التعلم العميق: ما هو وكيف يرتبط بتعلُم الآلة؟

من خلال متابعة مقالتين قمنا به ، سنتحدث هنا عن ماهية التعلم العميق وعلاقته بتعلم الآلة . كلا المصطلحين مهمان بشكل متزايد في المجتمع الذي نعيش فيه وسيكون من المفيد معرفة ما يحيط بنا.

فهرس المحتويات

ما هو التعلم العميق ؟

Deep Learning هي مجموعة فرعية من التقنيات التي ولدت في العقد الأول من القرن الحادي والعشرين نتيجة التعلم الآلي . لهذا السبب ، يجب أن نصنفها كأحد فروعها ، كونها جزءًا من علوم الكمبيوتر.

هذه الأنظمة أكثر استقلالية من أشقائها الأكبر سنا ، على الرغم من أن هيكلها أيضا أكثر تعقيدا إلى حد كبير. وهذا يمنحهم ميزة واضحة عند أداء أنواع مختلفة من المهام حيث يقومون بنفس العمل أو أفضل من الأنظمة الأخرى باستخدام خوارزميات التعلم الآلي .

أيضا ، هناك أعمال أخرى تبرز فيها التعلم العميق عن سابقتها. واحدة من أكثر الحالات سيئة السمعة هي الذكاء الاصطناعي على غرار AlphaGo ، ذكاء Google القادر على هزيمة بطل العالم Go .

ربما يبدو لك صينيًا قليلاً ، لكن Go هي لعبة مشهورة جدًا ، كما أنها تتطلب الكثير. لوضعها في السياق ، يدعي علماء الرياضيات بشكل قاطع أن هذه الهواية أكثر تعقيدًا بكثير من الشطرنج.

من ناحية أخرى ، يرتبط Deep Learning ارتباطًا وثيقًا بالبيانات الضخمة ، حيث يمكن استخدام مصادر المعلومات الرائعة هذه للتعلم ودمج التجربة. علاوة على ذلك ، وبفضل الوضع الذي نحن فيه ، فإن بيئة انتشار وتطوير هذه التكنولوجيا مثالية لثلاث نقاط رئيسية:

1. التراكم الكبير للبيانات ، لأنه باستخدام الأدوات المتوفرة لدينا اليوم ، يمكن الحصول على البيانات وتخزينها من أي شخص تقريبًا. درجة التكنولوجيا التي نستخدمها ، لأن المكونات جيدة لتقديم قوة كبيرة بشكل جماعي. رغبة الشركات في تحسين منهجياتها ، حيث تستفيد من النقطتين السابقتين ، تراهن المزيد والمزيد من الشركات على الذكاء الاصطناعي . إذا قامت شركتك بتخزين بيانات من آلاف العملاء وتمنحك التكنولوجيا فرصة للتعلم منهم واستخدامها ، فهذا رهان آمن.

هيكل التعلم العميق

على الرغم من وجود تطور مشابه تمامًا للتعلم الآلي ، إلا أن هذه المجموعة من الخوارزميات لديها بعض الاختلافات النووية. والأهم هو على الأرجح هيكلها الداخلي ، أي الرمز الذي يتكون منه الخوارزمية.

فكرة عامة عن التعلم العميق

كما ترى في الصورة ، يرتبط Deep Learning ارتباطًا وثيقًا بالشبكات العصبية. هذا المفهوم ليس جديدًا ، ولكنه لم يكن معنا لفترة طويلة ، لذلك قد لا تعرفه.

لتبسيطها ، يمكننا تحديد شبكة عصبية كمجموعة من الخوارزميات (تسمى كل طبقة) تعالج المعلومات وتنقلها. تستقبل كل طبقة قيم الإدخال وترجع قيم الإخراج ، وعندما تمر عبر الشبكة بأكملها ، يتم إرجاع القيمة النهائية النهائية. كل هذا يحدث بالتتابع ، عادة ، حيث يكون لكل طبقة وزن مختلف ، اعتمادًا على النتيجة المطلوبة.

