التعلم العميق مقابل التعلم الآلي فـي التعلم الآلي من Microsoft Azure

تشرح هـذه المقالة التعلم العميق مقابل التعلم الآلي وكيفية احتوائه على الفئة الأوسع للذكاء الاصطناعي. تعرف على حلول التعلم العميق التي يمكنك بناؤها على التعلم الآلي من Azure، مثل الكشف عن الاحتيال، والتعرف على الصوت والوجه، وتحليل المشاعر، والتنبؤ بالسلاسل الزمنية.

للحصول على إرشادات حول اختيار الخوارزميات للحلول الخاصة بك، راجع ورقة المعلومات لخوارزمية التعلم الآلي.

نماذج الأساس في Azure التعلم الآلي هي نماذج تعلم عميق مدربة مسبقا يمكن ضبطها لحالات استخدام محددة. تعرف على المزيد حول نماذج الأساس (معاينة) في Azure التعلم الآلي، وكيفية استخدام نماذج الأساس في Azure التعلم الآلي (معاينة).

التعلم العَميق والتعلم الآلي الذكاء الاصطناعي

Relationship diagram: AI vs. machine learning vs. deep learning

ضع في اعتبارك التعريفات التالية لفهم التعلم العميق مقابل التعلم الآلي مُقابل الذكاء الاصطناعي:

  • التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يقوم على الشبكات العصبية الاصطناعية. عملية التعلمعميقة لأن بنية الشبكات العصبية الاصطناعية تتكون مـن عدة مدخلات وإخراج وطبقات مخفية. تحتوي كل طبقة على وحدات تقوم بتحويل بيانات الإدخال إلى معلومات يمكن للطبقة التالية استخدامها لمهمة تنبؤية معينة. بفضل هذه البنية، يُمكن للجهاز التعلم من خلال معالجة البيانات الخاصة به.

  • التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي الذي يستخدم تقنيات (مثل التعلم العميق) التي تمكن الأجهزة مـن استخدام الخبرة للتحسين في المهام. تستند عملية التعلم إلى الخطوات التالية:

    1. تغذية البيانات فـي خوارزمية. (في هذه الخطوة، يمكنك توفير معلومات إضافية للنموذج، على سبيل المثال، عـن طريق إجراء استخراج الميزة.)
    2. استخدم هـذه البيانات لتدريب نموذج.
    3. اختبار النموذج وتوزيعه.
    4. استهلاك النموذج الموزَع للقيام بمهمة تنبؤية تلقائية. (بمعنى آخر، اتصل بالنموذج الموزَع واستخدمه لتلقي التنبؤات التي تم إرجاعها بواسطة النموذج.)
  • الذكاء الاصطناعي (الذكاء الاصطناعي) هو تقنية تمكن أجهزة الكمبيوتر مـن محاكاة الذكاء البشري. يتضمن التعلم الآلي.

  • الذكاء الاصطناعي التوليدية هي مجموعة فرعية من الذكاء الاصطناعي تستخدم تقنيات (مثل التعلم العميق) لإنشاء محتوى جديد. على سبيل المثال، يمكنك استخدام الذكاء الاصطناعي التوليدية لإنشاء صور أو نص أو صوت. تستفيد هذه النماذج من المعرفة الضخمة المدربة مسبقا لتوليد هذا المحتوى.

باستخدام التعلم الآلي وتقنيات التعلم العميق، يُمكنك إنشاء أنظمة الكمبيوتر والتطبيقات التي تقوم بمهام ترتبط عادة بالذكاء البشري. تتضمن هـذه المهام التعرف على الصور والتعرف على الكلام وترجمة اللغة.

تقنيات التعلم العميق مُقابل التعلم الآلي

الآن بعد أن أصبح لديك نظرة عامة على التعلم الآلي مُقابل التعلم العميق، دعنا نقارن التقنيتين. في التعلم الآلي، يجب إخبار الخوارزمية بكيفية إجراء تنبؤ دقيق عن طريق استهلاك المزيد مـن المعلومات (على سبيل المثال، عن طريق إجراء استخراج الميزة). في التعلم العميق، يُمكن للخوارزمية تعلم كيفية إجراء تنبؤ دقيق من خلال معالجة البيانات الخاصة بها، وذلك بفضل بنية الشبكة العصبية الاصطناعية.

