🎛️ أفلِت الكرية واضبط الخطوة η
اختر من أين تنطلق الكرية وحجم الخطوة، ثم انقر «انطلق»: ستتبع المنحدر نحو الأسفل.
الخطوة n
0
المنحدر f′(x)
—
الارتفاع f(x)
—
تنطلق الكرية من x₀ = -5.0. في كل خطوة، تطبّق x ← x − η·f′(x): تنزلق في الاتجاه المعاكس للمنحدر. انقر «انطلق».
⛰️ أنت في الضباب على جبل
تخيّل أنك ضائع على سفح جبل، في ضباب كثيف. تريد أن تبلغ قاع الوادي، لكنك لا ترى أبعد من قدميك. ماذا تفعل؟ تتحسّس الأرض من حولك، وتلاحظ في أي اتجاه ينحدر الميل بشدّة أكبر، وتخطو خطوة في ذلك الاتجاه. ثم تعيد الكرّة. ومرة أخرى.
لهذه الاستراتيجية اسم رياضي: انحدار المدروج. إنها حرفيًا الخوارزمية التي تجعل شبه كل أنواع الذكاء الاصطناعي الحديثة «تتعلم»، من التعرف على الصور إلى ChatGPT. والأجمل من ذلك أنها تستند إلى فكرة واحدة تحليلية من الثانوي: المشتقة هي المنحدر.
الحدس في جملة واحدة: المشتقة f′(x) تخبرك في أي اتجاه يصعد المنحنى. لذا، حتى تنزل، تذهب في الاتجاه المعاكس: تطرح جزءًا صغيرًا من المنحدر من موضعك. هذا كل شيء. والباقي مجرد تكرار.
📉 القاعدة السحرية: x ← x − η·f′(x)
إليك الصيغة الكاملة لانحدار المدروج بمتغير واحد. في كل خطوة، نحدّث الموضع x هكذا:
x←x−η·f′(x)
لنفكّك كل جزء:
- f′(x) هو المنحدر عند النقطة التي تقف عندها. إذا كان موجبًا، فالمنحنى يصعد نحو اليمين ← يجب الذهاب إلى اليسار. وإذا كان سالبًا، فالمنحنى ينزل نحو اليمين ← يجب الذهاب إلى اليمين. وإشارة «−» الموضوعة أمامه تتكفّل بهذا تلقائيًا.
- η (الحرف الإغريقي «إيتا») هو الخطوة، وتُسمى أيضًا معدل التعلم (learning rate بالإنجليزية). إنها حجم الخطوة التي تخطوها في كل مرحلة.
- كلما كان المنحدر أشدّ، كانت الخطوة أكبر (لأننا نضرب η في f′(x)). وكلما اقتربت من القاع المسطّح، كلما تسطّح المنحدر، وقصُرت خطواتك. الكرية تتباطأ من تلقاء نفسها عند بلوغ القيمة الدنيا.
وهنا نعثر على مبرهنة من البرنامج: عند القيمة الدنيا لدالة قابلة للاشتقاق، تنعدم المشتقة (f′(x) = 0). عندما f′(x) = 0، لا تعود القاعدة تتحرك: x ← x − η·0 = x. وصلت الكرية. نقطة توقف الخوارزمية هي بالضبط النقطة التي تساوي عندها المشتقة صفرًا — وهو نفس تعريف القيمة القصوى الذي رأيته في القسم.
⚖️ كل شيء يتوقف على الخطوة η
اختيار η هو الفن المركزي في انحدار المدروج. العب بمؤشّر التمرير في التمثيل المرئي لترى الأنظمة الثلاثة:
- η صغير جدًا (مثلًا 0.005): تتقدّم الكرية بخطوات دقيقة جدًا. تنتهي بـ بلوغ القاع، لكنها تحتاج إلى مئات المراحل. هذا بطيء ومُكلف.
- η مضبوط جيدًا (مثلًا 0.08): تنزل الكرية بوضوح، وتتباطأ عند الاقتراب من الحفرة، وتستقر في القاع بعد خطوات قليلة. إنه النظام المثالي.
- η كبير جدًا (مثلًا 0.3): في كل خطوة تقفز الكرية فوق القيمة الدنيا. تتذبذب من جانب إلى آخر، بل قد تتباعد مبتعدةً أكثر فأكثر. الطموح المفرط يقتل التقارب.
