لماذا ينبغي لغير المتخصص فهم الشبكات العصبية؟
من المهم أن تفهم الشبكات العصبية لأنها تدخل في معظم أدوات الذكاء الاصطناعي التي تستخدمها، من تحويل الكلام إلى نص إلى مساعدات المحادثة، ولأن قرارات شراء هذه الأدوات أو الوثوق بها تعتمد على معرفة ما يمكنها تعلّمه وما لا يمكنها تعلّمه.
لنتناول مثالًا افتراضيًا لشركة وساطة تأمين تضم 80 موظفًا، اسمها هاربورلاين للتأمين. يعرض أحد الموردين على دانيال، مسؤول العمليات، منتجًا للفرز الأولي لمطالبات التأمين. وتقول الشريحة: 'شبكة عصبية عميقة، 12 طبقة، مدرَّبة على ملايين المطالبات، بدقة 94%، تتعلم مثل الدماغ البشري.' وتقول ملاحظات دانيال من المكالمة: 'لست متأكدًا مما تعنيه الطبقات. على مطالبات مَن تدربت؟ 94% من ماذا؟ هل يمكنها تفسير قرار إذا اشتكى أحد العملاء؟' عليه تقديم إحاطة لمديره بحلول الخميس، ولا يريد تكرار محتوى الشريحة أو رفضه دون تمحيص.
كيف تعمل الشبكة العصبية خطوة بخطوة؟
تعمل الشبكة العصبية بتمرير الأرقام عبر طبقات من الوحدات، تجمع كل منها مدخلاتها باستخدام أوزان قابلة للتعديل، ثم بمقارنة المخرج النهائي بالإجابة الصحيحة لتعديل الأوزان تدريجيًا وتحسين الأداء في المرة التالية. تتتبع الخطوات أدناه تنبؤًا واحدًا وجولة تعلم واحدة.
1. تتحوّل المدخلات إلى أرقام
كل ما تراه الشبكة يُحوَّل أولًا إلى أرقام: سطوع وحدات البكسل في الصورة، أو كلمات تُحوَّل إلى رموز رقمية في النص، أو حقول مثل مبلغ المطالبة ومدة سريان وثيقة التأمين في المطالبة التأمينية.
2. تُرجّح كل خلية عصبية مدخلاتها
يضرب العصبون، الذي يُسمى أيضًا عقدة، كل قيمة واردة في وزن، ويجمع النتائج مع قيمة ثابتة تُسمى الانحياز، ثم يمرر المجموع عبر دالة تنشيط. ودالة التنشيط هي ما يتيح لطبقات العصبونات تعلم أنماط منحنية وغير خطية، بدلًا من الأنماط الخطية وحدها.
3. تُبنى الطبقات بعضها على بعض
تُرتَّب الخلايا العصبية في طبقات. تحتوي طبقة الإدخال على القيم الخام، وتحوّلها طبقة مخفية واحدة أو أكثر، ثم تنتج طبقة الإخراج التنبؤ، مثل 'مطالبة بسيطة على الأرجح' أو 'تحتاج إلى مختص'. وتُسمى الشبكة التي تضم طبقات مخفية كثيرة شبكة عميقة، ومن هنا جاء مصطلح التعلم العميق.
4. يُقاس الخطأ
أثناء التدريب، تقدم الشبكة تنبؤًا لمثال تُعرف إجابته الصحيحة. ويُقاس الفرق بين إجابتها والإجابة الصحيحة برقم يُسمى الخسارة.
5. تُعدَّل الأوزان
تحسب خوارزمية تُسمّى الانتشار العكسي مقدار مساهمة كل وزن في الخطأ، ثم تعدّل طريقة تُسمّى الانحدار المتدرّج كل وزن تعديلًا طفيفًا في الاتجاه الذي كان سيقلّل ذلك الخطأ. ومع تكرار هذه التصحيحات الصغيرة على آلاف كثيرة أو ملايين من الأمثلة، تتراكم لتنتج نموذجًا يتنبّأ بدقة.
كيف تُصاغ نسخة ضعيفة ونسخة محسّنة من شرح الشبكة العصبية؟
يكرر العرض الضعيف كلام المورّد: 'إنها شبكة عصبية عميقة من 12 طبقة، تتعلم مثل الدماغ وتبلغ دقتها 94%.' لا تتعلم مديرة دانيال شيئًا يمكنها التصرف بناءً عليه، وعبارة 'تتعلم مثل الدماغ' تشبيه وليست وصفًا. فالخلايا العصبية الحقيقية وهذه الوحدات تشترك في الاسم واستلهام عام، لا في آلية العمل.
