ما هي الشبكات العصبونية وما أنواعها Neural network؟

في عالم الذكاء الاصطناعي سريع الانتشار والذي لا يكُف عن مفاجئتنا يومًا بعد يوم، أصبحت الأنظار تتجه إلى حجر الأساس الذي قامت عليه هذه التكنولوجيا الثوريّة والذي يُعرف بالشبكات العصبيّة.

وبينما نتعمّق في تعقيدات هذه التكنولوجيا الرائدة، فإنّنا نفتح الباب أمام عالم لا تقوم فيه الآلات بمعالجة المعلومات فحسب، بل تفهمها أيضًا. مرحبًا بكم في عالم الشبكات العصبية، العمود الفقري للذكاء الاصطناعي الحديث. والأمر المُدهش في هذه التكنولوجيا هو أنّ العقل البشري كان بمثابة مصدر الإلهام الذي ابتكرنا منه الشبكات العصبيّة والتي اُستخدمت بعد ذلك لمُساعدة الآلات في التعلُّم والتكيُّف واتخاذ القرارات بنفسها تمامًا مثل الإنسان.

في هذه المقال، نبدأ رحلة لإزالة الغموض عن تعقيدات الشبكات العصبية، واستكشاف بنيتها ووظائفها والأنواع المُختلفة منها التي تُغذِّي التكنولوجيا الآخذة في التوسُّع للذكاء الاصطناعي.

اقرأ أيضًا: خوارزميات الذكاء الاصطناعي | الدليل الشامل

من خلال مقالاتنا المُميَّزة ستتعلَّم الذكاء الاصطناعي، تطبيقات ومواقع الذكاء الاصطناعي واستخدامات الذكاء الاصطناعي وغير ذلك الكثير! تعلم الذكاء الاصطناعي

ما هي الشبكة العصبية؟

 

الشبكة العصبية هي نموذج حوسبة مستوحى من نظام العصبونات في الدماغ البشري، وتُعتبر جزءًا أساسيًا من مجال الذكاء الاصطناعي وتُهدف إلى تمثيل ومحاكاة عملية التعلُّم والتعامل مع المعلومات بطريقة مُشابهة للدماغ البشري. تتكوَّن الشبكة العصبية من مجموعة من العناصر المعروفة باسم العقد (العصبونات) والتي ترتبط ببعضها البعض عن طريق الروابط (المشابك العصبيّة). وتتكوّن الشبكة العصبيّة من طبقة إدخال (input layer) لاستقبال المعلومات، وطبقات مُتعددة من العقد الداخليّة (hidden layers) التي تقوم بمعالجة البيانات، وأخيرًا طبقة المُخرجات (output layer) التي تُعطي النتائج النهائيّة.

تعمل الشبكة العصبية عن طريق تحويل المعلومات الواردة إلى العقد في الطبقة الأولى، ثم يتم تمرير هذه المعلومات من خلال العقد في الطبقات الداخليّة بطرق مُحدّدة. ويتم تعديل قوة الروابط بين العقد بناءً على الخبرة والتعلُّم من البيانات المتاحة، وهو الأمر الذي يُعرف بتدريب الشبكة العصبية، حيث تتكيَّف الشبكة العصبية تدريجيًا لأداء مُهمة مُحدَّدة من خلال تعديل الأوزان والقيم المُرتبطة بالعقد.

وتتميّز الشبكات العصبية بقدرتها على التعامل مع البيانات المُعقّدة والتعلُّم من الأمثلة، مما يجعلها أداة فعّالة في حل المشكلات التي تكون صعبة للغاية بالنسبة للأنظمة الكلاسيكية.

كيف تعمل الشبكات العصبية؟ 

 

كما ذكرنا، فالشبكة العصبية هي نموذج حسابي مُستوحى من بنية الدماغ البشري وعمله، وهي شكل من أشكال التعلُّم الآلي الذي يُمكنه مُعالجة وتحليل الأنماط والعلاقات المُعقَّدة في البيانات. تتكوَّن الشبكات العصبيّة من عقد مترابطة والتي تعمل معًا لحل مهام مُختلفة مثل التعرف على الصور ومعالجة اللغة الطبيعية والتنبؤ.

