Few-Shot Learning

التعلّم ببضع لقطات (FSL) هو مجال فرعي متخصص من التعلّم الآلي (ML)، صُمّم لتدريب النماذج على التعرّف إلى المفاهيم الجديدة وتصنيفها باستخدام عدد قليل جدًا من الأمثلة المُعنونة. في التعلّم العميق (DL) التقليدي، يتطلب تحقيق دقة عالية عادةً مجموعات بيانات ضخمة تحتوي على آلاف الصور لكل فئة. ومع ذلك، يحاكي التعلّم ببضع لقطات القدرةَ الإدراكية البشرية على التعميم بسرعة انطلاقًا من خبرة محدودة، تمامًا كما يستطيع طفل التعرّف إلى زرافة بعد رؤية صورة أو صورتين فقط في كتاب. وتُعد هذه القدرة ضرورية لنشر الذكاء الاصطناعي (AI) في السيناريوهات التي يكون فيها جمع كميات كبيرة من بيانات التدريب مكلفًا للغاية أو مستهلكًا للوقت أو مستحيلًا عمليًا.

الآليات الأساسية للتعلّم ببضع لقطات#

الهدف الأساسي من FSL هو تقليل الاعتماد على جمع البيانات الموسّع من خلال الاستفادة من المعرفة السابقة. فبدلًا من تعلّم الأنماط من الصفر، يستخدم النموذج «مجموعة دعم» تحتوي على بضعة أمثلة مُعنونة لفهم الفئات الجديدة. وغالبًا ما يتحقق ذلك من خلال تقنيات متقدمة مثل التعلّم التلوي، المعروف أيضًا باسم «التعلّم من أجل التعلّم». في هذا النهج، يُدرَّب النموذج على مجموعة متنوعة من المهام، بحيث يتعلّم تهيئةً أوليةً مثلى أو قاعدةً للتحديث، ما يتيح له التكيّف مع المهام الجديدة بأقل قدر من التعديلات.

ينطوي نهج شائع آخر على التعلّم القائم على المقاييس، حيث يتعلّم النموذج تحويل بيانات الإدخال إلى فضاء متجهي باستخدام التضمينات. وفي هذا الفضاء، تتجمع العناصر المتشابهة بالقرب من بعضها، بينما تُدفَع العناصر غير المتشابهة بعيدًا عن بعضها. وتحسب خوارزميات مثل الشبكات النموذجية تمثيلًا متوسطًا، أو نموذجًا أوليًا، لكل فئة، وتُصنّف عينات الاستعلام الجديدة بناءً على بُعدها عن هذه النماذج الأولية. وغالبًا ما يعتمد ذلك على قدرات استخراج السمات التي تطورت أثناء التدريب المسبق على مجموعات بيانات أكبر وأكثر عمومية.

التطبيقات الواقعية#

يُحدث التعلّم ببضع لقطات تحولًا في الصناعات التي أعاقت ندرة البيانات فيها اعتماد تقنيات الذكاء الاصطناعي سابقًا.

التصوير الطبي والتشخيص#

في مجال تحليل الصور الطبية، غالبًا ما يكون الحصول على آلاف الفحوصات المُعنونة لحالات مرضية نادرة غير ممكن عمليًا. ويتيح FSL للباحثين تدريب أنظمة الرؤية الحاسوبية (CV) على اكتشاف أنواع نادرة من الأورام أو شذوذات جينية محددة باستخدام عدد قليل فقط من دراسات الحالات المُعلّمة. وتُسهِم هذه القدرة في إتاحة أدوات التشخيص المتقدمة على نطاق أوسع، وهو هدف تسعى إليه مؤسسات مثل Stanford Medicine، ما يساعد على تحديد الحالات التي كانت ستتطلب لولا ذلك خبرة بشرية متخصصة.

مراقبة الجودة الصناعية#

يعتمد الذكاء الاصطناعي في التصنيع الحديث اعتمادًا كبيرًا على الفحص الآلي. غير أن عيوبًا محددة قد تحدث نادرًا جدًا، ما يجعل إنشاء مجموعة بيانات كبيرة من الأجزاء «المعيبة» أمرًا صعبًا. ويُمكّن FSL أنظمة اكتشاف الشذوذ من تعلّم خصائص نوع جديد من العيوب من بضع صور فقط. ويسمح ذلك لمشغّلي المصانع بتحديث بروتوكولات ضمان الجودة بسرعة من دون إيقاف الإنتاج لجمع البيانات، ما يحسّن الكفاءة بدرجة كبيرة في بيئات الإنتاج الديناميكية.

التمييز بين المفاهيم ذات الصلة#

من المفيد التمييز بين FSL ونُهج التعلّم المماثلة ذات البيانات المحدودة لفهم مجاله الخاص:

• التعلّم بالنقل: غالبًا ما يُنفَّذ FSL باعتباره شكلًا محددًا ومتطرفًا من التعلّم بالنقل. ففي حين قد يُجري التعلّم بالنقل القياسي ضبطًا دقيقًا لنموذج مثل YOLO26 باستخدام مئات الصور، يستهدف FSL سيناريوهات لا تتوفر فيها سوى 5 إلى 10 صور لكل فئة، ويُعرف ذلك باسم تصنيف «N-way K-shot».
• التعلّم بلقطة واحدة: هذه حالة فرعية صارمة من FSL، حيث يجب أن يتعلّم النموذج من مثال مُعنون واحد بالضبط. ويُستخدم هذا النهج شائعًا في التعرّف إلى الوجوه للتحقق من الهوية مقارنةً بصورة واحدة مخزنة.
• التعلّم من دون لقطات: بخلاف FSL، الذي يتطلب مجموعة دعم بصرية صغيرة على الأقل، لا يتطلب التعلّم من دون لقطات أي أمثلة بصرية للفئة المستهدفة أثناء التدريب. بل يعتمد على أوصاف دلالية أو سمات، مثل المطالبات النصية، للتعرّف إلى الكائنات غير المرئية.

التنفيذ العملي باستخدام Ultralytics#

عمليًا، تتمثل إحدى أكثر الطرق فاعلية لتنفيذ التعلّم ببضع لقطات في الاستفادة من نموذج متين للغاية ومدرَّب مسبقًا. فقد تعلّمت النماذج المتقدمة مثل YOLO26 تمثيلات سمات غنية من مجموعات بيانات ضخمة مثل COCO أو ImageNet. ومن خلال ضبط هذه النماذج ضبطًا دقيقًا على مجموعة بيانات مخصصة صغيرة جدًا، يمكنها التكيّف مع المهام الجديدة بسرعة ودقة ملحوظتين.

يوضح مثال Python التالي كيفية تدريب نموذج على مجموعة بيانات صغيرة باستخدام الحزمة ultralytics، وتنفيذ التكيّف ببضع لقطات بفاعلية:

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#

رغم قوته، يواجه FSL تحديات تتعلق بالموثوقية. فإذا كانت الأمثلة القليلة المقدمة قيمًا شاذة أو مشوشة، فقد يتدهور أداء النموذج، وهي مشكلة تُعرف باسم فرط التكيّف. ويُعد البحث في زيادة البيانات وتوليد البيانات الاصطناعية أمرًا بالغ الأهمية للتخفيف من هذه المخاطر. ومع ازدياد حجم النماذج الأساسية وقدراتها، وتبسيط أدوات مثل منصة Ultralytics لتدريب النماذج وإدارتها، ستصبح القدرة على إنشاء حلول ذكاء اصطناعي مخصصة باستخدام أقل قدر من البيانات متاحةً بدرجة متزايدة للمطورين في جميع أنحاء العالم.