التعلُّم بالقليل من اللقطات

كيف يعمل التعلُّم من اللقطات القليلة

تتمثل الفكرة الأساسية وراء FSL في الاستفادة من المعرفة المسبقة من مجموعة بيانات كبيرة ومتنوعة لتعلم مهام جديدة ذات صلة بسرعة. بدلاً من تعلم تصنيف فئات محددة مباشرة، يتعلم النموذج تمثيلًا أكثر عمومية للبيانات أو يتعلم كيفية مقارنة نقاط البيانات. تشمل الأساليب الشائعة ما يلي:

• التعلم القائم على القياس: تتعلم هذه الطرق دالة المسافة أو مقياس التشابه لمقارنة بعض الصور "الداعمة" المصنفة مع صور "الاستعلام" غير المصنفة. ثم يتم تعيين صورة الاستعلام لفئة صورة الدعم الأكثر تشابهًا. تشمل الأمثلة الشائعة لهذا النهج الشبكات السيامية التي تتعلم تحديد ما إذا كانت صورتان من نفس الفئة، والشبكات النموذجية التي تتعلم تمثيلًا أوليًا لكل فئة في الفضاء المتري.
• التعلم القائم على التحسين: غالبًا ما يرتبط هذا النهج بالتعلم الفوقي (أو "التعلم للتعلم")، حيث يقوم هذا النهج بتدريب عملية تحسين النموذج نفسه. والهدف من ذلك هو تطوير نموذج يمكنه تكييف معلماته بسرعة مع مهمة جديدة من خلال بضع خطوات نزول التدرج. إحدى الخوارزميات المؤثرة في هذا المجال هي خوارزمية التعلم التلوي الحريص على النموذج (MAML).
• التعلم القائم على الذاكرة: تستخدم هذه النماذج مكون ذاكرة خارجية لتخزين المعلومات من الأمثلة القليلة المتاحة. عندما يتم تقديم مثال جديد، يسترجع النموذج المعلومات ذات الصلة من ذاكرته للتنبؤ. ويشبه هذا من الناحية المفاهيمية طريقة عمل خوارزميات k-Nearest Neighbours (k-NN).

التعلُّم من اللقطات القليلة مقابل المفاهيم ذات الصلة

من المهم التمييز بين لغة FSL ونماذج التعلم الأخرى التي تتعامل مع بيانات محدودة:

• التعلّم الصفري (ZSL): يعدّ التعلّم الصفري أكثر تطرفًا من التعلّم باللقطة الصفرية (ZSL)، حيث يتطلب نموذجًا للتعرف على الفئات التي لم يسبق له أن رآها أثناء التدريب، باستخدام أوصاف أو سمات دلالية عالية المستوى فقط. يتطلب التعلُّم من خلال اللقطة الصفرية مثالاً واحدًا على الأقل، بينما لا يتطلب التعلُّم من خلال اللقطة الصفرية أي مثال.
• التعلم بلقطة واحدة (OSL): التعلُّم بلقطة واحدة هو متغير محدد من التعلُّم بلقطة واحدة حيث يتم تزويد النموذج بمثال واحد فقط لكل فئة جديدة. وهو يمثل السيناريو الأكثر تحديًا ضمن إطار عمل اللقطة الواحدة.
• التعلّم التحويلي: التعلّم المنقول هو شكل من أشكال التعلّم المنقول، لكنهما ليسا متطابقين. فغالبًا ما ينطوي التعلّم التحويلي التقليدي على أخذ نموذج مدرّب مسبقًا على مجموعة بيانات كبيرة مثل ImageNet وضبطه على مجموعة بيانات جديدة أصغر. تم تصميم تعلُّم التحويل الفائق خصيصًا للسيناريوهات التي تكون فيها مجموعة البيانات الجديدة صغيرة للغاية (على سبيل المثال، أقل من 10 أمثلة لكل فئة). يمكنك استكشاف كيف تستخدم النماذج مثل Ultralytics YOLO11 أوزانًا مُدرّبة مسبقًا لتعلم النقل في وثائق تدريب النموذج الخاص بنا.

التطبيقات الواقعية

يعتبر FSL مفيدًا بشكل خاص في المجالات المتخصصة حيث تكون البيانات نادرة.

1. تشخيص الأمراض النادرة في التصوير الطبي: بالنسبة للأمراض النادرة، غالبًا ما يكون جمع الآلاف من صور الأشعة الخاصة بالمرضى لتدريب النموذج غير ممكن. باستخدام تقنية FSL، يمكن تكييف نموذج تم تدريبه مسبقًا على مجموعة بيانات كبيرة من الصور الطبية الشائعة لتحديد علامات المرض النادر باستخدام عدد قليل من الحالات المؤكدة. وهذا يسرّع من تطوير أدوات تشخيصية لتحليل الصور الطبية.
2. اكتشاف العيوب الصناعية: في مجال التصنيع، قد يحتوي خط إنتاج جديد على عيوب فريدة وغير متكررة. وبدلاً من إيقاف الإنتاج مؤقتاً لجمع الآلاف من أمثلة العيوب، يمكن تدريب نموذج FSL لاكتشاف العيوب بسرعة باستخدام بضع عينات لأتمتة مراقبة الجودة، وتحسين الكفاءة وتقليل الهدر. يمكن لمنصات مثل Ultralytics HUB المساعدة في إدارة مجموعات البيانات المتخصصة هذه وتسريع نشر النموذج.

التحديات والتوجهات المستقبلية

على الرغم من أنها واعدة، إلا أنها تواجه تحديات كبيرة. وتتمثل العقبة الأساسية في منع الإفراط في التخصيص، حيث يمكن للنموذج أن يحفظ الأمثلة القليلة بسهولة بدلاً من تعلم التعميم. كما أن أداء النموذج يمكن أن يكون حساسًا للغاية لجودة أمثلة الدعم المقدمة وتمثيلها.

تركز الأبحاث الجارية، التي تقودها مؤسسات مثل جامعة ستانفورد، وجوجل للذكاء الاصطناعي، و Meta AI، على إنشاء خوارزميات أكثر قوة للتعلم الفوقي والاستفادة بشكل أفضل من تقنيات التعلم غير الخاضع للإشراف أو التعلم الذاتي للإشراف من أجل التدريب المسبق. يهدف الجمع بين هذه الأساليب إلى بناء أنظمة ذكاء اصطناعي أكثر مرونة وفعالية من حيث 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.