التعلم النشط يسرع تطوير الرؤية الحاسوبية

تدريب نموذج رؤية حاسوبية يشبه إلى حد كبير تعليم طفل التعرف على الألوان. أولاً، ستحتاج إلى مجموعة من الأجسام الملونة. بعد ذلك، ستوجه الطفل لتحديد كل لون بشكل صحيح، وهي مهمة غالباً ما تكون مستهلكة للوقت ومتكررة.

تماماً كما يحتاج الطفل إلى أمثلة كثيرة للتعلم، يحتاج نموذج الرؤية إلى مجموعة كبيرة من البيانات المصنفة للتعرف على الأنماط والأجسام في الصور. ومع ذلك، فإن تصنيف كميات هائلة من البيانات يتطلب الكثير من الوقت والجهد، ناهيك عن الموارد. يمكن لتقنيات مثل التعلم النشط أن تساعد في تبسيط هذه العملية.

Active learning هي عملية تدريجية يتم فيها اختيار البيانات الأكثر أهمية من مجموعة بيانات ضخمة وتسميتها. يتعلم النموذج من هذه البيانات المسماة، مما يجعله أكثر دقة وفعالية. التركيز فقط على البيانات الأكثر قيمة يقلل من كمية التسمية المطلوبة ويسرع تطوير النموذج.

في هذه المقالة، سنلقي نظرة على كيفية مساعدة التعلم النشط في تدريب النماذج، وتقليل تكاليف التصنيف، وتحسين الدقة الإجمالية للنموذج.

مجموعات بيانات الصور ليست سهلة البناء#

تعد مجموعات البيانات أساس الرؤية الحاسوبية ونماذج التعلم العميق. توفر مجموعات البيانات الشائعة مثل ImageNet ملايين الصور مع فئات كائنات متنوعة. ومع ذلك، فإن إنشاء والصيانة لمثل هذه الأحجام الهائلة من high-quality datasets يواجه تحديات مختلفة.

على سبيل المثال، يتطلب جمع البيانات وتسميتها وقتاً وموارداً ومصنفين ماهرين، مما يجعل العملية صعبة اعتماداً على التطبيق المحدد. هناك حاجة إلى حلول مبتكرة وأكثر كفاءة لمواكبة الطلب المتزايد على image datasets، وهذا هو بالضبط ما تهدف التعلم النشط إلى حله.

يقدم التعلم النشط حلاً مثالياً من خلال تحسين عملية تصنيف البيانات. من خلال الاختيار الاستراتيجي لنقاط البيانات الأكثر إفادة للتصنيف، يزيد التعلم النشط من أداء النموذج مع تقليل جهود التصنيف.

ما هو التعلم النشط؟#

التعلم النشط هو تقنية تعلم آلي تكرارية حيث يختار النموذج أهم نقاط البيانات لتصنيفها من مجموعة كبيرة من البيانات غير المصنفة. يتم تصنيف نقاط البيانات المختارة هذه يدوياً وإضافتها إلى مجموعة بيانات التدريب.

بعد ذلك، يُعاد تدريب النموذج على مجموعة البيانات المحدثة ويختار المجموعة التالية من نقاط البيانات لتصنيفها. تتكرر هذه العملية، حيث يتحسن النموذج باستمرار من خلال التركيز على نقاط البيانات الأكثر إفادة. تستمر الدورة حتى يصل النموذج إلى الدقة المطلوبة أو يستوفي معايير التصنيف المحددة مسبقاً.

Fig 1. نظرة عامة على التعلم النشط.

فهم كيفية عمل التعلم النشط#

قد تتساءل عن كيفية تحديد تقنية التعلم النشط لنقاط البيانات التي تحتاج إلى تصنيف يدوي وتلك التي يجب تصنيفها لاحقاً. لنفهم كيف يعمل التعلم النشط بمقارنته بالدراسة لاختبار - أنت تركز على المواضيع التي لست واثقاً منها وتتأكد أيضاً من تغطية مجموعة متنوعة من المواضيع لتكون مستعداً جيداً.

