التعلم الآلي الآلي (AutoML)

التعلُّم الآلي الآلي (AutoML) هو مجال فرعي سريع التطور من مجالات الذكاء الاصطناعي (AI) المصمم من أجل أتمتة العملية الشاملة لتطبيق التعلم الآلي (ML) على مشاكل العالم الحقيقي. من خلال تنظيم المهام المعقدة والتكرارية التي ينطوي عليها بناء نماذج التعلم الآلي، يهدف AutoML إلى جعل قوة التعلم العميق (DL) والنمذجة الإحصائية لغير الخبراء مع زيادة كفاءة علماء البيانات المحترفين في نفس الوقت. يتطلب التقليدية تتطلب جهدًا يدويًا كبيرًا في مجالات مثل المعالجة المسبقة للبيانات، واختيار الميزات، و وضبط الخوارزمية. يعمل برنامج AutoML على تبسيط عمليات سير العمل هذه، مما يسمح للمؤسسات بتوسيع نطاق قدرات الذكاء الاصطناعي دون الحاجة إلى الحاجة إلى فريق ضخم من المهندسين المتخصصين.

سير عمل AutoML

الهدف الأساسي من AutoML هو إزالة جانب التجربة والخطأ في إنشاء نماذج عالية الأداء. يعالج AutoML النموذجي يعالج العديد من المراحل الحرجة تلقائيًا:

• إعداد البيانات: نادراً ما تكون البيانات الأولية جاهزة للتدريب. تعمل أدوات AutoML على أتمتة تنظيف البيانات، والتعامل مع القيم المفقودة، و وتنسيق المدخلات. يضمن ذلك أن تكون بيانات التدريب موحدة وموثوقة.
• هندسة السمات: يعد تحديد المتغيرات التي تساهم بشكل أكبر في التنبؤ أمرًا بالغ الأهمية. من خلال الاستخراج الآلي للميزات و والاختيار، يحدد النظام المدخلات الأكثر صلة بالموضوع، وغالباً ما ينشئ ميزات جديدة قد يغفل عنها المحللون البشريون التغاضي عنها.
• اختيار النموذج: هناك عدد لا يُحصى من الخوارزميات المتاحة، بدءًا من الانحدار الخطي البسيط الانحدار الخطي البسيط إلى الشبكات العصبية المعقدة (NNs). يقوم AutoML بذكاء يختبر بذكاء العديد من البنى المختلفة للعثور على أفضل ما يناسب مجموعة بيانات مجموعة بيانات محددة.
• تحسين البارامتر الفائق: يعد ضبط الإعدادات مثل معدل التعلّم أو حجم الدُفعات أمر حيوي لزيادة الدقة إلى أقصى حد. تُستخدم تقنيات متقدمة مثل التحسين البايزي تستخدم تقنيات متقدمة مثل البحث بفعالية في مساحة المعلمة الفائقة للحصول على التكوين الأمثل.

تطبيقات واقعية

تعمل تقنية AutoML على تحويل الصناعات من خلال تمكين النشر الأسرع للحلول الذكية. مثالان بارزان يتضمنان:

1. تشخيص الرعاية الصحية: في مجال تحليل الصور الطبية، تستخدم المستشفيات AutoML لتطوير أنظمة تساعد أخصائيي الأشعة. من خلال اختبار مختلف الشبكة العصبية التلافيفية (CNN) المختلفة المختلفة، يمكن لهذه الأدوات detect الحالات الشاذة مثل الأورام في الأشعة السينية أو التصوير بالرنين المغناطيسي بدقة عالية عالية الدقة. وهذا يسرّع من إنشاء التشخيصية التي تحسن نتائج المرضى.
2. البيع بالتجزئة وإدارة المخزون: يستفيد تجار التجزئة من نماذج الرؤية الحاسوبية (CV) لمراقبة مستويات المخزون على الرفوف. تسمح منصات AutoML للشركات بتدريب نماذج نماذج الكشف عن الكائنات على المنتجات دون الحاجة إلى خبرة فنية عميقة. وهذا يؤدي إلى كفاءة الإدارة الآلية الفعالة للمخزون، مما يقلل من الهدر و وضمان توفر العناصر الشائعة في المخزون دائماً.

