استكشاف التعلّم التجميعي ودوره في الذكاء الاصطناعي والتعلّم الآلي

للاطلاع المرئي على المفاهيم التي يغطيها هذا المقال، شاهد الفيديو أدناه.

تعتمد ابتكارات الذكاء الاصطناعي، مثل محرّكات التوصية وأنظمة اكتشاف الاحتيال، على خوارزميات ونماذج تعلّم الآلة لإجراء التنبؤات واتخاذ القرارات استنادًا إلى البيانات. ويمكن لهذه النماذج تحديد الأنماط والتنبؤ بالاتجاهات والمساعدة في أتمتة المهام المعقدة.

ومع ذلك، قد يواجه النموذج الواحد صعوبة في التقاط جميع التفاصيل الموجودة في البيانات الواقعية. فقد يحقق أداءً جيدًا في بعض الحالات، لكنه قد يقصر في حالات أخرى، مثل عدم اكتشاف نموذج كشف الاحتيال لأنواع جديدة من المعاملات.

يمثل هذا القيد تحديًا يواجهه مهندسو الذكاء الاصطناعي غالبًا عند بناء نماذج تعلّم الآلة ونشرها. إذ تُفرط بعض النماذج في الملاءمة من خلال تعلّم بيانات التدريب بصورة دقيقة أكثر من اللازم، بينما تعاني نماذج أخرى من نقص الملاءمة بسبب تفويتها أنماطًا مهمة. يُعد التعلّم التجميعي تقنية للذكاء الاصطناعي تساعد في معالجة هذه التحديات من خلال دمج نماذج متعددة، تُعرف باسم المتعلّمين الأساسيين، في نظام واحد أكثر قوة.

يمكنك تصوّر الأمر على أنه فريق من الخبراء يعملون معًا لحل مشكلة. في هذه المقالة، سنستكشف ماهية التعلّم التجميعي، وكيفية عمله، وأماكن استخدامه. لنبدأ!

ما التعلّم التجميعي؟#

يشير التعلّم التجميعي إلى مجموعة من التقنيات التي تدمج نماذج متعددة لحل المشكلة نفسها وإنتاج نتيجة واحدة محسّنة. ويمكن تطبيقه في كلٍّ من التعلّم الخاضع للإشراف (حيث تتعلّم النماذج من البيانات المصنّفة) والتعلّم غير الخاضع للإشراف (حيث تبحث النماذج عن أنماط في البيانات غير المصنّفة).

بدلًا من الاعتماد على نموذج واحد لإجراء التنبؤات، يستخدم التجميع عدة نماذج ينظر كل منها إلى البيانات بطريقته الخاصة. وعند دمج مخرجاتها، تكون النتيجة غالبًا أكثر دقة واستقرارًا وقابلية للتعميم مما يمكن لأي نموذج منفرد تحقيقه بمفرده.

يمكنك تشبيه ذلك بلجنة من المحللين تتعامل مع المشكلة نفسها. إذ يفسّر كل محلل أو نموذج منفرد البيانات بطريقة مختلفة.

قد يركّز 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 في معالجة اثنين من أكبر التحديات في تعلّم الآلة: الانحياز والتباين. يكون النموذج ذو الانحياز المرتفع بسيطًا أكثر من اللازم ويتجاهل الأنماط المهمة، بينما يكون النموذج ذو التباين المرتفع شديد الحساسية ويفرط في ملاءمة بيانات التدريب. ومن خلال دمج النماذج، يحقق التعلّم التجميعي توازنًا بينهما، مما يحسّن أداء النظام على البيانات الجديدة غير المرئية.

فهم كيفية عمل التعلّم التجميعي#

يُعرف كل نموذج في التجميع باسم المتعلّم الأساسي أو النموذج الأساسي. ويمكن أن تكون هذه النماذج من النوع نفسه من الخوارزميات أو مزيجًا من خوارزميات مختلفة، تبعًا لتقنية التجميع المستخدمة.

