نموذج ذهني مفيد
فكّر في الشبكة العصبية على أنها مجموعة من المرشحات القابلة للضبط.
يتلقى كل مرشح أرقامًا من الطبقة السابقة. ويمنح كل رقم مقدارًا مختلفًا من التأثير، ويضيف إزاحة، ثم يحوّل النتيجة. وترسل الطبقة أرقامها المحوّلة إلى الطبقة التالية. وبعد عدة تحويلات من هذا النوع، تنتج طبقة الإخراج تنبؤًا أو درجة أو قيمة مولّدة.
يبدو المخطط المعتاد كشبكة لأن القيم تتدفق بين الوحدات:
input values hidden layer output
x₁ ───────────────┐ h₁ ───────────────┐
├──> ├──> score
x₂ ───────────────┘ h₂ ───────────────┘
weighted sums weighted sum
+ activationغالبًا ما تُسمّى الوحدة عصبونًا اصطناعيًا. وهذه التسمية تاريخية. ومن الناحية العملية، العصبون دالة عددية صغيرة. أما تشابهه مع العصبون البيولوجي فهو محدود.
تُظهر هذه الصورة البسيطة شبكة تغذية أمامية متصلة بالكامل، حيث تنتقل المعلومات من المدخل إلى المخرج، وتتصل كل وحدة بكل وحدة في الطبقة التالية. لكن ليست كل الشبكات العصبية تستخدم هذا الترابط بالضبط. فبعضها يعيد استخدام المرشح الصغير نفسه عبر صورة، أو يحمل حالة عبر تسلسل، أو يتيح لأجزاء من المدخل التفاعل من خلال الانتباه. ومع ذلك تظل شبكات عصبية لأنها تبني عملية حسابية قابلة للتدريب من عمليات مترابطة.
كيف تعمل الشبكة العصبية
بالنسبة إلى عصبون نموذجي واحد، تكون العملية الحسابية كما يلي:
output = activation(w₁x₁ + w₂x₂ + ... + wₙxₙ + b)قيم x هي المدخلات. وكل w هو وزن يتحكم في مدى تأثير أحد المدخلات في هذا العصبون. أما الانحياز b فيزيح النتيجة. ثم تحوّل دالة التنشيط تلك النتيجة قبل أن تتابع طريقها عبر الشبكة.
إحدى دوال التنشيط الشائعة هي الوحدة الخطية المصححة، أو ReLU:
ReLU(x) = max(0, x)تعيد ReLU القيمة صفرًا عندما يكون الإدخال سالبًا، وتترك الإدخال الموجب دون تغيير. وتحول دوال التنشيط الأخرى القيم بطرق مختلفة.
دالة التنشيط ليست إضافة تجميلية. افترض أن كل طبقة لا تنفذ إلا عمليات الضرب والجمع. إذ يمكن دائمًا إعادة كتابة طبقتين من هذا النوع كخطوة واحدة من الضرب والجمع. ولن تتيح إضافة المزيد من الطبقات للشبكة تمثيل علاقة غير خطية. أما دوال التنشيط غير الخطية بين الطبقات فتمنع هذا الاختزال، وتتيح للشبكة بناء أشكال أكثر تنوعًا من مكوّنات بسيطة.
عندما تستقبل الشبكة إدخالًا، تنفذ تمريرًا أماميًا:
- يُمثَّل الإدخال في صورة أرقام.
- تحسب كل طبقة أرقامًا جديدة انطلاقًا من أرقام الطبقة السابقة.
- تنتج طبقة الإخراج نتيجة الشبكة.
أثناء التدريب، تُقارَن النتيجة بالنتيجة المطلوبة باستخدام دالة خسارة تقيس الخطأ. وتحسب خوارزمية الانتشار العكسي بكفاءة كيف سيؤثر تغيير صغير في كل وزن أو انحياز في تلك الخسارة. ثم يضبط المُحسِّن هذه القيم، وتتكرر العملية عبر أمثلة كثيرة.
يعني «التعلّم» تغيير هذه الأرقام القابلة للضبط. ويختار المطوّر البنية العامة وعملية التدريب، بينما تعثر خوارزمية التدريب على قيم المعلمات.
تنفيذ تمرير أمامي يدويًا
لنتأمل شبكة تجريبية تتلقى إشارتين مُطبَّعتين لمعاملة بطاقة:
x₁ = 0.8لمدى غرابة المبلغx₂ = 0.3لمدى عدم مألوفية الجهاز
هذه القيم توضيحية وليست نموذجًا حقيقيًا لاكتشاف الاحتيال. وتحتوي الشبكة على وحدتين مخفيتين تستخدمان دوال تنشيط ReLU.
تحسب الوحدة المخفية الأولى ما يلي:
h₁ = ReLU(1.0 × 0.8 − 1.0 × 0.3 − 0.2)
= ReLU(0.3)
= 0.3وتحسب الثانية ما يلي:
h₂ = ReLU(−0.5 × 0.8 + 0.5 × 0.3 + 0.1)
= ReLU(−0.15)
= 0تجمع وحدة الإخراج القيم المخفية:
score = 1.5 × h₁ + 0.5 × h₂ − 0.4
= 1.5 × 0.3 + 0.5 × 0 − 0.4
= 0.05هذا تمرير أمامي مكتمل. وقد يطبّق مصنّف حقيقي دالة أخرى لتحويل درجته الخام إلى احتمال، أو يقارن الدرجة بعتبة قرار.
لم يكن على أي مبرمج كتابة القاعدة المحددة التي تمثلها هذه الأوزان. إذ سيضبط التدريب هذه الأوزان انطلاقًا من البيانات. وقد يؤدي تغيير وزن واحد فقط إلى تغيير الوحدات المخفية النشطة ومدى تأثيرها في النتيجة.
