Neural Network (NN)

الشبكة العصبية (NN) نموذج حاسوبي يقع في صميم الذكاء الاصطناعي (AI)، ومصمم للتعرف على الأنماط وتفسير البيانات الحسية وتجميع المعلومات في عناقيد. وتستوحي هذه الشبكات بنيتها من التركيب البيولوجي للدماغ البشري، وتتكون من عقد مترابطة، أو «عصبونات»، منظّمة في طبقات. وبينما يستخدم الدماغ البيولوجي إشارات كيميائية للتواصل عبر المشابك العصبية، تستخدم الشبكة العصبية الرقمية عمليات رياضية لنقل المعلومات. وتشكل هذه الأنظمة التقنية الأساسية وراء التعلم الآلي (ML) الحديث، إذ تمكّن الحواسيب من حل مشكلات معقدة مثل التعرف على الوجوه وترجمة اللغات وقيادة المركبات ذاتية القيادة دون برمجتها صراحةً لكل قاعدة محددة.

الشبكات العصبية مقابل التعلم العميق#

على الرغم من استخدام المصطلحين غالبًا بالتبادل، من المهم التمييز بين الشبكة العصبية الأساسية والتعلم العميق (DL). ويكمن الفرق الرئيسي في العمق والتعقيد. فقد لا تضم الشبكة العصبية القياسية أو «الضحلة» سوى طبقة مخفية واحدة أو اثنتين بين الإدخال والإخراج. أما التعلم العميق فيستخدم شبكات عصبية «عميقة» تتألف من عشرات الطبقات أو حتى مئاتها. ويتيح هذا العمق إجراء استخراج السمات تلقائيًا، ما يسمح للنموذج بفهم الأنماط الهرمية؛ إذ تتحول الحواف البسيطة إلى أشكال، ثم تتحول الأشكال إلى كائنات يمكن التعرف عليها. وللتعمق التقني، يشرح MIT News التعلم العميق وتطوره من الشبكات الأساسية.

كيف تتعلم الشبكات العصبية#

تتضمن عملية «التعلم» في الشبكة العصبية تعديل المعلمات الداخلية لتقليل الأخطاء. تدخل البيانات عبر طبقة الإدخال، وتمر عبر طبقة مخفية واحدة أو أكثر تُجرى فيها العمليات الحسابية، ثم تخرج من طبقة الإخراج على هيئة تنبؤ.

• الأوزان والانحيازات: لكل اتصال بين العصبونات «وزن» يحدد قوة الإشارة. وأثناء التدريب، تعدّل الشبكة هذه الأوزان استنادًا إلى بيانات التدريب.
• دوال التنشيط: لتحديد ما إذا كان ينبغي للعصبون أن «يطلق» إشارة أو ينشط، تستخدم الشبكة دالة تنشيط مثل ReLU أو Sigmoid. وتُدخل هذه الدالة اللاخطية، ما يتيح للشبكة تعلم حدود معقدة.
• الانتشار العكسي: عندما تجري الشبكة تنبؤًا، تقارن النتيجة بالإجابة الصحيحة الفعلية. وإذا وُجد خطأ، ترسل خوارزمية تُسمى الانتشار العكسي إشارةً عكسيًا عبر الشبكة لضبط الأوزان بدقة وتحسين الدقة بمرور الوقت.
• التحسين: تساعد خوارزميات مثل الانحدار المتدرج العشوائي (SGD) على إيجاد مجموعة الأوزان المثلى لتقليل دالة الخسارة. ويمكنك قراءة المزيد عن خوارزميات التحسين على AWS.

تطبيقات عملية#

الشبكات العصبية هي المحركات الكامنة وراء كثير من التقنيات التي تحدد ملامح العصر الحديث.

1. الرؤية الحاسوبية: في مجال الرؤية الحاسوبية (CV)، تُستخدم شبكات متخصصة تُسمى الشبكات العصبية الالتفافية (CNNs) لتحليل البيانات المرئية. وتستخدم نماذج متقدمة مثل Ultralytics YOLO26 معماريات الشبكات العصبية العميقة لإجراء اكتشاف الكائنات آنيًا. وتكتسب هذه الأنظمة أهمية بالغة في الذكاء الاصطناعي في الزراعة، حيث تراقب صحة المحاصيل، وكذلك في أنظمة الأمن لاكتشاف الحالات الشاذة.

2. معالجة اللغة الطبيعية: في المهام التي تتضمن النصوص، أحدثت معماريات مثل الشبكات العصبية المتكررة (RNNs) والمحوّلات ثورةً في فهم الآلات للغة البشرية. وتشغّل هذه الشبكات أدوات الترجمة الآلية والمساعدات الافتراضية. ويمكن ملاحظة أثر هذه التقنيات في الذكاء الاصطناعي في الرعاية الصحية، حيث تساعد على تفريغ الملاحظات الطبية وتحليل سجلات المرضى.

3. التحليلات التنبؤية: تستخدم الشركات الشبكات العصبية لتحليل السلاسل الزمنية والتنبؤ بأسعار الأسهم أو احتياجات المخزون. وتقدم IBM عرضًا عامًا ممتازًا عن الشبكات العصبية في تحليلات الأعمال.

التنفيذ العملي#

تسهّل مكتبات البرمجيات الحديثة نشر الشبكات العصبية دون الحاجة إلى كتابة العمليات الرياضية من الصفر. وتتيح أدوات مثل منصة Ultralytics للمستخدمين تدريب هذه الشبكات بسهولة على مجموعات بيانات مخصصة. يوضح كود Python التالي كيفية تحميل شبكة عصبية مدرّبة مسبقًا (وتحديدًا نموذج YOLO26 المتطور) وإجراء الاستدلال على صورة باستخدام الحزمة ultralytics.

from ultralytics import YOLO

# ⁨تحميل نموذج شبكة عصبية YOLO26 مدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل الاستدلال على صورة لكشف الأجسام⁩
# ⁨يعالج النموذج الصورة عبر طبقاته للتنبؤ بمربعات الإحاطة⁩
results = model("https://ultralytics.com/images/bus.jpg")

# ⁨اعرض النتائج⁩
results[0].show()

التحديات والاعتبارات#

على الرغم من قوة الشبكات العصبية، فإنها تطرح تحديات محددة. فهي تتطلب عادةً كميات كبيرة من البيانات الموسومة من أجل التعلم الخاضع للإشراف. ومن دون تنوع كافٍ في البيانات، تكون الشبكة عرضة لـفرط التكيّف، حيث تحفظ أمثلة التدريب بدلًا من تعلم التعميم. إضافةً إلى ذلك، كثيرًا ما توصف الشبكات العصبية العميقة بأنها «صناديق سوداء»، إذ يصعب تفسير كيفية توصلها تحديدًا إلى قرار معين، ما دفع إلى البحث في الذكاء الاصطناعي القابل للتفسير (XAI). وتعمل مؤسسات مثل جمعية معايير IEEE بنشاط على وضع معايير تضمن استخدام هذه الشبكات القوية على نحو أخلاقي وآمن.