الشبكات العصبية (Neural Network)

نَمى العلم وتفوقَ الفكر وومض المستقبل ليُضيء معالم التقنية، ويبين مدى ارتباطه بالأساليب الحياتية. نترك لكم الاحرف والكلمات لتفيض بمعلوماتها وإثرائها عن موضوع شيق وكامن في جوانب متعددة في حياتنا. 

  (Neural Network)  الشبكات العصبية

هي محاكاة لسلوك العقل البشري في نمط تفكيره والتعلم من كميات كبيرة من البيانات حتى يسمح لبرامج الحاسب الآلي بالتعرف على النماذج وحل المشاكل الشائعة في مجالات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق.

وتُعرف أيضًا باسم:

1- الشبكات العصبية الاصطناعية (ANN)

2- الشبكات العصبية المحاكاة (SNNs)

وهي فئة فرعية تحت ظل التعلم الآلي، وهي الركيزة والجناح الام للخوارزميات التي تقع في منتصف التعلم العميق، و يجدر بنا القول عندما يتم تناول الحديث عن تقنية التعلّم العميق بأنها شبكة عصبية تحتوي على العديد من الطبقات المخفية والملايين من الشبكات العصبية متّصل بعضها ببعض، حيث أن كلمة عميق تشير الى عمق هذه الطبقات. 

و الشبكة العصبية هي شبكة تتكون من العناصر المترابطة لمحاولة إنشاء آلات تعمل بطريقة مماثلة للقدرات الذهنية البشرية، وتم  اشتقاق اسمها وطريقة عملها بالإضافة الى هيكلها من الدماغ البشري، فيعتبر هو الملهم وراء تركيبة الشبكات العصبية حيث انها تحاكي طريقة عمل خلايا الدماغ العصبية في إرسال الرسائل فيما بينها.

و خلف فن وإبداع  َّتكون الشبكات العصبية طبقات من العقد، حيث تحتوي على طبقةٍ للمدخلات، وطبقة خفية واحدة أو أكثر، بالإضافة الى طبقة للمخرجات. 

يبدأ الامر في هذه العلم الجوهري عند طبقة المدخلات، حيث تدخل العديد من المعلومات من العالم الخارجي الى الشبكة العصبية الاصطناعية، تقرر عقد بيانات الادخال معالجة البيانات او تحليلها او تصنيفها، وبهذا تنتقل للطبقة التالية.  

تُعنى طبقة المخرجات، او بمعنى أصح المحطة الاخيرة في عمل الشبكات العصبية، بإعطاء النواتج النهائية لكل البيانات التي تم معالجتها من قبل الشبكة العصبية. قد تحتوي هذه الطبقة على عقد فردية او متعددة بناء على تصنيف المشكلة. 

تأخذ الطبقة المخفية المعلومات من طبقة المدخلات او الطبقات المخفية الاخرى، يمكن للشبكة العصبية الواحدة ان تحتوي على العديد من الطبقات المخفية، كل طبقة مخفية تحلل مخرجات الطبقة المخفية السابقة لها وتعالجها ثم تنقلها للطبقة التي تليها.

تُعنى طبقة المخرجات، او بمعنى أصح المحطة الاخيرة في عمل الشبكات العصبية، بإعطاء النواتج النهائية لكل البيانات التي تم معالجتها من قبل الشبكة العصبية، و قد تحتوي هذه الطبقة على عقد فردية او متعددة بناء على تصنيف المشكلة.

و ترتكز الشبكات العصبية على بيانات التدرب بشكل وثيق لتأهيلها وإنماء مهاراتها  والتحسن من دقتها ب ُمضي الوقت، فهي تعد من أهم التم ُّكنات الساطعة في علوم الحاسب والذكاء الاصطناعي بمجرد ان يتم ضبط الخوارزميات بشكل دقيق، فبالتالي يُسمح لنا تصنيف البيانات وتجميعها بسرعة فائقة وجودة عالية. 

وعند أداء المهام اليدوية التي يتم تنفيذها عن طريق المطورون والخبراء البشريين مثل التعرف على الكلام والصور تستغرق ساعات، بينما الفكر الادراكي والشبكات العصبية تتخذ من الدقائق زمنًا لها. من أميز الشبكات العصبية وواجهة العالم المعرفية للبحث    

خوارزمية Google .