نعرض لكم هنا مقطع فيديو قصير (باللغة الإنجليزية) عن تعلم الذكاء الاصطناعي للعب سوبر ماريو وورلد :

وقد تتساءل "لماذا كل هذه الطريقة معقدة للغاية؟" . من المؤكد أن التعلم العميق لا يزال ينتمي إلى ما نسميه الذكاء الاصطناعي الضعيف ، ولكنه ربما يكون الخطوة الأولى نحو القوة.

هذه المنهجية مستوحاة من كيفية عمل الدماغ. على غرار ما نراه في "العالم المادي" ، تشكل الأنظمة طبقات وتعمل كل طبقة بطريقة مشابهة للخلايا العصبية. بهذه الطريقة ، ترتبط الطبقات ببعضها البعض ، وتتبادل المعلومات والأهم هو أن كل شيء يتم بشكل مستقل.

مخطط مبسط للغاية لكيفية عمل Deep Learning

باتباع هذه القاعدة ، تكون الذكاءات الأكثر اكتمالًا ، عادةً ، تلك التي تحتوي على طبقات أكثر وخوارزميات أكثر تعقيدًا.

كيف يعمل الذكاء الاصطناعي مع هذه الخوارزمية؟

إذا كنت قد رأيت مقالاتنا السابقة حول هذا الموضوع ، فستكون قد شاهدت بالفعل هذه الصورة المتحركة. يمكنك هنا الاطلاع على مقالتنا حول الذكاء الاصطناعي وهنا يمكنك قراءة القليل عن التعلم الآلي .

لكننا سنريكم مرة أخيرة.

تعكس هذه الصورة بشكل جيد وبسيط للغاية كيف ستعمل الاستخبارات باستخدام الشبكات العصبية. كما ترون ، وظيفته بسيطة: تصنيف الصور وتعلم اكتشاف الكلاب في الصور المختلفة التي يتم تمريرها إليه.

تبدأ كل صورة بإدخال موجز الإدخال ، أي طبقة الإدخال حيث تبدأ الحسابات الأولى بالفعل. النتائج التي يتم الحصول عليها سيتم مشاركتها مع الطبقة الثانية أو الخلايا العصبية ، ومن الواضح أنه يتم إعلامها بالخلايا العصبية التي قامت بهذا الحساب. تتكرر هذه العملية عدة مرات مثل طبقات نظامنا حتى نصل إلى الطبقة الأخيرة.

يُطلق على العصبون الأخير اسم طبقة الإخراج وهو الذي يظهر النتيجة في هذا المثال. في حالات أخرى ، تنتهي طبقة الإخراج بتنفيذ الإجراء المحسوب. أيضًا ، إذا وضعنا في الصيغة ضرورة التصرف بأسرع ما يمكن (كما هو الحال في ألعاب الفيديو) ، يجب أن تكون النتيجة فورية تقريبًا. ومع ذلك ، وبفضل النقطة التكنولوجية التي نحن فيها ، فإن هذا ممكن بالفعل.

أحد أوضح الأمثلة على ذلك هو AlphaStar Artificial Intelligence ، وهو ابتكار آخر لـ Google نفسها.

الذكاء الاصطناعي لـ Deepmind من Google

لقد أخبرناك عن AlphaGo ، وهي منظمة العفو الدولية قادرة على القتال ضد أفضل لاعبي Go في العالم. ومع ذلك ، فإن هذا الشخص لديه أشقاء أصغر سنا قادرون على تحقيق بعض المعالم الرائعة.

AlphaZero

علمت هذه المخابرات في 24 ساعة فقط مستوى خارق من الشطرنج والشوجي والذهاب فاز به العديد من اللاعبين المشهورين. أيضًا ، في قائمة المعارضين المهزومين ، أشار أيضًا إلى إصدار AlphaGo Zero لمدة 3 أيام من الخبرة ، وهو أمر لا يصدق حقًا. هنا تأتي سرعة تعلم هذا الذكاء الاصطناعي .

والأكثر إثارة للإعجاب هو أن الفريق لم يتمكن من الوصول إلى كتب التعلم أو قواعد البيانات ، لذلك تم تعلم جميع تكتيكاتهم مع الممارسة.

في لقاءات أخرى ، واجه ستوكفيش ، وهو برنامج آلي مفتوح المصدر مخضرم يلعب الشطرنج. ومع ذلك ، في أربع ساعات فقط سيطر عليها AlphaZero.

