فهم التعلم بعدد قليل من الأمثلة ودون أمثلة والتعلم بالنقل

يمكن لأنظمة الذكاء الاصطناعي (AI) التعامل مع مهام معقدة مثل التعرّف على الوجوه، وتصنيف الصور، وقيادة السيارات مع حد أدنى من التدخل البشري. وتفعل ذلك من خلال دراسة البيانات، والتعرّف على الأنماط، واستخدام تلك الأنماط لإجراء التنبؤات أو اتخاذ القرارات. ومع تقدّم الذكاء الاصطناعي، نشهد أساليب متزايدة التطور يمكن لنماذج الذكاء الاصطناعي من خلالها التعلّم والتكيّف وتنفيذ المهام بكفاءة ملحوظة.

على سبيل المثال، يُعدّ رؤية الحاسوب فرعًا من الذكاء الاصطناعي يركّز على تمكين الآلات من تفسير المعلومات المرئية من العالم وفهمها. ويعتمد تطوير نماذج رؤية الحاسوب التقليدي اعتمادًا كبيرًا على مجموعات البيانات الكبيرة والمُعنونة للتدريب. وقد يستغرق جمع هذه البيانات وتصنيفها وقتًا طويلًا ويكون مكلفًا.

لمعالجة هذه التحديات، قدّم الباحثون أساليب مبتكرة مثل التعلم من عدد قليل من الأمثلة (FSL)، الذي يتعلم من أمثلة محدودة؛ والتعلم من دون أمثلة (ZSL)، الذي يحدّد الكائنات غير المرئية؛ والتعلم بالنقل (TL)، الذي يطبّق المعرفة المستمدة من النماذج المدرّبة مسبقًا على مهام جديدة.

في هذه المقالة، سنستكشف كيفية عمل نماذج التعلم هذه، ونوضّح اختلافاتها الرئيسية، ونلقي نظرة على تطبيقاتها في العالم الحقيقي. لنبدأ!

نظرة عامة على نماذج التعلم#

لنستكشف ماهية التعلم من عدد قليل من الأمثلة، والتعلم من دون أمثلة، والتعلم بالنقل في سياق رؤية الحاسوب، وكيفية عملها.

التعلم من عدد قليل من الأمثلة#

التعلم من عدد قليل من الأمثلة هو أسلوب تتعلم فيه الأنظمة التعرّف على كائنات جديدة باستخدام عدد صغير فقط من الأمثلة. على سبيل المثال، إذا عرضت على نموذج بضع صور لبطريق وبجع وبفن (وتُسمّى هذه المجموعة الصغيرة «مجموعة الدعم»)، فسيتعلم شكل هذه الطيور.

لاحقًا، إذا عرضت على النموذج صورة جديدة، مثل صورة بطريق، فإنه يقارن هذه الصورة الجديدة بالصور الموجودة في مجموعة الدعم ويختار أقرب تطابق. وعندما يكون جمع كمية كبيرة من البيانات صعبًا، يكون هذا الأسلوب مفيدًا لأن النظام يظل قادرًا على التعلم والتكيّف باستخدام بضعة أمثلة فقط.

الشكل 1. نظرة عامة على كيفية عمل التعلم من عدد قليل من الأمثلة.

التعلم من دون أمثلة#

التعلم من دون أمثلة هو أسلوب يمكّن الآلات من التعرّف على أشياء لم ترها من قبل من دون الحاجة إلى أمثلة عليها. ويستخدم معلومات دلالية، مثل الأوصاف، للمساعدة في إنشاء الروابط.

على سبيل المثال، إذا تعلّمت آلة عن حيوانات مثل القطط والأسود والخيول من خلال فهم سمات مثل «صغير وكثير الفرو»، أو «سنوري بري كبير»، أو «وجه طويل»، فيمكنها استخدام هذه المعرفة للتعرّف على حيوان جديد، مثل النمر. وحتى إذا لم ترَ نمرًا من قبل، يمكنها استخدام وصف مثل «حيوان يشبه الأسد وله خطوط داكنة» للتعرّف عليه بشكل صحيح. وهذا يسهّل على الآلات التعلم والتكيّف من دون الحاجة إلى عدد كبير من الأمثلة.

الشكل 2. يحدّد التعلم من دون أمثلة كائنات جديدة باستخدام الأوصاف.

التعلم بالنقل#

التعلم بالنقل هو نموذج تعلم يستخدم فيه النموذج ما تعلّمه من مهمة ما للمساعدة في حل مهمة جديدة مشابهة. وتفيد هذه التقنية خصوصًا في مهام رؤية الحاسوب مثل اكتشاف الكائنات، وتصنيف الصور، والتعرّف على الأنماط.

