تعرّف على كيفية تعزيز التعلّم التجميعي لأداء نماذج الذكاء الاصطناعي من خلال تقنيات مثل التجميع والتعزيز والتكديس لتقديم تنبؤات أكثر دقة وثباتًا.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرّف على كيفية تعزيز التعلّم التجميعي لأداء نماذج الذكاء الاصطناعي من خلال تقنيات مثل التجميع والتعزيز والتكديس لتقديم تنبؤات أكثر دقة وثباتًا.
تعتمد ابتكارات الذكاء الاصطناعي مثل محركات التوصيات وأنظمة الكشف عن الاحتيال على خوارزميات ونماذج التعلم الآلي لوضع تنبؤات وقرارات بناءً على البيانات. يمكن لهذه النماذج تحديد الأنماط والتنبؤ بالاتجاهات والمساعدة في أتمتة المهام المعقدة.
ومع ذلك، قد يواجه نموذج واحد صعوبة في التقاط جميع التفاصيل في بيانات العالم الحقيقي. فقد يكون أداؤه جيدًا في بعض الحالات ولكنه قد يقصر في حالات أخرى، مثل نموذج الكشف عن الاحتيال الذي يفتقد أنواعًا جديدة من المعاملات.
هذا القيد هو شيء غالباً ما يواجهه مهندسو الذكاء الاصطناعي عند بناء نماذج التعلم الآلي ونشرها. فبعض النماذج تبالغ في التكيف من خلال تعلم بيانات التدريب عن كثب، في حين أن البعض الآخر لا يتكيف بشكل كافٍ من خلال فقدان أنماط مهمة. التعلّم التجميعي هو تقنية ذكاء اصطناعي تساعد في معالجة هذه التحديات من خلال الجمع بين نماذج متعددة، تُعرف باسم المتعلمين الأساسيين، في نظام واحد أكثر قوة.
يمكنك التفكير فيه كفريق من الخبراء يعملون معًا لحل مشكلة ما. في هذه المقالة، سوف نستكشف ما هو التعلم الجماعي وكيف يعمل، وأين يمكن استخدامه. لنبدأ!
يشير التعلّم التجميعي إلى مجموعة من التقنيات التي تجمع بين نماذج متعددة لحل نفس المشكلة وإنتاج نتيجة واحدة محسّنة. ويمكن تطبيقها في كل من التعلم الخاضع للإشراف (حيث تتعلم النماذج من البيانات المصنفة) والتعلم غير الخاضع للإشراف (حيث تجد النماذج أنماطًا في البيانات غير المصنفة).
فبدلاً من الاعتماد على نموذج واحد للتنبؤ، تستخدم المجموعة عدة نماذج ينظر كل منها إلى البيانات بطريقته الخاصة. وعندما يتم الجمع بين مخرجات هذه النماذج، غالباً ما تكون النتيجة أكثر دقة واستقراراً وقابلية للتعميم مما يمكن أن يحققه أي نموذج بمفرده.
يمكنك مقارنتها بلجنة من المحللين الذين يعالجون نفس المشكلة. يفسر كل محلل أو نموذج فردي البيانات بشكل مختلف.
قد يركز أحدهم على الأنماط، وآخر على الحالات الشاذة، وآخر على السياق. ومن خلال الجمع بين وجهات نظرهم معاً، يمكن للمجموعة اتخاذ قرار أكثر توازناً وموثوقية من أي حكم فردي.
يساعد هذا النهج أيضًا في معالجة اثنين من أكبر التحديات في التعلم الآلي: التحيز والتباين. فالنموذج ذو التحيز العالي يكون بسيطاً للغاية ويتجاهل الأنماط المهمة، بينما النموذج ذو التباين العالي يكون حساساً للغاية ويناسب بيانات التدريب بشكل كبير. من خلال الجمع بين النماذج، يجد التعلّم التجميعي توازناً بين الاثنين، مما يحسّن من أداء النظام على البيانات الجديدة غير المرئية.
يُعرف كل نموذج في المجموعة باسم المتعلم الأساسي أو النموذج الأساسي. يمكن أن تكون هذه النماذج إما نفس نوع الخوارزمية أو مزيجًا من خوارزميات مختلفة، اعتمادًا على تقنية المجموعة المستخدمة.
