ما هو التعلم العميق ؟ تعريف الـ deep learning

التعلم العميق هو طريقة في الذكاء الاصطناعي تعلم أجهزة الكمبيوتر معالجة البيانات بطريقة مستوحاة من الدماغ البشري.

ما هو التعلم العميق ؟

تتعرف نماذج التعلم العميق على الأنماط المعقدة في الصور والنصوص والأصوات والبيانات الأخرى لإنتاج رؤى وتوقعات دقيقة.

يمكنك استخدام أساليب deep learning لإتمام المهام التي تتطلب عادةً ذكاءً بشريًا. مثل وصف الصور أو تحويل ملف صوتي إلى نص.

شاهد: ما هي فوائد التكنولوجيا الحديثة

أهمية التعلم العميق

يحاول الذكاء الاصطناعي (Al) تدريب أجهزة الكمبيوتر على التفكير والتعلم كما يفعل البشر. تعمل تقنية التعلم العميق على تشغيل العديد من التطبيقات الذكاء الاصطناعي المستخدمة في المنتجات اليومية، مثل ما يلي:

• المساعدات الرقمية
• أجهزة التلفزيون
• اكتشاف الاحتيال
• التعرف التلقائي على الوجه

كما أنه عنصر مهم في التقنيات الناشئة مثل السيارات ذاتية القيادة والواقع الافتراضي وغير ذلك

نماذج التعلم العميق ؟

إنها ملفات كمبيوتر دربها علماء البيانات لأداء المهام باستخدام خوارزمية أو مجموعة محددة مسبقًا من الخطوات. تستخدم الشركات نماذج deep learning لتحليل البيانات وإجراء تنبؤات في تطبيقات مختلفة.

اقرأ أيضا: أفضل أجهزة الكمبيوتر المحمولة للتدوين

استخدامات التعلم العميق ؟

التعلم العميق يمتلك الكثير من حالات الاستخدام في مجالات، السيارات والفضاء والتصنيع والإلكترونيات والبحوث الطبية وغيرها نت المجالات فيما يلي بعض الأمثلة على التعلم العميق

• تستخدمه السيارات ذاتية القيادة  للكشف تلقائيًا عن لافتات الطريق والمشاة
• تستخدم أنظمة الدفاع deep learning للإشارة تلقائيًا إلى مناطق الاهتمام في صور الأقمار الصناعية
• يستخدم تحليل الصور الطبية deep learning لاكتشاف الخلايا السرطانية تلقائيًا في التشخيص الطبي
  تستخدم المصانع تطبيقات التعلم العميق لاكتشاف ما إذا كان الأشخاص أو الأشياء على مسافة غير آمنة من الآلات والمعدات

هناك أربع حالات مختلفة الاستخدام للتعلم العميق هي:

رؤية الكمبيوتر

الرؤية الحاسوبية هي قدرة أجهزة الكمبيوتر على استخلاص المعلومات والأفكار من الصور ومقاطع الفيديو. يمكن لأجهزة الكمبيوتر استخدام تقنيات deep learning لفهم الصور بنفس الطريقة التي يراها البشر. تطبيقات عديدة، مثل الآتي:

• تعديل المحتوى لإزالة المحتوى غير الآمن أو غير اللائق تلقائيًا من أرشيفات الصور والفيديو.
• التعرف على الوجود لمعرفتها والتعرف على السمات، مثل العينين المفتوحتين والنظارات الشعر الوجه
• صنف الصور لتحديد شعارات العلامة التجارية والملابس ومعدات السلامة وتفاصيل الصور الأخرى.

