تبرز الشبكات العصبية السائلة كعنصر حيوي ومميز في مشهد الذكاء الاصطناعي نظرًا لنهجها الإبداعي وغير الخطي الذي يشبه عقل الإنسان، على عكس الشبكات العصبية الخطية. إنهم يتفوقون في معالجة التحديات المعقدة مثل التنبؤ بالطقس، وتحليل سوق الأوراق المالية، ومجالات التعرف على الكلام، والتي كان يهيمن عليها في السابق الخبراء البشريون.
تعد الشبكات العصبية السائلة من بين أهم المكونات الناشئة وفريدة من نوعها في مجال الذكاء الاصطناعي (AI).
عندما تحتاج الآلة أو الروبوت إلى الاستجابة لمحفزات أو بيانات خارجية، فقد يكون ذلك مستهلكًا للغاية للموارد، مما يسبب عنق الزجاجة إذا كنت تحاول ملاءمة الذكاء في مساحة صغيرة جدًا.
يصف VentureBeat كيف قد تحتاج الشبكة العصبية الكلاسيكية إلى 100000 خلية عصبية صناعية للحفاظ على ثبات السيارة في مهمة مثل قيادة السيارة على الطريق.
ومع ذلك، في اكتشاف مذهل، تمكن فريق MIT CSAIL الذي يعمل على تطوير الشبكات العصبية السائلة من أداء نفس المهمة باستخدام 19 خلية عصبية فقط .
الإلهام وراء الشبكات العصبية السائلة
الشبكات العصبية السائلة هي نوع من بنية التعلم العميق التي تم تطويرها لحل التحدي الذي يواجه الروبوتات التي تؤدي مهام تعليمية ومهام معقدة، بهدف التغلب على مشكلة الاعتماد على السحابة أو التخزين الداخلي المحدود .
قالت دانييلا روس، مديرة معهد ماساتشوستس للتكنولوجيا CSAIL، لـ VentureBeat: “ كان مصدر الإلهام للشبكات العصبية السائلة هو التفكير في الأساليب الحالية للتعلم الآلي والنظر في مدى ملاءمتها مع نوع الأنظمة الحيوية للسلامة التي تقدمها الروبوتات والأجهزة المتطورة.
"على الروبوت، لا يمكنك حقًا تشغيل نموذج لغة كبير لأنه لا توجد حقًا [قوة] ومساحة [تخزين] لذلك."
وجد فريق البحث دليلاً لمشكلتهم من خلال البحث الذي أجري على الخلايا العصبية البيولوجية الموجودة في الكائنات الحية الدقيقة.
ما هي الشبكات العصبية السائلة؟
فكر في الشبكات العصبية السائلة باعتبارها الخلايا المترابطة للدماغ البشري والتي تجتمع معًا لمعالجة المعلومات وتوفير المخرجات.
الدماغ البشري عبارة عن ترتيب خلايا معقد للغاية يقوم بإجراء عمليات حسابية معقدة للغاية.
تركز الشبكات العصبية السائلة على التطبيقات الحيوية المتعلقة بالسلامة، مثل المركبات ذاتية القيادة والروبوتات، التي تحتاج إلى تدفق مستمر من البيانات التي يتم إدخالها إليها.
وفقًا لدانييلا روس ، “بشكل عام، تعمل الشبكات السائلة بشكل جيد عندما يكون لدينا بيانات سلاسل زمنية … فأنت بحاجة إلى تسلسل حتى تعمل الشبكات السائلة بشكل جيد.
"ومع ذلك، إذا حاولت تطبيق حل الشبكة السائلة على بعض قواعد البيانات الثابتة مثل ImageNet، فلن يعمل ذلك بشكل جيد."
المزايا والقيود
وجد فريق البحث في مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) المزايا التالية بناءً على تجربتهم.
الاكتناز
يمكن للشبكات العصبية السائلة أن تعمل مع عدد أقل بكثير من الخلايا العصبية مقارنة بالشبكات العصبية التقليدية .
كما هو موضح أعلاه، ستحتاج الشبكة العصبية الكلاسيكية للتعلم العميق إلى 100000 خلية عصبية لإبقاء السيارة ذاتية القيادة في مسارها - تحتاج الشبكة العصبية السائلة إلى 19 خلية عصبية فقط.
السببية
تتعامل الشبكات العصبية السائلة مع السببية بشكل أفضل من الشبكات العصبية الكلاسيكية للتعلم العميق . يمكنهم اكتشاف العلاقة الواضحة بين السبب والنتيجة، وهو ما تكافح الشبكات العصبية الكلاسيكية للتعلم العميق من أجل القيام به.
على سبيل المثال، يمكن للشبكات العصبية الكلاسيكية للتعلم العميق أن تحدد باستمرار علاقات السبب والنتيجة بين الأحداث عبر بيئات متنوعة بشكل أكثر كفاءة من الشبكة العصبية الكلاسيكية.
القابلية للتفسير
يعد فهم تفسير البيانات لنظام الذكاء الاصطناعي أحد أكبر التحديات في الذكاء الاصطناعي.
غالبًا ما تعرض نماذج التعلم العميق الكلاسيكية أساسًا سطحيًا أو غير واضح أو خاطئًا لتفسيرات البيانات، لكن الشبكات العصبية السائلة يمكنها تفسير أساسها لتفسير البيانات.
اقرأ ايضا:الذكاء الاصطناعي التوليدي في DevOps من هنا
لكن…
الشبكات العصبية السائلة ليست حلاً شاملاً لكل شيء.
على الرغم من أنهم يتعاملون بشكل جيد مع تدفقات البيانات المستمرة مثل تدفقات الصوت أو بيانات درجة الحرارة أو تدفقات الفيديو، إلا أنهم يواجهون صعوبة في التعامل مع البيانات الثابتة أو الثابتة، والتي تناسب بشكل أفضل نماذج الذكاء الاصطناعي الأخرى.
الخاتمه
في مشهد الذكاء الاصطناعي، تعد الشبكات العصبية السائلة من بين النماذج الناشئة الأكثر أهمية.
وهي تتعايش مع الشبكة العصبية الكلاسيكية للتعلم العميق ولكنها تبدو أكثر ملاءمة للمهام المعقدة للغاية مثل المركبات ذاتية القيادة، أو قراءة درجات الحرارة أو المناخ، أو تقييمات سوق الأوراق المالية، في حين أن الشبكة العصبية الكلاسيكية للتعلم العميق تؤدي عملاً أفضل مع الشبكات الثابتة أو الفردية. -بيانات الوقت.
يحاول الباحثون في مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) توسيع قدرات الشبكات العصبية السائلة لتشمل المزيد من حالات الاستخدام، لكن الأمر سيستغرق بعض الوقت.
تتمتع كل من الشبكات العصبية السائلة والشبكات العصبية الكلاسيكية للتعلم العميق بأدوارها المحددة في الصورة الأوسع للذكاء الاصطناعي، وهي بالتأكيد حالة يكون فيها نموذجان أفضل من نموذج واحد.
مرحبا بكم في جريدة وموقع كلام فور يو