فيما يلي بعض الأمثلة الشائعة على النماذج المختلفة المستخدمة في التعلّم التجميعي:

• أشجار القرار: تقسّم هذه النماذج البيانات إلى فروع استنادًا إلى قيم السمات لاتخاذ القرارات. فعلى سبيل المثال، في مسائل التصنيف، مثل التنبؤ بما إذا كان العميل سيشتري منتجًا، تأخذ هذه النماذج عوامل مثل العمر والدخل وسجل التصفح في الحسبان.
• الشبكات العصبية: مستوحاة من طريقة معالجة الدماغ البشري للمعلومات، وتشكّل البنية الأساسية لمعظم نماذج الذكاء الاصطناعي وتعلّم الآلة الحديثة.
• آلات المتجهات الداعمة (SVMs): تصنّف هذه الخوارزميات البيانات من خلال إيجاد حد قرار أمثل يُسمى مستوىً فائقًا، يعمل على تعظيم الهامش بين الفئات المختلفة. وبعبارة أخرى، ترسم SVM أفضل خط ممكن يفصل بين المجموعات مع ترك أكبر فجوة بينها. ويمكن استخدامها، مثلًا، لتحديد ما إذا كانت رسالة بريد إلكتروني مزعجة أم لا، استنادًا إلى أنماط مثل تكرار الكلمات وبنيتها.
• نماذج الانحدار اللوجستي: تقدّر هذه النماذج الاحتمالات، وتُستخدم غالبًا في مهام التصنيف الثنائي. ومن الأمثلة المعتادة التنبؤ بما إذا كانت المعاملة احتيالية أم مشروعة.

يُسمى تجميع النماذج المدمج عمومًا متعلّمًا قويًا، لأنه يدمج نقاط قوة المتعلّمين الأساسيين (الذين يُشار إليهم أيضًا بالنماذج الضعيفة) مع تقليل نقاط ضعفهم. ويحقق ذلك من خلال دمج تنبؤات كل نموذج بطريقة منظمة، باستخدام تصويت الأغلبية في مهام التصنيف أو المتوسط ​​المرجّح في مهام الانحدار لإنتاج نتيجة نهائية أكثر دقة.

الشكل 1. مثال على التعلّم التجميعي (المصدر)

متى يُستخدم التعلّم التجميعي؟#

قبل التعمق في تقنيات التعلّم التجميعي المختلفة، لنتوقف قليلًا لفهم الحالات التي ينبغي فيها استخدام هذا النوع من النهج في مشروع لتعلّم الآلة أو الذكاء الاصطناعي.

يكون التعلّم التجميعي أكثر تأثيرًا عندما يواجه النموذج الواحد صعوبة في إنتاج 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 فعّالة بوجه خاص:

• انخفاض دقة النموذج: عندما لا تكون تنبؤات نموذج واحد موثوقة بما يكفي، يمكن أن يؤدي دمج نماذج متعددة إلى تحسين الدقة والأداء بدرجة ملحوظة. فعلى سبيل المثال، في تقييم الجدارة الائتمانية أو التشخيص الطبي، قد تُحدث التحسينات الصغيرة في دقة التنبؤ فرقًا كبيرًا.
• البيانات المشوشة أو غير المتسقة: إذا احتوت مجموعة البيانات على قيم شاذة أو أخطاء أو تقلبات عشوائية، يساعد التعلّم التجميعي في تسوية هذه الاختلالات من خلال حساب المتوسط أو التصويت عبر نماذج متعددة.
• الحاجة إلى المتانة: تكون النماذج التجميعية أقل حساسية للتغيرات الصغيرة في البيانات، مما يجعلها أكثر استقرارًا وموثوقية في بيئات الإنتاج حيث قد تختلف المدخلات الواقعية.
• مهام التنبؤ المعقدة: في مهام مثل التعرّف على الصور أو اكتشاف الاحتيال أو التنبؤ بالسلاسل الزمنية، تلتقط النماذج التجميعية نطاقًا أوسع من الأنماط والعلاقات مما يستطيع النموذج الواحد التقاطه بمفرده.

