التعلّم المُتعمّق أو التعلّم العميق ما هي تطبيقاتة وكيف يعمل

هذة المقال وغيرها تحت وسم أفضل تدوينة تعبر عن أراء أصحابها. 

التعلّم العميق

|___Deep Learning___|

____________________________________________

__________________________________________

(بالإنجليزية: Deep Learning)

"التعلّم المُتعمّق أو التعلّم العميق"

هو مجال بحث جديد يتناول إيجاد نظريات وخوارزميات تتيح للآلة أن تتعلم بنفسها عن طريق محاكاة الخلايا العصبية في جسم الإنسان. و أحد فروع العلوم التي تتناول علوم الذكاء الاصطناعي. يعد من فرع من فروع علوم التعلم الآلي، تركز معظم أبحاث التعلم المتعمق على إيجاد أساليب استنباط درجة عالية من المتجردات بتحليل مجموعة بيانات ضخمة باستخدام متحولات خطية وغير خطية.

أثبتت الاكتشافات في هذا المجال تقدما كبيرا وسريعا وفعالية في العديد المجالات منها التعرف على الوجه، التعرف على الكلام، الرؤية الحاسوبية، ومعالجة اللغات الطبيعية.

تتعلم الآلة من البيانات الضخمة باستخدام تصميمات مختلفة لشبكات التعلم العميق منها: الشبكات المتكررة (RNN) المستخدمة بكثرة مع النصوص و البيانات المستمرة و الشبكة عصبوية التفافية (CNN) التي تستمد إلهامها من العمليات البيولوجية في الفص البصري و غيرها من التصميمات

.تطبيقات Deep Learning

تستخدم هذه التقنية الأن فى الكثير من المجالات من مجالات الأتصالات والبنوك والطب الحيوي والكشف عن المخدرات و البصمة الوراثية والحصول على عقاقير جديدة فى مجال الصيدلة وفى الكمبيوتر والأنترنت فى خدمات الأميل للتعرف على الأميلات Spam وخدمات البحث عن الصور والبحث بالصوت وغيرها

جوجل تعتمد على هذه الطريقة فى نظام أندرويد للتعرف على الكلام فحققت أنخفاض بنسبة 25 % فى أخطاء التعرف على الكلمات وبعد النجاح الكبير لهذه التقنية فى التعرف على الصور والكلمات تسعى جوجل تطبيق هذه التقنية فهم لغة البشر بما يكفى لأعادة صياغة الجمل ويمكن الأستفادة منها فى ترجمة جوجل

كما مكن التعلم العميق جوجل من تسويق الأعلانات بشكل آلى وتسعى الشركات الكبرى الأخرى فى مجالكما تكنولوجيا المعلومات مثل ميكروسوفت وفيس بوك فى الأستثمار فى هذه التقنية

يستخدم البيولوجين والباحثون من معهد ماساتشوستس هذه التقنية لتحليل صور طبيقية ثلاثية الأبعاد للدماغ البشرى للتعرف على الوصلات العصبية كما تستخدم التقنية للتعرف على الأحماض الأمينية والتبؤ ببنية البروتين بجامعة واشنطن

كيف يعمل Deep Learning

عند بداية ظهور الحاسب فى الخمسينات كانت الحماسة كبيرة بين اوساط بحاثى الذكاء الأصطناعى وأن ظهور محاكة للعقل البشرى او الذكاء الأصطناعى على وشك الظهور ولكن الحقيقة أن هذا كان بعيد كل البعد عن طريقة التفكير فى العالم الحقيقى خصوصًا فى الأمور مثل جعل الحاسب يتعرف على صورة على أنها صورة أنسان وليس قناعًا مثلًا وكانت الطريقة التقليدية لفعل هذه هو بتزويد الحاسوب بجميع الصفات اللازمة لجعل الحاسوب يتعرف على صورة الأنسان مثلًا وذلك يستغرق وقتًا طويلًا وجهد كبير لأدخال كل هذه السمات للوجه البشرى مثلًا ما دعى العلماء للتفكير فى طريقة أفضل

