استكشاف التعلم الجماعي ودوره في الذكاء الاصطناعي وتعلم الآلة

للحصول على شرح مرئي للمفاهيم التي تتناولها هذه المقالة، شاهد الفيديو أدناه.

تعتمد ابتكارات الذكاء الاصطناعي، مثل محركات التوصية وأنظمة كشف الاحتيال، على خوارزميات ونماذج تعلم الآلة لاتخاذ التنبؤات والقرارات بناءً على البيانات. يمكن لهذه النماذج تحديد الأنماط، والتنبؤ بالاتجاهات، والمساعدة في أتمتة المهام المعقدة.

ومع ذلك، قد يجد نموذج واحد صعوبة في التقاط جميع التفاصيل في بيانات العالم الحقيقي. فقد يؤدي أداءً جيداً في بعض الحالات ولكنه يقصر في حالات أخرى، مثل فشل نموذج كشف الاحتيال في رصد أنواع جديدة من المعاملات.

هذا القصور هو تحدٍ غالباً ما يواجهه مهندسو الذكاء الاصطناعي عند بناء ونشر نماذج تعلم الآلة. فبعض النماذج تعاني من الإفراط في التخصيص (overfitting) من خلال التعلم المكثف لبيانات التدريب، بينما تعاني أخرى من ضعف التخصيص (underfitting) عبر إغفال أنماط مهمة. يُعد التعلم التجميعي تقنية ذكاء اصطناعي تساعد في معالجة هذه التحديات من خلال دمج نماذج متعددة، تُعرف باسم المتعلمات الأساسية (base learners)، في نظام واحد أكثر قوة.

يمكنك التفكير في الأمر كفريق من الخبراء يعملون معاً لحل مشكلة ما. في هذه المقالة، سنستكشف ماهية التعلم التجميعي، وكيف يعمل، وأين يمكن استخدامه. لنبدأ!

Link to this sectionما هو التعلم التجميعي؟#

يشير التعلم التجميعي إلى مجموعة من التقنيات التي تدمج نماذج متعددة لحل نفس المشكلة وإنتاج نتيجة واحدة محسنة. يمكن تطبيقه في كل من التعلم الخاضع للإشراف (حيث تتعلم النماذج من بيانات مصنفة) والتعلم غير الخاضع للإشراف (حيث تجد النماذج أنماطاً في بيانات غير مصنفة).

بدلاً من الاعتماد على نموذج واحد لاتخاذ التنبؤات، يستخدم التجميع عدة نماذج ينظر كل منها إلى البيانات بطريقته الخاصة. وعند دمج مخرجاتها، غالباً ما تكون النتيجة أكثر دقة واستقراراً وقابلية للتعميم مقارنة بما يمكن أن يحققه أي نموذج منفرد بمفرده.

يمكنك مقارنته بلجنة من المحللين يعالجون نفس المشكلة. حيث يقوم كل محلل أو نموذج فردي بتفسير البيانات بشكل مختلف.

قد يركز أحدهم على الأنماط، وآخر على الشذوذ، وثالث على السياق. من خلال الجمع بين وجهات نظرهم، يمكن للمجموعة اتخاذ قرار أكثر توازناً وموثوقية من أي حكم فردي.

يساعد هذا النهج أيضاً في معالجة اثنين من أكبر التحديات في تعلم الآلة: الانحياز والتباين. فالنموذج ذو الانحياز العالي يكون بسيطاً جداً ويتجاهل أنماطاً مهمة، بينما يكون النموذج ذو التباين العالي حساساً للغاية ويتناسب بشكل وثيق جداً مع بيانات التدريب. من خلال الجمع بين النماذج، يجد التعلم التجميعي توازناً بين الاثنين، مما يحسن من أداء النظام على البيانات الجديدة وغير المرئية.

Link to this sectionفهم كيفية عمل التعلم التجميعي#

يُعرف كل نموذج في المجموعة بمتعلم أساسي (base learner) أو نموذج أساسي. يمكن أن تكون هذه إما نفس نوع الخوارزمية أو مزيجاً من خوارزميات مختلفة، اعتماداً على تقنية التجميع المستخدمة.