كما أنه أبسط في التدريب، وأسهل في التفسير، وأسرع في الصيانة. وقبل استخدام التجميع، من المهم موازنة فائدة الدقة الأعلى مقابل الوقت الإضافي والقدرة الحاسوبية والتعقيد الذي يتطلبه.

نظرة عامة على تقنيات التعلّم التجميعي#

لنلقِ نظرة بعد ذلك على الطرق الرئيسية التي يمكن بها تطبيق التعلّم التجميعي في مشروعات تعلّم الآلة. توجد عدة تقنيات أساسية لدمج النماذج، تعمل كل منها على تحسين الأداء بطريقتها الخاصة. وأكثر أساليب التجميع شيوعًا هي التجميع بالتعيين، والتعزيز، والتكديس، والمزج.

التجميع بالتعيين#

التجميع بالتعيين، وهو اختصار لعبارة التجميع بالتوزيع العشوائي، طريقة من طرق التعلّم التجميعي تساعد في تحسين استقرار النموذج ودقته من خلال تدريب إصدارات متعددة من النموذج نفسه على أجزاء مختلفة من البيانات.

يُنشأ كل جزء فرعي باستخدام عملية تُسمى أخذ عينات التوزيع العشوائي، حيث تُختار نقاط البيانات عشوائيًا مع الإرجاع. وهذا يعني أنه بعد اختيار نقطة بيانات، تُعاد إلى المجموعة قبل اختيار النقطة التالية، ولذلك يمكن أن تظهر النقطة نفسها أكثر من مرة، بينما قد تُستبعد نقاط أخرى. ويضمن هذا العشوائية أن يتدرب كل نموذج على إصدار مختلف قليلًا من مجموعة البيانات.

أثناء الاستدلال، تعمل جميع النماذج المدرّبة بالتوازي لإجراء تنبؤات على بيانات جديدة غير مرئية. وينتج كل نموذج مخرجاته الخاصة استنادًا إلى ما تعلّمه، ثم تُدمج هذه التنبؤات الفردية لتشكيل النتيجة النهائية.

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

التجميع بالتعيين عمليًا: خوارزمية الغابة العشوائية#

من الأمثلة الجيدة على نجاح التجميع بالتعيين استخدامه مع أشجار القرار، التي يمكن أن تفرط بسهولة في الملاءمة عند تدريبها على مجموعة بيانات واحدة. ومن خلال تدريب العديد من الأشجار على عينات مختلفة قليلًا ودمج نتائجها، يقلل التجميع بالتعيين من فرط الملاءمة ويحسّن الموثوقية.

لنتأمل خوارزمية الغابة العشوائية. فهي تجميع لأشجار القرار، حيث تُدرّب كل شجرة على مجموعة فرعية عشوائية من مجموعة بيانات التدريب، بالإضافة إلى مجموعة فرعية عشوائية من السمات.

تساعد عشوائية السمات هذه في ضمان انخفاض الارتباط بين الأشجار، وزيادة استقرار النموذج الإجمالي ودقته. ويمكن استخدام خوارزمية الغابة العشوائية لتصنيف الصور، واكتشاف الاحتيال، والتنبؤ بتوقف العملاء عن التعامل، وتوقع المبيعات، أو تقدير أسعار العقارات.

الشكل 2. نظرة على خوارزمية الغابة العشوائية (المصدر)

التعزيز#

التعزيز تقنية أخرى من تقنيات التعلّم التجميعي، وتركّز على تحسين المتعلّمين الضعفاء (النماذج) من خلال تدريبهم بالتتابع، واحدًا تلو الآخر، بدلًا من تدريبهم بالتوازي. ويتمثل المفهوم الأساسي للتعزيز في أن كل نموذج جديد يتعلّم من أخطاء النماذج السابقة، محسنًا أداء النموذج تدريجيًا.

