إنشاء البرامج التي تتعلم

يكمن الذكاء الاصطناعي في قلب التطورات الهائلة في السيارات والرعاية الصحية والأنظمة الصناعية وعدد متزايد من مجالات التطبيق.مع استمرار الاهتمام في الارتفاع ، أثارت طبيعة الذكاء الاصطناعي بعض الارتباك وحتى الخوف من الدور المتزايد للذكاء الاصطناعي في الحياة اليومية.يعتمد نوع الذكاء الاصطناعي الذي يمكّن عددًا متزايدًا من المنتجات الذكية على أساليب هندسية مباشرة ولكنها غير بديهية لتقديم قدرات بعيدة كل البعد عن الذكاء الاصطناعي المنتهي للحضارة في الخيال العلمي.

تتراوح تعريفات الذكاء الاصطناعي من أكثر أشكاله تقدمًا - ولا تزال مفاهيمية - ، حيث تكون الآلات شبيهة بسلوك الإنسان ، إلى شكل مألوف أكثر حيث يتم تدريب الآلات على أداء مهام محددة.في أكثر أشكاله تقدمًا ، ستعمل الذكاء الاصطناعي الحقيقي دون توجيه وتحكم صريحين من البشر للوصول بشكل مستقل إلى استنتاج ما أو اتخاذ بعض الإجراءات تمامًا كما يفعل الإنسان.في الطرف الهندسي الأكثر شيوعًا من طيف الذكاء الاصطناعي ، توفر طرق التعلم الآلي (ML) عادةً الأساس الحسابي لتطبيقات الذكاء الاصطناعي الحالية.تولد هذه الأساليب استجابات لإدخال البيانات بسرعة ودقة مذهلين دون استخدام رمز مكتوب بشكل صريح لتقديم تلك الردود.بينما يكتب مطورو البرامج كودًا لمعالجة البيانات في الأنظمة التقليدية ، يستخدم مطورو ML البيانات لتعليم خوارزميات ML مثل نماذج الشبكات العصبية الاصطناعية لتوليد الاستجابات المرغوبة للبيانات.
كيف يتم بناء نموذج أساسي للشبكة العصبية؟
من بين أكثر أنواع التعلم الآلي شيوعًا ، تمرر نماذج الشبكة العصبية البيانات من طبقة الإدخال الخاصة بها عبر الطبقات المخفية إلى طبقة الإخراج (الشكل 1).كما هو موصوف ، يتم تدريب الطبقات المخفية على إجراء سلسلة من عمليات التحويل التي تستخرج السمات اللازمة للتمييز بين الفئات المختلفة لبيانات الإدخال.تبلغ هذه التحولات ذروتها
القيم المحملة في طبقة المخرجات ، حيث توفر كل وحدة مخرجات قيمة تمثل احتمال أن تنتمي بيانات الإدخال إلى فئة معينة.باستخدام هذا النهج ، يمكن للمطورين تصنيف البيانات مثل الصور أو قياسات أجهزة الاستشعار باستخدام بنية شبكة عصبية مناسبة.

تتخذ معماريات الشبكة العصبية أشكالًا عديدة ، بدءًا من النوع البسيط للشبكة العصبية المغذية الموضحة في الشكل 1 إلى الشبكات العصبية العميقة (DNN) المبنية من عدة طبقات مخفية وطبقات فردية تحتوي على مئات الآلاف من الخلايا العصبية.ومع ذلك ، فإن البنى المختلفة تبني عادةً على وحدة عصبية اصطناعية ذات مدخلات متعددة ومخرج واحد (الشكل 2).الشكل 1: تتكون الشبكات العصبية من طبقات من الخلايا العصبية الاصطناعية المدربة على التمييز بين فئات بيانات الإدخال المختلفة.(المصدر: مقتبس من ويكيبيديا)

الشكل 2: تنتج الخلايا العصبية الاصطناعية ناتجًا بناءً على وظيفة تنشيط تعمل

على مجموع إمكانيات نورون المرجحة.(المصدر: ويكيبيديا)

في شبكة عصبية متجهة إلى الأمام ، تجمع خلية عصبية معينة n في الطبقة المخفية مدخلاتها ، x ، يتم ضبطها بواسطة وزن خاص بالمدخلات wp وتضيف عامل تحيز خاص بالطبقة b (غير موضح في الشكل) كتدفقات:

أخيرًا ، يتم تحويل القيمة المجمعة S إلى ناتج ذي قيمة واحدة بواسطة وظيفة التنشيط.اعتمادًا على المتطلبات ، يمكن أن تتخذ هذه الوظائف العديد من الأشكال ، مثل وظيفة خطوة بسيطة ، أو قوس ظل ، أو رسم خرائط غير خطي مثل الوحدة الخطية المصححة (ReLU) ، والتي تنتج 0 لـ S <= 0 أو s ، لـ S> 0.

على الرغم من أنها مصممة جميعًا لاستخراج السمات المميزة للبيانات ، إلا أن البنى المختلفة قد تستخدم تحويلات مختلفة بشكل كبير.على سبيل المثال ، تستخدم الشبكات العصبية التلافيفية (CNN) المستخدمة في تطبيقات التعرف على الصور التلافيف kernel.في هذا ، تقوم الدوال ، التي تسمى النواة ، بتنفيذ التفافات على الصورة المدخلة لتحويلها إلى خرائط معالم.تؤدي الطبقات اللاحقة مزيدًا من التلافيف أو الوظائف الأخرى ، وتستخرج الميزات وتحويلها إلى أن يولد نموذج CNN مخرجات احتمالية تصنيف مماثلة كما هو الحال في الشبكات العصبية الأبسط.ومع ذلك ، بالنسبة للمطورين ، فإن الرياضيات الأساسية لبنى الشبكات العصبية الشائعة شفافة إلى حد كبير بسبب توافر أدوات تطوير ML (تمت مناقشتها في مكان آخر في هذه المشكلة) ، وباستخدام هذه الأدوات ، يمكن للمطورين بسهولة إلى حد ما تنفيذ نموذج الشبكة العصبية والبدء في التدريب باستخدامه. مجموعة من البيانات تسمى مجموعة التدريب.تتضمن مجموعة بيانات التدريب هذه مجموعة تمثيلية من ملاحظات البيانات والحالة الصحيحة لكل ملاحظة - وتمثل أحد الجوانب الأكثر تحديًا لتطوير نموذج الشبكة العصبية.

كيف يتم تدريب نموذج الشبكة العصبية ونشره؟

في الماضي ، كان لدى المطورين الذين يقومون بإنشاء مجموعات تدريب خيار ltte ولكن للعمل من خلال عدة آلاف من الملاحظات المطلوبة في مجموعة نموذجية ، مع تسمية كل ملاحظة يدويًا باسمها الصحيح.على سبيل المثال ، لإنشاء مجموعة تدريب لتطبيق التعرف على علامات الطريق ، فهم

بحاجة إلى عرض صور لافتات الطرق وتسمية كل صورة باسم العلامة الصحيح.تتيح مجموعات المجال العام من البيانات المحددة مسبقًا للعديد من الباحثين في مجال التعلم الآلي تجنب هذه المهمة والتركيز على تطوير الخوارزمية.ومع ذلك ، بالنسبة لتطبيقات ML للإنتاج ، يمكن أن تمثل مهمة وضع العلامات تحديًا كبيرًا.غالبًا ما يستخدم مطورو ML المتقدمون نماذج مدربة مسبقًا في ملف

عملية تسمى نقل التعلم للمساعدة في تخفيف هذه المشكلة.