فهم التعلّم بأمثلة قليلة ودون أمثلة والتعلّم بالنقل

تستطيع أنظمة الذكاء الاصطناعي (AI) تنفيذ مهام معقدة، مثل التعرف على الوجوه وتصنيف الصور وقيادة السيارات، مع الحد الأدنى من التدخل البشري. وتنجز ذلك بدراسة البيانات والتعرف على الأنماط واستخدام هذه الأنماط لإجراء تنبؤات أو اتخاذ قرارات. ومع تطور الذكاء الاصطناعي، نشهد أساليب متزايدة التطور تمكّن نماذج الذكاء الاصطناعي من التعلم والتكيف وتنفيذ المهام بكفاءة لافتة.

فعلى سبيل المثال، الرؤية الحاسوبية فرع من الذكاء الاصطناعي يركز على تمكين الآلات من تفسير المعلومات المرئية من العالم وفهمها. ويعتمد تطوير نماذج الرؤية الحاسوبية التقليدية اعتمادًا كبيرًا على مجموعات بيانات كبيرة وموسومة للتدريب. وقد يستغرق جمع هذه البيانات ووسمها وقتًا طويلًا ويكون مكلفًا.

لمواجهة هذه التحديات، قدم الباحثون أساليب مبتكرة مثل التعلّم بعدد قليل من الأمثلة (FSL)، الذي يتعلم من أمثلة محدودة؛ والتعلّم دون أمثلة (ZSL)، الذي يتعرف على الأجسام التي لم يسبق له رؤيتها؛ والتعلّم بالنقل (TL)، الذي يطبّق المعرفة المستمدة من النماذج المدربة مسبقًا على مهام جديدة.

في هذه المقالة، سنستكشف آلية عمل نماذج التعلّم هذه، ونوضح أبرز الاختلافات بينها، ونستعرض تطبيقاتها الواقعية.

نظرة عامة على أنماط التعلّم#

لنستعرض مفهوم التعلّم بعدد قليل من الأمثلة، والتعلّم دون أمثلة، والتعلّم بالنقل في سياق الرؤية الحاسوبية، وكيفية عمل كل منها.

التعلّم بعدد قليل من الأمثلة#

التعلّم بعدد قليل من الأمثلة أسلوب تتعلم فيه الأنظمة التعرف على أجسام جديدة باستخدام عدد قليل من الأمثلة فحسب. فعلى سبيل المثال، إذا عرضت على نموذج بضع صور لبطريق وبجعة وبفن (تُسمى هذه المجموعة الصغيرة «مجموعة الدعم»)، فسيتعلم شكل هذه الطيور.

لاحقًا، إذا عرضت على النموذج صورة جديدة، كصورة بطريق مثلًا، فسيُقارنها بالصور الموجودة في مجموعة الدعم ويختار الصورة الأقرب إليها. وتفيد هذه الطريقة عندما يصعب جمع كمية كبيرة من البيانات، إذ يظل النظام قادرًا على التعلم والتكيف باستخدام بضعة أمثلة فقط.

الشكل 1. نظرة عامة على كيفية عمل التعلّم بعدد قليل من الأمثلة.

التعلّم دون أمثلة#

التعلّم دون أمثلة أسلوب يمكّن الآلات من التعرف على أشياء لم ترها من قبل، من دون الحاجة إلى أمثلة عليها. ويستخدم معلومات دلالية، مثل الأوصاف، للمساعدة على الربط بين المفاهيم.

على سبيل المثال، إذا تعلّم جهاز عن حيوانات مثل القطط والأسود والخيول من خلال فهم سمات مثل «صغير وفروي» أو «قط بري كبير» أو «وجه طويل»، فيمكنه الاستفادة من هذه المعرفة للتعرّف على حيوان جديد، مثل النمر. وحتى إن لم يسبق له رؤية نمر، يمكنه استخدام وصف مثل «حيوان يشبه الأسد وله خطوط داكنة» للتعرّف عليه بشكل صحيح. وهذا يسهّل على الأجهزة التعلّم والتكيّف دون الحاجة إلى أمثلة كثيرة. وتطبّق كواشف المفردات المفتوحة مثل YOLOE الفكرة نفسها على اكتشاف الكائنات، إذ تحدد مواقع الكائنات بالاعتماد على مطالبات نصية فقط.