تتمثّل تظريّة عمل الشبكات العصبيّة الأساسيّة في تفاعل الطبقات مع بعضها البعض، حيث تستقبل طبقة المدخلات البيانات الأوليّة، بينما تُوفِّر طبقة المخرجات النتيجة النهائية. فيما بينهما، يمكن أن تكون هناك طبقة مخفية واحدة أو أكثر تساعد في استخراج الميزات وتحويلها من البيانات المُدخلة. وترتبط كل خلية عصبيّة في الشبكة بالخلايا العصبية في الطبقات المجاورة من خلال اتصالات وروابط ذات أوزان مُعيّنة، حيث تُحدِّد هذه الروابط قوّة وأهمية المعلومات التي يتم تمريرها بين الخلايا العصبية.

لإدخال البيانات في الشبكة العصبية، يتم تطبيق ما يُعرف بوظيفة التنشيط على مُخرجات كل خليّة عصبيّة، حيث تُحدِّد وظيفة التنشيط ما إذا كان ينبغي تنشيط الخلية العصبية أم لا بناءً على مُدخلاتها. تتضمن وظائف التنشيط الشائعة ReLU (الوحدة الخطية المعدلة)، وtanh (الظل الزائدي)، حيث تسمح وظيفة التنشيط للشبكة بنمذجة العلاقات المُعقَّدة بين المدخلات والمخرجات.

تنتقل البيانات بعد ذلك أثناء مرحلة الانتشار الأمامي، حيث يتم نقل البيانات إلى الشبكة العصبية من خلال طبقة الإدخال. تتلقى كل خلية عصبيّة في الطبقات اللاحقة مُدخلات من الطبقة السابقة، وتُطبَّق وظيفة التنشيط على المجموع المُرجَّح لمدخلاتها، وتمرر النتيجة إلى الطبقة التالية. تتكرر هذه العملية حتى تمر البيانات عبر جميع الطبقات وتصل إلى طبقة المُخرجات، والتي تُنتج بدورها التنبؤ النهائي أو التصنيف بناءً على المعلومات المُستفادة من الشبكة.

لتقييم أداء الشبكة العصبية، يتم استخدام دالّة الخسارة، حيث تُحدد هذه الدالّة الفرق بين المخرجات المتوقّعة والمخرجات الفعليّة. تهدف الشبكة إلى تقليل هذا الاختلاف عن طريق ضبط الأوزان. تتضمن دوال الخسارة الشائعة الخطأ التربيعي المُتوسط (MSE) لمهام الانحدار ودالة الإنتروبيا المتقاطعة لمهام التصنيف.

بعد ذلك، يتم الانتقال إلى مرحلة الانتشار العكسي والتي تُعد خطوة حاسمة في تدريب الشبكة العصبية، ويتم حساب تدرُّجات دالة الخسارة فيما يتعلّق بالأوزان وتحديث الأوزان وفقًا لذلك. يتم حساب التدرجات باستخدام قاعدة السلسلة في حساب التفاضل والتكامل، والتي تنشر الخطأ من طبقة المُخرجات مرةً أخرى إلى طبقة المُدخلات. من خلال ضبط الأوزان بشكلٍ مُتكرِّر بناءً على التدرُّجات، تتعلّم الشبكة تقليل دالة الخسارة وتحسين توقعاتها.

خلال مرحلة التدريب، تتعرّض الشبكة العصبية لمجموعة بيانات مُصنّفة، حيث تقوم الشبكة بعمل تنبؤات لكل إدخال، ومقارنتها بالتسميات الحقيقية، وحساب الخسارة، وتحديث الأوزان من خلال الانتشار العكسي. تتكرر هذه العملية التكراريّة للانتشار الأمامي وحساب الخسارة والانتشار العكسي لفترات مُتعدِّدة حتى تتقارب الشبكة إلى حالة يتم فيها تقليل الخسارة إلى الحد الأدنى وتكون التنبؤات دقيقة.

بمُجرَّد تدريب الشبكة العصبية، يُمكن استخدامها للتنبؤ بالبيانات غير المرئية، حيث يتم تغذية بيانات الإدخال من خلال الشبكة باستخدام الانتشار الأمامي، وتنتج طبقة المُخرجات النتيجة المتوقعة. تظل أوزان الشبكة ثابتة أثناء الاستدلال، حيث تم تحسينها أثناء التدريب. ويتم تقييم أداء الشبكة بناءً على دقتها أو إحكامها أو استرجاعها أو غيرها من المقاييس ذات الصلة، اعتمادًا على المُهمّة المطروحة.