التعرف على الكلام

يمكن لنماذج التعلم العميق تحليل كلام البشر على لرغم من تنوع أنماط الكلام والنبرة والنغمة واللغة واللهجة يستخدم المساعدون الافتراضيون، مثل Amazon Alexa وبرامج التفريغ الصوتي التلقائي التعرف على الكلام لأداء المهام التالية:

• مساعدة ممثلي مراكز الاتصال وتصنيف المكالمات تلقائيا
• تحويل المحادثات الطبية إلي وثائق في الوقت الفعلي
• تفريغ مقاطع الفيديو وتسجيلات الاجتماعية بدقة للحصول على محتوي أكبر

معالجة اللغة الطبيعية 

تستخدم أجهزة الكمبيوتر خوارزميات deep learning في جمع الرؤي والمعاني من البيانات النصية والمستندات هذه القدرة على معالجة النص الطبيعي الذي أنشاه الإنسان لها عدة حالات استخدام، من بينها حالات استخدام في الوظائف التالية:

• ممثلون و Chat bots افتراضيون آليون
• التلخيص التلقائي للمستندات أو المقالات الإخبارية
• تحليل ذكاء الأعمال للمستندات الطويلة، مثل رسائل البريد الإلكتروني والنماذج
• فهرسة العبارات الأساسية التي تدل على المشاعر، مثل التعليمات الإيجابية والسلبية على وسائل التواصل الاجتماعي

محركات التوصية

يمكن للتطبيقات استخدام أساليب deep learning في تتبع نشاط المستخدم وتطوير توصيات مخصصة يمكنها تحليل سلوك مختلف المستخدمين ومساعدتهم في اكتشاف منتجات أو خدمات جديدة.

على سبيل المثال تستخدم العديد من شركات الوسائط والترفيه، مثل Netflix و Foxو Peacock، التعلم العميق لتقديم توصيات فيديو مخصصة

كيف يعمل التعلم العميق ؟

خوارزميات التعلم العميق هي شبكات عصبونية تم تصميمها على غرار الدماغ البشري على سبيل المثال،

يحتوي الدماغ البشري على ملايين الخلايا العصبية المترابطة التي تعمل معا في تعلم المعلومات ومعالجتها وبالمثل،

فإن الشبكات العصبونية للتعلم العميق، أو الشبكات العصبونية الاصطناعية، تتكون من طبقات عديدة من الخلايا العصبية الاصطناعية التي تعمل معا داخل الكمبيوتر.

الخلايا العصبية الاصطناعية هي وحدات برمجية تسمي العقد، والتي تستخدم العمليات الحسابية الرياضية في معالجة البيانات.

الشبكات العصبونية الاصطناعية هي خوارزميات تعلم عميق تستخدم هذه العقد في حل المشاكل المعقدة

ما مكونات شبكة التعلم العميق ؟

مكونات الشبكة العصبونية العميقة هي ما يلي

• طبقة الإدخال

تحتوي الشبكة العصبونية الاصطناعية على كثير من العقد التي تدخل البيانات فيها هذه العقد تمثل طبقة الإدخال للنظام

• الطبقة الخفية

تقوم طبقة الإدخال بمعالجة البيانات وتمريرها إلي طبقات أخري في الشبكة العصبونية تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتكييف سلوكها عند تلقي معلومات جديدة.

تحتوي شبكات التعلم العميق على مئات من الطبقات المخفية التي يمكنها استخدامها في تحليل مشكلة من عدة زوايا مختلفة على سبيل المثال،

إذا تم إعطاؤك صورة لحيوان غير معروف وكان عليك تصنيفه، فستقارن هذا الحيوان بالحيوانات التي تعرفها بالفعل على سبيل المثال،

سوف تنظر إلي شكل عينيه وأذنيه، وحجمة، وعدد الأرجل، ونوع الفراء قد تحاول تحديد الأنماط، مثال ما يلي:

• الحيوان لديه حوافز، ولذلك يمكن أن يكون بقرة أو غزالا
• الحيوان عيونه تشبه عيون القط، ولذلك يمكن أن يكون نوعا من القطط البرية

تعمل الطبقات المخفية في الشبكات العصبونية العميقة بنفس الطريقة إذا كانت خوارزمية deep learning تحاول تصنيف صورة لحيوان، فإن كل طبقة من طبقاتها المخفية تعالج سمة مختلفة للحيوان وتحاول تصنيفه بدقة.

• طبقة الإخراج

تتكون طبقة المخرجات من العقد التي تُخرج البيانات. نماذج التعلم العميق التي تنتج إجابة بنعم أو لا تحتوي على عقدتين فقط في طبقة الإخراج. من ناحية أخرى ، فإن تلك التي تنتج نطاقًا أوسع من الإجابات لديها عُقد أكثر.

