بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
في الوقت الحاضر، نميل إلى استخدام الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في كثير من الأحيان أكثر مما ندرك. تساعد هذه التقنيات المتطورة في تحسين خلاصات وسائل التواصل الاجتماعي الخاصة بنا، وتنظيم مكتبات الصور الرقمية الخاصة بنا، وتسهيل تشخيص الأمراض على الأطباء.
ولكن حتى أنظمة الذكاء الاصطناعي الأكثر تقدمًا يمكن أن ترتكب أخطاء. قد يتجاهلون التفاصيل الرئيسية أو يسيئون تفسير ما يرونه. لتحسين النتائج، يلجأ العديد من المطورين وهواة الذكاء الاصطناعي إلى نهج يسمى الذكاء الاصطناعي البشري في الحلقة (HITL). تجمع هذه الطريقة بين الحكم البشري وكفاءة الآلة. يتدخل الأشخاص لتدريب ومراجعة وتحسين أداء نموذج الذكاء الاصطناعي بمرور الوقت.
في هذه المقالة، سوف نستكشف ما يمثله الذكاء الاصطناعي الذي يشرف عليه الإنسان، وكيف يعمل، وأين يمكن استخدامه في العالم الحقيقي. هيا بنا نبدأ!
المفاهيم الأساسية لـ HITL
قبل أن نتعمق في أهمية سير عمل HITL، دعنا نلقي نظرة فاحصة على أساسيات نهج الإنسان في الحلقة.
ما هو HITL؟ المعنى الأساسي
في حين أن نماذج الذكاء الاصطناعي سريعة وقادرة على معالجة كميات هائلة من البيانات، إلا أنها لا تزال قادرة على الارتباك. على سبيل المثال، في الرؤية الحاسوبية، وهو مجال فرعي من الذكاء الاصطناعي يركز على فهم وتحليل الصور ومقاطع الفيديو، قد يسيء النموذج قراءة صورة ضبابية أو يفوت تفاصيل دقيقة.
يحدث هذا لأن نماذج الذكاء الاصطناعي تعتمد على الأنماط في البيانات بدلاً من الفهم الحقيقي. إذا كانت البيانات غير واضحة أو متحيزة أو غير كاملة، فقد يكون إخراج النموذج غير دقيق.
تعمل الأتمتة التي يشارك فيها الإنسان في عملية التدريب على مساعدة النماذج على التعلم بفعالية أكبر. فبدلاً من العمل بمفردها تمامًا، تتلقى هذه الأنظمة تعليقات بشرية منتظمة. يراجع الأشخاص المخرجات ويصححون الأخطاء ويوجهون النموذج أثناء تحسنه بمرور الوقت.
قد تتساءل: هل المدخلات البشرية ضرورية حقًا؟ ألا يبدو ذلك متعارضًا مع الهدف العام المتمثل في جعل الذكاء الاصطناعي أكثر استقلالية؟ ومع ذلك، فإن الواقع هو أن أنظمة الذكاء الاصطناعي تتعلم من البيانات، وأحيانًا لا ترسم مجموعات البيانات صورة شاملة.
على سبيل المثال، مع السيارات ذاتية القيادة، هناك العديد من المواقف التي قد لا يفهمها نموذج الذكاء الاصطناعي بشكل كامل. قد يواجه صعوبة في ظروف الطريق غير العادية أو العوائق غير المتوقعة أو الأحداث النادرة التي لم يرها من قبل. في هذه الحالات، يعد التوجيه البشري جزءًا مهمًا من تعلم النظام والاستجابة بشكل أكثر أمانًا بمرور الوقت.
بشكل عام، يعد البشر جزءًا أساسيًا من أي مشروع للذكاء الاصطناعي. يقومون بتقييم البيانات وتحديدها، ومراجعة مخرجات النموذج، وتقديم ملاحظات تساعد النظام على التحسن. بدون وجود البشر في الحلقة، ستواجه حلول الذكاء الاصطناعي صعوبة في التكيف مع المواقف المعقدة في العالم الحقيقي.
فهم دور الآلة في الحلقة
في حين أن البشر يقدمون الرقابة والتغذية الراجعة، فإن دور الآلة هو التعلم من هذا الإدخال والتحسين بمرور الوقت. تستخدم نماذج الذكاء الاصطناعي تصحيحات بشرية لتحسين تنبؤاتها، وملء الفجوات حيث تكون البيانات مفقودة أو غير مصنفة، وتتولى تدريجيًا المهام على نطاق يتجاوز بكثير ما يمكن للأشخاص إدارته بمفردهم. هذه الدورة من التغذية الراجعة والضبط الدقيق أو إعادة التدريب تجعل من الممكن لنماذج الذكاء الاصطناعي أن تصبح أكثر موثوقية أثناء معالجة معلومات جديدة.