تتمثّل عبقريّة الشبكات العصبيّة في إمكانيّة تعلُّم أنماط وعلاقات مُعقّدة في البيانات دون الحاجة إلى برمجة واضحة. وقد تم تطبيقها بنجاح على مجموعة واسعة من التطبيقات، بما في ذلك التعرف على الصور والكلام، ومعالجة اللغة الطبيعية، وأنظمة التوصية، والمركبات ذاتيّة القيادة.

أنواع الشبكات العصبية

على الرغم من أنّ نظرية عمل الشبكات العصبية واحدة، إلا أنّها في الواقع تضم العديد من الأنواع، وكلٌ منها مُصمَّم لأداء لمهام مُحدّدة. ,فيما يلي بعض أهم الأنواع الرئيسيّة للشبكات العصبية:

1- الشبكات العصبية المغذية (FNN):

يُعد هذا النوع هو أبسط أشكال الشبكات العصبية، حيث تنتقل المعلومات في اتجاه واحد، من المُدخلات إلى المُخرجات، ولا توجد أي دورات أو حلقات في بنية الشبكة، فقط اتجاه خطي.

التطبيقات: يُستخدم هذا النوع عادةً لمهام مثل التصنيف والانحدار.

2- الإدراك الحسي متعدد الطبقات (MLP):

هو نوع من الشبكات العصبية المغذية ذات طبقة مخفية واحدة أو أكثر بين طبقات المُدخلات والمُخرجات. ترتبط الخلايا العصبية في كل طبقة بجميع الخلايا العصبية في الطبقات المجاورة.

التطبيقات: تستخدم على نطاق واسع لمختلف المهام، بما في ذلك التعرُّف على الصور، والتعرُّف على الكلام، والنمذجة الماليّة.

3- الشبكات العصبية التلافيفية (CNN):

تم تصميم هذا النوع لمعالجة البيانات الشبيهة، مثل الصور أو إطارات الفيديو، أي أنّ الشبكات تستقبل مجموعة ضخمة من البيانات ثم تقوم بالتعرّف عليها بعد ذلك، مثل تغذية الشبكة بمجموعات كبيرة من صور القطط ثم جعلها تتعرّف تلقائيًا على صور القطط بعد ذلك بمفردها

التطبيقات: يُعد هذا النوع مُمتاز لتحليل الصور والفيديوهات، بما في ذلك مهام مثل تصنيف الصور واكتشاف الأشياء والتعرف على الوجه.

4- الشبكات العصبية المتكررة (RNN):

يُعد هذا النوع مُناسبًا للبيانات المتسلسلة، حيث تحتوي شبكات RNN على اتصالات تُشكِّل دورات مُوجّهة، مما يسمح لها بالحفاظ على ذاكرة المُدخلات السابقة. وهذا يجعلها فعالة للمهام التي تنطوي على تسلسلات.

التطبيقات: تُستخدم في معالجة اللغات الطبيعية، وتحليل السلاسل الزمنيّة، والتعرف على الكلام.

5- شبكات الذاكرة طويلة المدى (LSTM):

تُعد هذه الشبكات امتدادًا لشبكات RNN، حيث تُعالج مشكلة التدرج المُتلاشي المرتبطة بتدريب الشبكات العميقة. هذه الشبكات قادرة على تعلُّم التبعيّات طويلة المدى في البيانات التسلسليّة.

التطبيقات: تستخدم على نطاق واسع في معالجة اللغة الطبيعية، والتعرف على الكلام، والتنبؤ بالسلاسل الزمنيّة.

اقرأ أيضًا: ما هو التعلم العميق؟

6- الوحدات المتكررة المحاطة (GRU):

على غرار شبكات LSTMs، تم تصميم وحدات GRU لمعالجة مشكلة التدرج المتلاشي في شبكات RNN، حيث تتميّز ببنية أبسط مع مُعلمات أقل.

التطبيقات: تُستخدم في السيناريوهات التي تكون فيها الموارد الحسابية محدودة، مثل الأجهزة المحمولة.

7- شبكات الترميز التلقائي:

شبكات الترميز التلقائي العصبية هي نوع من الشبكات العصبية الاصطناعية التي تُستخدم  لتمثيل وضغط البيانات، وتُعتبر إحدى أشكال تعلم الآلة غير المراقبة (Unsupervised Machine Learning)، حيث لا يتطلب وجود تسميات مُحدّدة للبيانات المدخلة.

