يسرّع التعلم النشط تطوير الرؤية الحاسوبية

يشبه تدريب نموذج للرؤية الحاسوبية إلى حد كبير تعليم طفل التعرّف على الألوان. أولًا، ستحتاج إلى مجموعة من الأجسام الملوّنة. ثم ستوجّه الطفل إلى تحديد كل لون بشكل صحيح، وهي مهمة غالبًا ما تكون مستهلكة للوقت ومتكررة.

تمامًا كما يحتاج الطفل إلى أمثلة كثيرة للتعلّم، يحتاج نموذج الرؤية إلى مجموعة كبيرة من البيانات الموسومة للتعرّف على الأنماط والأجسام في الصور. غير أن وسم كميات هائلة من البيانات يستغرق وقتًا وجهدًا كبيرين، ناهيك عن الموارد اللازمة. ويمكن أن تساعد تقنيات مثل التعلّم النشط في تبسيط هذه العملية.

التعلّم النشط هو عملية تدريجية تُختار فيها أهم البيانات من مجموعة بيانات كبيرة وتُوسم. ويتعلّم النموذج من هذه البيانات الموسومة، ما يجعله أكثر دقة وفاعلية. ويؤدي التركيز على البيانات الأعلى قيمة فقط إلى تقليل كمية الوسم المطلوبة وتسريع تطوير النموذج.

في هذه المقالة، سنستعرض كيف يساعد التعلّم النشط في تدريب النماذج، ويقلل تكاليف الوسم، ويحسّن الدقة الإجمالية للنموذج.

ليس من السهل إنشاء مجموعات بيانات للصور#

تُعد مجموعات البيانات أساس نماذج الرؤية الحاسوبية والتعلّم العميق. وتوفر مجموعات بيانات شائعة مثل ImageNet ملايين الصور التي تضم فئات متنوعة من الأجسام. غير أن إنشاء هذه الأحجام الهائلة من مجموعات البيانات عالية الجودة والحفاظ عليها ينطوي على تحديات متعددة.

فعلى سبيل المثال، يستغرق جمع البيانات ووسمها وقتًا وموارد وموسِمين ذوي مهارات، ما يجعل العملية صعبة تبعًا للتطبيق المحدد. وهناك حاجة إلى حلول مبتكرة وأكثر كفاءة لمواكبة الطلب المتزايد على مجموعات بيانات الصور، وهذا بالضبط ما يهدف التعلّم النشط إلى حله.

يوفر التعلّم النشط حلًا مثاليًا من خلال تحسين عملية وسم البيانات. فمن خلال اختيار نقاط البيانات الأكثر إفادة للتعليق عليها بطريقة استراتيجية، يحقق التعلّم النشط أقصى أداء للنموذج مع تقليل جهود الوسم إلى أدنى حد.

ما التعلّم النشط؟#

التعلّم النشط هو أسلوب تكراري في تعلّم الآلة، ينتقي فيه النموذج أهم نقاط البيانات لوسمها من مجموعة كبيرة من البيانات غير الموسومة. ثم تُوسم نقاط البيانات المحددة يدويًا وتُضاف إلى مجموعة بيانات التدريب.

بعد ذلك يُعاد تدريب النموذج على مجموعة البيانات المحدّثة، ويختار المجموعة التالية من نقاط البيانات لوسمها. وتتكرر هذه العملية، مع تحسّن النموذج باستمرار من خلال التركيز على نقاط البيانات الأكثر إفادة. وتستمر الدورة إلى أن يحقق النموذج الدقة المطلوبة أو يستوفي معايير الوسم المحددة مسبقًا.

الشكل 1. نظرة عامة على التعلّم النشط.

فهم كيفية عمل التعلّم النشط#

قد تتساءل عن كيفية تحديد تقنية التعلّم النشط لنقاط البيانات التي تحتاج إلى وسم يدوي، وتلك التي ينبغي وسمها لاحقًا. لنفهم كيفية عمل التعلّم النشط من خلال مقارنته بالدراسة لاختبار؛ إذ تركّز على الموضوعات التي لا تتيقن منها، وتتأكد أيضًا من تغطية مجموعة متنوعة من المواد لتكون مستعدًا جيدًا.