مفهوم التعلم العميق في سياق الشبكات العصبونية

التعلم العميق هو مجموعة فرعية من التعلم الآلي ظهرت خوارزميات التعلم العميق في محاولة لجعل تقنيات تعلم الآلة التقليدية أكثر كفاءة.

تتطلب أساليب تعلم الآلة التقليدية جهدا بشريا كبيرا لتدريب البرمجيات على سبيل المثال، في التعرف على صور الحيوانات، تحتاج إلي القيام بما يلي:

• تسمية مئات الآلاف من صور الحيوانات يدويا.
• جعل خوارزميات تعلم الآلة تعالج تلك الصور.
• اختبر هذه الخوارزميات على مجموعة صور مجهولة.
• تحديد سبب عدم دقة بعض النتائج.
• قم بتنقية مجموعة البيانات من خلال تسمية الصور الجديدة لتحسين دقة النتائج.

تسمي هذه العملية بالتعلم الخاضع للإشراف في التعلم الخاضع للإشراف، لا تتحسن دقة النتائج إلا إذا كان لديك مجموعة بيانات واسعة ومتنوعة بما فيه الكفالية على سبيل المثال،

قد تحدد الخوارزمية القطط السوداء في هذه الحالة، تحتاج إلي تسمية المزيد من صور القطط البيضاء وتدريب نماذج تعلم الآلة مرة أخري

مزايا التعلم العميق مقارنة بتعلم الآلة

تتمتع شبكة التعلم العميق بالمزايا التالية مقارنة بتعلم الآلة التقليدي

المعالجة الفعالة للبيانات غير المهيكلة

تجد أساليب تعلم الآلة صعوبة في معالجة البيانات غير المهيكلة، مثل المستندات النصية، وذلك لأن مجموعة البيانات الخاصة بالتدريب يمكن أن تحتوي على فروق واختلافات لا حصر لها.

ومن ناحية أخري، تستطيع نماذج deep learning فهم البيانات غير المهيكلة وتقديم ملاحظات عامة بدون استخراج السمات يدويا على سبيل المثال،

يمكن للشبكة العصبية أن تتعرف على أن جمل الإدخال المختلفتين التاليتين لهما نفس المعنى:

• هل يمكنك إخباري بكيفية الدفع ؟
• كيف يمكنني تحويل المال ؟

اكتشاف العلاقات والأنماط الخفية 

يمكن لتطبيق التعلم العميق أن يحلل كميات كبيرة من البيانات بمزيد من العمق ويكشف عن رؤى جديدة ربما لم يتم التدريب عليها. على سبيل المثال،

فلنفترض أن هناك نموذج تعلم عميق يتم تدربيه على تحليل مشتريات المستهلكين يحتوي النموذج على بيانات فقط للعناصر التي اشتريتها بالفعل،

ومع ذلك ، يمكن للشبكة العصبية الاصطناعية أن تقترح عناصر جديدة لم تشتريها من خلال مقارنة أنماط الشراء الخاصة بك مع أنماط العملاء الآخرين المماثلين.

التعلم بدون إشراف

يمكن لنماذج التعلم العميق أن تتعلم وتتحسن بمرور الوقت استنادا إلي سلوك المستخدم لا تتطلب تباينات كبيرة في مجموعات البيانات المسماة على سبيل المثال،

مراعاة الشبكات العصبونية التي تقترح كلمات أو تصححها تلقائيا عن طريق تحليل سلوكك في الكتابة.

لنفترض أن تجري التدقيق الإملائي للكلمات الإنجليزية ومع ذلك إذا كنت كثيرا ما تكتب كلمات غير انجليزية مثل danke، فيمكن للشبكات العصبونية أن تتعلم هذه الكلمات وتصححها تلقائيا

معالجة البيانات المتطايرة

تحتوي مجموعات البيانات المتطايرة على تباينات واختلافات كبيرة ومن الأمثلة على ذلك هو مبالغ سداد القرض في أحد البنوك.

