إيجابيات وسلبيات هندسة الشبكات العصبية

في السنوات الأخيرة ، أصبحت الشبكات العصبية شيئًا من الكهرباء الجديدة - تقنية ثورية اخترقت جميع مجالات النشاط البشري. وهذا ليس مفاجئًا ، نظرًا لأن الحلول التكنولوجية القائمة على الشبكات العصبية يمكن أن تؤدي مجموعة واسعة للغاية من المهام - من علاج الأمراض الأكثر تعقيدًا إلى التوصية بمسلسل تلفزيوني في المساء. ومع ذلك ، فإن هذه التكنولوجيا ليست مثالية ، فهي لها مزاياها وعيوبها التي تحتاج إلى معرفتها والتفكير فيها إذا قررت إنشاء منتجك استنادًا إلى الشبكات العصبية.

ما هي الشبكات العصبية

الشبكات العصبية (NNs) ، أو الشبكات العصبية الاصطناعية (ANNs) هو اسم معمم للنماذج والبرامج الرياضية المبنية على مبدأ تنظيم وعمل الشبكات العصبية البيولوجية - شبكات الخلايا العصبية في الدماغ البشري. السمة الرئيسية للشبكات العصبية الاصطناعية ، التي أصبحت بسببها شائعة جدًا ، هي القدرة على التعلم والتصرف بناءً على الخبرة السابقة ، وليس فقط وفقًا للخوارزميات المكتوبة مسبقًا.

غالبًا ما يُنظر إلى الشبكات العصبية على أنها شيء جديد وثوري. ومع ذلك ، بدأت التطورات في هذا المجال في النصف الأول من القرن الماضي ، بعد أن تمكن وارن مكولوتش ووالتر بيتس في عام 1943 من إنشاء أول نموذج رياضي لمبادئ الخلايا العصبية. في عملهم "تمثيل الأحداث في الشبكات العصبية والأوتوماتيكية المحدودة" ، وصف العلماء في شكل وظائف نموذجًا رياضيًا بسيطًا يعمل مثل الخلايا العصبية البيولوجية: يأخذ المدخلات ويعالجها ويعيد النتيجة.

في عام 1957 ، اخترع فرانك روزنبلات ، باستخدام أعمال وارن ماكولوتش ووالتر بيتس ، وكذلك دونالد هب (اقترح أول خوارزمية تعليمية) ، الإدراك الحسي ، وهو إدراك وإدراك آلي. وعلى الرغم من أن هذا الإنسان الآلي صُمم على أنه آلة وليس برنامجًا ، إلا أنه يُعتقد أنه هو أول شبكة عصبية اصطناعية. في الوقت نفسه ، بدأ استخدام مصطلح "perceptron" نفسه لاحقًا كمرادف لأبسط شبكة عصبية اصطناعية.

لم يحدث الاختراق الكبير التالي في مجال الشبكات العصبية الاصطناعية إلا بعد 60 عامًا: في عام 2006 ، وصف جيفري هينتون خوارزميات التعلم العميق لشبكات ANN متعددة الطبقات استنادًا إلى آلة Boltzmann المقيدة ، أو RBM (آلة Boltzmann المقيدة). في الوقت نفسه ، صاغ هينتون أيضًا المفهوم الأساسي لتدريب خوارزميات الشبكة العصبية: من أجل الحصول على حل جاهز وسريع العمل لحل مشكلة معينة ، يحتاج NN إلى التدريب على العديد من الأمثلة الحقيقية (على سبيل المثال ، الصور الفوتوغرافية) قطط مختلفة في أوضاع مختلفة وضد خلفيات مختلفة).

بفضل التعلم العميق (والبيانات الضخمة) ، أصبحت شبكات ANN قابلة للتدريب حقًا. لذلك ، في عام 2012 ، تمكنت الشبكة العصبية من تجاوز البشر في التعرف على الصور ضمن مسابقة ImageNet. وفي عام 2015 ، أصبح AlphaGo أول برنامج في العالم يتغلب على لاعب شطرنج محترف دون إعاقة (دون قيد أو شرط).

