التعلم العميق مقابل التعلم الآلي في Azure التعلم الآلي
تشرح هذه المقالة التعلم العميق مقابل التعلم الآلي وكيف تتلاءم مع الفئة الأوسع من الذكاء الاصطناعي. تعرف على حلول التعلم العميق التي يمكنك الاستفادة منها في Azure التعلم الآلي، مثل اكتشاف الاحتيال والتعرف على الصوت والوجه وتحليل المشاعر والتنبؤ بالسلاسل الزمنية.
للحصول على إرشادات حول اختيار الخوارزميات لحلولك، راجع ورقة الغش في خوارزمية التعلم الآلي.
التعلم العميق والتعلم الآلي الذكاء الاصطناعي
ضع في اعتبارك التعريفات التالية لفهم التعلم العميق مقابل التعلم الآلي مقابل .AI:
التعلم العميق هو مجموعة فرعية من التعلم الآلي الذي يعتمد على الشبكات العصبية الاصطناعية. عملية التعلمعميقة لأن بنية الشبكات العصبية الاصطناعية تتكون من مدخلات ومخرجات متعددة وطبقات مخفية. تحتوي كل طبقة على وحدات تحول بيانات الإدخال إلى معلومات يمكن للطبقة التالية استخدامها لمهمة تنبؤية معينة. بفضل هذا الهيكل ، يمكن للآلة التعلم من خلال معالجة البيانات الخاصة بها.
التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي الذي يستخدم تقنيات (مثل التعلم العميق) التي تمكن الآلات من استخدام الخبرة لتحسين المهام. تعتمد عملية التعلم على الخطوات التالية:
- تغذية البيانات في خوارزمية. (في هذه الخطوة، يمكنك توفير معلومات إضافية للنموذج، على سبيل المثال، عن طريق إجراء استخراج الميزات.)
- استخدم هذه البيانات لتدريب نموذج.
- اختبار النموذج ونشره.
- استهلك النموذج المنشور للقيام بمهمة تنبؤية تلقائية. (بمعنى آخر، اتصل بالنموذج المنشور واستخدمه لتلقي التنبؤات التي أعادها النموذج.)
الذكاء الاصطناعي (الذكاء الاصطناعي) هو تقنية تمكن أجهزة الكمبيوتر من محاكاة الذكاء البشري. ويشمل التعلم الآلي.
باستخدام تقنيات التعلم الآلي والتعلم العميق ، يمكنك إنشاء أنظمة كمبيوتر وتطبيقات تقوم بمهام ترتبط عادة بالذكاء البشري. تتضمن هذه المهام التعرف على الصور والتعرف على الكلام وترجمة اللغات.
تقنيات التعلم العميق مقابل التعلم الآلي
الآن بعد أن أصبح لديك نظرة عامة على التعلم الآلي مقابل التعلم العميق ، دعنا نقارن بين التقنيتين. في التعلم الآلي ، يجب إخبار الخوارزمية بكيفية إجراء تنبؤ دقيق من خلال استهلاك المزيد من المعلومات (على سبيل المثال ، عن طريق إجراء استخراج الميزات). في التعلم العميق ، يمكن للخوارزمية تعلم كيفية إجراء تنبؤ دقيق من خلال معالجة البيانات الخاصة بها ، وذلك بفضل بنية الشبكة العصبية الاصطناعية.