كيف يعمل وجود عنصر بشري في الحلقة؟
في سير عمل الذكاء الاصطناعي النموذجي الذي يشمل الإنسان في الحلقة، يعالج نموذج الذكاء الاصطناعي البيانات ويقوم بتوقع. عندما يكون غير مؤكد أو تكون المهمة معقدة، يتم وضع علامة على النتيجة للمراجعة البشرية. ثم يتحقق شخص من التوقع ويجري تصحيحات 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 يعاني فيها. بدلاً من الاعتماد فقط على البيانات المسماة مسبقًا، يتعلم النظام أيضًا من التعليقات في الوقت الفعلي. بمرور الوقت، يزداد النموذج ثقة ودقة، خاصة في المهام التي تكون فيها الدقة (precision) بالغة الأهمية، مثل اكتشاف الكائنات الصغيرة في الصور أو تحديد العيوب أثناء الفحوصات المرئية.
الشكل 2. نظرة عامة على منهجية الإنسان في الحلقة (المصدر)
التفاعل البشري في الحلقة (HITL) في التعلم الخاضع للإشراف
تعد تطبيقات الذكاء الاصطناعي التي تستخدم التعلم الخاضع للإشراف مثالًا رائعًا على نهج الإنسان في الحلقة للذكاء الاصطناعي. تعتمد حلول الذكاء الاصطناعي هذه على ترميز البيانات، حيث يقوم البشر بتسمية الأمثلة لتدريب النموذج.
وتعتمد معظم مشاريع الرؤية الحاسوبية على هذه العملية، حيث يقوم الأشخاص بوضع علامات على الأجسام في الصور بحيث تقوم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 أن تتعلم ما يجب التعرف عليه. عندما تكون التعليقات التوضيحية غير واضحة أو غير متناسقة، قد يتعلم النموذج الأنماط الخاطئة ويواجه صعوبة في الأداء الجيد.
الشكل 3. مثال على استخدام YOLO11 detect الأجسام في الصورة.
التعلم النشط مقابل التدخل البشري
التعلم النشط هو طريقة تستخدم لجعل الأنظمة التي تعتمد على تدخل بشري أكثر كفاءة. فبدلاً من مطالبة البشر بمراجعة كل جزء من البيانات، يختار نظام الذكاء الاصطناعي الحالات التي هو غير متأكد منها فقط. يمكن للمراجعين بعد ذلك التركيز على هذه الأمثلة المحددة، مما يوفر الوقت والجهد.
الشكل 4. ما هو التعلم النشط؟ صورة بواسطة المؤلف.
يعمل هذا النهج بشكل جيد بشكل خاص في مهام مثل تحليل الصور. فكر في نموذج ذكاء اصطناعي بصري مدرب على detect العيوب في صور المنتجات. في معظم الأحيان، يقوم بتنبؤات دقيقة، ولكنه في بعض الأحيان يواجه صعوبات في الإضاءة غير العادية أو الأنماط غير المألوفة. يمكن استخدام التعلم النشط للإشارة إلى تلك الصور الصعبة حتى يتمكن الشخص من التدخل وإجراء التصحيحات. يمكن للنموذج بعد ذلك دمج تلك الملاحظات وتحسينها مع كل دورة إعادة تدريب.
كيف يحسن وجود عنصر بشري في الحلقة نتائج الرؤية الحاسوبية؟
يمكن أن تجعل سير عمل HITL من السهل على نماذج رؤية الكمبيوتر أن تعمل بشكل أفضل عن طريق إضافة ملاحظات مستمرة. عندما يتدخل الأشخاص لمراجعة النتائج غير المؤكدة أو تصحيح الأخطاء أو إضافة تسميات مفقودة، يتعلم النموذج التعرف على الكائنات بدقة أكبر وثقة أكبر.
لا تعمل هذه العملية على تحسين التدريب فحسب. بل تجعل أيضًا الاختبار والضبط والتحقق أكثر موثوقية. بمرور الوقت، تساعد حلقة الملاحظات في بناء حلول رؤية حاسوبية تعمل بفعالية أكبر في مواقف العالم الحقيقي.
أمثلة واقعية للذكاء الاصطناعي البشري في الحلقة
بعد ذلك، دعنا نستعرض بعض أمثلة الذكاء الاصطناعي البشري في الحلقة لكيفية استخدام أتمتة HITL لتحسين تطبيقات Vision AI.
