ما هي شبكات الخصومة التوليدية: اختراع عملي لمحاكاة الذكاء البشري.

لعلك سمعت من قبل بمصطلح Deep Fake, او شاهدت مقطع فيديو لممثل اجنبي يتحدث العربية, ولكن هل يعقل ان هذا فيديو مزيف, وكيف تم انتاجه؟ هذه التكنولوجيا المتطورة من الذكاء الاصطناعي تم تصنيعها باستخدام ما يعرف بشبكات الخصومة التوليدية, وهي ومن أهم خوارزميات التعلم العميق والتي تستخدم لمحاكاة الذكاء البشري, لنتعرف عليها في هذا المقال.   

تعريف شبكات الخصومة التوليدية 

هي نماذج توليدية Generative Models تستخدم نموذج التعلم العميق Deep Learning وتتكون من شبكتين عصبيتين هما: الشبكة التوليدية Generative والشبكة التمييزية Discriminative, تتنافس الشبكتين فيما بينهما لإنتاج بيانات جديدة من مجموعة البيانات الأصلية. [1]

تخضع شبكات الخصومة التوليدية Unsupervised Learning . بحيث تكون المنافسة بين الشبكتين Zero-Sum game أي محصلتها صفر يعني أن فوز طرف يكون مساويا لخسارة الطرف الآخر.

اخترعت شبكات الخصومة التوليدية بواسطة إيان جودفيلو وزملائه عام 2014.

ما هو التعلم غير الخاضع للإشراف Unsupervised Learning ؟

هو نوع من أنواع التعلم الآلي يستخدم لتحليل وتمييز البيانات غير المعنونة وتعلم العلاقات بين العناصر والبيانات دون تدخل الإنسان.

 ما مكونات شبكات الخصومة التوليدية؟

كما ذكرنا سابقا فإنها تتكون من شبكتين عصبيتين تتنافسان في لعبة, وهما: [2]

المولد Generator و المميز Discriminator

• المولد Generator: يستخدم لإنتاج بيانا وهمية تشبه الى حد كبير البيانات الأصلية وتستخدم البيانات التي ينتجها لتدريب المميز Discriminator.
• المميز Discriminator: يستخدم للتمييز بين البيانات الوهمية التي أنتجها المولد والبيانات الحقيقية.

إذا يتعرض المولد Generator لمجموعة عشوائية من البيانات ثم يقوم بإنتاج بيانات وهمية تشبه البيانات الحقيقة, تقدم هذه البيانات الوهمية الى المميز Discriminator ليقوم بتميزها وتصنيفها الى "حقيقة" أو" وهمية".

بناء على تصنيف المميز للبيانات يرسل ردة فعل أو تغذية راجعة للمولد بنتيجة المميز, وإذا استطاع المميز تصنيف البيانات الوهمية بأنها حقيقة يكون المولد قد نجح بإنتاج بيانات واقعية الى حد ما, واذا لم ينجح المميز بتصنيفها الى بيانات حقيقية, فان المولد يستمر بمحاولة إنتاج بيانات أكثر واقعية, وباستمرار هذه العملية يتم تحسين الجودة والتشابه بين البيانات الحقيقية والوهمية.

 كيف يتم تدريب المولد Generator؟ 

لابد من تدريب المولد حتى يستطيع إنتاج بيانات وهمية، ولكن تدريبه يعتبر أكثر تعقيدا مقارنة بتدريب المميز، إذ إنه يحتاج الى المزيد من التفاعل مع المميز لتحقيق أداء جيد يعني أن المميز له دور فعال في تحسين أداء المولد.

يتضمن الجزء المسؤول من شبكات الخصومة التوليدية GANs عن تدريب المولد على:

• إدخال عشوائي
• شبكة المُنشئ، التي تحول الإدخال العشوائي إلى مثيل بيانات
• شبكة المميز، التي تصنف البيانات المُنشأة
• مخرج المميز
• خسارة المُنشئ، التي تعاقب المُنشئ عندما يفشل في خداع المميز

1.  إدخال عشوائي للبيانات: عادة ما يتناسب نوع البيانات المدخلة مع نوع المهمة المطلوبة أو نوع البيانات المخرجة Output. ولكن في حالة GANs فإنه ينتج بيانات وهمية فماذا يمكن أن يكون ونوع البيانات المدخلة؟

يتم استخدام الضجيج العشوائي كمدخلات Random Noise والمقصود به هو قيم وبيانات عشوائية لا تحمل هندسة خاصة، والفكرة من استخدام بيانات عشوائية هو الحصول على على تنوع أكبر من البيانات المنتجة.

