Few-Shot Learning

التعلم بالقليل من الأمثلة (Few-Shot Learning - FSL) هو مجال فرعي متخصص في machine learning (ML) مصمم لتدريب النماذج على التعرف على المفاهيم الجديدة وتصنيفها باستخدام عدد صغير جداً من الأمثلة المصنفة. في deep learning (DL) التقليدي، يتطلب تحقيق دقة عالية عادةً مجموعات بيانات ضخمة تحتوي على آلاف الصور لكل فئة. ومع ذلك، يحاكي التعلم بالقليل من الأمثلة القدرة المعرفية البشرية على التعميم السريع من خبرة محدودة—مثلما يستطيع الطفل التعرف على الزرافة بعد رؤية صورة واحدة أو صورتين فقط في كتاب. هذه القدرة ضرورية لنشر artificial intelligence (AI) في السيناريوهات التي يكون فيها جمع كميات كبيرة من training data مكلفاً للغاية، أو يستغرق وقتاً طويلاً، أو مستحيلاً من الناحية العملية.

الآليات الجوهرية للتعلم بالقليل من الأمثلة#

الهدف الأساسي من التعلم بالقليل من الأمثلة هو تقليل الاعتماد على جمع البيانات المكثف من خلال الاستفادة من المعرفة السابقة. فبدلاً من تعلم الأنماط من الصفر، يستفيد النموذج من "مجموعة دعم" تحتوي على أمثلة قليلة مصنفة لفهم فئات جديدة. وغالباً ما يتم تحقيق ذلك من خلال تقنيات متقدمة مثل meta-learning، المعروف أيضاً باسم "التعلم كيف تتعلم". في هذا النموذج، يتم تدريب النموذج على مجموعة متنوعة من المهام بحيث يتعلم تهيئة مثلى أو قاعدة تحديث، مما يسمح له بالتكيف مع مهام جديدة بأقل قدر من التعديلات.

نهج شائع آخر يتضمن التعلم المستند إلى المقاييس، حيث يتعلم النموذج تعيين بيانات الإدخال في مساحة متجهة باستخدام embeddings. في هذه المساحة، يتم تجمع العناصر المتشابهة معاً بينما يتم إبعاد العناصر غير المتشابهة. تحسب خوارزميات مثل Prototypical Networks تمثیلاً متوسطاً، أو نموذجاً أولياً، لكل فئة وتصنف عينات الاستعلام الجديدة بناءً على مسافتها إلى هذه النماذج الأولية. يعتمد هذا غالباً على قدرات feature extraction التي يتم تطويرها أثناء التدريب المسبق على مجموعات بيانات أكبر وأكثر عمومية.

تطبيقات العالم الحقيقي#

يُحدث التعلم بالقليل من الأمثلة تحولاً في الصناعات التي كانت تعيق فيها ندرة البيانات اعتماد تقنيات الذكاء الاصطناعي.

التصوير الطبي والتشخيص#

في مجال medical image analysis، غالباً ما يكون الحصول على آلاف الفحوصات المصنفة للاضطرابات النادرة أمراً غير ممكن. يتيح التعلم بالقليل من الأمثلة للباحثين تدريب أنظمة computer vision (CV) لاكتشاف أنواع الأورام النادرة أو الشذوذ الجيني المحدد باستخدام عدد قليل فقط من دراسات الحالة المعلقة. تعمل هذه القدرة على إضفاء الطابع الديمقراطي على الوصول إلى أدوات التشخيص المتقدمة، وهو هدف تسعى إليه مؤسسات مثل Stanford Medicine، مما يساعد في تحديد الحالات التي تتطلب لولا ذلك خبرة بشرية متخصصة.

