بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
في الوقت الحاضر، نميل إلى استخدام الذكاء الاصطناعي (AI) والتعلم الآلي (ML) أكثر مما ندرك. وتساعد هذه التقنيات المتطورة في تحسين خلاصاتنا على وسائل التواصل الاجتماعي، وتنظيم مكتبات الصور الرقمية الخاصة بنا، وتسهيل تشخيص الأطباء للأمراض.
ولكن حتى أكثر أنظمة الذكاء الاصطناعي تقدماً يمكن أن ترتكب أخطاء. فقد تغفل تفاصيل أساسية أو تسيء تفسير ما تراه. ولتحسين النتائج، يتجه العديد من المطورين والمتحمسين للذكاء 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، سنستكشف ما يمثله الذكاء الاصطناعي البشري في الحلقة، وكيف يعمل، وأين يمكن استخدامه في العالم الحقيقي. لنبدأ!
المفاهيم الأساسية ل HITL
قبل أن نغوص في أهمية سير عمل HITL، دعونا نلقي نظرة فاحصة على أساسيات نهج الإنسان في الحلقة.
ما هو HITL؟ المعنى الأساسي
على الرغم من أن نماذج الذكاء الاصطناعي سريعة وقادرة على معالجة كميات هائلة من البيانات، إلا أنها قد ترتبك. على سبيل المثال، في مجال الرؤية الحاسوبية، وهو مجال فرعي للذكاء الاصطناعي يركز على فهم الصور ومقاطع الفيديو وتحليلها، قد يخطئ النموذج في قراءة صورة ضبابية أو قد يغفل عن 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 مكتملة، فقد تكون مخرجات النموذج غير دقيقة.
تجلب الأتمتة البشرية داخل الحلقة أشخاصًا إلى عملية التدريب لمساعدة النماذج على التعلم بشكل أكثر فعالية. وبدلاً من أن تعمل هذه الأنظمة بمفردها بالكامل، تتلقى هذه الأنظمة ملاحظات بشرية منتظمة. يراجع الأشخاص المخرجات ويصححون الأخطاء ويوجهون النموذج مع تحسنه بمرور الوقت.
قد تتساءل: هل المدخلات البشرية ضرورية حقاً؟ ألا يبدو أن ذلك يتعارض مع الهدف العام المتمثل في جعل الذكاء الاصطناعي أكثر استقلالية؟ ومع ذلك، فإن الحقيقة هي أن أنظمة الذكاء الاصطناعي تتعلم من البيانات، وفي بعض الأحيان لا ترسم مجموعات البيانات صورة شاملة.
على سبيل المثال، في حالة السيارات ذاتية القيادة، هناك العديد من المواقف التي قد لا يفهمها نموذج الذكاء الاصطناعي بشكل كامل. فقد يعاني من ظروف الطريق غير الاعتيادية أو العقبات غير المتوقعة أو الأحداث النادرة التي لم يسبق له أن رآها من قبل. في هذه الحالات، يكون التوجيه البشري جزءاً مهماً من تعلم النظام واستجابته بشكل أكثر أماناً مع مرور الوقت.
بشكل عام، يعد البشر جزءًا مهمًا من أي مشروع ذكاء اصطناعي. فهم ينظمون البيانات ويشرحونها، ويراجعون مخرجات النماذج، ويقدمون الملاحظات التي تساعد النظام على التحسين. بدون وجود البشر في الحلقة، ستواجه حلول الذكاء الاصطناعي صعوبة في التكيف مع المواقف المعقدة في العالم الحقيقي.
فهم دور الآلة في الحلقة
بينما يوفر البشر الإشراف والتغذية الراجعة، فإن دور الآلة هو التعلم من تلك المدخلات والتحسين بمرور الوقت. وتستخدم نماذج الذكاء الاصطناعي التصحيحات البشرية لتحسين تنبؤاتها، وملء الثغرات حيثما كانت البيانات مفقودة أو غير موسومة، وتتولى تدريجياً مهام على نطاق يتجاوز بكثير ما يمكن للبشر إدارته بمفردهم. هذه الدورة من التغذية الراجعة والضبط الدقيق أو إعادة التدريب تجعل من الممكن لنماذج الذكاء الاصطناعي أن تصبح أكثر موثوقية أثناء معالجتها للمعلومات الجديدة.
كيف يعمل وجود إنسان في الحلقة؟
في سير عمل الذكاء الاصطناعي النموذجي للذكاء الاصطناعي داخل الحلقة، يقوم نموذج الذكاء الاصطناعي بمعالجة البيانات والتنبؤ. عندما يكون غير مؤكد أو عندما تكون المهمة معقدة، يتم وضع علامة على النتيجة للمراجعة البشرية. ثم يتحقق شخص ما من التنبؤ، ويقوم بإجراء تصحيحات إذا لزم الأمر، وتُضاف هذه التحديثات مرة أخرى إلى بيانات التدريب. يستمر النموذج في التعلم مع كل دورة.
تساعد هذه الحلقة نموذج الذكاء الاصطناعي على تحسين نموذج الذكاء الاصطناعي في المجالات التي يعاني فيها. فبدلاً من الاعتماد فقط على البيانات المسمّاة مسبقاً، يتعلم النظام أيضاً من التغذية الراجعة في الوقت الفعلي. بمرور الوقت، يصبح النموذج أكثر ثقة ودقة، خاصةً في المهام التي تكون فيها الدقة أمرًا بالغ الأهمية، مثل اكتشاف الأجسام الصغيرة في الصور أو تحديد العيوب أثناء عمليات الفحص البصري.