يقارن الجدول التالي بين التقنيتين بمزيد من التفصيل:
| جميع أشكال التعلم الآلي | التعلم العميق فقط | |
|---|---|---|
| عدد نقاط البيانات | يمكن استخدام كميات صغيرة من البيانات لإجراء التنبؤات. | يحتاج إلى استخدام كميات كبيرة من بيانات التدريب لإجراء التنبؤات. |
| تبعيات الأجهزة | يمكن أن تعمل على آلات منخفضة الجودة. لا يحتاج إلى كمية كبيرة من الطاقة الحسابية. | يعتمد على الآلات الراقية. يقوم بطبيعته بعدد كبير من عمليات ضرب المصفوفة. يمكن لوحدة معالجة الرسومات تحسين هذه العمليات بكفاءة. |
| عملية الإنجاز | يتطلب تحديد الميزات بدقة وإنشائها من قبل المستخدمين. | يتعلم ميزات عالية المستوى من البيانات وينشئ ميزات جديدة من تلقاء نفسه. |
| النهج Learning | يقسم عملية التعلم إلى خطوات أصغر. ثم يجمع بين النتائج من كل خطوة في مخرج واحد. | يتحرك من خلال عملية التعلم من خلال حل المشكلة على أساس شامل. |
| وقت التنفيذ | يستغرق القليل من الوقت نسبيا للتدريب ، بدءا من بضع ثوان إلى بضع ساعات. | عادة ما يستغرق التدريب وقتا طويلا لأن خوارزمية التعلم العميق تتضمن العديد من الطبقات. |
| المخرجات | عادة ما يكون الناتج قيمة عددية ، مثل درجة أو تصنيف. | يمكن أن يكون للإخراج تنسيقات متعددة ، مثل نص أو درجة أو صوت. |
ما المقصود بنقل التعلم؟
غالبا ما يتطلب تدريب نماذج التعلم العميق كميات كبيرة من بيانات التدريب وموارد الحوسبة المتطورة (GPU و TPU) ووقت تدريب أطول. في السيناريوهات التي لا يتوفر لك فيها أي من هذه السيناريوهات ، يمكنك اختصار عملية التدريب باستخدام تقنية تعرف باسم نقل التعلم.
نقل التعلم هو تقنية تطبق المعرفة المكتسبة من حل مشكلة واحدة إلى مشكلة مختلفة ولكنها ذات صلة.
نظرا لبنية الشبكات العصبية ، تحتوي المجموعة الأولى من الطبقات عادة على ميزات منخفضة المستوى ، في حين أن المجموعة النهائية من الطبقات تحتوي على ميزات أعلى مستوى أقرب إلى المجال المعني. من خلال إعادة تخصيص الطبقات النهائية لاستخدامها في مجال أو مشكلة جديدة، يمكنك تقليل مقدار الوقت والبيانات وموارد الحساب اللازمة لتدريب النموذج الجديد بشكل كبير. على سبيل المثال، إذا كان لديك بالفعل نموذج يتعرف على السيارات، فيمكنك إعادة توظيف هذا الطراز باستخدام تعلم النقل للتعرف أيضا على الشاحنات والدراجات النارية وأنواع أخرى من المركبات.
تعرف على كيفية تطبيق تعلم النقل لتصنيف الصور باستخدام إطار مفتوح المصدر في Azure التعلم الآلي: تدريب نموذج PyTorch للتعلم العميق باستخدام التعلم التحويلي.
حالات استخدام التعلم العميق
بسبب بنية الشبكة العصبية الاصطناعية ، يتفوق التعلم العميق في تحديد الأنماط في البيانات غير المهيكلة مثل الصور والصوت والفيديو والنص. لهذا السبب ، يعمل التعلم العميق بسرعة على تحويل العديد من الصناعات ، بما في ذلك الرعاية الصحية والطاقة والتمويل والنقل. وتعيد هذه الصناعات الآن التفكير في العمليات التجارية التقليدية.
يتم وصف بعض التطبيقات الأكثر شيوعا للتعلم العميق في الفقرات التالية. في Azure التعلم الآلي، يمكنك استخدام نموذج من إنشاء إطار عمل مفتوح المصدر أو إنشاء النموذج باستخدام الأدوات المتوفرة.
التعرف على الكيان المسمى
التعرف على الكيان المسمى هو طريقة تعلم عميق تأخذ جزءا من النص كمدخلات وتحوله إلى فئة محددة مسبقا. يمكن أن تكون هذه المعلومات الجديدة رمزا بريديا أو تاريخا أو معرف منتج. يمكن بعد ذلك تخزين المعلومات في مخطط منظم لإنشاء قائمة بالعناوين أو العمل كمعيار لمحرك التحقق من الهوية.