ليس بالضرورة أن يكون توزيع الضجيج معقدا أي أن يحمل توزيعا معقدا، بل يمكن أن يكون بسيطا مثل التوزيع المتساوي وهو أن تحصل كل قيمة على مساحة متساوية من الفرصة للظهور.

1.  استخدام المميز لتدريب المولد: لتدريب شبكة عصبية بشكل عام لابد من ضبط وزنها لتقليل الأخطاء في المخرج الذي تنتجه ( والمقصود بالوزن هنا هو العامل الذي يحدد مدى تأثير مكون معين في الشبكة على الناتج النهائي)، ولكن الأمر في GAN يكون أكثر تعقيدا.

إذا المولد ينتج بيانات وهمية والمميز يصنفها إلى حقيقية أو وهمية، ولكن المولد ليس متصلا بشكل مباشر بالخطأ الذي نحاول تقليله لأن ببساطة نتيجة المخرج تكون من المميز، لذلك فإن خسارة المولد تعاقب المولد عندما يصنف المميز البيانات على أنها وهمية. 

لذلك هنا تأتي عملية التدريب العكسي Backpropagation. عندما نقوم بضبط وزن الشبكة لتقليل الخطأ، يعتمد تأثير وزن المولد على تأثير أوزان المميز التي يتواصل معها. لذلك، يجب أن نقوم بتضمين هذا التأثير في عملية الانتشار العكسي. في الوقت نفسه، نحن لا نريد تغيير وزن المميز أثناء تدريب المولد، لأن محاولة مطاردة هدف متحرك (وهو أداء المميز) ستجعل المهمة أصعب بالنسبة للمنشئ.

كيف يتم تدريب المميز Discriminator؟

عندما يأتي الأمر لتدريب المميز فإن الأمر أكثر سهولة فدوره يكون بتمييز البيانات الوهمية من البيانات الحقيقة.

هناك مصدرين للبيانات التي تستخدم لتدريب المميز:

• بيانات حقيقة ويستخدمها المميز كأمثلة إيجابية
• بيانات وهمية وهي التي ينتجها المولد ويستخدمها كأمثلة سلبية

يتصل المميز بخسارتين؛ خسارة المولد و خسارة المميز ولكنه يتجاهل خسارة المولد ويركز على خسارة المميز، أثناء تدريب المميز : 

المميز يصنف البيانات الحقيقية والبيانات الوهمية من المولد، خسارة المميز تعاقب المميز عندما يخطئ في تصنيف حالة حقيقية على أنها وهمية أو حالة وهمية على أنها حقيقية، المميز يقوم بتحديث وزنه من خلال الانتشار العكسي من خسارة المميز خلال شبكة المميز.

كيف يتم تدريب شبكة الخصومة التوليدية GAN ككل؟

تخضع GAN لنوعين من نماذج التدريب المولد والمميز لذلك تستخدم ما يسمى بالتدريب بالتبادل حتى تتدرب كشبكة واحدة Alternating Training.

إذا عملية التدريب بين المولد والمميز تكون متبادلة أي على فترات؛ في المرحلة الأولى يتم تدريب المميز لفترة زمنية مع بقاء المولد ثابتا بحيث يتعلم كيفية التمييز بين البيانات الوهمية والحقيقية التي يقوم المولد بإنتاجها.

وفي المرحلة الثانية يتم تدريب المولد لفترة زمنية مع بقاء المميز ثابتا بحيث يتعلم كيفية إنتاج بيانات مشابهة للبيانات الحقيقة تتكرر هذه العملية بشكل مستمر حيث يتم تبادل التدريب بينهما.

