استكشاف التعلّم التجميعي ودوره في الذكاء الاصطناعي والتعلّم الآلي

للاطلاع على شرح مرئي للمفاهيم الواردة في هذه المقالة، شاهد الفيديو أدناه.

تعتمد ابتكارات الذكاء الاصطناعي، مثل محركات التوصية وأنظمة كشف الاحتيال، على خوارزميات ونماذج التعلم الآلي لإجراء تنبؤات واتخاذ قرارات استنادًا إلى البيانات. ويمكن لهذه النماذج تحديد الأنماط والتنبؤ بالاتجاهات والمساعدة على أتمتة المهام المعقدة.

لكن قد يواجه النموذج الواحد صعوبة في استيعاب جميع تفاصيل البيانات الواقعية. فقد يؤدي أداءً جيدًا في بعض الحالات، لكنه يقصر في حالات أخرى، مثل إخفاق نموذج كشف الاحتيال في رصد أنواع جديدة من المعاملات.

يواجه مهندسو الذكاء الاصطناعي هذا القيد كثيرًا عند بناء نماذج التعلم الآلي ونشرها. فبعض النماذج تفرط في التخصيص بتعلم بيانات التدريب بدقة مفرطة، بينما لا تتعلم نماذج أخرى بما يكفي فتغفل أنماطًا مهمة. ويُعد التعلم التجميعي تقنية من تقنيات الذكاء الاصطناعي تساعد على معالجة هذه التحديات من خلال دمج نماذج متعددة، تُعرف بالمتعلمين الأساسيين، في نظام واحد أقوى.

يمكنك تخيل ذلك كفريق من الخبراء يعمل معًا لحل مشكلة. وسنستعرض في هذه المقالة ماهية التعلم التجميعي، وكيفية عمله، ومجالات استخدامه.

ما التعلم التجميعي؟#

يشير التعلم التجميعي إلى مجموعة من التقنيات التي تدمج نماذج متعددة لحل المشكلة نفسها وإنتاج نتيجة واحدة محسّنة. ويمكن تطبيقه في التعلم الخاضع للإشراف، حيث تتعلم النماذج من البيانات المصنفة، والتعلم غير الخاضع للإشراف، حيث تحدد النماذج الأنماط في البيانات غير المصنفة.

بدلًا من الاعتماد على نموذج واحد لإجراء التنبؤات، يستخدم التجميع عدة نماذج، يتعامل كل منها مع البيانات بطريقته الخاصة. وعند دمج مخرجاتها، تكون النتيجة غالبًا أدق وأكثر استقرارًا وأفضل قابلية للتعميم مما يمكن لأي نموذج منفرد تحقيقه.

يمكنك تشبيه ذلك بلجنة من المحللين تتناول المشكلة نفسها. إذ يفسر كل محلل أو نموذج على حدة البيانات بطريقة مختلفة.

قد يركز أحدهم على الأنماط، وآخر على الحالات الشاذة، وثالث على السياق. ومن خلال جمع وجهات نظرهم، تستطيع المجموعة اتخاذ قرار أكثر توازنًا وموثوقية من أي حكم فردي.

يساعد هذا النهج أيضًا على معالجة اثنين من أكبر التحديات في التعلم الآلي: الانحياز والتباين. فالنموذج ذو الانحياز المرتفع يكون مبسطًا أكثر من اللازم ويغفل الأنماط المهمة، بينما يكون النموذج ذو التباين المرتفع شديد الحساسية ويفرط في التوافق مع بيانات التدريب. ومن خلال دمج النماذج، يحقق التعلم التجميعي توازنًا بينهما، ويحسن أداء النظام على البيانات الجديدة التي لم يسبق له رؤيتها.

فهم كيفية عمل التعلم التجميعي#

يُعرف كل نموذج في التجميع باسم المتعلم الأساسي أو النموذج الأساسي. وقد تكون هذه النماذج من النوع نفسه من الخوارزميات أو مزيجًا من خوارزميات مختلفة، بحسب تقنية التجميع المستخدمة.

