شرح التعلم الآلي مع وجود الإنسان ضمن الحلقة (HITL)

في الوقت الحاضر، نستخدم الذكاء الاصطناعي (AI) والتعلم الآلي (ML) بوتيرة أكبر مما ندرك. تساعد هذه التقنيات المتطورة على تحسين خلاصات وسائل التواصل الاجتماعي، وتنظيم مكتبات الصور الرقمية، وتسهيل تشخيص الأطباء للأمراض.

لكن حتى أكثر أنظمة الذكاء الاصطناعي تقدمًا قد ترتكب أخطاءً. فقد تغفل تفاصيل مهمة أو تسيء تفسير ما تراه. ولتحسين النتائج، يتجه العديد من المطورين والمهتمين بالذكاء الاصطناعي إلى نهج يُسمى الذكاء الاصطناعي بوجود الإنسان ضمن الحلقة (HITL). يجمع هذا الأسلوب بين الحكم البشري وكفاءة الآلة. ويتدخل الأشخاص لتدريب أداء نموذج الذكاء الاصطناعي ومراجعته وتحسينه بمرور الوقت.

في هذه المقالة، سنستكشف ما يمثله الذكاء الاصطناعي بوجود الإنسان ضمن الحلقة، وكيف يعمل، وأين يمكن استخدامه في العالم الواقعي. فلنبدأ!

المفاهيم الأساسية لـ HITL#

قبل أن نتعمق في أهمية سير عمل HITL، دعونا نلقي نظرة فاحصة على أساسيات نهج وجود الإنسان ضمن الحلقة.

ما هو HITL؟ المعنى الأساسي#

رغم أن نماذج الذكاء الاصطناعي سريعة وقادرة على معالجة كميات هائلة من البيانات، فإنها قد تظل مرتبكة. فعلى سبيل المثال، في الرؤية الحاسوبية، وهي مجال فرعي من الذكاء الاصطناعي يركز على فهم الصور ومقاطع الفيديو وتحليلها، قد يسيء النموذج قراءة صورة ضبابية أو يغفل تفصيلًا دقيقًا.

يحدث ذلك لأن نماذج الذكاء الاصطناعي تعتمد على الأنماط الموجودة في البيانات بدلًا من الفهم الحقيقي. فإذا كانت البيانات غير واضحة أو متحيزة أو غير مكتملة، فقد تكون مخرجات النموذج غير دقيقة.

تُدخل الأتمتة بوجود الإنسان ضمن الحلقة الأشخاص في عملية التدريب لمساعدة النماذج على التعلم بفاعلية أكبر. وبدلًا من العمل باستقلالية تامة، تتلقى هذه الأنظمة ملاحظات بشرية منتظمة. ويراجع الأشخاص المخرجات، ويصححون الأخطاء، ويوجهون النموذج مع تحسنه بمرور الوقت.

الشكل 1. ما الأتمتة بوجود الإنسان ضمن الحلقة؟ (المصدر)

لماذا يُعد وجود الإنسان ضمن الحلقة ضروريًا؟#

قد تتساءل: هل المدخلات البشرية ضرورية فعلًا؟ ألا يبدو ذلك متعارضًا مع الهدف العام المتمثل في جعل الذكاء الاصطناعي أكثر استقلالية؟ لكن الواقع هو أن أنظمة الذكاء الاصطناعي تتعلم من البيانات، وأحيانًا لا تقدم مجموعات البيانات صورة شاملة.

على سبيل المثال، في السيارات ذاتية القيادة، هناك العديد من المواقف التي قد لا يفهمها نموذج الذكاء الاصطناعي فهمًا كاملًا. فقد يواجه صعوبة مع ظروف الطرق غير المعتادة، أو العوائق غير المتوقعة، أو الأحداث النادرة التي لم يسبق له رؤيتها. وفي هذه الحالات، يُعد التوجيه البشري جزءًا مهمًا من تعلم النظام واستجابته بأمان أكبر بمرور الوقت.

بوجه عام، يُعد البشر جزءًا أساسيًا من أي مشروع للذكاء الاصطناعي. فهم ينسقون البيانات ويضعون تعليقاتها التوضيحية، ويراجعون مخرجات النموذج، ويقدمون ملاحظات تساعد النظام على التحسن. ومن دون وجود الإنسان ضمن الحلقة، ستواجه حلول الذكاء الاصطناعي صعوبة في التكيف مع المواقف المعقدة في العالم الواقعي.

فهم دور الآلة ضمن الحلقة#

بينما يوفر البشر الإشراف والملاحظات، يتمثل دور الآلة في التعلم من تلك المدخلات والتحسن بمرور الوقت. تستخدم نماذج الذكاء الاصطناعي التصحيحات البشرية لتحسين تنبؤاتها، وسد الفجوات التي تكون فيها البيانات مفقودة أو غير معنونة، وتولي المهام تدريجيًا على نطاق يتجاوز بكثير ما يستطيع الأشخاص إدارته بمفردهم. وتجعل دورة الملاحظات والضبط الدقيق أو إعادة التدريب نماذج الذكاء الاصطناعي أكثر موثوقية مع معالجتها معلومات جديدة.