إليك بعض الأمثلة الشائعة للنماذج المختلفة المستخدمة في التعلم التجميعي:

• أشجار القرار: تقوم هذه النماذج بتقسيم البيانات إلى فروع بناءً على قيم السمات لاتخاذ القرارات. على سبيل المثال، في مشاكل التصنيف مثل التنبؤ بما إذا كان العميل سيشتري منتجاً أم لا، فإنها تأخذ في الاعتبار عوامل مثل العمر والدخل وسجل التصفح.
• الشبكات العصبية: مستوحاة من كيفية معالجة الدماغ البشري للمعلومات، وهي تشكل البنية الأساسية وراء معظم نماذج الذكاء الاصطناعي وتعلم الآلة الحديثة.
• آلات ناقل الدعم (SVMs): تقوم هذه الخوارزميات بتصنيف البيانات من خلال إيجاد حد قرار أمثل، يسمى المستوى الفائق (hyperplane)، والذي يعظم الهامش بين الفئات المختلفة. بمعنى آخر، ترسم SVM أفضل خط ممكن يفصل بين المجموعات مع ترك أكبر فجوة بينها. على سبيل المثال، يمكن استخدامها لمعرفة ما إذا كان البريد الإلكتروني مزعجاً (spam) أم لا بناءً على أنماط مثل تكرار الكلمات وبنيتها.
• نماذج الانحدار اللوجستي: تقوم بتقدير الاحتمالات وغالباً ما تُستخدم لمهام التصنيف الثنائي. مثال نموذجي هو التنبؤ بما إذا كانت المعاملة احتيالية أو مشروعة.

يُسمى تجميع النماذج المدمج عموماً بالمتعلم القوي لأنه يدمج نقاط قوة المتعلمات الأساسية (المشار إليها أيضاً بالنماذج الضعيفة) مع تقليل نقاط ضعفها. ويقوم بذلك عن طريق دمج تنبؤات كل نموذج بطريقة منظمة، باستخدام التصويت بالأغلبية لمهام التصنيف أو المتوسط المرجح لمهام الانحدار لإنتاج نتيجة نهائية أكثر دقة.

شكل 1. مثال على التعلم التجميعي (المصدر)

Link to this sectionمتى تستخدم التعلم التجميعي#

قبل أن نغوص في تقنيات التعلم التجميعي المختلفة، لنأخذ خطوة للوراء ونفهم متى يجب استخدام هذا النوع من النهج في مشروع تعلم الآلة أو الذكاء الاصطناعي.

يكون التعلم التجميعي أكثر تأثيراً عندما يواجه نموذج واحد صعوبة في إجراء تنبؤات دقيقة أو متسقة. يمكن استخدامه أيضاً في المواقف التي تكون فيها البيانات معقدة أو صاخبة أو غير قابلة للتنبؤ.

إليك بعض الحالات الشائعة التي تكون فيها أساليب التجميع فعالة بشكل خاص:

• انخفاض دقة النموذج: عندما لا تكون تنبؤات نموذج واحد موثوقة بما فيه الكفاية، يمكن أن يؤدي الجمع بين نماذج متعددة إلى تحسين الدقة والأداء بشكل كبير. على سبيل المثال، في تسجيل الائتمان أو التشخيص الطبي، حتى التحسينات الصغيرة في دقة التنبؤ يمكن أن تحدث فرقاً كبيراً.
• بيانات صاخبة أو غير متسقة: إذا كانت مجموعة البيانات تحتوي على قيم متطرفة أو أخطاء أو تقلبات عشوائية، يساعد التعلم التجميعي في تنعيم تلك المخالفات عن طريق حساب المتوسط أو التصويت عبر نماذج متعددة.
• الحاجة إلى المتانة: تكون نماذج التجميع أقل حساسية للتغيرات الصغيرة في البيانات، مما يجعلها أكثر استقراراً وموثوقية لبيئات الإنتاج حيث يمكن أن تختلف مدخلات العالم الحقيقي.
• مهام التنبؤ المعقدة: في مهام مثل التعرف على الصور، أو كشف الاحتيال، أو التنبؤ بالسلاسل الزمنية، تلتقط التجميعات نطاقاً أوسع من الأنماط والعلاقات مما يمكن لنموذج واحد القيام به بمفرده.

كما أنه أبسط في التدريب، وأسهل في التفسير، وأسرع في الصيانة. قبل استخدام التجميع، من المهم موازنة فائدة الدقة العالية مقابل الوقت الإضافي وقوة الحوسبة والتعقيد الذي يتطلبه.

