التعلم العميق (Deep Learning)

التعلم العميق هو فرع من فروع التعلم الآلي يدرب الشبكات العصبية بطبقات عديدة لتعلم تمثيلات هرمية مباشرة من البيانات الخام مثل البكسلات أو موجات الصوت أو رموز النصوص، بدون هندسة ميزات يدوية.

يشير التعلم العميق إلى تدريب الشبكات العصبية بطبقات مخفية متعددة - عادة أكثر من اثنتين، وفي المعماريات الحديثة غالباً ما تكون عشرات إلى آلاف. كلمة 'عميق' تشير ببساطة إلى العمق في عدد الطبقات. يتيح تراص الطبقات للنموذج بناء تمثيلات متزايدة التجريد: في نموذج الرؤية، تكتشف الطبقات المبكرة الحواف منخفضة المستوى، والطبقات الوسيطة تركب تلك الحواف في أشكال، والطبقات الأعمق تتعرف على الأشياء ذات المعنى الدلالي.

أتاحت عدة تطورات تقنية تدريب الشبكات العميقة بشكل موثوق على نطاق واسع: دالة التفعيل ReLU (التي تتجنب مشكلة الانحدار المتلاشي في sigmoid)، التسرب (dropout) والتطبيع الدفعي (batch normalization) للتنظيم والتدريب المستقر، الاتصالات المتبقية التي تسمح للتدرجات بالتدفق عبر طبقات كثيرة (ResNet، 2015)، والاعتماد الواسع لوحدات معالجة رسومات (GPUs) للعمليات الحسابية المتوازية بشكل ضخم. قدمت المجموعات البيانات المنسقة الكبيرة - ImageNet للرؤية، Common Crawl للنصوص - الوقود.

أنتج التعلم العميق تقدماً هائلاً عبر التخصصات: تصنيف الصور (AlexNet يفوز في ImageNet في 2012 بهامش كبير)، الترجمة الآلية (ترجمة Google العصبية، 2016)، لعب الألعاب (AlphaGo، 2016)، التنبؤ ببنية البروتين (AlphaFold2، 2020 CASP14)، والوسائط التوليدية. إنه أساس جميع نماذج اللغة الكبيرة وأنظمة رؤية الحاسوب الحديثة المنتشرة في الإنتاج.

بحلول عام 2026، التعلم العميق هو المنهجية الافتراضية لأي مهمة توجد بيانات كافية وموارد حسابية كافية. تشمل حدود البحث النشطة التعلم ذاتي الإشراف والتعلم من عدة أمثلة لتقليل متطلبات البيانات الموسومة، تصميم المعمارية الموجهة بالأجهزة (mixture-of-experts، الندرة المهيكلة)، والعمل النظري على فهم التعميم - لماذا الشبكات المفرطة في المعاملات والمدربة إلى خسارة تدريب قريبة من الصفر لا تزال تعمم جيداً على البيانات غير المرئية.