U3F1ZWV6ZTIyNzg5OTA3NjA4X0FjdGl2YXRpb24yNTgxNzgyMTE0Mzc=
أخبار التقنية
أخر الأخبار

كل ما تحتاج لمعرفته حول مستقبل الشبكات العصبية

كل ما تحتاج لمعرفته حول مستقبل Neural Networks

كل ما تحتاج لمعرفته حول مستقبل Neural Networks

يمكن القول إن الشبكات العصبية هي التطور التكنولوجي مع وجود معظم الإمكانات الموجودة حاليا في الأفق. من خلال الشبكات العصبية ، يمكننا التعامل مع أي مهمة حاسوبية أو تأملية بشكل تلقائي ، في يوم من الأيام ، مع طاقة معالجة أكبر من الدماغ البشري.
في الوقت الحالي ، لا تزال الشبكات العصبية في مهدها ، لكنها بالفعل تقنية رائعة مسؤولة عن تحقيق اختراقات هائلة في كل شيء بدءًا من التعرف على الكلام والتشخيصات الطبية. السؤال هو ، أين تذهب من هنا ؟

كيف تعمل الشبكات العصبية اليوم

لنبدأ بالحديث عن كيفية عمل الشبكات العصبية ، أو Neural Networks ، اليوم في شكلها الحالي. الشبكات العصبية هي عبارة عن برامج كمبيوتر يتم تجميعها من آلاف إلى ملايين الوحدات ، كل منها مصمم ليعمل كخلايا عصبية اصطناعية. عندما تكون "مدربة" ، فإن الشبكة العصبية عادة ما تغذي المعلومات ، مما يسمح لها بالتعرف على أنماط مثل التقاط الوجوه المألوفة في الصور أو تحديد الطريقة الصحيحة لضرب كرة التنس. مع التغذية المرتدة ، تعمل الشبكات العصبية بعد ذلك على تعديل الطريقة التي تعالج بها المشكلة ، "تعلم" كيفية العمل بشكل أفضل على مدى فترات زمنية طويلة.
عند التدريب ، يمكن للشبكات العصبية حل مجموعة متنوعة من المشاكل المختلفة. يمكنهم ملاحظة الانحرافات في الأنماط التاريخية بشكل استباقي ، بحيث يمكنك تلقي تنبيهات على أحداث جديدة ذات صلة بنشاطك التجاري ، يمكنهم التعرف تلقائيًا على نقاط الزناد في نمط معين (مثل اختيار وجه من صورة أو تشخيص حالة طبية) ، ويمكنهم إجراء عمليات معقدة دون إشراف (مثل لعب لعبة).

نقاط القوة الرئيسية للشبكات العصبية

هناك العديد من نقاط القوة الرئيسية للشبكات العصبية التي تجعلها الخيار المفضل لمطوري AI:
الأداء على المشاكل مع العديد من المتغيرات. بالنسبة إلى مشكلة تتعلق بمجموعة صارمة من القواعد والمتطلبات ، ومع المدخلات المقيدة ، يكون من السهل على الجهاز تحديد الإجابة. ولا يتم أبدا كسر قواعد الرياضيات ، وهي بسيطة نسبيا . أدخل اثنين من المتغيرات (واثنين من الأعداد الحقيقية) ، ويمكنك الحصول على الناتح بسهولة. لكن تحديد أنماط الكلام أو تشخيص الأمراض يتطلب المزيد من المتغيرات ؛ تحتاج الأجهزة إلى "فهم" ليس فقط ما تبحث عنه ، ولكن كيف يمكن تمييزها عن الضوضاء ، وكيف يمكن أن تتأثر بطرق مختلفة. فالشبكات العصبية جيدة بشكل يبعث على السخرية في حل هذه المشاكل الكبيرة - وفي بعض الأحيان أفضل من البشر.
الشبكات العصبية هي أيضا جيدة بشكل لا يصدق في معرفة الميزات الصحيحة لكتابة مشكلة ، والمعروفة باسم هندسة الميزة. لنفترض أنك تحاول تعليم خوارزمية كيفية اللعب (والفوز) في لعبة Go ، كما فعلت جوجل . Go هي لعبة ذات إمكانات حركة غير محدودة عمليًا ولا توجد طريقة واضحة لتحديد ما إذا كان الانتقال "جيدًا" أو "سيئًا" (خاصة في بداية اللعب). لكي تتعلم الآلة بفعالية ، يجب أن تكون قادرة على تعلم كيفية تحديد ما يجعل التحرك أكثر أو أقل احتمالية لجعل الآلة أقرب إلى النصر. يمكن للشبكات العصبية القيام بذلك ؛ يمكنهم إنشاء فئات جديدة للنظر فيها ، وتطبيقها على عملهم.
تمتلك الشبكات العصبية أيضًا قوة المرونة. بعد أن يتم إنشاؤها ، يمكن تطبيقها على أي شيء تقريبًا ، سواء كان ذلك يساعد الأشخاص على اكتشاف المشكلات التي تؤثر في إنتاجيتهم أو تحسين أنماط الحركة الجوية من أجل رحلات أكثر سلاسة. إن الوظيفة الأساسية للشبكة العصبية هي تعلم شيء ما بكفاءة ، لذلك إذا كان لديك نظام يمكنه تعلم التعرف على الأنماط ، فيمكنه التعرف على الأنماط في أي مجال تقريبًا.