التطبيقات: تستخدم لمهام مثل ضغط البيانات، وتعلم الميزات، والكشف عن البيانات الشاذّة أو المُختلفة.

8- الشبكات التوليديّة (GAN):

تشتمل شبكات GAN على مولد وأداة تمييز، وتُستخدم لتوليد بيانات تركيبيّة لا يمكن تمييزها عن البيانات الحقيقية. يهدف المولد إلى إنشاء عينات واقعية، بينما تحاول أداة التمييز التفريق بين العينات الحقيقية والمولدة.

التطبيقات: تُستخدم في توليد الصور ونقل الأنماط وزيادة البيانات.

اقرأ أيضًا: ما هي إيجابيات وسلبيات الذكاء الاصطناعي؟

9- شبكات الوظائف ذات الأساس الشعاعي (RBFN):

شبكات الوظائف ذات الأساس الشعاعي (RBFNs) هي نوع من الشبكات العصبية الاصطناعية التي تستخدم وظائف الأساس الشعاعي كوظائف تنشيط، حيث تُستخدم شبكات RBFN بشكل شائع للتعرف على الأنماط وتقريب الوظائف ومهام التجميع.

يتكون هيكل RBFN عادةً من ثلاث طبقات: طبقة الإدخال، والطبقة المخفية، وطبقة المُخرجات، حيث تتلقى طبقة الإدخال بيانات الإدخال، والتي يتم تمريرها بعد ذلك إلى الطبقة المخفية. تتكون الطبقة المخفية من خلايا عصبية، يرتبط كل منها بوظيفة أساس شعاعي. تتمركز وظائف الأساس الشعاعي هذه في نقاط محددة في مساحة الإدخال وتقيس التشابه بين الإدخال والمركز. تجمع طبقة الإخراج بين المخرجات المرجحة للخلايا العصبية ذات الطبقة المخفية لإنتاج المُخرجات النهائية.

التطبيقات: تستخدم في التعرّف على الأنماط والتقريب واكتشاف العيوب.

10- خرائط التنظيم الذاتي (SOM):

يستخدم هذا النوع من الشبكات العصبية عملية تعلم بدون إشراف (unsupervised learning). هذا يعني أنها لا تحتاج إلى تصنيفات مسبقة للبيانات، بل تقوم بتنظيم البيانات بناءً على الأوجه المشتركة بينها دون الحاجة إلى مراقبة خارجية.

التطبيقات: يتم تطبيقها في مهام مثل تجميع البيانات وتقليل الأبعاد واستخراج الميزات.

اقرأ أيضًا: كيف تستخدم الذكاء الاصطناعي في البحث العلمي؟

تطبيقات الشبكات العصبية

لقد أوجدت الشبكات العصبية تطبيقات في مجموعة متنوعة من المجالات، حيث أظهرت تنوعها وفعاليتها في حل المشكلات المعقدة. فيما يلي بعض من أشهر تطبيقات الشبكات العصبية:

1- التعرف على الصور والفيديو:

تُستخدم الشبكات العصبية – وخاصةً الشبكات العصبية التلافيفية (CNNs) – على نطاق واسع لمهام التعرُّف على الصور والفيديو، حيث تبرز هذه الشبكات في مهام مثل تصنيف الصور واكتشاف الأشياء والتعرُّف على الوجه.

الأمثلة: التعرُّف على الوجوه في الهواتف الذكيّة، وأنظمة الأمان، والمركبات ذاتية القيادة، وتحليل الصور الطبيّة.

2- معالجة اللغات الطبيعية (NLP):

يتم استخدام الشبكات العصبية المتكررة (RNNs) في معالجة اللغات الطبيعيّة لفهم وتوليد اللغة البشرية. تتضمن هذه المهام تحليل المشاعر وترجمة اللغة وتلخيص النصوص.

الأمثلة: المساعدون الافتراضيون، وروبوتات الدردشة، وخدمات ترجمة اللغات، وتحليل المشاعر في وسائل التواصل الاجتماعي.

3- التعرف على الكلام:

تُستخدم الشبكات العصبية في أنظمة التعرف التلقائي على الكلام لتحويل اللغة المنطوقة إلى نص. تُستخدم الشبكات العصبية من نوع البنى المتكررة والتلافيفية بشكل شائع لهذا الغرض.

الأمثلة: المساعدون الصوتيون (مثل Siri وAlexa) وخدمات النسخ وأجهزة التحكم الصوتي.

