المبرمج التلقائي

كيف تعمل أجهزة الترميز التلقائي

تتكون بنية المُشَفِّر التلقائي من دالة تشفير ودالة فك تشفير، والتي يمكن أن تكون شبكات بسيطة للتغذية إلى الأمام أو هياكل أكثر تعقيدًا مثل الشبكات العصبية التلافيفية (CNNs).

1. أداة التشفير: يأخذ هذا الجزء من الشبكة البيانات المدخلة عالية الأبعاد ويحولها إلى تمثيل كامن منخفض الأبعاد. يلتقط هذا المتجه المضغوط الجوهر الأساسي للبيانات المدخلة.
2. عنق الزجاجة: هذه هي الطبقة التي تحتوي على تمثيل الفضاء الكامن المضغوط للمدخلات. وهي جوهر المُشَفِّر التلقائي وسبب فعاليته في تقليل الأبعاد.
3. وحدة فك التشفير: يأخذ هذا الجزء التمثيل المضغوط من عنق الزجاجة ويحاول إعادة بناء بيانات الإدخال الأصلية عالية الأبعاد.

تنطوي عملية تدريب النموذج على تقليل دالة الخسارة، والتي غالباً ما تسمى خطأ إعادة البناء، والتي تقيس الفرق بين المدخلات الأصلية والمخرجات المعاد بناؤها. هذه العملية هي شكل من أشكال التعلّم الذاتي الخاضع للإشراف، حيث يتعلّم النموذج من البيانات نفسها دون الحاجة إلى تسميات واضحة.

تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

تُعد برامج الترميز التلقائي متعددة الاستخدامات ولها العديد من التطبيقات العملية في التعلم الآلي والتعلم العميق.

1. كشف الشذوذ: تعتبر أجهزة الترميز التلقائي فعالة للغاية في الكشف عن الشذوذ. يتم تدريب النموذج على مجموعة بيانات تحتوي على نقاط بيانات "عادية" فقط. عندما يتم تلقيم نقطة بيانات جديدة وشاذة (على سبيل المثال، عيب في التصنيع أو معاملة مالية احتيالية) إلى أداة التشفير، ستفشل أداة فك التشفير في إعادة بنائها بدقة. وينتج عن ذلك خطأ كبير في إعادة البناء، وهو ما يمكن استخدامه كإشارة للإشارة إلى الشذوذ. هذه تقنية بالغة الأهمية في الذكاء الاصطناعي لأنظمة التصنيع والأمن المالي، وهو موضوع تستكشفه مؤسسات مثل معهد آلان تورينج.
2. إزالة الضوضاء من الصور: يمكن تدريب المُشَفِّر التلقائي لإزالة الضوضاء من الصور. يتم تغذية النموذج بالصور المشوشة كمدخلات ويتم تدريبه على إخراج النسخ الأصلية النظيفة. تُعد هذه الإمكانية ذات قيمة في تحليل الصور الطبية لتحسين جودة التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب، أو في استعادة الصور القديمة المشوشة. هذا النهج المكتسب لإزالة التشويش أكثر تطوراً من مرشحات معالجة الصور التقليدية.

هناك العديد من أنواع برامج التشفير التلقائي، بما في ذلك برامج التشفير التلقائي المتفرقة وبرامج التشفير التلقائي للتشويش وبرامج التشفير التلقائي التلافيفي. أحد أهم الاختلافات الأكثر أهمية هو المبرمج التلقائي التغييري (VAE)، وهو نموذج توليدي قادر على إنتاج عينات بيانات جديدة مشابهة لتلك التي تم تدريبه عليها. تتوفر نظرة عامة شاملة على VAEs على arXiv.

الترميز التلقائي مقابل المفاهيم ذات الصلة

• PCA: في حين أن كلاهما يقلل من الأبعاد، فإن تحليل المكونات الرئيسية يقتصر على التحويلات الخطية. يمكن لأجهزة الترميز التلقائي، كونها شبكات عصبية، أن تتعلم التعيينات غير الخطية المعقدة، مما يؤدي غالبًا إلى تمثيلات أفضل لمجموعات البيانات المعقدة.
• شبكات الخصومة التوليدية: صُممت شبكات الخصومة التوليدية (GANs) في المقام الأول لتوليد بيانات جديدة واقعية للغاية. وفي حين يمكن لشبكات VAEs أيضًا توليد البيانات، إلا أن تركيزها غالبًا ما ينصب على تعلم فضاء كامن جيد التنظيم، في حين تتفوق شبكات GAN في دقة المخرجات، وأحيانًا على حساب قابلية تفسير الفضاء الكامن.
• السي إن إن والمحولات: تحدد المشفرات التلقائية نمطًا معماريًا (مشفر-محلل تشفير). وغالبًا ما تستخدم أنواعًا أخرى من الشبكات مثل CNNs لبيانات الصور أو المحولات للبيانات المتسلسلة كوحدات بناء. ويختلف هذا عن نماذج مثل Ultralytics YOLO، وهي نماذج خاضعة للإشراف مصممة لمهام مثل اكتشاف الأجسام أو تجزئة الصور.

الأدوات والتنفيذ

يمكن تنفيذ برامج التشفير التلقائي باستخدام أطر التعلم العميق (DL) الشائعة:

• PyTorch: يوفر مرونة في تحديد بنيات التشفير وفك التشفير المخصصة. راجع برنامج PyTorch التعليمي.
• TensorFlow/Keras: يوفر واجهات برمجة تطبيقات عالية المستوى تعمل على تبسيط عملية البناء والتدريب. راجع دليل المشفر التلقائي Keras.

تعمل المنصات مثل Ultralytics HUB على تسهيل سير عمل تعلّم الآلة بشكل عام، بما في ذلك إدارة البيانات وتدريب النماذج، على الرغم من أنها تركز بشكل أساسي على المهام الخاضعة للإشراف مثل الكشف والتجزئة بدلاً من تدريب المبرمج التلقائي غير الخاضع للإشراف.