وتجدر الإشارة إلى أنه في حين أن هذا يحسب أولاً حوالي 70 مليون حركة ، فإن AlphaZero ، في لعبة الشطرنج ، تأخذ في الاعتبار فقط 80 ألف مخرج مختلف. قابل الفارق في التنبؤات حكم أفضل بكثير على ما سيكون مسرحيات واعدة.

من خلال مظاهرات مثل هذه القوة ، يمكننا رؤية قوة الذكاء الاصطناعي الجديد.

AlphaStar

من ناحية أخرى ، AlphaStar هو AI قادر اليوم على لعب RTS Starcraft II (Real Time Strategy ، باللغة الإسبانية).

في وقت العرض التجريبي ، خاض AlphaStar العديد من اللاعبين المحترفين في منتصف الفوز بعشر مباريات متتالية وخسر المباراة الأخيرة فقط.

على عكس الشطرنج أو الذهاب ، فإن Starcraft II هو تطابق في الوقت الفعلي ، لذلك في كل ثانية عليك القيام بالأشياء. ونتيجة لذلك ، يمكننا أن نلمح أن التكنولوجيا الحالية قادرة على الحفاظ على هذه الإيقاعات المحمومة للحساب والقرار.

أما بالنسبة لإعداد المخابرات ، فبالنسبة لتواريخ الاختبار المباشر ، حصل على خبرة 200 عام تقريبًا في التدريب فقط مع البروتوس (أحد السباقات المتاحة) . تم تدريبها أيضًا بحيث لا يمكنها تنفيذ الإجراءات إلا إذا كانت الكاميرا موجودة على الوحدة فعليًا ، وبالتالي استيعاب المزيد لكيفية لعب الشخص.

ومع ذلك ، على الرغم من وجود هذه الإعاقة ، تمكن AlphaStar من التغلب على معظم لقاءاتهم باستخدام تكتيك مهجور في الجانب التنافسي من اللعبة. نقطة واحدة جديرة بالملاحظة هي أن AlphaStar عادة ما يبقي APMs (الإجراءات لكل دقيقة) منخفضة ، وبالتالي فإن قراراته فعالة للغاية.

متوسط ​​الإجراءات لكل دقيقة يقوم بها الذكاء الاصطناعي ولاعب محترف

ومع ذلك ، عندما يستدعي الموقف ذلك ، فإنه يظهر سيطرة خارقة على الوحدات حرفيا عن طريق كسر العداد بسهولة.

هنا يمكنك رؤية أحد عروضه التوضيحية بالكامل:

مستقبل الذكاء الاصطناعي

لقد تحدثنا بالفعل عن هذا الموضوع ، لذلك لن نكرر نفس الحديث كثيرًا. ما يجب تسليط الضوء عليه هو العقود الآجلة المحتملة التي تنتظر التعلم العميق .

وفقا لأندرو يان تاك نج ، خبير معروف في الذكاء الاصطناعي ، فإن التعلم العميق هو خطوة جيدة نحو ذكاء المستقبل. على عكس طرق التدريس الأخرى ، هذه الطريقة أكثر فاعلية إلى حد كبير حيث نقوم بزيادة عينة البيانات.

نوصي لك باباهو X1: فرشاة الأسنان AI متاحة الآن

تنتمي الشريحة التالية إلى عرضه التقديمي "ما الذي يجب على العلماء معرفته عن التعلم العميق" . إذا كنت مهتمًا ، يمكنك رؤيته على هذا الرابط.

ليس عبثا ، لم يتوقف تطور التكنولوجيا . في كل عام سيكون لدينا مكونات أكثر قوة ، لذلك سيكون لدينا فناء أكثر وأكثر لاختباره. كما حدث مع الذكاء الاصطناعي القديم والتعلم الآلي ، ستظهر خوارزميات ومنهجيات وأنظمة جديدة وتحل محل التعلم العميق المبتكر اليوم.

أيضا ، كما يمكنك أن تتخيل ، يتم التعامل مع المستقبل بواسطة آلات شبه ذكية.

كما أشرنا في مقالات أخرى ، سيكون لدى معظم الأجهزة الإلكترونية (بعضها يتضمنها بالفعل) دعم الذكاء . هناك حالة ملحوظة للغاية هي حالة الاستخبارات التي تساعد على التقاط صور بجودة أفضل.