بالنسبة إلى عمليات اختيار البيانات الأولية، يستخدم التعلّم النشط استراتيجيات مثل أخذ عينات عدم اليقين وأخذ العينات القائم على التنوع. ويعطي أخذ عينات عدم اليقين الأولوية لنقاط البيانات التي يكون النموذج فيها الأقل ثقة بتنبؤاته، بهدف تحسين الدقة في الحالات الصعبة. أما أخذ العينات القائم على التنوع، فيختار نقاط بيانات تغطي نطاقًا واسعًا من الخصائص، ما يضمن تعميم النموذج جيدًا على البيانات غير المرئية من خلال تعريضه لأمثلة متنوعة.

الشكل 2. أخذ عينات عدم اليقين (على اليسار) وأخذ العينات القائم على التنوع (على اليمين).

بعد اختيار البيانات الأولية، يستخدم التعلّم النشط نهجين رئيسيين للوسم: أخذ العينات القائم على المجموعة وأخذ العينات القائم على التدفق. وهما يشبهان الطريقة التي يساعد بها المعلم الطالب على التركيز على ما هو أهم.

في أخذ العينات القائم على المجموعة، يفحص النموذج مجموعة كبيرة من البيانات غير الموسومة ويختار الأمثلة الأصعب أو الأكثر إفادة لوسمها، تمامًا كالطالب الذي يعطي الأولوية لبطاقات المراجعة التي يجدها الأصعب. أما في أخذ العينات القائم على التدفق، فيعالج النموذج البيانات عند وصولها، ويقرر ما إذا كان سيضع وسمًا عليها أو يتجاوزها، على غرار طالب لا يطلب المساعدة إلا عندما يواجه صعوبة. وفي كلتا الحالتين، تُضاف البيانات الموسومة إلى مجموعة التدريب، ويعيد النموذج تدريب نفسه، محققًا تحسنًا مطردًا مع كل تكرار.

استكشاف تطبيقات التعلّم النشط#

يؤدي التعلّم النشط دورًا محوريًا في تطبيقات الرؤية الحاسوبية، مثل التصوير الطبي والقيادة الذاتية، من خلال تحسين دقة النموذج وتبسيط عملية وسم البيانات. ومن الأمثلة المثيرة للاهتمام نماذج الرؤية الحاسوبية المستخدمة في السيارات ذاتية القيادة لاكتشاف المشاة أو الأجسام في ظروف الإضاءة المنخفضة أو الضباب. ويمكن للتعلّم النشط تعزيز الدقة من خلال التركيز على سيناريوهات القيادة المتنوعة والصعبة.

وعلى وجه التحديد، يمكن استخدام التعلّم النشط لتحديد البيانات أو الإطارات غير الموثوقة من هذه السيناريوهات لوسمها انتقائيًا. وتؤدي إضافة هذه الأمثلة الموسومة إلى مجموعة التدريب إلى تحسين قدرة النموذج على التعرّف على المشاة والأجسام في البيئات الصعبة، مثل الطقس السيئ أو القيادة ليلًا.

فعلى سبيل المثال، استخدمت NVIDIA التعلّم النشط لتحسين اكتشاف المشاة ليلًا في نماذج القيادة الذاتية لديها. ومن خلال اختيار البيانات الأكثر إفادة للتدريب بطريقة استراتيجية، ولا سيما في السيناريوهات الصعبة، يتحسن أداء النموذج تحسنًا كبيرًا.

الشكل 3. اكتشاف أحد المشاة وهو يحمل مظلة باستخدام التعلّم النشط.

يمكن للتعلّم النشط تقليل تكاليف الوسم#

من الجوانب الرئيسية الأخرى للتعلّم النشط قدرته المحتملة على تقليل تكاليف الوسم. فهو يركّز على أهم نقاط البيانات فقط، بدلًا من طلب التعليقات التوضيحية لمجموعة البيانات بأكملها. ويوفر هذا النهج المستهدف الوقت والجهد والمال. ومن خلال التركيز على العينات غير الموثوقة أو المتنوعة، يقلل التعلّم النشط عدد التعليقات التوضيحية المطلوبة مع الحفاظ على دقة عالية للنموذج.