الشكل 2. نظرة عامة على نهج الإنسان في الحلقة(المصدر)
HITL في التعلم الخاضع للإشراف
تُعد تطبيقات الذكاء الاصطناعي التي تستخدم التعلُّم تحت الإشراف مثالاً رائعاً على النهج البشري في حلقة الذكاء الاصطناعي. تعتمد حلول الذكاء الاصطناعي هذه على التعليق التوضيحي للبيانات، حيث يقوم البشر بتسمية الأمثلة لتدريب النموذج.
وتعتمد 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 متناسقة، قد يتعلم النموذج الأنماط الخاطئة ويواجه صعوبة في الأداء الجيد.
الشكل 3. مثال على استخدام YOLO11 للكشف عن الأجسام في الصورة.
التعلم النشط مقابل التعلم البشري في الحلقة
التعلّم النشط هو طريقة تُستخدم لجعل الأنظمة البشرية في الحلقة أكثر كفاءة. فبدلاً من مطالبة البشر بمراجعة كل جزء من البيانات، يختار نظام الذكاء الاصطناعي الحالات غير المؤكدة فقط. يمكن للمراجعين بعد ذلك التركيز على تلك الأمثلة المحددة، مما يوفر الوقت والجهد.
الشكل 4. ما هو التعلم النشط؟ الصورة للمؤلف.
يعمل هذا النهج بشكل جيد بشكل خاص في مهام مثل تحليل الصور. فكر في نموذج ذكاء اصطناعي بصري مدرب على اكتشاف 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 يحسّن برنامج HITL نتائج الرؤية الحاسوبية؟
يمكن لسير عمل HITL أن يسهّل على نماذج الرؤية الحاسوبية تحسين أدائها من خلال إضافة التغذية الراجعة المستمرة. عندما يتدخل الأشخاص لمراجعة النتائج غير المؤكدة أو تصحيح الأخطاء أو إضافة تسميات مفقودة، يتعلم النموذج التعرف على الأشياء بدقة أكبر وبثقة أكبر.
لا تعمل هذه العملية على تحسين التدريب فقط. كما أنها تجعل الاختبار والضبط والتحقق من الصحة أكثر موثوقية. وبمرور الوقت، تساعد حلقة التغذية الراجعة في بناء حلول الرؤية الحاسوبية التي تعمل بشكل أكثر فعالية في مواقف العالم الحقيقي.
أمثلة على الذكاء الاصطناعي البشري داخل الحلقة في العالم الحقيقي
بعد ذلك، دعنا نستعرض بعض الأمثلة على الذكاء الاصطناعي البشري داخل الحلقة حول كيفية استخدام أتمتة HITL لتحسين تطبيقات الذكاء الاصطناعي المرئي.
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 للكشف عن 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 بالكمبيوتر لمسح الأجزاء والمواد بحثًا عن العيوب، ويضيف نظام HITL طبقة إضافية من الدقة عندما يكون النموذج غير مؤكد. على سبيل المثال، في إنتاج السيارات، قد يشير النظام إلى انعكاس سطحي غير ضار على أحد المكونات المعدنية على أنه شرخ.
يمكن للفني مراجعة النتيجة وتصحيح الخطأ وإضافة هذه الملاحظات إلى الحلقة. وبمرور 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 المرئية 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 اكتشاف أنماط محددة، مثل أنواع المحاصيل أو سمات التربة أو القطع الأثرية، حتى عندما لا يتوفر سوى عدد قليل من العينات المصنفة.
عيوب سير العمل البشري في الحلقة الواحدة
على الرغم من أن هناك العديد من الفوائد التي تعود على التعلم الآلي من خلال استخدام الإنسان في الحلقة، إلا أنها تأتي أيضًا مع بعض التحديات. فيما يلي بعض القيود التي يجب أخذها في الاعتبار عند تنفيذ تدفقات عمل HITL:
سير عمل أبطأ: نظرًا لأن الأشخاص يحتاجون إلى مراجعة البيانات وتصنيفها، فإن التدريب والتحديثات تستغرق وقتًا أطول مما تستغرقه الأنظمة المؤتمتة بالكامل. ويمكن أن يؤدي ذلك إلى تأخير سرعة جاهزية الإصدارات الجديدة من النموذج للاستخدام.
ارتفاع التكاليف: يؤدي توظيف شارحين أو خبراء مهرة إلى زيادة النفقات، خاصة عند العمل مع مجموعات البيانات الكبيرة أو المهام المعقدة.
محدودة قابلية التوسع: مع نمو أحجام البيانات، يصبح من الصعب الحفاظ على مشاركة البشر دون وجود أدوات مخصصة أو دعم الأتمتة.
تأخير النشر: يمكن أن يؤدي التدخل البشري المستمر إلى تأخير النشر ويجعل من الصعب تحديث النماذج في الوقت الفعلي.
الوجبات الرئيسية
التعلّم الآلي البشري داخل الحلقة هو طريقة عملية لتدريب نماذج الذكاء الاصطناعي على التعامل مع مواقف العالم الحقيقي بشكل أكثر دقة. من خلال إضافة مدخلات بشرية، تتحسن النماذج بشكل أسرع، وتلتقط المزيد من الأخطاء، وتؤدي بشكل أفضل مع البيانات المعقدة.
يجعل التعلم النشط هذه العملية أكثر كفاءة من خلال جعل النموذج يطلب المساعدة فقط عندما يكون غير متأكد. يمكن أن تساعد هذه الأساليب معًا في بناء نماذج ذكاء اصطناعي أكثر موثوقية وكفاءة.