فيما يلي بعض الأمثلة الشائعة لأنواع النماذج المستخدمة في التعلم التجميعي:

• أشجار القرار: تقسم هذه النماذج البيانات إلى فروع استنادًا إلى قيم السمات لاتخاذ القرارات. فعلى سبيل المثال، في مسائل التصنيف، مثل التنبؤ بما إذا كان عميل سيشتري منتجًا، تأخذ هذه النماذج في الحسبان عوامل مثل العمر والدخل وسجل التصفح.
• الشبكات العصبية: تستلهم طريقة معالجة الدماغ البشري للمعلومات، وتشكل البنية الأساسية لمعظم نماذج الذكاء الاصطناعي والتعلم الآلي الحديثة.
• آلات المتجهات الداعمة (SVMs): تصنف هذه الخوارزميات البيانات بإيجاد حد قرار مثالي، يُسمى المستوى الفائق، يزيد الهامش الفاصل بين الفئات المختلفة إلى أقصى حد. وبعبارة أخرى، ترسم آلة المتجهات الداعمة أفضل خط ممكن للفصل بين المجموعات مع ترك أكبر فجوة بينها. فعلى سبيل المثال، يمكن استخدامها لتحديد ما إذا كانت رسالة البريد الإلكتروني مزعجة أم لا، استنادًا إلى أنماط مثل تكرار الكلمات وبنية الرسالة.
• نماذج الانحدار اللوجستي: تقدّر هذه النماذج الاحتمالات، وغالبًا ما تُستخدم لمهام التصنيف الثنائي. ومن الأمثلة المعتادة التنبؤ بما إذا كانت المعاملة احتيالية أم مشروعة.

يُسمى تجميع النماذج عادةً متعلمًا قويًا، لأنه يجمع نقاط قوة المتعلمين الأساسيين، الذين يُشار إليهم أيضًا بالنماذج الضعيفة، مع تقليل نقاط ضعفهم. ويحقق ذلك عبر دمج تنبؤات كل نموذج بطريقة منظمة؛ باستخدام تصويت الأغلبية لمهام التصنيف أو المتوسط المرجح لمهام الانحدار، لإنتاج نتيجة نهائية أدق.

الشكل 1. مثال على التعلم التجميعي (المصدر)

متى يُستخدم التعلم التجميعي#

قبل أن نتعمق في تقنيات التعلم التجميعي المختلفة، دعونا نتمهل قليلًا لفهم متى ينبغي استخدام هذا النوع من النهج في مشروع للتعلم الآلي أو الذكاء الاصطناعي.

يكون التعلم التجميعي أكثر تأثيرًا عندما يواجه نموذج واحد صعوبة في تقديم تنبؤات دقيقة أو متسقة. ويمكن استخدامه أيضًا في الحالات التي تكون فيها البيانات معقدة أو مشوشة أو غير قابلة للتنبؤ.

فيما يلي بعض الحالات الشائعة التي تكون فيها أساليب التجميع فعالة على نحو خاص:

• انخفاض دقة النموذج: عندما لا تكون تنبؤات نموذج واحد موثوقة بما يكفي، يمكن أن يؤدي دمج عدة نماذج إلى تحسين الدقة والأداء بدرجة كبيرة. فعلى سبيل المثال، في تقييم الجدارة الائتمانية أو التشخيص الطبي، قد تحدث التحسينات الطفيفة في دقة التنبؤ فرقًا كبيرًا.
• البيانات المشوشة أو غير المتسقة: إذا احتوت مجموعة البيانات على قيم متطرفة أو أخطاء أو تقلبات عشوائية، يساعد التعلم التجميعي على تنعيم هذه الاختلالات عبر حساب المتوسط أو التصويت بين نماذج متعددة.
• الحاجة إلى المتانة: تكون نماذج التجميع أقل حساسية للتغييرات الطفيفة في البيانات، ما يجعلها أكثر استقرارًا وموثوقية في بيئات الإنتاج التي قد تتباين فيها المدخلات الواقعية.
• مهام التنبؤ المعقدة: في مهام مثل التعرف على الصور وكشف الاحتيال والتنبؤ بالسلاسل الزمنية، تستطيع النماذج التجميعية التقاط نطاق أوسع من الأنماط والعلاقات مما يمكن لنموذج واحد التقاطه بمفرده.

ومع ذلك، عندما يحقق نموذج واحد أداءً جيدًا بالفعل، يكون غالبًا الخيار الأفضل: فهو أبسط في التدريب وأسهل في التفسير وأسرع في الصيانة. وقبل استخدام التعلم التجميعي، من المهم الموازنة بين فائدة الدقة الأعلى والوقت الإضافي وقوة الحوسبة والتعقيد الذي يتطلبه.

