بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
يشبه تدريب نموذج رؤية الكمبيوتر إلى حد كبير تعليم الطفل التعرف على الألوان. أولاً، ستحتاج إلى مجموعة من الأشياء الملونة. بعد ذلك، سترشد الطفل لتحديد كل لون بشكل صحيح، وهي مهمة غالبًا ما تكون مستهلكة للوقت ومتكررة.
تمامًا مثل حاجة الطفل إلى العديد من الأمثلة للتعلم، يحتاج نموذج الرؤية إلى مجموعة كبيرة من البيانات المصنفة للتعرف على الأنماط والكائنات في الصور. ومع ذلك، يستغرق تصنيف كميات هائلة من البيانات الكثير من الوقت والجهد، ناهيك عن الموارد. يمكن أن تساعد تقنيات مثل التعلم النشط في تبسيط هذه العملية.
التعلم النشط هو عملية خطوة بخطوة يتم فيها تحديد أهم البيانات من مجموعة بيانات كبيرة وتصنيفها. يتعلم النموذج من هذه البيانات المصنفة، مما يجعله أكثر دقة وفعالية. إن التركيز فقط على البيانات الأكثر قيمة يقلل من كمية التصنيف المطلوبة ويسرع تطوير النموذج.
في هذه المقالة، سنلقي نظرة على كيف يساعد التعلم النشط في تدريب النموذج، ويقلل من تكاليف وضع العلامات، ويحسن الدقة الإجمالية للنموذج.
مجموعات بيانات الصور ليست سهلة الإنشاء
مجموعات البيانات هي الأساس لنماذج الرؤية الحاسوبية والتعلم العميق. توفر مجموعات البيانات الشائعة مثل ImageNet ملايين الصور مع فئات كائنات متنوعة. ومع ذلك، فإن إنشاء وصيانة مثل هذه الأحجام الهائلة من مجموعات البيانات عالية الجودة يأتي مع تحديات مختلفة.
على سبيل المثال، يستغرق جمع البيانات وتصنيفها وقتًا وموارد وجهات متخصصة في وضع العلامات، مما يجعل العملية صعبة اعتمادًا على التطبيق المحدد. هناك حاجة إلى حلول مبتكرة وأكثر كفاءة لمواكبة الطلب المتزايد على مجموعات بيانات الصور، وهذا بالضبط ما يهدف التعلم النشط إلى حله.
يقدم التعلم النشط حلاً مثاليًا من خلال تحسين عملية وضع العلامات على البيانات. من خلال الاختيار الاستراتيجي لنقاط البيانات الأكثر إفادة للتعليق التوضيحي، يزيد التعلم النشط من أداء النموذج مع تقليل جهود وضع العلامات.
ما هو التعلم النشط؟
التعلم النشط هو أسلوب تكراري للتعلم الآلي حيث يختار النموذج أهم نقاط البيانات لوضع العلامات عليها من مجموعة كبيرة من البيانات غير المسماة. يتم تسمية نقاط البيانات المحددة هذه يدويًا وإضافتها إلى مجموعة بيانات التدريب.
ثم تتم إعادة تدريب النموذج على مجموعة البيانات المحدثة ويختار المجموعة التالية من نقاط البيانات لتسميتها. تتكرر هذه العملية، مع تحسن النموذج باستمرار من خلال التركيز على نقاط البيانات الأكثر إفادة. تستمر الدورة حتى يصل النموذج إما إلى الدقة المطلوبة أو يستوفي معايير التسمية المحددة مسبقًا.
قد تتساءل عن كيفية تحديد تقنية التعلم النشط لنقاط البيانات التي تحتاج إلى تسمية يدوية وأيها يجب تسميته لاحقًا. دعنا نفهم كيف يعمل التعلم النشط من خلال مقارنته بالدراسة للاختبار - فأنت تركز على الموضوعات التي لست متأكدًا منها وتتأكد أيضًا من تغطية مجموعة متنوعة من الموضوعات لتكون مستعدًا جيدًا.
بالنسبة للمجموعة الأولية من عمليات اختيار البيانات، يستخدم التعلم النشط استراتيجيات مثل أخذ العينات بالاعتماد على عدم اليقين وأخذ العينات القائمة على التنوع. يعطي أخذ العينات بالاعتماد على عدم اليقين الأولوية لنقاط البيانات التي يكون النموذج فيها الأقل ثقة في تنبؤاته، بهدف تحسين الدقة في الحالات الصعبة. يختار أخذ العينات القائم 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.
الشكل 2. أخذ العينات غير المؤكدة (على اليسار) وأخذ العينات القائمة على التنوع (على اليمين).
بعد الاختيار الأولي للبيانات، يستخدم التعلم النشط طريقتين رئيسيتين للتسمية: أخذ العينات المستند إلى التجميع وأخذ العينات المستند إلى التدفق، وهما يشبهان الطريقة التي يساعد بها المعلم الطالب على التركيز على ما هو أكثر أهمية.