يقارن الجدول التالي بين التقنيتين بمزيد مـن التفصيل:

كل التعلم الآلي التعلم العَميق فقط
عـدد نقاط البيانات يمكن استخدام كميات صغيرة مـن البيانات لإجراء تنبؤات. يحتاج إلى استخدام كميات كبيرة مـن بيانات التدريب لإجراء تنبؤات.
تبعيات الأجهزة يُمكن أن تعمل على الأجهزة ذات النهاية المنخفضة. لا يحتاج إلى كمية كبيرة مـن الطاقة الحاسوبية. يَعتمد على الأجهزة المتطورة. يقوم بطبيعته بعدد كبير من عمليات ضرب المصفوفات. يمكن لـ GPU تحسين هـذه العمليات بكفاءة.
عملية التمييز تتطلب تحديد الميزات وإنشاءها بدقة مـن قبل المستخدمين. تعلم ميزات عالية المستوى من البيانات وإنشاء ميزات جديدة في حد ذاتها.
منهج التعلم يقسم عملية التعلم إلـى خطوات أصغر. ثم يجمع بين النتائج مـن كل خطوة إلى إخراج واحد. ينتقل خلال عملية التعلم عن طريق حل المشكلة على أساس مـن طرف إلى طرف.
وقت التنفيذ يستغرق القليل من الوقت نسبيًا للتدريب، بدءًا من بضع ثوان إلى بضع ساعات. عادة ما يستغرق التدريب وقتًا طويلاً لأن خوارزمية التعلم العميق تتضمن العديد من الطبقات.
الاخراج عادة مـا يكون الإخراج قيمة رقمية، مثل درجة أو تصنيف. يُمكن أن يكون للإخراج تنسيقات متعددة، مثل نص أو درجة أو صوت.

ما المقصود بنقل التعلم؟

غالبًا ما يتطلب تدريب نماذج التعلم العميق كميات كبيرة مـن بيانات التدريب وموارد الحوسبة المتطورة (GPU وTPU) ووقت تدريب أطول. في السيناريوهات التي لا يتوفر فيها أي من هذه السيناريوهات، يُمكنك اختصار عملية التدريب باستخدام تقنية تعرف باسم نقل التعلم.

التعلم عن طريق النقل هو أسلوب يطبق المعرفة المكتسبة من حل مشكلة واحدة لمشكلة مختلفة ولكنها ذات صلة.

نظرًا إلى بنية الشبكات العصبية، عادة ما تحتوي المجموعة الأولى من الطبقات على ميزات ذات مستوى أدنى، بينما تحتوي المجموعة النهائية من الطبقات على ميزات ذات مستوى أعلى أقرب إلى المجال المعني. من خلال إعادة استخدام الطبقات النهائية للاستخدام في مجال أو مشكلة جديدة، يُمكنك تقليل مقدار الوقت والبيانات وموارد الحَوسبة اللازمة لتدريب النموذج الجديد بشكل كبير. على سبيل المثال، إذا كان لديك بالفعل نموذج يتعرف على السيارات، يمكنك إعادة استخدام هذا النموذج باستخدام تعلم النقل للتعرف أيضًا على الشاحنات والدراجات النارية وأنواع أخرى من المركبات.

تعرف على كيفية تطبيق تعلم النقل لتصنيف الصور باستخدام إطار عمل مفتوح المصدر فـي التعلم الآلي من Microsoft Azure : تدريب نموذج PyTorch للتعلم العميق باستخدام نقل التعلم.

حالات استخدام التعلم العَميق

وبسبب بنية الشبكة العصبية الاصطناعية، يتفوق التعلم العميق فـي تحديد الأنماط في البيانات غير المنظمة مثل الصور والصوت والفيديو والنص. لهذا السبب، فإن التعلم العميق يغير بسرعة العديد من الصناعات، بما فـي ذلك الرعاية الصحية والطاقة والتمويل والنقل. تعيد هذه الصناعات الآن التفكير فـي العمليات التجارية التقليدية.

يتم وصف بعض التطبيقات الأكثر شيوعًا للتعلم العميق في الفقرات التالية. في Azure التعلم الآلي، يمكنك استخدام نموذج قمت ببنائه من إطار عمل مفتوح المصدر أو إنشاء النموذج باستخدام الأدوات المتوفرة.

