ما هي الشبكة العصبية؟
الشبكة العصبية هي سلسلة من الخوارزميات التي تسعى للتعرف على العلاقات الأساسية في مجموعة من البيانات من خلال عملية تحاكي طريقة عمل الدماغ البشري. في هذا السياق، تشير الشبكات العصبية إلى أنظمة من الخلايا العصبية، سواء كانت عضوية أو اصطناعية في طبيعتها.
يمكن للشبكات العصبية التكيف مع المدخلات المتغيرة؛ بحيث تولد الشبكة أفضل نتيجة ممكنة دون الحاجة إلى إعادة تصميم معايير المخرجات. إن مفهوم الشبكات العصبية، الذي له جذوره في الذكاء الاصطناعي، يكتسب بسرعة شعبية في تطوير أنظمة التداول.
النقاط الرئيسية
- الشبكات العصبية هي سلسلة من الخوارزميات التي تحاكي عمليات دماغ الحيوان للتعرف على العلاقات بين كميات هائلة من البيانات.
- وبهذا الشكل، فإنها تميل إلى أن تشبه الروابط بين الخلايا العصبية والمشابك الموجودة في الدماغ.
- تُستخدم في مجموعة متنوعة من التطبيقات في الخدمات المالية، بدءًا من التنبؤ وأبحاث التسويق وصولاً إلى اكتشاف الاحتيال وتقييم المخاطر.
- الشبكات العصبية التي تحتوي على عدة طبقات معالجة تُعرف بالشبكات "العميقة" وتُستخدم في خوارزميات التعلم العميق.
- يختلف نجاح الشبكات العصبية في التنبؤ بأسعار سوق الأسهم.
فهم الشبكات العصبية
تساعد الشبكات العصبية في عالم التمويل في تطوير عمليات مثل التنبؤ بالسلاسل الزمنية، التداول الخوارزمي، تصنيف الأوراق المالية، نمذجة مخاطر الائتمان، وبناء مؤشرات خاصة ومشتقات الأسعار derivatives.
تعمل الشبكة العصبية بشكل مشابه لشبكة الأعصاب في الدماغ البشري. "الخلية العصبية" في الشبكة العصبية هي دالة رياضية تجمع وتصنف المعلومات وفقًا لبنية محددة. تشبه الشبكة بشكل كبير الأساليب الإحصائية مثل ملاءمة المنحنيات وتحليل الانحدار.
تحتوي الشبكة العصبية على طبقات من العقد المترابطة. كل عقدة تُعرف باسم "بيرسيبترون" وهي مشابهة لـ الانحدار الخطي المتعدد. يقوم البيرسيبترون بتغذية الإشارة الناتجة عن الانحدار الخطي المتعدد إلى دالة تنشيط قد تكون غير خطية.
تاريخ الشبكات العصبية
على الرغم من أن مفهوم الآلات المتكاملة التي يمكنها التفكير قد وُجد منذ قرون، إلا أن أكبر التطورات في الشبكات العصبية قد حدثت في المائة عام الماضية. في عام 1943، نشر وارن مكولوتش ووالتر بيتس من جامعة إلينوي وجامعة شيكاغو "حساب منطقي للأفكار الكامنة في النشاط العصبي". حللت هذه الأبحاث كيفية قدرة الدماغ على إنتاج أنماط معقدة وكيف يمكن تبسيطها إلى هيكل منطقي ثنائي يعتمد فقط على اتصالات صحيحة/خاطئة.
فرانك روزنبلات من مختبر كورنيل للطيران يُنسب إليه تطوير البرسيبترون في عام 1958. قدمت أبحاثه مفهوم الأوزان إلى عمل مكولوش وبيتس، واستفاد روزنبلات من عمله ليوضح كيف يمكن للكمبيوتر استخدام الشبكات العصبية لاكتشاف الصور واستنتاج المعلومات.
على الرغم من وجود فترة جفاف في الأبحاث (بشكل كبير بسبب نقص التمويل) خلال السبعينيات، يُنسب إلى بول ويربوس غالبًا المساهمة الأساسية خلال هذا الوقت في أطروحته للدكتوراه. ثم قدم جون هوبفيلد شبكة هوبفيلد، وهي ورقة بحثية حول الشبكات العصبية المتكررة في عام 1982. بالإضافة إلى ذلك، ظهر مفهوم الانتشار العكسي مرة أخرى، وبدأ العديد من الباحثين في فهم إمكانياته للشبكات العصبية.
