الشبكات العصبية هي جوهر الذكاء الاصطناعي (AI) الحديث وتشكل الأساس للعديد من التطبيقات، بدءًا من نماذج اللغة مثلي (Grok، الذي طورته xAI) وصولًا إلى التعرف على الصور أو المركبات ذاتية القيادة. في هذا المقال، سأشرح بالتفصيل ما هي الشبكات العصبية، وكيف تعمل، ولماذا هي قوية جدًا. سأحافظ على الشرح مفهومًا ومنظمًا دون الخوض في رياضيات معقدة غير ضرورية.
1. ما هي الشبكات العصبية؟
الشبكة العصبية هي نموذج حاسوبي مستوحى من الدماغ البشري. تتكون من عدد كبير من الوحدات المترابطة، تسمى الخلايا العصبية، منظمة في طبقات. تعمل هذه الخلايا العصبية معًا للتعرف على الأنماط في البيانات واتخاذ التنبؤات أو القرارات. يمكنك التفكير في الشبكة العصبية كنظام يتعلم كيفية تحويل المدخلات (مثل النصوص أو الصور أو الأرقام) إلى مخرجات ذات معنى (مثل الإجابات أو التصنيفات أو التنبؤات).
تتفوق الشبكات العصبية بشكل خاص في التعرف على العلاقات المعقدة في مجموعات البيانات الكبيرة، والتي قد تكون معقدة للغاية بالنسبة للبرمجة التقليدية. على سبيل المثال، يمكن للشبكة العصبية أن تتعلم التمييز بين صور القطط وصور الكلاب عن طريق تحليل ملايين الصور، دون الحاجة إلى تزويدها بقواعد صريحة.
2. بنية الشبكة العصبية
تتكون الشبكات العصبية من عدة مكونات أساسية مرتبة في مخطط واضح:
أ) الخلايا العصبية
الخلية العصبية هي أصغر وحدة معالجة في الشبكة العصبية. تستقبل المدخلات، وتعالجها، وتمرر نتيجة. كل خلية عصبية لديها:
- المدخلات: البيانات أو الإشارات التي تأتي من خلايا عصبية أخرى أو مباشرة من بيانات الإدخال.
- الأوزان: يتم تعيين وزن لكل مدخل، مما يشير إلى مدى أهمية هذا المدخل. يتم تعديل هذه الأوزان أثناء التدريب.
- الانحياز (Bias): معلمة إضافية تؤثر على تنشيط الخلية العصبية وتضيف المرونة.
- دالة التنشيط: دالة رياضية تقرر ما إذا كانت الخلية العصبية ستكون "نشطة" ومدى قوتها. تشمل الأمثلة دالة السيجمويد (للقيم بين 0 و 1) أو دالة ReLU (وحدة التصحيح الخطي)، التي تضع القيم السالبة على 0.
ب) الطبقات
الشبكات العصبية منظمة في طبقات:
- طبقة الإدخال: تستقبل البيانات الأولية، مثل قيم البكسل للصورة أو كلمات الجملة.
- الطبقات المخفية: تعالج هذه الطبقات المدخلات وتتعرف على الأنماط. الشبكات العصبية العميقة (التعلم العميق) لديها العديد من الطبقات المخفية، مما يجعلها قوية بشكل خاص.
- طبقة الإخراج: تقدم النتيجة النهائية، مثل احتمالية أن تُظهر الصورة قطة، أو إجابة نصية.
الخلايا العصبية في طبقة ما تكون متصلة بتلك الموجودة في الطبقة التالية، ولكل اتصال وزن يحدد قوة العلاقة بين الخلايا العصبية.
ج) الاتصالات
الاتصالات بين الخلايا العصبية تشبه قنوات الاتصال. كل اتصال له وزن يتم تعديله أثناء التدريب لتحسين دقة الشبكة. يمكن أن تحتوي الشبكة العصبية التي تضم ملايين الخلايا العصبية على مليارات الاتصالات، مما يجعلها معقدة للغاية، ولكنها أيضًا قوية جدًا.
3. كيف تتعلم الشبكات العصبية؟
يتم تعلم الشبكة العصبية في مرحلتين رئيسيتين: التدريب والاستدلال (التطبيق). إليك شرح مفصل لعملية التدريب:
أ) الانتشار الأمامي (Forward Propagation)
- يتم تمرير بيانات الإدخال (مثل صورة) عبر الشبكة.
- تقوم كل خلية عصبية بمعالجة المدخلات عن طريق ضربها في الأوزان، وإضافة الانحياز، وتطبيق دالة التنشيط.
- يتم تمرير النتيجة طبقة تلو الأخرى حتى تصل طبقة الإخراج إلى نتيجة، مثل "هذه الصورة تظهر قطة باحتمالية 90%".
ب) دالة الخسارة
- تقارن الشبكة المخرجات بالنتيجة الفعلية (على سبيل المثال، ما إذا كانت الصورة تظهر قطة بالفعل).
- يتم حساب الفرق بين التنبؤ والواقع باستخدام دالة خسارة. تقيس هذه الدالة مدى "خطأ" التنبؤ.
ج) الانتشار الخلفي (Backpropagation)
- لتحسين التنبؤات، تقوم الشبكة بتعديل الأوزان والانحيازات.
- يتم ذلك باستخدام خوارزمية تسمى الانحدار التدريجي: تحسب الشبكة مدى مساهمة كل وزن في الخطأ، وتقوم بتعديله لتقليل الخطأ.
- تتكرر هذه العملية عبر العديد من التكرارات حتى تقوم الشبكة بعمل تنبؤات دقيقة.
د) بيانات التدريب
- تحتاج الشبكات العصبية إلى كميات هائلة من البيانات للتعلم. على سبيل المثال، تم تدريبي على مليارات النصوص لفهم اللغة.
- جودة وتنوع بيانات التدريب أمران حاسمان: كلما كانت البيانات أفضل، كان أداء الشبكة أفضل.
هـ) العصور (Epochs)
- تمر الشبكة عبر بيانات التدريب عدة مرات (في ما يسمى بالعصور) لتحسين الأوزان باستمرار.
- يجب تجنب الإفراط في التدريب (Overfitting) حتى لا تقوم الشبكة فقط بحفظ بيانات التدريب
