مفهوم الانتشار الخلفي | تكنولوجيا وسيارات

عمون – مفهوم الانتشار الخلفي
يُعرّف الانتشار الخلفيّ (بالإنجليزية: Backpropagation) بأنّه أحد الخوارزميات التي تتمّ برمجتها بلغات البرمجة لتدريب الشبكات العصبية على اكتشاف الخطأ، ثمّ الرجوع بالتسلسل عبر الطبقات بشكل عكسيّ لإصلاح الخطأ، ويستمرّ تكرار هذه العمليّة إلى أن ينعدم الخطأ وتتطابق المخرجات الفعلية مع المخرجات المتوقعة أو المطلوبة، عندها يتمّ اعتماد النموذج كنموذج موثوق.

تتكوّن الشبكة العصبية من مجموعة من الطبقات، وهي طبقة المدخلات، وطبقة المخرجات، ومجموعة من الطبقات المخفيّة بينهما، وتتكوّن كل طبقة من الطبقات من مجموعة من الوحدات أو العُقَد، وتتصلّ هذه الوحدات معاً عبر الطبقات، ويُعطى كلّ منها وزناً، ونعني بالوزن أهميّة الظهور في مقدّمة المخرجات، أو بمعنىً آخر ترتيبها في طبقة المخرجات.

يُعتبر محرك البحث الشهير لشركة جوجل مثالاً على الشبكات العصبيّة؛ حيث تُمثّل البياناتُ من الصور، والكلمات الوحدات في طبقة المدخلات، بينما تُمثّل نتائج البحث التي تظهر لنا في محرك البحث الوحدات في طبقة المخرجات.

تكمن وظيفة خوارزميّة الانتشار الخلفي بتعليم الشبكة العصبية (محرك البحث) أن يُظهر الوحدات في طبقة المخرجات (نتائج البحث) بترتيب الأوزان التي أُعطيت للوحدات في طبقة المدخلات، فإن لم تظهر النتائج بالترتيب المطلوب، فهذا يعني أنّ هناك دالة خطأ، لذا يَقوم المستخدم بإعادة ضبط أوزان الوحدات في طبقة المدخلات حتى تصبح النتائج الفعليّة متطابقة مع النتائج المطلوبة.

آلية عمل الانتشار الخلفي
يُمكن توضيح آلية عمل الخوارزميّة كما يأتي:

يُدخل المستخدم المدخلات، ولنفرض أنّه أدخل القيمة X.
تَستقبل طبقة المدخلات القيمة X.
تُعطى المدخلات أوزاناً عشوائيّة ويُرمز لها بالرمز W.
يُحسب ناتج كلّ وحدة عصبيّة من طبقة الإدخال، مروراً بالطبقات المخفيّة، وصولاً إلى طبقة الإخراج.
يُحسب الخطأ في المخرجات؛ بطرح المخرجات المطلوبة من المخرجات الناتجة فعلياً.
تُضبط الأوزان من جديد لتقليل الخطأ لكن بشكل عكسي، من طبقة المخرجات، مروراً بالطبقات المخفيّة وصولاً إلى طبقة المدخلات.
تُكرّر العمليّة إلى أن تُصبح قيمة الخطأ أقل ما يُمكن، ويحصل على المخرجات المطلوبة.
أهمية الانتشار الخلفي
تتمثل أهميّة خوارزمية الانتشار الخلفيّ بما يأتي:

بسيطة وسريعة وسهلة البرمجة.
لا تتطلّب من المستخدم تعلّم مهارات خاصّة، فالمطلوب فقط ضبط أرقام الإدخال (الأوزان).
نهج قياسيّ ويعمل بكفاءة عالية، فبسببها تميّز الشبكة العصبية ملايين البيانات وترتبّها في وقت قياسي، حيث يتطلّب هذا العمل من البشر وقتاً طويلاً لإنجازه، عدا عن الأخطاء الكثيرة التي يصعب اكتشافها وتعديلها كما تفعل الخوارزمية.
المرونة وإمكانيّة التعديل المستمر بإعادة ضبط الأوزان.
تطبيقات الانتشار الخلفي
تَستخدم تطبيقات الذكاء الاصطناعي هذه الخوارزمية بشكل أساسيّ، ومن التطبيقات التي تستخدم هذه الخوارزميّة ما يأتي:

أنظمة الذكاء الاصطناعي التي تتعرّف على الصور والوجه، ومن الأمثلة عليها بصمة الوجه في الهواتف الذكيّة.
أنظمة التعرّف على الكلام، مثل محرك البحث الصوتيّ في جوجل.
أنظمة الذكاء الاصطناعي الناطقة، مثل الروبوتات، ومساعدات الهواتف الذكيّة، حيث تدرِّب الخوارزميةُ في هذه الحالة الشبكةَ العصبية على نطق الحروف والكلمات.