Link to this sectionنظرة عامة على تقنيات التعلم التجميعي#

بعد ذلك، دعنا نلقي نظرة على الطرق الرئيسية التي يمكن بها تطبيق التعلم التجميعي في مشاريع تعلم الآلة. هناك العديد من التقنيات الأساسية المستخدمة لدمج النماذج، حيث يعمل كل منها على تحسين الأداء بطريقته الخاصة. أكثر أساليب التجميع شيوعاً هي التجميع بالحقائب (bagging)، والتعزيز (boosting)، والتكديس (stacking)، والمزج (blending).

Link to this sectionالتجميع بالحقائب (Bagging)#

التجميع بالحقائب، وهو اختصار لـ bootstrap aggregating، هو أسلوب تعلم تجميعي يساعد في تحسين استقرار النموذج ودقته من خلال تدريب نسخ متعددة من نفس النموذج على أجزاء مختلفة من البيانات.

يتم إنشاء كل مجموعة فرعية باستخدام عملية تسمى أخذ عينات التمهيد (bootstrap sampling)، حيث يتم اختيار نقاط البيانات عشوائياً مع الاستبدال. وهذا يعني أنه بعد اختيار نقطة بيانات، يتم إعادتها إلى المجموعة قبل اختيار النقطة التالية، لذا يمكن أن تظهر نفس النقطة أكثر من مرة، بينما قد يتم استبعاد نقاط أخرى. تضمن هذه العشوائية أن كل نموذج يتدرب على نسخة مختلفة قليلاً من مجموعة البيانات.

أثناء الاستدلال، تعمل جميع النماذج المدربة بالتوازي لإجراء تنبؤات على بيانات جديدة وغير مرئية. ينتج كل نموذج مخرجاته الخاصة بناءً على ما تعلمه، ثم يتم دمج هذه التنبؤات الفردية لتشكيل 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. بالنسبة لمهام التصنيف، مثل تحديد ما إذا كانت المعاملة احتيالية أم لا، غالباً ما يأخذ التجميع تصويتاً بالأغلبية لاتخاذ القرار بشأن الفئة النهائية.

Link to this sectionالتجميع بالحقائب عملياً: خوارزمية الغابة العشوائية (Random Forest)#

مثال جيد على الأماكن التي يعمل فيها التجميع بالحقائب بشكل جيد هو أشجار القرار، والتي يمكن أن تفرط في التخصيص بسهولة عند تدريبها على مجموعة بيانات واحدة. من خلال تدريب العديد من الأشجار على عينات مختلفة قليلاً ودمج نتائجها، يقلل التجميع بالحقائب من الإفراط في التخصيص ويحسن الموثوقية.

ضع في اعتبارك خوارزمية الغابة العشوائية. إنها تجميع لأشجار القرار، حيث يتم تدريب كل شجرة على مجموعة فرعية عشوائية من مجموعة بيانات التدريب بالإضافة إلى مجموعة فرعية عشوائية من السمات.

تساعد عشوائية السمات هذه على ضمان أن تكون الأشجار أقل ارتباطاً وأن النموذج العام أكثر استقراراً ودقة. يمكن استخدام خوارزمية الغابة العشوائية لتصنيف الصور، وكشف الاحتيال، والتنبؤ بترك العملاء (churn)، وتوقع المبيعات، أو تقدير أسعار العقارات.

شكل 2. نظرة على خوارزمية الغابة العشوائية (المصدر)

Link to this sectionالتعزيز (Boosting)#

التعزيز هو أسلوب تعلم تجميعي آخر يركز على تحسين المتعلمات الضعيفة (النماذج) من خلال تدريبها بالتسلسل، واحدة تلو الأخرى، بدلاً من التوازي. المفهوم الأساسي للتعزيز هو أن كل نموذج جديد يتعلم من أخطاء النماذج السابقة، مما يحسن تدريجياً أداء النموذج العام.

على عكس التجميع بالحقائب، الذي يقلل التباين عن طريق حساب متوسط نماذج مستقلة، يقلل التعزيز الانحياز من خلال جعل كل نموذج جديد يولي مزيداً من الاهتمام للحالات الصعبة التي كافحت النماذج السابقة معها.

نظراً لأن نماذج التعزيز يتم تدريبها بالتسلسل، فإن الطريقة التي يتم بها دمج تنبؤاتها في النهاية تختلف قليلاً عن أساليب التجميع الأخرى. يساهم كل نموذج في التنبؤ النهائي بما يتناسب مع أدائه أثناء التدريب، حيث تحصل النماذج الأكثر دقة على وزن أكبر.

بالنسبة لمهام الانحدار، تكون النتيجة النهائية عادةً مجموعاً مرجحاً لجميع تنبؤات النماذج. بالنسبة لمهام التصنيف، تدمج الخوارزمية الأصوات المرجحة من النماذج لاتخاذ القرار بشأن الفئة النهائية. يساعد هذا النهج التعزيز في إنشاء نموذج عام قوي من خلال إعطاء وزن أكبر للنماذج الأكثر دقة مع الاستمرار في التعلم من النماذج الأخرى.

إليك بعض الأنواع الشائعة لخوارزميات التعزيز:

• AdaBoost (التعزيز التكيفي): تبدأ هذه الطريقة بتدريب نموذج بسيط، مثل شجرة قرار صغيرة، ثم تزيد من وزن نقاط البيانات التي تم تصنيفها بشكل خاطئ. هذه الأوزان تجعل النموذج التالي يركز بشكل أكبر على الأمثلة الصعبة. عبر تكرارات متعددة، تبني النماذج على بعضها البعض، وتشكل تنبؤاتها المدمجة نتيجة أقوى وأكثر دقة. على سبيل المثال، يمكن لـ AdaBoost تحسين دقة كشف البريد المزعج أو التعرف على الوجه.
• تعزيز التدرج (Gradient Boosting): بدلاً من إعادة وزن العينات، يقوم تعزيز التدرج بتدريب كل نموذج جديد لتصحيح الأخطاء المتبقية، وهي الاختلافات بين القيم الفعلية والمتنبأ بها التي ارتكبتها النماذج السابقة. هذا النهج التكراري يجعله فعالاً لكل من مهام الانحدار والتصنيف، مثل توقع المبيعات وتسجيل الائتمان.
• XGBoost (تعزيز التدرج المتطرف): يعمل هذا الإصدار المتقدم من تعزيز التدرج على تحسين كل من السرعة والدقة. يستخدم التنظيم (regularization)، الذي يعاقب قليلاً النماذج المعقدة بشكل مفرط أثناء التدريب بحيث تركز على أنماط ذات مغزى بدلاً من حفظ البيانات. على الرغم من أن النماذج لا تزال مدربة بالتسلسل، إلا أن XGBoost يسرع العملية باستخدام التوازي أثناء بناء الشجرة. يمكنه تقييم العديد من نقاط التقسيم المحتملة في نفس الوقت عبر أنوية CPU مختلفة. وهذا يجعل التدريب أسرع بكثير، خاصة على مجموعات البيانات الكبيرة، مع الحفاظ على أداء تنبؤي عالٍ.

شكل 3. مثال على مصنف يعتمد على أشجار القرار (DTB) تم تدريبه بنهج التعزيز للتنبؤ بمخاطر السكري. (المصدر)

Link to this sectionالتكديس (Stacking)#

يأخذ التكديس، الذي يسمى أيضاً التعميم المكدس، الأمور خطوة أخرى إلى الأمام من خلال استخدام التنبؤات من عدة نماذج كمدخلات لنموذج نهائي معروف باسم المتعلم الفائق (meta learner). يمكنك التفكير في الأمر كوجود مجموعة من الخبراء يشارك كل منهم رأيه، ثم يتعلم صانع قرار نهائي كيفية وزن تلك الآراء لاتخاذ أفضل قرار ممكن.

على سبيل المثال، قد يكون أحد النماذج رائعاً في كشف الاحتيال بينما يكون آخر أفضل في التنبؤ بترك العملاء. يدرس المتعلم الفائق أداء كل منهم ويستخدم نقاط قوتهم معاً لاتخاذ تنبؤ نهائي أكثر دقة.

Link to this sectionالمزج (Blending)#

يعمل المزج بطريقة مشابهة للتكديس لأنه يجمع أيضاً بين التنبؤات من عدة نماذج لاتخاذ قرار نهائي، لكنه يتبع نهجاً أبسط وأسرع. بدلاً من استخدام التحقق المتبادل (طريقة تقسم البيانات إلى عدة أجزاء وتدور بين التدريب والاختبار لجعل النموذج أكثر موثوقية)، مثلما يفعل التكديس، يقوم المزج بتخصيص جزء صغير من البيانات، يسمى مجموعة التوقف (holdout set).

يتم تدريب النماذج الأساسية على البيانات المتبقية ثم إجراء تنبؤات على مجموعة التوقف، التي لم تروها من قبل. ينتج عن هذا معلومتان رئيسيتان: الإجابات الفعلية، أو التصنيفات الحقيقية، والتنبؤات التي قام بها كل نموذج أساسي.