كيف تعمل الشبكة العصبية

تتكون بنية الشبكة العصبية الاصطناعية من ثلاث طبقات أو أكثر: المدخلات والمخرجات وواحدة أو أكثر من العقد المخفية. حاليًا ، يتم استخدام التعلم العميق افتراضيًا لإنشاء NN ، لذلك عادة ما تكون هناك عدة عقد مخفية. تتكون كل طبقة NN من وحدات حسابية ("الخلايا العصبية") التي تتلقى البيانات من الطبقة السابقة ، وتعالجها عن طريق إجراء حسابات بسيطة عليها ، وتمرير هذه البيانات إلى الطبقة التالية.

تقبل طبقة الإدخال الإدخال بعدة تنسيقات مختلفة ، مثل السطوع أو التباين أو اللون أو الخطوط أو أي خصائص أخرى للصورة إذا كانت صورة فوتوغرافية. الطبقة المخفية مسؤولة عن العثور على الأنماط والميزات المخفية من خلال العمليات الحسابية البسيطة. تلخص طبقة المخرجات ، كما كانت ، جميع الحسابات وتصدر إجابة في شكل استنتاج و / أو إجراء و / أو توقع. إذا كانت الإجابة صحيحة أو ببساطة فوق حد معين من "الصحة" ، فإن الشبكة العصبية ، كما كانت ، "تضخم" تلك الحسابات ("الخلايا العصبية") التي أعطتها. والعكس صحيح.

يعمل على النحو التالي. لنفترض أنك بحاجة إلى برنامج للتعرف على ما إذا كانت الصورة تحتوي على كلب أو ذئب. بعد ذلك ، ستقوم شبكتك العصبية بما يلي: تحليل الصورة إلى تفاصيل مختلفة باستخدام طبقة الإدخال ، والبحث عن علامات الكلاب والقطط من بين هذه التفاصيل باستخدام الطبقات المخفية ، وتلخيصها (هناك قطة أو ذئب في الصورة) باستخدام طبقة الإخراج.

بالطبع ، من أجل تدريب شبكتنا العصبية على البحث عن الكلاب أو الذئاب في الصور ، سنحتاج إلى عدد كبير من الصور مع الكلاب والذئاب وبدونها - فكلما زاد عددها ، كان تدريب NN أكثر فاعلية.

الأنواع الرئيسية للشبكات العصبية

اعتمادًا على الهندسة المعمارية ، تنقسم الشبكات العصبية الاصطناعية إلى عدة أنواع تستخدم لأغراض مختلفة. فيما يلي الأنواع الأكثر شيوعًا للشبكات العصبية التي من المحتمل أن تواجهها إذا كنت ترغب في تطوير الحل الخاص بك استنادًا إلى NNs.

بيرسبترون . أقدم شبكة عصبية أنشأها فرانك روزنبلات في عام 1957. يتكون من خلية عصبية واحدة فقط وهو أبسط شكل من أشكال الشبكة العصبية الاصطناعية.

الشبكات العصبية Feedforward . تتكون هذه الشبكات من طبقة إدخال وطبقة إخراج وطبقة مخفية واحدة أو أكثر. وعلى الرغم من حقيقة أنها تسمى أيضًا الإدراك متعدد الطبقات (MLPs) ، فمن المهم ملاحظة أنها تتكون من الخلايا العصبية السينية ، وليس المستقبلات (الأولى أفضل في معالجة المشكلات غير الخطية). تُستخدم الشبكات العصبية المغذية لرؤية الكمبيوتر ومعالجة اللغة الطبيعية ومهام أخرى مماثلة.

الشبكات العصبية المتكررة (RNN). يتم تحديدها من خلال حلقات التغذية الراجعة. يستخدم هذا النوع من الشبكات العصبية للمهام الترتيبية أو الزمنية ، على سبيل المثال ، للتنبؤ بالنتائج المستقبلية: توقعات سوق الأسهم أو توقعات مبيعات سلسلة المتاجر. بخلاف ذلك ، فإنهم أيضًا يقومون بعمل جيد في ترجمة اللغة أو معالجة اللغة الطبيعية (NLP) أو التعرف على الكلام ، وهذا هو سبب تضمينهم في Siri و Google Translate.

