التعلم النشط

التعلم النشط هو نهج ديناميكي في التعلّم الآلي (ML) المصمم لتحسين عملية التدريب عملية التدريب عن طريق الاختيار الانتقائي لنقاط البيانات الأكثر إفادة للتعليق التوضيحي. في التعلّم القياسي الخاضع للإشراف القياسية، يتم تغذية النموذج بشكل سلبي بمجموعة بيانات كبيرة مُسمَّاة مسبقًا، وهو ما قد يكون غير فعال ومكلف إذا كانت البيانات تتضمن أمثلة زائدة أو غير مفيدة. يغيّر التعلم النشط هذا النموذج من خلال السماح للنموذج بما يلي بالاستعلام بشكل تفاعلي عن مصدر معلومات - غالبًا ما يكون خبيرًا بشريًا أو "أوراكل" - لطلب تسميات لحالات محددة محددة وغامضة. تقلل هذه الاستراتيجية المستهدفة بشكل كبير من كمية بيانات التدريب المطلوبة لتحقيق دقة عالية دقة عالية، مما يجعلها مثالية للمشاريع ذات الميزانيات المحدودة أو القيود الزمنية الصارمة.

دورة التعلّم النشط

تعمل عملية التعلم النشط كدورة تكرارية، وغالبًا ما توصف بأنها سير العمل البشري في الحلقة. تضمن هذه الدورة تضمن تركيز الجهد البشري فقط على البيانات التي تساهم بشكل كبير في تحسين النموذج. ويتضمن يتضمن سير العمل النموذجي:

1. التهيئة: نموذج، مثل Ultralytics YOLO11على مجموعة بيانات أولية صغيرة صغيرة في البداية.
2. الاستعلام: يقوم النموذج بتشغيل تنبؤات على مجموعة كبيرة من البيانات غير الموسومة. باستخدام استراتيجية استعلام، فإنه يحدد العينات التي تكون فيها الثقة منخفضة أو حيث تكون التنبؤات غير مؤكدة.
3. الشرح: تُرسَل هذه العينات "غير المؤكدة" ذات الأولوية العالية إلى شارح بشري من أجل لوضع العلامات.
4. التحديث: تُضاف العينات المصنفة حديثًا إلى مجموعة التدريب، وتُعاد عملية تدريب النموذج تتكرر عملية تدريب النموذج لتحسين الخوارزمية.

تعتمد فعالية هذه الطريقة بشكل كبير على استراتيجية أخذ العينات. أخذ العينات غير المؤكدة هو الأسلوب الأسلوب الأكثر شيوعًا، حيث تختار الخوارزمية الحالات الأقرب إلى حدود قرارها. تفاصيل شاملة حول هذه الاستراتيجيات متوفرة في العديد من أدبيات التعلم النشط المختلفة.

مثال Python : أخذ عينات عدم اليقين باستخدام YOLO11

يوضّح مقتطف الشيفرة التالي كيفية تنفيذ حلقة أساسية لأخذ عينات عدم اليقين. يقوم بتحميل نموذج، ويتنبأ على الصور، ويحدد تلك التي تحتوي على اكتشافات منخفضة الثقة، ويضع علامة عليها للمراجعة اليدوية.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on a list or directory of unlabeled images
results = model.predict(["image1.jpg", "image2.jpg"])

# Identify images where the model is uncertain
uncertain_samples = []
for result in results:
    # Check if detections exist and if the maximum confidence is below a threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.max() < 0.6:
        uncertain_samples.append(result.path)
        print(f"Flagging {result.path} for manual labeling.")

print(f"Total uncertain images found: {len(uncertain_samples)}")

تطبيقات واقعية

التعلم النشط ذو قيمة خاصة في المجالات التي يكون فيها يكون فيها تصنيف البيانات مكلفًا أو يتطلب خبرة متخصصة.

• تحليل الصور الطبية: في مجال الرعاية الصحية، يتطلب الحصول على بيانات مصنفة لمهام مثل الكشف عن أورام الدماغ غالباً ما يتطلب وقت أخصائيي الأشعة المؤهلين تأهيلاً عالياً. بدلاً من تصنيف الآلاف من عمليات المسح الروتينية، يمكن لأنظمة التعلم النشط تحديد الحالات الشاذة النادرة أو الغامضة لمراجعتها من قبل الخبراء. وقد أثبتت الأبحاث في في تجزئة الصور الطبية الحيوية أظهرت أن هذا النهج يمكن أن يقلل بشكل كبير من جهود الشرح مع الحفاظ على دقة التشخيص.
• المركبات ذاتية القيادة: تجمع السيارات ذاتية القيادة كميات هائلة من بيانات الفيديو. تصنيف كل إطار أمر غير عملي. التعلم النشط يساعد المهندسين في العثور على "الحالات الطارئة" - مثل الظروف الجوية غير الاعتيادية أو المشاة الذين يرتدون أزياء تنكرية - التي يصعب على النموذج الحالي للكشف عن الأجسام classify. من خلال إعطاء الأولوية لهذه السيناريوهات الصعبة، فإن شركات مثل NVIDIA تحسين سلامة ومتانة أنظمتها الإدراكية.

التمييز عن المفاهيم ذات الصلة

في حين أن التعلم النشط يتضمن استخدام بيانات غير موسومة، إلا أنه يختلف عن نماذج التعلم الآلي الأخرى:

• التعلم شبه الخاضع للإشراف: تستخدم هذه الطريقة كلاً من البيانات المصنفة وغير المصنفة أثناء التدريب ولكنها عادةً ما تقوم بذلك بشكل سلبي. وغالبًا ما تعتمد على افتراضات حول توزيع البيانات لنشر التسميات، في حين أن التعلم النشط يستعلم صراحةً عن جديدة.
• التعلم الذاتي الخاضع للإشراف الذاتي: في هذا النهج، ينشئ النموذج إشارات الإشراف الخاصة به من بنية البيانات (على سبيل المثال، التنبؤ بـ جزء مفقود من الصورة). لا يتطلب هذا النهج تفاعلاً بشريًا لتوليد تسميات للجزء غير المسمى، وهو مجال رئيسي مجال البحث الرئيسي في مختبرات مثل Google للذكاء الاصطناعي.
• التعلّم المعزز: يتضمن ذلك تعلم الوكيل اتخاذ القرارات من خلال تلقي المكافآت أو العقوبات من البيئة المحيطة. على عكس التعلم النشط، الذي يبحث عن تسميات ثابتة لنقاط البيانات، يركز التعلم المعزز على تحسين تسلسل من الإجراءات.

الاندماج في عمليات التشغيل الآلي المتعددة الوظائف

يتطلب تنفيذ التعلم النشط وجود عمليات التعلم الآلي (MLOps) لإدارة تدفق البيانات بين النموذج ومجموعة البيانات وواجهة التعليق التوضيحي. الأدوات التي تدعم البيانات وإدارة البيانات ضرورية لتتبع العينات التي تم الاستعلام عنها. في حين أن مكتبات الأغراض العامة مثل مثل scikit-learn تقدم بعض الفوائد، فإن سير عمل الرؤية الحاسوبية غالبًا ما يتطلب تكاملًا مخصصًا مع مع مجموعات بيانات الصور لتصور الصور المختارة والتعليق عليها بفعالية. يمكن للمستخدمين المتقدمين استكشاف مستودعUltralytics GitHub لمعرفة كيف يمكن تنظيم مخرجات التنبؤ يمكن تنظيمها لتغذية حلقات تنظيم البيانات هذه.