Active Learning

التعلم النشط هو نهج استراتيجي في machine learning (ML) حيث تقوم الخوارزمية استباقياً بتحديد نقاط البيانات الأكثر إفادة لعملية وضع العلامات، بدلاً من قبول مجموعة بيانات مصنفة مسبقاً بشكل سلبي. في supervised learning التقليدي، غالباً ما تتطلب النماذج كميات هائلة من البيانات المشروحة، والتي قد تكون مكلفة وتستغرق وقتاً طويلاً لإنشائها. يعمل التعلم النشط على تحسين هذه العملية من خلال تحديد الأمثلة "المملوءة بالشك" أو "الصعبة" - تلك القريبة من حد القرار أو التي يفتقر فيها النموذج إلى الثقة - وطلب مصنفين بشريين لتسمية تلك الحالات المحددة فقط. تتيح هذه الحلقة التكرارية للنماذج تحقيق accuracy عالية باستخدام عدد أقل بكثير من العينات المسماة، مما يجعلها فعالة للغاية للمشاريع ذات الميزانيات المحدودة أو قيود الوقت.

كيف تعمل دورة التعلم النشط#

جوهر التعلم النشط هو حلقة تغذية راجعة غالباً ما يشار إليها باسم human-in-the-loop. بدلاً من التدريب مرة واحدة على مجموعة بيانات ثابتة، يتطور النموذج من خلال دورات من الاستعلام والتحديث.

1. التهيئة: تبدأ العملية بمجموعة صغيرة من training data المسماة المستخدمة لتدريب نموذج أولي، مثل Ultralytics YOLO26.

2. اختيار الاستعلام: يقوم النموذج بتقييم مجموعة كبيرة من البيانات غير المصنفة. باستخدام استراتيجية استعلام—الأكثر شيوعاً هي أخذ العينات بناءً على عدم اليقين—يختار النموذج الصور أو النصوص التي تكون توقعاته فيها أقل ثقة.

3. التسمية: يتم إرسال هذه العينات ذات الأولوية العالية إلى خبير بشري، وغالباً ما يُسمى "أوراكل" (oracle) في active learning literature، من أجل data labeling.

4. إعادة التدريب: تُضاف البيانات المصنفة حديثاً إلى مجموعة التدريب، ويتم إعادة تدريب النموذج. يصبح هذا النموذج المحدث بعد ذلك أكثر قدرة على اختيار الدفعة التالية من العينات المحيرة.

تطبيقات العالم الحقيقي#

يعد التعلم النشط لا غنى عنه في الصناعات التي تكون فيها البيانات وفيرة ولكن التصنيف يتطلب معرفة متخصصة أو تكاليف عالية.

• Medical Image Analysis: في مجالات مثل الأشعة، تتطلب عملية التسمية خبراء معتمدين من المجلس والذين يكون وقتهم قيماً للغاية. بدلاً من طلب وضع العلامات على آلاف المسوحات الواضحة من قبل الطبيب، يمكن لنظام التعلم النشط تصفية الحالات الغامضة - مثل الأورام في مراحلها المبكرة أو الشاذة النادرة - مما يسمح للخبير بالتركيز فقط على الصور التي تحسن حقاً قدرة التشخيص للنموذج.
• Autonomous Vehicles: تولد السيارات ذاتية القيادة بيتابايت من بيانات الفيديو. تسمية كل إطار أمر مستحيل. يساعد التعلم النشط المهندسين في تحديد edge cases، مثل المشاة الذين يرتدون أزياء أو القيادة في الثلوج الكثيفة، والتي قد تفوتها نماذج object detection القياسية. من خلال إعطاء الأولوية لهذه السيناريوهات النادرة، تحسن الشركات السلامة دون إهدار الموارد على لقطات الطرق السريعة المتكررة.

مثال بلغة Python: تصفية التوقعات غير المؤكدة#

يوضح المثال التالي منطق "أخذ العينات غير المؤكدة" البسيط باستخدام Ultralytics YOLO26. نقوم بتحميل نموذج، وإجراء الاستدلال على الصور، وتحديد تلك التي تكون فيها درجة ال confidence أقل من عتبة معينة للمراجعة اليدوية.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التعلم النشط ونماذج التدريب المماثلة:

• Semi-Supervised Learning: بينما تستخدم كلتا الطريقتين بيانات غير مسماة، يقوم التعلم شبه المشرف تلقائياً بتعيين pseudo-labels للبيانات بناءً على تنبؤات النموذج ذات الثقة العالية. في المقابل، يطلب التعلم النشط صراحة مدخلات بشرية بشأن التنبؤات ذات الثقة المنخفضة.
• Transfer Learning: يتضمن هذا أخذ نموذج مدرب مسبقاً (مثل نموذج مدرب على ImageNet) وتكييفه مع مهمة جديدة. يركز التعلم النشط على البيانات التي يجب تسميتها، بينما يركز نقل التعلم على إعادة استخدام الميزات المكتسبة.
• Reinforcement Learning: هنا، يتعلم الوكيل من خلال التفاعل مع بيئة وتلقي المكافآت. يختلف التعلم النشط لأنه يسعى للحصول على تسميات ground truth ثابتة من أوراكل، بدلاً من تحسين تسلسل الإجراءات للحصول على مكافأة.

التكامل مع عمليات تعلم الآلة (MLOps)#

يتطلب تطبيق التعلم النشط بفعالية خط أنابيب قوي لـ Machine Learning Operations (MLOps). تحتاج إلى البنية التحتية لإدارة إصدار البيانات، وتشغيل مهام إعادة التدريب، وتقديم واجهة التعليقات التوضيحية للبشر. تتيح الأدوات التي تتكامل مع Ultralytics ecosystem للمستخدمين الانتقال بسلاسة بين الاستدلال وتنظيم البيانات والتدريب. على سبيل المثال، يتيح استخدام custom training scripts للمطورين دمج دفعات جديدة من بيانات التعلم النشط بسرعة في نماذج YOLO الخاصة بهم.

للحصول على قراءة إضافية حول استراتيجيات أخذ العينات، غالباً ما يرجع الباحثون إلى مسوحات شاملة في active learning literature. بالإضافة إلى ذلك، فإن فهم model evaluation metrics أمر بالغ الأهمية للتحقق من أن حلقة التعلم النشط تحسن الأداء بالفعل.