تعمل الشبكات العصبية الاصطناعية على تغيير العالم. ما هم؟

الشبكات العصبية للذكاء الاصطناعي

منذ اختراع الكمبيوتر ، كان هناك أشخاص يتحدثون عن أشياء لن تتمكن أجهزة الكمبيوتر من فعلها أبدًا. سواء كان الفوز على سيد كبير في الشطرنج أو الفوز خطر!، هذه التوقعات كانت دائما خاطئة. ومع ذلك ، فإن بعضًا من هذا القبيل كان له دائمًا أساس أفضل في علوم الكمبيوتر. كانت هناك أهداف ، إذا كنت تعرف كيفية عمل أجهزة الكمبيوتر ، فأنت تعلم أنه سيكون من المستحيل تحقيقها فعليًا. التعرف على المشاعر الإنسانية من خلال تعابير الوجه. قراءة مجموعة متنوعة من الكتابة بخط اليد. تحديد الكلمات بشكل صحيح في اللغة المنطوقة. القيادة بشكل مستقل عبر الشوارع المزدحمة.

حسنًا ، بدأت أجهزة الكمبيوتر الآن في القيام بكل هذه الأشياء ، وأكثر من ذلك بقليل. هل كان الرافضون حقًا متشككين للغاية بشأن القدرات الحقيقية لأجهزة الكمبيوتر الرقمية؟ بطريقة ما ، لا. لحل هذه التحديات الهائلة ، اضطر العلماء إلى ابتكار جديد كليًا اكتب الكمبيوتر ، يعتمد على بنية الدماغ. هذه الشبكات العصبية الاصطناعية (ANNs) موجودة فقط كمحاكاة يعمل على جهاز كمبيوتر رقمي عادي ، ولكن ما يحدث داخل تلك المحاكاة يختلف اختلافًا كبيرًا عن الحوسبة الكلاسيكية.



هل الشبكة العصبية الاصطناعية تمرين في علوم الحوسبة؟ علم الأحياء التطبيقي؟ الرياضيات البحتة؟ الفلسفة التجريبية؟ إنها كل هذه الأشياء ، وأكثر من ذلك بكثير.



الشبكة العصبية

ما هي ANNs؟

يعرف معظم الناس بالفعل أن الخلايا العصبية التي تقوم بالحسابات في دماغنا ليست منظمة مثل أشباه الموصلات في معالج الكمبيوتر ، في تسلسل خطي ، متصلة بنفس اللوحة ، ويتم التحكم فيها بواسطة دورة ساعة موحدة. بدلاً من ذلك ، في الدماغ ، كل خلية عصبية هي اسميًا ممثلها المستقل ، وهي متصلة بمعظم أو كل الخلايا العصبية التي تحيط بها فعليًا بطرق معقدة للغاية وغير متوقعة إلى حد ما.



ما يعنيه هذا هو أنه لكي يحقق الكمبيوتر الرقمي نتيجة مرتبة ، فإنه يحتاج إلى برنامج واحد شامل لتوجيهه وإخبار كل شبه موصل بما يجب فعله للمساهمة في تحقيق الهدف العام. من ناحية أخرى ، يوحد الدماغ المليارات من الوحدات الصغيرة والبسيطة للغاية التي يمكن لكل منها أن يكون لها برمجتها الخاصة واتخاذ القرارات دون الحاجة إلى سلطة خارجية. تعمل كل خلية عصبية وتتفاعل مع الخلايا العصبية المحيطة بها وفقًا لقواعدها البسيطة والمحددة مسبقًا.

ترتبط معظم الخلايا العصبية في الدماغ بعدة آلاف من الخلايا العصبية الأخرى.

ترتبط معظم الخلايا العصبية في الدماغ بعدة آلاف أخرى.

