حدود التعلم العميق

أغرب ما في التعلم العميق بساطته. قبل عشر سنين، لم يكن يخطر في بال أحد أننا سنستطيع أن نبلغ هذه النتائج في حل مشكلات إدراك الآلة باستعمال نماذج بسيطة ندرّبها بمبدأ الجذر المتدرّج. اليوم يبدو أن كل ما تريده لحل كثير من المشاكل ما هو إلا نماذج بارامترية كبيرة مدرّبة على مبدأ الجذر المتدرج. على حد قول فينمان مرّة عن الكون، «إنه ليس معقّدًا، لكنه كثير».

التعلم العميق: المشهد الهندسي

في التعلم العميق: كل شيءٍ شعاع، كل شيءٍ نقطةٌ في فضاءٍ هندسي.

أول ما يكون في نماذج التعلم العميق:

• «تشعيع» المدخلات والمخرجات، أي تحويلها إلى فضاء الدخل الشعاعي وفضاء الخرج الشعاعي.
• تعمل كل طبقة في نموذج التعلم العميق على تحويل هندسي واحد بسيط للبيانات التي تمر فيها.
• فإذا ضممنا هذه الطبقات بعضها إلى بعضٍ كوّنت جميعًا تحويلًا هندسيًّا شديد التعقيد، متكوّنًا من تحويلات عديدة بسيطة.
• يحاول هذا التحويل أن يربط فضاء الدخل بفضاء الهدف، نقطة نقطة.
• يتوسط في التحويل أوزان الطبقات، التي تتحدّث تحدّثًا متسلسلًا حسب قرب النموذج من الهدف.
• من الخصائص الرئيسة في هذا التحويل الهندسي، أنه قابل للتفاضل، هذا ضروريّ حتى نستطيع أن نتعلم وسطاءه بالجذر المتدرج.
• وكما خمّنت، يعني هذا أن التحول الهندسي من المدخلات إلى المخرجات يجب أن يكون سلسًا مطردًا، وهو قيدٌ مهم.
• كل هذا التحويل الهندسي العميق يمكن أن يصوّر على هيئة ثلاثية الأبعاد كأنه إنسانٌ يحاول أن يحلّ كرةً ورقيّة.
• هذه الكرة الورقية هي الدخل المتعدد الذي يبدأ به النموذج. كل نقلة يفعلها هذا الإنسان ليحل الكرة، تشابه تحويلًا هندسيًّا بسيطًا تجريه طبقة مفردة.
• أما عملية الحل الكاملة، فهي مثيلة التحويل الهندسي المعقد الذي يجريه النموذج بكامله.
• ومن نماذج التعلم العميق آلات رياضية تحل البيانات فائقة الأبعاد المتشعبة المعقدة.
• وإذا سألت عن سحر التعلم العميق، فإليك هذا:

• كل ما تريده هو أفضية من أبعاد فائقة حتى تستطيع جمع كل العلاقات الموجودة في البيانات الأصلية.

حدود التعلم العميق

حدود التعلم العميق

تكاد تطبيقات هذه الخطة البسيطة أن تكون غير منتهية.

ومع هذا، فإن كثيرًا من التطبيقات الأخرى لن يستطيع التعلم العميق بلوغها، حتى وإن أعطيته مقادير كبّارة من بيانات التدريب.

ما لا يستطيعه التعلّم العميق

وافرض أنك تستطيع جمع مجموعة بيانات من آلاف الأوصاف الإنكليزية لمنتج برمجي، كتبها مدير المنتج، ثم جمعت إليها الكود المصدر الذي طوّره فريق المهندسين من أجل هذا المنتج.

حتى لو استطعت هذا، فلن تستطيع أن تعلم نموذج تعلم عميق أن يقرأ وصف منتج برمجي فينتج له كودًا يفعل ما يريد.

بالعموم، كل شيءٍ يحتاج إلى العقل والاستدلال -كالبرمجة، أو تطبيق المنهج العلمي- أو يحتاج إلى التخطيط طويل المدى أو يحتاج إلى تعديل البيانات الشبيهة بالخوارزميات.

كل هذا خارج حدود التعلم العميق ونماذجه، مهما كان مقدار البيانات الذي تعطيها إياها. حتى تعلم خوارزمية ترتيب بشبكة عصبية عميقة صعب جدًّا.

هذا لأن نموذج التعلم العميق ما هو إلا سلسة من التحويلات الهندسية التي تحاول ربط فضاءٍ شعاعي بفضاء شعاعي آخر.

ما يستطيعه التعلّم العميق

كل ما تستطيع فعله هي ربط فضاء البيانات س بفضاء البيانات ع، على افتراض وجود عمليات مستطاعة التعلم تحول س إلى ع، وعلى افتراض وجود عينات كثيفة تربط س:ع لتكون بيانات تدريب.

لذلك يمكن أن ترى أن نموذج التعلم العميق ما هو إلا برنامج عادي. ولكن معظم البرامج العادية لا يمكن وصفها بأنه نماذج تعلم عميق.

ذلك أنه من أجل معظم المهام، لا وجود لشبكة عصبية عميقة عملية الحجم تحل المشكلة.

وإن وجدت واحدة فقد تكون غير مستطاعة التعلم، أي يكون التحويل الهندسي المناسب معقدًا جدًّا، أو قد لا توجد معلومات صحيحة لنتعلم منها.

لن يحل تكبير تقنيات التعلم العميق الحالية وتكديس طبقات أخرى واستعمال بيانات أكثر للتدريب هذه المشكلة إلا ظاهريا.

ولن يحل المشكلة الأعمق التي هي أن نماذج التعلم العميق مقيّدة بما تستطيع تمثيله.

هذا ومعظم البرامج التي يريدها المرء لا يمكن التعبير عنها بقضية تحويل هندسي مستمر لفضاء دخل.

النجاح الحقيقي الوحيد للتعلم العميق حتى الآن هو ربط الفضاء س بالفضاء ع، باستعمال تحويلات هندسية مستمرة، أُعطيَت مقادير كبيرة من البيانات البشرية.