ما المقصود بالشبكات العصبونية؟

تتمتع الشبكات العصبونية بحالات استخدام عديدة في العديد من المجالات مثل المجالات الآتية:

• التشخيص الطبي عن طريق تصنيف الصور الطبية
• التسويق المستهدف عن طريق فلترة الشبكات الاجتماعية وتحليل البيانات السلوكية
• التنبؤات المالية عن طريق معالجة البيانات التاريخية للأدوات المالية
• توقع الطلب على الحمل الكهربائي والطاقة
• المعالجة والتحكم في الجودة
• تحديد المركب الكيميائي

نطرح أربعة من تطبيقات الشبكات العصبونية المهمة أدناه.

رؤية الحاسوب

رؤية الحاسوب هي قدرة الحواسيب على استخراج المعلومات والمعارف الدقيقة من الصور ومقاطع الفيديو. من خلال الشبكات العصبونية، يمكن للحواسيب تمييز الصور المشابهة للبشر والتعرف عليها. لرؤية الحاسوب تطبيقات عديدة، مثل الآتي:

• التعرف المرئي في السيارات ذاتية القيادة بحيث يمكنها التعرف على لافتات الطرق ومستخدمي الطريق الآخرين
• الإشراف على المحتوى لإزالة المحتوى غير الآمن أو غير الملائم تلقائيًا من أرشيفات الصور ومقاطع الفيديو
• التعرف على الوجوه لمعرفتها والتعرف على السمات، مثل العينين المفتوحتين والنظارات وشعر الوجه
• تسمية الصور لتحديد شعارات العلامات التجارية والملابس ومعدات الأمان وغيرها من تفاصيل الصورة

التعرف على الكلام

يمكن للشبكات العصبونية تحليل كلام البشر على الرغم من تنوع أنماط الكلام والنبرة والنغمة واللغة واللهجة. يستخدم المساعدون الافتراضيون، مثل Amazon Alexa وبرامج التفريغ الصوتي التلقائي التعرف على الكلام لأداء مهام مثل المهام الآتية:

• مساعدة ممثلي مراكز الاتصال وتصنيف المكالمات تلقائيًا
• تحويل المحادثات الطبية إلى وثائق في الوقت الفعلي
• تفريغ مقاطع الفيديو وتسجيلات الاجتماعات بدقة للحصول على محتوى أكبر

معالجة اللغة الطبيعية

معالجة اللغة الطبيعية (NLP) هي القدرة على معالجة نص طبيعي ناتج عن البشر. تساعد الشبكات العصبونية الحواسيب على جمع المعارف الدقيقة والمعاني من البيانات النصية والوثائق. لدى NLP حالات استخدام عديدة تتضمن الوظائف الآتية:

• الوكلاء الافتراضيون الآليون وروبوتات الدردشة
• تنظيم البيانات المكتوبة وتصنيفها تلقائيًا
• تحليل ذكاء الأعمال للوثائق الطويلة، مثل رسائل البريد الإلكتروني والنماذج
• فهرسة العبارات الأساسية التي تدل على المشاعر، مثل التعليقات الإيجابية والسلبية على وسائل التواصل الاجتماعي
• تلخيص الوثائق وإنتاج مقالات لموضوع معين

محركات التوصية

يمكن للشبكات العصبونية تتبع نشاط المستخدم لتوفير توصيات مخصصة. يمكنها كذلك تحليل جميع سلوكيات المستخدم واكتشاف منتجات أو خدمات جديدة تثير اهتمام مستخدم معين. على سبيل المثال، تساعد Curalate، وهي شركة ناشئة مقرها فيلادلفيا، العلامات التجارية على تحويل منشورات وسائل التواصل الاجتماعي إلى وسيلة لتحقيق المبيعات. تستخدم العلامات التجارية خدمة وضع العلامات الذكية على المنتجات (IPT) التي تقدمها شركة Curalate للعمل على أتمتة عملية جمع المحتوى الاجتماعي الذي يصنعه المستخدمون وتنظيمه. تستخدم خدمة IPT الشبكات العصبونية للبحث عن المنتجات ذات الصلة بنشاط المستخدم على وسائل التواصل الاجتماعي تلقائيًا والتوصية بها. لا يتعين على المستهلكين البحث في الكتالوجات عبر الإنترنت لإيجاد منتج محدد استنادًا إلى صورة من وسائل التواصل الاجتماعي. بدلاً من ذلك، بإمكانهم استخدام خدمة وضع العلامات تلقائيًا على المنتجات التي تقدمها شركة Curalate لشراء المنتج بسهولة.

يمكن تصنيف الشبكات العصبونية الاصطناعية حسب كيفية تدفق البيانات من عقدة الإدخال إلى عقدة الإخراج. إليك بعض الأمثلة أدناه:

التغذية المتقدمة للشبكات العصبونية

تعالج الشبكات العصبونية ذات التغذية المتقدمة البيانات في اتجاه واحد، من عقدة الإدخال إلى عقدة الإخراج. كل عقدة في الطبقة الواحدة مرتبطة بكل عقدة في الطبقة التالية. تستخدم الشبكات ذات التغذية المتقدمة عملية تغذية مرتدة لتحسين التنبؤات بمرور الوقت.

