فهم التعلم بالقليل من الأمثلة، وبدون أمثلة، ونقل المعرفة

يمكن لأنظمة الذكاء الاصطناعي (AI) التعامل مع مهام معقدة مثل التعرف على الوجوه، وتصنيف الصور، وقيادة السيارات بأقل قدر من المدخلات البشرية. فهي تقوم بذلك عن طريق دراسة البيانات، والتعرف على الأنماط، واستخدام هذه الأنماط لاتخاذ تنبؤات أو قرارات. ومع تقدم الذكاء الاصطناعي، نشهد طرقاً متطورة بشكل متزايد يمكن من خلالها لنماذج الذكاء الاصطناعي التعلم والتكيف وأداء المهام بكفاءة مذهلة.

على سبيل المثال، يعد computer vision فرعًا من الذكاء الاصطناعي يركز على تمكين الآلات من تفسير وفهم المعلومات المرئية من العالم. يعتمد تطوير نماذج الرؤية الحاسوبية التقليدية بشكل كبير على datasets كبيرة وموسومة لغرض التدريب. قد يكون جمع هذه البيانات وتسميتها مكلفًا ويستغرق وقتًا طويلًا.

وللتعامل مع هذه التحديات، قدم الباحثون أساليب مبتكرة مثل التعلم قليل الأمثلة (FSL)، الذي يتعلم من أمثلة محدودة؛ والتعلم الصفري (ZSL)، الذي يحدد كائنات لم يسبق رؤيتها؛ ونقل التعلم (TL)، الذي يطبق المعرفة من نماذج مدربة مسبقاً على مهام جديدة.

في هذه المقالة، سوف نستكشف كيفية عمل نماذج التعلم هذه، ونبرز اختلافاتهم الرئيسية، ونلقي نظرة على تطبيقاتهم في العالم الحقيقي. لنبدأ!

نظرة عامة على نماذج التعلم#

دعونا نستكشف ما هي كل من التعلم قليل الأمثلة، والتعلم الصفري، ونقل التعلم فيما يتعلق بالرؤية الحاسوبية وكيفية عملها.

التعلم قليل الأمثلة (Few-shot learning)#

Few-shot learning هو أسلوب تتعلم فيه الأنظمة التعرف على أشياء جديدة باستخدام عدد قليل فقط من الأمثلة. على سبيل المثال، إذا عرضت على النموذج صورًا قليلة لطائر البطريق، والبجع، والبتُّريق (تُسمى هذه المجموعة الصغيرة "مجموعة الدعم")، فسوف يتعرف على شكل هذه الطيور.

لاحقاً، إذا عرضت على النموذج صورة جديدة، مثل بطريق، فإنه يقارن هذه الصورة الجديدة بتلك الموجودة في مجموعة الدعم الخاصة به ويختار أقرب تطابق. عندما يكون جمع كمية كبيرة من البيانات أمراً صعباً، تكون هذه الطريقة مفيدة لأن النظام لا يزال بإمكانه التعلم والتكيف باستخدام بضعة أمثلة فقط.

Fig 1. نظرة عامة على كيفية عمل التعلم بالقليل من الأمثلة.

التعلم الصفري (Zero-shot learning)#

Zero-shot learning هو طريقة تتيح للآلات التعرف على أشياء لم ترها من قبل دون الحاجة إلى أمثلة عليها. ويستخدم معلومات دلالية، مثل الأوصاف، للمساعدة في تكوين الروابط.

على سبيل المثال، إذا تعلمت آلة عن حيوانات مثل القطط والأسود والخيول من خلال فهم ميزات مثل "صغيرة وفروية"، أو "قط بري كبير"، أو "وجه طويل"، فيمكنها استخدام هذه المعرفة لتحديد حيوان جديد، مثل النمر. حتى لو لم ترَ نمراً من قبل، يمكنها استخدام وصف مثل "حيوان يشبه الأسد بخطوط داكنة" لتحديده بشكل صحيح. وهذا يجعل من السهل على الآلات التعلم والتكيف دون الحاجة إلى الكثير من الأمثلة.

Fig 2. التعلم الصفري يتعرف على أشياء جديدة باستخدام الأوصاف.

نقل التعلم (Transfer learning)#

Transfer learning هو نموذج تعلم يستخدم فيه النموذج ما تعلمه من مهمة ما للمساعدة في حل مهمة جديدة ومماثلة. تُعد هذه التقنية مفيدة بشكل خاص عندما يتعلق الأمر بـ computer vision tasks مثل كشف الكائنات، وتصنيف الصور، التعرف على الأنماط.

على سبيل المثال، في الرؤية الحاسوبية، يمكن لنموذج مُدرَّب مسبقًا التعرف على الكائنات العامة، مثل الحيوانات، ثم ضبطه بدقة من خلال التعلم النقلي لتحديد كائنات محددة، مثل سلالات الكلاب المختلفة. ومن خلال إعادة استخدام المعرفة من المهام السابقة، يسهل التعلم النقلي تدريب computer vision models على مجموعات بيانات أصغر، مما يوفر الوقت والجهد.