في الآونة الأخيرة، يتم إنشاء مشاريع شبكات عصبية أكثر تحديدًا لأغراض مباشرة. على سبيل المثال، تمكنت Deep Blue، التي طورتها شركة IBM، من غزو عالم الشطرنج من خلال تعزيز قدرة الحواسيب على التعامل مع الحسابات المعقدة. وعلى الرغم من أنها معروفة علنًا بفوزها على بطل العالم في الشطرنج، إلا أن هذه الأنواع من الآلات تُستخدم أيضًا لاكتشاف أدوية جديدة، وتحديد تحليل اتجاهات الأسواق المالية، وإجراء حسابات علمية ضخمة.
التحليل الأخير من مكتبة لوس ألاموس الوطنية يسمح للمحللين بمقارنة الشبكات العصبية المختلفة. يُعتبر هذا البحث جزءًا مهمًا في التقدم نحو توصيف سلوك الشبكات العصبية القوية.
شبكة الإدراك متعددة الطبقات (Multi-Layered Perceptron)
في شبكة متعددة الطبقات من نوع بيرسيبترون (MLP)، يتم ترتيب البيرسيبترونات في طبقات مترابطة. تقوم طبقة الإدخال بجمع الأنماط المدخلة. تحتوي طبقة الإخراج على التصنيفات أو الإشارات الناتجة التي قد تتوافق مع الأنماط المدخلة. على سبيل المثال، قد تتكون الأنماط من قائمة كميات لمؤشرات فنية عن ورقة مالية؛ ويمكن أن تكون المخرجات المحتملة "شراء"، "احتفاظ" أو "بيع".
تقوم الطبقات المخفية بضبط الأوزان المدخلة حتى يصبح هامش الخطأ في الشبكة العصبية ضئيلاً. يُفترض أن الطبقات المخفية تستخلص الميزات البارزة في بيانات الإدخال التي تمتلك قوة تنبؤية فيما يتعلق بالمخرجات. يصف هذا عملية استخراج الميزات، التي تحقق فائدة مشابهة للتقنيات الإحصائية مثل تحليل المكونات الرئيسية.
أنواع الشبكات العصبية
الشبكات العصبية التقدمية (Feed-Forward Neural Networks)
الشبكات العصبية التقدمية (Feed-forward neural networks) هي واحدة من الأنواع الأبسط للشبكات العصبية. تنقل المعلومات في اتجاه واحد عبر العقد المدخلة؛ وتستمر هذه المعلومات في المعالجة في هذا الاتجاه الواحد حتى تصل إلى وضع الإخراج. قد تحتوي الشبكات العصبية التقدمية على طبقات مخفية لتحقيق وظائف معينة، وغالبًا ما يُستخدم هذا النوع في تقنيات التعرف على الوجوه.
الشبكات العصبية المتكررة
نوع أكثر تعقيدًا من الشبكات العصبية، الشبكات العصبية المتكررة تأخذ ناتج عقدة المعالجة وتنقل المعلومات مرة أخرى إلى الشبكة. يؤدي هذا إلى "تعلم" نظري وتحسين الشبكة. كل عقدة تخزن العمليات التاريخية، ويتم إعادة استخدام هذه العمليات التاريخية في المستقبل أثناء المعالجة.
يصبح هذا الأمر بالغ الأهمية خاصة في الشبكات التي تكون فيها التنبؤات غير صحيحة؛ حيث سيقوم النظام بمحاولة التعلم لمعرفة سبب حدوث النتيجة الصحيحة وتعديل نفسه وفقًا لذلك. يُستخدم هذا النوع من الشبكات العصبية غالبًا في تطبيقات تحويل النص إلى كلام.
الشبكات العصبية الالتفافية
الشبكات العصبية الالتفافية، والمعروفة أيضًا باسم ConvNets أو CNNs، تحتوي على عدة طبقات يتم فيها تصنيف البيانات إلى فئات. تحتوي هذه الشبكات على طبقة إدخال وطبقة إخراج وطبقات متعددة مخفية من الطبقات الالتفافية فيما بينها. تقوم الطبقات بإنشاء خرائط ميزات تسجل مناطق من الصورة التي يتم تحليلها بشكل أكبر حتى تولد مخرجات ذات قيمة. يمكن أن تكون هذه الطبقات مجمعة أو متصلة بالكامل، وتعتبر هذه الشبكات مفيدة بشكل خاص لتطبيقات التعرف على الصور.
