المشفر التلقائي
اكتشف كيف تقوم المشفرات التلقائية بضغط البيانات وتقليل الضوضاء وتمكين الكشف عن الحالات الشاذة واستخراج الميزات والمزيد باستخدام تقنيات الذكاء الاصطناعي المتقدمة.
المُشفِّر التلقائي (autoencoder) هو نوع من الشبكات العصبية الاصطناعية المستخدمة في التعلم غير الخاضع للإشراف. هدفه الأساسي هو تعلم تمثيل مضغوط وفعال (تشفير) لمجموعة من البيانات، عادةً لغرض تقليل الأبعاد أو استخراج الميزات. تحقق الشبكة ذلك من خلال تعلم إعادة بناء مدخلاتها الخاصة. وهي تتكون من جزأين رئيسيين: مشفر، يضغط بيانات الإدخال في فضاء كامن منخفض الأبعاد، ووحدة فك ترميز، تعيد بناء البيانات الأصلية من هذا التمثيل المضغوط. من خلال إجبار البيانات على المرور عبر "عنق الزجاجة" هذا، يجب على الشبكة أن تتعلم تحديد الميزات الأكثر بروزًا والحفاظ عليها مع تجاهل الضوضاء والتكرار.
كيف تعمل المشفرات التلقائية؟
تتكون بنية المشفر التلقائي من دالة ترميز ودالة فك ترميز، والتي يمكن أن تكون شبكات تغذية أمامية بسيطة أو هياكل أكثر تعقيدًا مثل الشبكات العصبية الالتفافية (CNNs).
- المشفّر (Encoder): يأخذ هذا الجزء من الشبكة بيانات الإدخال عالية الأبعاد ويعينها لتمثيل كامن منخفض الأبعاد. يلتقط هذا المتجه المضغوط الجوهر الأساسي لبيانات الإدخال.
- الاختناق: هذه هي الطبقة التي تحتوي على التمثيل المضغوط للمدخلات في الفضاء الكامن. إنه جوهر المشفر التلقائي والسبب في فعاليته لتقليل الأبعاد.
- وحدة فك الترميز: يأخذ هذا الجزء التمثيل المضغوط من عنق الزجاجة ويحاول إعادة بناء بيانات الإدخال الأصلية عالية الأبعاد.
تتضمن عملية تدريب النموذج تقليل دالة الخسارة، والتي غالبًا ما تسمى خطأ إعادة البناء، والذي يقيس الفرق بين المدخلات الأصلية والمخرجات المعاد بناؤها. هذه العملية هي شكل من أشكال التعلم الذاتي الإشراف، حيث يتعلم النموذج من البيانات نفسها دون الحاجة إلى تسميات صريحة.
تطبيقات الذكاء الاصطناعي/تعلم الآلة الواقعية
تتميز Autoencoders بأنها متعددة الاستخدامات ولها العديد من التطبيقات العملية في التعلم الآلي و التعلم العميق.
- اكتشاف الحالات الشاذة: تعتبر المشفرات التلقائية فعالة للغاية في اكتشاف الحالات الشاذة. يتم تدريب النموذج على مجموعة بيانات تحتوي فقط على نقاط بيانات "طبيعية". عندما يتم تغذية نقطة بيانات شاذة جديدة (مثل عيب في التصنيع أو معاملة مالية احتيالية) إلى المشفر، سيفشل وحدة فك التشفير في إعادة بنائها بدقة. ينتج عن هذا خطأ إعادة بناء مرتفع، والذي يمكن استخدامه كإشارة للإبلاغ عن الشذوذ. هذه تقنية مهمة في الذكاء الاصطناعي للتصنيع وأنظمة الأمن المالي، وهو موضوع تستكشفه مؤسسات مثل معهد آلان تورينج.
- إزالة الضوضاء من الصور: يمكن تدريب برنامج ترميز تلقائي لإزالة الضوضاء على إزالة الضوضاء من الصور. يتم تغذية النموذج بصور صاخبة كمدخلات ويتم تدريبه على إخراج الإصدارات الأصلية والنظيفة. هذه القدرة ذات قيمة في تحليل الصور الطبية لتحسين جودة صور الرنين المغناطيسي أو الأشعة المقطعية، أو في استعادة الصور القديمة المحببة. هذا النهج المتعلم لإزالة الضوضاء أكثر تطوراً من مرشحات معالجة الصور التقليدية.
هناك أنواع عديدة من المشفرات التلقائية، بما في ذلك المشفرات التلقائية المتفرقة، والمشفرات التلقائية لإزالة الضوضاء، والمشفرات التلقائية التلافيفية. أحد الاختلافات الأكثر أهمية هو المشفر التلقائي المتغير (VAE)، وهو نموذج توليدي قادر على إنتاج عينات بيانات جديدة مماثلة لتلك التي تم تدريبه عليها. يتوفر عرض شامل لـ VAEs على arXiv.
Autoencoders مقابل المفاهيم ذات الصلة
- PCA: في حين أن كلاهما يقلل من الأبعاد، فإن تحليل المكونات الرئيسية (PCA) يقتصر على التحويلات الخطية. يمكن لـ Autoencoders، كونها شبكات عصبية، أن تتعلم تعيينات غير خطية معقدة، مما يؤدي غالبًا إلى تمثيلات أفضل لمجموعات البيانات المعقدة.
- شبكات الخصومة التوليدية (GANs): تم تصميم شبكات الخصومة التوليدية (GANs) في المقام الأول لإنشاء بيانات جديدة واقعية للغاية. في حين أن VAEs يمكنها أيضًا إنشاء بيانات، إلا أن تركيزها غالبًا ما يكون على تعلم مساحة كامنة جيدة التنظيم، في حين أن GANs تتفوق في دقة الإخراج، وأحيانًا على حساب قابلية تفسير المساحة الكامنة.
- شبكات CNN والمحولات: تحدد المشفرات التلقائية نمطًا معماريًا (مشفر-فك تشفير). غالبًا ما تستخدم أنواع شبكات أخرى مثل شبكات CNN لبيانات الصور أو المحولات للبيانات التسلسلية كمكونات أساسية. يختلف هذا عن نماذج مثل Ultralytics YOLO، وهي نماذج خاضعة للإشراف مصممة لمهام مثل اكتشاف الكائنات أو تقسيم الصور.
الأدوات والتنفيذ
يمكن تنفيذ Autoencoders باستخدام أطر التعلم العميق (DL) الشائعة:
تسهل منصات مثل Ultralytics HUB سير عمل تعلم الآلة بشكل عام، بما في ذلك إدارة البيانات وتدريب النماذج، على الرغم من أنها تركز بشكل أساسي على المهام الخاضعة للإشراف مثل الاكتشاف والتجزئة بدلاً من التدريب غير الخاضع للإشراف على المشفر التلقائي.
