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 الرؤية الحاسوبية فرعاً من فروع الذكاء الاصطناعي يركز على تمكين الآلات من تفسير وفهم المعلومات المرئية من العالم. يعتمد تطوير نماذج الرؤية الحاسوبية التقليدية بشكل كبير على مجموعات بيانات كبيرة ومصنفة للتدريب. وقد يكون جمع وتصنيف هذه البيانات عملية كثيفة الاستهلاك للوقت ومكلفة.

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!

Link to this sectionنظرة عامة على نماذج التعلم#

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

Link to this sectionالتعلم قليل الأمثلة (Few-shot learning)#

التعلم قليل الأمثلة هو طريقة تتعلم فيها الأنظمة التعرف على كائنات جديدة باستخدام عدد صغير فقط من الأمثلة. على سبيل المثال، إذا عرضت على نموذج بضع صور لبطريق، وبجع، وطائر البفن (تسمى هذه المجموعة الصغيرة "مجموعة الدعم" أو support set)، فإنه يتعلم كيف تبدو 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.

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

Link to this sectionالتعلم الصفري (Zero-shot learning)#

التعلم الصفري هو وسيلة للآلات للتعرف على أشياء لم ترها من قبل دون الحاجة إلى أمثلة عليها. إنه يستخدم المعلومات الدلالية، مثل الأوصاف، للمساعدة في تكوين روابط.

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.

الشكل 2. التعلم الصفري يحدد كائنات جديدة باستخدام الأوصاف.

Link to this sectionنقل التعلم (Transfer learning)#

نقل التعلم هو نموذج تعليمي يستخدم فيه النموذج ما تعلمه من مهمة واحدة للمساعدة في حل مهمة جديدة مشابهة. تعد هذه التقنية مفيدة بشكل خاص عندما يتعلق الأمر بـ مهام الرؤية الحاسوبية مثل اكتشاف الكائنات، وتصنيف الصور، والتعرف على الأنماط.

على سبيل المثال، في الرؤية الحاسوبية، يمكن لنموذج مدرب مسبقاً التعرف على كائنات عامة، مثل الحيوانات، ثم يتم ضبطه دقيقاً (fine-tuning) من خلال نقل التعلم لتحديد كائنات محددة، مثل سلالات الكلاب المختلفة. من خلال إعادة استخدام المعرفة من المهام السابقة، يجعل نقل التعلم من الأسهل تدريب نماذج الرؤية الحاسوبية على مجموعات بيانات أصغر، مما يوفر الوقت والجهد.

الشكل 3. نظرة عامة على كيفية عمل نقل التعلم.

قد تتساءل عن أنواع النماذج التي تدعم نقل التعلم. Ultralytics YOLO11 مثال رائع على نموذج رؤية حاسوبية يمكنه القيام بذلك. إنه نموذج متطور لاكتشاف الكائنات تم تدريبه مسبقاً أولاً على مجموعة بيانات كبيرة وعامة. بعد ذلك، يمكن ضبطه دقيقاً وتدريبه بشكل مخصص على مجموعة بيانات أصغر ومتخصصة لمهام محددة.

Link to this sectionمقارنة 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.

Link to this sectionتطبيقات 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.

Link to this sectionتشخيص الأمراض النادرة باستخدام التعلم قليل الأمثلة#

يعد التعلم قليل الأمثلة ثورة في قطاع الرعاية الصحية، خاصة في التصوير الطبي. يمكنه مساعدة الأطباء في تشخيص الأمراض النادرة باستخدام بضعة أمثلة فقط أو حتى أوصاف، دون الحاجة إلى كميات كبيرة من البيانات. وهذا مفيد بشكل خاص عندما تكون البيانات محدودة، وهو أمر شائع لأن جمع مجموعات بيانات كبيرة لحالات نادرة يمكن أن يكون صعباً.