في أخذ العينات المستند إلى المجمّع، يفحص النموذج مجمّعًا كبيرًا من البيانات غير المسماة ويختار الأمثلة الأكثر تحديًا أو إفادة لتسميتها، تمامًا مثل الطالب الذي يعطي الأولوية للبطاقات التعليمية التي يجدها الأصعب. فيما يتعلق بأخذ العينات المستند إلى التدفق، يعالج النموذج البيانات عند وصولها، ويقرر ما إذا كان سيتم تسميتها أو تخطيها، على غرار الطالب الذي يطلب المساعدة فقط عندما يكون عالقًا. في كلتا الحالتين، تتم إضافة البيانات المسماة إلى مجموعة التدريب، ويعيد النموذج تدريب نفسه، ويتحسن باستمرار مع كل تكرار.
استكشاف تطبيقات التعلم النشط
يلعب التعلم النشط دورًا رئيسيًا في تطبيقات رؤية الكمبيوتر، مثل التصوير الطبي والقيادة الذاتية، من خلال تحسين دقة النموذج وتبسيط عملية وضع العلامات على البيانات. مثال مثير للاهتمام على ذلك هو نماذج رؤية الكمبيوتر المستخدمة في السيارات ذاتية القيادة لاكتشاف المشاة أو الأشياء في ظروف الإضاءة المنخفضة أو الضبابية. يمكن للتعلم النشط أن يعزز الدقة من خلال التركيز على سيناريوهات القيادة المتنوعة والصعبة.
على وجه التحديد، يمكن استخدام التعلم النشط لتحديد البيانات أو الإطارات غير المؤكدة من هذه السيناريوهات من أجل التصنيف الانتقائي. إن إضافة هذه الأمثلة المصنفة إلى مجموعة التدريب يجعل النموذج يتعرف بشكل أفضل على المشاة والأشياء في البيئات الصعبة، مثل الطقس السيئ أو القيادة الليلية.
على سبيل المثال، استخدمت NVIDIA التعلم النشط لتحسين اكتشاف المشاة ليلاً في نماذج القيادة الذاتية الخاصة بها. من خلال الاختيار الاستراتيجي للبيانات الأكثر إفادة للتدريب، وخاصة في السيناريوهات الصعبة، يزداد أداء النموذج بشكل كبير.
الشكل 3. اكتشاف أحد المشاة يحمل مظلة باستخدام التعلم النشط.
يمكن للتعلم النشط أن يقلل من تكاليف وضع العلامات
جانب رئيسي آخر من جوانب التعلم النشط هو إمكاناته لتقليل تكاليف وضع العلامات. وهو يفعل ذلك من خلال التركيز فقط على نقاط البيانات الأكثر أهمية، بدلاً من طلب التعليقات التوضيحية لمجموعة البيانات بأكملها. يوفر هذا النهج المستهدف الوقت والجهد والمال. من خلال التركيز على العينات غير المؤكدة أو المتنوعة، يقلل التعلم النشط من عدد التعليقات التوضيحية المطلوبة مع الحفاظ على دقة عالية للنموذج.
في الواقع، تُظهر الأبحاث أن التعلم النشط يمكن أن يقلل تكاليف التصنيف بنسبة 40-60٪ دون التضحية بالأداء. وهذا مفيد بشكل خاص في صناعات مثل الرعاية الصحية والتصنيع، حيث يكون تصنيف البيانات مكلفًا. من خلال تبسيط عملية التعليقات التوضيحية، يساعد التعلم النشط الشركات على تطوير النماذج بشكل أسرع ونشرها بكفاءة أكبر مع الحفاظ على الدقة.
مزايا التعلم النشط
فيما يلي بعض المزايا الرئيسية الأخرى التي يمكن أن يوفرها التعلم النشط:
معالجة عدم توازن الفئات: يمكن أن يساعد التعلم النشط في معالجة مشكلات عدم توازن الفئات عن طريق تصنيف الحالات من فئات البيانات الأقلية. يمكن للنموذج أن يعمل بشكل أفضل في السيناريوهات النادرة ذات البيانات المحدودة.
دورات تطوير أسرع: يعني تصنيف كمية أقل من البيانات بشكل غير مباشر تسريع عملية تطوير نماذج التعلم الآلي ورؤية الكمبيوتر، مما يسمح بمزيد من الوقت والموارد لإجراء المزيد من التكرارات والتجارب.
القدرة على التكيف: يمكنه تحسين بيانات التدريب باستمرار من خلال التكرار على عينات غير مؤكدة أو حالات حافة، مما يجعله مناسبًا تمامًا لمجموعات البيانات الديناميكية أو المتطورة.
يمكن أن يعمل التعلم النشط والتعلم الآلي التلقائي معًا
يركز التعلم الآلي الآلي (AutoML) على أتمتة المهام المستهلكة للوقت والمتكررة التي ينطوي عليها بناء ونشر نماذج التعلم الآلي. فهو يبسط سير عمل التعلم الآلي عن طريق أتمتة مهام مثل اختيار النموذج وتقييم الأداء لتقليل الحاجة إلى الجهد اليدوي.