وعلى خلاف التجميع بالتعيين، 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 فيها.

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

في مهام الانحدار، تكون النتيجة النهائية عادةً مجموعًا مرجّحًا لجميع تنبؤات النماذج. وفي مهام التصنيف، تدمج الخوارزمية الأصوات المرجّحة للنماذج لتحديد الفئة النهائية. ويساعد هذا النهج التعزيزَ على إنشاء نموذج إجمالي قوي من خلال منح وزن أكبر للنماذج الأكثر دقة، مع مواصلة التعلّم 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 وزن نقاط البيانات التي صُنّفت تصنيفًا خاطئًا. وتجعل هذه الأوزان النموذج التالي يركّز أكثر على الأمثلة الصعبة. وعبر تكرارات متعددة، تبني النماذج على بعضها بعضًا، وتشكل تنبؤاتها المدمجة نتيجة أقوى وأكثر دقة. فعلى سبيل المثال، يمكن لـ AdaBoost تحسين دقة اكتشاف الرسائل المزعجة أو التعرّف على الوجوه.
• التعزيز بالتدرج: بدلًا من إعادة وزن العينات، يدرّب التعزيز بالتدرج كل نموذج جديد على تصحيح الأخطاء المتبقية، أي الفروق بين القيم الفعلية والمتوقعة، التي أحدثتها النماذج السابقة. ويجعل هذا النهج التكراري الطريقة فعّالة في مهام الانحدار والتصنيف على حد سواء، مثل توقع المبيعات وتقييم الجدارة الائتمانية.
• XGBoost (التعزيز بالتدرج الفائق): تعمل هذه النسخة المتقدمة من التعزيز بالتدرج على تحسين السرعة والدقة معًا. وتستخدم التنظيم، الذي يفرض عقوبة طفيفة على النماذج شديدة التعقيد أثناء التدريب، لكي تركّز على الأنماط ذات المعنى بدلًا من حفظ البيانات. ومع أن النماذج لا تزال تُدرّب بالتتابع، تسرّع XGBoost العملية باستخدام التوازي أثناء إنشاء الأشجار. ويمكنها تقييم العديد من نقاط التقسيم المحتملة في الوقت نفسه عبر أنوية CPU مختلفة. وهذا يجعل التدريب أسرع بكثير، خصوصًا على مجموعات البيانات الكبيرة، مع الحفاظ على أداء تنبؤي مرتفع.

الشكل 3. مثال على مصنّف قائم على شجرة قرار (DTB) ومدرّب باستخدام نهج التعزيز للتنبؤ بخطر الإصابة بالسكري. (المصدر)

التكديس#

يأخذ التكديس، الذي يُسمى أيضًا التعميم المكدّس، الأمور خطوة إضافية باستخدام تنبؤات عدة نماذج كمدخلات لنموذج نهائي يُعرف بالمتعلّم الفوقي. ويمكنك تصوّر الأمر على أنه مجموعة من الخبراء يشارك كل منهم رأيه، ثم يتعلّم صانع قرار نهائي كيفية موازنة تلك الآراء لاتخاذ أفضل قرار ممكن.

فعلى سبيل المثال، قد يكون أحد النماذج بارعًا في اكتشاف الاحتيال، بينما يكون نموذج آخر أفضل في التنبؤ بتوقف العملاء عن التعامل. ويدرس المتعلّم الفوقي أداء كل نموذج ويستخدم نقاط قوتهما معًا لإنتاج تنبؤ نهائي أكثر دقة.

المزج#

يعمل المزج بطريقة مشابهة للتكديس، إذ يدمج أيضًا تنبؤات عدة نماذج لاتخاذ قرار نهائي، لكنه يتبع نهجًا أبسط وأسرع. فبدلًا من استخدام التحقق المتقاطع (وهو طريقة تقسّم البيانات إلى عدة أجزاء وتتناوب على استخدامها بين التدريب والاختبار لجعل النموذج أكثر موثوقية)، كما يفعل التكديس، يعزل المزج جزءًا صغيرًا من البيانات يُسمى مجموعة الحجز.