نظرة عامة على تقنيات التعلم التجميعي#

لنستعرض بعد ذلك الطرق الرئيسية لتطبيق التعلم التجميعي في مشاريع التعلم الآلي. توجد عدة تقنيات أساسية لدمج النماذج، تحسن كل منها الأداء بطريقتها الخاصة. وأكثر أساليب التجميع شيوعًا هي التجميع بإعادة أخذ العينات (Bagging)، والتعزيز (Boosting)، والتكديس (Stacking)، والمزج (Blending).

التجميع بإعادة أخذ العينات (Bagging)#

التجميع بإعادة أخذ العينات، وهو اختصار لعبارة «التجميع باستخدام إعادة أخذ العينات التمهيدية»، أسلوب للتعلم التجميعي يساعد على تحسين استقرار النموذج ودقته عبر تدريب نسخ متعددة من النموذج نفسه على أجزاء مختلفة من البيانات.

تُنشأ كل مجموعة فرعية باستخدام عملية تُسمى أخذ العينات التمهيدية، حيث تُختار نقاط البيانات عشوائيًا مع الإرجاع. وهذا يعني أنه بعد اختيار نقطة بيانات، تُعاد إلى المجموعة قبل اختيار النقطة التالية، ولذلك قد تظهر النقطة نفسها أكثر من مرة، بينما قد لا تُختار نقاط أخرى. ويضمن هذا العشوائية أن يتدرب كل نموذج على إصدار مختلف قليلًا من مجموعة البيانات.

أثناء الاستدلال، تعمل جميع النماذج المدرَّبة بالتوازي لإجراء تنبؤات على بيانات جديدة لم يسبق لها رؤيتها. وينتج كل نموذج مخرجاته الخاصة استنادًا إلى ما تعلمه، ثم تُدمج هذه التنبؤات الفردية لتكوين النتيجة النهائية.

في مهام الانحدار، مثل التنبؤ بأسعار المنازل أو المبيعات، يعني ذلك عادةً حساب متوسط مخرجات جميع النماذج للحصول على تقدير أكثر سلاسة. أما في مهام التصنيف، مثل تحديد ما إذا كانت معاملة ما احتيالية أم لا، فغالبًا ما يعتمد التجميع تصويت الأغلبية لتحديد الفئة النهائية.

التجميع بإعادة أخذ العينات عمليًا: خوارزمية الغابة العشوائية#

ومن الأمثلة الجيدة على فعالية التجميع بإعادة أخذ العينات أشجار القرار، التي قد تفرط بسهولة في التوافق عند تدريبها على مجموعة بيانات واحدة. ويؤدي تدريب أشجار كثيرة على عينات مختلفة قليلًا ودمج نتائجها إلى الحد من فرط التوافق وتحسين الموثوقية.

خذ خوارزمية الغابة العشوائية مثالًا. فهي تجمع أشجار القرار، حيث تُدرَّب كل شجرة على مجموعة فرعية عشوائية من بيانات التدريب، بالإضافة إلى مجموعة فرعية عشوائية من السمات.

يساعد هذا التوزيع العشوائي للسمات على تقليل الترابط بين الأشجار، ويجعل النموذج ككل أكثر استقرارًا ودقة. ويمكن استخدام خوارزمية الغابة العشوائية لتصنيف الصور، أو كشف الاحتيال، أو التنبؤ بمغادرة العملاء، أو توقع المبيعات، أو تقدير أسعار العقارات.

الشكل 2. نظرة على خوارزمية الغابة العشوائية (المصدر)

التعزيز#

التعزيز تقنية أخرى من تقنيات التعلم التجميعي، تركز على تحسين المتعلمين الضعفاء، أي النماذج، عبر تدريبهم بالتتابع، واحدًا تلو الآخر، بدلًا من تدريبهم بالتوازي. ويتمثل المفهوم الأساسي للتعزيز في أن كل نموذج جديد يتعلم من أخطاء النماذج السابقة، ما يحسن أداء النموذج تدريجيًا.

على خلاف التجميع بإعادة أخذ العينات، الذي يقلل التباين من خلال حساب متوسط نماذج مستقلة، يقلل التعزيز الانحياز بجعل كل نموذج جديد يولي اهتمامًا أكبر للحالات الصعبة التي واجهت النماذج السابقة صعوبة في معالجتها.

بما أن نماذج التعزيز تُدرَّب بالتتابع، فإن طريقة دمج تنبؤاتها في النهاية تختلف قليلًا عن طرق التجميع الأخرى. ويسهم كل نموذج في التنبؤ النهائي بما يتناسب مع أدائه أثناء التدريب، إذ تحصل النماذج الأدق على وزن أكبر.

