افهم ما هو التعلم العميق وكيف يعمل على تحسين حياتنا

تعلم عميق هو مصطلح يظهر مرارًا وتكرارًا في المحادثات حول جميع الاحتمالات للآلات لتعلم القيام بأشياء يقوم بها البشر حاليًا في المصانع والمستودعات والمكاتب والمنازل. بينما تتطور التكنولوجيا بسرعة (جنبًا إلى جنب مع مخاوفنا وإثارةنا) ، فإن مصطلحات مثل الذكاء الاصطناعيوالتعلم الآلي و تعلم عميق (تعلم عميق، بالبرتغالية) قد يتركك في حيرة من أمرك.

في هذه المقالة ، سنساعدك على حل الالتباس المحيط بمفهوم تعلم عميق وسنعرض الأمثلة العملية الثمانية التي توضح الاستخدام الحالي لهذا النوع من التكنولوجيا اليوم.

ما هو التعلم العميق؟

يتلخص مجال الذكاء الاصطناعي في الوقت الذي يمكن فيه للآلات أداء المهام التي تتطلب عادةً ذكاءً بشريًا. يشمل الذكاء الاصطناعي العديد من التقنيات ، بما في ذلك التعلم الالي (تعلم آلة، باللغة الإنجليزية) ، حيث يمكن للآلات التعلم من التجربة واكتساب المهارات دون مشاركة بشرية.

يشارك التعلم الآلي بشكل مباشر في إنشاء خوارزميات يمكنها تعديل نفسها دون تدخل بشري لإنتاج المخرجات المرغوبة - عن طريق التغذية على البيانات المنظمة.

بالفعل تعلم عميق إنها مجموعة فرعية من التعلم الآلي حيث تتعلم الشبكات العصبية الاصطناعية ، والخوارزميات المستوحاة من الدماغ البشري ، من كميات كبيرة من البيانات. تمامًا كما تعلمنا من التجربة ، ستقوم خوارزمية التعلم العميق بتشغيل مهمة مرارًا وتكرارًا ، وفي كل مرة يتم تعديلها قليلاً لتحسين النتيجة.

نشير إلى "التعلم العميق" لأن الشبكات العصبية لها طبقات (عميقة) متعددة تمكن من التعلم. أي مشكلة تتطلب "التفكير" لاكتشافها هي مشكلة يمكن للتعلم العميق أن يتعلم حلها.

كمية البيانات التي ننتجها كل يوم مذهلة - تقدر حاليًا بـ 2,6 كوينتيليون بايت - وهي المورد الذي يجعل التعلم العميق ممكنًا. نظرًا لأن خوارزميات التعلم العميق تتطلب الكثير من البيانات للتعلم منها ، فإن هذه الزيادة في إنشاء البيانات هي أحد أسباب نمو قدرات التعلم العميق في السنوات الأخيرة.

بالإضافة إلى إنشاء المزيد من البيانات ، تستفيد خوارزميات التعلم العميق من قوة الحوسبة الأقوى المتاحة اليوم ، فضلاً عن انتشار الذكاء الاصطناعي (AI) كخدمة. ال الذكاء الاصطناعي كخدمة لقد أتاح للمؤسسات الصغيرة الوصول إلى تقنية الذكاء الاصطناعي وخاصة خوارزميات الذكاء الاصطناعي اللازمة للتعلم العميق دون استثمار كبير مقدمًا.

يتيح التعلم العميق للآلات حل المشكلات المعقدة حتى عند استخدام مجموعة بيانات متنوعة للغاية وغير منظمة ومترابطة. كلما تعلمت خوارزميات التعلم الأعمق ، كان سلوكها أفضل وقادرة على التكيف مع أنواع مختلفة من السيناريوهات والاحتياجات.

التعلم العميق مقابل التعلم الآلي

قبل أن نتحقق من كيفية عمل التعلم العميق واستخدامه في حياتنا اليومية ، نحتاج إلى توضيح الفرق بين التعلم العميق والتعلم الآلي. على الرغم من وجود تعريفات محددة ، فإن هاتين المجموعتين الفرعيتين للذكاء الاصطناعي غالبًا ما يتم الخلط بينهما.