الكشف عن العنصر
تم تطبيق التعلم العميق في العديد من حالات استخدام اكتشاف الكائنات. يتكون اكتشاف الكائنات من جزأين: تصنيف الصور ثم تعريب الصور. يحدد تصنيف الصور كائنات الصورة، مثل السيارات أو الأشخاص. يوفر تعريب الصور الموقع المحدد لهذه الكائنات.
يستخدم اكتشاف الأشياء بالفعل في صناعات مثل الألعاب والبيع بالتجزئة والسياحة والسيارات ذاتية القيادة.
توليد Image caption
مثل التعرف على الصور ، في التسميات التوضيحية للصور ، لصورة معينة ، يجب على النظام إنشاء تسمية توضيحية تصف محتويات الصورة. عندما تتمكن من اكتشاف الكائنات وتصنيفها في الصور الفوتوغرافية ، فإن الخطوة التالية هي تحويل هذه التسميات إلى جمل وصفية.
عادة ما تستخدم تطبيقات التسميات التوضيحية للصور شبكات عصبية التفافية لتحديد الكائنات في الصورة ثم استخدام شبكة عصبية متكررة لتحويل التسميات إلى جمل متناسقة.
الترجمة الآلية
تأخذ الترجمة الآلية الكلمات أو الجمل من لغة واحدة وتترجمها تلقائيا إلى لغة أخرى. كانت الترجمة الآلية موجودة منذ فترة طويلة ، لكن التعلم العميق يحقق نتائج رائعة في مجالين محددين: الترجمة الآلية للنص (وترجمة الكلام إلى نص) والترجمة الآلية للصور.
مع تحويل البيانات المناسب ، يمكن للشبكة العصبية فهم الإشارات النصية والصوتية والمرئية. يمكن استخدام الترجمة الآلية لتحديد مقتطفات الصوت في ملفات صوتية أكبر ونسخ الكلمة المنطوقة أو الصورة كنص.
تحليلات النص
تتضمن تحليلات النصوص القائمة على أساليب التعلم العميق تحليل كميات كبيرة من البيانات النصية (على سبيل المثال ، المستندات الطبية أو إيصالات النفقات) ، والتعرف على الأنماط ، وإنشاء معلومات منظمة وموجزة منها.
تستخدم الشركات التعلم العميق لإجراء تحليل النص للكشف عن التداول من الداخل والامتثال للوائح الحكومية. مثال شائع آخر هو الاحتيال في مجال التأمين: غالبا ما تم استخدام تحليلات النصوص لتحليل كميات كبيرة من المستندات للتعرف على فرص احتيال مطالبة التأمين.
الشبكات العصبية الاصطناعية
تتشكل الشبكات العصبية الاصطناعية من طبقات من العقد المتصلة. تستخدم نماذج التعلم العميق الشبكات العصبية التي تحتوي على عدد كبير من الطبقات.
تستكشف الأقسام التالية أنماط الشبكات العصبية الاصطناعية الأكثر شيوعا.
تغذية الشبكة العصبية
الشبكة العصبية المغذية هي أبسط أنواع الشبكات العصبية الاصطناعية. في شبكة التغذية الأمامية، تتحرك المعلومات في اتجاه واحد فقط من طبقة الإدخال إلى طبقة الإخراج. تقوم الشبكات العصبية المغذية بتحويل المدخلات عن طريق وضعها من خلال سلسلة من الطبقات المخفية. تتكون كل طبقة من مجموعة من الخلايا العصبية ، وكل طبقة متصلة بالكامل بجميع الخلايا العصبية في الطبقة السابقة. تمثل الطبقة الأخيرة المتصلة بالكامل (طبقة الإخراج) التنبؤات التي تم إنشاؤها.
الشبكة العصبية المتكررة (RNN)
الشبكات العصبية المتكررة هي شبكة عصبية اصطناعية تستخدم على نطاق واسع. تقوم هذه الشبكات بحفظ مخرجات طبقة وتغذيتها مرة أخرى إلى طبقة الإدخال للمساعدة في التنبؤ بنتيجة الطبقة. الشبكات العصبية المتكررة لديها قدرات تعليمية كبيرة. وهي تستخدم على نطاق واسع للمهام المعقدة مثل التنبؤ بالسلاسل الزمنية وتعلم الكتابة اليدوية والتعرف على اللغة.
