Few-Shot Learning

التعلم بالقليل من الأمثلة (FSL) هو مجال فرعي متخصص في التعلم الآلي (ML) مصمم لتدريب النماذج على التعرف على المفاهيم الجديدة وتصنيفها باستخدام عدد صغير جداً من الأمثلة المصنفة. في التعلم العميق (DL) التقليدي، يتطلب تحقيق دقة عالية عادةً مجموعات بيانات ضخمة تحتوي على آلاف الصور لكل فئة. ومع ذلك، يحاكي FSL القدرة الإدراكية البشرية على التعميم بسرعة من تجربة محدودة - تماماً كما يمكن للطفل التعرف على الزرافة بعد رؤية صورة أو صورتين فقط في كتاب. تعد هذه القدرة ضرورية لنشر الذكاء الاصطناعي (AI) في السيناريوهات التي يكون فيها جمع كميات كبيرة من بيانات التدريب مكلفاً للغاية أو يستغرق وقتاً طويلاً أو شبه مستحيل من الناحية العملية.

Link to this sectionالآليات الجوهرية للتعلم بالقليل من الأمثلة#

يتمثل الهدف الأساسي لـ FSL في تقليل الاعتماد على جمع البيانات المكثف من خلال الاستفادة من المعرفة المسبقة. فبدلاً من تعلم الأنماط من الصفر، يستخدم النموذج "مجموعة دعم" تحتوي على بضعة أمثلة مصنفة لفهم الفئات الجديدة. غالباً ما يتحقق ذلك من خلال تقنيات متقدمة مثل التعلم التلوي (meta-learning)، المعروف أيضاً باسم "تعلم كيف تتعلم". في هذا النموذج، يتم تدريب النموذج على مجموعة متنوعة من المهام بحيث يتعلم تهيئة أو قاعدة تحديث مثالية، مما يسمح له بالتكيف مع المهام الجديدة بأقل قدر من التعديلات.

نهج آخر شائع يتضمن التعلم القائم على المقاييس، حيث يتعلم النموذج تعيين بيانات الإدخال في مساحة متجهة باستخدام التضمينات (embeddings). في هذه المساحة، يتم تجميع العناصر المتشابهة بالقرب من بعضها البعض بينما يتم إبعاد العناصر غير المتشابهة. تقوم خوارزميات مثل Prototypical Networks بحساب تمثيل متوسط، أو نموذج أولي، لكل فئة وتصنيف عينات الاستعلام الجديدة بناءً على بعدها عن هذه النماذج الأولية. يعتمد هذا غالباً على قدرات استخراج الميزات (feature extraction) التي تم تطويرها أثناء التدريب المسبق على مجموعات بيانات عامة أكبر.

Link to this sectionتطبيقات العالم الحقيقي#

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

Link to this sectionالتصوير الطبي والتشخيص#

في مجال تحليل الصور الطبية، غالباً ما يكون الحصول على آلاف المسوحات المصنفة للأمراض النادرة أمراً غير مجدٍ. يسمح FSL للباحثين بتدريب أنظمة الرؤية الحاسوبية (CV) على اكتشاف أنواع نادرة من الأورام أو شذوذات جينية محددة باستخدام حفنة فقط من دراسات الحالة المشروحة. 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 خلاف ذلك خبرة بشرية متخصصة.

Link to this sectionمراقبة الجودة الصناعية#

يعتمد الذكاء الاصطناعي في التصنيع الحديث بشكل كبير على الفحص الآلي. ومع ذلك، قد تحدث عيوب محددة بشكل نادر جداً، مما يجعل من الصعب بناء مجموعة بيانات كبيرة من الأجزاء "السيئة". يمكّن FSL أنظمة كشف الشذوذ (anomaly detection) من تعلم خصائص نوع جديد من العيوب من بضع صور فقط. يسمح هذا لمشغلي المصانع بتحديث بروتوكولات ضمان الجودة الخاصة بهم بسرعة دون إيقاف الإنتاج لجمع البيانات، مما يحسن الكفاءة بشكل كبير في بيئات الإنتاج الديناميكية.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

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

• التعلم بالنقل (Transfer Learning): غالباً ما يتم تنفيذ FSL كشكل محدد ومتطرف من التعلم بالنقل. بينما قد يقوم التعلم بالنقل القياسي بـ الضبط الدقيق (fine-tune) لنموذج مثل YOLO26 على مئات الصور، يستهدف FSL السيناريوهات التي تحتوي ربما على 5 إلى 10 صور فقط لكل فئة (المعروفة بتصنيف "N-way K-shot").
• التعلم بمثال واحد (One-Shot Learning): هذا هو مجموعة فرعية صارمة من FSL حيث يجب أن يتعلم النموذج من مثال واحد مصنف فقط. يُستخدم عادةً في التعرف على الوجه للتحقق من الهوية مقابل صورة واحدة مخزنة.
• التعلم بدون أمثلة (Zero-Shot Learning): على عكس FSL، الذي يتطلب على الأقل مجموعة دعم بصرية صغيرة، لا يتطلب التعلم بدون أمثلة أي أمثلة بصرية للفئة المستهدفة أثناء التدريب. بدلاً من ذلك، يعتمد على الأوصاف الدلالية أو السمات (مثل مطالبات النص) للتعرف على الأشياء غير المرئية.

Link to this sectionالتنفيذ العملي مع Ultralytics#

في الممارسة العملية، إحدى أكثر الطرق فعالية لإجراء التعلم بالقليل من الأمثلة هي الاستفادة من نموذج قوي جداً تم تدريبه مسبقاً. تعلمت النماذج المتطورة مثل YOLO26 الأحدث تمثيلات ميزات غنية من مجموعات بيانات ضخمة مثل COCO أو ImageNet. من خلال الضبط الدقيق لهذه النماذج على مجموعة بيانات مخصصة صغيرة، 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 بالقليل 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.")

Link to this sectionالتحديات والتوقعات المستقبلية#

على الرغم من قوته، يواجه FSL تحديات تتعلق بالموثوقية. إذا كانت الأمثلة القليلة المقدمة عبارة عن قيم متطرفة أو ضوضاء، فقد يتدهور أداء النموذج، وهي مشكلة تُعرف بـ الإفراط في التخصيص (overfitting). يعد البحث في زيادة البيانات (data augmentation) وتوليد البيانات الاصطناعية (synthetic data) أمراً بالغ الأهمية للتخفيف من هذه المخاطر. مع ازدياد حجم وقدرة النماذج الأساسية (foundation models)، وتبسيط أدوات مثل Ultralytics Platform لعملية تدريب وإدارة النماذج، ستصبح القدرة على إنشاء حلول ذكاء اصطناعي مخصصة ببيانات ضئيلة متاحة بشكل متزايد للمطورين في جميع أنحاء العالم.