الشكل 2. يتيح التعلّم دون أمثلة التعرف على أجسام جديدة باستخدام الأوصاف.

التعلّم بالنقل#

التعلّم بالنقل نمط تعلّم يستخدم فيه النموذج ما تعلمه من مهمة ما للمساعدة في حل مهمة جديدة مشابهة. وتفيد هذه التقنية بوجه خاص في مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام وتصنيف الصور والتعرف على الأنماط.

فعلى سبيل المثال، يمكن لنموذج مدرّب مسبقًا في مجال الرؤية الحاسوبية التعرف على أجسام عامة، مثل الحيوانات، ثم ضبطه بدقة باستخدام التعلّم بالنقل للتعرف على أنواع محددة، مثل سلالات الكلاب المختلفة. ومن خلال إعادة استخدام المعرفة المكتسبة من مهام سابقة، يسهّل التعلّم بالنقل تدريب نماذج الرؤية الحاسوبية على مجموعات بيانات أصغر، ما يوفر الوقت والجهد.

الشكل 3. نظرة عامة على آلية عمل التعلّم بالنقل.

قد تتساءل عن أنواع النماذج التي تدعم التعلّم بالنقل. يُعد Ultralytics YOLO11 (الذي خلفه لاحقًا Ultralytics YOLO26) مثالًا رائعًا على نموذج للرؤية الحاسوبية قادر على ذلك. فهو نموذج متطور لاكتشاف الكائنات، ويُدرّب مسبقًا على مجموعة بيانات عامة كبيرة. وبعد ذلك، يمكن ضبطه بدقة وتدريبه خصيصًا على مجموعة بيانات أصغر ومتخصصة لمهام محددة.

مقارنة أنماط التعلّم#

بعد أن تناولنا التعلّم بعدد قليل من الأمثلة، والتعلّم دون أمثلة، والتعلّم بالنقل، لنقارن بينها لمعرفة أوجه اختلافها.

الشكل 4. أبرز الاختلافات بين التعلّم بعدد قليل من الأمثلة والتعلّم دون أمثلة والتعلّم بالنقل. الصورة من إعداد المؤلف.

يفيد التعلّم بعدد قليل من الأمثلة عندما لا يتوفر لديك سوى قدر ضئيل من البيانات الموسومة، إذ يتيح لنموذج الذكاء الاصطناعي التعلم من بضعة أمثلة فقط. أما التعلّم دون أمثلة، فلا يتطلب أي بيانات موسومة، بل يستخدم الأوصاف أو السياق لمساعدة النظام على تنفيذ مهام جديدة. في المقابل، يتبع التعلّم بالنقل نهجًا مختلفًا، إذ يستخدم المعرفة المستمدة من النماذج المدربة مسبقًا، ما يتيح لها التكيف سريعًا مع مهام جديدة باستخدام قدر ضئيل من البيانات الإضافية. ولكل طريقة نقاط قوة خاصة بها، تبعًا لنوع البيانات والمهمة التي تعمل عليها.

تطبيقات واقعية لأنماط التعلّم المختلفة#

تُحدث أنماط التعلّم هذه أثرًا بالفعل في قطاعات عديدة، إذ تعالج مشكلات معقدة بحلول مبتكرة. فلنلقِ نظرة عن كثب على كيفية تطبيقها في العالم الحقيقي.

