Neural Network (NN)

الشبكة العصبية (NN) هي نموذج حاسوبي يقع في صميم الذكاء الاصطناعي (AI)، وقد صُممت للتعرّف على الأنماط، وتفسير البيانات الحسية، وتجميع المعلومات. واستلهامًا من البنية البيولوجية للدماغ البشري، تتكوّن هذه الشبكات من عُقد مترابطة، أو «خلايا عصبية»، منظّمة في طبقات. وبينما يستخدم الدماغ البيولوجي إشارات كيميائية للتواصل عبر المشابك العصبية، تستخدم الشبكة العصبية الرقمية عمليات رياضية لنقل المعلومات. وتُعدّ هذه الأنظمة التقنية الأساسية وراء التعلّم الآلي (ML) الحديث، إذ تمكّن الحواسيب من حل مشكلات معقدة مثل التعرّف على الوجوه، وترجمة اللغات، وقيادة المركبات ذاتية القيادة، من دون برمجتها صراحةً لكل قاعدة محددة.

الشبكات العصبية مقابل التعلّم العميق#

رغم استخدام المصطلحين غالبًا بالتبادل، من المهم التمييز بين الشبكة العصبية الأساسية والتعلّم العميق (DL). يكمن الفرق الأساسي في العمق والتعقيد. قد تحتوي الشبكة العصبية القياسية أو «السطحية» على طبقة مخفية واحدة أو طبقتين فقط بين طبقة الإدخال وطبقة الإخراج. وعلى النقيض من ذلك، يتضمن التعلّم العميق شبكات عصبية «عميقة» تضم عشرات الطبقات أو حتى مئاتها. ويتيح هذا العمق إجراء استخراج السمات تلقائيًا، مما يسمح للنموذج بفهم الأنماط الهرمية؛ إذ تتحول الحواف البسيطة إلى أشكال، وتتحول الأشكال إلى كائنات يمكن التعرّف عليها. وللاطلاع على شرح تقني أعمق، يوضّح MIT News التعلّم العميق وتطوّره انطلاقًا من الشبكات الأساسية.

كيف تتعلّم الشبكات العصبية#

تنطوي عملية «التعلّم» في الشبكة العصبية على ضبط المعلمات الداخلية لتقليل الأخطاء. تدخل البيانات عبر طبقة الإدخال، وتمر عبر طبقة مخفية واحدة أو أكثر حيث تُجرى الحسابات، ثم تخرج عبر طبقة الإخراج في صورة تنبؤ.

• الأوزان والانحيازات: لكل اتصال بين الخلايا العصبية «وزن» يحدد قوة الإشارة. وأثناء التدريب، تضبط الشبكة هذه الأوزان استنادًا إلى بيانات التدريب.
• دوال التنشيط: لتحديد ما إذا كان ينبغي لخلية عصبية أن «تطلق» إشارة أو تنشّط، تستخدم الشبكة دالة تنشيط مثل ReLU أو Sigmoid. ويؤدي ذلك إلى إدخال اللاخطية، مما يتيح للشبكة تعلّم حدود معقدة.
• الانتشار العكسي: عندما تُجري الشبكة تنبؤًا، تقارن النتيجة بالإجابة الصحيحة الفعلية. وإذا وُجد خطأ، ترسل خوارزمية تُسمى الانتشار العكسي إشارة إلى الخلف عبر الشبكة لضبط الأوزان بدقة، مما يحسّن الدقة بمرور الوقت.
• التحسين: تساعد خوارزميات مثل الانحدار المتدرج العشوائي (SGD) في العثور على مجموعة الأوزان المثلى لتقليل دالة الخسارة. ويمكنك قراءة المزيد عن خوارزميات التحسين على AWS.

التطبيقات الواقعية#

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

1. الرؤية الحاسوبية: في مجال الرؤية الحاسوبية (CV)، تُستخدم شبكات متخصصة تُسمى الشبكات العصبية الالتفافية (CNNs) لتحليل البيانات المرئية. وتستفيد النماذج المتقدمة مثل Ultralytics YOLO26 من بنيات الشبكات العصبية العميقة لإجراء اكتشاف الكائنات في الوقت الفعلي. وتُعدّ هذه الأنظمة بالغة الأهمية في الذكاء الاصطناعي في الزراعة، حيث تراقب صحة المحاصيل، وكذلك في الأنظمة الأمنية لاكتشاف الحالات الشاذة.

2. معالجة اللغة الطبيعية: بالنسبة إلى المهام التي تتضمن النصوص، أحدثت بنيات مثل الشبكات العصبية المتكررة (RNNs) وTransformers ثورة في طريقة فهم الآلات للغة البشرية. وتُشغّل هذه الشبكات أدوات الترجمة الآلية والمساعدات الافتراضية. ويمكنك 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 بهدف التنبؤ بأسعار الأسهم أو احتياجات المخزون. وتقدم IBM نظرة عامة ممتازة حول الشبكات العصبية في تحليلات الأعمال.

التنفيذ العملي#

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

رغم قوتها، تواجه الشبكات العصبية تحديات محددة. فهي تتطلب عادةً كميات كبيرة من البيانات الموسومة من أجل التعلّم الخاضع للإشراف. ومن دون تنوع كافٍ في البيانات، تكون الشبكة عرضةً لـفرط التكيّف، حيث تحفظ أمثلة التدريب بدلًا من تعلّم التعميم. بالإضافة إلى ذلك، يُشار غالبًا إلى الشبكات العصبية العميقة باسم «الصناديق السوداء»، لأن تفسير كيفية وصولها بالضبط إلى قرار معين قد يكون صعبًا، مما يحفّز البحث في الذكاء الاصطناعي القابل للتفسير (XAI). وتعمل منظمات مثل جمعية معايير IEEE بنشاط على وضع معايير لضمان استخدام هذه الشبكات القوية بطريقة أخلاقية وآمنة.