اقرأ أيضًا: كل ما تحتاج معرفته عن ChatGPT: معلومات عن ChatGPT

4- الرعاية الصحيّة:

يتم تطبيق الشبكات العصبية في مهام الرعاية الصحيّة المُختلفة، بما في ذلك تحليل الصور الطبية وتشخيص الأمراض واكتشاف الأدوية، حيث تُستخدم نماذج التعلُّم العميق للتعرُّف على الأنماط في الصور الطبية والتنبؤ بنتائج المرض.

الأمثلة: اكتشاف السرطان، والتنبؤ بنتائج المرضى، واكتشاف الأدوية، والطب الشخصي.

5- التنبؤ المالي:

تستخدم الشبكات العصبية في المؤسسات الماليّة للتنبؤ بأسعار الأسهم، واتجاهات السوق، وتقييم المخاطر المالية. يُمكن للشبكات المُتكرِّرة التقاط التبعيات الزمنية في بيانات السلاسل الزمنيّة.

الأمثلة: التنبؤ بسوق الأوراق المالية، والتداول الخوارزمي، واكتشاف الاحتيال، وتقييم مخاطر الائتمان.

6- المركبات ذاتية القيادة:

الوصف: تلعب الشبكات العصبية دورًا حاسمًا في تمكين السيارات ذاتية القيادة من خلال معالجة بيانات الاستشعار والتعرف على الأشياء واتخاذ القرارات في الوقت الفعلي، وتُستخدم الشبكات التلافيفية والمتكررة بشكلٍ شائع لهذا الغرض.

الأمثلة: اكتشاف المسار، والتعرُّف على الأشياء، وتخطيط المسار، والملاحة الذاتيّة.

7- الألعاب:

تُستخدم الشبكات العصبية في صناعة الألعاب لإنشاء عوامل ذكية وتحسين رسومات اللعبة وتحسين تجربة المستخدم. غالبًا ما يتم استخدام التعلم المعزز العميق للتدريب على ممارسة الألعاب.

الأمثلة: سلوك شخصية اللعبة، ومستويات الصعوبة التكيفيَّة.

8- الكشف عن الغش:

يتم استخدام الشبكات العصبية للكشف عن الاحتيال في المعاملات الماليّة، حيث تتعلّم الأنماط التي تشير إلى السلوك الاحتيالي ويمكنهم تحديد الحالات الشاذة في مجموعات البيانات الكبيرة.

الأمثلة: كشف الاحتيال على بطاقات الائتمان، ومكافحة غسيل الأموال، والأمن السيبراني.

9- الموارد البشرية:

تُستخدم الشبكات العصبية في الموارد البشرية لاكتساب المواهب، وتحليل مشاعر الموظفين، والتنبؤ بمعدل دوران الموظفين. يمكن لنماذج معالجة اللغة الطبيعية تحليل السير الذاتية وملفات تعريف الوسائط الاجتماعيَّة.

الأمثلة: فحص السيرة الذاتية، والتنبؤ بأداء الموظفين، وإدارة المواهب.

اقرأ أيضًا: كيف نستخدم الذكاء الاصطناعي في حياتنا اليومية؟

في ختام استكشافنا للشبكات العصبية، نجد أنفسنا واقفين عند تقاطع الإبداع البشري والتطوُّر التكنولوجي. من تعقيدات البنى المغذية إلى دقّة الهياكل المُتكرِّرة، اجتزنا مشهد الذكاء الاصطناعي، وشهدنا القوة التحويليّة للشبكات العصبية. وبينما نُودِّع هذه الرحلة، فمن الواضح أن هذه الأنظمة الذكيَّة ليست مُجرَّد خوارزميات، بل هي بمثابة مهندسي العصر الجديد.

ومع ذلك، بينما نحتفل بإنجازات اليوم، يجب علينا أيضًا أن نتوقع ابتكارات الغد، فتطوُّر الشبكات العصبية ليس مرحلة واحدة بل هو رواية مستمرة، يتم إكمالها على مراحل. وفي سعينا المُتزايد باستمرار للحصول على المعرفة، نظل مفتونين بإمكانيات الشبكات العصبية لإحداث ثورة في الصناعات، وحل المشكلات المعقدة، وإعادة رسم حدود ما يُمكن للآلات تحقيقه.

اقرأ أيضًا: كيف يمكن استخدام الذكاء الاصطناعي في مجال الطب؟

المصادر: ibm، analyticsvidhya، analyticssteps