على سبيل المثال، يمكن لنموذج مدرّب مسبقًا في مجال رؤية الحاسوب التعرّف على كائنات عامة، مثل الحيوانات، ثم يمكن ضبطه بدقة من خلال التعلم بالنقل للتعرّف على أنواع محددة، مثل سلالات الكلاب المختلفة. ومن خلال إعادة استخدام المعرفة المستمدة من المهام السابقة، يسهّل التعلم بالنقل تدريب نماذج رؤية الحاسوب على مجموعات بيانات أصغر، مما يوفر الوقت والجهد.

الشكل 3. نظرة عامة على كيفية عمل التعلم بالنقل.

قد تتساءل عن أنواع النماذج التي تدعم التعلم بالنقل. يُعدّ Ultralytics YOLO11 مثالًا رائعًا على نموذج لرؤية الحاسوب يمكنه تنفيذ ذلك. فهو نموذج متطور لاكتشاف الكائنات يُدرّب مسبقًا أولًا على مجموعة بيانات عامة كبيرة. وبعد ذلك، يمكن ضبطه بدقة وتدريبه مخصصًا على مجموعة بيانات أصغر ومتخصصة لمهام محددة.

مقارنة نماذج التعلم#

بعد أن تحدّثنا عن التعلم من عدد قليل من الأمثلة، والتعلم من دون أمثلة، والتعلم بالنقل، لنقارن بينها لمعرفة أوجه اختلافها.

الشكل 4. الاختلافات الرئيسية بين التعلم من عدد قليل من الأمثلة، والتعلم من دون أمثلة، والتعلم بالنقل. الصورة من إعداد المؤلف.

يكون التعلم من عدد قليل من الأمثلة مفيدًا عندما لا يتوفر لديك سوى قدر صغير من البيانات المُعنونة. فهو يتيح لنموذج الذكاء الاصطناعي التعلم من بضعة أمثلة فقط. أما التعلم من دون أمثلة فلا يتطلب أي بيانات مُعنونة. بل يستخدم الأوصاف أو السياق لمساعدة النظام على التعامل مع المهام الجديدة. وفي الوقت نفسه، يتبع التعلم بالنقل نهجًا مختلفًا باستخدام المعرفة المستمدة من النماذج المدرّبة مسبقًا، مما يتيح لها التكيّف سريعًا مع المهام الجديدة باستخدام حد أدنى من البيانات الإضافية. ولكل أسلوب نقاط قوة خاصة به اعتمادًا على نوع البيانات والمهمة التي تعمل عليها.

التطبيقات الواقعية لمختلف نماذج التعلم#

تُحدث نماذج التعلم هذه فرقًا بالفعل في العديد من القطاعات، إذ تحل مشكلات معقدة باستخدام حلول مبتكرة. ولنلقِ نظرة فاحصة على كيفية تطبيقها في العالم الحقيقي.

تشخيص الأمراض النادرة باستخدام التعلم من عدد قليل من الأمثلة#

يُحدث التعلم من عدد قليل من الأمثلة تحولًا كبيرًا في قطاع الرعاية الصحية، لا سيما في التصوير الطبي. إذ يمكنه مساعدة الأطباء على تشخيص الأمراض النادرة باستخدام بضعة أمثلة فقط أو حتى أوصاف، من دون الحاجة إلى كميات كبيرة من البيانات. ويكون ذلك مفيدًا بصفة خاصة عندما تكون البيانات محدودة، وهو أمر شائع لأن جمع مجموعات بيانات كبيرة للحالات النادرة قد يكون صعبًا.

على سبيل المثال، يستخدم SHEPHERD التعلم من عدد قليل من الأمثلة والرسوم البيانية المعرفية الطبية الحيوية لتشخيص الاضطرابات الجينية النادرة. إذ يطابق معلومات المريض، مثل الأعراض ونتائج الاختبارات، مع شبكة من الجينات والأمراض المعروفة. ويساعد ذلك على تحديد السبب الجيني المحتمل والعثور على حالات مماثلة، حتى عندما تكون البيانات محدودة.

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

تحسين اكتشاف أمراض النباتات باستخدام التعلم من دون أمثلة#

في الزراعة، يُعدّ تحديد أمراض النباتات بسرعة أمرًا ضروريًا، لأن التأخر في اكتشافها قد يؤدي إلى أضرار واسعة النطاق بالمحاصيل، وانخفاض الغلة، وخسائر مالية كبيرة. وغالبًا ما تعتمد الأساليب التقليدية على مجموعات بيانات كبيرة ومعرفة الخبراء، وقد لا تكون هذه الموارد متاحة دائمًا، لا سيما في المناطق النائية أو محدودة الموارد. وهنا يأتي دور التطورات في الذكاء الاصطناعي، مثل التعلم من دون أمثلة.