الشبكات العصبية التلافيفية (ConvNets أو CNN). تتكون من طبقة تلافيفية وطبقة مدمجة وطبقة متصلة بالكامل (FC). تستخدم هذه الشبكات العصبية مبادئ الجبر الخطي (مثل مضاعفة المصفوفة) للعثور على أنماط مخفية في صورة أو مقطع فيديو أو صوت. علاوة على ذلك ، تعمل شبكات CNN مع هذه البيانات بسرعة لا تصدق ، لذلك يتم استخدامها غالبًا في المهام التي تحتاج فيها إلى التعرف على الصور والصور في الوقت الفعلي.

فوائد الشبكات العصبية

التعلم الذاتي . هذه هي الميزة والميزة الرئيسية للشبكات العصبية الاصطناعية ، والتي تحظى بشعبية كبيرة بين المبرمجين ورجال الأعمال في جميع أنحاء العالم. ما عليك سوى إنشاء خوارزمية أساسية ، ثم إطعامها أمثلة للتدريب (على سبيل المثال ، صور الأشخاص ، إذا كنت تريد شبكتك العصبية أن تبحث عن أشخاص في صورة ما) وإلقاء نظرة على النتائج. في الوقت نفسه ، تقرر الخوارزمية نفسها كيفية تحقيق الهدف المنشود ، وغالبًا ما تجد حلولًا غير واضحة (للأشخاص).

علاوة على ذلك ، فإن الشبكة العصبية ليست مجرد تعلم ذاتي ، فهي مصممة للتعلم الذاتي باستمرار وتحسين نتائجها. بمجرد تدريب النظام ، يصبح البرنامج أو التطبيق أكثر سهولة في الاستخدام عند استخدامه. لهذا السبب يتحسن نظام توصيات Google Translate أو Netflix أو TikTok كل عام.

ترشيح ضوضاء فعال في البيانات . تخيل أي مكان صاخب بشكل معقول ، مثل السوق أو الملعب. الناس يتحدثون والموسيقى بصوت عالٍ ، والسيارات تمر في مكان ما والطيور تصرخ - هناك ضوضاء في كل مكان ، ولكن على الرغم من ذلك ، يمكنك التواصل بهدوء مع الأشخاص القريبين منك. تلتقط أذناك أطنانًا من الأصوات غير الضرورية ، لكن عقلك يقوم بترشيحها ولا يدرك إلا ما يقوله المحاور الخاص بك. تم العثور على هذه الخاصية أيضًا في الشبكات العصبية الاصطناعية. بعد التدريب ، يصبحون قادرين على عزل المعلومات التي يحتاجون إليها فقط من دفق ضخم مستمر من البيانات ، متجاهلين كل الضوضاء الخارجية.

هذه ميزة مفيدة للغاية إذا كنت بحاجة إلى البحث عن أنماط بكميات هائلة من البيانات غير المتجانسة ، مثل الأبحاث الطبية غير السريرية أو توقعات الطقس أو تحليل السوق الاقتصادي أو ترجمة النصوص.

التكيف مع التغيير . ميزة أخرى للشبكات العصبية الاصطناعية هي القدرة على التكيف مع التغييرات في بيانات الإدخال. على سبيل القياس ، يمكننا إعطاء مثال بتحديث التطبيقات. لنفترض أنك كنت غير متصل بالإنترنت لفترة طويلة وخلال ذلك الوقت تمت ترقية Instagram و TikTok ببعض الميزات الجديدة. بعد قضاء بضع دقائق في قراءة التعليمات ، ستكون على دراية بجميع الميزات الجديدة وستستمر في استخدام Instagram و TikTok. سيحدث نفس الشيء مع الشبكات العصبية. بعد فترة قصيرة من التكيف مع التغييرات ، ستستمر في العمل بنفس الكفاءة.

التسامح مع الخطأ . تظل الحلول القائمة على الشبكات العصبية عاملة حتى بعد فشل جزء من الخلايا العصبية. نعم ، قد يؤثر ذلك على دقة و / أو سرعة الخوارزمية ، لكن إجاباتها ستظل منطقية ومنطقية وصحيحة. هذه خاصية مفيدة للغاية إذا كان يجب أن يعمل الجهاز المزود بشبكة عصبية في بيئة عدوانية (مناطق مشعة ، في حالة حرب ، في المباني المدمرة أو الفضاء).

