ما هو التعلم العميق؟

التعلم العميق هو عائلة من أساليب التعلم الآلي التي تستخدم الشبكات العصبية ذات طبقات معالجة متعددة لتعلم تمثيلات مفيدة للبيانات. تُشغّل هذه النماذج العديد من الأنظمة الحديثة للغة، الصور، الصوت، التوصيات، التنبؤ العلمي، والذكاء الاصطناعي التوليدي.

كلمة العميق تشير إلى عدد التحولات بين الإدخال والإخراج، وليس إلى آلة تمتلك فهماً أعمق. يتعلم النموذج العميق علاقات عددية مفيدة لهدف التدريب الخاص به، ويجب اختبار أدائه على بيانات جديدة.

النقاط الرئيسية

• التعلم العميق هو جزء من التعلم الآلي.
• تحوّل الطبقات الموترات باستخدام المعلمات المتعلمّة، التنشيطات غير الخطية، التطبيع، وغيرها من العمليات.
• تحسب طريقة الانتشار العكسي المتدرجات؛ يستخدم المُحسّن هذه المتدرجات لتحديث المعلمات القابلة للتدريب، بما في ذلك الأوزان والتحيزات.
• تتمتع الشبكات التلافيفية (CNNs)، والشبكات المتكررة، والمحولات، والمشفّرات الذاتية، ونماذج الانتشار بهياكل ومزايا مختلفة.

كيف يتعلم الشبكة العصبية العميقة

تستقبل الشبكة العصبية البيانات على شكل موترات، أو مصفوفات متعددة الأبعاد من الأرقام. قد يُشفّر موتر الصورة قنوات البكسل، بينما يستخدم نموذج اللغة متجهات تمثل الرموز. تقوم كل طبقة بإجراء تحويل قابل للاشتقاق وتُمرّر النتيجة إلى الطبقة التالية.

في طبقة كثيفة أساسية، يحسب النموذج مجموعًا مرجّحًا لمدخلاته، يضيف انحيازًا قابلًا للتدريب، ثم يطبق دالة تنشيط:

output = activation(Wx + b)

تُدخل دالة التنشيط عدم الخطية. بدونها، سيظل تجميع الطبقات الخطية العادية يُمثّل تحويلًا خطيًا فقط. تُعد ReLU ومشتقاتها شائعة في الطبقات المخفية، بينما تعتمد تنشيطات المخرجات على المهمة.

عادةً ما يتبع التدريب أربع خطوات:

1. تنتج التمرير الأمامي تنبؤات.
2. تقيس دالة الخسارة مدى اختلاف التنبؤات عن الهدف.
3. الانتشار العكسي يطبق قاعدة السلسلة لحساب متدرّج الخسارة بالنسبة لكل معلمة قابلة للتدريب.
4. يقوم مُحسّن مثل الانحدار العشوائي المتدرّج أو AdamW بتحديث المعلمات.

يمكن لتكرار هذه الخطوات على عدة دفعات تحسين النموذج، لكن انخفاض خسارة التدريب لا يضمن سلوكًا موثوقًا في العالم الحقيقي. لا يزال التحقق، والتنظيم، والبيانات التمثيلية، والمراقبة ضروريين.

الهياكل الرئيسية للتعلم العميق

المستقبلات متعددة الطبقات

يستخدم المستقبل متعدد الطبقات (MLP) طبقات متصلة بالكامل حيث يعتمد كل وحدة إخراج على جميع المدخلات من الطبقة السابقة. تُعد MLP مفيدة للميزات الجدولية وكمكوّن داخل أنظمة أكبر، لكنها لا تُدمج افتراضات حول محلية الصورة أو ترتيب التسلسل.

الشبكات العصبية التلافيفية

الشبكات العصبية التلافيفية (CNNs) تطبق مرشحات متعلمّة عبر المناطق المحلية. تجعل مشاركة الأوزان منها فعّالة للشبكات ذات الشبكات مثل الصور والطرائق الطيفية. لا تزال CNNs مهمة للرؤية ونشرها على الحافة، على الرغم من أن محولات الرؤية والنماذج الهجينة تُستخدم على نطاق واسع أيضًا.

الشبكات المتكررة، LSTMs، وGRUs

الشبكات العصبية المتكررة (RNNs) تُحدّث حالة مخفية أثناء معالجة تسلسل. تساعد LSTMs ووحدات البوابة المتكررة (GRUs) على حفظ المعلومات وتقليل مشكلة تلاشي المتدرّج التي تجعل RNNs الأساسية تعاني من الاعتمادات الطويلة. لا تُزيل هذه الوحدات كل قيود السياق الطويل، لكنها لا تزال مفيدة لإشارات البث، بيانات السلاسل الزمنية، والنماذج المتسلسلة المدمجة.

المحوّلات

المحوّلات تستخدم آلية الانتباه لنمذجة العلاقات بين عناصر تسلسل أو مجموعة. ساعدت قدرتها على معالجة العديد من المواقع بشكل متوازي على استبدال التكرار في معظم أنظمة اللغة واسعة النطاق، وتُعالج الآن نماذج المحوّلات الصور، الصوت، الفيديو، البروتينات، والبيانات المتعددة الوسائط.