شبكات الالتفاف العكسية العصبية
تعمل الشبكات العصبية التفكيكية ببساطة في الاتجاه المعاكس للشبكات العصبية الالتفافية. يتمثل تطبيق الشبكة في اكتشاف العناصر التي قد تم التعرف عليها على أنها مهمة تحت الشبكة العصبية الالتفافية. من المحتمل أن تكون هذه العناصر قد تم تجاهلها خلال عملية تنفيذ الشبكة العصبية الالتفافية. يُستخدم هذا النوع من الشبكات العصبية أيضًا بشكل واسع في تحليل الصور أو معالجتها.
الشبكات العصبية المعيارية
تحتوي الشبكات العصبية المعيارية على عدة شبكات تعمل بشكل مستقل عن بعضها البعض. لا تتفاعل هذه الشبكات مع بعضها البعض أثناء عملية التحليل. بدلاً من ذلك، تُجرى هذه العمليات للسماح بإجراء عمليات حسابية معقدة ومفصلة بشكل أكثر كفاءة. وبالمثل مع الصناعات المعيارية الأخرى مثل العقارات المعيارية، فإن الهدف من استقلالية الشبكة هو أن يكون كل وحدة مسؤولة عن جزء معين من الصورة الأكبر الشاملة.
تطبيق الشبكات العصبية
تُستخدم الشبكات العصبية على نطاق واسع، مع تطبيقات في العمليات المالية، والتخطيط المؤسسي، والتداول، وتحليل الأعمال، وصيانة المنتجات. كما اكتسبت الشبكات العصبية اعتمادًا واسعًا في تطبيقات الأعمال مثل التنبؤ وحلول أبحاث التسويق، واكتشاف الاحتيال، وتقييم المخاطر.
يقوم الشبكة العصبية بتقييم بيانات الأسعار واكتشاف الفرص لاتخاذ قرارات التداول بناءً على تحليل البيانات. يمكن للشبكات تمييز التبعيات غير الخطية الدقيقة والأنماط التي لا تستطيع طرق التحليل الفني الأخرى اكتشافها. وفقًا للأبحاث، يختلف دقة الشبكات العصبية في توقع أسعار الأسهم. بعض النماذج تتوقع أسعار الأسهم الصحيحة بنسبة تتراوح بين 50 إلى 60% من الوقت. ومع ذلك، يرى البعض الآخر أن تحسين الكفاءة بنسبة 10% هو كل ما يمكن للمستثمر أن يطلبه من الشبكة العصبية.
في مجال التمويل، يمكن للشبكات العصبية معالجة مئات الآلاف من وحدات بيانات المعاملات. يمكن أن يؤدي ذلك إلى فهم أفضل لحجم التداول، نطاق التداول، الارتباط بين الأصول، أو تحديد توقعات التقلبات لبعض الاستثمارات. نظرًا لأن الإنسان قد لا يكون قادرًا على استعراض سنوات من البيانات بكفاءة (والتي تُجمع أحيانًا على فترات زمنية تصل إلى الثانية)، يمكن تصميم الشبكات العصبية لاكتشاف الاتجاهات، وتحليل النتائج، والتنبؤ بحركات قيمة فئات الأصول المستقبلية.
مزايا وعيوب الشبكات العصبية
مزايا الشبكات العصبية
الشبكات العصبية التي يمكنها العمل بشكل مستمر وتكون أكثر كفاءة من البشر أو النماذج التحليلية الأبسط. يمكن برمجة الشبكات العصبية أيضًا لتتعلم من المخرجات السابقة لتحديد النتائج المستقبلية بناءً على التشابه مع المدخلات السابقة.
الشبكات العصبية التي تستفيد من خدمات السحابة عبر الإنترنت تتمتع أيضًا بفائدة تخفيف المخاطر مقارنة بالأنظمة التي تعتمد على الأجهزة التكنولوجية المحلية. بالإضافة إلى ذلك، يمكن للشبكات العصبية غالبًا أداء مهام متعددة في نفس الوقت (أو على الأقل توزيع المهام ليتم تنفيذها بواسطة شبكات معيارية في نفس الوقت).
أخيرًا، يتم توسيع استخدام الشبكات العصبية باستمرار لتشمل تطبيقات جديدة. بينما كانت الشبكات العصبية النظرية في بداياتها محدودة جدًا في تطبيقاتها في مجالات مختلفة، فإن الشبكات العصبية اليوم تُستخدم في الطب، والعلوم، والتمويل، والزراعة، والأمن.