التعرف على الكيان المحدد

التعرف على الكيان المسمى هو أسلوب تعلم عميق يأخذ جزءًا من النص كإدخال ويحوله إلى فئة مُحددة مسبقًا. يمكن أن تكون هذه المعلومات الجديدة رمزًا بريديًا وتاريخًا ومعرف منتج. يُمكن بعد ذلك تخزين المعلومات في مخطط منظم لإنشاء قائمة بالعناوين أو بمثابة معيار لمحرك التحقق من صحة الهوية.

اكتشاف الكائنات

تم تطبيق التعلم العميق فـي العديد من حالات استخدام الكشف عن العناصر. يتم استخدام الكشف عن الكائنات لتحديد العناصر في صورة (مثل السيارات أو الأشخاص) وتوفير موقع محدد لكل كائن بمربع إحاطة.

يتم استخدام الكشف عن العناصر بالفعل في صناعات مثل الألعاب والبيع بالتجزئة والسياحة والسيارات ذاتية القيادة.

إنشاء تَسمية توضيحية للصورة

مثل التعرف على الصورة، في تسمية توضيحية للصورة، بالنسبة إلى صورة معينة، يجب أن ينشئ النظام تسمية توضيحية تصف مُحتويات الصورة. عندما يمكنك الكشف عن العناصر وتسميتها في الصور الفوتوغرافية، فإن الخطوة التالية هي تحويل هذه التسميات إلى جمل وصفية.

عادة ما تستخدم تطبيقات تسمية الصور التوضيحية الشبكات العصبية الالتفافية لتحديد العناصر في صورة ثم تستخدم شبكة عصبية متكررة لتحويل التسميات إلى جمل مُتسقة.

الترجمة الآلية

تأخذ الترجمة الآلية الكلمات أو الجمل مـن لغة واحدة وتترجمها تلقائيًا إلى لغة أخرى. كانت الترجمة الآلية موجودة لفترة طويلة، ولكن التعلم العميق يحقق نتائج رائعة في مجالين مُحددين: الترجمة التلقائية للنص (وترجمة الكلام إلى نص) والترجمة التلقائية للصور.

مـع تحويل البيانات المناسب، يُمكن للشبكة العصبية فهم الإشارات النصية والصوتية والبصرية. يُمكن استخدام الترجمة الآلية لتحديد قصاصات الصوت في ملفات صوتية أكبر ونسخ الكلمة المنطوقة أو الصورة كنص.

تحليلات النص

تتضمن التحليلات النصية المُستندة إلى أساليب التعلم العميق تحليل كميات كبيرة من البيانات النصية (على سبيل المثال، المُستندات الطبية أو إيصالات النفقات)، والتعرف على الأنماط، وإنشاء معلومات منظمة وموجزة منها.

تستخدم الشركات التعلم العميق لإجراء تحليل نصي للكشف عـن التداول الداخلي والامتثال للوائح الحكومية. مثال شائع آخر هو الاحتيال في التأمين: غالبًا ما تستخدم التحليلات النصية لتحليل كميات كبيرة من المستندات للتعرف على فرص أن تكون مطالبة التأمين احتيالاً.

الشبكات العصبية الاصطِناعية

يتم تشكيل الشبكات العصبية الاصطناعية بواسطة طبقات من العقد المتصلة. تستخدم نماذج التعلم العميق الشبكات العصبية التي تحتوي على عدد كبير مـن الطبقات.

تستكشف الأقسام التالية أكثر طبولوجيا الشبكة العصبية الاصطناعية شيوعًا.

الشبكة العَصبية الموجزة

الشبكة العصبية الموجزة هـي أبسط نوع من الشبكات العصبية الاصطناعية. في شبكة الموجزة، تتحرك المعلومات في اتجاه واحد فقط من طبقة الإدخال إلى طبقة الإخراج. تحول الشبكات العصبية الموجزة إدخالاً عن طريق وضعه من خلال سلسلة من الطبقات المخفية. تتكون كل طبقة من مجموعة مـن الخلايا العصبية، وكل طبقة متصلة بالكامل بجميع الخلايا العصبية في الطبقة من قبل. تمثل آخر طبقة متصلة بالكامل (طبقة الإخراج) التنبؤات التي تـم إنشاؤها.