تشخيص الأمراض النادرة باستخدام التعلّم بعدد قليل من الأمثلة#

يُعد التعلّم من أمثلة قليلة ذا قيمة خاصة لقطاع الرعاية الصحية، ولا سيما في التصوير الطبي. إذ يمكن أن يساعد الأطباء على تشخيص الأمراض النادرة باستخدام بضعة أمثلة فقط أو حتى أوصاف، دون الحاجة إلى كميات كبيرة من البيانات. ويفيد ذلك بشكل خاص عندما تكون البيانات محدودة، وهو أمر شائع لأن جمع مجموعات بيانات كبيرة للحالات النادرة قد يكون صعبًا.

فعلى سبيل المثال، يستخدم SHEPHERD التعلّم بعدد قليل من الأمثلة ورسوم المعرفة الطبية الحيوية لتشخيص الاضطرابات الوراثية النادرة. ويربط معلومات المرضى، مثل الأعراض ونتائج الفحوص، بشبكة من الجينات والأمراض المعروفة. ويساعد ذلك على تحديد السبب الوراثي المرجح والعثور على حالات مشابهة، حتى عندما تكون البيانات محدودة.

الشكل 5. يشخّص نموذج SHEPHERD الأمراض النادرة باستخدام الحد الأدنى من البيانات.

تحسين اكتشاف أمراض النباتات باستخدام التعلّم دون أمثلة#

في الزراعة، يُعد التعرف السريع على أمراض النباتات أمرًا أساسيًا، لأن التأخر في اكتشافها قد يؤدي إلى انتشار تلف المحاصيل، وانخفاض الغلة، وخسائر مالية كبيرة. وغالبًا ما تعتمد الطرق التقليدية على مجموعات بيانات كبيرة وخبرات متخصصة، وهي موارد قد لا تكون متاحة دائمًا، ولا سيما في المناطق النائية أو محدودة الموارد. وهنا يأتي دور التطورات في الذكاء الاصطناعي، مثل التعلّم دون أمثلة.

لنفترض أن مزارعًا يزرع الطماطم والبطاطا ولاحظ أعراضًا مثل اصفرار الأوراق أو ظهور بقع بنية. يمكن للتعلّم دون أمثلة المساعدة على تحديد أمراض مثل اللفحة المتأخرة من دون الحاجة إلى مجموعات بيانات كبيرة. فباستخدام أوصاف الأعراض، يستطيع النموذج تصنيف أمراض لم يسبق له رؤيتها. ويتسم هذا النهج بالسرعة وقابلية التوسع، كما يتيح للمزارعين اكتشاف مجموعة متنوعة من مشكلات النباتات. ويساعدهم على مراقبة صحة المحاصيل بكفاءة أكبر، واتخاذ إجراءات في الوقت المناسب، وتقليل الخسائر.

الشكل 6. استخدام التعلّم من دون أمثلة للتعرّف على أمراض النباتات.

المركبات ذاتية القيادة والتعلّم بالنقل#

غالبًا ما تحتاج المركبات ذاتية القيادة إلى التكيف مع بيئات مختلفة للتنقل بأمان. ويساعدها التعلّم بالنقل على الاستفادة من المعرفة السابقة للتكيف سريعًا مع الظروف الجديدة من دون بدء التدريب من الصفر. وبالاقتران مع الرؤية الحاسوبية، التي تساعد المركبات على تفسير المعلومات المرئية، تتيح هذه التقنيات تنقلًا أكثر سلاسة عبر التضاريس المختلفة وفي أحوال الطقس المتباينة، ما يجعل القيادة الذاتية أكثر كفاءة وموثوقية.

ومن الأمثلة الجيدة على ذلك نظام إدارة مواقف السيارات الذي يستخدم Ultralytics YOLO11 لمراقبة أماكن الوقوف. ويمكن ضبط YOLO11، وهو نموذج مدرّب مسبقًا لاكتشاف الأجسام، بدقة باستخدام التعلّم بالنقل للتعرف على أماكن الوقوف الشاغرة والمشغولة في الوقت الفعلي. ومن خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، يتعلم اكتشاف الأماكن المتاحة والممتلئة، وحتى الأماكن المحجوزة، بدقة.

