Data-Centric AI

الذكاء الاصطناعي المتمحور حول البيانات هو فلسفة ونهج في تعلّم الآلة يركّزان على تحسين جودة مجموعة البيانات المستخدمة لتدريب نموذج، بدلًا من التركيز بالدرجة الأولى على ضبط بنية النموذج أو المعلمات الفائقة. في التطوير التقليدي المتمحور حول النموذج، غالبًا ما يُبقي المهندسون مجموعة البيانات ثابتة أثناء التكرار على الخوارزمية لاستخراج أداء أفضل. يقلب الذكاء الاصطناعي المتمحور حول البيانات هذا النهج، إذ يشير إلى أن بنية النموذج في العديد من التطبيقات الحديثة متقدمة بما يكفي، وأن الطريقة الأكثر فاعلية لتحسين الأداء هي هندسة البيانات نفسها بصورة منهجية. ويشمل ذلك تنظيف مجموعات البيانات وتسميتها وتعزيزها وتنظيمها لضمان اتساقها وتنوعها وتمثيلها للمشكلة الواقعية.

الفلسفة الأساسية: جودة البيانات أهم من كميتها#

يدرك التحول نحو المنهجيات المتمحورة حول البيانات أن عبارة "المدخلات الرديئة تؤدي إلى مخرجات رديئة" تمثل حقيقة أساسية في تعلّم الآلة. إن إضافة المزيد من البيانات ليست دائمًا الحل إذا كانت هذه البيانات مشوشة أو متحيزة. بدلًا من ذلك، يركّز هذا النهج على أهمية مجموعات بيانات الرؤية الحاسوبية عالية الجودة. ومن خلال إعطاء الأولوية لـجودة البيانات واتساقها، يستطيع المطورون غالبًا تحقيق دقة أعلى باستخدام مجموعات بيانات أصغر ومنظمة بعناية، مقارنةً بمجموعات ضخمة وفوضوية.

ترتبط هذه الفلسفة ارتباطًا وثيقًا بـالتعلّم النشط، حيث يساعد النموذج على تحديد نقاط البيانات الأكثر قيمة لتسميتها لاحقًا. وتسهّل أدوات مثل Ultralytics Platform ذلك من خلال تبسيط وسم البيانات وإدارتها، مما يتيح للفرق التعاون على تحسين سلامة مجموعة البيانات. ويختلف هذا عن سير عمل التعلّم الخاضع للإشراف البحت، حيث غالبًا ما تُعامل مجموعة البيانات على أنها أثر ثابت.

التقنيات الأساسية في الذكاء الاصطناعي المتمحور حول البيانات#

ينطوي تنفيذ استراتيجية متمحورة حول البيانات على عدة خطوات عملية تتجاوز مجرد جمع البيانات.

• اتساق الوسوم: من الضروري ضمان وسم جميع المعلّقين للكائنات بالطريقة نفسها تمامًا. فعلى سبيل المثال، في اكتشاف الكائنات، يمكن أن يؤثر تحديد ما إذا كان ينبغي إدراج المرآة الجانبية للسيارة في الصندوق المحيط تأثيرًا كبيرًا في أداء النموذج.
• تعزيز البيانات: تطبيق تحويلات منهجية على البيانات الحالية لتغطية الحالات الحدّية. يمكنك قراءة دليلنا الشامل لتعزيز البيانات لفهم كيفية مساعدة تقنيات مثل التدوير وتعزيز الفسيفساء للنماذج على التعميم بشكل أفضل.
• تحليل الأخطاء: تحديد الفئات أو السيناريوهات التي يفشل فيها النموذج وجمع بيانات مستهدفة لمعالجة تلك الثغرات. وغالبًا ما يتضمن ذلك فحص مصفوفات الالتباس لتحديد مواطن الضعف بدقة.
• تنظيف البيانات: إزالة الصور المكررة، وتصحيح الأمثلة الموسومة بشكل خاطئ، وتصفية البيانات منخفضة الجودة التي قد تربك الشبكة العصبية.