الشبكة العصبية المُتكررة (RNN)

الشبكات العصبية المتكررة هـي شبكة عصبية اصطناعية مستخدمة على نطاق واسع. تحفظ هذه الشبكات إخراج الطبقة وتغذيها مرة أخرى إلى طبقة الإدخال للمساعدة فـي التنبؤ بنتائج الطبقة. الشبكات العصبية المُتكررة لديها قدرات تعليمية كبيرة. يتم استخدامها علـى نطاق واسع للمهام المعقدة مثل التنبؤ بالسلاسل الزمنية وتعلم الكتابة اليدوية والتعرف على اللغة.

الشبكة العصبية الالتفافيـة (CNN)

الشبكة العصبية الالتفافية هـي شبكة عصبية اصطناعية فعالة بشكل خاص، وتقدم بنية فريدة من نوعها. يتم تنظيم الطبقات فـي ثلاثة أبعاد: العرض والارتفاع والعمق. الخلايا العصبية في طبقة واحدة لا تتصل بجميع الخلايا العصبية في الطبقة التالية، ولكن فقط إلى منطقة صغيرة من الخلايا العصبية للطبقة. يتم تقليل الإخراج النهائي إلى متجه واحد مـن درجات الاحتمال، منظم على طول بعد العمق.

تم استخدام الشبكات العصبية الالتفافية فـي مجالات مثل التعرف على الفيديو والتعرف على الصور وأنظمة التوصية.

شبكـة خصومية توليدية (GAN)

الشبكات الخصومية التوليدية هـي نماذج إنشاء مدربة على إنشاء مُحتوى واقعي مثل الصور. وهي تتكون من شبكتين تعرفان باسم المولد والتمييزي. يتم تدريب كلتا الشبكتين فـي وقت واحد. في أثناء التدريب، يستخدم المولد ضوضاء عشوائية لإنشاء بيانات اصطناعية جديدة تُشبه البيانات الحقيقية بشكل وثيق. ويأخذ التمييز الناتج من المولد كإدخال ويستخدم بيانات حقيقية لتحديد ما إذا كان المحتوى الذي تم إنشاؤه حقيقيًا أم اصطناعيًا. تتنافس كل شبكة مـع بعضها. يحاول المولد توليد محتوى اصطناعي لا يُمكن تمييزه عن المحتوى الحقيقي ويحاول التمييز تصنيف المُدخلات على أنها حقيقية أو اصطناعية بشكل صحيح. ثم يتم استخدام الإخراج لتحديث أوزان كلتا الشبكتين لمُساعدتهما على تحقيق أهدافهما بشكل أفضل.

يتم استخدام الشبكات الخصومية التوليدية لحل مشكلات مِثل ترجمة الصورة إلى الصورة والتقدم العمري.

المُحولات

المحولات هـي بنية نموذج مناسبة لحل المشاكل التي تحتوي على تسلسلات مثل بيانات النص أو السلسلة الزمنية. وهي تتكون مـن طبقات الترميز وفك التشفير. يقوم الترميز بأخذ إدخال وتعيينه إلى تمثيل رقمي يَحتوي على معلومات مثل السياق. يستخدم أداة فك التشفير معلومات من أداة الترميز لإنتاج إخراج مثل النص المُترجم. ما يجعل المحولات مختلفة عن البنى الأخرى التي تحتوي على مرمزات وأجهزة فك ترميز هـي الطبقات الفرعية للانتباه. الاهتمام هو فكرة التركيز على أجزاء محددة من الإدخال استنادًا إلى أهمية سياقها فيما يتعلق بالمدخلات الأخرى في تسلسل. على سبيل المثال، عند تلخيص مقالة إخبارية، لا تكون كل الجمل ذات صلة لوصف الفكرة الرئيسية. من خلال التركيز على الكلمات الرئيسية في جميع أنحاء المقالة، يُمكن إجراء التلخيص في جملة واحدة، العنوان الرئيسي.

تم استخدام المحولات لحل مشاكل مُعالجة اللغة الطبيعية مثل الترجمة وإنشاء النص والإجابة على الأسئلة وتلخيص النص.

بعض التطبيقات المعروفة للمحولات هـي:

  • تمثيلات أداة الترميز ثنائية الاتجاه مـن المحولات (BERT)
  • محول توليدي مدرب مسبقًا 2 (GPT-2)
  • محول توليدي مُدرب مسبقًا 3 (GPT-3)

الخطوات التالية

توضح لك المقالات التالية المزيد من الخيارات لاستخدام نماذج التعلم العميق مفتوحة المَصدر في التعلم الآلي من Microsoft Azure: