ما المقصود بالتعلم العميق؟

يحتوي التعلم العميق على العديد من حالات الاستخدام في مجالات السيارات والفضاء والتصنيع والإلكترونيات والبحوث الطبية وغيرها من المجالات. فيما يلي بعض الأمثلة على التعلم العميق:

• تستخدم السيارات ذاتية القيادة نماذج التعلم العميق لاكتشاف لافتات الطرق والمشاة تلقائيًا.
• أنظمة الدفاع تستخدم التعلم العميق للإشارة تلقائيًا إلى مناطق الاهتمام في صور الأقمار الصناعية.
• تحليل الصور الطبية يستخدم التعلم العميق للكشف التلقائي عن الخلايا السرطانية في التشخيص الطبي.
• المصانع تستخدم تطبيقات التعلم العميق لاكتشاف متى يكون الأشخاص أو الأشياء على مسافة غير آمنة من الماكينات والآلات.

يمكنك تجميع حالات الاستخدام المختلفة للتعلم العميق هذه في أربع فئات كبيرة هي: رؤية الحاسوب، والتعرف على الكلام، ومعالجة اللغة الطبيعية (NLP)، ومحركات التوصية.

رؤية الكمبيوتر

رؤية الحاسوب هي قدرة الحواسيب على استخراج المعلومات والرؤى من الصور ومقاطع الفيديو. يمكن لأجهزة الكمبيوتر استخدام تقنيات التعلم العميق في فهم الصور بنفس الطريقة التي يستخدمها البشر. لرؤية الحاسوب تطبيقات عديدة، مثل الآتي:

• 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
• تصنيف الصور لتحديد شعارات العلامات التجارية والملابس ومعدات الأمان وغيرها من تفاصيل الصورة

التعرف على الكلام

يمكن لنماذج التعلم العميق 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 المهام التالية:

• 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

تستخدم أجهزة الكمبيوتر خوارزميات التعلم العميق في جمع الرؤى والمعاني من البيانات النصية والمستندات. هذه القدرة على معالجة النص الطبيعي الذي أنشأه الإنسان لها عدة حالات استخدام، من بينها حالات استخدام في الوظائف التالية:

• ممثلون وchatbots افتراضيون آليون
• التلخيص التلقائي للمستندات أو المقالات الإخبارية
• تحليل ذكاء الأعمال للمستندات الطويلة، مثل رسائل البريد الإلكتروني والنماذج
• فهرسة العبارات الأساسية التي تدل على المشاعر، مثل التعليقات الإيجابية والسلبية على وسائل التواصل الاجتماعي

محركات التوصية

يمكن للتطبيقات استخدام أساليب التعلم العميق في تتبع نشاط المستخدم وتطوير توصيات مخصصة. يمكنها تحليل سلوك مختلف المستخدمين ومساعدتهم في اكتشاف منتجات أو خدمات جديدة. على سبيل المثال، تستخدم العديد من شركات الوسائط والترفيه، مثل Netflix وFox وPeacock، التعلم العميق لتقديم توصيات فيديو مخصصة.

مكونات الشبكة العصبونية العميقة هي ما يلي.

طبقة الإدخال

تحتوي الشبكة العصبونية الاصطناعية على كثير من العُقَد التي تدخل البيانات فيها. هذه العُقَد تمثل طبقة الإدخال للنظام.

الطبقة الخفية

تقوم طبقة الإدخال بمعالجة البيانات وتمريرها إلى طبقات أخرى في الشبكة العصبونية. تقوم هذه الطبقات المخفية بمعالجة المعلومات على مستويات مختلفة، وتكييف سلوكها عند تلقي معلومات جديدة. تحتوي شبكات التعلم العميق على مئات من الطبقات المخفية التي يمكنها استخدامها في تحليل مشكلة من عدة زوايا مختلفة.

على سبيل المثال، إذا تم إعطاؤك صورة لحيوان غير معروف وكان عليك تصنيفه، فستقارن هذا الحيوان بالحيوانات التي تعرفها بالفعل. على سبيل المثال، سوف تنظر إلى شكل عينيه وأذنيه، وحجمه، وعدد الأرجل، ونوع الفراء. قد تحاول تحديد الأنماط، مثل ما يلي:

• الحيوان لديه حوافر، ولذلك يمكن أن يكون بقرةً أو غزالًا.
• الحيوان عيونه تشبه عيون القط، ولذلك يمكن أن يكون نوعًا من القطط البرية.

تعمل الطبقات المخفية في الشبكات العصبونية العميقة بنفس الطريقة. إذا كانت خوارزمية التعلم العميق تحاول تصنيف صورة لحيوان، فإن كل طبقة من طبقاتها المخفية تعالج سمةً مختلفةً للحيوان وتحاول تصنيفه بدقة.