ان مصطنع من المفترض أن تكون الشبكة العصبية هي نفس الشيء بالضبط ، ولكن يتم محاكاتها باستخدام البرامج. بعبارة أخرى ، نستخدم جهاز كمبيوتر رقمي لتشغيل محاكاة لمجموعة من البرامج الصغيرة المترابطة بشدة والتي تمثل الخلايا العصبية لشبكتنا العصبية المحاكاة. تدخل البيانات إلى الشبكة العصبية ANN ويتم إجراء بعض العمليات عليها بواسطة 'الخلايا العصبية' الأولى ، ويتم تحديد هذه العملية من خلال كيفية برمجة الخلايا العصبية للتفاعل مع البيانات بهذه السمات المحددة. ثم يتم نقلها إلى الخلية العصبية التالية ، والتي يتم اختيارها بطريقة مماثلة ، بحيث يمكن اختيار إجراء عملية أخرى وتنفيذها. هناك عدد محدود من 'طبقات' هذه الخلايا العصبية الحاسوبية ، وبعد التنقل خلالها جميعًا ، يتم إنتاج ناتج.



العملية الشاملة لتحويل المدخلات إلى مخرجات هي نتيجة طارئة لبرمجة كل خلية عصبية فردية تلامسها البيانات ، وظروف بدء البيانات نفسها. في الدماغ ، 'شروط البداية' هي الإشارات العصبية المحددة التي تصل من العمود الفقري ، أو في أي مكان آخر في الدماغ. في حالة الشبكات العصبية الاصطناعية ، فهي تمثل ما نرغب في أن تكون عليه ، بدءًا من نتائج خوارزمية البحث وحتى الأرقام التي تم إنشاؤها عشوائيًا إلى الكلمات التي كتبها الباحثون يدويًا.

لذا ، لتلخيص: الشبكات العصبية الاصطناعية هي في الأساس أدمغة محاكاة. ولكن من المهم أن نلاحظ أنه يمكننا إعطاء برنامجنا 'الخلايا العصبية' بشكل أساسي أي برمجة نريدها ؛ يمكننا محاولة وضع قواعدهم بحيث يعكس سلوكهم سلوك العقل البشري ، ولكن يمكننا أيضًا استخدامها لحل المشكلات التي لم نكن نفكر فيها من قبل.

نيورال نت

كيف تعمل شبكات ANN؟

ما وصفناه حتى الآن مثير جدًا للاهتمام ، ولكنه غير مفيد إلى حد كبير للحسابات. وهذا يعني أنه من المثير للاهتمام علميًا أن تكون قادرًا على محاكاة البنية الخلوية للدماغ ، ولكن إذا كنت أعرف كيفية الدخول وبرمجة كل ممثل فرعي صغير بحيث تتم معالجة مدخلاتي دائمًا في المخرجات المرغوبة ، فلماذا هل أحتاج إلى ANN على الإطلاق؟ بعبارة أخرى ، فإن طبيعة ANN تعني أن بناء واحدة عن قصد لحل مشكلة معينة يتطلب معرفة عميقة بهذه المشكلة وحلولها بحيث تصبح ANN نفسها زائدة عن الحاجة.

ومع ذلك ، هناك ميزة كبيرة للعمل مع العديد من الممثلين البسطاء بدلاً من ممثل واحد معقد: يمكن للممثلين البسطاء التصحيح الذاتي كانت هناك محاولات لإصدارات التحرير الذاتي من البرامج العادية ، ولكن الشبكات العصبية الاصطناعية هي التي نقلت مفهوم التعلم الآلي إلى آفاق جديدة.

الشبكات العصبية 3ستسمع كلمة 'غير حتمية' المستخدمة لوصف وظيفة الشبكة العصبية ، وهذا في إشارة إلى حقيقة أن الخلايا العصبية في برامجنا غالبًا ما يكون لها احتمالات إحصائية مرجحة مرتبطة بنتائج مختلفة للبيانات ؛ هناك فرصة بنسبة 40٪ من أن يتم تمرير إدخال من النوع 'أ' إليه هذه الخلايا العصبية في الطبقة التالية ، فرصة 60٪ لتمريرها إليها ذلك بدلا من ذلك. تتراكم حالات عدم اليقين هذه بسرعة عندما تصبح الشبكات العصبية أكبر أو مترابطة بشكل أكثر تفصيلاً ، بحيث قد تؤدي نفس ظروف البداية إلى العديد من النتائج المختلفة ، أو الأهم من ذلك ، الوصول إلى نفس النتيجة من خلال العديد من المسارات المختلفة.