من المهم جعل كل من المولد والمميز ثابتا أثناء تدريب الآخر، فمثلا إذا لم يكن المميز ثابتا أثناء تدريب المولد، فإن المميز سيتغير أثناء تدريب المولد وهذا سيجعل مهمة تدريب المولد أصعب، لأن المولد سيحاول إنتاج بيانات تتغير باستمرار وتكون مطابقة لما يتوقعه المميز وهذا يجعل من الصعب على المولد أن يتعلم ويصل إلى تقارب أو استقرار في إنتاجه. وهذه مشكلة أخرى أثناء تدريب الشبكة GAN.

عندما يتم تدريب المولد ويصبح أفضل في إنتاج بيانات وهمية تبدو وكأنها حقيقية، يصبح من الصعب على المميز التمييز بين البيانات الحقيقية والبيانات الوهمية التي يقوم المولد بإنتاجها.، وإذا نجح المولد وصار قادرا على إنتاج بيانات وهمية 

 لا يمكن التفريق بينها وبين البيانات الحقيقية، فإن أداء المميز سيكون عبارة عن توقع عشوائي يعني دقة بنسبة 50% في تصنيف البيانات. 

هذا التحسن في المولد وتراجع أداء المميز يشكل تحديًا لعملية تدريب شبكة GAN ككل. يعني ذلك أن ردود فعل المميز تصبح أقل دلالة مع مرور الوقت وصعبة التفسير.ولكن حالة التقارب هذه غالبًا ما تكون مؤقتة وغير ثابتة. 

 أهم تطبيقات على GAN

من التطبيقات العملية لشبكة الخصومة التوليدية: [3]

1. إنتاج الصور: يمكن باستخدام GAN إنتاج صور جديدة مثل إنتاج صور جديدة لوجوه بشرية واقعية لأشخاص غير موجودين على أرض الواقع. كما يمكن باستخدامها إنتاج صور واقعية لمختلف الأشياء مثل المناظر الطبيعية والحيوانات والهندسة المعمارية.
2. الترجمة: يمكن استخدام GAN في ترجمة الصور الى صور أخرى مثل تحويل صورج منظر طبيعي حقيقي إلى رسمة. أيضا يمكننا الترجمة من نص إلى صورة لإنتاج صور بناء على وصف نصي معين.
3. إنتاج أجسام ثلاثية الأبعاد: إنشاء نماذج ثلاثية الأبعاد لأجسام من صور ثنائية الأبعاد أو بيانات أخرى.

ما هي تقنية Deepfake؟

من التطبيقات الشائعة لل GAN هي تقنية Deepfake التي انتشرت مؤخرا وهي نوع من الذكاء الاصطناعي المستخدم لإنشاء صور وملفات صوتية ومقاطع فيديو مضللة بشكل مقنع. يشير هذا المصطلح إلى التكنولوجيا نفسها وإلى المحتوى الزائف الناتج عنه، وهو مجموعة من الذكاء الاصطناعي المتعمق والمحتوى المزيف. [4]

عادة ما تقوم تقنية Deepfake بتحويل محتوى موجود بالفعل حيث يتم استبدال شخص بآخر. وتقوم أيضًا بإنشاء محتوى أصلي تمامًا حيث يُمثل شخصًا ما وهو يقوم بفعل أو قول شيء لم يفعله أو قله بالفعل.

الخاتمة 

إذا شبكات الخصومة التوليدية GAN بالفعل اكتشاف مذهل في علم الذكاء الاصطناعي وهو ذا فائدة كبيرة، حيث شملت فائدتها مجالات عديدة، ولكن لنكن حذرين عند استخدامها فلا يجب توظيفها في مجالات غير أخلاقية مثل التزوير والخداع أو إنتاج محتوى يتسم بالعنصرية والإساءة، ليكن استخدامها بالخير والفائدة. ولا زالت هناك بعض التحديات المستقبلية فيما يتعلق بها، مثل تحسين جودة الإنتاج، وضمان الأمان، ومعالجة مسائل الأخلاقيات في استخدامها، ومن المتوقع أن تستمر في تحسين حياة البشر وتطبيقاتهم في المستقبل.

المصادر 

1. Generative Adversarial Network (GAN) - GeeksforGeeks
2. Overview of GAN Structure | Machine Learning | Google for Developers
3. List Of Generative Adversarial Networks Applications | Simplilearn
4. Deepfake - Wikipedia