من الناحية العملية ، يعد التعلم العميق مجرد مجموعة فرعية من التعلم الآلي. في الواقع ، التعلم العميق هو تعلم آلي من الناحية الفنية ويعمل بطريقة مماثلة (ومن ثم يتم أحيانًا تبادل المصطلحات بشكل فضفاض). ومع ذلك ، فإن قدراتهم مختلفة.

بينما تتحسن نماذج التعلم الآلي الأساسية تدريجياً في أي دور ، فإنها لا تزال بحاجة إلى بعض التوجيه. إذا أعادت خوارزمية الذكاء الاصطناعي تنبؤًا غير دقيق ، فسيحتاج المهندس إلى التدخل وإجراء التعديلات. باستخدام نموذج التعلم العميق ، يمكن للخوارزمية أن تحدد بنفسها ما إذا كان التنبؤ دقيقًا أم لا من خلال شبكتها العصبية الخاصة.

دعنا نعود إلى مثال المصباح اليدوي: يمكن برمجته ليتم تشغيله عندما يتعرف على الإشارة الصوتية لشخص يقول كلمة "داكن". بينما تستمر في التعلم ، يمكنك في النهاية تنشيط أي جملة تحتوي على تلك الكلمة.

الآن ، إذا كان المصباح يحتوي على نموذج تعليمي عميق ، فقد يجد أنه يجب أن يضيء بإشارات "لا أستطيع الرؤية" أو "مفتاح الضوء لن يعمل" ، ربما بالاقتران مع مستشعر الضوء. نموذج التعلم العميق قادر على التعلم من خلال طريقة الحوسبة الخاصة به - وهي تقنية تجعله يبدو كما لو كان لديه عقله الخاص.

كيف يعمل التعلم العميق؟

تم تصميم نموذج التعلم العميق لتحليل البيانات بشكل مستمر بهيكل منطقي مشابه للطريقة التي قد يستخلص بها الإنسان النتائج. لتحقيق ذلك ، تستخدم تطبيقات التعلم العميق بنية ذات طبقات من الخوارزميات تسمى الشبكة العصبية الاصطناعية. تصميم الشبكة العصبية الاصطناعية مستوحى من الشبكة العصبية البيولوجية للدماغ البشري ، مما يؤدي إلى عملية تعلم أكثر قدرة بكثير من تلك الخاصة بنماذج التعلم الآلي القياسية.

إنه احتمال صعب التأكد من أن نموذج التعلم العميق لا يستخلص استنتاجات غير صحيحة - مثل أمثلة الذكاء الاصطناعي الأخرى ، يتطلب الكثير من التدريب لتصحيح عمليات التعلم. ولكن عندما يعمل على النحو المنشود ، غالبًا ما يتم الترحيب بالتعلم العميق الوظيفي باعتباره أعجوبة علمية يعتبرها الكثيرون العمود الفقري للذكاء الاصطناعي الحقيقي.

مثال رائع على التعلم العميق هو AlphaGo جوجل. أنشأت Google برنامج كمبيوتر بشبكتها العصبية الخاصة التي تعلمت لعب لعبة اللوحة المجردة المسماة Go ، والمعروفة بأنها تتطلب ذكاء حادًا وحدسًا.

عند اللعب ضد لاعبي Go المحترفين ، تعلم نموذج التعلم العميق لـ AlphaGo اللعبة بمستوى لم يسبق له مثيل في الذكاء الاصطناعي ، وفعل ذلك دون إخباره متى يجب أن تتخذ خطوة معينة (كما يتطلب نموذج التعلم الآلي القياسي).

كانت أكبر ضجة أحدثتها AlphaGo عندما هزمت العديد من "سادة" اللعبة المشهورين عالميًا - لم تكن الآلة قادرة على فهم التقنيات المعقدة والجوانب المجردة للعبة فحسب ، بل أصبحت أيضًا واحدة من أعظم اللاعبين.