يعود تاريخ البشرية إلى العصر القديم في اقتناءه للشبكات العصبية، وعلى مر السنين قد تم تطور التفكير العلمي حوله. كان مُستهل شروع الشبكات العصبية في  سنة 1943 عندما قام "وارن ماكولوتش" و "بيتس بنشر" ببحث يتضمن فهم كيفية تَم ّكن الدماغ البشري من إنتاج نماذج مركبة من خلال الخلايا العصبية المتصلة وكان محصول هذه البحث هو الخروج بالفكرة الرئيسية للمقارنة بين الخلايا ذات الحد الثنائي بالمنطق البوليني.

ثم في سنة 1958 تم تطوير وإنعاش نموذج  المُستقبِل( Perceptron ) 

ويعود الفضل في ذلك لـ "فرانك روزنبلات" .فهو تقدم على "ماكولوتش" و"بيتس" بخطوة أوغَلَ من خلال ادخال الاوزان في المعادلة.

و نستطيع القول بأن "روزنبلات" أتقن في جعل الجهاز الحاسب الآلي يتعلم كيفية تمييز البطاقات التي تم تعليمها على يسار عن البطاقات التي تم تعليمها على اليمين.

وبعد مرور ما يقارب عقدين وبالتحديد سنة 1974 ظهرت رسالة دكتوراه تحمل بداخلها فكرة الانتشار الخلفي، وكانت هذه الأطروحة الرائدة خاصة بـ "بول جون ويربوس" وهو  أول شخص في الولايات المتحدة يشير الى تطبيقه في الشبكات العصبية.

وفي أواخر الثمانينات عام 1989 قام "يان ليكان" بنشر ورقة بحثية يتضح فيها كيفية استعمال القيود في الانتشار الخلفي وتكاملها في بنية الشبكة العصبية من أجل تمرين وتدريب الخوارزميات. ولاقى هذه البحث النجاح لفائدته في التعرف على أرقام الرمز البريدي المدونة بخط اليد والتي كانت مقدمة من خدمة البريد الأمريكي.

من الممكن أن تقسم الشبكات العصبية إلى قسمين على النحو التالي:

1 - شبكات عصبية ذات تغذية متقدمة  (FFNN)

هي خوارزمية تعلم آلة تساعد على  تصنيف البيانات ومعالجتها باتجاه واحد فقط بحيث تبدأ من عقدة الإدخال وتكون كل عقدة في الطبقة الواحدة مرتبطة بجميع العقد في الطبقة التالية، تستخدم هذه الشبكة  تغذية مرتدة لتحسين تنبؤها مع مرور الوقت. 

2- شبكات عصبية ذات تغذية راجعة (الانتشار الخلفي) (FBNN) 

بعكس النوع الأول تمتلك الشبكات العصبية ذات التغذية الراجعة ذاكرة مؤقتة وتؤدي الطبقة الخفية بهذا النوع وظائف رياضية محددة مثل التلخيص أو الفلترة ويمكنها القيام بالكثير من الأدوار كاستخراج الميزات الفريدة للصور مما يساعد في التعرف على الصور وتصنيفها، تختص كل طبقة خفية باكتشاف خواص معينة للمدخلات على سبيل المثال الصور يكون هناك طبقة تختص بالألوان وطبقة تختص بالعمق وهلم جر.

تتمتع الشبكات العصبية باستخدام واسع في عديد المجالات مثل:

1-  التسويق والإعلانات عن طريق تحليل معلومات شبكات التواصل الاجتماعي.

2-  التشخيص الطبي عن طريق تصنيف الصور الطبية.

3- التنبؤات المالية عن طريق معالجة بيانات الاقتصادات وأسواق المال.

4- توقع الاحتياج الكهربائي في المحركات والمصانع. 

نستعرض بعض الأمثلة على أبرز التطبيقات لتقنية الشبكات العصبية:

1- الرؤية بالحاسوب Computer Vision

هي قدرة أجهزة الحاسوب على استخراج المعلومات المفيدة من الصور ومقاطع الفيديو عبر الشبكات العصبية بحيث تتمكن من تمييز التشابه بين الصور وتصنيفها. 