عند دمجه مع التعلم النشط، يمكن لـ AutoML تسريع وتحسين دورة حياة تطوير النموذج. يختار مكون التعلم النشط بشكل استراتيجي نقاط البيانات الأكثر إفادة للتصنيف، بينما يقوم AutoML بتحسين النموذج عن طريق أتمتة اختيار البنية والمعلمات والضبط.
لنفترض أنك تحاول اكتشاف حالات نادرة في التصوير الطبي (حالة استخدام تكون فيها مجموعات البيانات المسماة محدودة ومكلفة للحصول عليها). يمكن للتعلم النشط تحديد واختيار البيانات غير المؤكدة، مثل التغييرات الطفيفة في صور الأشعة السينية، التي يفشل النموذج في تصنيفها. بعد ذلك، يمكن إعطاء الأولوية للبيانات غير المؤكدة للتعليق اليدوي لتحسين فهم النموذج.
باستخدام البيانات المشروحة، يمكن لـ AutoML تحسين النموذج من خلال استكشاف البنى والمعلمات الفائقة المختلفة وتقنيات زيادة البيانات الأخرى. تعمل العملية التكرارية على تسريع تطوير نماذج الرؤية الموثوقة مثل Ultralytics YOLO11 التي تساعد متخصصي الرعاية الصحية على إجراء تشخيصات دقيقة.
تحديات التعلم النشط
يوفر التعلم النشط وتقنياته العديد من المزايا، ولكن هناك بعض الاعتبارات التي يجب وضعها في الاعتبار عند تنفيذ هذه الاستراتيجيات:
تحديد استراتيجية الاستعلام: يتضمن التعلم النشط العديد من التقنيات، ويؤثر اختيار أفضل طريقة بشكل كبير على فعالية النموذج. يمكن أن يؤدي تحديد استراتيجية غير مناسبة إلى تقليل أداء النموذج لتطبيق معين.
تكاليف إعادة التدريب: تتطلب الطبيعة التكرارية للتعلم النشط موارد حسابية باهظة الثمن، خاصة بالنسبة لمجموعات البيانات الكبيرة. تتم إعادة تدريب النموذج بعد كل جولة تسمية، مما يزيد من تعقيده.
جودة النموذج الأولية: تعتمد فعالية التعلم النشط على جودة النموذج الأولي. قد لا يتمكن النموذج الأولي ذو الأداء الضعيف من تحديد نقاط البيانات الإعلامية بدقة، مما يؤدي إلى طلبات تسمية دون المستوى وتقليل الأداء العام.
المسار المستقبلي للتعلم النشط و AutoML
مع التطورات الأخيرة في الذكاء الاصطناعي ورؤية الكمبيوتر، تم إعداد التعلم النشط لمواجهة تحديات أكثر تعقيدًا وتبسيط مهام سير عمل تعلم الآلة. يمكن أن يؤدي الجمع بين التعلم النشط وتقنيات مثل التعلم الموحد والتعلم بالإشراف الذاتي إلى زيادة كفاءة وقابلية التوسع لنماذج الرؤية.
يمكّن التعلم الموحد من تدريب نموذج عبر أجهزة أو خوادم متعددة بإطار عمل موزع دون الحاجة إلى مغادرة البيانات لموقعها الأصلي. ضع في اعتبارك صناعات مثل الرعاية الصحية، حيث تكون خصوصية البيانات مهمة، فإن التعلم الموحد يجعل من الممكن التدريب مباشرة على البيانات المحلية الحساسة مع الحفاظ عليها آمنة. بدلاً من مشاركة البيانات الأولية، تتم مشاركة تحديثات النموذج أو الرؤى فقط، مما يضمن بقاء المعلومات الخاصة محمية مع الاستمرار في المساهمة في عملية التدريب.
وفي الوقت نفسه، يساعد التعلم بالإشراف الذاتي في تقليل الحاجة إلى البيانات المصنفة عن طريق التدريب المسبق للنماذج على بيانات غير مصنفة. تخلق هذه العملية أساسًا قويًا للنموذج. يمكن للتعلم النشط بعد ذلك البناء على ذلك عن طريق تحديد واختيار أهم نقاط البيانات للترميز البشري، مما يزيد من تحسين النموذج.
من التعلم النشط إلى التأثير الفعال
يوفر التعلم النشط طريقة عملية لمواجهة التحديات الرئيسية في رؤية الكمبيوتر، مثل التكلفة العالية للتعليقات التوضيحية للبيانات والحاجة إلى نماذج أكثر دقة. من خلال التركيز على تسمية نقاط البيانات الأكثر قيمة فقط، فإنه يقلل من الجهد المطلوب من البشر مع تعزيز أداء النموذج.
عند دمجه مع تقنيات مثل AutoML، يعمل التعلم النشط على تبسيط تطوير النموذج عن طريق أتمتة المهام التي تستغرق وقتًا طويلاً. مع استمرار التطورات، من المقرر أن يصبح التعلم النشط أداة أساسية لبناء أنظمة رؤية حاسوبية أكثر ذكاءً وكفاءة.