تقول إحاطة محسّنة: 'المنتج شبكة عصبية: نموذج تعلّم تصنيف المطالبات من خلال تعديل ملايين الأوزان الداخلية حتى تطابقت تنبؤاته مع القرارات السابقة. وهذا يعني أن جودته لا يمكن أن تتجاوز جودة المطالبات السابقة التي تعلّم منها، لذا نحتاج إلى معرفة أصحاب تلك المطالبات وما إذا كانت تشبه مطالباتنا. وتحتاج نسبة 94% إلى تعريف: على أي بيانات اختبار كانت النتائج صحيحة، وكم مرة يصنّف النموذج مطالبة معقّدة على أنها بسيطة بالخطأ؟ يصعب تفسير قرارات هذه النماذج واحدًا واحدًا، لذا ينبغي أن نسأل عمّا يقدّمه المورّد عندما يعترض عميل على نتيجة، وأن نُبقي شخصًا يراجع كل مطالبة مرفوضة.' تحوّل هذه الصياغة الشريحة إلى أربعة أسئلة محدّدة.
لماذا تحتاج الشبكات العصبية إلى كل هذا القدر من البيانات، وأين تُستخدم؟
تحتاج الشبكات العصبية إلى قدر كبير من البيانات لأن لديها عددًا هائلًا من الأوزان التي يجب ضبطها، ويُتعلَّم كل وزن من الأمثلة بدلًا من أن يحدده شخص. وعندما تكون الأمثلة قليلة جدًا، قد تحفظ الشبكة بيانات تدريبها بدلًا من تعلم نمط عام، وهو ما يُسمى فرط التكيّف.
تُستخدم حيث تكون الأنماط غنية لكن يصعب صياغتها في قواعد: التعرّف على الأشياء في الصور، وتحويل الكلام إلى نص، والترجمة بين اللغات، ورصد المعاملات غير المعتادة، وتشغيل النماذج اللغوية الكبيرة التي تقوم عليها مساعدات مثل ChatGPT وClaude وGemini. أما جداول الأعمال الصغيرة والمنظمة، فغالبًا ما تحقق النماذج الأبسط معها الدقة نفسها، وتكون أسهل بكثير في الشرح.
ما حدود الشبكات العصبية؟
تتمثل أبرز القيود في أن الشبكات العصبية تتعلم كل ما تتضمنه بيانات تدريبها، بما في ذلك الثغرات والتحيزات، وأن تفسير كل قرار تتخذه على حدة أمر صعب، وأنها قد تخطئ بثقة في حالات لا تشبه أي شيء رأته أثناء التدريب. وتعتمد أرقام الدقة بالكامل على بيانات الاختبار، لذا اسأل دائماً عن البيانات المستخدمة. كما يتطلب تدريب الشبكات الكبيرة قدرة حوسبة كبيرة، ولهذا تستخدم معظم المؤسسات نماذج مدرّبة مسبقاً.
كيف تتحقق من ادعاء يتعلق بشبكة عصبية؟
تحقق من أي ادعاء عن شبكة عصبية بالسؤال عن البيانات التي تعلمت منها، وكيفية اختبارها، والأخطاء التي ترتكبها، ومن يراجع قراراتها. إذا لم يستطع المورّد الإجابة بوضوح، فلا أهمية لعدد الطبقات.
أين يقع هذا الدرس ضمن Tosheo.ai؟
ينتمي هذا الدرس إلى فئة تعلم الآلة، ويفتتح وحدة الشبكات العصبية في دورة تعلم الآلة. في Tosheo.ai، تتبعه مهمة تطبيقية تشرح فيها نموذجًا لأحد أصحاب المصلحة في سيناريو افتراضي، وتشير ملاحظات التقييم وفق دليل المعايير إلى التشبيهات المبهمة وادعاءات الدقة غير المدعومة. إنه أساس مهني للعمل مع تعلم الآلة، وليس معسكرًا تدريبيًا لبناء النماذج؛ وإذا أردت بناء شبكات برمجيًا، فمسار البرمجة الاختياري يغطي ذلك بعد التسجيل.
المصادر والنطاق
دورة Google المكثفة في تعلّم الآلة: وحدة الشبكات العصبية (تم التحقق في 19 أكتوبر 2026) ↗
دورة Google المكثفة في تعلّم الآلة: العُقد والطبقات المخفية (تم التحقق في 19 أكتوبر 2026) ↗
دورة Google المكثفة في تعلّم الآلة: التدريب باستخدام الانتشار العكسي (تم التحقق في 19 أكتوبر 2026) ↗