Fig 3. نظرة عامة على كيفية عمل التعلم النقلي.

قد تتساءل عن نوع النماذج التي تدعم التعلم النقلي. يُعد Ultralytics YOLO11 مثالاً رائعاً لنموذج رؤية حاسوبية يمكنه القيام بذلك. إنه نموذج حديث للكشف عن الكائنات تم تدريبه مسبقاً أولاً على مجموعة بيانات عامة واسعة النطاق. بعد ذلك، يمكن ضبطه بدقة وتدريبه خصيصاً custom-trained على مجموعة بيانات أصغر ومتخصصة لمهام محددة.

مقارنة نماذج التعلم#

الآن بعد أن تحدثنا عن التعلم قليل الأمثلة، والتعلم الصفري، ونقل التعلم، دعونا نقارن بينها لنرى كيف تختلف.

الشكل 4. الاختلافات الرئيسية بين التعلم قليل الأمثلة، والتعلم الصفري، ونقل التعلم. الصورة بواسطة المؤلف.

التعلم قليل الأمثلة مفيد عندما يكون لديك كمية صغيرة فقط من البيانات المصنفة. فهو يجعل من الممكن لنموذج الذكاء الاصطناعي التعلم من بضعة أمثلة فقط. ومن ناحية أخرى، لا يتطلب التعلم الصفري أي بيانات مصنفة. بدلاً من ذلك، فإنه يستخدم أوصافاً أو سياقاً لمساعدة النظام على التعامل مع مهام جديدة. في الوقت نفسه، يتبع نقل التعلم نهجاً مختلفاً باستخدام المعرفة من النماذج المدربة مسبقاً، مما يسمح لها بالتكيف بسرعة مع مهام جديدة بأقل قدر من البيانات الإضافية. لكل طريقة نقاط قوتها الخاصة اعتماداً على نوع البيانات والمهمة التي تعمل عليها.

تطبيقات العالم الحقيقي لنماذج التعلم المختلفة#

تحدث هذه النماذج التعليمية بالفعل فرقاً في العديد من القطاعات، حيث تحل مشاكل معقدة بحلول مبتكرة. دعونا نلقي نظرة فاحصة على كيفية تطبيقها في العالم الحقيقي.

تشخيص الأمراض النادرة باستخدام التعلم قليل الأمثلة#

يُعد التعلم بالقليل من الأمثلة ثورة في قطاع الرعاية الصحية، لا سيما في medical imaging. ويمكن أن يساعد الأطباء في تشخيص الأمراض النادرة باستخدام عدد قليل فقط من الأمثلة أو حتى الأوصاف، دون الحاجة إلى كميات كبيرة من البيانات. وهذا مفيد بشكل خاص عندما تكون البيانات محدودة، وغالباً ما يكون الحال كذلك نظراً لأن جمع مجموعات بيانات كبيرة للحالات النادرة قد يمثل تحدياً.

على سبيل المثال، يستخدم SHEPHERD التعلم بالقليل من الأمثلة وشبكات المعرفة الحيوية الطبية لتتشخيص الاضطرابات الوراثية النادرة. فهو يربط معلومات المريض، مثل الأعراض ونتائج الاختبارات، بشبكة من الجينات والأمراض المعروفة. ويساعد ذلك في تحديد السبب الوراثي المحتمل والعثور على حالات مشابهة، حتى عندما تكون البيانات محدودة.

Fig 5. نموذج Shepherd يشخص الأمراض النادرة باستخدام الحد الأدنى من البيانات.

تحسين الكشف عن أمراض النبات باستخدام التعلم الصفري#

في الزراعة، يعد تحديد أمراض النبات بسرعة أمراً ضرورياً لأن التأخير في الكشف يمكن أن يؤدي إلى أضرار واسعة النطاق للمحاصيل، وانخفاض في الإنتاجية، وخسائر مالية كبيرة. غالباً ما تعتمد الطرق التقليدية على مجموعات بيانات كبيرة ومعرفة الخبراء، والتي قد لا تكون متاحة دائماً، خاصة في المناطق النائية أو المحدودة الموارد. وهنا يأتي دور التطورات في الذكاء الاصطناعي، مثل التعلم الصفري.

لنفترض أن مزارعاً يزرع الطماطم والبطاطس ويلاحظ أعراضاً مثل اصفرار الأوراق أو بقع بنية. يمكن أن يساعد التعلم الصفري في تحديد أمراض مثل اللفحة المتأخرة دون الحاجة إلى مجموعات بيانات كبيرة. من خلال استخدام أوصاف الأعراض، يمكن للنموذج تصنيف الأمراض التي لم يرها من قبل. هذا النهج سريع، وقابل للتوسع، ويسمح للمزارعين باكتشاف مجموعة متنوعة من مشاكل النبات. إنه يساعدهم على مراقبة صحة المحاصيل بشكل أكثر كفاءة، واتخاذ إجراءات في الوقت المناسب، وتقليل الخسائر.