تُدرّب النماذج الأساسية على البيانات المتبقية، ثم تُصدر تنبؤات على مجموعة الحجز التي لم ترها من قبل. وينتج عن ذلك عنصران أساسيان من المعلومات: الإجابات الفعلية، أو التسميات الحقيقية، والتنبؤات التي أصدرها كل نموذج أساسي.

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

وبما أن المزج يعتمد على تقسيم واحد للتدريب والاختبار بدلًا من تكرار العملية عدة مرات، فإنه يعمل بسرعة أكبر ويسهل إعداده. وتتمثل المفاضلة في أن لديه معلومات أقل قليلًا ليتعلّم منها، مما قد يجعله أقل دقة بعض الشيء.

تقييم خوارزميات التجميع#

يُعد تقييم مدى أداء النموذج على البيانات التي لم يرها من قبل جزءًا مهمًا من التعلّم التجميعي. ومهما بلغت التقنية من التقدم، يجب اختبارها لضمان قدرتها على التعميم، أي إنتاج تنبؤات دقيقة على أمثلة جديدة من العالم الحقيقي بدلًا من حفظ بيانات التدريب فحسب.

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

• الدقة: يقيس هذا المقياس نسبة التنبؤات الصحيحة من إجمالي التنبؤات التي أجراها النموذج. ويقدم نظرة سريعة على الأداء العام.
• الإحكام: يوضح عدد العينات التي تنبأ النموذج بأنها إيجابية وكانت إيجابية فعلًا. ويعني الإحكام المرتفع أن النموذج يرتكب عددًا قليلًا من أخطاء الإيجابيات الكاذبة.
• الاستدعاء: يركّز هذا المقياس على عدد الحالات الإيجابية الفعلية التي حددها النموذج بشكل صحيح. وهو مهم بوجه خاص في مجالات مثل الرعاية الصحية، حيث قد تترتب على عدم اكتشاف حالة إيجابية، مثل تشخيص مرض، عواقب خطيرة.

التطبيقات الواقعية للتعلّم التجميعي#

استكشفنا حتى الآن كيفية عمل التعلّم التجميعي والتقنيات التي يستند إليها. ولنلقِ الآن نظرة على المجالات التي يُحدث فيها هذا النهج تأثيرًا.

فيما يلي بعض المجالات الرئيسية التي يُطبّق فيها التعلّم التجميعي عادةً:

• تحليل البيانات والتنبؤ: تساعد النماذج التجميعية في قطاع الأعمال والتحليلات المؤسسات على إجراء تنبؤات أفضل من خلال دمج الرؤى المستخلصة من نماذج متعددة. ويؤدي ذلك إلى توقعات مبيعات أكثر دقة، وتخطيط أذكى للطلب، وفهم أوضح لسلوك العملاء.
• التصنيف الثنائي: تتطلب مهام مثل اكتشاف الرسائل المزعجة والوقاية من الاحتيال والتشخيص الطبي غالبًا التمييز بين نتيجتين محتملتين. وتساعد النماذج التجميعية في تقليل الإيجابيات الكاذبة 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 أكثر دقة تدعم قرارات مالية وتشغيلية أفضل.

تجاوز البيانات المنظّمة باستخدام التعلّم التجميعي#

على الرغم من أن التعلّم التجميعي يُستخدم غالبًا مع البيانات المنظّمة أو الجدولية، مثل جداول البيانات التي تحتوي على معلومات رقمية أو فئوية، فإنه يمكن تطبيقه أيضًا على البيانات غير المنظّمة مثل النصوص والصور والصوت والفيديو.

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

ومن خلال دمج تنبؤات نماذج رؤية متعددة، مثل الشبكات العصبية الالتفافية (CNNs)، يستطيع النظام التعرّف على الأجسام بدقة أكبر والتعامل مع الاختلافات في الإضاءة أو الزاوية أو الخلفية التي قد تربك نموذجًا واحدًا.

