هذه الشبكات العصبية الاصطناعية نوعاً متخصصاً في التعرف على الأنماط في مجموعات البيانات المتتالية أو المتسلسلة، والتي تحمل معلومات تتغير عبر الزمان أو المكان. يمكن استخدام هذا النوع من الشبكات في مجموعة متنوعة من المهام، مثل: التعرف على الكلام والترجمة الآلية، والتعرف على الصور، وتحليل اللغة، والتشخيص الطبي، والتنبؤ بالأحداث، وتطبيقات ذكية أخرى.

لفهم الشبكات التكرارية يجب أولاً فهم أساسيات الشبكة العصبية ذات التغذية الأمامية، تتكون الشبكات العصبية من عقد شبكية، وهي الوحدة الأساسية للشبكة، تستقبل العقد البيانات وتقوم بمعالجتها وإجراء عمليات حسابية عليها، ثم تخرج النتيجة، وتتصل العقد مع بعضها لتشكيل الشبكة.

هناك نوعان من الشبكات العصبية: الشبكة العصبية ذات التغذية الأمامية والشبكة العصبية التكرارية، في الشبكة ذات التغذية الأمامية، تنتقل البيانات من طبقة إلى أخرى وباتجاه واحد فقط، وتتم معالجة البيانات في العقد دون تدويرها. أما في الشبكة التكرارية، فتدور البيانات داخل الشبكة بشكل دائري، حيث تأخذ المدخلات وتمرر البيانات إلى العقد السابقة، وبالتالي تستخدم الشبكة التكرارية البيانات من المدخلات السابقة للتأثير على المدخلات والمخرجات الحالية.

يتكون دماغ الإنسان من شبكة عصبية تتكون من مجموعة من الخلايا العصبية المتصلة ببعضها البعض بواسطة اتصالات عصبية، وتعد المكان الذي يتم فيه نقل المعلومات من وإلى الدماغ، ولذلك فهي تكرارية.

تجري البيانات عبر الشبكة العصبية المتكررة عبر عدة خطوات حتى نحصل على نتائج ذات معنى، ولكي نفهم كيفية عملها يجب أن نكون على دراية ببعض المصطلحات المتعلقة بها: -الدورة الزمنية: (Time Step) هي عنصر أساسي في عملية معالجة البيانات في الشبكة العصبية المتكررة، حيث تتم معالجة البيانات بشكل تسلسلي، ويتم التعامل مع كل خطوة بشكل منفصل، وتعد دورةً زمنيةً تمثل وحدةً زمنيةً محددةً.

• المدخلات: (Inputs) في كل دورة زمنية، تقوم الشبكة العصبية المتكررة بتلقي إشارة مدخلة من البيانات التسلسلية، يمكن أن تكون هذه الإشارة عبارةً عن كلمة في جملة، على سبيل المثال: إذا كنا نعمل على تحليل نصوص.
• الحالة الداخلية (Hidden State) : تعرف أيضاً بالذاكرة المخفية. تحتوي هذه الحالة على ملخص للمعلومات من الدورات الزمنية السابقة.
• المعالجة: (Processing) يتم معالجة الإشارة المدخلة والحالة الداخلية السابقة معاً؛ لإنتاج مخرج (output) وحالة داخلية جديدة.
• التغذية الراجعة: (Feedback) بعد إنتاج المخرج في كل دورة زمنية، يتم استخدام هذا المخرج كمدخل للدورة الزمنية التالية. هذا يسمح للشبكة بتعلم العلاقات الزمنية والاعتماد على المعرفة السابقة.

لفهم كيفية عمل الشبكة العصبية المتكررة بشكل مفصل، يمكن تلخيصها على النحو التالي:

• تتم معالجة البيانات بشكل تسلسلي خطوةً بخطوة، حيث يتم التعامل مع كل خطوة كوحدة زمنية مستقلة.
• في كل دورة زمنية، تستلم الشبكة إشارةً مدخلةً من البيانات التسلسلية، مثل: كلمة في جملة نصية.
• تحتفظ الشبكة بحالة داخلية تُعرف أيضاً بالذاكرة المخفية، والتي تحتوي على ملخص للمعلومات من الدورات الزمنية السابقة.
• يتم دمج الإشارة المدخلة والحالة الداخلية السابقة معاً؛ لإنتاج مخرج جديد وحالة داخلية جديدة. يتم استخدام المعلومات من الإشارة المدخلة والحالة الداخلية السابقة؛ لاتخاذ قرار، وتوليد النتائج الجديدة.

