ملخص
على الرغم من أن جذور التعلم العميق تعود إلى عقود مضت، لم يكن المصطلح أو المنهج شائعاً قبل خمس سنوات فقط، عندما أُعيد إحياء المجال من خلال أبحاث مثل نموذج كريزفسكي وسوتسكيفر وهينتون الكلاسيكي عام 2012 لشبكة إيميجنت العميقة. ما الذي اكتشفه المجال خلال السنوات الخمس التالية؟ أمام خلفية تقدم ملحوظ في مجالات مثل التعرف على الصوت والصورة ولعب الألعاب، وحماس كبير في وسائل الإعلام، أقدم عشر نقاط قلق حول التعلم العميق، وأقترح ضرورة استكماله بتقنيات أخرى إذا أردنا تحقيق الذكاء العام الاصطناعي.
المقدمة: هل يقترب التعلم العميق من جدار صعب؟
التعلم العميق، رغم انتشاره الهائل مؤخراً، له جذور تاريخية تمتد لعقود. لقي المجال اهتماماً محدوداً حتى ما يزيد قليلاً عن خمس سنوات عندما تغير كل شيء في 2012 بنشر أبحاث مؤثرة مثل بحث كريزفسكي وسوتسكيفر وهينتون 'تصنيف إيميجنت باستخدام الشبكات العصبية التلافيفية العميقة'، الذي حقق نتائج متقدمة في تحدي التعرف على الأشياء المعروف باسم إيميجنت.
قبل نهاية العام، وصل التعلم العميق إلى الصفحة الأولى لنيويورك تايمز، وأصبح rapidly التقنية الأكثر شهرة في الذكاء الاصطناعي بفارق كبير. بينما لم تكن الفكرة العامة لتدريب الشبكات العصبية متعددة الطبقات جديدة، فإن الزيادة في القوة الحاسوبية وتوفر البيانات جعلت التعلم العميق عملياً لأول مرة.
حقق التعلم العميق منذ ذلك الحين numerous نتائج متقدمة في مجالات مثل التعرف على الصوت والصورة وترجمة اللغات، ويلعب دوراً في نطاق واسع من تطبيقات الذكاء الاصطناعي الحالية. استثمرت الشركات مليارات الدولارات في التنافس على مواهب التعلم العميق، مع دعاة بارزين مثل أندرو إنغ يقترحون أن 'إذا كان بإمكان الشخص العادي أداء مهمة عقلية بأقل من ثانية من التفكير، فيمكننا على الأرجح أتمتتها باستخدام الذكاء الاصطناعي إما الآن أو في المستقبل القريب.'
ومع ذلك، تشير الأدلة إلى أن التعلم العميق قد يقترب من جدار صعب. كما لاحظ فرانسوا شوليه، مؤلف مكتبة كيراس للشبكات العصبية، في ديسمبر 2017: 'في معظم المشكلات حيث مكن التعلم العميق من حلول أفضل تحويلية (الرؤية، الصوت)، دخلنا منطقة تناقص العوائد في 2016-2017'. حتى جيف هينتون، رائد التعلم العميق، يعترف بأن 'المستقبل يعتمد على طالب دراسات عليا يشك بعمق في كل ما قلته.'
يهدف هذا البحث إلى تخفيف الحماس غير العقلاني مع النظر في ما يحتاجه المجال للمضي قدماً، مخاطباً كل من الباحثين التقنيين ومستهلكي الذكاء الاصطناعي ذوي الخلفية غير التقنية الذين يرغبون في فهم إلى أين يتجه المجال.
ما هو التعلم العميق ومجالات تفوقه
يشير التعلم العميق إلى فئة من تقنيات تعلم الآلة التي تستخدم طبقات متعددة من وحدات المعالجة غير الخطية لاستخراج الميزات وتحويلها. تستخدم كل طبقة لاحقة مخرجات الطبقة السابقة كمدخلات، مما يسمح للنظام بتعلم تمثيلات للبيانات بمستويات متعددة من التجريد.
تكمن القوة الأساسية للتعلم العميق في قدرته على اكتشاف البنية المعقدة في مجموعات البيانات الكبيرة through خوارزمية الانتشار العكسي، التي تستخدم النزول التدرجي لضبط أوزان الاتصالات بين الخلايا العصبية. أثبت هذا النهج قوة استثنائية في المشكلات حيث:
- يكون التعيين بين المدخلات والمخرجات معقداً ولكن يمكن تعلمه من البيانات الوفيرة
- لا يمكن لمهندسي البشر تحديد الميزات المطلوبة للمهمة بسهولة
- تتضمن المشكلة مهام إدراكية مشابهة لتلك التي يحلها البشر والحيوانات بشكل طبيعي
حقق التعلم العميق نجاحاً ملحوظاً في عدة مجالات رئيسية:
الرؤية الحاسوبية
أحدثت الشبكات العصبية التلافيفية ثورة في الرؤية الحاسوبية، محققة أداءً بمستوى البشر في مهام مثل تصنيف الصور، كشف الأشياء، والتعرف على الوجوه. أظهرت طفرة إيميجنت 2012 أن الشبكات العميقة يمكنها التفوق بشكل كبير على النهج السابقة، خافضة معدلات الخطأ من 26% إلى 15%.
التعرف على الكلام
حسنت الشبكات العصبية المتكررة وشبكات الذاكرة قصيرة-طويلة المدى أنظمة التعرف على الكلام بشكل كبير، مع انخفاض معدلات الخطأ إلى مستويات قريبة من البشر في البيئات المسيطر عليها. دمجت شركات مثل جوجل وأبل وأمازون هذه التقنيات في مساعداتها الافتراضية.
معالجة اللغة الطبيعية
مكنت نماذج التسلسل-to-تسلسل وآليات الانتباه من تقدم كبير في الترجمة الآلية، تلخيص النصوص، وأنظمة الإجابة على الأسئلة. يمثل نظام جوجل للترجمة الآلية العصبية مثالاً بارزاً على هذا التقدم.
لعب الألعاب
أنتج التعلم العميق المعزز أنظمة تفوق الخبراء البشريين في ألعاب معقدة مثل الغو، الشطرنج، وألعاب الفيديو. تظهر ألفاغو من ديبمايند وروبوتات دوتا 2 من أوبن إيه آي إمكانية الجمع بين التعلم العميق والتعلم المعزز.
الخيط المشترك في هذه النجاحات هو قدرة التعلم العميق على تعلم الميزات ذات الصلة تلقائياً من البيانات الخام، eliminating the need for