المشفّرات الذاتية والنماذج التوليدية

المشفّر الذاتي يضغط الإدخال إلى تمثيل ثم يعيد بناء الإدخال منه. يخلق هذا هدف إعادة بناء ذاتي الإشراف؛ لكنه لا يحوّل تلقائيًا البيانات غير المصنّفة إلى أمثلة مُصنّفة.

تُدرّب الشبكات التوليدية المتنافسة (GANs) مولّدًا ومميّزًا في منافسة. تتعلم نماذج الانتشار عكس عملية التشويش التدريجية. تُولّد المحوّلات التلقائية الانحدارية رمزًا أو وحدةً واحدةً في كل مرة. لهذه الأساليب ديناميكيات تدريب مختلفة، وتحكمًا مختلفًا، ومتطلبات حسابية متفاوتة.

لماذا العمق يساعد—ولماذا البنية مهمة

تسمح الطبقات المتعددة للنموذج بدمج تحويلات أبسط في تحويلات أكثر تعقيدًا. في الرؤية، قد تتدرج بعض الميزات المتعلمّة من القوام المحلي إلى الأنماط الخاصة بالمهمة. في اللغة، تبني طبقات الانتباه تمثيلات رمزية تعتمد على السياق. تُعد هذه الأوصاف حدسًا مفيدًا، ليست قواعد ثابتة لما يجب أن تتعلمه كل طبقة.

تعتمد الشبكات الحديثة أيضًا على الاتصالات المتبقية، والتطبيع، والتهيئة الدقيقة، والتنظيم، والعتاد المُحسّن. قد يؤدي مجرد إضافة طبقات أو معلمات إلى جعل النموذج أصعب في التدريب، أبطأ، أو أكثر عرضة لـ الإفراط في التخصيص. يساعد حجم النموذج فقط عندما تدعم البيانات، والهدف، والتحسين، وبيئة النشر ذلك.

التدريب مقابل الاستدلال

التدريب يضبط المعلمات وعادةً ما يكون المرحلة الأكثر استهلاكًا للكمبيوتر. الاستدلال يُشغّل النموذج المدرب لإنتاج مخرجات. قد يظل الاستدلال مكلفًا للنماذج الكبيرة، لذا تستخدم الفرق تقنيات مثل التقسيم الكمي، التقطير، التجميع، التخزين المؤقت، التخلّف، والعتاد المتخصص مثل وحدات المعالجة العصبية.

القيود والاستخدام المسؤول

يمكن للنماذج العميقة أن ترث التحيّز، وتحتفظ بمعلومات حساسة، وتفشل تحت تغير التوزيع، وتنتج مخرجات مقنعة لكنها غير صحيحة. كما يمكن أن تكون صعبة الفهم ومكلفة التدريب. يجب أن يغطي التقييم أكثر من متوسط معيار الاختبار: تحتاج الفرق إلى أداء على مستوى الفئة أو الفئة الفرعية، والصلابة، والمعايرة، والأمان، والكمون، واستهلاك الطاقة، وعواقب الفشل.

التمثيلات، التحسين، واختيارات البنية

تتعلم الشبكات العميقة تمثيلات متتالية عبر طبقات مُعلمة. تمزج التحويلات الخطية المدخلات؛ وتسمح التنشيطات غير الخطية للشبكة بتقريب الدوال المعقدة؛ وتساعد التطبيع والاتصالات المتبقية على التحسين؛ وتُشفّر الانتباه، والتلافيف، والتكرار، أو عمليات الفضاء الحالة افتراضات هيكلية مختلفة. يزيد العمق عدد التحولات، لكنه لا يضمن الذكاء. يجب أن تعكس البنية نوع الوسيط، حجم البيانات، الكمون، الذاكرة، والثوابت الخاصة بالمهمة. قد يتفوّق نموذج تلافيفي أصغر على محوّل عندما تكون البيانات محدودة وتسيطر البنية المكانية المحلية.

يحسب التدريب خسارة، يشتقها بالانتشار العكسي، ويحدّث المعلمات باستخدام مُحسّن مثل الانحدار العشوائي المتدرّج أو Adam. يتفاعل حجم الدفعة، معدل التعلم، الجدول الزمني، التهيئة، التنظيم، والدقة العددية. تساعد منحنيات خسارة التدريب والتحقق على تمييز نقص التعلم، الإفراط في التخصيص، عدم الاستقرار، والتسرب، لكنها لا تثبت الفائدة في العالم الحقيقي. استخدم بيانات تقييم مستقلة، تجارب متكررة حيث يهم التباين، إلغاءات، ومقارنة مع أسس أبسط. تزيد أعداد المعلمات الكبيرة أيضًا من الحاجة إلى حوكمة البيانات، تخطيط الحوسبة، وتكوين قابل لإعادة الإنتاج.

