Embeddings

التضمينات هي تمثيلات متجهية كثيفة ومنخفضة الأبعاد ومستمرة للمتغيرات المنفصلة، وتعمل بوصفها مترجمًا أساسيًا بين البيانات البشرية والمنطق الآلي. في مجال الذكاء الاصطناعي (AI)، لا تستطيع الحواسيب فهم البيانات غير المهيكلة مثل النصوص أو الصور أو الصوت فهمًا حدسيًا. وتحل التضمينات هذه المشكلة من خلال تحويل هذه المدخلات إلى قوائم من الأعداد الحقيقية تُعرف باسم المتجهات، والتي توجد في فضاء رياضي عالي الأبعاد. وعلى خلاف الترميزات التقليدية التي قد تكتفي بتعيين مُعرّف عشوائي لكائن ما، تتعلم التضمينات من خلال التدريب، مما يضمن تموضع العناصر المتشابهة دلاليًا—مثل كلمتي "ملك" و"ملكة" أو صور قطتين مختلفتين—على مقربة من بعضها في الفضاء المتجهي.

كيفية عمل التضمينات#

يتضمن إنشاء تضمين إدخال البيانات الأولية إلى شبكة عصبية مصممة من أجل استخراج السمات. وأثناء التدريب، يتعلم النموذج ضغط الخصائص الأساسية للمدخل إلى صيغة عددية مدمجة. فعلى سبيل المثال، لا يرى نموذج الرؤية الحاسوبية (CV) الذي يحلل صورة فوتوغرافية وحدات البكسل فحسب؛ بل يعيّن الأشكال والأنسجة والألوان إلى إحداثي محدد في رسم بياني متعدد الأبعاد. وعند قياس التشابه، تحسب الأنظمة المسافة بين هذه الإحداثيات باستخدام مقاييس مثل التشابه الجيبي أو المسافة الإقليدية. ويتيح هذا التقارب الرياضي للخوارزميات تنفيذ مهام معقدة مثل التصنيف والتجميع بكفاءة عالية.

التطبيقات الواقعية#

تعمل التضمينات محركًا للعديد من الميزات الذكية المستخدمة في منتجات البرمجيات الحديثة.

• البحث الدلالي: تعتمد محركات البحث التقليدية غالبًا على مطابقة الكلمات المفتاحية الحرفية، which تفشل إذا بحث المستخدم عن "سيارة" بينما تحتوي الوثيقة على "مركبة". تلتقط التضمينات المعنى الكامن وراء الكلمات. ومن خلال تمثيل استعلام البحث ووثائق قاعدة البيانات كمتجهات، يستطيع النظام استرداد النتائج التي تتوافق مع نية المستخدم، حتى إذا اختلفت الكلمات المحددة.
• أنظمة التوصية: تستخدم خدمات البث ومواقع التجارة الإلكترونية التضمينات لتخصيص تجارب المستخدمين. فإذا شاهد مستخدم فيلمًا من أفلام الخيال العلمي، يحدد النظام متجه تضمين ذلك الفيلم ويبحث عن أفلام أخرى ذات متجهات قريبة في قاعدة البيانات. ويتيح ذلك تقديم اقتراحات دقيقة تستند إلى تشابه المحتوى بدلًا من الوسوم أو الفئات اليدوية فحسب.
• التعلم صفري اللقطة: تستخدم النماذج المتقدمة تضمينات مشتركة لربط طرائق مختلفة، مثل النصوص والصور. ويتيح ذلك للنظام التعرّف على كائنات لم يرها صراحةً أثناء التدريب، من خلال ربط تضمين الصورة بتضمين النص الذي يمثل اسم الكائن.

إنشاء التضمينات باستخدام Python#

يمكن استخدام نماذج متطورة مثل YOLO26 لإنشاء تضمينات صور قوية بكفاءة. يوضح المثال التالي كيفية استخراج متجه سمات من صورة باستخدام حزمة Python المسماة ultralytics.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Generate embeddings for an image
# The embed() method returns the feature vector representing the image content
embedding_vector = model.embed("https://ultralytics.com/images/bus.jpg")

# Print the shape of the embedding (e.g., a vector of length 1280)
print(f"Embedding shape: {embedding_vector[0].shape}")

التضمينات مقابل المفاهيم ذات الصلة#

لتنفيذ حلول الذكاء الاصطناعي بفعالية، من المفيد التمييز بين التضمينات والمصطلحات التقنية الوثيقة الصلة.

• التضمينات مقابل البحث المتجهي: التضمين هو تمثيل البيانات نفسه، أي قائمة الأعداد. أما البحث المتجهي فهو العملية اللاحقة للاستعلام من قاعدة بيانات للعثور على أقرب الجيران إلى ذلك التضمين. وغالبًا ما تُستخدم أدوات متخصصة تُعرف باسم قاعدة البيانات المتجهية لتخزين هذه التضمينات والبحث فيها على نطاق واسع.
• التضمينات مقابل التقطيع إلى رموز: في معالجة اللغة الطبيعية (NLP)، يُعد التقطيع إلى رموز الخطوة التمهيدية لتقسيم النص إلى أجزاء أصغر (رموز). ثم تُحوَّل هذه الرموز إلى تضمينات. ولذلك، يهيئ التقطيع إلى رموز البيانات، بينما تمثل التضمينات معنى البيانات.
• التضمينات مقابل التعلم العميق: التعلم العميق هو المجال الأوسع للتعلم الآلي القائم على الشبكات العصبية. أما التضمينات فهي مخرج أو طبقة محددة ضمن بنية التعلم العميق، وغالبًا ما تعمل جسرًا بين المدخلات الأولية وطبقات اتخاذ القرار في النموذج.

يمكن للمطورين الذين يرغبون في إدارة دورة حياة مجموعات بياناتهم، بما في ذلك التعليق التوضيحي وتدريب النماذج لإنشاء تضمينات مخصصة، استخدام منصة Ultralytics. وتبسّط هذه الأداة الشاملة سير العمل بدءًا من إدارة البيانات ووصولًا إلى النشر، مما يضمن اشتقاق التضمينات التي تدعم تطبيقاتك من بيانات عالية الجودة ومنتقاة بعناية. وسواء أكنت تستخدم أطرًا مثل PyTorch أو TensorFlow، فإن إتقان التضمينات يُعد خطوة حاسمة في بناء أنظمة متقدمة لـالتعرّف على الأنماط.