الانتشار العكسي: كيف "تتعلم" الشبكات العصبية بدون التعقيد الفني

شبكة عصبية جديدة تماماً، قبل أي تدريب، عديمة الفائدة فعلياً — أرقامها الداخلية (أوزانها) تبدأ عشوائية، لذا تخميناتها عشوائية أيضاً. الانتشار العكسي هو العملية التي تُحوّل تلك العشوائية إلى مهارة. إنه ليس سحراً وليس غامضاً — إنه حساب دقيق وقابل للتكرار، يُشغَّل ملايين المرات، وفهمه هو الفرق بين استخدام الذكاء الاصطناعي كصندوق أسود وفهم حقيقي ومؤسَّس لما يحدث بداخله.

التمريرة الأمامية: صنع تخمين

يبدأ كل تنبؤ بـ"تمريرة أمامية": تتدفق بيانات الإدخال عبر الشبكة، طبقة تلو طبقة، كل اتصال يضرب الإشارة بوزنه الحالي، حتى تُنتج الطبقة الأخيرة مخرجاً — رقماً متوقعاً، تصنيفاً، كلمة تالية. في بداية التدريب، بأوزان عشوائية، هذا المخرج قريب من العشوائية التامة. لكنه تخمين حقيقي ومحدد، وهذا بالضبط ما يجعل الخطوة التالية ممكنة: يمكنك مقارنته بما كانت الإجابة يجب أن تكون فعلياً.

قياس مدى خطأ التخمين بدقة

تُنتج تلك المقارنة رقماً واحداً — الخسارة — يقيس مدى بُعد مخرج الشبكة عن الإجابة الصحيحة. خسارة صغيرة تعني تخميناً جيداً؛ خسارة كبيرة تعني تخميناً سيئاً. الأهم من ذلك، الخسارة ليست مجرد بطاقة تقرير — إنها نقطة البداية للخطوة التالية، لأن الانتشار العكسي يحتاج معرفة ليس فقط مدى خطأ الشبكة، بل بالضبط أي الأوزان كانت الأكثر مسؤولية عن ذلك الخطأ.

التمريرة العكسية: توزيع اللوم

هذه هي الخطوة التي سُمّيت الخوارزمية بموجبها. باستخدام حساب التفاضل (قاعدة السلسلة، مُطبَّقة طبقة تلو طبقة)، يُتتبَّع الخطأ للخلف عبر الشبكة — من المخرج، عائداً عبر كل طبقة مخفية، وصولاً إلى المدخل — محسوباً بالضبط كم ساهم كل وزن فردي في الخطأ النهائي. الوزن الذي لم يؤثر تقريباً على الإجابة الخاطئة يُحرَّك قليلاً جداً؛ الوزن الذي كان مسؤولاً في الغالب يُحرَّك أكثر بكثير.

الوزن الجديد = الوزن القديم − (معدل التعلم × مدى مساهمة هذا الوزن في الخطأ)

"معدل التعلم" يتحكم في حجم كل تحريك — كبير جداً ويصبح التدريب غير مستقر، متجاوزاً حلولاً جيدة؛ صغير جداً ويزحف التدريب. كرر دورة التخمين الأمامي وقياس الخطأ والتوزيع الخلفي للوم والتحريك الصغير هذه مرات كافية عبر أمثلة كافية، وتُعيد الأوزان العشوائية البدئية تنظيم نفسها تدريجياً إلى شيء يلتقط فعلياً نمطاً حقيقياً في البيانات.

شاهدها تحدث فعلياً

القراءة عن الانتشار العكسي تصل إلى حد معين فقط — النسخة أدناه هي TensorFlow Playground الحقيقية والمباشرة من جوجل، مُضمَّنة بالضبط كما تعمل على playground.tensorflow.org. اضغط تشغيل وشاهد شبكة حقيقية، بدءاً من أوزان عشوائية، تنحت تدريجياً حدود قرار من خلال دورات متكررة من التخمين الأمامي وتوزيع اللوم الخلفي — مع انخفاض رقم الخسارة في الزاوية فعلياً أثناء تعلمها.

لماذا يهم هذا بعد اجتياز الامتحان

كل نموذج لغوي كبير، كل مصنّف صور، كل نظام توصية تتفاعل معه تشكّل بالضبط عبر هذه الحلقة، مُشغَّلة عدداً يصعب تخيله من المرات. فهم الانتشار العكسي هو ما يفصل بين "الذكاء الاصطناعي يعرف الأشياء فقط" وفهم حقيقي ومؤسَّس لسبب تصرف النموذج بالطريقة التي يتصرف بها — بما في ذلك سبب إمكانية أن يكون مخطئاً بثقة، ولماذا يحتاج كميات هائلة من بيانات التدريب، ولماذا يمكن أن تُنتج تغييرات صغيرة في التدريب تغييرات كبيرة بشكل مفاجئ في السلوك. إذا كانت الرياضيات وراء الذكاء الاصطناعي شيئاً تريد شرحه بشكل صحيح بدلاً من التعامل معه كصندوق أسود، فهذا بالضبط ما يغطيه تدريسنا للدراسات العليا، ويمكنك رؤية مسار التعلم الكامل هنا.