ظهر فى الثمانينات الشبكات العصبية أو Neural Networks وهى ما بدت طريقة أفضل للتعلم العميق نظرًا لقدرة هذه الانظمة على تعلم القواعد الخاصة من الصفر فهى تستخدم طريقة شبيه بألية عمل الدماغ البشرى عن طريق طبقات من الخليا العصبية فعند تعريض صورة مثلًا لمثل هذا النظام تلاحظ كل طبقة نمط معين فى الصورة فمثلًا الطبقة الأولى قد تلاحظ حدود الصورة وطبقة أخرى تلاحظ العين فى منتصف الرأس وهو موجود فى البشر لم يكن الاداء الأول لهذا النظام أفضل من النظم الموجودة ولكن تطور حتى وصلنا الأن إلى أن معظم التطبيقات الكبيرة تستخدمه وسنستعرض معًا هذه التطبيقات

كيف تطور التعلم العميق على مدار 10 سنوات ؟

من أكثر التقنيات شيوعا في مجال  التعلم الآلي نجد تقنية تعزيز التكيف  أو  AdaBoost. و التي أدخلت في عام 2001  من طرف بول فيولا و مايكل جونز من مختبرات ميتسوبيشي للأبحاث الكهربائية ، تمكن هذه التقنية من رصد  الوجوه في الصور في  الوقت االفعلي , فبدلا من الاعتماد على شبكة من الخلايا العصبية المترابطة ، يقوم AdaBoost بتحديد الوجوه  من خلال فلترة الصورة عبر مجموعة من القرارات البسيطة .

أدت هذه التقنية و مثيلاتها إلى غض  النظر عن الشبكات العصبية الإصطناعية غير أن  الإنفجار  الهائل في عدد البيانات الموسومة  جعلها تعود للواجهة.

تطورت الشبكات العصبية للتعلم العميق و أضحت تحتوي  على العديد من الطبقات .فمثلا يتضمن التعلم العميق لتقنية  صور غوغل 30 طبقة . تطور هائل آخر هو الشبكات العصبية الإلتفافية التي لا تستوحي مبدأها  فقط من عمل الدماغ البشري و إنما  أيضا من خلال النظام البصري.

على مستوى  الشبكة ،  تقوم كل طيقة بفلترة  الصور لتحديد أنماط أو عناصر محددة.  تعمل الطبقات الأولى للشبكة على رصد الخاصيات الأساسية  في حين تهتم الطبقات الأخيرة برصد  التفاصيل الأكثر دقة و تنظيمها إلى عناصر محددة. تملك الشبكات الإلتفافية القدرة على تحديد السيمات بدقة عالية فهي تستطيع مثلا معرفة شكل البؤبؤ  , المسافة بين الأنف و العيون ،و ذلك لمعرفة ماهية الشكل .

مشكلةٌ عويصة تواجه تقنيات التعلم العميق

تخيَّل سيارةً ذاتية القيادة تقترب من علامة «توقَّف» المرورية، لكنَّها بدلًا من أن تبطئ سرعتها، تُسرع نحو التقاطع المزدحم، ليكشِف تقرير الحادث لاحقًا أنَّه كانت هناك أربعة مستطيلات صغيرة مُلصَقة على العلامة المرورية. وقد ضَلَّلَتْ هذه المستطيلات الأربعة نظام الذكاء الاصطناعي في السيارة، وجعلته يُخطئ في قراءة كلمة «توقَّف» على العلامة المرورية، ويظنها - بدلًا من ذلك - «الحد الأقصى للسرعة 45».

لم يقع هذا الحادث حقًّا، لكنْ من الممكن بالفعل عرقلة عمل أنظمة الذكاء الاصطناعي، إذ أوضح الباحثون كيف يمكن خداع نظام ذكاءٍ اصطناعي؛ ليُخطئ في قراءة علامة «توقَّف» المرورية، وذلك بوضع ملصقاتٍ عليها بعناية1. وتمكنوا من تضليل أنظمة التعرف على الوجوه، عن طريق لصق أشكال مطبوعة على النظارات أو القبعات. كما احتالوا على أنظمة التعرف على الكلام بدفعها إلى تخيُّل سماع عباراتٍ وهمية، عن طريق إقحام أنماطٍ من الضجيج الأبيض في الأصوات التي تسمعها.

