شرح التعلم الآلي الذي يتضمن العنصر البشري (HITL)

في الوقت الحاضر، نميل إلى استخدام الذكاء الاصطناعي (AI) والتعلم الآلي (ML) أكثر مما ندرك. تساعد هذه التقنيات المتطورة في تحسين خلاصات وسائل التواصل الاجتماعي الخاصة بنا، وتنظيم مكتبات الصور الرقمية، وتسهيل تشخيص الأمراض على الأطباء.

لكن حتى أكثر أنظمة الذكاء الاصطناعي تقدمًا يمكن أن ترتكب أخطاء. فقد تغفل عن تفاصيل مهمة أو تسيء تفسير ما تراه. ولتحسين النتائج، يتجه العديد من المطورين وعشاق الذكاء الاصطناعي إلى نهج يُسمى الذكاء الاصطناعي بوجود العنصر البشري (HITL). تجمع هذه الطريقة بين الحكم البشري وكفاءة الآلة، حيث يتدخل الأفراد لتدريب ومراجعة وتحسين أداء نموذج الذكاء الاصطناعي بمرور الوقت.

في هذه المقالة، سنستكشف ما يمثله الذكاء الاصطناعي بوجود العنصر البشري، وكيف يعمل، وأين يمكن استخدامه في العالم الحقيقي. لنبدأ!

Link to this sectionالمفاهيم الأساسية لـ HITL#

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

Link to this sectionما هو HITL؟ المعنى الجوهري#

على الرغم من أن نماذج الذكاء الاصطناعي سريعة وقادرة على معالجة كميات هائلة من البيانات، إلا أنها قد تظل عرضة للخطأ. على سبيل المثال، في computer vision، وهو مجال فرعي من الذكاء الاصطناعي يركز على فهم وتحليل الصور ومقاطع الفيديو، قد يسيء النموذج قراءة صورة ضبابية أو يغفل عن تفصيل دقيق.

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

تعمل أتمتة HITL على إشراك البشر في عملية التدريب لمساعدة النماذج على التعلم بشكل أكثر فعالية. وبدلاً من العمل بشكل مستقل تمامًا، تتلقى هذه الأنظمة تغذية راجعة منتظمة من البشر؛ حيث يراجع الأفراد المخرجات، ويصححون الأخطاء، ويوجهون النموذج بينما يتحسن بمرور الوقت.

شكل 1. ما هي أتمتة بوجود العنصر البشري؟ (المصدر)

Link to this sectionلماذا يعد وجود البشر في الحلقة ضروريًا؟#

قد تتساءل: هل المدخلات البشرية ضرورية حقًا؟ ألا يبدو ذلك متناقضًا مع الهدف العام المتمثل في جعل الذكاء الاصطناعي أكثر استقلالية؟ ومع ذلك، الحقيقة هي أن أنظمة الذكاء الاصطناعي تتعلم من البيانات، وأحيانًا لا تقدم مجموعات البيانات صورة شاملة.

على سبيل المثال، مع السيارات ذاتية القيادة، هناك العديد من المواقف التي قد لا يفهمها نموذج الذكاء الاصطناعي بالكامل. فقد يواجه صعوبة في التعامل مع ظروف الطريق غير العادية، أو العقبات غير المتوقعة، أو الأحداث النادرة التي لم يسبق له رؤيتها من قبل. في هذه الحالات، يعد التوجيه البشري جزءًا مهمًا من تعلم النظام واستجابته بشكل أكثر أمانًا بمرور الوقت.

بشكل عام، يعد البشر جزءًا حيويًا من أي مشروع ذكاء اصطناعي. فهم يقومون بتنظيم البيانات وإضافة التعليقات التوضيحية عليها، ومراجعة مخرجات النماذج، وتقديم التغذية الراجعة التي تساعد النظام على التحسن. وبدون وجود العنصر البشري في الحلقة، ستواجه حلول الذكاء الاصطناعي صعوبة في التكيف مع المواقف المعقدة في العالم الحقيقي.

Link to this sectionفهم دور الآلة في الحلقة#

بينما يقدم البشر الإشراف والتغذية الراجعة، يتمثل دور الآلة في التعلم من تلك المدخلات والتحسن بمرور الوقت. تستخدم نماذج الذكاء الاصطناعي التصحيحات البشرية لتحسين توقعاتها، وسد الفجوات حيث تكون البيانات مفقودة أو غير مصنفة، وتولي المهام تدريجيًا على نطاق يتجاوز بكثير ما يمكن للبشر إدارته بمفردهم. تجعل دورة التغذية الراجعة والضبط الدقيق أو إعادة التدريب من الممكن لنماذج الذكاء الاصطناعي أن تصبح أكثر موثوقية أثناء معالجة معلومات جديدة.