نقاط الضعف الرئيسية للشبكات العصبية

بالنسبة للمبتدئين ، يجب أن تمر جميع الشبكات العصبية خلال فترة "التعلم" حيث تبدأ في التعرف على الأنماط وتحسين نفسها . في حين أننا قادرون على "تعليم" الآلات بشكل أكثر فاعلية من أي وقت مضى ، فلا يزال هناك متطلبات هائلة للبيانات قبل أن تبدأ تلك الخوارزميات في أن تكون فعالة. اعتمادا على التطبيق ، يمكن أن يستغرق هذا 10000 مجموعة منفصلة من البيانات أو أكثر. هذا يمكن أن يزيد بشكل كبير الوقت الذي يستغرقه لجعل الشبكة العصبية فعالة ، أو يحد من التطبيقات الممكنة.
الشبكات العصبية هي أيضا مكلفة وتستغرق وقتا طويلا للتطوير. العمليات الحسابية اللازمة للتعامل مع كل هذه المتغيرات وكل تلك الواردة من البيانات تتطلب وحدة المعالجة المركزية ووحدة معالجة الرسومات (GPU) خارج نطاق النظام العادي. وهذا يجعل الأمر محاولة غير مشجعة لبعض المهندسين ، ويزيد سعر النظام الوظيفي ، مما يجعل استخدامه في الأغراض المقصودة أكثر صعوبة.
كما قد تتخيل ، فإن حقائق تطوير شبكة عصبية أكثر تعقيدا وتعقيدا بكثير مما يمكن أن ينطوي عليه تعريف بسيط شامل. من الصعب للغاية تعلم كيفية تطوير شبكة عصبية ، والعديد من المهندسين الذين يبدأون الرحلة في نهاية المطاف يسقطون من الجري. وبسبب تعقيدات الشبكات العصبية ، فإننا في الغالب لا نملك الشفافية لنرى كيف تأتي خوارزمياتنا إلى استنتاجاتها ؛ يمكننا تحديد ما إذا كانت نتائجهم دقيقة ، لكننا لا نستطيع أن نرى بالضبط كيف وصلوا إلى تلك الإجابات ، مما يجعل الأمر أكثر غموضًا - حتى للمهنيين.
امكانية طويلة الامد. لقد كانت الشبكات العصبية مسؤولة بالفعل عن التقدم الكبير في مجال الذكاء الاصطناعي ، ولكن من حيث الإمكانات على المدى الطويل ، قد لا يكون لها نفس القدر من الإمكانيات الأخرى ، مثل أساليب النواة ، أو حتى الذكاء الاصطناعي التقليدي. هناك حدٌّ صعبٌ لكيفية وصول الشبكات العصبية الفعالة أو المعقدة ، وهذا الحد الأعلى يثبت عزيمة العديد من الباحثين.
مع كل هذه القوة التي تغذي مستقبل الشبكات العصبية وجميع نقاط الضعف هذه تعقّد الأشياء ، ما الذي يمكن للمستقبل أن يحمله لهذه التقنية المذهلة ؟
يمكن بسهولة تعويض ضعف الشبكات العصبية إذا أمكننا دمجها مع تكنولوجيا تكميلية ، مثل الوظائف الرمزية. الجزء الصعب هو إيجاد طريقة لجعل هذه الأنظمة تعمل معاً لإنتاج نتيجة مشتركة - ويعمل المهندسون بالفعل على ذلك.
