التعلم النشط

التعلم النشط هو نهج استراتيجي في التعلم الآلي (ML) حيث تختار الخوارزمية بشكل استباقي نقاط البيانات الأكثر إفادة للتصنيف، بدلاً من قبول مجموعة البيانات المصنفة مسبقًا بشكل سلبي . في التعلم التقليدي الخاضع للإشراف، تتطلب النماذج غالبًا كميات هائلة من البيانات المُعلّقة، والتي قد يكون إنشاؤها مكلفًا ويستغرق وقتًا طويلاً. يعمل التعلم النشط على تحسين هذه العملية من خلال تحديد الأمثلة "غير المؤكدة" أو "الصعبة" — تلك القريبة من حدود القرار أو التي يفتقر فيها النموذج إلى الثقة — وطلب من المعلقين البشريين تصنيف تلك الحالات المحددة فقط . تسمح هذه الحلقة التكرارية للنماذج بتحقيق دقة عالية مع عينات مصنفة أقل بكثير، مما يجعلها فعالة للغاية للمشاريع ذات الميزانيات المحدودة أو القيود الزمنية.

كيف يعمل دورة التعلم النشط

جوهر التعلم النشط هو حلقة تغذية مرتدة يشار إليها غالبًا 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 بيانات التدريب الموسومة المستخدمة لتدريب نموذج أولي، مثل Ultralytics .
2. اختيار الاستعلام: يقوم النموذج بتقييم مجموعة كبيرة من البيانات غير المصنفة. باستخدام استراتيجية الاستعلام— الأكثر شيوعًا هي أخذ العينات غير المؤكدة — يختار الصور أو النصوص التي تكون توقعاته بشأنها أقل ثقة.
3. التعليق: يتم إرسال هذه العينات ذات الأولوية العالية إلى خبير بشري، يُطلق عليه غالبًا اسم "أوراكل" في أدبيات التعلم النشط، من أجل تصنيف البيانات.
4. إعادة التدريب: تتم إضافة البيانات التي تم تسميتها حديثًا إلى مجموعة التدريب، ويتم إعادة تدريب النموذج. وبعد ذلك، يصبح النموذج المحدث أكثر استعدادًا لاختيار المجموعة التالية من العينات المربكة.

تطبيقات واقعية

التعلم النشط أمر لا غنى عنه في الصناعات التي تكثر فيها البيانات ولكن تتطلب عملية التصنيف معرفة متخصصة أو تكاليف باهظة.

• تحليل الصور الطبية: في مجالات مثل الأشعة، يتطلب وضع العلامات خبراء معتمدين من مجلس الإدارة، والذين يعتبر وقتهم ثمينًا للغاية. بدلاً من طلب من الطبيب تعليق آلاف الصور الواضحة، يمكن لنظام التعلم النشط تصفية الحالات الغامضة - مثل الأورام في مراحلها المبكرة أو الحالات الشاذة النادرة - مما يسمح للخبير بالتركيز فقط على الصور التي تحسن حقًا قدرة النموذج التشخيصي.
• المركبات ذاتية القيادة: تولد السيارات ذاتية القيادة بيتابايت من بيانات الفيديو. ومن المستحيل وضع علامات على كل إطار. يساعد التعلم النشط المهندسين على تحديد الحالات الاستثنائية، مثل المشاة الذين يرتدون أزياء تنكرية أو القيادة في ثلوج كثيفة، والتي قد تفوت نماذج الكشف عن الأشياء القياسية. من خلال إعطاء الأولوية لهذه السيناريوهات النادرة، تعمل الشركات على تحسين السلامة دون إهدار الموارد على لقطات متكررة للطرق السريعة.

Python : تصفية التنبؤات غير المؤكدة

يوضح المثال التالي منطق "أخذ العينات غير المؤكد" البسيط باستخدام Ultralytics . نقوم بتحميل نموذج، وتشغيل الاستدلال على الصور، ووضع علامة على تلك التي تكون درجة الثقة فيها أقل من حد معين 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:

• التعلم شبه الموجه: بينما تستخدم كلتا الطريقتين بيانات غير مصنفة، فإن التعلم شبه الموجه يقوم تلقائيًا بتعيين تصنيفات زائفة للبيانات بناءً على تنبؤات النموذج عالية الثقة . في المقابل، يطلب التعلم النشط بشكل صريح مدخلات بشرية بشأن التنبؤات منخفضة الثقة.
• التعلم النقلي: يتضمن ذلك استخدام نموذج مدرب مسبقًا (مثل النموذج المدرب على ImageNet) وتكييفه مع مهمة جديدة. يركز التعلم النشط على البيانات التي يجب تصنيفها، بينما يركز التعلم النقلي على إعادة استخدام الميزات المكتسبة.
• التعلم المعزز: هنا، يتعلم الوكيل من خلال التفاعل مع البيئة وتلقي المكافآت. يختلف التعلم النشط لأنه يبحث عن تسميات الحقيقة الأرضية الثابتة من أوراكل، بدلاً من تحسين سلسلة من الإجراءات للحصول على مكافأة.

التكامل مع MLOps

يتطلب تنفيذ التعلم النشط بشكل فعال وجود خط أنابيب قوي لعمليات التعلم الآلي (MLOps) . تحتاج إلى بنية أساسية لإدارة إصدارات البيانات، وتشغيل مهام إعادة التدريب، وتقديم واجهة التعليقات التوضيحية للبشر. تتيح الأدوات التي تتكامل مع Ultralytics للمستخدمين التنقل بسلاسة بين الاستدلال وتنظيم البيانات والتدريب. على سبيل المثال، يتيح استخدام نصوص التدريب المخصصة للمطورين إمكانية دمج مجموعات جديدة من بيانات التعلم النشط بسرعة في YOLO الخاصة بهم.

لمزيد من القراءة حول استراتيجيات أخذ العينات، غالبًا ما يشير الباحثون إلى الدراسات الاستقصائية الشاملة في أدبيات التعلم النشط. بالإضافة إلى ذلك، فإن فهم مقاييس تقييم النموذج أمر بالغ الأهمية للتحقق من أن حلقة التعلم النشط تعمل بالفعل على تحسين الأداء.