التشابه الجيبي

التشابه الجيبي هو مقياس رياضي أساسي يُستخدم في التعلم الآلي (ML) و الذكاء الاصطناعي (AI) لقياس مدى تشابه مصفوفتين متعددتي الأبعاد أو متجهين، بغض النظر عن حجمهما أو مقدارهما. من خلال حساب الزاوية بين نقطتين في فضاء متجه، يحدد المقياس ما إذا كانتا تشيران إلى نفس الاتجاه تقريبًا. هذا النهج الزاوي مهم للغاية لمعالجة البيانات التي يكون فيها الاتجاه أكثر أهمية من الطول الإجمالي، مما يجعله فعالًا للغاية لمقارنة تمثيلات البيانات المجردة مثل التضمينات.

فهم الحسابات الكامنة وراء النظام المتري

لحساب هذا المقياس، تُحسب حاصل الضرب القياسي لمتجهين ثم يُقسَّم على حاصل ضرب قيمتيهما (طوليهما). وتقع النتيجة دائمًا ضمن نطاق ثابت يتراوح بين -1 و1:

• النتيجة 1 تعني أن المتجهين يشيران إلى نفس الاتجاه تمامًا، مما يشير إلى أقصى درجة من التشابه.
• النتيجة 0 تعني أن المتجهات متعامدة تمامًا (بزاوية 90 درجة)، مما يعني عدم وجود أي تشابه في الاتجاه.
• النتيجة -1 تعني أنهما يتجهان في اتجاهين متعاكسين تمامًا.

في العديد من أطر عمل التعلم العميق الحديثة المصممة من أجل الرؤية الحاسوبية (CV)، يمكنك الوصول بسهولة إلى وظائف مُحسَّنة لهذه العملية الحسابية، مثل وحدة الوظائفPyTorch أو TensorFlow .

التفريق بين المفاهيم ذات الصلة

من المفيد التمييز بين تشابه جيب التمام ومقاييس تحليل البيانات الأخرى الشائعة الاستخدام لفهم متى يجب استخدامه:

• مسافة جيب التمام: على الرغم من ارتباط هذين المصطلحين ارتباطًا وثيقًا، إلا أنهما يتناسبان عكسيًا. تُحسب مسافة جيب التمام ببساطة على أنها 1 ناقص تشابه جيب التمام. وبالتالي، تشير المسافة الأصغر إلى تشابه أعلى بين المتجهات.
• المسافة الإقليدية: يقيس هذا المقياس المسافة الفيزيائية الخطية بين نقطتين، مما يجعله شديد الحساسية تجاه الحجم الإجمالي أو مقدار المتجهات. في المقابل، لا يهتم تشابه جيب التمام إلا بالزاوية. على سبيل المثال، في تحليل النصوص، قد يكون هناك مسافة إقليدية كبيرة بين وثيقة طويلة وجملة قصيرة، ولكن إذا كانا يشتركان في نفس الموضوع، فسيظل تشابه جيب التمام بينهما مرتفعًا.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي

يُعد تشابه جيب التمام المحرك الأساسي للعديد من منتجات البرمجيات الحديثة، حيث يربط بين البيانات الأولية و النية البشرية.

• البحث المتجهي و RAG: في تطبيقات معالجة اللغة الطبيعية (NLP) مثل روبوتات الدردشة، يتم تحويل استفسارات المستخدمين والوثائق الداخلية إلى تضمينات كثيفة. يقوم النظام بحساب تشابه جيب التمام بسرعة لاسترجاع الوثائق الأكثر صلة بالسياق من قاعدة بيانات متجهة، وهي خطوة حاسمة في التوليد المعزز بالاسترجاع (RAG).
• أنظمة التوصيات: تستخدم خدمات التجارة الإلكترونية والبث المباشر أدوات مثل Scikit-learn و SciPy لتمثيل تفضيلات المستخدم وعناصر الكتالوج كمتجهات. ومن خلال قياس درجة التشابه بين ملف تعريف المتسوق والمنتجات المختلفة، يمكن للأنظمة أن توصي بدقة بعناصر ذات صلة بصريًا أو موضوعيًا.

قياس التشابه البصري باستخدام Ultralytics

يمكنك استخراج متجهات السمات عالية الأبعاد مباشرةً من البيانات المرئية باستخدام أحدث نماذج الرؤية. ويوضح Python التالي كيفية تحميل نموذج Ultralytics من أجل تصنيف الصور، وإنشاء تمثيلات مدمجة لصورتين، وإجراء حساب تشابه جيب التمام لقياس مدى تشابههما البصري.

import torch
import torch.nn.functional as F
from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embedding vectors for two separate images
results = model.embed(["bus.jpg", "car.jpg"])

# Calculate the cosine similarity between the two visual embeddings
similarity = F.cosine_similarity(torch.tensor(results[0]), torch.tensor(results[1]), dim=0)
print(f"Visual Similarity Score: {similarity.item():.4f}")

بالنسبة للمطورين الذين يسعون إلى توسيع نطاق قدرات البحث الدلالي هذه، فإن تدريب نماذج أساسية عالية الدقة أمر بالغ الأهمية. تعمل Ultralytics على تبسيط هذه العملية من خلال توفير أدوات فعالة لتعليق البيانات، والتدريب القابل للتوسع عبر السحابة، ونشر النماذج بسلاسة، مما يضمن أن تكون التضمينات الأساسية الخاصة بك دقيقة وذات مغزى قدر الإمكان.