عيوب الشبكات العصبية
على الرغم من أن الشبكات العصبية قد تعتمد على المنصات الإلكترونية، إلا أن هناك مكونًا ماديًا لا يزال مطلوبًا لإنشاء الشبكة العصبية. هذا يخلق خطرًا ماديًا للشبكة التي تعتمد على أنظمة معقدة ومتطلبات إعداد وصيانة مادية محتملة.
على الرغم من أن تعقيد الشبكات العصبية يُعتبر قوة، إلا أن هذا قد يعني أن تطوير خوارزمية محددة لمهمة معينة قد يستغرق شهورًا (إن لم يكن أطول). بالإضافة إلى ذلك، قد يكون من الصعب اكتشاف أي أخطاء أو نواقص في العملية، خاصة إذا كانت النتائج تقديرات أو نطاقات نظرية.
قد يكون من الصعب أيضًا تدقيق الشبكات العصبية. قد تبدو بعض عمليات الشبكات العصبية "كالصندوق الأسود" حيث يتم إدخال المدخلات، وتقوم الشبكات بإجراء عمليات معقدة، ثم يتم الإبلاغ عن المخرجات. قد يكون من الصعب أيضًا على الأفراد تحليل نقاط الضعف داخل عملية الحساب أو التعلم للشبكة إذا كانت الشبكة تفتقر إلى الشفافية العامة حول كيفية تعلم النموذج من النشاط السابق.
الشبكات العصبية
الإيجابيات
- غالبًا ما يمكنه العمل بكفاءة أكبر ولمدة أطول من البشر.
يمكن برمجتها لتتعلم من النتائج السابقة بهدف السعي لإجراء حسابات أكثر ذكاءً في المستقبل.
غالبًا ما يتم الاستفادة من الخدمات عبر الإنترنت التي تقلل (ولكن لا تقضي تمامًا) على المخاطر النظامية.
يتم توسيعها باستمرار في مجالات جديدة مع مشاكل أكثر صعوبة.
سلبيات
لا يزال يعتمد على الأجهزة التي قد تتطلب عمالة وخبرة للصيانة.
قد يستغرق تطوير الشيفرة والخوارزميات فترات طويلة من الوقت.
قد يكون من الصعب تقييم الأخطاء أو التعديلات على الافتراضات إذا كان النظام يتعلم ذاتيًا ولكنه يفتقر إلى الشفافية.
عادةً ما يتم الإبلاغ عن نطاق تقديري أو مبلغ تقديري قد لا يتحقق فعليًا.
ما هي مكونات الشبكة العصبية؟
هناك ثلاثة مكونات رئيسية: طبقة إدخال، وطبقة معالجة، وطبقة إخراج. قد يتم وزن المدخلات بناءً على معايير مختلفة. داخل طبقة المعالجة، التي تكون مخفية عن الأنظار، توجد عقد واتصالات بين هذه العقد، وهي مصممة لتكون مشابهة للخلايا العصبية والمشابك في دماغ الحيوان.
ما هو الشبكة العصبية العميقة؟
المعروفة أيضًا باسم شبكة التعلم العميق، فإن الشبكة العصبية العميقة، في أبسط صورها، هي تلك التي تتضمن طبقتين أو أكثر من طبقات المعالجة. تعتمد الشبكات العصبية العميقة على شبكات التعلم الآلي التي تتطور باستمرار من خلال مقارنة النتائج المقدرة بالنتائج الفعلية، ثم تعديل التوقعات المستقبلية.
ما هي المكونات الثلاثة للشبكة العصبية؟
جميع الشبكات العصبية تحتوي على ثلاثة مكونات رئيسية. أولاً، المدخلات وهي البيانات التي يتم إدخالها إلى الشبكة ليتم تحليلها. ثانياً، طبقة المعالجة التي تستخدم البيانات (والمعرفة السابقة لمجموعات بيانات مشابهة) لصياغة نتيجة متوقعة. تلك النتيجة هي المكون الثالث، وهذا المكون الثالث هو المنتج النهائي المرغوب من التحليل.
الخلاصة
الشبكات العصبية هي أنظمة معقدة ومتكاملة يمكنها إجراء تحليلات أعمق وأسرع من قدرة الإنسان. هناك أنواع مختلفة من الشبكات العصبية، وغالبًا ما تكون الأنسب لأغراض ونتائج مستهدفة مختلفة. في مجال المالية، تُستخدم الشبكات العصبية لتحليل تاريخ المعاملات، وفهم حركة الأصول، والتنبؤ بنتائج الأسواق المالية.