فيما يلي بعض الأمثلة الشائعة للنماذج المختلفة المستخدمة في التعلم الجماعي:
يُطلق على مجموعة النماذج المدمجة عمومًا اسم المتعلم القوي لأنها تدمج نقاط قوة المتعلمين الأساسيين (يشار إليها أيضًا بالنماذج الضعيفة) مع تقليل نقاط ضعفهم. وهو يقوم بذلك من خلال الجمع بين تنبؤات كل نموذج بطريقة منظمة، باستخدام التصويت بالأغلبية لمهام التصنيف أو المتوسط المرجح لمهام الانحدار للحصول على نتيجة نهائية أكثر دقة.
قبل أن نتعمق في تقنيات التعلّم التجميعي المختلفة، دعونا نأخذ خطوة إلى الوراء ونفهم متى يجب استخدام هذا النوع من النهج في مشروع تعلّم آلي أو ذكاء اصطناعي.
يكون التعلّم التجميعي أكثر تأثيرًا عندما يواجه نموذج واحد صعوبة في إجراء تنبؤات دقيقة أو متسقة. يمكن استخدامه أيضًا في الحالات التي تكون فيها البيانات معقدة أو صاخبة أو لا يمكن التنبؤ بها.
فيما يلي بعض الحالات الشائعة التي تكون فيها طرق التجميع فعالة بشكل خاص:
كما أنها أسهل في التدريب، وأسهل في التفسير، وأسرع في الصيانة. قبل استخدام المجموعة، من المهم الموازنة بين الاستفادة من الدقة الأعلى مقابل الوقت الإضافي والقدرة الحاسوبية والتعقيد الذي يتطلبه.
بعد ذلك، دعونا نلقي نظرة على الطرق الرئيسية التي يمكن من خلالها تطبيق التعلّم التجميعي في مشاريع التعلّم الآلي. هناك العديد من التقنيات الأساسية المستخدمة لدمج النماذج، حيث تعمل كل منها على تحسين الأداء بطريقتها الخاصة. أكثر طرق التجميع شيوعًا هي التجميع والتعزيز والتكديس والمزج.
تجميع الأكياس، وهو اختصار لتجميع التمهيد، هو أسلوب تعلّم تجميعي يساعد على تحسين استقرار النموذج ودقته من خلال تدريب إصدارات متعددة من نفس النموذج على أجزاء مختلفة من البيانات.
يتم إنشاء كل مجموعة فرعية باستخدام عملية تُسمّى أخذ عينات بالتمهيد، حيث يتم اختيار نقاط البيانات عشوائيًا مع الاستبدال. هذا يعني أنه بعد اختيار نقطة بيانات، يتم إعادتها إلى مجموعة البيانات قبل اختيار النقطة التالية، لذا يمكن أن تظهر النقطة نفسها أكثر من مرة، بينما قد يتم استبعاد نقاط أخرى. تضمن هذه العشوائية أن يتدرب كل نموذج على نسخة مختلفة قليلاً من مجموعة البيانات.
أثناء عملية الاستدلال، تعمل جميع النماذج المدرّبة بالتوازي لإجراء تنبؤات على بيانات جديدة غير مرئية. ينتج كل نموذج مخرجاته الخاصة بناءً على ما تعلمه، ثم يتم دمج هذه التنبؤات الفردية لتكوين النتيجة النهائية.
بالنسبة لمهام الانحدار، مثل التنبؤ بأسعار المنازل أو توقعات المبيعات، يعني هذا عادةً حساب متوسط مخرجات جميع النماذج للحصول على تقدير أكثر سلاسة. أما بالنسبة لمهام التصنيف، مثل تحديد ما إذا كانت المعاملة احتيالية أم لا، فغالباً ما تقوم المجموعة بتصويت الأغلبية لتحديد الفئة النهائية.
من الأمثلة الجيدة على الحالات التي تعمل فيها عملية التجميع بشكل جيد هي أشجار القرارات، والتي يمكن أن تتكيف بسهولة عند تدريبها على مجموعة بيانات واحدة. من خلال تدريب العديد من الأشجار على عينات مختلفة قليلاً والجمع بين نتائجها، يقلل تجميع الأكياس من الإفراط في التكييف ويحسن الموثوقية.
ضع في اعتبارك خوارزمية الغابة العشوائية. إنها عبارة عن مجموعة من أشجار القرار، حيث يتم تدريب كل شجرة على مجموعة فرعية عشوائية من مجموعة بيانات التدريب بالإضافة إلى مجموعة فرعية عشوائية من الميزات.