باستخدام هذه العملية التسلسلية والذاكرة المخفية، يمكن للشبكة العصبية المتكررة تحليل البيانات التسلسلية وفهمها بشكل أكثر تعقيداً وتفصيلاً.

تتكرر هذه العملية مع كل دورة زمنية حتى نهاية التسلسل، يمكن للشبكة أن تكون مرتبطةً بمدخل واحد لتنتج مخرجاً واحداً، أو بعدة مدخلات لتنتج عدة مخرجات، وفقاً للغرض المستخدم منها. أثناء تدريب الشبكة، يتم ضبط الوزن والمعاملات داخل الشبكة؛ لتعلم تمثيل مناسب للبيانات التسلسلية واستخدامها في التنبؤ بالنوع المناسب من المخرج.

تم تصميم الشبكات التكرارية بأشكال مختلفة؛ لتلبية تحديات واستخدامات متنوعة في مجال الذكاء الاصطناعي، ومن الأمثلة على هذه التصاميم:

• حدة التحكم ذات البوابات المتعددة: (GRU) هي نوع آخر من الشبكات العصبية المستخدمة في معالجة البيانات التسلسلية، مثل: النصوص أو الصوت، تشبه وحدات (GRU)وحدات (LSTM) في القدرة على التعامل مع مشكلة تلاشي المعلومات في الشبكات العصبية التكرارية، ولكنها تتميز ببنية مبسطة أقل تعقيداً، وتحتوي على عدد بوابات أقل، وتعتبر وحدات (GRU) أقل تكلفةً حسابياً من وحدات(LSTM) ، مما يعني أنها تتطلب وقتاً أقل للتدريب والتشغيل، وعلى الرغم من ذلك، فإنها لا تفقد الأداء، بل على العكس تُظهر أداءً جيداً في مجموعة متنوعة من المهام المتعلقة بنمذجة التسلسلات، مثل: ترجمة الآلة واعتراف الكلام.
• الشبكات العصبية التكرارية ذات الاتجاهين: (Bidirectional RNNs) في الشبكات العصبية التكرارية التقليدية، يتم تدفق المعلومات من الماضي إلى المستقبل، بينما تقوم الشبكات العصبية التكرارية ذات الاتجاهين بمعالجة البيانات في كلا الاتجاهين، من الماضي إلى المستقبل ومن المستقبل إلى الماضي في نفس الوقت، مما يسمح لها بالتقاط السياق من كلا الجانبين للتسلسل، وهذا يكون مفيداً جداً في مهام تتطلب فهم السياق بشكل شامل. على سبيل المثال: في مهمة اعتراف الكلام، يمكن للشبكة العصبية التكرارية ذات الاتجاهين استخدام المعلومات من الأجزاء السابقة واللاحقة من النص؛ لزيادة دقتها في التعرف على الكلمات المنطوقة. كما يمكن استخدامها أيضاً في مهام تحليل المشاعر؛ لاستخلاص العواطف من النصوص بشكل أفضل من الشبكات التقليدية.

تطبيقات على الشبكة العصبية التكرارية

• التنبؤ بالأحداث: يمكن استخدام الذكاء الاصطناعي لحل مشكلات التنبؤ، مثل: التنبؤ بالطقس وحركة الأسواق المالية، من خلال تحليل البيانات التاريخية وتطبيق نماذج التعلم الآلي لتوقع الأحداث المستقبلية.
• معالجة اللغة الطبيعية: (NLP) يمكن استخدام الذكاء الاصطناعي في مجال معالجة اللغة الطبيعية لتحقيق مهام مثل: ترجمة اللغة واستخراج المعلومات من النصوص وتوليد النصوص، وغيرها من التطبيقات المشهورة مثل:

(Google Translate و Siri و Voice Search).

