مسرد المصطلحات

شرح البيانات

ما هو التعليق التوضيحي للبيانات؟ تعلّم كيف أن تصنيف البيانات باستخدام المربعات أو المضلعات المحدودة ضروري لتدريب نماذج دقيقة للذكاء الاصطناعي والرؤية الحاسوبية.

التعليق التوضيحي للبيانات هو عملية وضع العلامات أو وضع علامات على البيانات الخام لمساعدة نماذج التعلم الآلي (ML) على فهمها والتعلم منها. تعمل هذه الخطوة الحاسمة على تحويل البيانات غير المهيكلة، مثل الصور أو مقاطع الفيديو، إلى معلومات منظمة يمكن للخوارزميات تفسيرها. في سياق التعلّم تحت الإشراف، تكون هذه التعليقات التوضيحية بمثابة "الحقيقة الأساسية" - الإجابات الصحيحة التي يستخدمها النموذج لتدريب نفسه. تؤثر جودة ودقة التعليقات التوضيحية للبيانات تأثيرًا مباشرًا على أداء وموثوقية نموذج الذكاء الاصطناعي الناتج. فبدون التعليقات التوضيحية الدقيقة، ستفشل حتى أكثر النماذج تقدمًا في تعلم الأنماط بفعالية.

دور التعليق التوضيحي في الرؤية الحاسوبية

في مجال الرؤية الحاسوبية، يُعدّ التعليق التوضيحي للبيانات أمرًا أساسيًا لتعليم النماذج "رؤية" العالم وتفسيره. ويتضمن ذلك استخدام الشارحين البشريين لبرمجيات متخصصة لتحديد وتمييز الأشياء ذات الأهمية في البيانات المرئية. هناك عدة أنواع من التعليقات التوضيحية التي يناسب كل منها مهام السيرة الذاتية المختلفة:

شرح الصندوق المحيط: هذا هو الشكل الأكثر شيوعًا، ويُستخدم للكشف عن الكائنات. يرسم الشارحون مربعات مستطيلة حول كائنات فردية ويعينون تسمية فئة (على سبيل المثال، "سيارة"، "شخص").
التجزئة المضلعة: بالنسبة للمهام التي تتطلب دقة أكبر، مثل تجزئة النماذج، يتتبع الشارحون المخطط الدقيق لكل كائن. يسمح ذلك للنموذج بفهم الشكل المحدد للكائن وحدوده حتى عندما تتداخل الكائنات.
التقسيم الدلالي: تتضمن هذه الطريقة تصنيف كل بكسل في الصورة إلى فئة محددة (مثل "سماء" أو "طريق" أو "مبنى"). على عكس تجزئة النماذج، فهي لا تميّز بين النماذج المختلفة لنفس فئة الكائن.
شرح النقاط الرئيسية: تُستخدم هذه التقنية لتقدير الوضعية، وتتضمن وضع علامات على نقاط اهتمام محددة (نقاط رئيسية) على جسم ما، مثل مفاصل جسم الإنسان أو زوايا الوجه.
التصنيف: أبسط شكل، حيث يتم تخصيص تسمية واحدة للصورة بأكملها. هذا هو الأساس لمهام تصنيف الصور.

يعتمد اختيار طريقة الشرح على الأهداف المحددة لمشروع السيرة الذاتية، والتي تم تحديدها في دليل تحديد أهداف المشروع.

التطبيقات الواقعية

السيارات ذاتية القيادة: تعتمد السيارات ذاتية القيادة على نماذج مدربة على بيانات مشروحة على نطاق واسع. يقوم المُعلِّقون بتسمية كل شيء بدءاً من المشاة وراكبي الدراجات الهوائية إلى إشارات المرور وعلامات الحارات وعلامات الطرق في ملايين الصور وسحب نقاط ليدار. تمكّن بيانات التدريب التفصيلية هذه نظام الإدراك في السيارة من فهم بيئتها واتخاذ قرارات القيادة الآمنة. تُعد مجموعات البيانات مثل Argoverse ضرورية لتطوير ذكاء اصطناعي قوي في حلول السيارات.
تحليل الصور الطبية: في مجال الذكاء الاصطناعي للرعاية الصحية، يقوم أخصائيو الأشعة والخبراء الطبيون بوضع شروح للفحوصات الطبية مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب والأشعة السينية لتسليط الضوء على الأورام أو الآفات أو الكسور أو غيرها من التشوهات. تُستخدم مجموعات البيانات المشروحة هذه، مثل مجموعة بيانات أورام الدماغ العامة، لتدريب نماذج مثل Ultralytics YOLO التي يمكن أن تساعد في التشخيص المبكر وتخطيط العلاج. توفر جمعية الطب الإشعاعي لأمريكا الشمالية (RSNA) العديد من مجموعات البيانات هذه للأبحاث.