ومع ذلك ، فإن النقطة التي قد تزدهر فيها هذه التكنولوجيا بالنسبة لمعظم المستخدمين هي إنترنت الأشياء (إنترنت الأشياء ، باللغة الإسبانية).

إنترنت الأشياء

هذا المصطلح له وزن متزايد في مؤتمرات التكنولوجيا والحوسبة ويسعى لتوطيد نفسه الآن بعد أن لدينا الوسائل.

والفكرة هي أن الأجهزة المنزلية والأجهزة الكهربائية وغيرها هي أشياء يمكن التعرف عليها ، ويمكنها التواصل مع بعضها البعض ، بالإضافة إلى التحكم فيها بواسطة جهاز. بهذه الطريقة يمكن أن نحصل على عدد من الأشياء الموجودة في مكان ، وأين توجد ، والتفاعل معها وكل هذا من الهاتف المحمول. وبالمثل ، يمكن أن تتفاعل الأشياء أيضًا مع بعضها البعض ، وإذا انتهت صلاحية الطعام على سبيل المثال ، فربما تكون الثلاجة قادرة على إخبارك عند فتحه.

من ناحية أخرى ، يجب أن يكون الذكاء الاصطناعي قادرًا على مراقبة حالة وأداء الأجهزة المنزلية. مع هذا ، يمكنك وضع خطة للكهرباء وتحسين الطاقة المستخدمة.

ومع ذلك ، فإن النقطة ذات الصلة التي تبقى لنا لتحسينها هي أمان الإنترنت . إنه شيء لا يبدو أنه لا يعاني الكثير من المضايقات ، لكننا نعلم جميعًا أنه سيكون ضروريًا إذا أردنا أن تكون خدمة آمنة.

إنها فكرة مجردة إلى حد ما ، ولكن عندما تغزو حياتنا ، ستصبح مألوفًا.

أهمية التقنيات الجديدة والتعلم العميق

لا مفر من الاعتقاد بأن الحوسبة والذكاء الاصطناعي سيشكلان الكثير من المستقبل الذي ينتظرنا. لذلك ، من المهم أن تكون دائمًا على دراية بما يحدث في العالم الذي تحكمه البتات.

مع أخذ هذه الروح في الاعتبار ، يمكننا أن نرى بالفعل كيف تظهر الدرجات والدورات والدرجات المختلفة التي تعلم هذه المواضيع بعمق. على سبيل المثال ، ظهرت بعض هندسة البيانات ، ودرجات أخرى في البيانات الضخمة ، ومن الواضح ، دورات في التعلم العميق والذكاء الاصطناعي .

لهذا السبب نفسه ، نحثك على التحقيق في الموضوع. الإنترنت ، مع إيجابياتها وسلبياتها ، ليست مستقلة بعد ، ولا مثالية ، ولا آمنة حقًا ، ولكنها مصدر غير محدود تقريبًا للمعرفة. مع أي حظ ، ستجد مكانًا للتعلم ويمكنك الشروع في لغة جديدة ، أو بالأحرى عالم جديد.

نظرًا لأن التعلم الآلي هو نظام أخف قليلاً ، فهناك برامج تتيح لك العبث بالبيانات قليلاً. إذا كنت مهتمًا بمعرفة المزيد عن الموضوع والتحقق بنفسك / حدود هذه التقنية ، فيمكنك زيارة IBM Watson Developer Cloud أو Amazon Machine Learning. نحن نحذرك: سيتعين عليك إنشاء حساب ولن تكون طريقة سهلة للتعلم ، ولكن ربما سيساعدك ذلك يومًا ما على تحقيق أهداف رائعة.

ما وراء هنا هو عالم الأفكار ، لذلك كل شيء بين يديك. ولك ، ما رأيك في التقنيات الجديدة المتعلقة بالذكاء الاصطناعي؟ ما هي تطبيقات التعلم العميق الأخرى التي تعرفها أو ترغب في رؤيتها؟ شارك أفكارك في المربع أدناه.

مصدر مدونة الأعمال فكر في إتقان التعلم BigXatakaMachine