خوارزمية التحسين

الملاءمة في الذكاء الاصطناعي والتعلم الآلي

خوارزميات التحسين هي المحركات التي تقود عملية التعلم في معظم نماذج التعلم الآلي، خاصةً في التعلم العميق (DL). تعتمد النماذج مثل الشبكات العصبية التلافيفية (CNNs ) والشبكات العصبية المتكررة (RNNs) اعتمادًا كبيرًا على هذه الخوارزميات للتنقل في مساحات واسعة من المعلمات وإيجاد التكوينات التي تحقق أداءً جيدًا. بدون التحسين الفعال، ستواجه النماذج صعوبة في التقارب إلى الحلول المثلى، مما يؤدي إلى تنبؤات ضعيفة وأوقات تدريب أطول. على سبيل المثال، تستخدم نماذج Ultralytics YOLO خوارزميات تحسين متطورة أثناء التدريب لتحقيق دقة عالية في اكتشاف الأجسام في الوقت الحقيقي. هذه الخوارزميات ضرورية أيضًا لتدريب النماذج المتطورة مثل GPT-4 وغيرها من النماذج اللغوية الكبيرة (LLMs)، مما يتيح قدراتها المبهرة. يمكن أن يؤثر اختيار المُحسِّن بشكل كبير على سرعة التدريب وأداء النموذج النهائي، كما هو موضح في الأدلة الخاصة بنصائح تدريب النماذج. إن استكشاف مشهد الخسارة بكفاءة هو مفتاح التدريب الناجح للنموذج.

المفاهيم والخوارزميات الرئيسية

تُستخدم العديد من خوارزميات التحسين على نطاق واسع في التعلّم الآلي، حيث يقدم كل منها استراتيجيات مختلفة للتنقل في مشهد الخسارة وتحديث معلمات النموذج. تتضمن بعض الأمثلة الشائعة ما يلي:

• نزول التدرج: خوارزمية تأسيسية تحرك المعلمات بشكل تكراري في الاتجاه المعاكس لتدرج دالة الخسارة. إنها تشبه المشي بحذر أسفل المنحدر للعثور على أدنى نقطة. توجد متغيرات مختلفة لتحسين الأداء.
• نزول التدرج العشوائي (SGD): شكل مختلف لنسب التدرج يقوم بتحديث المعلمات باستخدام مثال تدريبي واحد أو بضعة أمثلة تدريبية فقط (دفعة صغيرة) في كل مرة، مما يجعل التحديثات أسرع وربما يهرب من الحد الأدنى المحلي.
• مُحسِّن آدم: خوارزمية تحسين معدل التعلّم التكيفي التي تحسب معدلات التعلّم التكيفي الفردي لمعلمات مختلفة من تقديرات اللحظات الأولى والثانية للتدرجات. وهي معروفة بكفاءتها وتستخدم على نطاق واسع في التعلم العميق. اقرأ ورقة آدم الأصلية للحصول على التفاصيل التقنية.
• RMSprop: طريقة أخرى لمعدل التعلّم التكيّفي تقسم معدل التعلّم لوزن ما على متوسط متدرج لمقادير التدرجات الأخيرة لهذا الوزن.

وغالبًا ما تكون هذه المُحسِّنات عبارة عن معلمات قابلة للتكوين داخل أطر التعلم الآلي مثل PyTorch و TensorFlow، ومنصات مثل Ultralytics HUB، مما يسمح للمستخدمين باختيار الأنسب لمهمتهم ومجموعة البيانات الخاصة بهم. يعد اختيار المُحسِّن المناسب أمرًا بالغ الأهمية لتدريب النموذج بكفاءة.

