعرّف على الأنماط واتخاذ قرارات مستنيرة بالاستناد إلى ما تعلمته. ومن الرعاية الصحية والتمويل إلى المركبات ذاتية القيادة والتصنيع، تدفع هذه الشبكات عجلة الابتكار وتحول القطاعات. ومع مواصلة استكشاف نماذج الشبكات العصبية وتحسينها، تتضح أكثر فأكثر قدرتها على إعادة تشكيل جوانب إضافية من حياتنا اليومية وعمليات الأعمال.

لمعرفة المزيد، تفضل بزيارة مستودعنا على GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات حلولنا. 🚀