Fig 6. استخدام التعلم الصفري لتحديد أمراض النباتات.

المركبات ذاتية القيادة ونقل التعلم#

تحتاج المركبات ذاتية القيادة غالباً إلى التكيف مع بيئات مختلفة للتنقل بأمان. يساعدها نقل التعلم في استخدام المعرفة السابقة للتكيف بسرعة مع الظروف الجديدة دون البدء في تدريبها من الصفر. وبالاشتراك مع الرؤية الحاسوبية، التي تساعد المركبات على تفسير المعلومات المرئية، تمكن هذه التقنيات من تنقل أكثر سلاسة عبر تضاريس وظروف جوية مختلفة، مما يجعل القيادة الذاتية أكثر كفاءة وموثوقية.

من الأمثلة الجيدة على ذلك في الواقع parking management system يستخدم Ultralytics YOLO11 لمراقبة مساحات وقوف السيارات. يمكن ضبط YOLO11، وهو نموذج كشف كائنات مُدرَّب مسبقاً، باستخدام التعلم النقلي لتحديد أماكن وقوف السيارات الفارغة والمشغولة في الوقت الفعلي. من خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، يتعلم بدقة اكتشاف الأماكن المفتوحة، والأماكن الممتلئة، وحتى المناطق المحجوزة.

Fig 7. إدارة مواقف السيارات باستخدام Ultralytics YOLO11.

مع التكامل مع التقنيات الأخرى، يمكن لهذا النظام توجيه السائقين إلى أقرب مكان متاح، مما يساهم في تقليل وقت البحث وازدحام المرور. يجعل التعلم النقلي هذا ممكناً من خلال البناء على إمكانيات كشف الكائنات الحالية في Ultralytics YOLO11، مما يتيح له التكيف مع الاحتياجات المحددة لإدارة وقوف السيارات دون البدء من الصفر. يوفر هذا النهج الوقت والموارد بينما يخلق حلاً عالي الكفاءة وقابل للتوسع يحسن عمليات وقوف السيارات ويعزز تجربة المستخدم الشاملة.

الاتجاهات الناشئة في نماذج التعلم#

يميل مستقبل نماذج التعلم في الرؤية الحاسوبية نحو تطوير أنظمة ذكاء اصطناعي مرئي أكثر ذكاءً واستدامة. على وجه الخصوص، يتمثل أحد الاتجاهات المتنامية في استخدام hybrid approaches التي تدمج التعلم بالقليل من الأمثلة، والتعلم الصفري، والتعلم النقلي. من خلال مزج نقاط القوة لهذه الطرق، يمكن للنماذج تعلم مهام جديدة بأ الحد الأدنى من البيانات وتطبيق معرفتها عبر مجالات مختلفة.

من الأمثلة المثيرة للاهتمام استخدام adapted deep embeddings لضبط النماذج بدقة باستخدام المعرفة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يسهل العمل مع مجموعات البيانات المحدودة.

وبالمثل، تم تصميم X-shot learning يتعامل مع المهام ذات الكميات المختلفة من البيانات. وهي تستخدم الإشراف الضعيف، حيث تتعلم النماذج من التسميات المحدودة أو الصاخبة، والتعليمات الواضحة لمساعدتها على التكيف بسرعة، حتى مع توفر القليل من الأمثلة السابقة أو عدم توفرها على الإطلاق. توضح هذه الأساليب الهجينة كيف يمكن لدمج طرق التعلم المختلفة أن يساعد أنظمة الذكاء الاصطناعي في مواجهة التحديات بشكل أكثر فعالية.

أبرز النقاط#

يعالج كل من التعلم قليل الأمثلة، والتعلم الصفري، ونقل التعلم تحديات محددة في الرؤية الحاسوبية، مما يجعلها مناسبة لمهام مختلفة. يعتمد النهج الصحيح على التطبيق المحدد ومقدار البيانات المتاحة. على سبيل المثال، يعمل التعلم قليل الأمثلة بشكل جيد مع البيانات المحدودة، بينما يعد التعلم الصفري رائعاً للتعامل مع الفئات غير المرئية أو غير المألوفة.

وبالتطلع إلى المستقبل، من المرجح أن يكون دمج هذه الطرق لإنشاء نماذج هجينة تدمج الرؤية واللغة والصوت تركيزاً رئيسياً. تهدف هذه التطورات إلى جعل أنظمة الذكاء الاصطناعي أكثر مرونة وكفاءة وقدرة على معالجة المشكلات المعقدة، مما يفتح احتمالات جديدة للابتكار في هذا المجال.

اكتشف المزيد حول الذكاء الاصطناعي من خلال الانضمام إلى our community والاطلاع على our GitHub repository. وتعرّف على كيف يقوم AI in self-driving cars و computer vision in agriculture بإعادة تشكيل المستقبل. راجع خيارات YOLO license المتاحة للبدء!