التطبيقات الواقعية

خوارزميات التحسين أساسية لنجاح الذكاء الاصطناعي/التعلم الآلي في مختلف المجالات:

1. الرعاية الصحية: في مجال تحليل الصور الطبية، تقوم خوارزميات التحسين بتدريب النماذج على اكتشاف الحالات الشاذة مثل الأورام أو تصنيف أنواع الأنسجة. على سبيل المثال، عند استخدام YOLO11 للكشف عن الأورام، تقوم خوارزميات التحسين بضبط معلمات النموذج بناءً على عمليات المسح الطبي المشروحة(مجموعات البيانات) لتحديد المناطق السرطانية بدقة، مما يساعد أخصائيي الأشعة في التشخيص. استكشف المزيد من حلول الذكاء الاصطناعي في مجال الرعاية الصحية.
2. المركبات ذاتية القيادة: خوارزميات التحسين ضرورية لتدريب أنظمة الإدراك في المركبات ذاتية القيادة. فهي تعمل على تحسين النماذج المستخدمة لاكتشاف المشاة والمركبات الأخرى وإشارات المرور وحارات الطرق من بيانات المستشعرات (مثل الكاميرات و LiDAR). تساعد الخوارزميات مثل آدم النموذج على التعلم السريع لتحديد الأجسام بدقة عالية، وهو أمر بالغ الأهمية للسلامة والملاحة في البيئات المعقدة. تعرّف على حلول الذكاء الاصطناعي في مجال السيارات.
3. التمويل: تعتمد نماذج التدريب الخاصة بالكشف عن الاحتيال أو التنبؤ بسوق الأسهم اعتمادًا كبيرًا على التحسين لتقليل أخطاء التنبؤ استنادًا إلى البيانات التاريخية.
4. التجارة الإلكترونية: تستخدم أنظمة التوصية التحسين لضبط الخوارزميات التي تتنبأ بتفضيلات المستخدم وتقترح المنتجات ذات الصلة، مما يزيد من المشاركة والمبيعات.

خوارزميات التحسين مقابل المفاهيم ذات الصلة

من المهم التمييز بين خوارزميات التحسين ومفاهيم التعلم الآلي ذات الصلة:

• خوارزمية التحسين مقابل ضبط المعلمة الفائقة: خوارزميات التحسين (مثل آدم أو س.ج.د) ضبط المعلمات الداخلية (الأوزان والتحيزات) للنموذج خلال عملية التدريب لتقليل دالة الخسارة. من ناحية أخرى، يركز ضبط المعامل الفائق على إيجاد المعامل الأمثل إعدادات التكوين الخارجي (البارامترات الفائقة مثل معدل التعلم, حجم الدُفعةأو حتى اختيار خوارزمية التحسين نفسها) قبل يبدأ التدريب. أدوات مثل ألتراليتيكس Tuner الفئة أتمتة ضبط البارامتر الفائق باستخدام طرق مثل الخوارزميات التطورية. اقرأ دليل ضبط البارامتر الفائق لمزيد من التفاصيل.
• خوارزمية التحسين مقابل دالة الخسارة: تحدد دالة الخسارة مدى جودة أداء النموذج من خلال قياس الخطأ بين التنبؤات والقيم الفعلية. خوارزمية التحسين هي الآلية المستخدمة لضبط معلمات النموذج بشكل متكرر لتقليل هذا الخطأ الكمي. قد يتم اختيار دوال خسارة مختلفة اعتمادًا على المهمة (على سبيل المثال، الانتروبيا التبادلية للتصنيف، ومتوسط الخطأ المربع للانحدار).
• خوارزمية التحسين مقابل بنية النموذج: تحدد بنية النموذج بنية الشبكة العصبونية، بما في ذلك عدد الطبقات ونوعها (على سبيل المثال، الطبقات التلافيفية، والطبقات المتسربة)، وكيفية اتصالها. تعمل خوارزمية التحسين ضمن هذه البنية المحددة مسبقًا لتدريب المعلمات القابلة للتعلم (الأوزان والتحيزات) المرتبطة بهذه الطبقات. يعد كل من تصميم البنية واختيار المُحسِّن خطوتين حاسمتين في بناء نموذج فعال للتعلم الآلي. يعد البحث عن البنية العصبية (NAS) مجالاً ذا صلة يعمل على أتمتة تصميم البنية.