أمثلة عملية التعلم العميق

الآن بعد أن أصبحنا في وقت تستطيع فيه الآلات تعلم حل المشكلات المعقدة دون تدخل بشري ، ما هي بالضبط المشكلات التي تواجهها؟ فيما يلي عدد قليل من المهام التي يدعمها التعلم العميق اليوم وستستمر القائمة في النمو مع استمرار الخوارزميات في التعلم من خلال ضخ البيانات.

مساعدين افتراضيين

كن اليكسا, سيري ou Cortana، يستخدم المساعدون الافتراضيون من مقدمي الخدمات عبر الإنترنت التعلم العميق للمساعدة في فهم كلامهم واللغة التي يستخدمها البشر عند التفاعل معهم.

الترجمات

وبالمثل ، يمكن لخوارزميات التعلم العميق أن تترجم تلقائيًا أنواعًا عديدة من اللغات. يمكن أن يكون هذا مفيدًا للمسافرين ورجال الأعمال والعاملين في الحكومة الذين يحتاجون إلى ترجمة سريعة وفعالة.

رؤية لشاحنات التوصيل بدون سائق والطائرات بدون طيار والسيارات ذاتية القيادة

الطريقة التي تفهم بها السيارة المستقلة حقائق الطريق وكيفية الاستجابة لها ، سواء كانت إشارة توقف أو كرة في الشارع أو مركبة أخرى ، هي من خلال خوارزميات التعلم العميق. كلما زادت البيانات التي تتلقاها هذه الخوارزميات ، زادت قدرتها على التصرف مثل البشر في معالجة المعلومات الخاصة بهم - مع العلم أن علامة التوقف المغطاة بالثلج لا تزال علامة توقف.

روبوتات الدردشة وروبوتات الخدمة

Chatbots وروبوتات الخدمة التي تقدم خدمة العملاء للعديد من الشركات قادرة على الاستجابة بذكاء ومفيدة لعدد متزايد من الأسئلة الصوتية والنصية ، وذلك بفضل التعلم العميق.

تلوين الصورة

كان تحويل الصور بالأبيض والأسود إلى ألوان مهمة تقوم بها اليد البشرية بدقة. اليوم ، خوارزميات التعلم العميق قادرة على استخدام السياق والكائنات في الصور لتلوينها ، بشكل أساسي لإعادة إنشاء الصورة بالأبيض والأسود بالألوان. النتائج مبهرة ودقيقة.

التعرف على الوجه

يتم استخدام التعلم العميق للتعرف على الوجه ليس فقط لأسباب أمنية ، ولكن أيضًا لوضع علامات على الأشخاص في المنشورات على Facebook. فيسبوك وربما نتمكن من الدفع مقابل العناصر الموجودة في المتجر فقط باستخدام وجوهنا في المستقبل القريب. التحديات التي تواجه خوارزميات التعلم العميق للتعرف على الوجه هي معرفة أنه الشخص نفسه حتى عندما يغيرون تسريحة شعرهم أو ينمون أو يحلقون لحيتهم ، أو إذا كانت الصورة الملتقطة سيئة بسبب ضعف الإضاءة أو وجود عائق.

 الطب والصيدلة

من تشخيص الأمراض والأورام إلى الأدوية الشخصية التي تم إنشاؤها خصيصًا لجينوم الفرد ، يحظى التعلم العميق في مجال الطب باهتمام العديد من أكبر الشركات الصيدلانية والطبية.

 تسوق وترفيه شخصي

هل تساءلت يومًا كيف يأتي Netflix باقتراحات لما يجب أن تشاهده بعد ذلك؟ أو من أين تأتي أمازون بأفكار لما يجب عليك شراؤه بعد ذلك وهذه الاقتراحات هي فقط ما تحتاجه ولكنك لم تعرف عنه من قبل؟ نعم ، إنها خوارزمية التعلم العميق في العمل.

كلما زادت الخبرة المكتسبة من خلال خوارزميات التعلم العميق ، أصبحت أفضل. يجب أن تكون سنوات قليلة غير عادية حيث تستمر التكنولوجيا في النضوج.