يتم بعد ذلك تمرير هذه التنبؤات إلى نموذج آخر يسمى نموذج المزج أو النموذج الفائق. يدرس هذا النموذج النهائي مدى دقة تنبؤات كل نموذج أساسي ويتعلم كيفية دمجها بأفضل طريقة ممكنة.

نظراً لأن المزج يعتمد على تقسيم واحد فقط للتدريب والاختبار بدلاً من تكرار العملية عدة مرات، فإنه يعمل بشكل أسرع ويسهل إعداده. المقايضة هي أن لديه معلومات أقل قليلاً للتعلم منها، مما قد يجعله أقل دقة قليلاً.

Link to this sectionتقييم خوارزميات التجميع#

جزء مهم من التعلم التجميعي هو تقييم مدى جودة أداء النموذج على بيانات لم يسبق له رؤيتها. وبغض النظر عن مدى تقدم التقنية، يجب اختبارها للتأكد من قدرتها على التعميم، مما يعني أنها يجب أن تجعل التنبؤات دقيقة على أمثلة جديدة في العالم الحقيقي بدلاً من مجرد حفظ بيانات التدريب.

إليك بعض مقاييس الأداء الشائعة المستخدمة لتقييم نماذج الذكاء الاصطناعي:

• الدقة (Accuracy): يقيس هذا المقياس نسبة التنبؤات الصحيحة من بين جميع التنبؤات التي قام بها النموذج. إنه يعطي نظرة عامة سريعة على الأداء العام.
• [الدقة] (https://www.ultralytics.com/blog/accuracy-precision-recall) (Precision): تشير إلى عدد العينات التي تم التنبؤ بأنها إيجابية وهي في الواقع إيجابية. الدقة العالية تعني أن النموذج يرتكب القليل من أخطاء الإيجابية الكاذبة.
• الاستدعاء (Recall): يركز هذا المقياس على عدد الحالات الإيجابية الفعلية التي تم تحديدها بشكل صحيح من قبل النموذج. إنه مهم بشكل خاص في مجالات مثل الرعاية الصحية، حيث يمكن أن يكون فقدان حالة إيجابية، مثل تشخيص مرض، له عواقب وخيمة.

Link to this sectionتطبيقات العالم الحقيقي للتعلم التجميعي#

حتى الآن، استكشفنا كيفية عمل التعلم التجميعي والتقنيات الكامنة وراءه. الآن دعونا نلقي نظرة على المكان الذي يحدث فيه هذا النهج تأثيراً.

إليك بعض المجالات الرئيسية التي يتم فيها تطبيق التعلم التجميعي بشكل شائع:

• تحليل البيانات والتنبؤ: في الأعمال والتحليلات، تساعد نماذج التجميع المؤسسات على إجراء تنبؤات أفضل من خلال دمج الأفكار من نماذج متعددة. وهذا يؤدي إلى توقعات مبيعات أكثر دقة، وتخطيط طلب أذكى، وفهم أوضح لسلوك العملاء.
• التصنيف الثنائي: تتطلب مهام مثل كشف البريد المزعج، ومنع الاحتيال، والتشخيص الطبي غالباً التمييز بين نتيجتين محتملتين. تساعد نماذج التجميع في تقليل الإيجابيات الكاذبة والسلبيات الكاذبة، وهو أمر بالغ الأهمية بشكل خاص في مجالات مثل الأمن السيبراني والرعاية الصحية.
• مشاكل الانحدار: عند التنبؤ بقيم مستمرة مثل أسعار المنازل، أو إيرادات المبيعات، أو مخاطر الائتمان، تلتقط أساليب التجميع علاقات معقدة داخل البيانات. وهذا يؤدي إلى تنبؤات أكثر دقة تدعم قرارات مالية وتشغيلية أفضل.

Link to this sectionتجاوز البيانات المهيكلة مع التعلم التجميعي#

بينما يُستخدم التعلم التجميعي بشكل شائع مع البيانات المهيكلة أو الجدولية، مثل جداول البيانات التي تحتوي على معلومات رقمية أو فئوية، يمكن أيضاً تطبيقه على البيانات غير المهيكلة مثل النصوص والصور والصوت والفيديو.

هذه الأنواع من البيانات أكثر تعقيداً ويصعب على النماذج تفسيرها، لكن أساليب التجميع تساعد في تحسين الدقة والموثوقية. على سبيل المثال، في الرؤية الحاسوبية، يمكن للتجميعات تعزيز مهام مثل تصنيف الصور وكشف الأشياء.