Link to this sectionكيف يعمل وجود العنصر البشري في الحلقة؟#

في سير عمل الذكاء الاصطناعي المعتاد بوجود العنصر البشري، يقوم نموذج الذكاء الاصطناعي بمعالجة البيانات وإجراء تنبؤ. عندما يكون النموذج غير متأكد أو تكون المهمة معقدة، يتم تمييز النتيجة للمراجعة البشرية. يقوم الشخص بعد ذلك بالتحقق من التنبؤ، وإجراء التصحيحات إذا لزم الأمر، وتتم إضافة هذه التحديثات مرة أخرى إلى بيانات التدريب. يستمر النموذج في التعلم مع كل دورة.

تساعد هذه الحلقة نموذج الذكاء الاصطناعي على التحسن في المجالات التي يواجه فيها صعوبات. وبدلاً من الاعتماد فقط على البيانات المصنفة مسبقًا، يتعلم النظام أيضًا من التغذية الراجعة في الوقت الفعلي. بمرور الوقت، يزداد النموذج ثقة ودقة، خاصة في المهام التي تكون فيها الدقة أمرًا بالغ الأهمية، مثل اكتشاف الأشياء الصغيرة في الصور أو تحديد العيوب أثناء عمليات الفحص البصري.

شكل 2. نظرة عامة على نهج وجود العنصر البشري (المصدر)

Link to this sectionHITL في التعلم الخاضع للإشراف#

تعد تطبيقات الذكاء الاصطناعي التي تستخدم التعلم الخاضع للإشراف مثالًا رائعًا على نهج HITL. تعتمد حلول الذكاء الاصطناعي هذه على تعليقات البيانات التوضيحية، حيث يقوم البشر بتصنيف الأمثلة لتدريب النموذج.

تعتمد معظم مشاريع الرؤية الحاسوبية على هذه العملية، حيث يقوم الأشخاص بوضع علامات على الأشياء في الصور حتى تتمكن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 من تعلم ما يجب التعرف عليه. عندما تكون التعليقات التوضيحية غير واضحة أو غير متسقة، قد يتعلم النموذج أنماطًا خاطئة ويكافح من أجل الأداء الجيد.

شكل 3. مثال على استخدام YOLO11 لاكتشاف الأشياء في صورة.

Link to this sectionالتعلم النشط مقابل وجود العنصر البشري#

التعلم النشط هو أسلوب يستخدم لجعل أنظمة HITL أكثر كفاءة. بدلاً من طلب مراجعة كل جزء من البيانات من البشر، يقوم نظام الذكاء الاصطناعي بتحديد الحالات التي يكون غير متأكد بشأنها فقط. يمكن للمراجعين بعد ذلك التركيز على تلك الأمثلة المحددة، مما يوفر الوقت والجهد.

شكل 4. ما هو التعلم النشط؟ الصورة من تأليف الكاتب.

يعمل هذا النهج بشكل جيد بشكل خاص لمهام مثل تحليل الصور. فكر في نموذج ذكاء اصطناعي للرؤية تم تدريبه لاكتشاف العيوب في صور المنتجات. في معظم الأحيان، يقوم بتنبؤات دقيقة، لكنه في بعض الأحيان يواجه صعوبة في التعامل مع الإضاءة غير العادية أو الأنماط غير المألوفة. يمكن استخدام التعلم النشط لتمييز تلك الصور الصعبة حتى يتمكن الشخص من التدخل وإجراء التصحيحات. يمكن للنموذج بعد ذلك دمج تلك التغذية الراجعة والتحسن مع كل دورة إعادة تدريب.

Link to this sectionكيف يعمل وجود العنصر البشري على تحسين نتائج الرؤية الحاسوبية؟#

يمكن لسير عمل HITL أن يسهل على نماذج الرؤية الحاسوبية الأداء بشكل أفضل من خلال إضافة تغذية راجعة مستمرة. عندما يتدخل الأشخاص لمراجعة النتائج غير المؤكدة، أو تصحيح الأخطاء، أو إضافة تصنيفات مفقودة، يتعلم النموذج التعرف على الأشياء بدقة أكبر وبثقة أكبر.

لا تعمل هذه العملية على تحسين التدريب فحسب، بل تجعل الاختبار والضبط والتحقق من الصحة أكثر موثوقية أيضًا. بمرور الوقت، تساعد حلقة التغذية الراجعة في بناء حلول رؤية حاسوبية تعمل بشكل أكثر فعالية في مواقف العالم الحقيقي.

Link to this sectionأمثلة واقعية على الذكاء الاصطناعي بوجود العنصر البشري#

بعد ذلك، دعونا نستعرض بعض أمثلة الذكاء الاصطناعي بوجود العنصر البشري حول كيفية استخدام أتمتة HITL لتحسين تطبيقات رؤية الذكاء الاصطناعي.

