شرح التعلم الآلي الذي يتضمن العنصر البشري (HITL)
استكشف التعلم الآلي الذي يتضمن العنصر البشري (HITL). تعرّف على ماهية HITL، وكيف يوجه الذكاء البشري الذكاء الاصطناعي، ويحسّن دقة النماذج، ويعزز التعلم النشط.
في الوقت الحاضر، نميل إلى استخدام الذكاء الاصطناعي (AI) والتعلم الآلي (ML) بشكل أكبر مما ندرك. تساعدنا هذه التقنيات المتطورة على تحسين موجزات وسائل التواصل الاجتماعي الخاصة بنا، وتنظيم مكتبات الصور الرقمية، وتسهيل تشخيص الأمراض على الأطباء.
ولكن حتى أكثر أنظمة الذكاء الاصطناعي تقدمًا يمكن أن ترتكب أخطاء. فقد تغفل تفاصيل رئيسية أو تساء تفسير ما تراه. ولتحسين النتائج، يتجه العديد من المطورين ومهووسي الذكاء الاصطناعي إلى نهج يُسمى الذكاء الاصطناعي البشري في الحلقة (HITL). يجمع هذا الأسلوب بين التقدير البشري وكفاءة الآلة. يتدخل البشر 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!
المفاهيم الأساسية لـ HITL#
قبل أن نتعمق في أهمية سير عمل HITL، دعونا نلقي نظرة فاحصة على أساسيات نهج وجود العنصر البشري في الحلقة.
ما هو HITL؟ المعنى الجوهري#
على الرغم من أن نماذج الذكاء الاصطناعي سريعة وقادرة على معالجة كميات هائلة من البيانات، إلا أنها قد تظل مرتبكة. على سبيل المثال، في مجال الرؤية الحاسوبية، وهو فرع فرعي من الذكاء الاصطناعي يركز على فهم وتحليل الصور والفيديوهات، قد يخطئ النموذج في قراءة صورة ضبابية أو يغفل تفصيلًا دقيقًا.
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.
الشكل 1. ما هي الأتمتة التي تتضمن العنصر البشري في الحلقة؟ (المصدر)
لماذا 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 تمامًا. فقد يواجه صعوبة في ظروف الطرق غير العادية، أو العوائق غير المتوقعة، أو الأحداث النادرة التي لم يسبق له رؤيتها من قبل. في هذه الحالات، يُعد التوجيه البشري جزءًا مهمًا لتعلم 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.
فهم دور الآلة في الحلقة#
في حين يقدم البشر الإشراف والتعليقات، فإن دور الآلة هو التعلم من تلك المدخلات والتحسن بمرور الوقت. تستخدم نماذج الذكاء الاصطناعي تصحيحات البشر لتحسين تنبؤاتها، وسد الفجوات حيث تكون البيانات مفقودة أو غير مصنفة، وتولي المهام تدريجيًا على نطاق يتجاوز بكثير ما يمكن للناس إدارته بمفردهم. تجعل دورة التعليقات والضبط الدقيق أو إعادة التدريب من الممكن لنماذج الذكاء الاصطناعي أن تصبح أكثر موثوقية أثناء معالجتها لمعلومات جديدة.
كيف 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 يعاني فيها. فبدلاً من الاعتماد فقط على البيانات المصنفة مسبقًا، يتعلم النظام أيضًا من التعليقات في الوقت الفعلي. بمرور الوقت، يزداد النموذج ثقة ودقة، لا سيما في المهام التي تكون فيها الدقة أمرًا بالغ الأهمية، مثل اكتشاف الأشياء الصغيرة في الصور أو تحديد العيوب أثناء عمليات الفحص البصري.
الشكل 2. نظرة عامة على نهج العنصر البشري في الحلقة (المصدر)
HITL في التعلم الخاضع للإشراف#
تعد تطبيقات الذكاء الاصطناعي التي تستخدم التعلم الخاضع للإشراف مثالاً رائعًا لنهج الذكاء الاصطناعي البشري في الحلقة. تعتمد حلول الذكاء الاصطناعي هذه على تصنيف البيانات، حيث يقوم البشر بتصنيف الأمثلة لتدريب النموذج.