كل شيء لديه القدرة على التوسع من حيث القوة والتعقيد. مع التقدم التكنولوجي ، يمكننا جعل وحدات المعالجة المركزية ووحدات معالجة الرسوم أرخص و / أو أسرع ، مما يتيح إنتاج خوارزميات أكبر وأكثر كفاءة. يمكننا أيضًا تصميم شبكات عصبية قادرة على معالجة المزيد من البيانات ، أو معالجة البيانات بشكل أسرع ، لذلك قد يتعلم التعرف على الأنماط باستخدام 1000 مثال فقط ، بدلاً من 10000. لسوء الحظ ، قد يكون هناك حد أعلى لمدى التقدم الذي يمكن أن نحصل عليه في هذه المناطق - لكننا لم نصل بعد إلى هذا الحد .
وبدلاً من التقدم عموديًا ، من حيث قوة المعالجة الأسرع والمزيد من التعقيد المطلق ، يمكن للشبكات العصبية أيضًا (وربما سترتفع) أيضًا توسيعها أفقيًا ، وتطبيقها على تطبيقات أكثر تنوعًا. يمكن للمئات من الصناعات استخدام الشبكات العصبية استخدامًا عمليًا للعمل بكفاءة أكبر ، أو استهداف جمهور جديد ، أو تطوير منتجات جديدة ، أو تحسين سلامة المستهلك - ومع ذلك لا يتم استخدامها بشكل إجرامي. إن القبول الواسع ، والتوافر الأوسع ، والمزيد من الإبداع من المهندسين والمسوقين لديهم القدرة على تطبيق الشبكات العصبية على المزيد من التطبيقات.
لقد استمتع المتفائلون التكنولوجيون بالاعتراف بالمستقبل المجيد للشبكات العصبية ، لكنهم قد لا يكونوا الشكل المهيمن للذكاء الاصطناعي أو حل المشكلات المعقدة لفترة أطول بكثير. بعد عدة سنوات من الآن ، فإن الحدود الصلبة ونقاط الضعف الرئيسية للشبكات العصبية قد تمنعهم من المتابعة. وبدلاً من ذلك ، قد ينجذب المطورون والمستهلكون نحو نهج جديد - بشرط أن يصبح الوصول إليه أمرًا كافيًا ، مع إمكانات كافية لجعله خليفة له.
بغض النظر عن أهداف نشاطك التجاري ، هناك فرصة جيدة أن تتمكن الشبكات العصبية من مساعدتك في تحقيقها - إن لم يكن الآن ، فسيكون في المستقبل القريب جدًا. على الرغم من النقص في المطورين ، تعمل الشركات والمهندسون باستمرار على تحسين جهودهم في الشبكات العصبية ، مما يعني أننا نخزن "العصر الذهبي" للشبكات العصبية (على الأقل مؤقتًا).
من الصعب القول ما إذا كانت تنمية الشبكات العصبية ستستمر إلى ما لا نهاية أو ما إذا كانت هناك تقنية جديدة وأكثر كفاءة ستحل محلها ، ولكن في كلتا الحالتين ، يستحق هذا الاختراق في مجال الذكاء الاصطناعي اهتمامك.
إقرأ أيضاً : بشر أذكى و مدن أذكى كذلك مع إنترنت الأشياء (IoT)
الاسمبريد إلكترونيرسالة