الشبكة العصبية الالتفافية (CNN)
الشبكة العصبية الالتفافية هي شبكة عصبية اصطناعية فعالة بشكل خاص ، وهي تقدم بنية فريدة من نوعها. يتم تنظيم الطبقات في ثلاثة أبعاد: العرض والارتفاع والعمق. لا تتصل الخلايا العصبية في طبقة واحدة بجميع الخلايا العصبية في الطبقة التالية ، ولكن فقط بمنطقة صغيرة من الخلايا العصبية للطبقة. يتم تقليل الناتج النهائي إلى متجه واحد من درجات الاحتمال ، منظمة على طول بعد العمق.
تم استخدام الشبكات العصبية الالتفافية في مجالات مثل التعرف على الفيديو والتعرف على الصور وأنظمة التوصية.
الشبكة العدائية التوليدية (GAN)
الشبكات العدائية التوليدية هي نماذج توليدية مدربة على إنشاء محتوى واقعي مثل الصور. وهي تتألف من شبكتين تعرفان باسم المولد والتمييز. يتم تدريب كلتا الشبكتين في وقت واحد. أثناء التدريب ، يستخدم المولد ضوضاء عشوائية لإنشاء بيانات اصطناعية جديدة تشبه إلى حد كبير البيانات الحقيقية. يأخذ المميز الإخراج من المولد كمدخلات ويستخدم بيانات حقيقية لتحديد ما إذا كان المحتوى الذي تم إنشاؤه حقيقيا أم اصطناعيا. كل شبكة تتنافس مع بعضها البعض. يحاول المولد إنشاء محتوى اصطناعي لا يمكن تمييزه عن المحتوى الحقيقي ويحاول المميز تصنيف المدخلات بشكل صحيح على أنها حقيقية أو اصطناعية. ثم يتم استخدام المخرجات لتحديث أوزان كلتا الشبكتين لمساعدتهما على تحقيق أهدافهما بشكل أفضل.
تستخدم الشبكات العدائية التوليدية لحل مشاكل مثل ترجمة الصورة إلى الصورة والتقدم العمري.
المحولات
المحولات هي بنية نموذجية مناسبة لحل المشكلات التي تحتوي على تسلسلات مثل النص أو بيانات السلاسل الزمنية. وهي تتكون من طبقات التشفير وفك التشفير. يأخذ برنامج التشفير مدخلا ويعينه إلى تمثيل رقمي يحتوي على معلومات مثل السياق. يستخدم جهاز فك الترميز معلومات من برنامج التشفير لإنتاج إخراج مثل النص المترجم. ما يجعل المحولات مختلفة عن البنى الأخرى التي تحتوي على أجهزة تشفير وأجهزة فك تشفير هي الطبقات الفرعية للاهتمام. الاهتمام هو فكرة التركيز على أجزاء محددة من المدخلات بناء على أهمية سياقها فيما يتعلق بالمدخلات الأخرى في تسلسل. على سبيل المثال ، عند تلخيص مقال إخباري ، ليست كل الجمل ذات صلة بوصف الفكرة الرئيسية. من خلال التركيز على الكلمات الرئيسية في جميع أنحاء المقالة ، يمكن إجراء التلخيص في جملة واحدة ، العنوان.
تم استخدام المحولات لحل مشاكل معالجة اللغة الطبيعية مثل الترجمة وتوليد النصوص والإجابة على الأسئلة وتلخيص النص.
بعض التطبيقات المعروفة للمحولات هي:
- تمثيلات التشفير ثنائي الاتجاه من المحولات (BERT)
- محول توليدي مدرب مسبقا 2 (GPT-2)
- محول توليدي مدرب مسبقا 3 (GPT-3)
الخطوات التالية
توضح لك المقالات التالية المزيد من الخيارات لاستخدام نماذج التعلم العميق مفتوحة المصدر في Azure التعلم الآلي: