Active Learning

التعلّم النشط نهج استراتيجي في تعلّم الآلة (ML)، حيث تختار الخوارزمية استباقيًا نقاط البيانات الأكثر إفادةً لوسمها، بدلًا من الاكتفاء بتلقّي مجموعة بيانات موسومة مسبقًا. ففي التعلّم الخاضع للإشراف التقليدي، تتطلب النماذج غالبًا كميات هائلة من البيانات المشروحة، وقد يكون إعدادها مكلفًا ويستغرق وقتًا طويلًا. ويحسّن التعلّم النشط هذه العملية بتحديد الأمثلة «غير المؤكدة» أو «الصعبة» — أي الأمثلة القريبة من حد القرار أو التي تكون ثقة النموذج فيها منخفضة — ثم يطلب من المعلّقين البشريين وسم تلك الحالات المحددة فقط. وتتيح هذه الحلقة التكرارية للنماذج تحقيق دقة عالية باستخدام عدد أقل بكثير من العينات الموسومة، ما يجعل التعلّم النشط فعالًا للغاية في المشروعات ذات الميزانيات المحدودة أو القيود الزمنية.

آلية عمل دورة التعلّم النشط#

جوهر التعلّم النشط حلقة تغذية راجعة يُشار إليها غالبًا باسم الإنسان ضمن الحلقة. فبدلًا من التدريب مرة واحدة على مجموعة بيانات ثابتة، يتطور النموذج عبر دورات من الاستعلام والتحديث.

1. التهيئة: تبدأ العملية بمجموعة صغيرة من بيانات التدريب الموسومة، تُستخدم لتدريب نموذج أولي مثل Ultralytics YOLO26.

2. اختيار العينات للاستعلام: يقيّم النموذج مجموعة كبيرة من البيانات غير الموسومة. وباستخدام استراتيجية استعلام — وأكثرها شيوعًا أخذ العينات وفق عدم اليقين — يختار الصور أو النصوص التي تقل فيها ثقة تنبؤاته إلى أدنى مستوى.

3. الشرح: تُرسل هذه العينات ذات الأولوية العالية إلى خبير بشري، يُطلق عليه غالبًا اسم «المحكّم» في أدبيات التعلّم النشط، لإجراء وسم البيانات.

4. إعادة التدريب: تُضاف البيانات الموسومة حديثًا إلى مجموعة التدريب، ويُعاد تدريب النموذج. ويصبح النموذج المحدّث بعد ذلك أقدر على اختيار الدفعة التالية من العينات الملتبسة.

تطبيقات عملية#

لا غنى عن التعلّم النشط في القطاعات التي تتوافر فيها البيانات بكثرة، لكن وسمها يتطلب معرفة متخصصة أو تكاليف مرتفعة.

• تحليل الصور الطبية: في مجالات مثل الأشعة، يتطلب الوسم خبراء حاصلين على اعتماد مهني، ووقتهم ثمين للغاية. وبدلًا من مطالبة الطبيب بشرح آلاف الصور الواضحة، يستطيع نظام التعلّم النشط تصفية الحالات الملتبسة — مثل الأورام في مراحلها المبكرة أو حالات الشذوذ النادرة — ليتسنى للخبير التركيز على الصور التي تحسّن فعلًا القدرة التشخيصية للنموذج.
• المركبات ذاتية القيادة: تنتج السيارات ذاتية القيادة كميات هائلة من بيانات الفيديو تُقدّر بالبيتابايت. ومن المستحيل وسم كل إطار. ويساعد التعلّم النشط المهندسين على تحديد الحالات الحدّية، مثل المشاة الذين يرتدون أزياء تنكرية أو القيادة في ثلوج كثيفة، التي قد تفوتها نماذج اكتشاف الأجسام القياسية. ومن خلال إعطاء الأولوية لهذه السيناريوهات النادرة، تحسّن الشركات السلامة من دون إهدار الموارد على لقطات الطرق السريعة المتكررة.

مثال Python: تصفية التنبؤات غير المؤكدة#

يوضح المثال التالي منطقًا بسيطًا لـ«أخذ العينات وفقًا لعدم اليقين» باستخدام Ultralytics YOLO26. نحمّل نموذجًا، ونجري الاستدلال على الصور، ونضع علامة على الصور التي تقل فيها درجة الثقة عن عتبة معينة لمراجعتها يدويًا.

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 التعلّم النشط ونماذج التدريب المشابهة:

• التعلّم شبه الخاضع للإشراف: على الرغم من أن كلا الأسلوبين يستخدم البيانات غير الموسومة، يُسنِد التعلّم شبه الخاضع للإشراف تلقائيًا تسميات زائفة إلى البيانات استنادًا إلى تنبؤات النموذج عالية الثقة. وعلى النقيض، يطلب التعلّم النشط صراحةً تدخلًا بشريًا بشأن التنبؤات منخفضة الثقة.
• التعلّم بالنقل: يتضمن ذلك أخذ نموذج مدرّب مسبقًا (مثل نموذج دُرّب على ImageNet وتكييفه لمهمة جديدة. يركز التعلّم النشط على البيانات التي ينبغي وسمها، بينما يركز التعلّم بالنقل على إعادة استخدام السمات المتعلّمة.
• التعلّم بالتعزيز: يتعلم الوكيل هنا بالتفاعل مع بيئة وتلقي المكافآت. ويختلف التعلّم النشط لأنه يسعى إلى الحصول من محكّم على تسميات الحقيقة الأساسية الثابتة، بدلًا من تحسين سلسلة أفعال لتحقيق مكافأة.

التكامل مع MLOps#

يتطلب التطبيق الفعّال للتعلّم النشط مسارًا متينًا لـعمليات تعلّم الآلة (MLOps). إذ تحتاج إلى بنية تحتية لإدارة إصدارات البيانات، وتشغيل مهام إعادة التدريب، وإتاحة واجهة الشرح للبشر. وتتيح الأدوات المتكاملة مع منظومة Ultralytics للمستخدمين الانتقال بسلاسة بين الاستدلال وتنظيم البيانات والتدريب. فعلى سبيل المثال، يتيح استخدام برامج التدريب المخصصة للمطورين دمج دفعات جديدة من بيانات التعلّم النشط بسرعة في نماذج YOLO.

لمزيد من القراءة حول استراتيجيات أخذ العينات، يرجع الباحثون غالبًا إلى المسوحات الشاملة في أدبيات التعلّم النشط. وإضافة إلى ذلك، يُعد فهم مقاييس تقييم النماذج ضروريًا للتحقق من أن حلقة التعلّم النشط تحسّن الأداء فعلًا.