لوغاريتم الانتشار الخلفي

تتعلم الشبكات العصبونية الاصطناعية باستمرار من خلال استخدام دائرة تغذية مرتدة مصححة لتحسين تحليلاتها التنبؤية. بمفهوم بسيط، يمكنك التفكير في البيانات المتدفقة من عقدة الإدخال إلى عقدة الإخراج من خلال العديد من المسارات المختلفة في الشبكات العصبونية. مسار واحد فقط هو المسار الصحيح الذي يعيّن عقدة الإدخال إلى عقدة الإخراج الصحيحة. لإيجاد هذا المسار، تستخدم الشبكات العصبونية دائرة تغذية مرتدة تعمل على النحو الآتي:

1. تخمن كل عقدة العقدة التالية في المسار.
2. وتتحقق من صحة التخمين. تعين العقد القيم ذات الوزن الأعلى إلى مسارات تؤدي إلى تخمينات أكثر صحة، بينما تعين القيم ذات الوزن الأقل إلى مسارات عقد تؤدي إلى تخمينات خاطئة.
3. بالنسبة إلى نقطة البيانات التالية، تقوم العقد بتنبؤ جديد باستخدام المسارات ذات الوزن الأعلى ثم تكرر الخطوة 1.

الشبكات العصبونية الالتفافية

تؤدي الطبقات الخفية في الشبكات العصبونية الالتفافية وظائف رياضية محددة، مثل التلخيص أو الفلترة، يطلق عليها الالتفاف. إنها مفيدة جدًا لتصنيف الصور إذ يمكنها استخراج ميزات ذات صلة من الصور، ما يفيد في التعرف على الصور وتصنيفها. يعد النموذج الجديد أسهل للمعالجة من دون فقدان الميزات المهمة للوصول إلى تنبؤ جيد. تستخرج كل طبقة خفية ميزات صور مختلفة وتعالجها، مثل الحواف واللون والعمق.

الذكاء الاصطناعي هو مجال علوم الحاسوب الذي يبحث عن أساليب منح الآلات القدرة على أداء المهام التي تتطلب ذكاءً بشريًا. التعلم الآلي هو تقنية ضمن الذكاء الاصطناعي يمنح الحواسيب إمكانية الوصول إلى مجموعات بيانات كبيرة جدًا وتعلمها التعلم من تلك البيانات. يكتشف برنامج التعلم الآلي أنماطًا في البيانات الموجودة ويطبق تلك الأنماط على البيانات الجديدة لاتخاذ قرارات ذكية. التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يستخدم شبكات التعلم العميق لمعالجة البيانات.

التعلم الآلي مقابل التعلم العميق

تتطلب أساليب التعلم الآلي التقليدية مدخلات بشرية حتى يعمل برنامج التعلم الآلي جيدًا وبشكل كافٍ. يحدد عالم البيانات مجموعة الميزات ذات الصلة التي يتعين على البرنامج تحليلها يدويًا. يحد هذا من قدرة البرنامج، ما يجعل إنشاءه وإدارته أمرًا شاقًا.

من جهة أخرى، في التعلم العميق، يمنح عالم البيانات مسودة بيانات فقط للبرنامج. تستخلص شبكات التعلم العميق الميزات بنفسها وتتعلم بشكل مستقل أكثر. ويمكنها تحليل مجموعات البيانات غير المهيكلة، مثل الوثائق النصية وتحديد أي سمات بيانات ستمنحها الأولوية وحل المشكلات الأكثر تعقيدًا.

على سبيل المثال، إذا كنت تدرب برنامجًا للتعلم الآلي بغية التعرف على صورة حيوان أليف بشكل صحيح، فستكون بحاجة إلى اتباع الخطوات الآتية:

• اعثر على الآلاف من صور الحيوانات الأليفة وقم بتسميتها، مثل القطط والكلاب والخيول والهامستر والببغاوات وما إلى ذلك يدويًا.
• أخبر برنامج التعلم الآلي بالميزات التي يجب البحث عنها بحيث يمكنه تحديد الصورة باستخدام الإقصاء. على سبيل المثال، قد يحسب عدد الأرجل، ثم يتحقق من شكل العين وشكل الأذن والذيل والفراء وما إلى ذلك.
• قيّم مجموعات البيانات المسماة وغيرها يدويًا لتحسين دقة البرنامج. على سبيل المثال، إذا كانت مجموعة تدريبك تتضمن عديدًا من صور القطط السوداء، فسيتعرف البرنامج بشكل صحيح على قطة سوداء وليست قطة بيضاء.
• ومع ذلك، ستعالج الشبكات العصبونية، في التعلم العميق، الصور جميعها وتحدد تلقائيًا حاجتها إلى تحليل عدد الأرجل وشكل الوجه أولاً، ثم النظر إلى الذيول أخيرًا لتتعرف على الحيوان في الصورة بشكل صحيح.