من المغري تسمية h₁ «مخاطر المبلغ» وh₂ «مخاطر الجهاز». لكن الحساب لا يبرر هاتين التسميتين. فكثيرًا ما تشارك الوحدات المخفية في أنماط لا يكون لها معنى إلا مجتمعة، وقد لا تكون معانيها قابلة للتفسير بوضوح من جانب الإنسان.
لماذا تهم الشبكات العصبية؟
يمكن للشبكات العصبية تعلّم تمثيلات وسيطة مفيدة بدل الاعتماد فقط على السمات التي يحددها الإنسان مسبقًا. ففي نظام للصور، قد تستجيب العمليات المبكرة لأنماط بصرية محلية، ثم تجمعها العمليات اللاحقة. وفي نظام للغة، تحوّل طبقات كثيرة تمثيلات النص اعتمادًا على السياق. ويُتعلَّم السلوك الدقيق عبر الشبكة كلها، بدل إسناده إلى عصبون مسمّى واحد في كل مرة.
يجعل شكل دالتها المرن الشبكات العصبية مفيدة للصور واللغة والصوت والتنبؤ والتحكم والتوليد. لكنه لا يجعلها تلقائيًا الأفضل لكل مشكلة. فقد يكون النموذج الأبسط أقل تكلفة وأسهل في الفحص وأفضل عندما تكون البيانات محدودة أو تكون العلاقة مباشرة.
تُظهر النتائج الرياضية أن بعض الشبكات العصبية يمكنها تقريب فئات واسعة من الدوال عند تزويدها بعدد كافٍ من الوحدات المخفية. وهذا بيان لما تستطيع الشبكة تمثيله، لكنه لا يضمن أن مجموعة بيانات معينة وتشغيلًا تدريبيًا معينًا سيعثران على دالة جيدة، أو سيتجنبان حفظ الأمثلة، أو سيتصرفان بموثوقية مع المدخلات غير المألوفة.
مفاهيم خاطئة شائعة
تعمل الشبكات العصبية مثل الأدمغة
استُلهمت المصطلحات من علم الأحياء، لكن العصبونات الاصطناعية تحذف تقريبًا كل بنية العصبونات البيولوجية وسلوكها. ويُعد نموذج «عملية عددية موزونة» أكثر موثوقية من نموذج «خلية دماغية رقمية».
يقرر كل عصبون ما إذا كان سيطلق إشارة
استخدمت بعض النماذج المبكرة عتبات، كما أن ReLU تجعل القيم السالبة صفرًا. لكن الوحدات الحديثة تنتج عمومًا تنشيطات عددية، لا قرارات بسيطة بنعم أو لا.
المزيد من الطبقات يجعل الشبكة أفضل دائمًا
يغيّر العمق الإضافي ما تستطيع الشبكة تمثيله ومدى كفاءتها في تمثيل بعض الأنماط. لكنه قد يجعل النموذج أصعب أو أكثر تكلفة في التدريب. ويعتمد الأداء على البنية والبيانات والهدف والتحسين والتقييم، لا على عدد الطبقات وحده.
تجعل الطبقات المخفية النموذج غير خطي تلقائيًا
تظل مجموعة من الطبقات الخطية خطية. ودالة التنشيط غير الخطية بين الطبقات هي التي تمنع اختزال المجموعة إلى تحويل خطي واحد.
تكتشف الشبكة قواعد مفهومة
تكتشف قيمًا للمعلمات تقلل هدف التدريب. وقد تدعم هذه القيم سلوكًا مفيدًا دون أن تقابلها قاعدة قصيرة يمكن للإنسان قراءتها. ويتطلب التفسير أدلة منفصلة.
تعني الشبكات العصبية والتعلّم العميق الشيء نفسه
يشير التعلّم العميق عادةً إلى تعلّم الآلة باستخدام شبكات عصبية تحتوي على طبقات معالجة متعددة. ولا يوجد حد موحّد لعدد الطبقات التي يجعل النموذج «عميقًا»، كما تشمل الشبكات العصبية نماذج ضحلة أيضًا.
كيف تندرج الشبكات العصبية ضمن الذكاء الاصطناعي
الشبكات العصبية إحدى العائلات ضمن تعلّم الآلة. وتحدد بنية الشبكة العصبية كيفية ترتيب العمليات الحسابية. وينتج التدريب أوزان النموذج المتعلَّمة، وهي جزء من معلمات النموذج. ويُسمّى تشغيل الشبكة المدرَّبة على مدخل جديد استدلالًا.
تستخدم أنظمة كثيرة توصف بأنها نموذج ذكاء اصطناعي شبكات عصبية، لكن المصطلحين ليسا مترادفين. فمصطلح «نموذج الذكاء الاصطناعي» أوسع. فعلى سبيل المثال، المحوّل هو بنية شبكة عصبية مبنية من الانتباه والعمليات أمامية التغذية والتطبيع ووصلات توجّه المعلومات حول الطبقات.
وتظل الفكرة الأساسية واحدة عبر هذه التصاميم: ترتيب عمليات حسابية قابلة للاشتقاق في بنية مفيدة، ثم تعلّم القيم القابلة للضبط من البيانات.
إلى أين تتابع؟
اقرأ ما أوزان النموذج؟ للتمييز بين قوى الاتصال التي تعلّمتها الشبكة وبنيتها. واقرأ ما معلمات النموذج؟ للتعرّف إلى المجموعة الأوسع من القيم القابلة للضبط، ثم استخدم معلمات النموذج مقابل أوزان النموذج لمقارنة المصطلحين مباشرةً. ولرؤية كيفية توليد الشبكات العصبية للغة، تابع إلى ما نموذج LLM؟.