والتعرف عليها ولها كثير من الاستعمالات مثل:

- السيارات ذاتية القيادة (Self-Driving Cars)

- تقنية التعرف على الوجه (Face Recognition) 

- تقنيات الأشعة الطبية    (MRI &X-Ray) 

2- معالجة اللغات الطبيعية  (NLP)

هي إمكانية معالجة نصوص اللغات الطبيعية الصادرة من البشر، حيث يكمن دور
الشبكات العصبية في جمع معاني الكلمات من البيانات النصية وتعلمها ومن ثم التعرف عليها ولها استعمالات عديدة مثل:

الروبوتات المتحدثة  - (Speaking Robots) 

تنظيم البيانات وتصنيفها -  (Data Organization). 

تلخيص النصوص - (Summarizing Texts) 

3- التعرف على الكلام (Speech Recognition)

بطبيعة الحال بعد التعرف على معالجة اللغات الطبيعية يتبادر للذهن سؤال بديهي هو هل بإمكان نفس التقنية المساعدة في التعرف على الكلام؟ الجواب هو نعم. تقنية التعرف على الكلام عبر الشبكات العصبية تحلل كلام البشر وتتعرف على أنماطه ولغاته ولهجاته المختلفة، عند الحديث عن هذه التقنية بكل تأكيد يتبادر للذهن  المساعد الافتراضي مثل:

1-  Siri سيري 

2- اليكسا Alexa

وهي أجهزة تستعمل ذات التقنية في عملها، من أبرز استخدامات التقنية:  

• تفريغ الكلام إلى وثائق مباشرةً أثناء الاجتماعات أو ما شابه
• مساعدة ممثلي الشركات بمراكز الاتصال . 

ومثل أي تقنية كان لابد بعد ظهور المزايا والفوائد من التقنية أن تظهر بعض العيوب أو النقص 

نستعرض أبرز مزايا الشبكات العصبية أولاً:

1- القدرة على العمل بمعلومات أو معرفة غير كاملة 

2- إمكانية العمل حتى بعد فشل بعض العقد وتعرض الشبكة لبعض الضرر 

3- تخزين المعلومات على الشبكة كاملة وليس قاعدة بيانات 

4- القدرة على عمل أكثر من وظيفة بنفس الوقت (المعالجة المتوازية)

بعض عيوب الشبكات العصبية: 

الحصول على البيانات المناسبة لتدريب الشبكة، وقد ق َل تدريجياً خلال السنوات الأخيرة خصوصاً مع ظهور شبكات التواصل وثورة البيانات لكنه لا زال أمراً يؤرق أي شخص يود استعمال التقنية.

1- عدم وجود تفسير لسلوك الشبكة أو شرح لكيفية ايجاد المخرجات مما يسبب عدم الثقة بالشبكة. 

2- تتطلب الشبكة موارداً بقوة معينة لتعطي اداءً مقبولاً وهو ما يؤدي لرفع الاستهلاك للمادة والطاقة.

3- صعوبة إيصال فكرة المشكلة للشبكة ولهذا هناك آليات تتبع لمحاولة تسهيل ذلك.

ختامًا

إن مستقبل المملكة مبشر وواعد، وتستحق بلادنا الغالية أكثر مما تحقق. لدينا قدرات سنقوم بمضاعفة دورها وزيادة إسهامها في صناعة هذا المستقبل” مقولةُ ملهمنا وقائد رؤيتنا سمو الأمير محمد بن سلمان، التعرف على مثل هذه التقنيات وتعلمها يسهم بشكل مباشر في تكوين كوادر وطاقات تنمو بالوطن في شتى المجالات، استعرضنا أهمية هذه التقنية وإسهامها المباشر في تطور أي مجال، انطلاقاً من عالم التقنية إلى التسويق والاقتصاد مروراً إلى الصحة والصناعة والبيئة وحتى جميع المجالات. 

ٌوجهت هذه المقالة لكم أنتم  أنتم شعلة البداية ومنار الطريق وفرحة الإنجاز، بكم أنتم يكون المستقبل.