كيف يعمل وجود الإنسان ضمن الحلقة؟#

في سير عمل نموذجي للذكاء الاصطناعي بوجود الإنسان ضمن الحلقة، يعالج نموذج الذكاء الاصطناعي البيانات ويصدر تنبؤًا. وعندما يكون غير متأكد أو تكون المهمة معقدة، تُعلَّم النتيجة للمراجعة البشرية. ثم يتحقق شخص من التنبؤ، ويجري التصحيحات عند الحاجة، وتُضاف هذه التحديثات مرة أخرى إلى بيانات التدريب. ويواصل النموذج التعلم مع كل دورة.

تساعد هذه الحلقة نموذج الذكاء الاصطناعي على التحسن في المجالات التي يواجه فيها صعوبة. فبدلًا من الاعتماد على البيانات المعنونة مسبقًا فقط، يتعلم النظام أيضًا من الملاحظات الفورية. وبمرور الوقت، يصبح النموذج أكثر ثقة ودقة، لا سيما في المهام التي تكون فيها الدقة بالغة الأهمية، مثل اكتشاف الأجسام الصغيرة في الصور أو تحديد العيوب أثناء عمليات الفحص البصري.

الشكل 2. نظرة عامة على نهج وجود الإنسان ضمن الحلقة (المصدر)

HITL في التعلم الخاضع للإشراف#

تُعد تطبيقات الذكاء الاصطناعي التي تستخدم التعلم الخاضع للإشراف مثالًا رائعًا على نهج وجود الإنسان ضمن الحلقة في الذكاء الاصطناعي. وتعتمد هذه الحلول على تعليق البيانات توضيحيًا، حيث يضع البشر تسميات على الأمثلة لتدريب النموذج.

تعتمد معظم مشاريع الرؤية الحاسوبية على هذه العملية، إذ يضع الأشخاص علامات على الأجسام في الصور لكي تتعلم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 ما الذي ينبغي التعرف عليه. وعندما تكون التعليقات التوضيحية غير واضحة أو غير متسقة، قد يتعلم النموذج أنماطًا خاطئة ويواجه صعوبة في تحقيق أداء جيد.

الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الأجسام في صورة.

التعلم النشط مقابل وجود الإنسان ضمن الحلقة#

التعلم النشط هو أسلوب يُستخدم لجعل الأنظمة التي تضم الإنسان ضمن الحلقة أكثر كفاءة. فبدلًا من مطالبة البشر بمراجعة كل جزء من البيانات، يختار نظام الذكاء الاصطناعي الحالات التي يكون غير متأكد منها فقط. ويمكن للمراجعين حينها التركيز على تلك الأمثلة المحددة، مما يوفر الوقت والجهد.

الشكل 4. ما التعلم النشط؟ الصورة من إعداد المؤلف.

يعمل هذا النهج بفاعلية خاصة في مهام مثل تحليل الصور. لنتخيل نموذجًا لـ الذكاء الاصطناعي البصري دُرِّب لاكتشاف العيوب في صور المنتجات. ففي معظم الأحيان، يصدر تنبؤات دقيقة، لكنه يواجه أحيانًا صعوبة مع الإضاءة غير المعتادة أو الأنماط غير المألوفة. ويمكن استخدام التعلم النشط لوضع علامة على تلك الصور الصعبة حتى يتدخل شخص ويجري التصحيحات. ويمكن للنموذج بعد ذلك دمج تلك الملاحظات والتحسن مع كل دورة إعادة تدريب.

كيف يحسن HITL نتائج الرؤية الحاسوبية؟#

يمكن لسير عمل HITL أن يسهل تحسين أداء نماذج الرؤية الحاسوبية من خلال إضافة ملاحظات مستمرة. فعندما يتدخل الأشخاص لمراجعة النتائج غير المؤكدة، أو تصحيح الأخطاء، أو إضافة التسميات المفقودة، يتعلم النموذج التعرف على الأجسام بدقة أكبر وبثقة أعلى.

لا تقتصر هذه العملية على تحسين التدريب، بل تجعل الاختبار والضبط والتحقق أكثر موثوقية أيضًا. وبمرور الوقت، تساعد حلقة الملاحظات على بناء حلول الرؤية الحاسوبية التي تعمل بفاعلية أكبر في المواقف الواقعية.

أمثلة واقعية على الذكاء الاصطناعي بوجود الإنسان ضمن الحلقة#

بعد ذلك، سنستعرض بعض الأمثلة على الذكاء الاصطناعي بوجود الإنسان ضمن الحلقة، وكيف يمكن استخدام أتمتة HITL لتحسين تطبيقات الذكاء الاصطناعي البصري.