أتمتة التحسين باستخدام التعليمات البرمجية

أحد الاستخدامات الأكثر شيوعًا لمبادئ AutoML في عمليات سير العمل الحديثة هو الاستخدام الآلي ضبط المعلمات الفائقة. إن ultralytics تبسّط هذه العملية، مما يسمح للمستخدمين بالبحث تلقائيًا عن أفضل تكوين تدريبي للنماذج مثل YOLO11.

يوضّح المثال التالي كيفية بدء جلسة ضبط تلقائية لتحسين أداء النموذج على مجموعة بيانات محددة:

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Start automated hyperparameter tuning
# This process searches for optimal settings (lr, momentum, etc.)
# to maximize metrics like mAP on the provided data
model.tune(data="coco8.yaml", epochs=10, iterations=5)

التمييز بين تعلم اللغة الآلي والمفاهيم ذات الصلة

من المهم التفريق بين AutoML والمصطلحات الأخرى في منظومة الذكاء الاصطناعي لفهم دورها المحدد:

• AutoML مقابل MLOps: بينما يركز AutoML على إنشاء النموذج (التدريب والضبط), عمليات التعلم الآلي (MLOps) تشمل دورة الحياة بأكملها. تتضمن عمليات التعلم الآلي نشر النموذج، والمراقبة، والحوكمة في بيئات الإنتاج. وغالبًا ما يكون التعلم الآلي التلقائي أحد مكونات استراتيجية عمليات التعلم الآلي الأوسع نطاقًا.
• AutoML مقابل بحث البنية العصبية (NAS): بحث البنية العصبية (NAS) هو مجموعة فرعية متخصصة من AutoML. بينما قد يختار AutoML العام بين الغابة العشوائية والشبكة العصبية, تعمل NAS على وجه التحديد على أتمتة تصميم بنية الشبكة العصبية نفسها (على سبيل المثال، عدد الطبقات، والعقد والاتصالات). يتطلّب نظام NAS عملية حسابية مكثفة ويركز فقط على الهندسة المعمارية.
• التعلّم التلقائي مقابل التعلّم التحويلي: يتضمن التعلم التحويلي أخذ نموذج مدرب مسبقًا وتكييفه مع مهمة جديدة. بينما يستخدم AutoML غالبًا استراتيجيات التعلم التحويلي لتسريع التدريب, إلا أنهما مفهومان مختلفان. التعلم التحويلي هو تقنية، في حين أن التعلم التلقائي هو إطار عمل لأتمتة العمليات.

الأدوات والمنصات

إن اعتماد AutoML مدفوع بمجموعة متنوعة من الأدوات القوية التي تتراوح بين المكتبات مفتوحة المصدر والخدمات السحابية للمؤسسات للمؤسسات. يقدم مزودو الخدمات السحابية الرئيسيون حلولاً قوية مثل Google Cloud AutoML, AWS SageMaker Autopilot، و Azure Automated ML، والتي توفر واجهات رسومية لبناء النماذج. في مجتمع المصادر المفتوحة، مكتبات مثل Auto-sklearn التي توسع إطار عمل الشهير scikit-learn لتشمل اختيار النموذج الآلي.

بالنسبة للرؤية الحاسوبية على وجه التحديد، ستدمج منصةUltralytics المرتقبة قدرات AutoML القادمة لتبسيط تدريب النماذج المتقدمة لمهام مثل تقدير الوضعية و وتجزئة الصور، مما يجعل أحدث تقنيات الذكاء الاصطناعي في متناول المطورين من جميع مستويات المهارة.