الشبكات العصبية الاصطناعية (ANN) هي أجزاء من نظام الحوسبة المصممة لمحاكاة الطريقة التي يقوم بها العقل البشري بتحليل المعلومات ومعالجتها. إنها أسس الذكاء الاصطناعي (AI) وحل المشكلات التي قد تكون مستحيلة أو صعبة بالمعايير البشرية أو الإحصائية. لدى ANN قدرات التعلم الذاتي التي تمكنها من تحقيق نتائج أفضل مع توفر المزيد من البيانات.
تحطيم الشبكات العصبية الاصطناعية (ANN)
تعمل الشبكات العصبية الاصطناعية (ANN) على تمهيد الطريق لتطوير التطبيقات المتغيرة للحياة لاستخدامها في جميع قطاعات الاقتصاد. تعمل منصات الذكاء الاصطناعي (AI) المبنية على ANN على تعطيل الطريقة التقليدية لفعل الأشياء. من ترجمة صفحات الويب إلى لغات أخرى إلى الحصول على طلبات البقالة عبر الإنترنت من مساعد مساعد افتراضي إلى التحدث مع chatbots لحل المشكلات ، تعمل منصات AI على تبسيط المعاملات وجعل الخدمات في متناول الجميع بتكاليف لا تذكر.
كيف يعمل هذا النظام؟
يتم بناء الشبكات العصبية الاصطناعية مثل الدماغ البشري ، مع ربط العقد العصبية مثل الويب. الدماغ البشري لديه مئات المليارات من الخلايا تسمى الخلايا العصبية. تتكون كل خلية عصبية من جسم خلية مسؤول عن معالجة المعلومات عن طريق نقل المعلومات نحو (المدخلات) وبعيدًا (المخرجات) عن الدماغ. لدى ANN المئات أو الآلاف من الخلايا العصبية الاصطناعية التي تسمى وحدات المعالجة ، والتي ترتبط بعضها ببعض بواسطة العقد. تتكون وحدات المعالجة هذه من وحدات الإدخال والإخراج. تتلقى وحدات الإدخال أشكالًا وهياكل مختلفة للمعلومات بناءً على نظام الترجيح الداخلي ، وتحاول الشبكة العصبية التعرف على المعلومات المقدمة لإنتاج تقرير إخراج واحد. تمامًا مثلما يحتاج البشر إلى قواعد وإرشادات للوصول إلى نتيجة أو مخرجات ، يستخدم ANNs أيضًا مجموعة من قواعد التعلم تسمى backpropagation ، وهي اختصار لنشر الخطأ للخلف ، لإتقان نتائج مخرجاتهم.
يمر ANN في البداية بمرحلة تدريب حيث يتعلم التعرف على أنماط البيانات ، بصريًا أو سمعيًا أو نصيًا. خلال هذه المرحلة الخاضعة للإشراف ، تقارن الشبكة مخرجاتها الفعلية المنتجة مع ما كان من المفترض أن تنتج ، أي المخرجات المطلوبة. يتم ضبط الفرق بين كل من النتائج باستخدام backpropagation. هذا يعني أن الشبكة تعمل للخلف من وحدة الإخراج إلى وحدات الإدخال لضبط وزن اتصالاتها بين الوحدات حتى ينتج الفرق بين النتيجة الفعلية والنتائج المرغوبة بأقل خطأ ممكن.
خلال مرحلة التدريب والإشراف ، يتم تعليم ANN ما الذي تبحث عنه وما يجب أن يكون عليه ناتجها ، وذلك باستخدام أنواع نعم / لا سؤال مع أرقام ثنائية. على سبيل المثال ، قد يكون لدى البنك الذي يريد الكشف عن الاحتيال في بطاقة الائتمان في الوقت المحدد أربع وحدات إدخال تتغذى على هذه الأسئلة: (1) هل المعاملة في بلد مختلف عن البلد المقيم للمستخدم؟ (2) هل الموقع الإلكتروني تستخدم البطاقة لدى الشركات أو البلدان المدرجة في قائمة مراقبة البنك؟ (3) هل قيمة الصفقة أكبر من 2000 دولار؟ (4) هل الاسم الوارد في فاتورة المعاملة هو نفس اسم حامل البطاقة؟ يريد البنك أن تكون استجابات "الكشف عن الاحتيال" نعم نعم نعم لا ، وسيكون هذا التنسيق الثنائي هو 1 1 1 0. إذا كان الناتج الفعلي للشبكة هو 1 0 1 0 ، فإنه يعدل نتائجها حتى يتم تسليم إخراج يتزامن مع 1 1 1 0. بعد التدريب ، يمكن لنظام الكمبيوتر تنبيه البنك إلى المعاملات الاحتيالية المعلقة ، مما يوفر الكثير من أموال البنك.
تطبيقات عملية
تم تطبيق الشبكات العصبية الاصطناعية في جميع مجالات العمليات. يستخدم مزودو خدمة البريد الإلكتروني ANN للكشف عن البريد العشوائي وحذفه من البريد الوارد للمستخدم ؛ يستخدمه مديرو الأصول للتنبؤ بتوجيه سهم الشركة ؛ تستخدم شركات التصنيف الائتماني ذلك لتحسين أساليب تسجيل الائتمان الخاصة بها ؛ تستخدم منصات التجارة الإلكترونية لتخصيص التوصيات لجمهورها ؛ تم تطوير chatbots مع ANN لمعالجة اللغة الطبيعية ؛ تستخدم خوارزميات التعلم العميق ANN للتنبؤ باحتمالية وقوع حدث ما ؛ وقائمة التأسيس ANN تطول عبر قطاعات وصناعات ودول متعددة.
