يلعب البشر ألعابًا ضد أجهزة الكمبيوتر، وبالمناسبة، يتوصلون إلى "التعلم العميق"

في 31 أغسطس 1956، اقترح عالم الكمبيوتر الشهير جون مكارثي خطة الذكاء الاصطناعي في مؤتمر دارتموث، مما أشعل شعلة ثورة الذكاء الاصطناعي وشكل بداية تطوير الذكاء الاصطناعي. ومنذ ذلك الحين، انتقلت الذكاء الاصطناعي تدريجيًا من الأنظمة القائمة على القواعد إلى الأنظمة القائمة على التعلم الآلي، والآن إلى الأنظمة القائمة على التعلم العميق.

هذا هو أقدم نظام ذكاء اصطناعي يعتمد على القواعد التي يدخلها البشر للعمل. وهذه أيضًا هي مشكلتها الرئيسية - فهي تعتمد بشكل كبير على القواعد، ويصعب التكيف مع التغييرات في القواعد، ولديها قيود تطبيقية كبيرة.

ولحل هذه المشكلة، ظهرت أساليب التعلم الآلي. يحقق النظام التعلم الذاتي من خلال كمية كبيرة من البيانات التاريخية وإدخال المعلومات البشرية، ويمكنه التكيف مع التغييرات البسيطة في البيانات أو القواعد.

ومع ذلك، يعتمد النظام بشكل كبير على إدخال المعلومات من قبل الإنسان، لذا فإن الشخص الذي يقوم بإدخال المعلومات يحتاج إلى أن يكون لديه معرفة مهنية معينة وأن يتأكد من أن المعلومات دقيقة وشاملة. ومع ذلك، مع زيادة عدد سيناريوهات التطبيق، يصبح من المستحيل تقريبًا ضمان دقة المعلومات واكتمالها.

من أجل حل مشكلة الاعتماد المفرط للتعلم الآلي على إدخال المعلومات البشرية، ظهر التعلم العميق، المعروف أيضًا باسم "التعلم التمثيلي".

يحقق النظام التعلم الذاتي من خلال كمية كبيرة من البيانات التاريخية، ويتنبأ بالعديد من النتائج المستقبلية المحتملة، ويصوغ الحلول المناسبة. يحل هذا مشكلة اعتماد التعلم الآلي بشكل كبير على إدخال المعلومات البشرية ومعدل الخطأ المرتفع في إدخال المعلومات البشرية.

في فهم العلاقة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق، يمكننا اعتبار التعلم العميق بمثابة مجموعة فرعية من التعلم الآلي، والتعلم الآلي بمثابة مجموعة فرعية من الذكاء الاصطناعي. لذلك، يعد التعلم العميق مهمًا نسبيًا لبناء نظام الذكاء الاصطناعي بأكمله.

إذن، لماذا يستطيع التعلم العميق أن يفعل كل هذا؟

الجواب هو ما نسميه عادة خوارزمية الشبكة العصبية. تتكون الشبكة العصبية من العديد من نقاط اتصال المعالجة البسيطة، على غرار تنظيم الخلايا العصبية في البشر. وهو يتكون عمومًا من المستويات الثلاثة التالية:

طبقة الإدخال:إدخال البيانات؛

الطبقات المخفية:عقد المعالجة المرتبطة بطبقة الإدخال (عادةً ما تحتوي الشبكة العصبية على أكثر من طبقتين مخفيتين)؛

طبقة الإخراج:تحويل المعلومات المعالجة إلى عقد قابلة للإخراج.

تعمل الشبكات العصبية عن طريق التعرف على الأنماط من البسيطة إلى المعقدة. ويتعلمون وظائف معالجة البيانات البسيطة في الطبقة الأولى من الشبكة، ثم يقومون بإنشاء العقد وفقًا للتعريفات ذات الصلة، والتي يتم إدخالها بعد ذلك في الطبقات اللاحقة من الشبكة واستخلاص ميزات أخرى أكثر تعقيدًا. وتستمر العملية برمتها حتى يتم إخراجها في النهاية.

في عام 1943، اقترح عالم الأعصاب الأمريكي وارن ماكولوتش نموذجًا للحوسبة الشبكية العصبية يعتمد على الرياضيات وخوارزمية المنطق العتبي، والذي أصبح الأساس النظري لأنظمة التعلم العميق.

ومع ذلك، كان البحث بطيئًا في التطور بسبب عدم وجود بيانات كافية لتدريب الشبكات العصبية العميقة وعدم وجود قوة حوسبة كافية لتدريبها. ولم يكن الأمر كذلك حتى عام 1980 عندما اقترح كونيهيكو فوكوشيما إطار عمل للتعلم العميق يعتمد على الشبكات العصبية الاصطناعية.

في الوقت الحاضر، بالاعتماد على البيانات الضخمة والحوسبة السحابية، تطور التعلم العميق بسرعة. منذ عام 2000، زادت قوة الحوسبة الحاسوبية بمقدار 10000 مرة، وانخفضت تكاليف تخزين البيانات حوالي 3000 مرة، كما أدى ظهور الإنترنت والشعبية المتزايدة للهواتف الذكية وظهور وسائل التواصل الاجتماعي إلى توليد كمية كبيرة من البيانات لاستخدامها بواسطة الشبكات العصبية.

بالطبع من المستحيل أن يلعب معك لعبة جو طوال الوقت، فما الفرق بين الذكاء الاصطناعي و لعبة هيكارو نو جو؟ (خطأ)

من حيث التطبيقات العملية، يمكن للتعلم العميق القيام بأشياء لم يكن بمقدور البشر القيام بها من قبل. على سبيل المثال، يتمتع البشر بالقدرة على التعرف على أشياء محددة من خلال الصور، وفهم لغات وثقافات البلدان المختلفة من خلال الترجمة. والآن، أصبح التعلم العميق قادراً على القيام بنفس الشيء.

بالإضافة إلى ذلك، يعمل التعلم العميق أيضًا بشكل جيد في مجال الرؤية الحاسوبية ومعالجة اللغة الطبيعية. وبطبيعة الحال، هذه هي فقط مجالات التطبيق الأكثر شيوعا للتعلم العميق. في المستقبل، ستكون هناك إمكانيات أكثر للتعلم العميق، مثل توفير خادم للجميع هنا مثل جارفيس في فيلم "الرجل الحديدي".