تساعد هذه الميزة العشوائية في ضمان أن تكون الأشجار أقل ترابطًا وأن يكون النموذج الكلي أكثر استقرارًا ودقة. يمكن استخدام خوارزمية الغابة العشوائية لتصنيف الصور أو اكتشاف الاحتيال أو التنبؤ بتقلبات العملاء أو التنبؤ بالمبيعات أو تقدير أسعار العقارات.
التعزيز هو أسلوب آخر للتعلم التجميعي يركز على تحسين المتعلمين الضعفاء (النماذج) من خلال تدريبهم بالتتابع، واحدًا تلو الآخر، بدلاً من التدريب بالتوازي. ويتمثل المفهوم الأساسي للتعزيز في أن كل نموذج جديد يتعلم من أخطاء النماذج السابقة، مما يؤدي إلى تحسين أداء النموذج بشكل تدريجي.
على عكس التكييس، الذي يقلل من التباين عن طريق حساب متوسط النماذج المستقلة، فإن التعزيز يقلل من التحيز من خلال جعل كل نموذج جديد يولي اهتمامًا أكبر للحالات الصعبة التي واجهت النماذج السابقة صعوبة في التعامل معها.
نظرًا لأن نماذج التعزيز يتم تدريبها بالتتابع، فإن الطريقة التي يتم بها دمج تنبؤاتها في النهاية تختلف قليلاً عن طرق التجميع الأخرى. حيث يساهم كل نموذج في التنبؤ النهائي بما يتناسب مع أدائه أثناء التدريب، مع حصول النماذج الأكثر دقة على وزن أكبر.
بالنسبة لمهام الانحدار، عادةً ما تكون النتيجة النهائية عبارة عن مجموع مرجح لجميع تنبؤات النموذج. بالنسبة لمهام التصنيف، تجمع الخوارزمية بين الأصوات المرجحة من النماذج لتحديد الفئة النهائية. يساعد هذا النهج في تعزيز إنشاء نموذج إجمالي قوي من خلال إعطاء وزن أكبر للنماذج الأكثر دقة مع الاستمرار في التعلم من النماذج الأخرى.
فيما يلي بعض الأنواع الشائعة من خوارزميات التعزيز:
يأخذ التكديس، الذي يُطلق عليه أيضًا التعميم المكدس، الأمور خطوة إلى الأمام باستخدام التنبؤات من عدة نماذج كمدخلات لنموذج نهائي يُعرف باسم المتعلم الفوقي. يمكنك التفكير في الأمر مثل وجود مجموعة من الخبراء الذين يشارك كل منهم برأيه، ثم يتعلم صانع القرار النهائي كيفية الموازنة بين هذه الآراء لاتخاذ أفضل قرار ممكن.
على سبيل المثال، قد يكون أحد النماذج رائعاً في اكتشاف الاحتيال بينما يكون نموذج آخر أفضل في التنبؤ بتخبط العملاء. ويدرس المتعلم الفوقي كيفية أداء كل منهما ويستخدم نقاط قوتهما معاً للتوصل إلى تنبؤ نهائي أكثر دقة.
يعمل المزج بطريقة مشابهة للتكديس لأنه يجمع أيضًا بين التنبؤات من عدة نماذج لاتخاذ قرار نهائي، لكنه يتبع نهجًا أبسط وأسرع. بدلاً من استخدام التحقق التبادلي (وهي طريقة تقسم البيانات إلى عدة أجزاء وتناوبها بين التدريب والاختبار لجعل النموذج أكثر موثوقية)، كما يفعل التكديس، فإن المزج يضع جانباً جزءاً صغيراً من البيانات يسمى مجموعة الانتظار.
يتم تدريب النماذج الأساسية على البيانات المتبقية ثم تقوم بعمل تنبؤات على مجموعة النماذج المعلقة التي لم ترها من قبل. ينتج عن ذلك معلومتان أساسيتان: الإجابات الفعلية، أو التسميات الحقيقية، والتنبؤات التي قام بها كل نموذج أساسي.
ثم يتم تمرير هذه التنبؤات إلى نموذج آخر يُسمى نموذج المزج أو النموذج الفوقي. يدرس هذا النموذج النهائي مدى دقة تنبؤات كل نموذج أساسي ويتعلم كيفية دمجها بأفضل طريقة ممكنة.
نظرًا لأن المزج يعتمد على تقسيم التدريب والاختبار مرة واحدة فقط بدلاً من تكرار العملية عدة مرات، فإنه يعمل بشكل أسرع وأسهل في الإعداد. المفاضلة هي أن لديها معلومات أقل قليلاً للتعلم منها، مما قد يجعلها أقل دقة بعض الشيء.