هذه مجرد أمثلة على مدى سهولة عرقلة عمل التقنية الرائدة للتعرف على الأنماط في الذكاء الاصطناعي، المعروفة باسم الشبكات العصبية العميقة (DNNs). وقد أثبتت هذه الشبكات قدرتها المذهلة على تصنيف جميع أنواع المدخلات بشكلٍ صحيح، بما في ذلك الصور، والكلام، والبيانات المتعلقة بتفضيلات المستهلكين. وهي جزء من الحياة اليومية، إذ تدير كل شيء، بدءًا من أنظمة الهاتف المشغلة تلقائيًّا، حتى تقديم التوصيات إلى مستخدمي خدمة البث «نتفليكس» Netflix. ومع ذلك.. فإنَّ تعديل المدخلات بتغييراتٍ بسيطة للغاية لا يلاحظها البشر عادةً يمكن أن يُربِك أفضل الشبكات العصبية.

وعلى حد قول دان هندريكس، طالب الدكتوراة في علوم الحاسوب بجامعة كاليفورنيا في مدينة بيركلي الأمريكية، فإنَّ هذه المشكلات مقلقةٌ أكثر من أي سماتٍ غريبة وشاذة تُظْهِرها تقنيةٌ غير مثاليةٍ بعد كهذه. ومثل عديدٍ من العلماء، أصبح هندريكس يرى أنَّ هذه المشكلات هي أوضح مثالٍ على الطبيعة الواهية للشبكات العصبية العميقة؛ فهي تؤدي مهامها ببراعة، إلى أنْ تواجه موقفًا غير مألوف، فتتعطل؛ وتُخطئ بطرقٍ غير متوقعة (انظر الشكل: «خداع الذكاء الاصطناعي»).

________________________________________________________

يمكن أن يتسبب هذا في مشكلاتٍ كبيرة.. فأنظمة التعلم العميق تخرج على نحوٍ متزايد من المختبرات لتنتقل إلى حيز التطبيق في العالم الفعلي، بدايةً من أنظمة توجيه السيارات ذاتية القيادة إلى تشخيص الأمراض وتحليل أنماط ارتكاب الجرائم. وحسبما أفادت دراسةٌ جديدة تمّت خلال هذا العام2، فإنَّ إضافة بكسلاتٍ مُضَلِّلة إلى صور الفحوص الطبية قد تخدع الشبكة العصبية العميقة، وتجعلها تخلص إلى تشخيص خاطئ بالإصابة بمرض السرطان. وقد أشارت دراسةٌ أخرى إلى أنَّ نقاط الضعف تلك ربما يستغلها أحد قراصنة شبكة الإنترنت، للسيطرة على نظامٍ مبنِيّ على الذكاء الاصطناعي بالشبكة، بحيث يدفع النظام إلى تشغيل خوارزمياته الخاصة3.

وفي مسعى الباحثين إلى تحديد مواطن الخلل تلك، اكتشفوا الكثير عن أسباب حالات إخفاق الشبكات العصبية العميقة في مهمتها. ويرى فرانسوا شوليه - مهندس الذكاء الاصطناعي في شركة «جوجل» بمدينة ماونتن فيو في ولاية كاليفورنيا - أنَّه "لا توجد حلول للطبيعة الواهية للشبكات العصبية العميقة". ويقول هو وآخرون، إنَّه من أجل تجاوُز تلك العيوب، يحتاج الباحثون إلى تعزيز الشبكات العصبية العميقة التي تتحرى التطابق بين الأنماط بقدراتٍ إضافية. وعلى سبيل المثال.. بتطوير أنظمة ذكاء اصطناعي تستطيع استكشاف العالَم بنفسها، وكتابة أكواد برامجها الخاصة، والاحتفاظ بالذكريات. ويَعتقِد بعض الخبراء أنَّ هذه الأنواع من النظم ستشكل مستقبل أبحاث الذكاء الاصطناعي في العقد القادم.

تعلُّم كيفية التعلُّم

لم يكن نجاح «ألفا زيرو» في ممارسة الألعاب يرجع فقط إلى فعالية تقنية التعلم التعزيزي، التي تدرَّب باستخدامها، لكنْ أيضًا إلى خوارزميةٍ ساعدته في تضييق نطاق خياراته من الخطوات التالية المحتملة10 (باستخدام نوعٍ من تقنية البحث المعروفة باسم «شجرة مونت كارلو»). وبمعنًى آخر.. حظي نظام الذكاء الاصطناعي بتوجيهٍ حول الطريقة المثلى للتعلم من بيئته. ويعتقد شوليه أنّ الخطوة التالية المهمة في مجال الذكاء الاصطناعي ستكون مَنْح الشبكات العصبية العميقة القدرة على كتابة الخوارزميات الخاصة بها كهذه الخوارزمية، بدلًا من استخدام كودٍ وضعه البشر.