في مهام الانحدار، تكون النتيجة النهائية عادةً مجموعًا مرجحًا لتنبؤات جميع النماذج. أما في مهام التصنيف، فتجمع الخوارزمية الأصوات المرجحة للنماذج لتحديد الفئة النهائية. ويساعد هذا النهج التعزيز على إنشاء نموذج قوي إجمالًا، عبر منح وزن أكبر للنماذج الأدق مع مواصلة التعلم من النماذج الأخرى.

فيما يلي بعض الأنواع الشائعة لخوارزميات التعزيز:

• AdaBoost (التعزيز التكيفي): تبدأ هذه الطريقة بتدريب نموذج بسيط، مثل شجرة قرار صغيرة، ثم تزيد أوزان نقاط البيانات التي صُنفت تصنيفًا خاطئًا. وتدفع هذه الأوزان النموذج التالي إلى التركيز بدرجة أكبر على الأمثلة الصعبة. وعلى مدى تكرارات متعددة، تبني النماذج على بعضها بعضًا، وتشكل تنبؤاتها المدمجة نتيجة أقوى وأكثر دقة. فعلى سبيل المثال، يمكن لـAdaBoost تحسين دقة كشف الرسائل المزعجة أو التعرف على الوجوه.
• التعزيز بالانحدار المتدرج: بدلًا من إعادة وزن العينات، يدرّب التعزيز بالانحدار المتدرج كل نموذج جديد على تصحيح الأخطاء المتبقية التي ارتكبتها النماذج السابقة، أي الفروق بين القيم الفعلية والمتوقعة. ويجعل هذا النهج التكراري التقنية فعالة في مهام الانحدار والتصنيف على حد سواء، مثل توقع المبيعات وتقييم الجدارة الائتمانية.
• XGBoost (التعزيز الأقصى للتدرج): يحسن هذا الإصدار المتقدم من التعزيز التدريجي السرعة والدقة معًا. ويستخدم التنظيم، الذي يفرض عقوبة طفيفة على النماذج شديدة التعقيد أثناء التدريب، لتوجيهها نحو الأنماط المهمة بدلًا من حفظ البيانات. وعلى الرغم من أن النماذج تظل تُدرّب بالتتابع، فإن XGBoost يسرّع العملية باستخدام المعالجة المتوازية أثناء بناء الأشجار. ويمكنه تقييم العديد من نقاط التقسيم المحتملة في الوقت نفسه عبر أنوية CPU مختلفة. وهذا يجعل التدريب أسرع بكثير، ولا سيما على مجموعات البيانات الكبيرة، مع الحفاظ على أداء تنبؤي مرتفع.

الشكل 3. مثال على مصنف قائم على شجرة قرار (DTB) مُدرَّب باستخدام نهج التعزيز للتنبؤ بمخاطر الإصابة بالسكري. (المصدر)

التكديس#

يذهب التكديس، الذي يُسمى أيضًا التعميم المكدّس، إلى أبعد من ذلك باستخدام تنبؤات عدة نماذج مدخلاتٍ لنموذج نهائي يُعرف بالمتعلم الفوقي. ويمكن تشبيه ذلك بمجموعة من الخبراء يقدم كل منهم رأيه، ثم يتعلم صانع قرار نهائي كيفية ترجيح تلك الآراء لاتخاذ أفضل قرار ممكن.

فعلى سبيل المثال، قد يتفوق أحد النماذج في اكتشاف الاحتيال، بينما يكون نموذج آخر أفضل في التنبؤ بتوقف العملاء عن التعامل. يدرس المتعلّم الفوقي أداء كل نموذج، ويجمع نقاط قوتها لإنتاج تنبؤ نهائي أكثر دقة.

المزج#

يعمل المزج بطريقة مشابهة للتكديس، لأنه يجمع أيضًا تنبؤات عدة نماذج لاتخاذ قرار نهائي، لكنه يتبع نهجًا أبسط وأسرع. فبدلًا من استخدام التحقق المتقاطع (وهو أسلوب يقسم البيانات إلى أجزاء عدة ويتناوب استخدامها بين التدريب والاختبار لجعل النموذج أكثر موثوقية)، كما يفعل التكديس، يخصص المزج جزءًا صغيرًا من البيانات يُسمى مجموعة الحجز.

تُدرَّب النماذج الأساسية على البيانات المتبقية، ثم تُصدر تنبؤات بشأن مجموعة الاحتفاظ التي لم ترها من قبل. وينتج عن ذلك نوعان أساسيان من المعلومات: الإجابات الفعلية، أو التسميات الحقيقية، والتنبؤات التي يصدرها كل نموذج أساسي.

