التعلّم بعدد قليل من الأمثلة

التعلم بعدد قليل من الأمثلة (Few-Shot Learning (FSL)) هو حقل فرعي من التعلم الآلي يركز على بناء نماذج قادرة على التعميم لمفاهيم جديدة من عدد قليل فقط من الأمثلة. غالبًا ما تتطلب نماذج التعلم العميق التقليدية، خاصة في مجال الرؤية الحاسوبية، كميات هائلة من بيانات التدريب المصنفة لتحقيق أداء عالٍ. يعالج FSL تحدي ندرة البيانات من خلال إنشاء نماذج يمكنها التعلم بفعالية في المواقف التي تكون فيها البيانات قليلة، مما يحاكي قدرة الإنسان على تعلم كائنات أو فئات جديدة من عدد قليل جدًا من الحالات. وهذا يجعله لا يقدر بثمن للتطبيقات التي يكون فيها جمع البيانات وتصنيفها مكلفًا أو يستغرق وقتًا طويلاً أو ببساطة مستحيلًا.

كيف يعمل التعلّم بعدد قليل من الأمثلة

الفكرة الأساسية وراء التعلم بعدد قليل من اللقطات (FSL) هي الاستفادة من المعرفة المسبقة من مجموعة بيانات كبيرة ومتنوعة لتعلم مهام جديدة ذات صلة بسرعة. بدلاً من تعلم تصنيف فئات معينة مباشرةً، يتعلم النموذج تمثيلًا أكثر عمومية للبيانات أو يتعلم كيفية مقارنة نقاط البيانات. تتضمن الأساليب الشائعة ما يلي:

• التعلم القائم على المقاييس: تتعلم هذه الطرق دالة مسافة أو مقياس تشابه لمقارنة عدد قليل من صور "الدعم" المصنفة مع صور "الاستعلام" غير المصنفة. ثم يتم تعيين صورة الاستعلام لفئة صورة الدعم الأكثر تشابهًا. تتضمن الأمثلة الشائعة لهذا النهج شبكات سيامية، التي تتعلم تحديد ما إذا كانت صورتان من نفس الفئة، والشبكات النموذجية، التي تتعلم تمثيلًا أوليًا لكل فئة في فضاء القياس.
• التعلم القائم على التحسين: غالبًا ما يرتبط بالتعلم الفائق (أو "التعلم للتعلم")، هذا النهج يدرب عملية تحسين النموذج نفسها. الهدف هو تطوير نموذج يمكنه تكييف معاملاته بسرعة مع مهمة جديدة ببضع خطوات فقط من التدرج التنازلي. الخوارزمية المؤثرة في هذا المجال هي التعلم الفائق المستقل عن النموذج (MAML).
• التعلم القائم على الذاكرة: تستخدم هذه النماذج مكون ذاكرة خارجي لتخزين المعلومات من الأمثلة القليلة المتاحة. عند تقديم مثال جديد، يسترجع النموذج المعلومات ذات الصلة من ذاكرته لعمل تنبؤ. هذا مشابه من الناحية المفاهيمية لكيفية عمل خوارزميات k-أقرب جار (k-NN).

التعلّم بعدد قليل من الأمثلة مقابل المفاهيم ذات الصلة

من المهم التمييز بين التعلم قليل الدعم (FSL) ونماذج التعلم الأخرى التي تتعامل مع البيانات المحدودة:

• التعلم الصفري (Zero-Shot Learning (ZSL)): يعتبر ZSL أكثر تطرفاً من FSL، لأنه يتطلب من النموذج التعرف على الفئات التي لم يرها مطلقًا أثناء التدريب، باستخدام الأوصاف أو السمات الدلالية عالية المستوى فقط. يتطلب FSL مثالاً واحداً على الأقل، بينما لا يتطلب ZSL أي مثال.
• التعلم بلقطة واحدة (OSL): التعلم بلقطة واحدة (OSL) هو نوع معين من التعلم بعدد قليل من اللقطات (FSL) حيث يتم تزويد النموذج بمثال مصنف واحد بالضبط لكل فئة جديدة. وهو يمثل السيناريو الأكثر تحديًا داخل إطار العمل ذي العدد القليل من اللقطات.
• التعلم بالنقل: FSL هو شكل من أشكال التعلم بالنقل، لكنهما ليسا متطابقين. غالبًا ما يتضمن التعلم بالنقل التقليدي أخذ نموذج مدرب مسبقًا على مجموعة بيانات كبيرة مثل ImageNet و الضبط الدقيق على مجموعة بيانات جديدة أصغر. تم تصميم FSL خصيصًا للسيناريوهات التي تكون فيها مجموعة البيانات الجديدة صغيرة جدًا (على سبيل المثال، أقل من 10 أمثلة لكل فئة). يمكنك استكشاف كيف تستخدم نماذج مثل Ultralytics YOLO11 الأوزان المدربة مسبقًا للتعلم بالنقل في وثائق تدريب النموذج الخاصة بنا.

تطبيقات واقعية

تعد FSL مفيدة بشكل خاص في المجالات المتخصصة حيث البيانات نادرة.

1. تشخيص الأمراض النادرة في التصوير الطبي: بالنسبة للأمراض النادرة، غالبًا ما لا يكون جمع آلاف عمليات فحص المرضى لتدريب النموذج ممكنًا. باستخدام FSL، يمكن تكييف نموذج مدرب مسبقًا على مجموعة بيانات كبيرة من الصور الطبية الشائعة لتحديد علامات مرض نادر باستخدام عدد قليل فقط من الحالات المؤكدة. هذا يسرع تطوير أدوات التشخيص لتحليل الصور الطبية.
2. اكتشاف العيوب الصناعية: في التصنيع، قد يكون لخط إنتاج جديد عيوب فريدة وغير متكررة. بدلاً من إيقاف الإنتاج لجمع آلاف الأمثلة على العيوب، يمكن تدريب نموذج FSL لـ اكتشاف الكائنات بسرعة باستخدام عدد قليل من العينات لأتمتة مراقبة الجودة، وتحسين الكفاءة وتقليل النفايات. يمكن أن تساعد منصات مثل Ultralytics HUB في إدارة مجموعات البيانات المتخصصة هذه وتسريع نشر النموذج.

التحديات والاتجاهات المستقبلية

على الرغم من وعده، يواجه FSL تحديات كبيرة. العقبة الرئيسية هي منع التجاوز في التدريب، حيث يمكن للنموذج بسهولة حفظ الأمثلة القليلة بدلاً من تعلم التعميم. يمكن أن يكون أداء النموذج أيضًا حساسًا للغاية لجودة وتمثيلية أمثلة الدعم المقدمة.

يركز البحث المستمر، الذي تقوده مؤسسات مثل جامعة ستانفورد و Google AI و Meta AI، على إنشاء خوارزميات تعلم فوقي أكثر قوة والاستفادة بشكل أفضل من تقنيات غير خاضعة للإشراف أو التعلم الذاتي الخاضع للإشراف للتدريب المسبق. يهدف الجمع بين هذه الأساليب إلى بناء أنظمة ذكاء اصطناعي أكثر مرونة وكفاءة في استخدام البيانات، مما يدفع حدود ما هو ممكن في البيئات المقيدة بالبيانات. توفر الأطر المتقدمة مثل PyTorch و TensorFlow الأدوات اللازمة للباحثين لاستكشاف هذه الأساليب المتطورة.