Link to this sectionالرعاية الصحية والتصوير الطبي#

مقارنة بالقطاعات الأخرى، يتطلب الذكاء الاصطناعي في الرعاية الصحية دقة أعلى بكثير، ولهذا السبب تعد سير عمل HITL ضرورية للغاية. في التصوير الطبي، على سبيل المثال، يمكن استخدام نماذج رؤية الذكاء الاصطناعي مثل YOLO11 لتحليل الأشعة السينية، والرنين المغناطيسي، وشرائح علم الأمراض، لكن لا يزال الخبراء يراجعون النتائج للتأكد من صحتها.

لنفترض أنه يتم استخدام نموذج YOLO11 مدرب خصيصًا لاكتشاف احتمال وجود خلل في الرئة في صورة أشعة سينية. يمكن لأخصائي الأشعة مراجعة التنبؤ، وتأكيد ما إذا كان دقيقًا، وتصحيح أي أخطاء. يمكن بعد ذلك إضافة هذه التغذية الراجعة إلى عملية التدريب، مما يساعد النموذج على التحسن وتقليل فرص الإنذارات الكاذبة أو الحالات التي يتم تفويتها في المستقبل.

Link to this sectionمراقبة الجودة وضمانها#

في التصنيع، تُستخدم أنظمة الرؤية الحاسوبية لمسح الأجزاء والمواد بحثًا عن العيوب، ويضيف HITL طبقة إضافية من الدقة عندما يكون النموذج غير متأكد. على سبيل المثال، في إنتاج السيارات، قد يحدد النظام انعكاسًا غير ضار على سطح معدني كأنه شرخ.

يمكن للفني مراجعة النتيجة، وتصحيح الخطأ، وإضافة تلك التغذية الراجعة إلى الحلقة. بمرور الوقت، تعمل هذه العملية على تحسين الاتساق، حتى في البيئات ذات الإضاءة المتغيرة أو عندما تبدو الأجزاء متشابهة جدًا مع بعضها البعض.

Link to this sectionمجموعات البيانات النادرة والمهام البصرية المتخصصة#

مجال آخر تكون فيه سير عمل وجود العنصر البشري ضرورية هو عندما تكون بيانات التدريب محدودة، مثل علم الآثار أو الاستشعار عن بعد. في هذه الحالات، يقوم الخبراء بمراجعة وتصنيف مجموعة صغيرة من الأمثلة، والتي يستخدمها نموذج الذكاء الاصطناعي لبدء التعلم. وبمرور الوقت، تساعد هذه التغذية الراجعة النموذج على اكتشاف أنماط محددة، مثل أنواع المحاصيل، أو ميزات التربة، أو القطع الأثرية، حتى عند توفر عدد قليل فقط من العينات المصنفة.

Link to this sectionعيوب سير عمل وجود العنصر البشري#

على الرغم من وجود العديد من الفوائد لوجود العنصر البشري في التعلم الآلي، إلا أنه يأتي أيضًا مع تحديات معينة. فيما يلي بعض القيود التي يجب وضعها في الاعتبار عند تنفيذ سير عمل HITL:

• سير عمل أبطأ: نظرًا لأن الأشخاص يحتاجون إلى مراجعة وتصنيف البيانات، فإن التدريب والتحديثات تستغرق وقتًا أطول مما هو عليه في الأنظمة المؤتمتة بالكامل. يمكن أن يؤدي هذا إلى تأخير مدى سرعة جاهزية إصدارات جديدة من النموذج للاستخدام.
• تكاليف أعلى: يؤدي توظيف مصنفين أو خبراء مهرة إلى زيادة النفقات، خاصة عند العمل مع مجموعات بيانات كبيرة أو مهام معقدة.
• قابلية التوسع محدودة: مع نمو أحجام البيانات، يصبح من الصعب إبقاء البشر مشاركين دون أدوات مخصصة أو دعم الأتمتة.
• تأخيرات في النشر: يمكن أن تؤدي المشاركة البشرية المستمرة إلى تأخير النشر وجعل من الصعب تحديث النماذج في الوقت الفعلي.

Link to this sectionأبرز النقاط#

يعد التعلم الآلي بوجود العنصر البشري طريقة عملية لتدريب نماذج الذكاء الاصطناعي للتعامل مع مواقف العالم الحقيقي بدقة أكبر. من خلال إضافة المدخلات البشرية، تتحسن النماذج بشكل أسرع، وتكتشف المزيد من الأخطاء، ويكون أداؤها أفضل مع البيانات المعقدة.

يجعل التعلم النشط هذه العملية أكثر كفاءة من خلال جعل النموذج يطلب المساعدة فقط عندما يكون غير متأكد. معًا، يمكن لهذه الأساليب المساعدة في بناء نماذج ذكاء اصطناعي أكثر موثوقية وكفاءة.

تواصل مع مجتمعنا واستكشف مستودع GitHub الخاص بنا للتعمق أكثر في الذكاء الاصطناعي. تحقق من صفحات حلولنا للتعرف على الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في التجزئة. اكتشف خيارات الترخيص الخاصة بنا وابدأ في البناء باستخدام الرؤية الحاسوبية اليوم!