التطبيقات الواقعية#

تُحدث الأساليب المتمحورة حول البيانات تحولًا في القطاعات التي لا مجال فيها للمساومة على الموثوقية.

1. التصوير الطبي: في مجالات مثل اكتشاف الأورام في التصوير الطبي، يستحيل الحصول على ملايين الصور. لذلك، يركّز الباحثون على تنظيم مجموعات بيانات عالية الدقة راجعها خبراء. ويضمن النهج المتمحور حول البيانات دقة كل بكسل في قناع التجزئة، إذ يمكن أن تؤدي الوسوم الغامضة إلى أخطاء تهدد الحياة.

2. مراقبة الجودة في التصنيع: عند نشر أنظمة الفحص البصري، تكون العيوب مثل الخدوش أو الانبعاجات نادرة مقارنة بالقطع السليمة. وتنطوي الاستراتيجية المتمحورة حول البيانات على توليد بيانات العيوب أو التقاطها خصيصًا لموازنة مجموعة البيانات، بما يضمن ألا يتنبأ النموذج بكلمة "ناجح" لكل عنصر.

الذكاء الاصطناعي المتمحور حول البيانات مقابل الذكاء الاصطناعي المتمحور حول النموذج#

من المهم التمييز بين الذكاء الاصطناعي المتمحور حول البيانات والذكاء الاصطناعي المتمحور حول النموذج. في سير العمل المتمحور حول النموذج، تكون مجموعة البيانات ثابتة، ويكون الهدف تحسين المقاييس من خلال تغيير بنية النموذج، مثل الانتقال من YOLO11 إلى ResNet مخصص، أو ضبط معلمات مثل معدل التعلّم. أما في سير العمل المتمحور حول البيانات، فتكون بنية النموذج ثابتة، مثل اعتماد YOLO26 معيارًا، ويكون الهدف تحسين المقاييس من خلال تنظيف الوسوم، أو إضافة أمثلة متنوعة، أو معالجة القيم الشاذة.

يوضح مقتطف الشيفرة التالي عملية فحص بسيطة متمحورة حول البيانات: التحقق من مجموعة البيانات بحثًا عن الصور التالفة قبل التدريب. ويضمن ذلك عدم تعطل سير عمل التدريب بسبب البيانات الرديئة.

from ultralytics.data.utils import check_cls_dataset

# Validate a classification dataset structure and integrity
# This helps identify issues with data organization before training begins
try:
    # Checks the dataset defined in a YAML or path structure
    check_cls_dataset("mnist", split="train")
    print("Dataset structure is valid and ready for data-centric curation.")
except Exception as e:
    print(f"Data issue found: {e}")

أدوات التطوير المتمحور حول البيانات#

لممارسة الذكاء الاصطناعي المتمحور حول البيانات بفاعلية، يعتمد المطورون على أدوات قوية. تعمل Ultralytics Platform كمركز رئيسي لإدارة دورة حياة بياناتك، إذ توفر ميزات لـالوسم التلقائي تسرّع عملية وضع الوسوم مع الحفاظ على الاتساق. بالإضافة إلى ذلك، يتيح استخدام أدوات الاستكشاف للمستخدمين الاستعلام عن مجموعات بياناتهم دلاليًا، مثل "العثور على جميع صور السيارات الحمراء ليلًا"، لفهم التوزيع والتحيز.

من خلال التركيز على البيانات، يستطيع المهندسون بناء أنظمة أكثر متانة وإنصافًا وعملية للنشر في بيئات ديناميكية مثل المركبات ذاتية القيادة أو التجزئة الذكية. ويقرّ هذا التحول بأنه في العديد من المشكلات، تكون الشيفرة قد حُسمت، بينما تظل البيانات ميدان الابتكار.