على سبيل المثال، يستخدم SHEPHERD التعلم قليل الأمثلة ورسوم بيانية للمعرفة الطبية الحيوية لتشخيص الاضطرابات الوراثية النادرة. فهو يربط معلومات المريض، مثل الأعراض ونتائج الاختبارات، بشبكة من الجينات والأمراض المعروفة. يساعد هذا في تحديد السبب الوراثي المحتمل والعثور على حالات مماثلة، حتى عندما تكون البيانات محدودة.

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

Link to this sectionتحسين 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.

الشكل 6. استخدام التعلم الصفري لتحديد أمراض النبات.

Link to this sectionالمركبات 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.

مثال جيد على ذلك في العمل هو نظام إدارة مواقف السيارات الذي يستخدم Ultralytics YOLO11 لمراقبة أماكن وقوف السيارات. يمكن ضبط نموذج YOLO11، وهو نموذج لاكتشاف الكائنات مدرب مسبقاً، دقيقاً باستخدام نقل التعلم لتحديد أماكن وقوف السيارات الفارغة والمشغولة في الوقت الفعلي. من خلال تدريب النموذج على مجموعة بيانات أصغر من صور مواقف السيارات، فإنه يتعلم اكتشاف المساحات المفتوحة، والأماكن الممتلئة، وحتى المناطق المحجوزة بدقة.

الشكل 7. إدارة مواقف السيارات باستخدام Ultralytics YOLO11.

بدمج هذا النظام مع تقنيات أخرى، يمكنه توجيه السائقين إلى أقرب مكان متاح، مما يساعد في تقليل وقت البحث والازدحام المروري. يجعل نقل التعلم هذا ممكناً من خلال البناء على قدرات اكتشاف الكائنات الحالية لـ YOLO11، مما يسمح له بالتكيف مع الاحتياجات المحددة لإدارة مواقف السيارات دون البدء من الصفر. يوفر هذا النهج الوقت والموارد مع إنشاء حل عالي الكفاءة وقابل للتوسع يحسن عمليات مواقف السيارات ويعزز تجربة المستخدم الإجمالية.

Link to this sectionالاتجاهات الناشئة في نماذج التعلم#

يميل مستقبل نماذج التعلم في الرؤية الحاسوبية نحو تطوير أنظمة رؤية ذكية ومستدامة بالذكاء الاصطناعي. وعلى وجه الخصوص، هناك اتجاه متزايد لاستخدام النهج الهجين التي تجمع بين التعلم قليل الأمثلة، والتعلم الصفري، ونقل التعلم. من خلال مزج نقاط قوة هذه الطرق، يمكن للنماذج تعلم مهام جديدة ببيانات محدودة وتطبيق معرفتها عبر مجالات مختلفة.

مثال مثير للاهتمام هو استخدام التضمينات العميقة المكيفة لضبط النماذج دقيقاً باستخدام المعرفة من المهام السابقة وكمية صغيرة من البيانات الجديدة، مما يجعل العمل مع مجموعات البيانات المحدودة أسهل.

وبالمثل، تم تصميم التعلم بنمط X-shot للتعامل مع المهام التي تحتوي على كميات مختلفة من البيانات. فهو يستخدم الإشراف الضعيف، حيث تتعلم النماذج من تسميات محدودة أو مشوشة، وتعليمات واضحة لمساعدتها على التكيف بسرعة، حتى مع وجود أمثلة سابقة قليلة أو معدومة. تظهر هذه النهج الهجينة كيف يمكن لدمج طرق تعليم مختلفة مساعدة أنظمة الذكاء الاصطناعي في معالجة التحديات بشكل أكثر فعالية.

Link to this sectionأبرز 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.

استكشف المزيد حول الذكاء الاصطناعي من خلال الانضمام إلى مجتمعنا والاطلاع على مستودع GitHub الخاص بنا. تعرف على كيفية إعادة تشكيل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة للمستقبل. تحقق من الخيارات المتاحة لـ ترخيص YOLO للبدء!