ما هي الشبكات العصبية؟ الطبقات والأوزان بلا رياضيات

الشبكات العصبية بنية حسابية تتكوّن من طبقات من وحدات بسيطة تسمّى «عصبونات اصطناعية». كل عصبونة تأخذ مدخلات، وتضربها بأوزان، وتجمعها، ثم تمرّر الناتج عبر دالة تنشيط لتوليد مخرَج.

هذه البنية البسيطة — ضرب وجمع ثم تمرير — تُكرَّر عبر طبقات متعدّدة، فتتعلّم أنماطًا معقّدة. لكن التشبيه الشائع بالدماغ له حدود: الشبكات الاصطناعية استوحت الفكرة من البيولوجيا ولا تحاكيها.

العصبونة الاصطناعية: وحدة البناء

أبسط عصبونة اصطناعية تسمّى «بيرسيبترون» (Perceptron)، صُمِّمت في خمسينيات القرن الماضي، ولا تزال المبدأ الأساسي وراء الشبكات الحديثة.

كيف تعمل؟

1. تستقبل مدخلات: أرقامًا تمثّل ميزات، مثل قيمة بكسل أو كلمة مشفَّرة.
2. تضرب كل مدخل بوزن: الوزن رقم يحدّد أهمية المدخل. الكبير يعني تأثيرًا أكبر.
3. تجمع النتائج في رقم واحد.
4. تضيف انحيازًا: رقمًا يسمح بضبط حدّ التشغيل رفعًا أو خفضًا.
5. تطبّق دالة تنشيط: تحوّل الرقم إلى مخرَج نهائي.

بلا رياضيات: العصبونة كحَكَم يزن أدلّة متعدّدة، لكل دليل وزن. فإذا تجاوز المجموع عتبةً أصدر قرارًا.

الطبقات: كيف تُرصّ العصبونات؟

• طبقة المدخلات: تستقبل البيانات الأولية وتمرّرها. لا تحسب شيئًا.
• الطبقات المخفية: بين المدخلات والمخرجات. كل طبقة تتعلّم تمثيلًا أكثر تجريدًا: الأولى قد تتعرّف على حوافّ، والثانية على أشكال، والثالثة على أجزاء وجه.
• طبقة المخرجات: تنتج الإجابة النهائية.

وحين يكون هناك أكثر من طبقة مخفية تسمّى الشبكة «عميقة»، ومن هنا جاء مصطلح التعلم العميق. وتفصيله في الفرق بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق.

الأوزان: أين تُخزَّن معرفة الشبكة؟

الأوزان قلب التعلّم. خلال التدريب تُعدَّل تدريجيًّا لتقليل الخطأ، وبعده تكون الأوزان الثابتة هي ما «تعرفه» الشبكة.

تخيّل كل وزن مقبضًا يمكن ضبطه. في كل دورة تدريب يُدار كل مقبض قليلًا: إن حسّن الأداء تُرك في اتجاهه، وإن زاد الخطأ أُعيد ضبطه. وشبكة كبيرة قد تحوي ملايين أو مليارات المقابض.

والمعرفة ليست في عصبونة واحدة بل موزّعة عبر الأوزان كلها. أمّا الانحياز فيسمح للعصبونة بأن تنشط ولو كانت المدخلات صفرًا، فيزيد مرونة الشبكة.

أين تنتهي المشابهة بالدماغ؟

ما يتشابه: كلاهما وحدات بسيطة متّصلة، وكلاهما يعدّل اتصالاته بناءً على الخبرة، وكلاهما يعالج معلومات متعدّدة في آن.

وما يختلف:

التشبيه إذن مفيد لفهم الفكرة العامة، لكنه لا يعكس الواقع التقني. الشبكات العصبية أدوات حسابية لا محاكاة بيولوجية.

متى لا تحتاج إلى فهم هذه البنية؟

• عند استعمال نماذج جاهزة عبر واجهة برمجية.
• عند العمل في أدوار غير تقنية.
• حين تكون المهمة بسيطة باستعمال نموذج مدرَّب مسبقًا.

متى تحتاج إليها بعمق؟

• عند بناء نماذج من الصفر: اختيار عدد الطبقات والعصبونات ودوال التنشيط.
• عند تحسين نموذج قائم: تشخيص التجهيز الزائد أو الناقص.
• عند شرح حدود النظام لأصحاب المصلحة.

الأسئلة الشائعة

هل تحاكي الشبكات العصبية الدماغ فعليًّا؟

لا. استوحت الفكرة العامة منه، لكن الإشارات فيها أرقام لا نبضات كهروكيميائية، والتعلّم تعديل أوزان بخوارزميات رياضية لا تغيّرات بيوكيميائية.

ما الفرق بين البيرسيبترون والشبكة الحديثة؟

البيرسيبترون عصبونة واحدة تؤدّي تصنيفًا خطيًّا بسيطًا. والشبكات الحديثة طبقات متعدّدة بدوال تنشيط غير خطية، فتتعلّم تمثيلات هرمية معقّدة يعجز عنها البيرسيبترون.

لماذا تسمّى «عصبونات» إن لم تكن كعصبونات الدماغ؟

التسمية تاريخية من خمسينيات القرن الماضي حين كان الهدف استلهام فكرة عامة من الدماغ. وبقي الاسم رغم اختلاف الآلية.

كم طبقة تحتاج مهمّة معيّنة؟

لا رقم ثابت. المهامّ البسيطة قد تكفيها طبقة أو طبقتان، والمعقّدة قد تحتاج عشرات أو مئات. ويُحدَّد العدد بالتجربة مع موازنة الأداء بالتكلفة الحسابية.

المراجع

1. Rosenblatt, F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. psycnet.apa.org
2. LeCun, Y., Bengio, Y. & Hinton, G. Deep Learning. Nature, 2015. nature.com
3. Goodfellow, I. et al. Deep Learning — Chapter 6. deeplearningbook.org
4. Nielsen, M. Neural Networks and Deep Learning. neuralnetworksanddeeplearning.com
5. Richards, B. et al. A deep learning framework for neuroscience. nature.com