Optimization Algorithm

تعمل خوارزمية التحسين كمحرك حسابي أساسي يدير عملية تدريب نماذج التعلم الآلي (ML) والتعلم العميق (DL). وتتمثل مسؤوليتها الأساسية في ضبط أوزان النموذج وانحيازاته الداخلية بصورة تكرارية لتقليل الخطأ بين النتائج المتوقعة والأهداف الفعلية. ويمكنك تصور هذه العملية على أنها متسلق يحاول الهبوط عبر جبل ضبابي للوصول إلى أدنى نقطة في الوادي. تعمل خوارزمية التحسين كدليل يحدد اتجاه الخطوة التي ينبغي للمتسلق اتخاذها وحجمها للوصول إلى القاع، وهي الحالة التي تُقلَّل فيها دالة الخسارة إلى أدنى حد وتُزاد فيها دقة النموذج التنبؤية إلى أقصى حد.

كيفية عمل خوارزميات التحسين#

ينطوي تدريب الشبكة العصبية على دورة متكررة من التنبؤ وحساب الخطأ وتحديث المعلمات. وتتحكم خوارزمية التحسين في مرحلة "التحديث" من هذه الحلقة. بعد معالجة دفعة من بيانات التدريب، يحسب النظام تدرجًا—وهو متجه يشير إلى اتجاه أشد زيادة في الخطأ—باستخدام طريقة تُسمى الانتشار العكسي.

يُحدِّث المُحسِّن بعد ذلك معلمات النموذج في الاتجاه المعاكس للتدرج لتقليل الخطأ. ويحدد مقدار هذا التحديث مفرطُ معلمات بالغ الأهمية يُعرف باسم معدل التعلم. فإذا كانت الخطوة كبيرة جدًا، فقد يتجاوز النموذج الحد الأدنى العالمي؛ وإذا كانت صغيرة جدًا، فقد يصبح التدريب بطيئًا بصورة تعوق الاستفادة منه أو يعلق عند حد أدنى محلي. وتقدم موارد متقدمة مثل ملاحظات التحسين لمقرر Stanford CS231n رؤى تقنية أعمق حول هذه الديناميكيات.

الأنواع الشائعة لخوارزميات التحسين#

تتطلب المشكلات المختلفة استراتيجيات مختلفة. وعلى الرغم من وجود العديد من التنويعات، تهيمن بعض الخوارزميات الأساسية على تطوير الذكاء الاصطناعي الحديث:

• الانحدار المتدرج العشوائي (SGD): نهج تقليدي يُحدِّث المعلمات باستخدام مثال واحد أو دفعة صغيرة بدلًا من مجموعة البيانات بأكملها. وتتميز هذه الطريقة بالكفاءة الحسابية، وتُستخدم على نطاق واسع في مكتبات مثل Scikit-learn.
• مُحسِّن Adam: يُشير Adam إلى التقدير التكيفي للعزوم، ويضبط معدل التعلم لكل معلمة على حدة. وقد فُصِّل في الورقة البحثية الرائدة حول Adam من إعداد Kingma وBa، وغالبًا ما يكون الخيار الافتراضي للتدريب العام نظرًا إلى سرعته وخصائص تقاربه.
• AdamW: تنويعة من Adam تفصل اضمحلال الأوزان عن تحديث التدرج، مما يؤدي إلى تعميم أفضل. وغالبًا ما يكون مُحسِّنًا مفضلًا لتدريب البنى المتقدمة مثل Transformers ونماذج Ultralytics YOLO26 عالية الأداء.

التطبيقات الواقعية#

تعمل خوارزميات التحسين بصمت خلف الكواليس في كل حل من حلول الذكاء الاصطناعي الناجح تقريبًا، إذ تحوِّل البيانات إلى ذكاء قابل للتنفيذ.

1. المركبات ذاتية القيادة: في تقنيات القيادة الذاتية، يجب أن تتعرف أنظمة اكتشاف الأجسام فورًا على المشاة وإشارات المرور والسيارات الأخرى. وأثناء تدريب هذه الأنظمة على الذكاء الاصطناعي في قطاع السيارات، تعالج خوارزمية تحسين ملايين الصور للطرق، وتضبط الشبكة بدقة لتقليل أخطاء الاكتشاف. ويضمن ذلك توقف السيارة بصورة موثوقة عند رؤيتها شخصًا، مما يمنع وقوع الحوادث.

2. تحليل الصور الطبية: في تطبيقات الذكاء الاصطناعي في الرعاية الصحية، مثل تحديد الأورام في صور التصوير بالرنين المغناطيسي، لا مجال للتنازل عن الدقة. وتوجّه خوارزميات التحسين تدريب الشبكات العصبية الالتفافية (CNNs) للتمييز بين الأنسجة الخبيثة والسليمة بحساسية عالية، مما يقلل خطر النتائج السلبية الكاذبة في التشخيصات الحرجة.

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين خوارزمية التحسين والمكونات الأخرى لعملية التعلم لفهم سير العمل بفاعلية.

• خوارزمية التحسين مقابل دالة الخسارة: تعمل دالة الخسارة بمثابة "لوحة النتائج"، إذ تحسب قيمة عددية (مثل متوسط مربع الخطأ) تمثل مدى خطأ تنبؤات النموذج. أما خوارزمية التحسين فهي بمثابة "الاستراتيجي" الذي يستخدم هذه النتيجة لضبط الأوزان وتحسين الأداء في الجولة التالية.
• خوارزمية التحسين مقابل ضبط مفرط المعلمات: تتعلم خوارزمية التحسين المعلمات الداخلية (الأوزان) أثناء حلقات التدريب. أما ضبط مفرط المعلمات فيتضمن اختيار أفضل الإعدادات الخارجية—مثل اختيار المُحسِّن نفسه أو حجم الدفعة أو معدل التعلم الأولي—قبل بدء التدريب. وغالبًا ما تُستخدم أدوات آلية مثل Ray Tune للعثور على التركيبة المثلى لهذه الإعدادات الخارجية.

تطبيق التحسين في Python#

في أطر العمل الحديثة، غالبًا ما يتم اختيار خوارزمية التحسين من خلال وسيطة واحدة. يوضح المثال التالي كيفية تدريب نموذج YOLO26 باستخدام مُحسِّن AdamW ضمن الحزمة ultralytics. ويمكن للمستخدمين أيضًا الاستفادة من منصة Ultralytics لإدارة جلسات التدريب هذه دون الحاجة إلى كتابة تعليمات برمجية.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Train the model using the 'AdamW' optimization algorithm
# The optimizer iteratively updates weights to minimize loss on the dataset
results = model.train(data="coco8.yaml", epochs=5, optimizer="AdamW")

بالنسبة إلى المهتمين بالآليات منخفضة المستوى، توفر أطر العمل مثل مُحسِّنات PyTorch ومُحسِّنات TensorFlow Keras وثائق شاملة حول كيفية تطبيق هذه الخوارزميات وتخصيصها لبنى بحثية مخصصة.