الذكاء الاصطناعي المرتكز على البيانات
اكتشف الذكاء الاصطناعي المرتكز على البيانات، وهو نهج تحسين جودة مجموعة البيانات لتعزيز أداء النموذج. تعرّف على السبب الذي يجعل البيانات الأفضل، وليس فقط النموذج الأفضل، هو مفتاح الذكاء الاصطناعي القوي.
الذكاء الاصطناعي المرتكز على البيانات هو نهج لبناء أنظمة ذكاء اصطناعي يعطي الأولوية لتحسين جودة واتساق مجموعة البيانات على تكرار بنية النموذج. في هذا النموذج، يعتبر النموذج، مثل بنية متقدمة للكشف عن الأشياء مثل Ultralytics YOLO، مكونًا ثابتًا، بينما ينصب التركيز الأساسي على هندسة البيانات بشكل منهجي لتحسين الأداء. الفكرة الأساسية، التي روّج لها رائد الذكاء الاصطناعي أندرو نغ، هي أنه بالنسبة للعديد من التطبيقات العملية، فإن جودة بيانات التدريب هي المحرك الأكثر أهمية لنجاح النموذج. ويتضمن ذلك عمليات مثل تنظيف البيانات، ووضع علامات دقيقة على البيانات، وتحديد مصادر البيانات الاستراتيجية لإنشاء ذكاء اصطناعي قوي وموثوق.
أهمية البيانات عالية الجودة
في التعلّم الآلي (ML)، ينطبق مبدأ "لا فائدة من القمامة، لا فائدة منها". فالشبكة العصبية المتطورة (NN) التي يتم تدريبها على بيانات صاخبة أو غير متسقة أو ضعيفة التصنيف ستؤدي حتمًا إلى نتائج غير موثوقة. يعالج النهج المرتكز على البيانات هذا الأمر من خلال التركيز على عدة جوانب رئيسية لجودة البيانات. ويشمل ذلك ضمان اتساق التسمية، وتصحيح الأمثلة ذات التسميات الخاطئة، وإزالة البيانات المشوشة أو غير ذات الصلة، وإثراء مجموعة البيانات لتغطية الحالات الحادة. تُعد تقنيات مثل زيادة البيانات أدوات أساسية في هذه العملية، مما يسمح للمطورين بتوسيع تنوع مجموعة البيانات بشكل مصطنع. من خلال إعطاء الأولوية لمجموعات بيانات الرؤية الحاسوبية عالية الجودة، يمكن للفرق تحسين دقة النموذج ومتانته بشكل كبير بجهد أقل من عمليات إعادة تصميم النماذج المعقدة.
التطبيقات الواقعية
تُعد فلسفة الذكاء الاصطناعي المرتكز على البيانات فعالة للغاية في مختلف السيناريوهات العملية التي تكون فيها جودة البيانات ذات أهمية قصوى.
- الذكاء الاصطناعي في التصنيع: فكر في نظام فحص بصري على خط إنتاج مصمم لاكتشاف العيوب في المكونات الإلكترونية. بدلاً من تجربة بنيات نموذجية جديدة باستمرار، سيركز الفريق الذي يركز على البيانات على مجموعة البيانات. سيقومون بجمع المزيد من الصور بشكل منهجي للعيوب النادرة، والتأكد من أن جميع العيوب مصنفة بمربعات محددة بدقة، واستخدام التعزيز لمحاكاة الاختلافات في الإضاءة وزوايا الكاميرا. يمكن لمنصات مثل Ultralytics HUB المساعدة في إدارة مجموعات البيانات هذه وتبسيط تدريب النماذج المخصصة. ويؤدي هذا التنقيح التكراري للبيانات إلى نظام أكثر موثوقية يمكنه اكتشاف العيوب الدقيقة، مما يؤثر بشكل مباشر على جودة الإنتاج. لمزيد من القراءة، اطلع على كيفية تطبيق Google Cloud للذكاء الاصطناعي على تحديات التصنيع.
- الذكاء الاصطناعي في الرعاية الصحية: في تحليل الصور الطبية، يمكن تدريب نموذج لتحديد الأورام في فحوصات الدماغ. قد تتضمن الاستراتيجية التي تركز على البيانات العمل عن كثب مع أخصائيي الأشعة لحل التسميات الغامضة في مجموعات البيانات مثل مجموعة بيانات أورام الدماغ. سيبحث الفريق بنشاط عن أمثلة لأنواع الأورام غير الممثلة تمثيلاً كافياً ويضيف إليها أمثلة على أنواع الأورام غير الممثلة تمثيلاً كافياً ويضمن أن تعكس البيانات التركيبة السكانية المتنوعة للمرضى لتجنب تحيز مجموعة البيانات. هذا التركيز على تنسيق مجموعة بيانات تمثيلية عالية الجودة أمر بالغ الأهمية لبناء أدوات تشخيص جديرة بالثقة يمكن للأطباء الاعتماد عليها. وتوفر المعاهد الوطنية للصحة (NIH ) موارد حول دور الذكاء الاصطناعي في البحوث الطبية الحيوية.
التمييز بين المصطلحات ذات الصلة
- الذكاء الاصطناعي المرتكز على النموذج: هذا هو النهج التقليدي حيث يتم الاحتفاظ بمجموعة البيانات ثابتة بينما يركز المطورون على تحسين النموذج. وتشمل الأنشطة تصميم بنيات جديدة للشبكات العصبية، والضبط المكثف للمعاملات الفائقة، وتنفيذ خوارزميات تحسين مختلفة. على الرغم من أهمية التركيز على النموذج، إلا أن التركيز على النموذج يمكن أن يؤدي إلى عوائد متناقصة إذا كانت البيانات الأساسية معيبة. يُظهر مشروع مثل مسابقة الذكاء الاصطناعي المرتكز على البيانات التي أجرتها جامعة ستانفورد قوة التركيز على البيانات بدلاً من النموذج.
- البيانات الضخمة: تشير البيانات الضخمة إلى إدارة وتحليل مجموعات البيانات الكبيرة والمعقدة للغاية. وبينما يمكن تطبيق الذكاء الاصطناعي المرتكز على البيانات على البيانات الضخمة، فإن مبدأه الأساسي يتعلق بجودة البيانات، وليس فقط كميتها. فمجموعة البيانات الأصغر حجمًا والمنسقة بدقة غالبًا ما تعطي نتائج أفضل من مجموعة البيانات الضخمة والصاخبة. الهدف هو إنشاء بيانات أفضل، وليس بالضرورة المزيد من البيانات.
- التحليل الاستكشافي للبيانات (EDA): تحليل البيانات الاستكشافية هو عملية تحليل مجموعات البيانات لتلخيص خصائصها الرئيسية، وغالبًا ما يكون ذلك باستخدام أساليب بصرية. وفي حين أن التحليل الاستكشافي للبيانات الاستكشافية هو خطوة حاسمة في سير عمل الذكاء الاصطناعي المرتكز على البيانات لتحديد التناقضات والمجالات التي تحتاج إلى تحسين، فإن الذكاء الاصطناعي المرتكز على البيانات هو الفلسفة الأوسع نطاقًا لهندسة مجموعة البيانات بأكملها بشكل منهجي لتحسين أداء الذكاء الاصطناعي. يمكن لأدوات مثل مستكشف مجموعة البيانات Ultralytics Dataset Explorer تسهيل هذه العملية.