الرعاية الصحية والتصوير الطبي
مقارنةً بالقطاعات الأخرى، يتطلب الذكاء الاصطناعي في مجال الرعاية الصحية دقة أعلى بكثير، وهذا هو السبب في أهمية سير عمل الذكاء الاصطناعي في مجال الذكاء الاصطناعي عالي الدقة. في التصوير الطبي، على سبيل المثال، يمكن استخدام نماذج الذكاء الاصطناعي المرئي مثل YOLO11 لتحليل الأشعة السينية والتصوير بالرنين المغناطيسي وشرائح علم الأمراض، ولكن لا يزال الخبراء يراجعون النتائج للتأكد من صحتها.
لنفترض أنه تم استخدام نموذج YOLO11 المدرب خصيصاً detect خلل محتمل في الرئة في الأشعة السينية. يمكن لأخصائي الأشعة مراجعة التنبؤ والتأكد من دقته وتصحيح أي أخطاء. يمكن بعد ذلك إضافة هذه الملاحظات مرة أخرى إلى عملية التدريب، مما يساعد النموذج على التحسن ويقلل من فرص حدوث إنذارات كاذبة أو حالات مفقودة في المستقبل.
مراقبة الجودة وضمانها
في التصنيع، تُستخدم أنظمة الرؤية الحاسوبية لمسح الأجزاء والمواد بحثًا عن العيوب، وتضيف HITL طبقة إضافية من الدقة عندما يكون النموذج غير متأكد. على سبيل المثال، في إنتاج السيارات، قد يشير النظام إلى انعكاس سطحي غير ضار على مكون معدني على أنه تشقق.
يمكن للفني مراجعة النتيجة وتصحيح الخطأ وإضافة هذه الملاحظات 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.
مجموعات البيانات النادرة والمهام البصرية المتخصصة
من المجالات الأخرى التي يكون فيها سير العمل البشري في الحلقة ضروريًا عندما تكون بيانات التدريب محدودة، كما هو الحال في علم الآثار أو الاستشعار عن بُعد. في هذه الحالات، يقوم الخبراء بمراجعة وتسمية مجموعة صغيرة من الأمثلة التي يستخدمها نموذج الذكاء الاصطناعي لبدء التعلّم. وبمرور الوقت، تساعد هذه التغذية الراجعة النموذج على detect أنماط محددة، مثل أنواع المحاصيل أو سمات التربة أو القطع الأثرية، حتى عندما لا يتوفر سوى عدد قليل من العينات المصنفة.
عيوب سير العمل التي تشمل الإنسان في الحلقة
على الرغم من وجود العديد من الفوائد للإنسان في الحلقة لـ التعلم الآلي (Machine Learning)، إلا أنه يأتي أيضًا مع بعض التحديات. فيما يلي بعض القيود التي يجب وضعها في الاعتبار عند تنفيذ مهام سير عمل HITL:
سير عمل أبطأ: نظرًا لأن الأشخاص بحاجة إلى مراجعة البيانات وتصنيفها، فإن التدريب والتحديثات تستغرق وقتًا أطول من الأنظمة الآلية بالكامل. يمكن أن يؤدي ذلك إلى تأخير سرعة جاهزية الإصدارات الجديدة من النموذج للاستخدام.
تكاليف أعلى: يؤدي توظيف مُعلِّمين أو خبراء مهرة إلى زيادة النفقات، خاصة عند العمل مع مجموعات بيانات كبيرة أو مهام معقدة.
قابلية توسعمحدودة: مع نمو أحجام البيانات، يصبح من الصعب إبقاء البشر منخرطين دون أدوات مخصصة أو دعم الأتمتة.
تأخيرات النشر: يمكن أن يؤدي التدخل البشري المستمر إلى تأخير النشر ويجعل من الصعب تحديث النماذج في الوقت الفعلي.
النقاط الرئيسية
يعد التعلم الآلي الذي يشارك فيه الإنسان طريقة عملية لتدريب نماذج الذكاء الاصطناعي للتعامل مع مواقف العالم الحقيقي بدقة أكبر. من خلال إضافة مدخلات بشرية، تتحسن النماذج بشكل أسرع وتكتشف المزيد من الأخطاء وتؤدي أداءً أفضل مع البيانات المعقدة.
تساهم خاصية التعلم النشط في جعل هذه العملية أكثر كفاءة من خلال مطالبة النموذج بالمساعدة فقط عندما يكون غير متأكد. يمكن لهذه الأساليب مجتمعة أن تساعد في بناء نماذج ذكاء اصطناعي أكثر موثوقية وكفاءة.