بالنسبة للمجموعة الأولية من عمليات اختيار البيانات، يستخدم التعلم النشط استراتيجيات مثل أخذ العينات غير المؤكدة (uncertainty sampling) وأخذ العينات القائمة على التنوع (diversity-based sampling). تعطي أخذ العينات غير المؤكدة الأولوية لنقاط البيانات التي يكون النموذج فيها أقل ثقة في توقعاته، بهدف تحسين الدقة في الحالات الصعبة. تختار أخذ العينات القائمة على التنوع نقاط البيانات التي تغطي مجموعة واسعة من الخصائص، مما يضمن تعميم النموذج بشكل جيد على البيانات غير المرئية من خلال تعريضه لأمثلة متنوعة.

Fig 2. أخذ عينات عدم اليقين (على اليسار) وأخذ العينات المستند إلى التنوع (على اليمين).

بعد اختيار البيانات الأولي، يستخدم التعلم النشط نهجين رئيسيين للتصنيف: أخذ العينات القائم على المجمع (pool-based sampling) وأخذ العينات القائم على التدفق (stream-based sampling). إنهما يشبهان الطريقة التي يساعد بها المعلم الطالب على التركيز على ما هو أكثر أهمية.

في أخذ العينات القائم على المجمع، يقوم النموذج بمسح مجموعة كبيرة من البيانات غير المصنفة ويختار الأمثلة الأكثر تحدياً أو إفادة للتصنيف، تماماً كما يعطي الطالب الأولوية للبطاقات التعليمية التي يجدها أصعب. وفيما يتعلق بأخذ العينات القائم على التدفق، يقوم النموذج بمعالجة البيانات فور وصولها، ليقرر ما إذا كان سيصنفها أو يتجاهلها، تماماً مثل الطالب الذي يطلب المساعدة فقط عندما يواجه صعوبة. في كلتا الحالتين، تُضاف البيانات المصنفة إلى مجموعة التدريب، ويقوم النموذج بإعادة تدريب نفسه، مما يؤدي إلى تحسن مطرد مع كل تكرار.

استكشاف تطبيقات التعلم النشط#

يلعب التعلم النشط دوراً رئيسياً في computer vision applications، مثل التصوير الطبي والقيادة الذاتية، من خلال تحسين دقة النموذج وتبسيط عملية تسمية البيانات. مثال مشوق على ذلك هو computer vision models المستخدمة في السيارات ذاتية القيادة لاكتشاف المشاة أو الأشياء في ظروف الإضاءة المنخفضة أو الضبابية. يمكن للتعلم النشط تحسين الدقة من خلال التركيز على سيناريوهات القيادة المتنوعة والصعبة.

على وجه التحديد، يمكن استخدام التعلم النشط لتحديد البيانات أو الإطارات غير المؤكدة من مثل هذه السيناريوهات للتصنيف الانتقائي. تؤدي إضافة هذه الأمثلة المصنفة إلى مجموعة التدريب إلى جعل النموذج أفضل في التعرف على المشاة والأجسام في البيئات الصعبة، مثل أثناء الطقس السيئ أو القيادة ليلاً.

على سبيل المثال، استخدمت NVIDIA التعلم النشط لتحسين اكتشاف المشاة ليلاً في نماذجها ذاتية القيادة. من خلال الاختيار الاستراتيجي لأكثر البيانات إفادة للتدريب، لا سيما في السيناريوهات الصعبة، يزداد أداء النموذج بشكل كبير.

Fig 3. اكتشاف أحد المشاة يحمل مظلة باستخدام التعلم النشط.