نظرة على تجميع نماذج Ultralytics YOLOv5#

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

قد يفشل نموذج واحد في اكتشاف عامل موجود في الظلال أو يخلط بين الآلات المتحركة. وباستخدام تجميع من النماذج، يمتلك كل منها نقاط قوة مختلفة، يصبح النظام أكثر موثوقية وأقل عرضة لارتكاب هذه الأخطاء.

وعلى وجه الخصوص، تتكامل نماذج مثل Ultralytics YOLOv5 مع تجميع النماذج. ويمكن للمهندسين دمج إصدارات مختلفة من YOLOv5، مثل YOLOv5x وYOLOv5l6، لإجراء التنبؤات معًا. ويحلل كل نموذج الصورة نفسها وينتج اكتشافاته الخاصة، ثم تُحسب متوسطاتها لإنشاء نتيجة نهائية أقوى وأكثر دقة.

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

إيجابيات وسلبيات التعلّم التجميعي#

فيما يلي بعض الفوائد الرئيسية لاستخدام التعلّم التجميعي:

• المرونة تجاه البيانات المشوشة: تتأثر النماذج التجميعية بدرجة أقل بالقيم الشاذة أو الضوضاء العشوائية في مجموعة البيانات لأنها تعتمد على نماذج متعددة.
• تعميم أفضل: يقلل التجميع من فرط الملاءمة، مما يساعد النماذج على الأداء الجيد في البيانات غير المرئية بدلًا من حفظ أمثلة التدريب فحسب.
• المرونة عبر الخوارزميات: يمكنك دمج أنواع مختلفة من النماذج، مثل أشجار القرار والشبكات العصبية والنماذج الخطية، للاستفادة من نقاط قوتها الفريدة.

مع أن التعلّم التجميعي يوفر مزايا متنوعة، فهناك أيضًا بعض التحديات التي ينبغي أخذها في الحسبان. وفيما يلي بعض العوامل التي يجب تذكرها:

• ارتفاع التكلفة الحاسوبية: يتطلب تدريب نماذج متعددة وصيانتها ذاكرة وقدرة معالجة ووقتًا أكبر مما يتطلبه النموذج الواحد.
• انخفاض قابلية التفسير: بما أن المخرجات النهائية تنتج عن دمج نماذج متعددة، فقد يصعب فهم سبب اتخاذ قرار معين. ومع ذلك، يعتمد الأمر على النماذج المستخدمة؛ فعند استخدام نماذج قابلة للتفسير، مثل أشجار القرار أو آلات المتجهات الداعمة، يكون فهم النتائج أسهل عادةً.
• اعتبارات تصميم التجميع: يتضمن بناء تجميع اختيار المزيج المناسب من النماذج والتأكد من عملها جيدًا معًا. ومع ذلك، قد يكون الأمر أبسط في بعض الحالات، لأنك لا تحتاج إلى ضبط المعلمات الفائقة لكل نموذج فردي ضبطًا دقيقًا.

أهم النقاط المستخلصة#

يوضح التعلّم التجميعي كيف يمكن لدمج نماذج متعددة أن يجعل أنظمة الذكاء الاصطناعي أكثر دقة وموثوقية. فهو يساعد في تقليل الأخطاء وتحسين الأداء عبر أنواع مختلفة من المهام. ومع استمرار نمو تعلّم الآلة والذكاء الاصطناعي، تقود تقنيات كهذه إلى اعتماد أوسع وحلول ذكاء اصطناعي أكثر عملية وأعلى أداءً.

انضم إلى مجتمعنا المتنامي ومستودع GitHub لمعرفة المزيد عن ذكاء الرؤية. واستكشف صفحات حلولنا للتعرّف على تطبيقات الرؤية الحاسوبية في الزراعة والذكاء الاصطناعي في الخدمات اللوجستية. اطّلع على خيارات الترخيص للبدء باستخدام نموذج الرؤية الحاسوبية الخاص بك اليوم!