الصورة الصحيحة: بخطوة η كبيرة جدًا، يكون الأمر كمن ينحدر منحدرًا راكضًا بأقصى سرعة — تفوّت النقطة المنخفضة وتصعد من الجهة الأخرى. وبخطوة صغيرة جدًا، تتقدّم بخطى النملة: تنتهي بالوصول، لكن النهار قد انقضى.
🕳️ فخ القيم الدنيا المحلية
إليك الصعوبة الحقيقية. دالتنا في التمثيل تمتلك عدة حفر: حفرة عميقة (القيمة الدنيا الإجمالية، أفضل حل حقيقي) وحفر أقل عمقًا (القيم الدنيا المحلية، وهي فخاخ). انحدار المدروج لا يرى إلا المنحدر المحلي تحت قدميه. إنه لا يعرف المنظر بأكمله.
النتيجة: حسب موضع الانطلاق x₀، قد تسقط الكرية في حفرة محلية وتبقى عالقة فيها، في حين كان واد أعمق بكثير ينتظرها بجانبها تمامًا. عندما ينعدم المنحدر، تتوقف الخوارزمية — تظن أنها فازت، لكنها وجدت فقط قيمة دنيا، لا القيمة الدنيا. حرّك مؤشّر الانطلاق في التمثيل المرئي: سترى الكرية تنتهي في حفر مختلفة حسب نقطة إفلاتها.
🤖 الصلة المباشرة بالذكاء الاصطناعي والتعلم العميق
الآن، القفزة المذهلة. الشبكة العصبية هي دالة ضخمة تتوقف على وُسطائها («الأوزان»). عندما ندرّبها، نعرّف دالة خسارة (loss): عدد يقيس مدى خطأ الشبكة. كلما كانت الخسارة أصغر، كانت تنبؤات الشبكة أفضل.
تدريب ذكاء اصطناعي هو بالضبط البحث عن القيمة الدنيا لدالة الخسارة هذه. والأداة المستعملة هي... انحدار المدروج. الفرق الوحيد مع كريتنا هو عدد الأبعاد:
- هنا، نصغّر f(x) بـ متغير واحد ← منحنى في مستوى.
- نموذج لغوي كبير يصغّر خسارة بـ مليارات المتغيرات ← «سطح» في فضاء بمليارات الأبعاد، يستحيل رسمه.
لكن القاعدة تبقى هي نفسها حرفيًا: لكل وسيط، نحسب منحدر الخسارة (المدروج)، ونطرح η مضروبًا في هذا المنحدر. مليارات المرات، على مليارات الوُسطاء، خلال أسابيع من الحساب على مزارع وحدات معالجة الرسومات (GPU). «المدروج» هو ببساطة تعميم المشتقة عندما يكون هناك عدة متغيرات: متجهة تشير نحو أشدّ صعود. نذهب في الاتجاه المعاكس، فننزل.
📐 الصلة ببرنامجك الدراسي
كل ما يجعل انحدار المدروج ممكنًا موجود فعلًا في درس التحليل:
- المشتقة = المنحدر. f′(x) تقيس سرعة التغير، أي ميل المماس. إنها قلب الخوارزمية.
- «تنعدم المشتقة عند القيمة الدنيا». المعيار f′(x) = 0 للقيمة القصوى، الذي رأيته في دراسة الدوال، هو معيار توقف الانحدار.
- إشارة المشتقة تعطي منحى التغير. جدول الإشارات، التزايد/التناقص: هذه الإشارة هي التي تخبر الكرية بالذهاب يسارًا أو يمينًا.
- الأمثلة (Optimisation). إيجاد القيمة الدنيا أو القصوى لدالة (كلفة، مسافة، مساحة) تمرين كلاسيكي. انحدار المدروج هو النسخة العددية، التكرارية، لما تقوم به يدويًا.
بعبارة أخرى: في المرة القادمة التي تنجز فيها جدول التغيرات وتكتب «f′(x) = 0 إذن x قيمة دنيا»، تذكّر أنك تتعامل مع المحرّك الرياضي للذكاء الاصطناعي. نفس الفكرة، مكرّرة فقط مليارات المرات بواسطة آلة.