يتمثل أحد الأجزاء المهمة في التعلم التجميعي في تقييم مدى جودة أداء النموذج على البيانات التي لم يسبق له رؤيتها من قبل. وبغض النظر عن مدى تقدم التقنية، يجب اختبارها للتأكد من قدرتها على التعميم، مما يعني أنه يجب أن تقوم بتنبؤات دقيقة على أمثلة جديدة في العالم الحقيقي بدلاً من مجرد حفظ بيانات التدريب.
فيما يلي بعض مقاييس الأداء الشائعة المستخدمة لتقييم نماذج الذكاء الاصطناعي:
لقد استكشفنا حتى الآن كيفية عمل التعلم التجميعي والتقنيات الكامنة وراءه. والآن دعونا نلقي نظرة على المجالات التي يؤثر فيها هذا النهج.
فيما يلي بعض المجالات الرئيسية التي يتم فيها تطبيق التعلم التجميعي بشكل شائع:
في حين أن التعلّم التجميعي يُستخدم بشكل شائع مع البيانات المنظمة أو المجدولة، مثل جداول البيانات التي تحتوي على معلومات رقمية أو فئوية، إلا أنه يمكن تطبيقه أيضًا على البيانات غير المنظمة مثل النصوص والصور والصوت والفيديو.
هذه الأنواع من البيانات أكثر تعقيدًا وأصعب على النماذج في تفسيرها، لكن أساليب المجموعات تساعد في تحسين الدقة والموثوقية. على سبيل المثال، في مجال الرؤية الحاسوبية، يمكن للمجموعات تحسين مهام مثل تصنيف الصور واكتشاف الأجسام.
من خلال الجمع بين تنبؤات نماذج الرؤية المتعددة، مثل الشبكات العصبية التلافيفية (CNNs)، يمكن للنظام التعرف على الأجسام بدقة أكبر والتعامل مع الاختلافات في الإضاءة أو الزاوية أو الخلفية التي قد تربك نموذجًا واحدًا.
من الأمثلة المثيرة للاهتمام على استخدام التعلّم التجميعي في مجال الرؤية الحاسوبية عندما يجمع مهندس بين نماذج متعددة للكشف عن الأجسام لتحسين الدقة. تخيل مهندسًا يعمل على نظام مراقبة السلامة في موقع بناء، حيث تتغير الإضاءة والزوايا وأحجام الأجسام باستمرار.
قد يغفل نموذج واحد عن عامل في الظل أو يخلط بين الآلات المتحركة. باستخدام مجموعة من النماذج، لكل منها نقاط قوة مختلفة، يصبح النظام أكثر موثوقية وأقل عرضة لارتكاب تلك الأخطاء.
على وجه الخصوص، تسير نماذج مثل Ultralytics YOLOv5 جنبًا إلى جنب مع تجميع النماذج. يمكن للمهندسين الجمع بين مختلف متغيرات YOLOv5، مثل YOLOv5x و YOLOv5l6، لإجراء تنبؤات معًا. يقوم كل نموذج بتحليل الصورة نفسها وينتج اكتشافاته الخاصة، والتي يتم بعد ذلك حساب متوسطها لتوليد نتيجة نهائية أقوى وأكثر دقة.
فيما يلي بعض الفوائد الرئيسية لاستخدام التعلم الجماعي:
في حين أن التعلّم الجماعي يجلب العديد من المزايا إلى الطاولة، إلا أن هناك أيضاً بعض التحديات التي يجب أخذها في الاعتبار. فيما يلي بعض العوامل التي يجب وضعها في الاعتبار:
يوضح التعلم التجميعي كيف أن الجمع بين نماذج متعددة يمكن أن يجعل أنظمة الذكاء الاصطناعي أكثر دقة وموثوقية. فهو يساعد على تقليل الأخطاء وتحسين الأداء عبر أنواع مختلفة من المهام. ومع استمرار التعلم الآلي والذكاء الاصطناعي في النمو، فإن مثل هذه التقنيات تؤدي إلى اعتمادها على نطاق أوسع وإلى المزيد من حلول الذكاء الاصطناعي العملية عالية الأداء.
انضم إلى مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي البصري. استكشف صفحات الحلول الخاصة بنا للتعرف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في مجال الخدمات اللوجستية. اطلع على خيارات الترخيص لدينا لبدء استخدام نموذج الرؤية الحاسوبية الخاص بك اليوم!