فرص عظيمة . ميزة رئيسية أخرى لشبكات ANN هي النطاق الواسع لتطبيقاتها. تعمل الشبكات العصبية مثل الدماغ البشري ، مما يعني أنه بمجرد تدريبها ، يمكنها أداء مجموعة متنوعة من المهام في مجموعة متنوعة من المجالات ، من زيادة التحويلات في متجر على الإنترنت إلى العثور على كواكب شبيهة بالأرض في الفضاء. الشيء الرئيسي هو أن هناك مجموعات كافية من البيانات الحقيقية أو التركيبية للتدريب.

سرعة العمل . ميزة أخرى مهمة للشبكات العصبية هي سرعتها الهائلة ، بالمقارنة مع خوارزميات الكمبيوتر التقليدية وبالمقارنة مع الدماغ البشري. لا تتعب الشبكات العصبية الاصطناعية ولا تحصل على استراحات غداء. يتم تحديد سرعة عملهم فقط من خلال قوة الحوسبة المتاحة لهم (بطاقة الفيديو أو الخادم السحابي أو مركز البيانات). هذا يعني عادةً أنهم يصدرون حلًا على الفور تقريبًا.

عيوب الشبكات العصبية

مشكلة الصندوق الأسود . ربما يكون أكثر عيوب NN شهرة هو طبيعتها "الصندوق الأسود". ببساطة ، أنت لا تعرف كيف ولماذا تصل شبكتك العصبية إلى نتيجة معينة. على سبيل المثال ، عندما تضع صورة قطة في شبكة عصبية وتخبرك أنها طائرة ، فمن الصعب جدًا فهم سبب توصلها إلى هذا الاستنتاج. أنت فقط لا تعرف ما يحدث داخل "دماغ" الشبكة العصبية.

هذه مشكلة كبيرة لتعلم كيفية عمل الشبكة العصبية. كما يعد دمج هذه التكنولوجيا في بعض مجالات الأعمال تحديًا كبيرًا. على سبيل المثال ، لهذا السبب ، لا تستخدم العديد من البنوك NN للتنبؤ بالجدارة الائتمانية - فهم بحاجة إلى أن يشرحوا للعملاء سبب عدم حصولهم على قرض ، وإلا فقد يشعر الشخص بالإهانة بشكل غير عادل أو حتى التمييز ضده على أساس العرق والجنس و / أو الجنسية (حدثت بالفعل مثل هذه الحالات مع الذكاء الاصطناعي ، وأكثر من مرة).

الأمر نفسه ينطبق على مواقع مثل YouTube أو Facebook أو TikTok أو Quora. إذا حذفت خوارزمية التعلم الآلي حساب مستخدم ، فسيتعين على النظام الأساسي توضيح السبب. من المستبعد أن يكون راضياً عن عبارة: "لقد أخبرنا الكمبيوتر بذلك". هذا محفوف بالدعاوى القضائية.

الطبيعة الاحتمالية للإجابات . لكن هذا ليس كل شيء. إذا أدخلت صورة في شبكة عصبية ثم سألتها ، "هل هذه قطة أم كلب أم شيء آخر؟" ، فربما تريد أن تكون الإجابة: هل هي إما قطة أم كلب أم شيء آخر . لكن في الواقع ، حتى الشبكة العصبية المدربة جيدًا لن تحقق مثل هذه النتائج النظيفة. على الأرجح ، سيكون شيئًا مثل: قطة - 0.97 ، كلب - 0.01 ، شيء آخر - 0.02. يمكن تفسير هذه النتائج على أنها احتمالات. في حالتنا ، هذا يعني أن احتمال أن تظهر الصورة قطة هو 97٪ ، وهذا الاحتمال بالنسبة للكلب هو 1٪ ، ولشيء آخر - 2٪.

عندما يكون لديك وظائف يفسرها الإنسان ، يكون من الأسهل بكثير فهم سبب الخطأ. بالمقارنة ، من السهل تفسير الخوارزميات مثل أشجار القرار. هذا مهم لأنه في العديد من المجالات ، تعتبر القابلية للتفسير أمرًا بالغ الأهمية. يمكنك أن تتخيل الرئيس التنفيذي لشركة كبيرة ، يتخذ قرارات بملايين الدولارات ، ويتعين عليه اتخاذ قرار مهم ، لكنه لا يستطيع ذلك ، لأن الذكاء الاصطناعي لم يقدم إجابة محددة لسؤال يبدو بسيطًا. أو يمكنك أن تتخيل جنرالا عليه اتخاذ قرار بشأن هجوم صاروخي ، لكن لا يمكنك ذلك ، لأن الصورة التي يحتمل أن تكون 1٪ أو 10٪ قد لا تكون إرهابية ، بل أطفال صغار.