يمكن للتعلم النشط تقليل تكاليف التصنيف#

جانب رئيسي آخر للتعلم النشط هو قدرته على تقليل تكاليف التصنيف. يقوم بذلك عن طريق التركيز فقط على أهم نقاط البيانات، بدلاً من طلب تصنيفات لمجموعة البيانات بأكملها. يوفر هذا النهج الموجه الوقت والجهد والمال. من خلال التركيز على العينات غير المؤكدة أو المتنوعة، يقلل التعلم النشط من عدد التصنيفات المطلوبة مع الحفاظ على دقة عالية للنموذج.

في الواقع، يُظهر البحث أن التعلم النشط يمكن أن cut labeling costs بنسبة 40-60% دون التضحية بالاداء. هذا مفيد بشكل خاص في صناعات مثل الرعاية الصحية والتصنيع، حيث تكون بيانات التسمية مكلفة. من خلال تبسيط عملية التعليق، يساعد التعلم النشط الشركات على تطوير نماذج أسرع ونشرها بكفاءة أكبر مع الحفاظ على الدقة.

فوائد التعلم النشط#

إليك بعض المزايا الرئيسية الأخرى التي يمكن أن يقدمها التعلم النشط:

• معالجة اختلال توازن الفئات: يمكن للتعلم النشط أن يساعد في معالجة مشاكل اختلال توازن الفئات من خلال تصنيف الحالات من فئات البيانات الأقل تمثيلاً. يمكن للنموذج أن يعمل بشكل أفضل في السيناريوهات النادرة ذات البيانات المحدودة.
• دورات تطوير أسرع: يعني تصنيف بيانات أقل بشكل غير مباشر تسريع عملية تطوير نماذج التعلم الآلي والرؤية الحاسوبية، مما يتيح المزيد من الوقت والموارد لمزيد من التكرارات والتجارب.
• القدرة على التكيف: يمكنه تحسين بيانات التدريب باستمرار من خلال التكرار على العينات غير المؤكدة أو حالات الحافة، مما يجعله مناسباً تماماً لمجموعات البيانات الديناميكية أو المتطورة.

التعلم النشط وAutoML يمكن أن يعملا معاً#

Automated Machine Learning (AutoML) تركز على أتمتة المهام التي تستغرق وقتاً طويلاً والمتكررة المشاركة في بناء وتوزيع نماذج التعلم الآلي. فهو يبسيط تدفقات عمل التعلم الآلي من خلال أتمتة مهام مثل اختيار النموذج وتقييم الأداء لتقليل الحاجة إلى الجهد اليدوي.

عند دمجه مع التعلم النشط، يمكن لـ AutoML تسريع دورة حياة تطوير النموذج وتحسينها. يقوم مكون التعلم النشط باختيار نقاط البيانات الأكثر إفادة للتصنيف بشكل استراتيجي، بينما يقوم AutoML بتحسين النموذج من خلال أتمتة اختيار الهندسة والمعلمات والضبط.

Fig 4. تدفق عمل AutoML.

لنفهم هذا المزيج من التقنيات من خلال مثال.

فلتفترض أنك تحاول اكتشاف حالات نادرة في medical imaging (حالة استخدام تكون فيها مجموعات البيانات المسماة محدودة ومكلفة في الحصول عليها). يمكن للتعلم النشط تحديد واختيار البيانات غير المؤكدة، مثل التغييرات الدقيقة في صور الأشعة السينية، التي يفشل النموذج في تصنيفها. ثم يمكن إعطاء الأولوية للبيانات غير المؤكدة للتعليق اليدوي لتحسين فهم النموذج.

مع البيانات المعلقة، يمكن لـ AutoML تحسين النموذج من خلال استكشاف مختلف الهندسات والمعلمات الفائقة وتقنيات زيادة البيانات الأخرى. تسرع العملية التكرارية تطوير نماذج رؤية موثوقة مثل Ultralytics YOLO11 التي تساعد محترفي الرعاية الصحية في إجراء تشخيصات دقيقة.