الشكل 7. إدارة مواقف السيارات باستخدام Ultralytics YOLO11.

عند دمج هذا النظام مع تقنيات أخرى، يمكنه توجيه السائقين إلى أقرب موقف متاح، مما يساعد على تقليل وقت البحث والازدحام المروري. ويتيح التعلّم بالنقل ذلك من خلال الاستفادة من قدرات اكتشاف الكائنات الحالية في Ultralytics YOLO11، ما يسمح له بالتكيف مع الاحتياجات المحددة لإدارة مواقف السيارات دون البدء من الصفر. ويوفر هذا النهج الوقت والموارد، مع إنشاء حل عالي الكفاءة وقابل للتوسع، يحسّن إدارة مواقف السيارات ويعزز تجربة المستخدم الإجمالية.

الاتجاهات الناشئة في نماذج التعلّم#

يتجه مستقبل نماذج التعلّم في الرؤية الحاسوبية نحو تطوير أنظمة ذكاء اصطناعي بصري أكثر ذكاءً واستدامة. وعلى وجه الخصوص، يتمثل أحد الاتجاهات المتنامية في استخدام الأساليب الهجينة التي تجمع بين التعلّم بعدد قليل من الأمثلة، والتعلّم دون أمثلة، والتعلّم بالنقل. ومن خلال الجمع بين نقاط قوة هذه الأساليب، يمكن للنماذج تعلّم مهام جديدة باستخدام الحد الأدنى من البيانات وتطبيق معارفها في مجالات مختلفة.

ومن الأمثلة المثيرة للاهتمام استخدام التضمينات العميقة المكيّفة لضبط النماذج بدقة بالاستفادة من المعارف المكتسبة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يسهّل العمل مع مجموعات البيانات المحدودة.

وبالمثل، صُمم التعلّم بعدد X من الأمثلة للتعامل مع المهام التي تتفاوت كمية بياناتها. ويستخدم الإشراف الضعيف، حيث تتعلّم النماذج من تسميات محدودة أو مشوشة، إلى جانب تعليمات واضحة لمساعدتها على التكيّف بسرعة، حتى عند توفر أمثلة سابقة قليلة أو عدم توفرها. وتوضح هذه الأساليب الهجينة كيف يمكن لدمج طرائق تعلّم مختلفة أن يساعد أنظمة الذكاء الاصطناعي على مواجهة التحديات بفعالية أكبر.

أبرز النقاط#

يعالج التعلّم بعدد قليل من الأمثلة، والتعلّم دون أمثلة، والتعلّم بالنقل تحديات محددة في الرؤية الحاسوبية، مما يجعل كلًا منها مناسبًا لمهام مختلفة. ويتوقف اختيار النهج المناسب على التطبيق المحدد وكمية البيانات المتاحة. فعلى سبيل المثال، يناسب التعلّم بعدد قليل من الأمثلة حالات البيانات المحدودة، في حين يلائم التعلّم دون أمثلة التعامل مع الفئات غير المرئية أو غير المألوفة.

في المستقبل، من المرجح أن يكون الجمع بين هذه الأساليب لإنشاء نماذج هجينة تدمج الرؤية واللغة والصوت محورًا رئيسيًا. وتهدف هذه التطورات إلى جعل أنظمة الذكاء الاصطناعي أكثر مرونة وكفاءة وقدرة على معالجة المشكلات المعقدة، مما يفتح آفاقًا جديدة للابتكار في هذا المجال.

استكشف المزيد عن الذكاء الاصطناعي بالانضمام إلى مجتمعنا والاطلاع على مستودعنا على GitHub. تعرّف على كيفية إعادة تشكيل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة للمستقبل. اطّلع على خيارات ترخيص YOLO المتاحة للبدء!