وتُظهر الأبحاث أن التعلّم النشط يمكن أن يخفض تكاليف الوسم بنسبة 40-60% من دون التضحية بالأداء. ويفيد ذلك خصوصًا في قطاعات مثل الرعاية الصحية والتصنيع، حيث يكون وسم البيانات مكلفًا. ومن خلال تبسيط عملية التعليق التوضيحي، يساعد التعلّم النشط الشركات على تطوير النماذج بسرعة أكبر ونشرها بكفاءة أعلى مع الحفاظ على الدقة.

فوائد التعلّم النشط#

فيما يلي بعض المزايا الرئيسية الأخرى التي يمكن أن يقدمها التعلّم النشط:

• معالجة اختلال توازن الفئات: يمكن أن يساعد التعلّم النشط في معالجة مشكلات اختلال توازن الفئات من خلال وسم الحالات المنتمية إلى فئات البيانات الأقل تمثيلًا. ويمكن للنموذج أن يحقق أداءً أفضل في السيناريوهات النادرة ذات البيانات المحدودة.
• دورات تطوير أسرع: يعني وسم بيانات أقل، بصورة غير مباشرة، تسريع عملية تطوير نماذج تعلّم الآلة والرؤية الحاسوبية، ما يتيح مزيدًا من الوقت والموارد للتكرارات والتجارب الإضافية.
• القدرة على التكيّف: يمكنه تحسين بيانات التدريب باستمرار من خلال التكرار على العينات غير الموثوقة أو حالات الحافة، ما يجعله مناسبًا تمامًا لمجموعات البيانات الديناميكية أو المتطورة.

يمكن أن يعمل التعلّم النشط وAutoML معًا#

يركّز تعلّم الآلة الآلي (AutoML) على أتمتة المهام المستهلكة للوقت والتكرارية المرتبطة ببناء نماذج تعلّم الآلة ونشرها. وهو يبسّط سير عمل تعلّم الآلة من خلال أتمتة مهام مثل اختيار النموذج وتقييم الأداء لتقليل الحاجة إلى الجهد اليدوي.

عند دمجه مع التعلّم النشط، يمكن لـ AutoML تسريع دورة حياة تطوير النموذج وتحسينها. إذ يختار مكوّن التعلّم النشط نقاط البيانات الأكثر إفادة لوسمها بطريقة استراتيجية، بينما يعمل AutoML على تحسين النموذج من خلال أتمتة اختيار البنية والمعلمات والضبط.

الشكل 4. سير عمل AutoML.

لنفهم هذا المزيج من التقنيات من خلال مثال.

لنفترض أنك تحاول اكتشاف حالات نادرة في التصوير الطبي (وهي حالة استخدام تكون فيها مجموعات البيانات الموسومة محدودة ومكلفة الحصول عليها). يمكن للتعلّم النشط تحديد البيانات غير الموثوقة واختيارها، مثل التغيرات الطفيفة في صور الأشعة السينية التي يعجز النموذج عن تصنيفها. ثم يمكن إعطاء الأولوية للبيانات غير الموثوقة للتعليق التوضيحي اليدوي بهدف تحسين فهم النموذج.

باستخدام البيانات المعلّق عليها، يمكن لـ AutoML تحسين النموذج من خلال استكشاف بنيات متنوعة ومعلمات فائقة وتقنيات أخرى لزيادة البيانات. وتسرّع العملية التكرارية تطوير نماذج رؤية موثوقة مثل Ultralytics YOLO11، التي تساعد المتخصصين في الرعاية الصحية على إجراء تشخيصات دقيقة.