تعتمد معظم مشاريع الرؤية الحاسوبية على هذه العملية، حيث يقوم الأشخاص بوسم الأشياء في الصور لكي 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 الأنماط الخاطئة ويواجه صعوبة في الأداء بشكل جيد.
الشكل 3. مثال على استخدام Ultralytics YOLO11 لاكتشاف الكائنات في صورة.
التعلم النشط مقابل وجود العنصر البشري#
التعلم النشط هو طريقة تُستخدم لجعل الأنظمة التي تتضمن العنصر البشري في الحلقة أكثر كفاءة. بدلاً من مطالبة البشر بمراجعة كل جزء من البيانات، يحدد نظام الذكاء الاصطناعي فقط الحالات التي يكون غير متأكد منها. 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. تخيل نموذج رؤية حاسوبية للذكاء الاصطناعي مدربًا على اكتشاف العيوب في صور المنتجات. في معظم الأوقات، يصدر تنبؤات دقيقة، ولكنه يعاني أحيانًا من الإضاءة غير العادية أو الأنماط غير المألوفة. يمكن استخدام التعلم النشط لتحديد تلك الصور الصعبة حتى يتمكن الشخص من التدخل وإجراء التصحيحات. يمكن للنموذج بعد ذلك دمج تلك التعليقات والتحسن مع كل دورة إعادة تدريب.
كيف 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 تحسن هذه العملية التدريب فحسب، بل تجعل الاختبار والضبط والتحقق من الصحة أكثر موثوقية أيضًا. بمرور الوقت، تساعد دورة التعليقات في بناء حلول الرؤية الحاسوبية التي تعمل بشكل أكثر فعالية في مواقف العالم الحقيقي.
أمثلة 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.
الرعاية الصحية والتصوير الطبي#
مقارنة بالقطاعات الأخرى، تتطلب الذكاء الاصطناعي في الرعاية الصحية دقة أعلى بكثير، ولهذا السبب تُعد سير عمل الذكاء الاصطناعي القائم على التدخل البشري (HITL) بالغة الأهمية. ففي التصوير الطبي، على سبيل المثال، يمكن استخدام نماذج رؤية الذكاء الاصطناعي مثل Ultralytics YOLO11 لتحليل صور الأشعة السينية، والتصوير بالرنين المغناطيسي (MRI)، وشرائح علم الأمراض، لكن الخبراء يراجعون النتائج للتأكد من صحتها.
فلنفرض أنه تم استخدام نموذج Ultralytics YOLO11 مدرب مخصصاً لاكتشاف تشوه محتمل في الرئة في صورة بالأشعة السينية. يمكن لطبيب الأشعة مراجعة التنبؤ، وتأكيد ما إذا كان دقيقاً، وتصحيح أي أخطاء. ويمكن بعد ذلك إدراج تلك التعليقات مرة أخرى في عملية التدريب، مما يساعد النموذج على التحسين وتقليل احتمالية الإنذارات الكاذبة أو الحالات التي يتم تفويتها في المستقبل.
مراقبة الجودة وضمانها#
في قطاع التصنيع، تُستخدم أنظمة الرؤية الحاسوبية لفحص الأجزاء والمواد بحثًا عن العيوب، وتضيف الأنظمة البشرية في الحلقة 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 صدع.
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.
مجموعات البيانات النادرة والمهام البصرية المتخصصة#
مجال آخر تكون فيه سير عمل الذكاء الاصطناعي البشري في الحلقة ضرورية هو عندما تكون بيانات التدريب محدودة، كما هو الحال في علم الآثار أو الاستشعار عن بعد. في هذه الحالات، يقوم الخبراء بمراجعة وتصنيف مجموعة صغيرة من الأمثلة، والتي يستخدمها نموذج الذكاء الاصطناعي لبدء التعلم. بمرور الوقت، تساعد هذه التعليقات النموذج على اكتشاف أنماط محددة، مثل أنواع المحاصيل، أو ميزات التربة، أو القطع الأثرية، حتى عندما تتوفر عينات قليلة مصنفة فقط.
عيوب 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 المحدودة: مع نمو أحجام البيانات، يصبح من الصعب الحفاظ على مشاركة البشر 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.
أبرز 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 الحلول الخاصة بنا للتعرف على الابتكارات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في التجزئة. اكتشف خيارات الترخيص الخاصة بنا وابدأ البناء باستخدام الرؤية الحاسوبية اليوم!
