Data-Centric AI

الذكاء الاصطناعي المتمحور حول البيانات هو ممارسة تحسين نظام ذكاء اصطناعي عبر هندسة بياناته منهجيًا، بما يشمل اتساق التسميات وتغطية الظروف الواقعية وتوازن الفئات والنظافة، مع إبقاء النموذج وشيفرة التدريب ثابتين إلى حد كبير. شاع المصطلح على يد أندرو نغ عام 2021، إذ رأى أن البنى، مثل الشبكات العصبية الالتفافية والمحوّلات، ناضجة بما يكفي لأن تستفيد معظم التطبيقات من البيانات الأفضل أكثر مما تستفيد من النموذج الأفضل. أما النهج المقابل، أي الذكاء الاصطناعي المتمحور حول النموذج، فيثبّت مجموعة بيانات معيارية ويكرّر العمل على البنى ودوال الخسارة وضبط المعلمات الفائقة، على غرار ما يحدث في معظم لوحات المتصدرين الأكاديمية.

جاء أشهر أمثلة نغ من فحص صفائح الفولاذ: فقد عجز كاشف العيوب، الذي توقفت دقته عند 76.2%، عن تحقيق أي تحسن عبر تحسينات متمحورة حول النموذج، بينما رفع تصحيح التسميات غير المتسقة الدقة إلى 93.1%. وفي وقت لاحق من ذلك العام، نظّمت DeepLearning.AI وLanding AI مسابقة للذكاء الاصطناعي المتمحور حول البيانات، ثُبّت فيها النموذج ولم يُسمح للمشاركين إلا بتحسين مجموعة بيانات مشوشة لـتصنيف الصور لأرقام رومانية مكتوبة بخط اليد، بحد أقصى 10,000 صورة.

الممارسات الأساسية#

• اتساق توسيم البيانات: يتبع المعلّقون قواعد مكتوبة للحالات الملتبسة، مثل تحديد ما إذا كان الصندوق يشمل المرآة الجانبية للسيارة أو كيفية توسيم شخص يظهر جزء منه فقط. ويؤدي اختلاف معلّقين اثنين في حسم هذه الحالات إلى ضوضاء في التسميات لا يستطيع أي نموذج التعلم منها.
• العثور على أخطاء التسميات: تشير اختلافات النموذج عن التسميات المعطاة إلى أخطاء محتملة. ووجدت دراسة أجراها نورثكوت وأثالي ومولر عام 2021 أخطاء في التسميات بمتوسط لا يقل عن 3.3% من أمثلة الاختبار في 10 مجموعات بيانات شائعة، وفي 6% على الأقل من مجموعة التحقق من ImageNet.
• الجمع الموجّه والبيانات الاصطناعية: يوضح تحليل الأخطاء حسب الفئة أو المشهد أو الإضاءة أو حجم الكائن مواضع إخفاق النموذج، وتفيد الأمثلة الجديدة المخصصة لهذه الأجزاء تحديدًا أكثر من الإضافات العشوائية.
• تنظيف البيانات: إزالة الملفات التالفة والصور غير ذات الصلة والمكررات، ولا سيما النسخ المتقاربة جدًا الموجودة في مجموعتي التدريب والاختبار معًا.
• زيادة البيانات: توسيع نطاق الإضاءة والمقياس وزوايا الرؤية التي يتعرض لها النموذج من دون جمع صور جديدة.

تسبب المكررات بين المجموعات تسرّب البيانات، مما يضخم نتائج الاختبار، ويتيح اختلال توازن الفئات للنموذج تحقيق دقة مرتفعة مع إغفال الفئة النادرة المهمة، كما في اكتشاف عيوب التصنيع حيث تكون القطع المعيبة قليلة. وفي تحليل الصور الطبية، تكون مجموعات البيانات صغيرة والتسميات الخبيرة مكلفة، لذا تفوق أهمية التسميات المتسقة والمراجعة حجم البيانات.

حلقة العمل المتمحورة حول البيانات#

يثبّت الفريق الذي يتبع نهج البيانات المحورية النموذج، ويدرس أخطاءه بأدوات مثل مصفوفة الالتباس، ثم يغيّر البيانات استجابةً لذلك، كما يفعل درس الضبط الدقيق الأول وحلقة التكرار عندما يحوّل أضعف فئة في نموذج YOLO26 إلى التحسين التالي لمجموعة البيانات:

يفسد هذا المثال 20% من التسميات في مجموعة بيانات الأرقام المكتوبة بخط اليد من scikit-learn، ويحدد الأمثلة التي يختلف فيها تنبؤ خارج الطية عن تسميتها، ثم يعيد تدريب النموذج نفسه من دونها:

import numpy as np
from sklearn.datasets import load_digits
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_predict, train_test_split

X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# Replace 20% of the training labels with random digits to mimic annotation errors
rng = np.random.default_rng(0)
noisy = y_train.copy()
flip = rng.random(len(noisy)) < 0.2
noisy[flip] = rng.integers(0, 10, flip.sum())
wrong = noisy != y_train  # some random digits match the true label

# The model stays fixed; only the training data changes
model = LogisticRegression(max_iter=5000)
print(f"noisy labels: {model.fit(X_train, noisy).score(X_test, y_test):.1%} test accuracy")

# Flag examples whose out-of-fold prediction disagrees with their label, then drop them
keep = cross_val_predict(model, X_train, noisy, cv=5) == noisy
print(f"flagged {(~keep).sum()} examples, {(~keep & wrong).sum()} of {wrong.sum()} wrong labels")
print(f"cleaned labels: {model.fit(X_train[keep], noisy[keep]).score(X_test, y_test):.1%} test accuracy")

ترتفع دقة الاختبار من 87.0% إلى 94.1% من دون تغيير النموذج. ويحدد المرشح 354 مثالًا: 211 من أصل 213 تسمية خاطئة، و143 مثالًا صحيحًا لكنه غير مألوف، لذا تفقد المجموعة المنظّفة بعض الأمثلة السليمة إلى جانب معظم الأخطاء.

تتطلب مقارنة تغييرات البيانات معرفة البيانات التي دُرّب عليها كل نموذج بدقة. تخزّن منصة Ultralytics إصدارات مجموعات البيانات غير القابلة للتغيير: إذ يربط خيار حفظ إصدار مجموعة البيانات في التدريب السحابي كل نموذج باللقطة التي دُرّب عليها، ويسرد خيار مقارنة الإصدارات الصور والتعليقات التوضيحية والفئات التي تغيرت بين لقطتين، كما تسرد علامة تبويب النماذج في مجموعة البيانات إصدار مجموعة البيانات لكل نموذج إلى جانب المقاييس الرئيسية، مثل mAP_50-95.

الذكاء الاصطناعي المتمحور حول البيانات مقارنةً بالمصطلحات ذات الصلة#

• التعلم النشط: يختار الأمثلة غير الموسومة التي ينبغي توسيمها تاليًا، وعادةً ما تكون الأمثلة الأقل يقينًا لدى النموذج. وهو إحدى تقنيات الذكاء الاصطناعي المتمحور حول البيانات.
• حلقة تغذية البيانات الراجعة: حلقة الإنتاج التي تتحول فيها مدخلات النموذج المنشور وأخطاؤه إلى بيانات تدريب جديدة، فيتكرر العمل المتمحور حول البيانات مع كل إصدار.
• عمليات التعلم الآلي (MLOps): ممارسات هندسية لإدارة إصدارات النماذج وتدريبها ونشرها ومراقبتها، بما يجعل تغييرات البيانات قابلة لإعادة الإنتاج والمقارنة.