تحديات التعلّم النشط#

يوفر التعلّم النشط وتقنياته مزايا عديدة، لكن هناك بعض الاعتبارات التي ينبغي وضعها في الحسبان عند تنفيذ هذه الاستراتيجيات:

• اختيار استراتيجية الاستعلام: ينطوي التعلّم النشط على تقنيات كثيرة، ويؤثر اختيار الطريقة الأفضل تأثيرًا كبيرًا في فاعلية النموذج. وقد يؤدي اختيار استراتيجية غير مناسبة إلى خفض أداء النموذج في تطبيق محدد.
• تكاليف إعادة التدريب: تتطلب الطبيعة التكرارية للتعلّم النشط موارد حوسبة مكلفة، ولا سيما مع مجموعات البيانات الكبيرة. ويُعاد تدريب النموذج بعد كل جولة وسم، ما يزيد تعقيده.
• جودة النموذج الأولي: تعتمد فاعلية التعلّم النشط على جودة النموذج الأولي. وقد لا يتمكن نموذج أولي ضعيف الأداء من تحديد نقاط البيانات المفيدة بدقة، ما يؤدي إلى طلبات وسم دون المستوى وانخفاض الأداء الإجمالي.

آفاق التعلّم النشط وAutoML#

مع التطورات الحديثة في الذكاء الاصطناعي والرؤية الحاسوبية، يستعد التعلّم النشط لمعالجة تحديات أكثر تعقيدًا وتبسيط سير عمل تعلّم الآلة. ويمكن أن يؤدي الجمع بين التعلّم النشط وتقنيات مثل التعلّم الاتحادي والتعلّم ذاتي الإشراف إلى تعزيز كفاءة نماذج الرؤية وقابليتها للتوسع.

يتيح التعلّم الاتحادي تدريب النموذج عبر أجهزة أو خوادم متعددة ضمن إطار عمل موزع، من دون الحاجة إلى مغادرة البيانات لموقعها الأصلي. وفي قطاعات مثل الرعاية الصحية، حيث تُعد خصوصية البيانات مهمة، يجعل التعلّم الاتحادي تدريب النموذج مباشرة على البيانات المحلية الحساسة ممكنًا مع الحفاظ على أمانها. وبدلًا من مشاركة البيانات الأولية، لا تُشارك سوى تحديثات النموذج أو الرؤى المستخلصة، ما يضمن حماية المعلومات الخاصة مع استمرار إسهامها في عملية التدريب.

في الوقت نفسه، يساعد التعلّم ذاتي الإشراف على تقليل الحاجة إلى البيانات الموسومة من خلال التدريب المسبق للنماذج على البيانات غير الموسومة. وتنشئ هذه العملية قاعدة قوية للنموذج. ويمكن للتعلّم النشط بعد ذلك البناء على هذه القاعدة من خلال تحديد أهم نقاط البيانات واختيارها للتعليق التوضيحي البشري، ما يؤدي إلى تحسين النموذج بدرجة أكبر.

من التعلّم النشط إلى التأثير النشط#

يوفر التعلّم النشط طريقة عملية لمعالجة التحديات الرئيسية في الرؤية الحاسوبية، مثل ارتفاع تكلفة التعليق التوضيحي للبيانات والحاجة إلى نماذج أكثر دقة. ومن خلال التركيز على وسم نقاط البيانات الأعلى قيمة فقط، يقلل الجهد المطلوب من البشر مع تعزيز أداء النموذج.

عند دمجه مع تقنيات مثل AutoML، يبسّط التعلّم النشط تطوير النماذج من خلال أتمتة المهام المستهلكة للوقت. ومع استمرار التقدم، يستعد التعلّم النشط ليصبح أداة أساسية لبناء أنظمة رؤية حاسوبية أذكى وأكثر كفاءة.

استكشف مستودعنا على GitHub وانضم إلى مجتمعنا لمعرفة المزيد عن نماذج الذكاء الاصطناعي والرؤية الحاسوبية. وتعرّف على مزيد من تطبيقات الرؤية الحاسوبية في التصنيع والرعاية الصحية في صفحات حلولنا. ويمكنك أيضًا الاطلاع على خيارات الترخيص لبدء رحلتك في مجال الذكاء الاصطناعي للرؤية اليوم.