نماذج وأنظمة التعلم العميق على وشك النضج. قريبًا جدًا، لن نتمكن من معرفة ما إذا كان شيء ما نراه على الإنترنت من صنع الإنسان أو الكمبيوتر.
في عصر جديد من التقدم التقني السريع، أصبح الناس جادين في استخدام أنظمة التعلم العميق. قبل بضع سنوات، عرفنا القليل عن التعلم العميق كعلم، لكن قلة من الناس رأوا حالات استخدام فعلية لهذا النوع من التكنولوجيا.
مع التقدم السريع إلى اليوم، ومع وصول تطبيقات مثل Chat Generative Pre-Training (ChatGPT) و Dall-E من OpenAI (وأنواع أخرى من محركات الشبكة العصبية من روبوتات الدردشة إلى محركات التوصية المتقدمة) تعمل مع المشغلين البشريين عبر الويب لصنع الفن ورواية القصص والقيام بجميع أنواع الأعمال المعرفية التي لم يكن من الممكن تصورها قبل عقد من الزمن.
إذاً، كيف تبدو تقنيات التعلم العميق هذه حقًا تحت الغطاء؟ فيما يلي جولة في بعض المكونات الحديثة لبرامج التعلم العميق والتعلم الآلي.
الإدراك متعدد الطبقات.
هذا هو أحد المكونات الأساسية لأنظمة التعلم العميق. إنه يجسد البناء الأساسي للشبكات العصبية كإنشاءات رقمية تحاكي الطريقة التي يعمل بها الدماغ البشري.
يحتوي الإدراك متعدد الطبقات على طبقة إدخال وطبقة مخفية وطبقة إخراج. مع القدرة على استخدام أنظمة التغذية الأمامية والخلفية للمساهمة في نتائج التعلم العميق.
سنتحدث عن بعض الأنظمة المحددة للشبكات العصبية بعد ذلك بقليل، لكن استخدام الإدراك الحسي متعدد الطبقات غالبًا ما يكون مفيدًا في سياق الخوارزمية.
في الإدراك متعدد الطبقات، يمكن تدريبها على تنفيذ أي تعيين غير خطي للإدخال والمخرجات. في مرحلة اختبار لاحقة، أثبتوا قدرتهم على الاستيفاء من خلال التعميم حتى في مناطق مساحة البيانات المتفرقة.
شبكات المعتقدات العميقة.
فيما يلي مثال لنموذج التعلم العميق الذي ينطبق على أنواع معينة من وظائف الشبكة العصبية. عندما تنظر إلى التعريف الأساسي لشبكة المعتقدات العميقة (DBN)، سترى أنه: “نموذج رسومي توليدي … مع طبقات من المتغيرات الكامنة.”
بالنظر إلى حالات الاستخدام، ترى أن شبكات المعتقدات العميقة مخصصة أساسًا لحل أنواع معينة من مشاكل التدريب حيث تفشل البرامج في التقارب بالطريقة الصحيحة، أو على سبيل المثال، تحتاج إلى الكثير من معلومات التدريب.
بالتعمق أكثر، نرى أن المهندسين يفكرون في DBNs على أنها تستند إلى أشياء مثل أنظمة الزجاج الدوراني وآلات Boltzmann. والتي تم إنشاؤها حول النماذج الرياضية التي تصف توزيعات الطاقة.
تستخدم كل طبقة من الهيكل العميق المتغيرات الخفية كمتغيرات ملحوظة لتدريب كل طبقة من البنية العميقة. لذا فإن هذه الأنواع من الأنظمة المتطورة المبنية على النماذج الرياضية السابقة هي في الحقيقة أكثر من مفيد في تصميم التعلم العميق.
إقرأ أيضاً… الفرق بين علم البيانات وتعلم الآلة.
الشبكات العصبية التلافيفية.
تعتبر الأوصاف التلافيفية لما تفعله الشبكة العصبية التلافيفية CNN تقنية مانعة لمعظم القراء. إليك ما يحدث باختصار: تنتقل CNN من تخطيط البكسل الفني للصورة، وتجريدها إلى مكونات يمكن استخدامها لالتقاط نمط الصور المتشابهة ومطابقة مكونات الصورة.
قد لا يبدو هذا جذابًا بشكل كبير، ولكن النتيجة هي القدرة على إنشاء جميع أنواع المرئيات الفنية استنادًا إلى عمليات البحث عن الكلمات الرئيسية، والتي تثير انتباه المستخدمين بالتأكيد عندما يبدأ المستخدمون النهائيون في رؤية المخرجات الفعلية.
كتب أحد الباحثين في شركة IBM، مشيرًا إلى حالات الاستخدام في التسويق والرعاية الصحية وتجارة التجزئة، إلى غيض من فيض. “هذه القدرة على تقديم توصيات تميزها عن مهام التعرف على الصور.”
يمكنك أيضًا أن تقول إن شبكات CNN تعمل على تطوير رؤية الكمبيوتر لدرجة أن روبوتات الغد ستكون قادرة على الأرجح على شق طريقها “بالعيون” الرقمية بنفس الطرق التي يستخدمها البشر.
إقرأ أيضاً… ما هو الفرق بين الذكاء الاصطناعي والشبكات العصبية؟
شبكات RNN.
الطريقة البسيطة لوصف الـ RNN هي أنها تعطي الشبكات العصبية “ذاكرة” عن طريق إضافة وصلات بين الخلايا العصبية.
هذا يؤدي إلى تنبؤات أكثر قدرة – على سبيل المثال، برنامج يمكنه إنشاء نص من خلال التنبؤ بما يجب أن يأتي بعد كلمة أو حرف في جملة.
مرة أخرى، لا يتطابق الوصف تمامًا مع ما يحدث عندما تقوم بالفعل بإدخال شيء ما في برنامج باستخدام هذا النوع من محركات الشبكة العصبية والحصول على النتائج.
يمكن للكمبيوتر الآن دعوتك لتناول العشاء أو كتابة قصيدة لك، أو تقديم إخراج نصي آخر يجتاز اختبار تورينج عالي المستوى بألوان متطايرة.
لمنع المستخدمين من الارتباك، يشير ChatGPT في الواقع بشكل روتيني إلى حد ما إلى أنه ذكاء اصطناعي، وليس إنسانًا. وبالتالي غير قادر على إصدار أحكام قيمية، أو تجربة المشاعر أو العواطف، أو فهم الأشياء البشرية حقًا مثل الاعتذارات.
من غير الواضح ما إذا كانت التصميمات المتتالية ستشتمل على هذه الأنواع من التحذيرات.
