كيف يمكننا أن نتعلم من الدماغ لنتعلم كيف يتعلم الدماغ ، دروس مستفادة من أقدم عالم بيانات على الكوكب

بقلم مانويل برينر

 ١١ يناير ٢٠٢٠

المترجم : أبو طه/ عدنان أحمد الحاجي

راجعه المهندس علي أحمد الشيخ أحمد

المقالة رقم ٢٢ لسنة ٢٠٢٠

التصنيف: أبحاث الدماغ

How We Can Learn from The Brain to Learn How the Brain Learns

Lessons from the Oldest Data Scientist on the Planet

Manuel Brenner

Jan 11 · 2020

علم البيانات هو فن البحث في البيانات واستخراج المعارف المفيدة منها.  البيانات منتشرة في كل مكان. البيانات تعني الصور والأصوات والنصوص واتجاهات سوق الأوراق المالية. البيانات هي الوضعية التي بها يبدو العالم لنا كلما استقصيناه. تمكننا من الوصول إلى المعرفة المفيدة يمثل ميزة على عدم تمكننا ، سواء كان ذلك من أجل بقاء النوع / الجنس أو بقاء الشركة/الشراكة.
وهكذا فإن سعي عالم البيانات للبحث عنها هو سعي قديم قدم الحياة على أرض نفسها: كل أشكال الحياة لا  زآلت تستخلص المعرفة لخدمة هدفها في البقاء بطريقة أو بأخرى من سيل البيانات الواردة من البيئة. بعض البيانات عمرها مئات الملايين ، أو حتى مليارات السنين.

لقد اتخذت الأدمغة  زمام المبادرة في القيام بهذه المهمة بأكثر الطرق تطوراً.

البحت العلمي
إن البحث عن العلم هو بالمثل استخلاص المعرفة من العالم/المحيط ، وإن كان ذلك في عملية مقصودة  بأكثر صرامة. والتي تنقسم تقريبًا إلى عنصرين: بناء نماذج للمحيط ومقارنة تلك النماذج بالبيانات.

بعبارات تجريدية أكثر  ، فإن هاتين الخطوتين تشبهان جزأين من نموذج تويليدي مثل التشفير التلقائي  autoencoder ( نوع من الشبكة العصبية الإصطناعية تستخدم لتعلم تشفير المعلومات الفعّال (١) (كتبت المزيد عن الأفكار الأساسية وراء النماذج التوليدية، ٢).

١. التشفير: البيانات → نموذج
في المرحلة الأولى ، والتي يمكن تسميتها بمرحلة التشفير ، نستخرج نوعًا من التمثيل / النموذج من البيانات ، ونأمل بطريقة ما أن تعكس بنية حقيقية (سببية / احتمالية ، إلخ) وراء البيانات.

٢. فك التشفير: نموذج → التنبؤات (بيانات جديدة)
المرحلة الثانية تقوم بفك تشفير النموذج من خلال عمل تنبؤات ما تحيط به ، والتي تُقارن في التجارب بالملاحظات/بالمشاهدات.

انقلاب النموذج

ولكن هناك خطوة أخرى نحتاج إلى اتخاذها. كيف يمكننا إعداد وتغيير نموذجنا إذا كان لدينا معلومات قليلة فقط أو كانت توقعاتنا غير صحيحة (عدم اليقين المعلوماتي)؟ وماذا يحدث إذا توقف نموذجنا عن أن يكون جيدًا بما فيه الكفاية لأن المحيط الذي تم فيه إعداد النموذج يتغير أو يحتوي على نوع من الريب المتأصل (عدم اليقين البيئي)؟ قد تظل قوانين الفيزياء كما هي دائمًا ، لكن ماذا لو قمنا بدلاً من ذلك بنمذجة شيء متقلب ومشكوك فيه مثل تصرفات إنسان آخر؟
لذلك ، نحن بحاجة إلى مرحلة أخرى ، حيث تُقارِن التنبؤات عن العالم /المحيط بالعالم الحقيقي/بالمحيط الحقيقي  ويتم ضبط النموذج حتى يستوعب  أخطاء التنبؤ.