مدة التطوير . على الرغم من وجود العديد من المكتبات مثل NeuroLab و ffnet و SciPy و TensorFlow و Scikit-Neural Network و Lasagne و pyrenn و NumPy و Spark MLlib و Scikit-Learn و Theano و PyTorch و Keras التي تساعد في توفير الوقت والجهد عند تطوير الشبكات العصبية الاصطناعية ، فهي ليست قابلة للتطبيق دائمًا. على سبيل المثال ، إذا كنت بحاجة إلى إنشاء بعض الحلول الجديدة أو المعقدة التي تتطلب مزيدًا من التحكم في تفاصيل الخوارزمية.

مهمتك فريدة ومعقدة ، زاد الوقت والموارد التي ستحتاج إلى إنفاقها. ولا يتعلق الأمر بكتابة رمز خوارزمية الشبكة العصبية فحسب ، بل يتعلق أيضًا بجمع البيانات لتدريبها. غالبًا ما يكون من الصعب جدًا جمع هذه البيانات ، على سبيل المثال ، إذا كانت معلومات حول حوادث السيارات أو حول تشغيل مفاعل نووي في ظروف حرجة. في بعض الحالات ، يمكن تسريع عملية التطوير وجعلها أرخص بمساعدة البيانات التركيبية ، لكنها بعيدة كل البعد عن كونها قابلة للتطبيق دائمًا ، وستظل هذه البيانات دائمًا مشروطة للغاية - فقط تتوافق مع الواقع تقريبًا.

كمية البيانات . العيب التالي للشبكات العصبية هو أن تدريبهم عادة ما يتطلب بيانات أكثر بكثير من خوارزميات التعلم الآلي التقليدية. وكما قلنا من قبل ، إذا كانت هذه بيانات فريدة أو يصعب جمعها ، فقد يمثل ذلك تحديًا خطيرًا للمطورين. وغالبًا ما يكون أكثر من مجرد كتابة كود لشبكة عصبية اصطناعية.

هذا هو السبب في أن الشبكات العصبية الاصطناعية الجديدة (حلول الذكاء الاصطناعي) يتم تطويرها بشكل أساسي من قبل الشركات الكبيرة (Google و Microsoft و IBM) ، والتي لا تمتلك فقط الكثير من المال والوصول إلى مبرمجين من الدرجة العالية ، ولكن أيضًا للبيانات الضخمة. الأعمال الصغيرة والمتوسطة ليست منافسة لها هنا.

مكلفة حسابيا . تتطلب خوارزميات التعلم العميق الحديثة القائمة على الشبكات العصبية الاصطناعية عدة أسابيع ، وأحيانًا سنوات ، للتعلم من الصفر. بينما تتطلب معظم خوارزميات التعلم الآلي التقليدية وقتًا أقل للتدريب: من عدة دقائق إلى عدة ساعات. على سبيل المثال ، ستكون الشبكة العصبية المكونة من 50 طبقة أبطأ بكثير من خوارزمية Random Forest (طريقة تعلم المجموعة للتصنيف والانحدار ومشاكل أخرى) مع 10 أشجار فقط.

يؤدي هذا مرة أخرى إلى تعقيد تطوير الحلول القائمة على الشبكات العصبية ويعقد اندماجها في الأعمال التجارية ، بل وأكثر من ذلك في القطاع غير الربحي.

استنتاج موجز

تعد الشبكات العصبية الاصطناعية رائعة لبعض المهام وليست جيدة للآخرين. ومع ذلك ، فإن قلة من الناس يفهمون متى يمكنهم بالفعل تحقيق قيمة حقيقية لعملك ، ومتى يكون من الأفضل اللجوء إلى خيارات أخرى لتطبيق الذكاء الاصطناعي. Merehead هي مثل هذه الشركة. نحن على دراية جيدة بتطوير الحلول القائمة على الذكاء الاصطناعي والتعلم الآلي والشبكات العصبية ، لذلك إذا كنت تخطط لإطلاق مشروع مماثل ، يرجى الاتصال بنا ، وسنكون سعداء لمساعدتك.