المُعمار: رؤية تفاعلية لمعادلات التعلم العميق مباشرة في إكسل

في عالم الذكاء الاصطناعي، يعد فهم الرياضيات الكامنة وراء التعلم العميق أمرًا حيويًا. هنا يأتي دور المُعمار (The Architect)، النظام الثوري الذي يقوم بتحويل Microsoft Excel إلى أداة تفاعلية لعرض معادلات التعلم العميق. من خلال واجهة سهلة الاستخدام، يُمكن للمستخدمين وصف شبكة عصبية في جدول بسيط، ليقوم النظام بعد ذلك بإنشاء مصنف يوضح العمليات الحسابية الكاملة، بما في ذلك المرور الأمامي (forward pass) والمرور العكسي (backward pass) وتحديث المعلمات.

يتميز المُعمار بأنه يعرض القيم المحسوبة على شكل صيغ حية في جدول البيانات، بينما تبقى القيم القابلة للتحرير مثل المدخلات، الأوزان، التسميات، والمعلمات الفائقة قابلة للتعديل. يعمل إكسل على تحديث العمليات الحسابية بشكل تفاعلي عبر محرك إعادة الحساب الخاص به، مما يوفر تجربة تعليمية متميزة.

الكثير من أدوات التعلم العميق تُخفي التفاصيل العددية خلف مكالمات المكتبات. وفي الوقت نفسه، تُظهر أدوات التصوير الرسومي مخططات معمارية أو ملخصات تدريب لكنها لا تُبرز الحسابات التفصيلية للنموذج. يُركز المُعمار على تلك الحلقة المفقودة، حيث يجعل المصفوفات (matrices)، التنشيطات (activations)، الخسائر (losses)، التدرجات (gradients)، والتحديثات (updates) مرئية كأقسام قابلة للفحص في جدول البيانات، مع عناصر تحكم قابلة للتعديل للقيم التي يتفاعل معها المستخدمون بشكل طبيعي.

وبمساعدة المُعمار أيضًا، يتم إنتاج مقتطفات موائمة من PyTorch، مما يساعد المستخدمين على ربط المعادلات بالتطبيقات. يغطي هذا التقرير دافع التصميم والتنفيذ واستخدامات المُعمار، موضحًا كيف يمكن لهذا النظام دعم تتبع الحسابات الأساس، استكشاف معدلات التعلم، تشخيص مشكلة ReLU الميتة (dying ReLU)، وفحص التدرجات المتلاشية (vanishing gradients).

فكرة المُعمار بسيطة ولكن قوية: جداول البيانات تدعم بالفعل الصيغ، والتحرير المباشر، وإعادة الحساب التفاعلي، والتخطيط الجدولي. هذه الخصائص تجعلها وسيلة مفيدة لفهم كيفية حساب الشبكات العصبية الصغيرة لأغراض تعليمية وتشخيصية.