ويرى شوليه أنه إذا جرى تعزيز القدرات الأساسية التي تكمن وراء تحرِّي التطابُق بين الأنماط في أنظمة الذكاء الاصطناعي بقدرات الاستدلال والتفكير المنطقي، فهذا من شأنه أن يجعلها أفضل في التعامل مع المدخلات خارج نطاق خبراتها. وقد دَرَس علماء الحاسوب لسنواتٍ تقنيات «التصميم الآلي للبرامج»، التي يُولِّد فيها حاسوبٌ كودَ برنامجٍ ما أوتوماتيكيًّا. ويعتقد الباحث أنَّ دمج هذا المجال مع التعلم العميق يمكن أن يُنتِج أنظمةً ذات شبكاتٍ عصبية عميقة، أقرب بكثير إلى النماذج الذهنية المجرَّدة، التي يستخدمها البشر.

ففي علم الروبوتات مثلًا، تعمل عالمة الحاسوب كريستِن جرومان - من مركز أبحاث فيسبوك للذكاء الاصطناعي بمدينة مينلو بارك في ولاية كاليفورنيا الأمريكية، والأستاذة بجامعة تكساس في مدينة أوستن - على تعليم الروبوتات أفضل السبل لاستكشاف بيئاتٍ جديدة بنفسها. وقد يتضمن هذا مثلًا تحديد الاتجاهات التي ينبغي لها أن تنظر فيها عندما تُوجَد في بيئاتٍ جديدة، وطريقة التعامل مع جسمٍ ما لفَهْم شكله، أو غرضه، على أفضل وجه. وتتمثل الفكرة هنا في جعل الذكاء الاصطناعي يتكهن.. أيّ منظورٍ أو زاويةٍ جديدة ستوفر له أنفع البيانات الجديدة ليتعلم منها.

ويقول الباحثون في هذا المجال إنَّهم يحرزون تقدمًا في إصلاح عيوب التعلم العميق، لكنَّهم يُقِرُّون بأنَّهم ما زالوا يتلمسون طريقهم لاكتشاف تقنياتٍ جديدة للتغلب على الطبيعة الواهية لهذا التعلُّم. وترى سونج أنَّه لا يوجد سوى قدرٍ بسيط من النظريات في مجال التعلم العميق، وتضيف قائلة: "إذا فشلت تجربة ما، فمِن الصعب معرفة السبب. إنّ المجال بأكمله ما زال تجريبيًّا، وما عليك سوى التجربة".

ورغم أنَّ العلماء يدركون الطبيعة الواهية للشبكات العصبية العميقة، واعتمادها على كمياتٍ ضخمة من البيانات، فإنَّ معظمهم يقولون - في الوقت الحالي - إنَّ استخدام التقنية سيستمر لفترةٍ طويلة. وإدراك أنَّ الشبكات العصبية يمكن تدريبها للتعرف على الأنماط بهذه الكفاءة، حين تُدمج مع موارد حوسبية هائلة، يظل اكتشافًا كبيرًا في هذا العقد، لكنّ كلون يقول: "لا يوجد أحد لديه أيّ فكرة عن كيفية تحسينها".

___________________________________________

المراجع

Eykholt, K. et al. IEEE/CVF Conf. Comp. Vision Pattern Recog. 2018, 1625–1634 (2018). | article

Finlayson, S. G. et al. Science 363, 1287–1289 (2019). | article

Elsayed, G. F., Goodfellow, I. & Sohl-Dickstein, J. Preprint at https://arxiv.org/abs/1806.11146 (2018).

Szegedy, C. et al. Preprint at https://arxiv.org/abs/1312.6199v1 (2013).

Nguyen, A., Yosinski, J. & Clune, J. IEEE Conf. Comp. Vision Pattern Recog. 2015, 427–436 (2015). | article

Alcorn, M. A. et al. IEEE Conf. Comp. Vision Pattern Recog. 2019, 4845–4854 (2019)  | article