Data Flywheel

حلقة البيانات ذاتية التعزيز هي دورة تنتج فيها نماذج الذكاء الاصطناعي المنشورة بيانات، تشمل مدخلاتها وتنبؤاتها وأخطاءها وملاحظات المستخدمين، ثم تُنقّح لتصبح بيانات تدريب أفضل للإصدار التالي. يعالج كل إصدار مزيدًا من الحالات على نحو صحيح، ويجذب المنتج الأفضل مزيدًا من الاستخدام، وينتج عن الاستخدام المتزايد مزيد من البيانات التي يحتاج إليها الإصدار التالي. ويعود الاسم إلى دولاب الموازنة الميكانيكي، الذي يتطلب جهدًا لبدء دورانه ثم يخزن الزخم.

في الرؤية الحاسوبية، تتمحور الحلقة حول الحالات الصعبة: الإطارات التي أخفق فيها الكاشف في رصد جسم، أو أطلق إنذارًا كاذبًا، أو سجّل ثقة منخفضة. يواجه نظام الفحص البصري مواد وانعكاسات جديدة بعد إطلاقه، كما يواجه نموذج مخزون التجزئة عبوات موسمية، لذا تكون هذه الصور جديرة بالوسم. وقدّم فريق Autopilot في Tesla نموذجًا معروفًا لهذه الحلقة، أطلق عليه اسم محرك البيانات، في يوم الاستقلالية لعام 2019: جُمعت الحالات التي كان أداء الشبكة فيها ضعيفًا من أسطول المركبات، ووُسِمت، ثم أُضيفت إلى بيانات التدريب. وتتبع المنتجات المبنية على النماذج اللغوية الكبيرة الحلقة نفسها باستخدام التقييمات والتعديلات والمحادثات، التي تُستخدم في مجموعات التقييم والضبط الدقيق والتعلم المعزز من الملاحظات البشرية.

آلية عمل حلقة البيانات#

تمر كل دورة بمرحلة الالتقاط والمراجعة وإعادة التدريب واتخاذ قرار الإصدار:

تحدد مرحلة الالتقاط بيانات الإنتاج التي تدخل الحلقة. فالتخزين الشامل مكلف، ومعظم البيانات متكررة، لذا تحتفظ الأنظمة بالمدخلات الغنية بالمعلومات: التنبؤات منخفضة الثقة، والاختلافات بين النماذج، وتصحيحات المستخدمين، والفئات النادرة، والمدخلات التي تشير إلى انجراف البيانات. ويُعد اختيار الأمثلة التي ستعلّم النموذج أكثر من غيرها مهمة التعلم النشط.

تحوّل المراجعة المدخلات الملتقطة إلى حقيقة مرجعية. يؤكد المعلّقون ضمن نهج الإنسان ضمن الحلقة كل تسمية أو يصححونها، ويحذفون التكرارات والمحتوى الحساس، ثم تُضاف الأمثلة المعتمدة إلى مجموعة بيانات ذات إصدارات، بحيث يمكن تتبع كل نموذج وصولًا إلى البيانات التي دُرّب عليها.

تنتج إعادة التدريب نموذجًا مرشحًا، يجب أن يتفوق على النموذج الحالي في مجموعة اختبار ثابتة محجوبة، وغالبًا ما تكون مجموعة بيانات ذهبية منقحة، قبل إصداره. ثم يرصد الإطلاق التدريجي ومراقبة النماذج حالات التراجع ويبدآن الدورة التالية.

تؤتمت منصة Ultralytics خطوة الالتقاط باستخدام Agents، وهي تدفقات عمل مرئية يشغّل فيها قالب Collect Uncertain Detections صور مجموعة بيانات عبر نموذج منشور، ويحتفظ بالصور التي تتضمن كشفًا واحدًا على الأقل ضمن نطاق ثقة محدد مثل 0.25 إلى 0.5، ثم يضيفها دون تسميات إلى مجموعة بيانات وجهة لمراجعتها في محرر التعليقات التوضيحية.

لماذا تتعثر حلقات البيانات#

لا يدور دولاب الموازنة أسرع من أبطأ مراحله، وغالبًا ما تكون مرحلة الوسم البشري هي الأبطأ. إن إعادة تنبؤات النموذج نفسه بوصفها تسميات من دون مراجعة بشرية تسمح لأخطائه بتعزيز نفسها. كما أن النظام الذي يتصرف بناءً على تنبؤاته يشكّل البيانات التي يراها لاحقًا، لذا لا يتعلم نظام التوصية إلا عن العناصر التي اختار عرضها؛ وقد أدرج باحثو Google حلقات التغذية الراجعة هذه ضمن مصادر الدين التقني الخفي في أنظمة التعلم الآلي عام 2015. ويخفي تقييم كل إصدار على مجموعة اختبار تتغير مع البيانات الواردة حالات التراجع، بينما يؤدي نقل أمثلة الاختبار إلى التدريب إلى تسرّب البيانات.

حلقة البيانات مقارنةً بالمصطلحات ذات الصلة#

• الذكاء الاصطناعي المرتكز على البيانات: ممارسة تحسين النماذج عبر تحسين البيانات. وتطبّق حلقة البيانات هذا النهج باستمرار، إذ يزوّدها الإنتاج بالبيانات.
• التعلم المستمر: تحديث نموذج ببيانات جديدة بمرور الوقت مع تجنب النسيان الكارثي للمهام السابقة. لكن معظم حلقات البيانات تعيد التدريب على مجموعة البيانات الكاملة المتنامية عند كل إصدار.
• عمليات التعلم الآلي (MLOps): خطوط المعالجة والأدوات الخاصة بإدارة الإصدارات والتدريب والنشر والمراقبة، التي تضمن قابلية إعادة إنتاج كل دورة من حلقة البيانات.
• تأثيرات الشبكة: تزداد قيمة المنتج مع ازدياد عدد مستخدميه. ولا تمنح حلقة البيانات ميزة مستدامة إلا عندما ينتج عن هذا الاستخدام بيانات يصعب على المنافسين جمعها.