٣. انقلاب النموذج: البيانات المتنبأ بها مقابل البيانات الواردة → النموذج المحسن
كيف تستخدم البيانات لتحسن من نموذجك بشكل أكثر فعالية؟ كيف يمكنك في نفس الوقت من برم العديد من براغي/مسامير نموذج معقد دون أن تفسده؟

كما ذكرتُ في البداية ، الأدمغة جيدة حقا في استنباط المعرفة ذات الصلة من البيانات. عندما يكون ذلك مهمًا ، فهذه الأدمغة  علماء حدسيون رائعون (على الرغم من أن لديها مئات التحيزات ، كلما تطرقت لها في مقالتي عن العلاقة بين الذكاء الاصطناعي والتحيزات المعرفية/الإدراكية، ٣). تقوم هذه الأدمغة  ببناء  نماذج لمحيطها/ لعالمها  باستمرار ، وتقوم بالتنبؤات بناءًا على هذه النماذج ، وتعكسها /وتقلبها  وتحسنها إذا ما حادت توقعاتها عن الصواب. لهذا السبب وضعتها عملية  التطور في رأسنا في المقام الأول.

الأدمغة متعلمة ذات كفاءة عالية عبر مجموعة واسعة من المهام. إنها تميل إلى التعميم بشكل أفضل من خوارزميات التعلم الآلي الحالية  وتتعلم بشكل أكثر مرونة منها، مما يعني أيضًا تكيفها السريع مع البيئات المتغيرة.
.
إنها تقوم  بتنبؤات عن عمليات معقدة بشكل لا يصدق ، مثل "ما الذي سيفعله هذا الشخص الذي التقيت به قبل بضع دقائق بعد ؟" ، مما يعني أن أدمغتنا تبني نموذجًا لكل شخص نلتقي به ، وتدمج هذا النموذج في النماذج الموجودة من السابق  عن ماهية هذا الشخص ، وتقوم  بدمج العديد من صيغ  البيانات (كيف ينظر هذا الشخص/ ويتكلم / ويشم / ويتحرك؟) لضبط النموذج ، ثم يستخدم هذا النموذج التقريبي الجديد للشخص للقيام بتنبؤات في الوقت  الحقيقي عن سلوكه أو سلوكها  أو لتصنيفه/ها بسرعة إما صديق أو عدو.

إذا كان الشخص يتصرف بما يتعارض مع توقعاتنا ، فإن أدمغتنا  تقوم بتحديث نموذجه بسلاسة ، دون أن نلاحظ ذلك في أغلب الأحيان. ولكن كما تظهر المعايير الحالية في مجالات التعلم الآلي والذكاء الاصطناعي ، فإن القيام بهذه الأنواع من الأشياء باستخدام الكمبيوتر يستغرق وقتًا أطول ، ويستنفد الكثير من الموارد ويحتاج إلى مزيد من البيانات.

تعلم من الدماغ لكي تتعلم  عن الدماغ

علماء الأعصاب يدرسون الدماغ منذ أكثر من مائة عام. ولكنه جوزة  صلدة على الكسر. البيانات التي نجمعها منه عادة ما تكون مشوشة ويصعب تفسيرها. أحيانًا يكون من المغري أن تستسلم. لكن الأدمغة تواجه وضعاً مماثلاً كل يوم. والأدمغة لا تتحمل أن  تقدم أعذاراً. لو  أدمغتنا تركت الساحة فحسب  وقالت "العالم معقد للغاية ، ومن المستحيل أن نتعلم أي شيء مفيد منه" ، لكُنا  قد اندثرنا من زمن طويل.

لذا بدلاً من أن نستسلم  ، كيف يمكننا أن نتعلم نماذج  دماغ  جيدة بالرغم من أننا نفتقر إلى توفر الكثير من البيانات النظيفة clean data  ( الخالية من البيانات المغلوطة أو التي عفى عليها الزمن وأصبحت غير صالحة للأستفادة منها)؟
في حلقة غير مفرغة بشكل بهي ، يمكننا أن ننظر إلى موضوع دراستنا نفسها للإرستشاد: يمكننا أن نتعلم من الدماغ  عن كيف يتعلم الدماغ ، وإيجاد الأشياء الملهمة عن كيف نحسن ونهيكل خوارزمياتنا التي بدورها تساعدنا على تحليل ونمذجة بيانات الدماغ والبيانات السلوكية بشكل أفضل (سأقدم مثالًا ملموسًا على ذلك قريبًا).

نماذج هرمية في الدماغ

الدماغ يستنبط ويحسن نماذجه المتغيرة عن المحيط بشكل كفوء.

النماذج الهرمية هي إحدى الطرق لوضع فرضية لهذه العملية. حين تعمقت في الكثير من التفاصيل في مقالتي عن الذكاء (٤) ،   الإدراك يمكن أن يفكر فيه  على أنه منظم في تسلسلات هرمية (هذا ينطبق أيضًا على الفكر نفسه ، راجع  أيضًا مقالتي عن هندسة الفكر، ٥).

