Neural Network (NN)

الـ شبكة عصبية (NN) هي نموذج حسابي يمثل جوهر الذكاء الاصطناعي (AI) ومصمم التعرف على الأنماط، وتفسير البيانات الحسية، وتجميع المعلومات. استلهاماً من البنية البيولوجية للدماغ البشري، تتألف هذه الشبكات من عقد مترابطة، أو "خلايا عصبية"، منظمة في طبقات. وفي حين يستخدم الدماغ البيولوجي إشارات كيميائية للتواصل عبر المشابك العصبية، تستخدم الشبكة العصبية الرقمية عمليات رياضية لنقل المعلومات. هذه الأنظمة هي التقنية الأساسية الكامنة وراء التعلم الآلي (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.

الشبكات العصبية مقابل التعلم العميق#

على الرغم من أن المصطلحات غالباً ما تُستخدم بالتبادل، فمن المهم التمييز بين الشبكة العصبية الأساسية والتعلم العميق (DL). يكمن الاختلاف الأساسي في العمق والتعقيد. قد تحتوي الشبكة العصبية القياسية أو "السطحية" على طبقة خفية واحدة أو طبقتين فقط بين الإدخال والإخراج. في المقابل، يتضمن التعلم العميق شبكات عصبية "عميقة" تحتوي على عشرات أو حتى مئات الطبقات. يمكن هذا العمق استخراج الميزات من الحدوث تلقائياً، مما يسمح للنموذج بفهم الأنماط الهرمية - حيث تصبح الحواف البسيطة أشكالاً، وتصبح الأشكال كائنات يمكن التعرف عليها. للحصول على غوص تقني أعمق، يشرح موقع 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 حيث تحدث الحسابات، وتخرج عبر طبقة المخرجات كتنبؤ.

• الأوزان والانحيازات: كل اتصال بين الخلايا العصبية له "وزن" يحدد قوة الإشارة. وأثناء التدريب، تقوم الشبكة بتعديل هذه الأوزان بناءً على بيانات التدريب.
• دوال التنشيط: لتقرير ما إذا كان ينبغي الخلية العصبية "الإطلاق" أو تنشيطها، تستخدم الشبكة دالة تنشيط مثل ReLU أو Sigmoid. وهذا يتيح اللاخطية، مما يسمح للشبكة بتعلم حدود معقدة.
• الانتشار العكسي: عندما تقوم الشبكة بإنشاء تنبؤ، فإنها تقارن النتيجة بالإجابة الصحيحة الفعلية. وإذا كان هناك خطأ، فإن خوارزمية تسمى الانتشار العكسي ترسل إشارة إلى الوراء عبر الشبكة لضبط الأوزان بدقة، مما تحسن الدقة بمرور الوقت.
• التحسين: تساعد الخوارزميات مثل الانحدار العشوائي التدريجي (SGD) في العثور على مجموعة الأوزان المثلى لتقليل دالة الخسارة. يمكنك قراءة المزيد حول خوارزميات التحسين على AWS.

تطبيقات العالم الحقيقي#

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

1. رؤية الكمبيوتر: في مجال رؤية الكمبيوتر (CV)، تُستخدم شبكات متخصصة تُسمى الشبكات العصبية التلافيفية (CNNs) لتحليل البيانات المرئية. تستخدم النماذج المتقدمة مثل Ultralytics YOLO26 بنيات شبكات عصبية عميقة لـ اكتشاف الكائنات في الوقت الفعلي. هذه الأنظمة بالغة الأهمية لـ الذكاء الاصطناعي في الزراعة، حيث تراقب صحة المحاصيل، وفي أنظمة الأمان للكشف عن الشذوذ.

2. معالجة اللغات الطبيعية: بالنسبة للمهام التي تتضمن نصاً، أحدثت بنيات مثل الشبكات العصبية المتكررة (RNNs) وTransformers ثورة في كيفية فهم الآلات للغة البشرية. تشغل 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. توفر IBM نظرة عامة ممتازة على الشبكات العصبية في تحليلات الأعمال.

التنفيذ العملي#

**تسهل مكتبات البرمجيات الحديثة 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 مسبقاً (تحديداً 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()

التحديات والاعتبارات#

على الرغم من قوتها، تعرض الشبكات العصبية تحديات محددة. فهي تتطلب عادةً كميات كبيرة من البيانات المصنفة لـ التعلم الخاضع للإشراف. وبدون تنوع كافٍ في البيانات، تكون الشبكة عرضة لـ التفرط في التخصيص، حيث تحفظ أمثلة التدريب بدلاً من تعلم التعميم. بالإضافة إلى ذلك، غالباً ما يُشار إلى الشبكات العصبية العميقة باسم "الصناديق السوداء" لأن تفسير كيفية وصولها بدقة إلى قرار معين يمكن أن يكون صعباً، مما أثار أبحاثاً في الذكاء الاصطناعي القابل للتفسير (XAI). تعمل المنظمات مثل جمعية معايير IEEE بنشاط على وضع معايير لضمان استخدام هذه الشبكات القوية بشكل أخلاقي وآمن.