من خلال دمج تنبؤات نماذج رؤية متعددة، مثل الشبكات العصبية التلافيفية (CNNs)، يمكن للنظام التعرف على الأشياء بدقة أكبر والتعامل مع الاختلافات في الإضاءة أو الزاوية أو الخلفية التي قد تربك نموذجاً واحداً.

Link to this sectionنظرة على تجميع نماذج Ultralytics YOLOv5#

مثال مثير للاهتمام لاستخدام التعلم التجميعي في الرؤية الحاسوبية هو عندما يدمج المهندس نماذج كشف أشياء متعددة لتحسين الدقة. تخيل مهندساً يعمل على نظام مراقبة السلامة لموقع بناء، حيث تتغير الإضاءة والزوايا وأحجام الأشياء باستمرار.

قد يغفل نموذج واحد عاملاً في الظلال أو يربك الآلات أثناء الحركة. 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 جنباً إلى جنب مع تجميع النماذج. يمكن للمهندسين الجمع بين متغيرات YOLOv5 مختلفة، مثل YOLOv5x و YOLOv5l6، لإجراء تنبؤات معاً. يحلل كل نموذج نفس الصورة وينتج كشوفاته الخاصة، والتي يتم بعد ذلك حساب متوسطها لتوليد نتيجة نهائية أقوى وأكثر دقة.

شكل 4. كشف الأشياء في صورة باستخدام YOLOv5. (المصدر)

Link to this sectionإيجابيات وسلبيات التعلم التجميعي#

إليك بعض الفوائد الرئيسية لاستخدام التعلم التجميعي:

• المرونة تجاه البيانات الصاخبة: تتأثر التجميعات بدرجة أقل بالقيم المتطرفة أو الضجيج العشوائي في مجموعة البيانات لأنها تعتمد على نماذج متعددة.
• تعميم أفضل: تقلل التجميعات من الإفراط في التخصيص، مما يساعد النماذج على الأداء الجيد على البيانات غير المرئية بدلاً من مجرد حفظ أمثلة التدريب.
• المرونة عبر الخوارزميات: يمكنك الجمع بين أنواع مختلفة من النماذج، مثل أشجار القرار، والشبكات العصبية، والنماذج الخطية، للاستفادة من نقاط قوتها الفريدة.

بينما يجلب التعلم التجميعي مزايا متنوعة، هناك أيضاً بعض التحديات التي يجب مراعاتها. إليك بعض العوامل التي يجب وضعها في الاعتبار:

• [تكلفة حوسبية] (https://www.ultralytics.com/blog/understanding-the-impact-of-compute-power-on-ai-innovations) أعلى: يتطلب تدريب وصيانة نماذج متعددة ذاكرة وقوة معالجة ووقتاً أكثر من نموذج واحد.
• انخفاض قابلية التفسير: نظراً لأن المخرجات النهائية تأتي من الجمع بين نماذج متعددة، فقد يكون من الصعب فهم سبب اتخاذ قرار معين. ومع ذلك، يعتمد هذا على النماذج المستخدمة، فعند استخدام نماذج قابلة للتفسير، مثل أشجار القرار أو آلات ناقل الدعم، يكون فهم النتائج أسهل عادةً.
• اعتبارات تصميم التجميع: يتضمن بناء تجميع اختيار المزيج الصحيح من النماذج والتأكد من أنها تعمل معاً بشكل جيد. ومع ذلك، يمكن أن يكون الأمر أبسط في بعض الحالات لأنك لا تحتاج إلى ضبط المعلمات الفائقة (hyperparameters) لكل نموذج فردي.

Link to this sectionأبرز النقاط#

يُظهر التعلم التجميعي كيف يمكن للجمع بين نماذج متعددة أن يجعل أنظمة الذكاء الاصطناعي أكثر دقة وموثوقية. إنه يساعد في تقليل الأخطاء وتحسين الأداء عبر أنواع مختلفة من المهام. ومع استمرار نمو تعلم الآلة والذكاء الاصطناعي، تقود تقنيات مثل هذه اعتماداً أوسع وحلول ذكاء اصطناعي أكثر عملية وعالية الأداء.

انضم إلى مجتمعنا النامي ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية للذكاء الاصطناعي. استكشف صفحات حلولنا للتعرف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية. تحقق من خيارات الترخيص الخاصة بنا للبدء مع نموذج الرؤية الحاسوبية الخاص بك اليوم!