لذلك ، نقدم فكرة 'خوارزمية التعلم'. من الأمثلة البسيطة على ذلك تحسين الكفاءة: أرسل نفس المدخلات إلى الشبكة مرارًا وتكرارًا ، وفي كل مرة تقوم فيها بإنشاء المخرجات الصحيحة ، قم بتسجيل الوقت الذي استغرقته للقيام بذلك. ستكون بعض المسارات من A إلى B أكثر كفاءة بشكل طبيعي من غيرها ، ويمكن أن تبدأ خوارزمية التعلم في تعزيز السلوكيات العصبية التي حدثت خلال تلك المسارات التي استمرت بسرعة أكبر.

يمكن أن تسعى شبكات ANN الأكثر تعقيدًا إلى تحقيق أهداف أكثر تعقيدًا ، مثل تحديد نوع الحيوان بشكل صحيح في نتيجة صورة Google. يتم تعديل الخطوات في معالجة الصور وتصنيفها بشكل طفيف ، بالاعتماد على غربلة شبيهة بالتطور للتغيرات العشوائية وغير العشوائية لإنتاج عملية اكتشاف القطط التي لم يكن بمقدور مبرمجي ANN ابتكارها بشكل مباشر.

تصبح الشبكات العصبية الاصطناعية غير الحتمية أكثر حتمية لأنها تعيد هيكلة نفسها لتكون أفضل في تحقيق نتائج معينة ، على النحو الذي تحدده أهداف خوارزميات التعلم الخاصة بهم. وهذا ما يسمى بـ 'تدريب' ANN - تقوم بتدريب ANN بأمثلة للوظيفة المطلوبة ، حتى تتمكن من التصحيح الذاتي بناءً على مدى نجاحها في كل من هذه العمليات. كلما قمت بتدريب شبكة ANN ، كلما كان ذلك أفضل في تحقيق أهدافها.

أنا روبوت

ليس لفترة.

هناك أيضًا فكرة التعلم 'غير الخاضع للإشراف' أو 'التكيفي' ، حيث تقوم بتشغيل الخوارزمية مع عدم وجود المخرجات المرغوبة في الاعتبار ، ولكن دعها تبدأ في تقييم النتائج وتعديل نفسها وفقًا ... أهواءها؟ كما قد تتخيل ، هذا لم يتم فهمه جيدًا حتى الآن ، ولكنه أيضًا المسار الأكثر احتمالاً الذي قد نجد فيه ذكاءً اصطناعيًا حقيقيًا - أو مجرد ذكاء اصطناعي متقدم حقًا. إذا أردنا فعلاً إرسال الروبوتات إلى بيئات غير معروفة تمامًا لاكتشاف المشكلات غير المتوقعة تمامًا ، فسنحتاج إلى برامج يمكنها تخصيص أهمية للمحفزات من تلقاء نفسها ، في الوقت الفعلي.

هذا هو المكان الذي تكمن فيه قوة الشبكات العصبية الاصطناعية حقًا: نظرًا لأن هيكلها يسمح لها بإجراء تغييرات تكرارية عليها البرمجة الخاصة بهم، لديهم القدرة على العثور على إجابات لا يمكن لمنشئيهم الحصول عليها. سواء كنت أحد صناديق التحوط أو شركة إعلانات أو منقبًا عن النفط ، فمن المستحيل تجاهل الإمكانات الهائلة للجمع بين سرعة الكمبيوتر وتعدد استخدامات الدماغ. هذا هو السبب في أن القدرة على برمجة خوارزميات 'التعلم الآلي' هي الآن واحدة من أكثر الخوارزميات مجموعات المهارات المطلوبة في العالم.

في القرن القادم ، قد نكون أقل اهتمامًا بحل المشكلات مقارنة بتعليم الكمبيوتر لتعلم حل المشكلات بالنسبة لنا.

حسنًا ، ولكن ما الذي يمكن لـ ANNs فعلاً فعل؟

تندرج فائدة الشبكات العصبية الاصطناعية في واحدة من فئتين أساسيتين: كأدوات لحل المشكلات الصعبة بطبيعتها لكل من الأشخاص وأجهزة الكمبيوتر الرقمية ، ونماذج تجريبية ومفاهيمية لشيء ما - بشكل كلاسيكي ، العقول. دعونا نتحدث عن كل واحد على حدة.