الرعاية الصحية والتصوير الطبي#

بالمقارنة مع القطاعات الأخرى، يتطلب الذكاء الاصطناعي في الرعاية الصحية دقة أعلى بكثير، ولذلك تُعد عمليات سير عمل الذكاء الاصطناعي بوجود الإنسان ضمن الحلقة بالغة الأهمية. فعلى سبيل المثال، يمكن استخدام نماذج الذكاء الاصطناعي البصري مثل Ultralytics YOLO11 لتحليل صور الأشعة السينية والتصوير بالرنين المغناطيسي وشرائح علم الأمراض، لكن الخبراء يراجعون النتائج أيضًا للتأكد من صحتها.

لنفترض أن نموذج Ultralytics YOLO11 مخصص التدريب يُستخدم لاكتشاف حالة غير طبيعية محتملة في الرئة ضمن صورة أشعة سينية. يمكن لطبيب الأشعة مراجعة التنبؤ، والتأكد من دقته، وتصحيح أي أخطاء. ويمكن بعد ذلك إضافة تلك الملاحظات مرة أخرى إلى عملية التدريب، مما يساعد النموذج على التحسن ويقلل احتمالات الإنذارات الكاذبة أو الحالات الفائتة مستقبلًا.

مراقبة الجودة وضمانها#

في مجال التصنيع، تُستخدم أنظمة الرؤية الحاسوبية لفحص القطع والمواد بحثًا عن العيوب، ويضيف HITL طبقة إضافية من الدقة عندما يكون النموذج غير متأكد. فعلى سبيل المثال، في إنتاج السيارات، قد يضع النظام علامة على انعكاس سطحي غير ضار على مكوّن معدني باعتباره شقًا.

يمكن لفني مراجعة النتيجة، وتصحيح الخطأ، وإضافة تلك الملاحظات إلى الحلقة. وبمرور الوقت، تحسن هذه العملية الاتساق، حتى في البيئات ذات الإضاءة المتغيرة أو عندما تبدو القطع متشابهة جدًا بعضها مع بعض.

مجموعات البيانات النادرة والمهام البصرية المتخصصة#

من المجالات الأخرى التي تكون فيها عمليات سير العمل بوجود الإنسان ضمن الحلقة ضرورية حالات محدودية بيانات التدريب، مثل علم الآثار أو الاستشعار عن بُعد. ففي هذه الحالات، يراجع الخبراء مجموعة صغيرة من الأمثلة ويضعون تسميات لها، ويستخدمها نموذج الذكاء الاصطناعي لبدء التعلم. وبمرور الوقت، تساعد هذه الملاحظات النموذج على اكتشاف أنماط محددة، مثل أنواع المحاصيل أو خصائص التربة أو القطع الأثرية، حتى عند توفر عدد قليل فقط من العينات المعنونة.

سلبيات عمليات سير العمل بوجود الإنسان ضمن الحلقة#

رغم الفوائد العديدة لوجود الإنسان ضمن الحلقة في التعلم الآلي، فإنه ينطوي أيضًا على تحديات معينة. إليك بعض القيود التي ينبغي وضعها في الاعتبار عند تنفيذ عمليات سير عمل HITL:

• سير عمل أبطأ: بما أن الأشخاص يحتاجون إلى مراجعة البيانات ووضع تسميات لها، يستغرق التدريب والتحديث وقتًا أطول من الأنظمة المؤتمتة بالكامل. وقد يؤدي ذلك إلى تأخير جاهزية الإصدارات الجديدة من النموذج للاستخدام.
• تكاليف أعلى: يؤدي توظيف معلّقين أو خبراء مهرة إلى زيادة النفقات، لا سيما عند التعامل مع مجموعات بيانات كبيرة أو مهام معقدة.
• قابلية توسع محدودة: مع زيادة أحجام البيانات، يصبح من الأصعب إبقاء البشر مشاركين من دون أدوات مخصصة أو دعم الأتمتة.
• تأخيرات النشر: يمكن أن يؤدي إشراك البشر المستمر إلى تأخير النشر ويجعل تحديث النماذج في الوقت الفعلي أكثر صعوبة.

أهم النقاط المستخلصة#

يُعد التعلم الآلي بوجود الإنسان ضمن الحلقة وسيلة عملية لتدريب نماذج الذكاء الاصطناعي على التعامل مع المواقف الواقعية بدقة أكبر. ومن خلال إضافة المدخلات البشرية، تتحسن النماذج بوتيرة أسرع، وتكتشف مزيدًا من الأخطاء، وتؤدي أداءً أفضل مع البيانات المعقدة.

يجعل التعلم النشط هذه العملية أكثر كفاءة من خلال جعل النموذج يطلب المساعدة فقط عندما يكون غير متأكد. ويمكن لهذين النهجين معًا المساعدة في بناء نماذج ذكاء اصطناعي أكثر موثوقية وكفاءة.

تواصل مع مجتمعنا واستكشف مستودعنا على GitHub للتعمق أكثر في الذكاء الاصطناعي. اطّلع على صفحات حلولنا للتعرف على ابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في قطاع التجزئة. اكتشف خيارات الترخيص وابدأ اليوم في بناء حلول باستخدام الرؤية الحاسوبية!