تحديات التعلم النشط#

يقدم التعلم النشط وتقنياته مزايا عديدة، ولكن هناك بعض الاعتبارات التي يجب وضعها في الاعتبار عند تنفيذ هذه الاستراتيجيات:

• اختيار استراتيجية الاستعلام: ينطوي التعلم النشط على العديد من التقنيات، واختيار أفضل طريقة يؤثر بشكل كبير على فعالية النموذج. اختيار استراتيجية غير مناسبة يمكن أن يقلل من أداء النموذج لتطبيق معين.
• تكاليف إعادة التدريب: تتطلب الطبيعة التكرارية للتعلم النشط موارد حوسبة مكلفة، خاصة لمجموعات البيانات الكبيرة. يُعاد تدريب النموذج بعد كل جولة تصنيف، مما يزيد من تعقيده.
• جودة النموذج الأولي: تعتمد فعالية التعلم النشط على جودة النموذج الأولي. قد لا يتمكن النموذج الأولي ضعيف الأداء من تحديد نقاط البيانات المفيدة بدقة، مما يؤدي إلى طلبات تصنيف دون المستوى وتقليل الأداء العام.

الطريق أمام التعلم النشط وAutoML#

مع التطورات الأخيرة في الذكاء الاصطناعي والرؤية الحاسوبية، من المتوقع أن يعالج التعلم النشط تحديات أكثر تعقيداً ويبسط سير عمل التعلم الآلي. إن الجمع بين التعلم النشط وتقنيات مثل التعلم الاتحادي والتعلم الذاتي الإشراف يمكن أن يزيد من كفاءة وقابلية توسع نماذج الرؤية.

Federated learning يتيح تدريب نموذج عبر أجهزة متعددة أو خوادم بإطار عمل موزّع دون الحاجة إلى مغادرة البيانات لموقعها الأصلي. ضع في اعتبارك صناعات مثل الرعاية الصحية، حيث تكون خصوصية البيانات مهمة، يتيح التعلم الفيدرالي التدريب مباشرة على البيانات المحلية الحساسة مع الحفاظ على أمانها. بدلاً من مشاركة البيانات الأولية، يتم مشاركة تحديثات النموذج أو الأفكار فقط، مما يضمن حماية المعلومات الخاصة مع الاستمرار في المساهمة في عملية التدريب.

وفي الوقت نفسه، يساعد self-supervised learning على تقليل الحاجة إلى البيانات المسماة عن طريق التدريب المسبق للنماذج على البيانات غير المسماة. تخلق هذه العملية قاعدة قوية للنموذج. يمكن للتعلم النشط بعد ذلك البناء على هذا من خلال تحديد واختيار أهم نقاط البيانات للتعليق البشري، مما يزيد من تحسين النموذج.

من التعلم النشط إلى التأثير النشط#

يوفر التعلم النشط طريقة عملية لمعالجة التحديات الرئيسية في الرؤية الحاسوبية، مثل التكلفة العالية لتصنيف البيانات والحاجة إلى نماذج أكثر دقة. من خلال التركيز على تصنيف أهم نقاط البيانات فقط، فإنه يقلل الجهد المطلوب من البشر مع تعزيز أداء النموذج.

عند دمجه مع تقنيات مثل AutoML، يسرع التعلم النشط من تطوير النماذج من خلال أتمتة المهام المستهلكة للوقت. مع استمرار التطورات، من المقرر أن يصبح التعلم النشط أداة أساسية لبناء أنظمة رؤية حاسوبية أكثر ذكاءً وكفاءة.

استكشف GitHub repository وانضم إلى community لمعرفة المزيد عن نماذج الذكاء الاصطناعي والرؤية الحاسوبية. اكتشف المزيد من تطبيقات computer vision in manufacturing و healthcare على صفحات الحلول الخاصة بنا. يمكنك أيضاً التحقق من licensing options لبدء رحلة ذكاء الرؤية الاصطناعي اليوم.