Neural Network (NN)

تعد الشبكة العصبية (NN) نموذجًا حوسبيًا يقع في جوهر الذكاء الاصطناعي (AI)، ومصمم للتعرف على الأنماط وتفسير البيانات الحسية وتجميع المعلومات. مستوحاة من البنية البيولوجية للدماغ البشري، وتتكون هذه الشبكات من عقد مترابطة، أو "عصبونات"، منظمة في طبقات. وفي حين يستخدم الدماغ البيولوجي إشارات كيميائية للتواصل عبر المشابك العصبية، تستخدم الشبكة العصبية الرقمية عمليات رياضية لنقل المعلومات. تمثل هذه الأنظمة التكنولوجيا الأساسية وراء تعلم الآلة (ML) الحديث، مما يمكن أجهزة الكمبيوتر من حل مشكلات معقدة مثل التعرف على الوجوه، وترجمة اللغات، وقيادة المركبات ذاتية القيادة دون الحاجة إلى برمجة صريحة لكل قاعدة محددة.

Link to this sectionالشبكات العصبية مقابل التعلم العميق#

على الرغم من أن المصطلحين يُستخدمان غالبًا بالتبادل، فمن المهم التمييز بين الشبكة العصبية الأساسية والتعلم العميق (DL). يكمن الاختلاف الرئيسي في العمق والتعقيد. قد تحتوي الشبكة العصبية القياسية أو "الضحلة" على طبقة مخفية واحدة أو اثنتين فقط بين المدخلات والمخرجات. في المقابل، يتضمن التعلم العميق شبكات عصبية "عميقة" تحتوي على عشرات أو حتى مئات الطبقات. يمكّن هذا العمق استخراج الميزات من الحدوث تلقائيًا، مما يسمح للنموذج بفهم الأنماط الهرمية؛ حيث تصبح الحواف البسيطة أشكالًا، وتصبح الأشكال كائنات قابلة للتعرف. للحصول على تحليل تقني أعمق، يشرح موقع MIT News التعلم العميق وتطوره من الشبكات الأساسية.

Link to this sectionكيف 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 حيث تحدث الحسابات، وتخرج عبر طبقة المخرجات كتنبؤ.

• الأوزان والتحيزات: لكل اتصال بين العصبونات "وزن" يحدد قوة الإشارة. أثناء التدريب، تقوم الشبكة بتعديل هذه الأوزان بناءً على بيانات التدريب.
• وظائف التنشيط: لاتخاذ قرار بشأن ما إذا كان يجب على العصبون "الإطلاق" أو التنشيط، تستخدم الشبكة وظيفة تنشيط مثل ReLU أو Sigmoid. وهذا يقدم اللاخطية، مما يسمح للشبكة بتعلم حدود معقدة.
• الانتشار العكسي: عندما تقوم الشبكة بعمل تنبؤ، فإنها تقارن النتيجة بالإجابة الصحيحة الفعلية. إذا كان هناك خطأ، تقوم خوارزمية تسمى الانتشار العكسي (Backpropagation) بإرسال إشارة للخلف عبر الشبكة لضبط الأوزان بدقة، مما يحسن الدقة بمرور الوقت.
• التحسين: تساعد الخوارزميات مثل النزول الاشتقاقي العشوائي (SGD) في العثور على المجموعة المثلى من الأوزان لتقليل دالة الخسارة. يمكنك قراءة المزيد حول خوارزميات التحسين على AWS.

Link to this sectionتطبيقات العالم الحقيقي#

الشبكات العصبية هي المحركات وراء العديد من التقنيات التي تحدد العصر الحديث.

1. الرؤية الحاسوبية: في مجال الرؤية الحاسوبية (CV)، تُستخدم شبكات متخصصة تسمى الشبكات العصبية التلافيفية (CNNs) لتحليل البيانات المرئية. تستخدم النماذج المتقدمة مثل Ultralytics YOLO26 بنيات شبكات عصبية عميقة لـ اكتشاف الكائنات في الوقت الفعلي. تعد هذه الأنظمة حاسمة لـ الذكاء الاصطناعي في الزراعة، حيث تراقب صحة المحاصيل، وفي أنظمة الأمن للكشف عن الشذوذ.

2. معالجة اللغات الطبيعية: للمهام التي تتضمن نصًا، أحدثت بنيات مثل الشبكات العصبية المتكررة (RNNs) والمحولات (Transformers) ثورة في كيفية فهم الآلات للغة البشرية. تدعم هذه الشبكات أدوات الترجمة الآلية والمساعدين الافتراضيين. يمكنك رؤية تأثير هذه التقنيات في الذكاء الاصطناعي في الرعاية الصحية، حيث تساعد في نسخ الملاحظات الطبية وتحليل سجلات المرضى.

3. التحليلات التنبؤية: تستخدم الشركات الشبكات العصبية لتحليل السلاسل الزمنية للتنبؤ بأسعار الأسهم أو احتياجات المخزون. تقدم IBM نظرة عامة ممتازة على الشبكات العصبية في تحليلات الأعمال.

Link to this sectionالتنفيذ العملي#

تجعل مكتبات البرامج الحديثة من السهل نشر الشبكات العصبية دون الحاجة إلى كتابة العمليات الرياضية من الصفر. تسمح أدوات مثل منصة Ultralytics للمستخدمين بتدريب هذه الشبكات على مجموعات بيانات مخصصة بسهولة. يوضح كود Python التالي كيفية تحميل شبكة عصبية مدربة مسبقًا (وتحديدًا نموذج YOLO26 المتطور) وتشغيل الاستدلال على صورة باستخدام حزمة ultralytics.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Link to this sectionالتحديات والاعتبارات#

على الرغم من قوتها، تقدم الشبكات العصبية تحديات محددة. فهي تتطلب عادةً كميات كبيرة من البيانات المصنفة لـ التعلم الخاضع للإشراف (Supervised Learning). بدون تنوع كافٍ في البيانات، تكون الشبكة عرضة لـ الإفراط في التجهيز (Overfitting)، حيث تحفظ أمثلة التدريب بدلاً من تعلم التعميم. بالإضافة إلى ذلك، غالبًا ما يُشار إلى الشبكات العصبية العميقة باسم "الصناديق السوداء" لأن تفسير كيفية وصولها بدقة إلى قرار معين يمكن أن يكون صعبًا، مما يثير الأبحاث حول الذكاء الاصطناعي القابل للتفسير (XAI). تعمل منظمات مثل جمعية معايير IEEE بنشاط على وضع معايير لضمان استخدام هذه الشبكات القوية بطريقة أخلاقية وآمنة.