• اكتشاف الوجوه وتطبيقات التعرف على النصوص في الصور: يمكن للذكاء الاصطناعي أن يساعد في اكتشاف الوجوه في الصور وتحليلها، وكذلك في تطبيقات التعرف على النصوص في الصور، مما يتيح إمكانية تحليل محتوى الصور وفهمه بشكل أكثر دقةً فاعلية.
• تطبيقات أخرى مثل تأليف الموسيقى: يمكن استخدام الذكاء الاصطناعي في مجال تأليف الموسيقى، حيث يمكن للنماذج العصبية التعلمية تحليل الأنماط الموسيقية وإنشاء قطع موسيقية جديدة بناءً على هذه الأنماط، مما يسهم في توسيع إمكانيات الإبداع الموسيقي.

التحديات التي تعيق تطور الشبكة العصبية التكرارية صحيح أن الشبكات العصبية التكرارية تواجه تحديات مثل: مشكلة اختفاء التدريجات ومشكلة الانفجار العظيم في عملية التدريب. مشكلة اختفاء التدريجات تحدث عندما تصبح قيم التدريجات صغيرةً جداً بمرور الوقت، مما يؤدي إلى فقدان المعلومات وتعذر تعلم العلاقات البعيدة في السلاسل الزمنية، لحل هذه المشكلة تم تطوير تقنيات، مثل: (LSTM) و (GRU) التي تساعد في الحفاظ على تدريجات مستقرة خلال التدريب.

أما مشكلة الانفجار العظيم، فتحدث عندما تزيد قيم التدريجات بشكل كبير جداً، مما يؤدي إلى تقلبات غير مستقرة في عملية التدريب، هذا يجعل من الصعب تحقيق تقدم ملموس أثناء التدريب، وقد يؤدي إلى فشل عملية التدريب بشكل كامل، للتغلب على هذه المشكلة يمكن استخدام تقنيات، مثل: تقليل معدل التعلم، وتقنيات تقليل الوزن للحد من تأثير الانفجار العظيم.

باختصار، تطوير تقنيات مثل: (LSTM) و (GRU) واستخدام تقنيات تقليل معدل التعلم وتقليل الوزن، يساعدان في تجاوز تحديات مشكلة اختفاء التدريجات ومشكلة الانفجار العظيم في الشبكات العصبية التكرارية، وتحقيق أداء أفضل في معالجة البيانات الزمنية الطويلة.

المقالة تتحدث عن مفهوم الشبكة العصبية التكرارية، وهي شبكات عصبية اصطناعية؛ تستخدم للتعرف على الأنماط في مجموعات البيانات المتتالية أو المتسلسلة، التي تحمل معلومات تتغير عبر الزمان أو المكان، تستخدم الشبكات العصبية التكرارية في مجموعة متنوعة من المهام، مثل: التعرف على الكلام، والترجمة الآلية، والتعرف على الصور، وتحليل اللغة.

هيكلة الشبكة العصبية التكرارية تتميز بتدوير البيانات داخل الشبكة بشكل دائري، حيث تأخذ المدخلات وتمرر البيانات إلى العقد السابقة، تستخدم الشبكة التكرارية البيانات من المدخلات السابقة؛ للتأثير على المدخلات والمخرجات الحالية.

تتكون الشبكة العصبية التكرارية من عدة مصطلحات مهمة مثل: الدورة الزمنية (Time Step) والمدخلات (Inputs) والحالة الداخلية (Hidden State) والمعالجة (Processing) والتغذية الراجعة (Feedback) ، وتتم معالجة البيانات بشكل تسلسلي خطوةً بخطوة، وتستخدم الحالة الداخلية للحفاظ على ملخص للمعلومات من الدورات الزمنية السابقة، ويتم دمج الإشارة المدخلة والحالة الداخلية السابقة معاً لإنتاج مخرج جديد وحالة داخلية جديدة.

من أهم تطبيقات الشبكة العصبية التكرارية التنبؤ بالأحداث، ومعالجة اللغة الطبيعية (NLP) وتطبيقات التعرف على النصوص في الصور وتأليف الموسيقى، ومع ذلك تواجه الشبكات العصبية التكرارية تحديات، مثل: مشكلة اختفاء التدريجات ومشكلة الانفجار العظيم في عملية التدريب، ولحل هذه المشكلات تم تطوير تقنيات مثل: (LSTM) و (GRU) وتقنيات تقليل معدل التعلم وتقليل الوزن.