يمكن للشبكة العصبية للتعلم العميق تصنيف وفرز هذه البيانات أيضًا عن طريق تحليل المعاملات المالية ووضع علامة على بعضها لاكتشاف الاحتيال.

تحديات التعلم العميق

نظرا لأن التعلم العميق هو تقنية جديدة نسبيا، فإن بعض التحديات تظهر مع التنفيذ العملي لهذه التقنية

• كميات كبيرة من البيانات عالية الجودة

تعطي خوارزميات التعلم العميق نتائج أفضل عند تدريبها على كميات كبيرة من البيانات عالية الجودة يمكن أن تؤثر القيم المتطرفة أو الأخطاء الموجودة بمجموعة بيانات الإدخال تأثيرا كبيرا على عملية التعلم العميق على سبيل المثال،

في مثال صور الحيوانات، قد يصنف نموذج التعلم العميق الطائرة على انها سلحفاة إذا تم بالخطأ إدخال صور لأشياء غير الحيوان في مجموعة البيانات لتجنب مثل هذه الأخطاء،

يجب تنظيف ومعالجة كميات كبيرة من البيانات قبل أن تقوم بتدريب نماذج التعلم العميق المعالجة المسبقة لبيانات الإدخال تتطلب كميات كبيرة من سعة تخزين البيانات.

• قوة معالجة كبيرة

تعد خوارزميات التعلم العميق مكثفة من الناحية الحسابية ، لذا فهي تتطلب بنية تحتية ذات قوة حوسبية كافية لتعمل بشكل صحيح ، وإلا فإنها ستستغرق وقتًا طويلاً لمعالجة النتائج.

مزايا التعلم العميق في السحابة

يمكن أن يؤدي تشغيل خوارزميات deep learning على البنية الأساسية السحابية إلي التغلب على العديد من هذه التحديات.

استخدم التعلم العميق في السحابة لتصميم تطبيقات التعلم العميق وتطويرها وتدريبها بشكل أسرع.

• السرعة

يمكنك تدريب نماذج deep learning بشكل أسرع باستخدام مجموعات من وحدات معالجة الرسومات ووحدات المعالجة المركزية لإجراء العمليات الرياضية المعقدة التي تطلبها شبكاتك العصبونية.

يمكنك بعد ذلك نشر هذه النماذج التي تعمل على معالجة كميات كبيرة من البيانات وتحقيق نتائج ذات صلة متزايدة

• قابلية التوسع

من خلال مجموعة واسعة من الموارد المتاحة عند الطلب عبر السحابة ، يمكنك الوصول إلى موارد أجهزة غير محدودة تقريبًا للتعامل مع نماذج التعلم العميق من أي حجم.

يمكن للشبكات العصبية الاستفادة من معالجات متعددة لتوزيع أعباء العمل بسلاسة وكفاءة عبر أنواع وكميات مختلفة من المعالجات

ما القصود بالتعلم العميق على AWS ؟

تعمل خدمات AWS Deep Learning Services على تسخير قوة الحوسبة السحابية لتوسيع نطاق الشبكات العصبية للتعلم العميق وتحسينها للسرعة.

يمكنك أيضًا استخدام خدمات AWS، مثل ما يلي ، لإدارة تطبيقات التعلم العميق المحددة بشكل كامل.

Amazon Rekognition لإضافة ميزات رؤية الكمبيوتر المدربة مسبقًا أو القابلة للتخصيص إلى تطبيقك.

يتعرف Amazon Transcribe بدقة على الكلام ويقوم بنسخه تلقائيًا.

تقوم Amazon Lex ببناء روبوتات محادثة ذكية تفهم النية وتحافظ على سياق المحادثة وتكمل المهام البسيطة بلغات متعددة

ابدأ بالتعلم العميق على AWS مع Sage Maker Amazon وقم ببناء الشبكات العصبية وتدريبها ونشرها على نطاق واسع بسرعة وسهولة

يمكنك أيضًا استخدام AWS Deep Learning AMls لإنشاء بيئات مخصصة وسير عمل التعلم العميق. أنشئ حساب AWS مجانيًا لتبدأ اليوم