ثم تُمرر هذه التنبؤات إلى نموذج آخر يُسمى نموذج المزج أو النموذج الفوقي. ويدرس هذا النموذج النهائي مدى دقة تنبؤات كل نموذج أساسي، ويتعلم كيفية دمجها بأفضل طريقة ممكنة.

بما أن المزج يعتمد على تقسيم واحد إلى تدريب واختبار بدلًا من تكرار العملية عدة مرات، فإنه أسرع وأسهل في الإعداد. أما المقابل فهو أن المعلومات المتاحة للتعلم أقل قليلًا، ما قد يجعله أقل دقة بعض الشيء.

تقييم خوارزميات التجميع#

يُعد تقييم أداء النموذج على بيانات لم يسبق له رؤيتها جزءًا مهمًا من التعلم التجميعي. ومهما بلغت التقنية من التطور، يجب اختبارها للتأكد من قدرتها على التعميم؛ أي إصدار تنبؤات دقيقة بشأن أمثلة جديدة من العالم الحقيقي بدلًا من مجرد حفظ بيانات التدريب.

فيما يلي بعض مقاييس الأداء الشائعة المستخدمة لتقييم نماذج الذكاء الاصطناعي:

• الدقة: يقيس هذا المقياس نسبة التنبؤات الصحيحة إلى إجمالي التنبؤات التي أصدرها النموذج. وهو يقدم لمحة سريعة عن الأداء العام.
• الإحكام: يوضح عدد العينات التي تنبأ النموذج بأنها إيجابية وكانت إيجابية بالفعل. ويعني الإحكام المرتفع أن النموذج يرتكب عددًا قليلًا من أخطاء الإيجابيات الكاذبة.
• الاستدعاء: يركز هذا المقياس على عدد الحالات الإيجابية الفعلية التي حددها النموذج تحديدًا صحيحًا. وهو مهم على نحو خاص في مجالات مثل الرعاية الصحية، حيث قد تترتب عواقب وخيمة على تفويت حالة إيجابية، مثل تشخيص مرض.

التطبيقات العملية للتعلم التجميعي#

استكشفنا حتى الآن آلية عمل التعلم التجميعي والتقنيات الكامنة وراءه. والآن، لنلقِ نظرة على المجالات التي يُحدث فيها هذا النهج أثرًا.

فيما يلي بعض المجالات الرئيسية التي يُستخدم فيها التعلم التجميعي عادةً:

• تحليل البيانات والتنبؤ: في قطاع الأعمال والتحليلات، تساعد النماذج التجميعية المؤسسات على تحسين تنبؤاتها من خلال دمج الرؤى المستخلصة من نماذج متعددة. وينتج عن ذلك توقعات أكثر دقة للمبيعات، وتخطيط أذكى للطلب، وفهم أوضح لسلوك العملاء.
• التصنيف الثنائي: تتطلب مهام مثل اكتشاف الرسائل غير المرغوب فيها، ومنع الاحتيال، والتشخيص الطبي التمييز بين نتيجتين محتملتين. وتساعد النماذج التجميعية على الحد من الإيجابيات والسلبيات الكاذبة، وهو أمر بالغ الأهمية خصوصًا في مجالات مثل الأمن السيبراني والرعاية الصحية.
• مسائل الانحدار: عند التنبؤ بقيم مستمرة مثل أسعار المنازل أو إيرادات المبيعات أو مخاطر الائتمان، تلتقط أساليب التجميع العلاقات المعقدة داخل البيانات. وينتج عن ذلك تنبؤات أدق تدعم اتخاذ قرارات مالية وتشغيلية أفضل.

تجاوز البيانات المنظّمة باستخدام التعلم التجميعي#

مع أن التعلم التجميعي يُستخدم غالبًا مع البيانات المنظّمة أو الجدولية، مثل جداول البيانات التي تتضمن معلومات رقمية أو فئوية، فإنه قابل للتطبيق أيضًا على البيانات غير المنظّمة، مثل النصوص والصور والصوت والفيديو.

هذه الأنواع من البيانات أكثر تعقيدًا ويصعب على النماذج تفسيرها، لكن أساليب التجميع تساعد على تحسين الدقة والموثوقية. فعلى سبيل المثال، يمكن للتجميع في الرؤية الحاسوبية أن يعزز مهامًا مثل تصنيف الصور واكتشاف الأجسام.