نشر النماذج العميقة بأمان وكفاءة

يمكن أن يستخدم النشر نقطة نهاية مستضافة، مسرّع مخصص، متصفح، هاتف، أو جهاز مدمج. قد يدمج التصدير والتجميع المشغلات، يكمم الأوزان والتنشيطات، أو يغيّر السلوك العددي، لذا يجب التحقق من الأداة المنشورة بدلاً من مجرد نقطة تفقد التدريب. قِسْ بدء التشغيل البارد، الكمون المستقر، معدل الإنتاجية، الذاكرة، الطاقة، والجودة بأحجام دفعات وتسلسلات واقعية. تتبادل طرق الضغط—التقليص، التقطير، الكمّية، والتكيّف منخفض الرتبة—الحجم أو السرعة مقابل الدقة وتعقيد الهندسة، ويجب تقييمها على الفئات الحساسة والحالات الحدية.

يمكن للنماذج العميقة أن تفشل بثقة تحت تغير التوزيع، مدخلات عدائية، ارتباطات زائفة، ومجموعات ممثلة بشكل ضعيف. راقب توزيعات الإدخال والإخراج، نتائج المهمة، المعايرة، استهلاك الموارد، وإصدارات الاعتماديات. استخدم التحكم في الوصول، الأدوات الموقّعة، بيانات التدريب المحمية، اختبار الفرق الأحمر، وحدود المعدل وفق نموذج التهديد. تُعد الشروحات مثل خرائط التميّز أو عروض الانتباه دليلًا تشخيصيًا، لا دليلًا على السبب. اجمعها مع اختبارات سلوكية، حالات مضادة، مراجعة بشرية، استجابة للحوادث، وحدود صريحة على القرارات الآلية.

مثال عملي: تدريب كاشف عيوب الصور

تجمع مصنع صور المنتجات عبر كاميرات، نوبات، مواد، وفئات عيوب معروفة، ثم يُقسم حسب دفعة الإنتاج بحيث لا يمكن للعناصر المتشابهة تقريبًا عبور الأقسام. يُقارن نموذج تلافيفي صغير كأساس مع شبكة عميقة مُدربة مسبقًا. تُعيد الزيادة تمثيل إضاءة وزوايا مُتحققة دون مسح العيوب. تُبلغ تقارير التقييم عن الاستدعاء لكل عيب، معدل الرفض الخاطئ، المعايرة، زمن الاستدلال، والصلابة ضد الضبابية، الوهج، استبدال الكاميرا، وألوان المواد النادرة.

يُختبر النموذج المُصدّر ورمز التحجيم، اللون، والتطبيع الدقيق على عتاد الخط لإنتاج إنتاجية مستمرة وسلوك حراري. تُرسل الحالات ذات الثقة المنخفضة إلى المفتشين؛ قاعدة مستقلة توقف الخط في حالة فشل حساس للملامس. تُحتفظ الصور فقط حسب ما هو مسموح وتُوقّع مخرجات النموذج. يربط المراقبة التنبؤات بنتائج الفحص اللاحقة ودفعات الإنتاج. يُ triggers كاميرا أو مادة جديدة إعادة تقييم مُتحكم فيها بدلاً من التعلم الصامت عبر الإنترنت من تسميات غير مُراجعة.

دليل التنفيذ والاستعداد التشغيلي

يتطلب قرار الإنتاج أكثر من مجرد عرض ناجح. حدّد المستخدمين المستهدفين، بيئة التشغيل، المدخلات، المخرجات، الاعتماديات، المالك، وعواقب كل فشل مهم. أنشئ أساسًا قابلًا لإعادة الإنتاج ومجموعة تقييم مُصدّرة قبل الضبط. اختبر الحالات العادية، ظروف الحد، مدخلات مفقودة أو مشوهة، تغير التوزيع، انقطاع الاعتماديات، سوء الاستخدام، والمجموعات أو البيئات الأكثر احتمالًا لتقليل الخدمة. قس جودة المهمة مع المعايرة أو عدم اليقين، الكمون، الإنتاجية، تكلفة الموارد، الوصولية، الخصوصية، والأمان. سجّل كل تحويل وعَتَبَة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة وتمييز الدليل عن نموذج أولي جذاب.

قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، الاسترجاع، والتقاعد. استخدم نشرًا مرحليًا، حافظ على نسخة احتياطية آمنة، وتحقق من المراقبة عبر إدخال فشل متعمد. يجب أن تكشف القياسات التشغيلية عن جودة الإدخال، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماديات، تجاوزات بشرية، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. حدّد عتبات التنبيه ومالك الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض بقاء الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات، المستخدمون، النماذج، البائعون، السياسات، العتاد، أو الأهداف. يحتاج النظام المُصان أيضًا إلى وثائق استعادة، تعلم الحوادث، إجراءات حذف واحتفاظ، ونقطة واضحة يجب تعطيله أو استبداله.

المراجع الأساسية

• PyTorch: بناء الشبكة العصبية
• PyTorch: آليات Autograd
• Vaswani وآخرون: الانتباه هو كل ما تحتاجه