تعد النماذج الهرمية أدوات جيدة للبناء التدريجي لتمثيلات أشياء أكثر وأكثر تطوراً. هذه النماذج يمكنها  التقاط بنيويات عميقة وغير بديهية وتوزيعات الاحتمال ٦) التي وراء البيانات ويمكن استخدامها لتوليد توقعات فعالة (للحصول على مزيد من المقدمة المهنية وأمثلة على النماذج   الهرمية ، اقرأ المقدمة من بيني Penny و هينسان  Henson، ٧).

لقد ألهمت إمكانات الدماغ  علماء الأعصاب للبحث عن نماذج هرمية فيه. كجزء من فرضية الدماغ لكارل فريستون Karl Friston الشهير وفرضية بايسيان Bayesian  (٨) المثيرة للجدل ، اقترح كارل وزملاؤه أن النماذج الهرمية يمكن تطبيقها في القشرة الدماغية  البشرية (٩) ، وقد نلاحظ ذلك  في الواقع في بيانات الرنين المغناطيسي الوظيفي كيف يتم تحديثها في الزمن الحقيقي للتجارب السلوكية على البشر (١٠).

لقد أمضينا حياتنا في عالم يتسم بعدم اليقين ، وهناك بعض الأدلة التي تشير إلى أن الدماغ يمكن أن يستخدم تمثيلات ضمنية لتوزيعات احتمالية في الدماغ التي يمكن أن تبرر عدم اليقين هذا. هناك نظريات حول كيف أصبحت مدموجة في الدماغ على مستوى الخلايا العصبية (لنظرة عامة لطيفة على  الاحتمالات في الدماغ، راجع ١١).
طبقات مختلفة (كما سنرى) من هذه النماذج الاحتمالية للمحيط يمكن توزيعها عبر مناطق مختلفة من الدماغ وفي طبقات مختلفة من القشرة ما قبل الجبهية ، وبالتالي فإن نماذجنا عن المحيط  ستنتشر مادياً في كل الدماغ.

نموذج فلتر غاوس Gaussian
كنموذج هرمي بسيط يمكن تطبيقه  بشكل ما في الدماغ ، يقترح ماثيس وزملاؤه Mathys et Al. فلتر الدالة الغاوسية Gaussian الهرمية.

يحتوي الإدراك دائمًا على مستوى من عدم اليقين بشأن الحالات المخفية للبيئة. هل هناك طريقة لنموذج واضح لعدم اليقين هذا؟

الهدف من فلتر الدالة الغاوسية  Gaussian هو التعرف على هيكلة  الاحتمال للمتغير س المخفي الذي يمكن أن يتغير بمرور الزمن. يمكن أن يمثل هذا المتغير المخفي أي نوع من البيانات التي قد تفكر فيها ، سواء أكان من المحتمل أن يتغير سعر  السهم أو تتغير  قرارات أفضل صديق لك.

النموذج يمثل معتقدات العنصر  عن كيف يتصرف هذا المتغير في الوقت ويوفر نموذجًا توليدياً (١٢) يمكن أن يتنبأ بالمتغير.
تم تصميم نموذج فلتر الدالة الغاوسية Gaussian من عدة توزيعات غاوسية Gaussian عشوائية  مصفوفة  بعضها  فوق بعض. كل فلتر دالة غاوسية له قيمة  متوسطة ​​mean وتباين variance  ، ومقلوبه  تسمى حدسيًا  بالدقة  precision  لأنه إذا كان تباين الدالة الغاوسية عبارة عن تقديرات عالية تم توليدها بواسطته فلن تكون دقيقة للغاية.

مصادر من داخل النص 

١- https://en.m.wikipedia.org/wiki/Autoencoder

٢- https://towardsdatascience.com/how-to-make-computers-dream-3b4b10e4463a

٣-https://towardsdatascience.com/explainability-and-the-art-of-confabulation-d4fb176de982

٤- https://towardsdatascience.com/why-intelligence-might-be-simpler-than-we-think-1d3d7feb5d34

٥- https://towardsdatascience.com/the-geometry-of-thought-700047775956

٦- https://ar.m.wikipedia.org/wiki/توزيع_احتمال

٧-http://www.mrc-cbu.cam.ac.uk/personal/rik.henson/personal/PennyHenson_SPM_06a.pdf

٨-https://towardsdatascience.com/the-bayesian-brain-hypothesis-35b98847d331

٩-https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1000211

١٠-https://arxiv.org/abs/1709.02323

١١-https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4487650/

١٢-https://towardsdatascience.com/how-to-make-computers-dream-3b4b10e4463a

المصدر الرئيس

https://towardsdatascience.com/how-we-can-learn-from-the-brain-to-learn-how-the-brain-learns-2b81286a1a7b

للمواضيع المترجمة السابقة يرجى زيارة المدونة على هذا العنوان؛

 http://www.adnanalhajji.sa