مراقبة الجودة الصناعية#

يعتمد AI in manufacturing الحديث بشكل كبير على الفحص الآلي. ومع ذلك، قد تحدث عيوب محددة بشكل نادر جداً، مما يجعل من الصعب بناء مجموعة بيانات كبيرة للأجزاء "السيئة". يتيح التعلم بالقليل من الأمثلة لأنظمة anomaly detection تعلم خصائص نوع عيب جديد من بضع صور فقط. يتيح هذا لمشغلي المصانع تحديث بروتوكولات ضمان الجودة الخاصة بهم بسرعة دون إيقاف الإنتاج لجمع البيانات، مما يحسن الكفاءة بشكل كبير في بيئات الإنتاج الديناميكية.

التمييز بين المفاهيم ذات الصلة#

من المفيد التمييز بين FSL ونماذج التعلم المماثلة التي تعتمد على بيانات قليلة لفهم تخصصها الدقيق:

• Transfer Learning: غالباً ما يتم تنفيذ التعلم بالقليل من الأمثلة كشكل محدد ومتطرف من التعلم النقلي. بينما قد يقوم التعلم النقلي القياسي بـ fine-tune نموذج مثل YOLO26 على مئات الصور، يستهدف التعلم بالقليل من الأمثلة السيناريوهات التي ربما تحتوي على 5 إلى 10 صور فقط لكل فئة (المعروفة بتصنيف "N-way K-shot").
• One-Shot Learning: هذا فرع فرعي صارم من التعلم بالقليل من الأمثلة حيث يجب على النموذج التعلم من مثال مصنف واحد بالضبط. يشاع استخدامه في facial recognition للتحقق من الهوية مقابل صورة مخزنة واحدة.
• Zero-Shot Learning: على عكس التعلم بالقليل من الأمثلة، والذي يتطلب على الأقل مجموعة دعم مرئية صغيرة، لا يتطلب التعلم الصفري أي أمثلة مرئية للفئة المستهدفة أثناء التدريب. بدلاً من ذلك، يعتمد على أوصاف دلالية أو سمات (مثل مطالبات النص) للتعرف على الكائنات غير المرئية.

التنفيذ العملي مع Ultralytics#

في الممارسة العملية، تعد إحدى أكثر الطرق فعالية لإجراء التعلم بالقليل من الأمثلة هي الاستفادة من نموذج مدرب مسبقاً وقوي للغاية. لقد تعلمت النماذج الحديثة مثل YOLO26 الأحدث تمثيلات ميزات غنية من مجموعات بيانات ضخمة مثل COCO أو ImageNet. من خلال ضبط هذه النماذج على مجموعة بيانات مخصصة صغيرة جداً، يمكنها التكيف مع المهام الجديدة بسرعة ودقة ملحوظتين.

يوضح مثال Python التالي كيفية تدريب نموذج على مجموعة بيانات صغيرة باستخدام حزمة ultralytics، مما يؤدي بفعالية إلى إجراء التكيف بقليل من الأمثلة:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (incorporates learned features)
model = YOLO("yolo26n.pt")

# Fine-tune on a tiny dataset (e.g., coco8 has only 4 images per batch)
# This leverages the model's prior knowledge for the new task
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# The model adapts to detect objects in the small dataset
print("Few-shot adaptation complete.")

التحديات والتوقعات المستقبلية#

على الرغم من قوته، يواجه التعلم بالقليل من الأمثلة تحديات تتعلق موثوقية الأداء. إذا كانت الأمثلة القليلة المقدمة عبارة عن قيم متطرفة أو صاخبة، فقد يتدهور أداء النموذج، وهي مشكلة تُعرف باسم overfitting. يعد البحث في data augmentation وتوليد synthetic data أمراً بالغ الأهمية للتخفيف من هذه المخاطر. مع تزايد حجم وقدرة foundation models، وبصورة تجعل أدوات مثل Ultralytics Platform تبسط تدريب النماذج وإدارتها، ستصبح القدرة على إنشاء حلول ذكاء اصطناعي مخصصة بأقل قدر من البيانات في متناول المطورين في جميع أنحاء العالم بشكل متزايد.