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

الشكل 6. استخدام التعلم من دون أمثلة لتحديد أمراض النباتات.

المركبات ذاتية القيادة والتعلم بالنقل#

غالبًا ما تحتاج المركبات ذاتية القيادة إلى التكيّف مع بيئات مختلفة للتنقل بأمان. ويساعدها التعلم بالنقل على استخدام المعرفة السابقة للتكيّف سريعًا مع الظروف الجديدة من دون بدء تدريبها من الصفر. وبالاقتران مع رؤية الحاسوب، التي تساعد المركبات على تفسير المعلومات المرئية، تتيح هذه التقنيات تنقلًا أكثر سلاسة عبر التضاريس والظروف الجوية المختلفة، مما يجعل القيادة الذاتية أكثر كفاءة وموثوقية.

ومن الأمثلة الجيدة على ذلك نظام لإدارة مواقف السيارات يستخدم Ultralytics YOLO11 لمراقبة أماكن وقوف السيارات. ويمكن ضبط YOLO11، وهو نموذج مدرّب مسبقًا لاكتشاف الكائنات، بدقة باستخدام التعلم بالنقل لتحديد أماكن الوقوف الشاغرة والمشغولة في الوقت الفعلي. ومن خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، يتعلم اكتشاف الأماكن المتاحة والمشغولة والمناطق المحجوزة بدقة.

الشكل 7. إدارة مواقف السيارات باستخدام Ultralytics YOLO11.

عند دمجه مع تقنيات أخرى، يمكن لهذا النظام توجيه السائقين إلى أقرب مكان متاح، مما يساعد على تقليل وقت البحث والازدحام المروري. ويجعل التعلم بالنقل ذلك ممكنًا من خلال البناء على قدرات Ultralytics YOLO11 الحالية في اكتشاف الكائنات، مما يتيح له التكيّف مع الاحتياجات المحددة لإدارة مواقف السيارات من دون البدء من الصفر. ويوفر هذا النهج الوقت والموارد، مع إنشاء حل عالي الكفاءة وقابل للتوسع يحسّن عمليات مواقف السيارات ويرتقي بتجربة المستخدم الإجمالية.

الاتجاهات الناشئة في نماذج التعلم#

يتجه مستقبل نماذج التعلم في مجال رؤية الحاسوب نحو تطوير أنظمة ذكاء اصطناعي للرؤية أكثر ذكاءً واستدامة. وعلى وجه الخصوص، يتمثل أحد الاتجاهات المتنامية في استخدام الأساليب الهجينة التي تجمع بين التعلم من عدد قليل من الأمثلة، والتعلم من دون أمثلة، والتعلم بالنقل. ومن خلال دمج نقاط قوة هذه الأساليب، يمكن للنماذج تعلم مهام جديدة باستخدام الحد الأدنى من البيانات وتطبيق معرفتها في مجالات مختلفة.

ومن الأمثلة المثيرة للاهتمام استخدام التضمينات العميقة المُكيّفة لضبط النماذج بدقة باستخدام المعرفة المستمدة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يسهّل التعامل مع مجموعات البيانات المحدودة.

وبالمثل، صُمّم التعلم X-shot للتعامل مع المهام التي تتوفر لها كميات مختلفة من البيانات. ويستخدم الإشراف الضعيف، حيث تتعلم النماذج من تسميات محدودة أو مشوشة، وتعليمات واضحة لمساعدتها على التكيّف بسرعة، حتى مع توفر أمثلة سابقة قليلة أو عدم توفرها. وتوضح هذه الأساليب الهجينة كيف يمكن لدمج أساليب التعلم المختلفة مساعدة أنظمة الذكاء الاصطناعي على مواجهة التحديات بفاعلية أكبر.

أهم النقاط المستخلصة#

يعالج التعلم من عدد قليل من الأمثلة، والتعلم من دون أمثلة، والتعلم بالنقل تحديات محددة في مجال رؤية الحاسوب، مما يجعل كلًا منها مناسبًا لمهام مختلفة. ويعتمد النهج الصحيح على التطبيق المحدد وكمية البيانات المتاحة. فعلى سبيل المثال، يعمل التعلم من عدد قليل من الأمثلة جيدًا مع البيانات المحدودة، بينما يُعدّ التعلم من دون أمثلة مناسبًا للتعامل مع الفئات غير المرئية أو غير المألوفة.

وبالنظر إلى 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 من خلال الانضمام إلى مجتمعنا والاطلاع على مستودع GitHub الخاص بنا. وتعرّف على كيفية مساهمة الذكاء الاصطناعي في السيارات ذاتية القيادة ورؤية الحاسوب في الزراعة في إعادة تشكيل المستقبل. اطّلع على الخيارات المتاحة لـترخيص YOLO للبدء!