أولاً ، السبب الحقيقي للاهتمام (والأهم من ذلك الاستثمار) في شبكات ANN هو أنها تستطيع حل المشكلات. تستخدم Google شبكة ANN لمعرفة كيفية استهداف اقتراحات 'المشاهدة التالية' بشكل أفضل بعد مقاطع فيديو YouTube. تحول العلماء في مصادم الهادرونات الكبير إلى شبكات ANN لفحص نتائج تصادماتهم وسحب بصمة جسيم واحد فقط من العاصفة الأكبر. تستخدمها شركات الشحن لتقليل أطوال الطرق على تبعثر معقد للوجهات. تستخدمها شركات بطاقات الائتمان لتحديد المعاملات الاحتيالية. حتى أنها أصبحت متاحة للفرق والأفراد الأصغر حجمًا - تقدم Amazon و MetaMind وغيرهما خدمات تعلم آلي مخصصة لأي شخص مقابل رسوم متواضعة بشكل مدهش.

كيف تعتقد ANN أن الدمبلز تبدو ، من التدريب مع الصور.

كيف تعتقد ANN أن الدمبلز تبدو ، من التدريب مع الصور.

بدأت الأمور للتو. تقوم Google بتدريب خوارزميات تحليل الصور الخاصة بها على المزيد والمزيد من صور الحيوانات ، وقد أصبحوا بارعين جدًا في إخبار الكلاب عن القطط في الصور العادية. تتقدم كل من الترجمة والتوليف الصوتي لدرجة أنه يمكننا قريبًا الحصول على جهاز شبيه بالسمك الصغير يوفر محادثات طبيعية في الوقت الفعلي بين أشخاص يتحدثون لغات مختلفة. وبالطبع ، هناك ثلاثة أمثلة متفاخرة ترتدي حقًا التعلم الآلي على جعبتهم: Siri و Now و Cortana.

يكمن الجانب الآخر من الشبكة العصبية في تصميمها بعناية لتعكس بنية الأدمغة. إن فهمنا لهذا الهيكل ، والقوة الحسابية اللازمة لمحاكاته ، لا يقترب كثيرًا مما نحتاجه للقيام بعلوم دماغية قوية في نموذج الكمبيوتر. كان هناك بعض جهود مذهلة في محاكاة جوانب معينة لأجزاء معينة من الدماغ ، لكنها لا تزال في مراحلها الأولية.

ذكاء اصطناعي للتأجير.

ذكاء اصطناعي للتأجير.

تتمثل إحدى ميزات هذا النهج في أنه بينما لا يمكنك (أو ... لا ينبغي) هندسة البشر وراثيًا ليكون لديهم تغيير تجريبي مدمج في أدمغتهم ، أنت بالتأكيد يستطيع إجراء تجارب عالم مجنون على أدمغة محاكاة. يمكن للشبكات العصبية الاصطناعية أن تستكشف مجموعة من الاحتمالات أوسع بكثير مما يمكن للطب النظر فيه عمليًا أو أخلاقيًا ، ويمكنها يومًا ما أن تسمح للعلماء بالتحقق بسرعة من المزيد من فرضيات 'أتساءل' ذات النتائج المحتملة غير المتوقعة.

عندما تسأل نفسك ، 'هل يمكن لشبكة عصبية اصطناعية أن تفعل ذلك؟' بعد ذلك مباشرة ، اسأل نفسك 'هل يمكن أنا افعلها؟' إذا كانت الإجابة بنعم ، فيجب أن يكون عقلك قادرًا على القيام بشيء قد تتمكن شبكة ANN يومًا ما من محاكاته. من ناحية أخرى ، هناك الكثير من الأشياء التي قد تتمكن ANN يومًا ما من القيام بها والتي لا يستطيع الدماغ القيام بها.

إمكانيات الشبكات العصبية الاصطناعية لا حدود لها تقريبًا.

تحقق من سلسلة 2007es.com Explains الخاصة بنا للحصول على تغطية أكثر عمقًا لأهم الموضوعات التقنية اليوم.

Copyright © كل الحقوق محفوظة | 2007es.com