Active Learning

التعلُّم النشط هو نهج استراتيجي في التعلم الآلي (ML)، حيث تختار الخوارزمية بشكل استباقي نقاط البيانات الأكثر إفادة لوضع التعليقات التوضيحية عليها، بدلًا من قبول مجموعة بيانات موسومة مسبقًا بشكل سلبي. في التعلم الخاضع للإشراف التقليدي، تتطلب النماذج غالبًا كميات هائلة من البيانات المشروحة، وقد يكون إنشاؤها مكلفًا ويستغرق وقتًا طويلًا. يحقق التعلُّم النشط أقصى استفادة من هذه العملية من خلال تحديد الأمثلة "غير المؤكدة" أو "الصعبة"—أي القريبة من حد القرار أو التي تفتقر فيها النموذج إلى الثقة—وطلب وضع التعليقات التوضيحية من المعلّقين البشريين لهذه الحالات المحددة فقط. تتيح هذه الحلقة التكرارية للنماذج تحقيق دقة عالية باستخدام عدد أقل بكثير من العينات الموسومة، مما يجعلها فعّالة للغاية للمشاريع ذات الميزانيات المحدودة أو القيود الزمنية.

كيفية عمل دورة التعلُّم النشط#

يتمثل جوهر التعلُّم النشط في حلقة تغذية راجعة يُشار إليها غالبًا باسم الإنسان داخل 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 الاستعلام: يقيّم النموذج مجموعة كبيرة من البيانات غير الموسومة. وباستخدام استراتيجية الاستعلام—وعادةً ما تكون أخذ عينات من حالات عدم اليقين—يختار الصور أو النصوص التي تكون توقعاته بشأنها الأقل ثقة.

3. التعليق التوضيحي: تُرسل هذه العينات ذات الأولوية العالية إلى خبير بشري، يُسمى غالبًا "المرجع" في أدبيات التعلُّم النشط، من أجل وضع تعليقات توضيحية على البيانات.

4. إعادة التدريب: تُضاف البيانات الموسومة حديثًا إلى مجموعة التدريب، ويُعاد تدريب النموذج. ويصبح هذا النموذج المحدّث أكثر قدرة على اختيار الدفعة التالية من العينات المربكة.

التطبيقات الواقعية#

لا غنى عن التعلُّم النشط في الصناعات التي تتوافر فيها البيانات بكثرة، لكن وضع التعليقات التوضيحية يتطلب معرفة متخصصة أو تكاليف مرتفعة.

• تحليل الصور الطبية: في مجالات مثل الأشعة، يتطلب وضع التعليقات التوضيحية خبراء معتمدين من الهيئات المهنية، ووقتهم ثمين للغاية. وبدلًا من مطالبة الطبيب بالتعليق على آلاف الفحوصات الواضحة، يمكن لنظام التعلُّم النشط تصفية الحالات الملتبسة—مثل الأورام في مراحلها المبكرة أو الحالات الشاذة النادرة—مما يتيح للخبير التركيز فقط على الصور التي تحسّن بالفعل القدرة التشخيصية للنموذج.
• المركبات ذاتية القيادة: تنتج السيارات ذاتية القيادة بيتابايتات من بيانات الفيديو. ومن المستحيل وضع تعليقات توضيحية على كل إطار. يساعد التعلُّم النشط المهندسين على تحديد الحالات الحدّية، مثل المشاة الذين يرتدون أزياء تنكرية أو القيادة أثناء تساقط الثلوج الكثيف، والتي قد تفوّت نماذج اكتشاف الأجسام القياسية. ومن خلال إعطاء الأولوية لهذه السيناريوهات النادرة، تحسّن الشركات السلامة دون إهدار الموارد على لقطات الطرق السريعة المتكررة.

مثال بلغة Python: تصفية التوقعات غير المؤكدة#

يوضح المثال التالي منطقًا بسيطًا لـ"أخذ عينات من حالات عدم اليقين" باستخدام Ultralytics YOLO26. نحمّل نموذجًا، ونُجري استدلالًا على الصور، ونضع علامة على الصور التي تكون فيها درجة الثقة أقل من 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 التعلُّم النشط ونماذج التدريب المشابهة:

• التعلُّم شبه الخاضع للإشراف: رغم أن كلا الأسلوبين يستخدم البيانات غير الموسومة، فإن التعلُّم شبه الخاضع للإشراف يعيّن تلقائيًا تسميات زائفة للبيانات استنادًا إلى توقعات النموذج عالية الثقة. أما التعلُّم النشط، فيطلب صراحةً تدخلًا بشريًا بشأن التوقعات منخفضة الثقة.
• التعلُّم بالنقل: يتضمن ذلك استخدام نموذج مُدرَّب مسبقًا، مثل نموذج مُدرَّب على ImageNet، وتكييفه لمهمة جديدة. يركّز التعلُّم النشط على البيانات التي ينبغي وضع تعليقات توضيحية عليها، بينما يركّز التعلُّم بالنقل على إعادة استخدام الميزات المتعلَّمة.
• التعلُّم المعزز: يتعلم الوكيل هنا من خلال التفاعل مع بيئة وتلقّي مكافآت. ويختلف التعلُّم النشط لأنه يسعى إلى الحصول على تسميات الحقيقة الأساسية الثابتة من مرجع، بدلًا من تحسين سلسلة من الإجراءات بهدف الحصول على مكافأة.

التكامل مع MLOps#

يتطلب تنفيذ التعلُّم النشط بفعالية خط أنابيب قويًا لـالعمليات التشغيلية للتعلم الآلي (MLOps). تحتاج إلى بنية تحتية لإدارة إصدارات البيانات، وتشغيل مهام إعادة التدريب، وتوفير واجهة التعليقات التوضيحية للبشر. تتيح 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 التعلُّم النشط بسرعة في نماذج YOLO الخاصة بهم.

لمزيد من القراءة حول استراتيجيات أخذ العينات، يرجع الباحثون غالبًا إلى الدراسات الاستقصائية الشاملة في أدبيات التعلُّم النشط. بالإضافة إلى ذلك، يُعد فهم مقاييس تقييم النموذج أمرًا بالغ الأهمية للتحقق من أن حلقة التعلُّم النشط تحسّن الأداء فعلًا.