طبقة الإخراج

تتكون طبقة الإخراج من العُقَد التي تُخرج البيانات. تحتوي نماذج التعلم العميق التي تُخرج الإجابة "نعم" أو الإجابة "لا" على عُقدتين فقط في طبقة الإخراج. ومن ناحية أخرى، فإن أولئك الذين ينتجون نطاقًا أوسع من الإجابات لديهم المزيد من العُقَد. 

تتمتع شبكة التعلم العميق بالمزايا التالية مقارنةً بتعلّم الآلة التقليدي. 

المعالجة الفعالة للبيانات غير المهيكلة 

تجد أساليب تعلّم الآلة صعوبةً في معالجة البيانات غير المهيكلة، مثل المستندات النصية، وذلك لأن مجموعة البيانات الخاصة بالتدريب يمكن أن تحتوي على فروق واختلافات لا حصر لها. ومن ناحية أخرى، تستطيع نماذج التعلم العميق فهم البيانات غير المهيكلة وتقديم ملاحظات عامة بدون استخراج السمات يدويًا. على سبيل المثال، يمكن للشبكة العصبونية أن تدرك أن الجملتين التاليتين المختلفتين في الإدخال لهما نفس المعنى:

• هل يمكنك إخباري بكيفية الدفع؟
• كيف يمكنني تحويل المال؟ 

اكتشاف العلاقات والأنماط الخفية

يستطيع تطبيق التعلم العميق أن يحلل كميات كبيرة من البيانات بشكل أكثر عمقًا وأن يكشف عن رؤىً جديدة ربما لم يتم تدريبه عليها. على سبيل المثال، فلنفترض أن هناك نموذج تعلم عميق يتم تدريبه على تحليل مشتريات المستهلكين. يحتوي النموذج على بيانات فقط للعناصر التي اشتريتها بالفعل. ومع ذلك، يمكن للشبكة العصبونية الاصطناعية اقتراح عناصر جديدة لم تقم بشرائها من خلال مقارنة أنماط الشراء الخاصة بك مع تلك الخاصة بعملاء آخرين مماثلين.

التعلم بدون إشراف

يمكن لنماذج التعلم العميق أن تتعلم وتتحسن بمرور الوقت استنادًا إلى سلوك المستخدم. لا تتطلب تباينات كبيرة في مجموعات البيانات المسماة. على سبيل المثال، مراعاة الشبكات العصبونية التي تقترح كلمات أو تصححها تلقائيًا عن طريق تحليل سلوكك في الكتابة. لنفترض أن الشبكة العصبونية مدربة على اللغة الإنجليزية ويمكنها أن تجري التدقيق الإملائي للكلمات الإنجليزية. ومع ذلك، إذا كنت كثيرًا ما تكتب كلمات غير إنجليزية مثل danke، فيمكن للشبكات العصبونية أن تتعلم هذه الكلمات وتصححها تلقائيًا.

معالجة البيانات المتطايرة

تحتوي مجموعات البيانات المتطايرة على تباينات واختلافات كبيرة. ومن الأمثلة على ذلك هو مبالغ سداد القرض في أحد البنوك. يمكن للشبكة العصبونية للتعلم العميق تصنيف هذه البيانات وفرزها أيضًا، وذلك عن طريق تحليل المعاملات المالية ووضع علامة على بعضها للكشف عن الاحتيال.

يمكن أن يؤدي تشغيل خوارزميات التعلم العميق على البنية الأساسية السحابية إلى التغلب على العديد من هذه التحديات. يمكنك استخدام التعلم العميق في السحابة لتصميم تطبيقات التعلم العميق وتطويرها وتدريبها بشكل أسرع. 

السرعة

يمكنك تدريب نماذج التعلم العميق بشكل أسرع باستخدام مجموعات من وحدات معالجة الرسومات ووحدات المعالجة المركزية لإجراء العمليات الرياضية المعقدة التي تتطلبها شبكاتك العصبونية. يمكنك بعد ذلك نشر هذه النماذج لمعالجة كميات كبيرة من البيانات وتحقيق نتائج ذات صلة متزايدة.

قابلية التوسع

بفضل مجموعة واسعة من الموارد عند الطلب المتاحة من خلال السحابة، يمكنك الوصول إلى موارد أجهزة غير محدودة تقريبًا للتعامل مع نماذج التعلم العميق من أي حجم. يمكن للشبكات العصبونية الاستفادة من عدة معالجات في توزيع أعباء العمل بسلاسة وكفاءة عبر أنواع وكميات مختلفة من المعالجات.