Active Learning

التعلم النشط هو نهج استراتيجي في تعلم الآلة (ML) حيث تقوم الخوارزمية بشكل استباقي باختيار أكثر نقاط البيانات إفادةً ليتم تصنيفها، بدلاً من قبول مجموعة بيانات مصنفة مسبقاً بشكل سلبي. في التعلم الخاضع للإشراف التقليدي، غالباً ما تتطلب النماذج كميات هائلة من البيانات المشروحة، وهو أمر قد يكون مكلفاً ويستغرق وقتاً طويلاً. يعمل التعلم النشط على تحسين هذه العملية من خلال تحديد الأمثلة "غير المؤكدة" أو "الصعبة"—تلك التي تقع بالقرب من حدود القرار أو حيث يفتقر النموذج إلى الثقة—وطلب من المصنفين البشريين تصنيف تلك الحالات المحددة فقط. تتيح هذه الحلقة التكرارية للنماذج تحقيق دقة عالية باستخدام عدد أقل بكثير من العينات المصنفة، مما يجعلها فعالة للغاية للمشاريع ذات الميزانيات المحدودة أو قيود الوقت.

Link to this sectionكيف تعمل دورة التعلم النشط#

جوهر التعلم النشط هو حلقة تغذية راجعة غالباً ما يشار إليها بـ الإنسان في الحلقة. 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 المصنفة والمستخدمة 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. التصنيف: تُرسل هذه العينات ذات الأولوية العالية إلى خبير بشري، يشار إليه غالباً بـ "العراف" في أدبيات التعلم النشط، لغرض تصنيف البيانات.

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.

Link to this sectionتطبيقات العالم الحقيقي#

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

• تحليل الصور الطبية: في مجالات مثل الأشعة، يتطلب التصنيف خبراء معتمدين تكون أوقاتهم ثمينة للغاية. بدلاً من مطالبة الطبيب بتصنيف آلاف الأشعة الواضحة، يمكن لنظام التعلم النشط تصفية الحالات الغامضة—مثل الأورام في مراحلها المبكرة أو الشذوذات النادرة—مما يسمح للخبير بالتركيز فقط على الصور التي تحسن حقاً من قدرة النموذج التشخيصية.
• المركبات ذاتية القيادة: تولد السيارات ذاتية القيادة بيتابايت من بيانات الفيديو. تصنيف كل إطار أمر مستحيل. يساعد التعلم النشط المهندسين على تحديد الحالات الاستثنائية، مثل المشاة الذين يرتدون أزياء تنكرية أو القيادة في ثلوج كثيفة، وهي حالات قد تغفل عنها نماذج كشف الأجسام القياسية. من خلال إعطاء الأولوية لهذه السيناريوهات النادرة، تحسن الشركات السلامة دون إهدار الموارد على لقطات الطرق السريعة المتكررة.

Link to this sectionمثال بلغة Python: تصفية التوقعات غير المؤكدة#

يوضح المثال التالي منطق "أخذ العينات بناءً على عدم اليقين" البسيط باستخدام Ultralytics YOLO26. نقوم بتحميل نموذج، وإجراء الاستدلال على الصور، ووضع علامة على تلك التي تكون فيها درجة الثقة 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.")

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التعلم النشط ونماذج التدريب المماثلة:

• التعلم شبه الخاضع للإشراف: بينما يستخدم كلا الأسلوبين بيانات غير مصنفة، يقوم التعلم شبه الخاضع للإشراف بتعيين تصنيفات زائفة للبيانات تلقائياً بناءً على توقعات النموذج ذات الثقة العالية. على النقيض من ذلك، يطلب التعلم النشط صراحةً مدخلات بشرية بشأن التوقعات ذات الثقة المنخفضة.
• التعلم بالانتقال: يتضمن هذا أخذ نموذج مدرب مسبقاً (مثل نموذج مدرب على ImageNet) وتكييفه مع مهمة جديدة. يركز التعلم النشط على أي البيانات يجب تصنيفها، بينما يركز التعلم بالانتقال على إعادة استخدام الميزات المستفادة.
• التعلم التعزيزي: هنا، يتعلم الوكيل من خلال التفاعل مع بيئة وتلقي مكافآت. يختلف التعلم النشط لأنه يسعى للحصول على تصنيفات ثابتة لـ الحقيقة الأرضية من عراف، بدلاً من تحسين سلسلة من الإجراءات للحصول على مكافأة.

Link to this sectionالتكامل مع عمليات تعلم الآلة (MLOps)#

يتطلب تنفيذ التعلم النشط بفعالية خط أنابيب قوياً لـ عمليات تعلم الآلة (MLOps). أنت بحاجة إلى بنية تحتية لإدارة إصدارات البيانات، وتشغيل مهام إعادة التدريب، وتقديم واجهة التصنيف للبشر. تسمح الأدوات التي تتكامل مع نظام Ultralytics البيئي للمستخدمين بالتنقل بسلاسة بين الاستدلال، وتنسيق البيانات، والتدريب. على سبيل المثال، يتيح استخدام برامج التدريب المخصصة للمطورين دمج دفعات جديدة من بيانات التعلم النشط بسرعة في نماذج YOLO الخاصة بهم.

للمزيد من القراءة حول استراتيجيات أخذ العينات، غالباً ما يشير الباحثون إلى المسوحات الشاملة في أدبيات التعلم النشط. بالإضافة إلى ذلك، يعد فهم مقاييس تقييم النموذج أمراً حاسماً للتحقق من أن حلقة التعلم النشط تحسن الأداء بالفعل.