من خلال دمج تنبؤات عدة نماذج للرؤية، مثل الشبكات العصبية الالتفافية (CNNs)، يستطيع النظام التعرف على الأجسام بدقة أكبر والتعامل مع اختلافات الإضاءة أو الزاوية أو الخلفية التي قد تربك نموذجًا واحدًا.

نظرة على تجميع نماذج Ultralytics YOLOv5#

من الأمثلة المثيرة للاهتمام على استخدام التعلم التجميعي في الرؤية الحاسوبية أن يجمع مهندس عدة نماذج لاكتشاف الأجسام لتحسين الدقة. تخيل مهندسًا يعمل على نظام لمراقبة السلامة في موقع بناء، حيث تتغير الإضاءة والزوايا وأحجام الأجسام باستمرار.

قد لا يلاحظ نموذج واحد عاملًا في الظلال، أو قد يخلط بين الآلات أثناء حركتها. وباستخدام مجموعة من النماذج، لكل منها نقاط قوة مختلفة، يصبح النظام أكثر موثوقية وأقل عرضة لارتكاب هذه الأخطاء.

وعلى وجه الخصوص، تتوافق نماذج مثل Ultralytics YOLOv5 تمامًا مع تجميع النماذج. إذ يستطيع المهندسون دمج إصدارات مختلفة من YOLOv5، مثل YOLOv5x وYOLOv5l6، لتصدر تنبؤاتها معًا. ويحلل كل نموذج الصورة نفسها ويصدر اكتشافاته الخاصة، ثم تُحسب متوسطاتها لإنتاج نتيجة نهائية أقوى وأكثر دقة.

الشكل 4. اكتشاف الأجسام في صورة باستخدام YOLOv5. (المصدر)

مزايا التعلم التجميعي وعيوبه#

فيما يلي بعض الفوائد الرئيسية لاستخدام التعلم التجميعي:

• المرونة تجاه البيانات المشوشة: تتأثر النماذج التجميعية بدرجة أقل بالقيم المتطرفة أو الضوضاء العشوائية في مجموعة البيانات، لأنها تعتمد على عدة نماذج.
• تعميم أفضل: تحد النماذج التجميعية من فرط التكيّف، ما يساعد النماذج على الأداء جيدًا على البيانات التي لم ترها من قبل، بدلًا من مجرد حفظ أمثلة التدريب.
• المرونة عبر الخوارزميات: يمكنك دمج أنواع مختلفة من النماذج، مثل أشجار القرار والشبكات العصبية والنماذج الخطية، للاستفادة من نقاط القوة الفريدة لكل منها.

مع أن التعلم التجميعي يقدم مزايا متعددة، فثمة أيضًا بعض التحديات التي ينبغي أخذها في الحسبان. وفيما يلي بعض العوامل التي يجدر مراعاتها:

• ارتفاع التكلفة الحاسوبية: يتطلب تدريب عدة نماذج وصيانتها ذاكرة وقدرة معالجة ووقتًا أكبر مما يتطلبه نموذج واحد.
• انخفاض قابلية التفسير: نظرًا إلى أن المخرجات النهائية تنتج عن دمج عدة نماذج، فقد يصعب فهم سبب اتخاذ قرار معين. لكن ذلك يعتمد على النماذج المستخدمة، إذ يكون فهم النتائج أسهل عادةً عند استخدام نماذج قابلة للتفسير، مثل أشجار القرار أو آلات المتجهات الداعمة.
• اعتبارات تصميم المجموعة: يتطلب إنشاء مجموعة اختيار المزيج المناسب من النماذج والتأكد من عملها معًا بكفاءة. ومع ذلك، قد يكون الأمر أبسط في بعض الحالات، إذ لا تحتاج إلى ضبط المعلمات الفائقة لكل نموذج على حدة.

أبرز النقاط#

يوضح التعلم التجميعي كيف يمكن لدمج عدة نماذج أن يجعل أنظمة الذكاء الاصطناعي أدق وأكثر موثوقية. فهو يساعد على تقليل الأخطاء وتحسين الأداء في أنواع مختلفة من المهام. ومع استمرار نمو تعلم الآلة والذكاء الاصطناعي، تدفع تقنيات كهذه نحو اعتماد أوسع وحلول ذكاء اصطناعي أكثر عملية وأعلى أداءً.

انضم إلى مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي للرؤية. استكشف صفحات حلولنا للتعرف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية. اطّلع على خيارات الترخيص للبدء اليوم باستخدام نموذجك الخاص للرؤية الحاسوبية!