دالة الخسارة

دالة الخسارة، المعروفة أيضًا باسم دالة التكلفة أو دالة الهدف، هي عنصر أساسي في التعلم الآلي (ML) و التعلم العميق (DL). وهي تحدد كميًا الفرق—أو "الخسارة"—بين الناتج المتوقع للنموذج والتسمية الأرضية الفعلية لقطعة معينة من البيانات. القيمة التي تحسبها دالة الخسارة تعمل كمقياس لمدى ضعف أداء النموذج. الهدف الأساسي أثناء عملية تدريب النموذج هو تقليل هذه القيمة، وبالتالي تحسين دقة النموذج وأدائه.

كيف تعمل دوال الخسارة؟

خلال كل تكرار للتدريب، يعالج النموذج دفعة من بيانات التدريب ويقوم بعمل تنبؤات. ثم تقارن دالة الخسارة هذه التنبؤات بالتسميات الحقيقية. تشير قيمة الخسارة الأعلى إلى وجود تباين أكبر وحاجة أكبر للتصحيح، بينما تشير قيمة الخسارة الأقل إلى أن تنبؤات النموذج أقرب إلى القيم الفعلية.

قيمة الخسارة هذه ضرورية لأنها توفر الإشارة اللازمة للنموذج للتعلم. يتم استخدام هذه الإشارة بواسطة خوارزمية التحسين (optimization algorithm)، مثل Stochastic Gradient Descent (SGD)، لضبط المعلمات الداخلية للنموذج، أو أوزان النموذج (model weights). تحسب عملية الانتشار العكسي (backpropagation) تدرج دالة الخسارة فيما يتعلق بهذه الأوزان، مما يشير إلى الاتجاه الذي يجب تعديل الأوزان فيه لتقليل الخسارة. تسمح هذه العملية التكرارية لحساب الخسارة وتحديث الأوزان للنموذج بالتقارب تدريجيًا نحو حالة يمكنه فيها تقديم تنبؤات دقيقة للغاية.

الأنواع الشائعة من دوال الخسارة

يعتمد اختيار دالة الخسارة بشكل كبير على المهمة المحددة التي تم تصميم النموذج لحلها. تتطلب المشكلات المختلفة طرقًا مختلفة لقياس الخطأ. تتضمن بعض الأنواع الشائعة ما يلي:

• متوسط مربع الخطأ (MSE): دالة خسارة شائعة لـ مهام الانحدار، حيث الهدف هو التنبؤ بقيمة عددية مستمرة. تحسب متوسط مربعات الفروق بين القيم المتوقعة والفعلية.
• خسارة الإنتروبيا المتقاطعة: تستخدم على نطاق واسع لمهام تصنيف الصور. وهي تقيس أداء نموذج التصنيف الذي يكون خرجه قيمة احتمالية بين 0 و 1. وهي فعالة عند تدريب النماذج للتمييز بين فئات متعددة، مثل تصنيف الصور في مجموعة بيانات ImageNet.
• فقدان التقاطع على الاتحاد (IoU): تعتبر متغيرات IoU ضرورية لمهام الكشف عن الكائنات. تقيس دوال الفقدان هذه، مثل GIoU و DIoU و CIoU، التباين بين المربع المحيط المتوقع والمربع الحقيقي. إنها جزء لا يتجزأ من تدريب كاشفات الكائنات الدقيقة مثل Ultralytics YOLO11.
• خسارة Dice: يشيع استخدامه في تجزئة الصور، خاصة في تحليل الصور الطبية، لقياس التداخل بين أقنعة التجزئة المتوقعة والفعلية. إنه مفيد بشكل خاص للتعامل مع عدم توازن الفئات.

تطبيقات واقعية

تعتبر دوال الخسارة Loss functions في صميم تدريب كل نموذج من نماذج التعلم العميق تقريبًا.

1. المركبات ذاتية القيادة: في تطوير المركبات ذاتية القيادة، يتم تدريب نماذج اكتشاف الأجسام لتحديد المشاة والسيارات الأخرى وإشارات المرور. أثناء التدريب، تجمع دالة الخسارة بين مكونات متعددة: يحسب جزء واحد الخطأ في تصنيف كل جسم (مثل سيارة مقابل مشاة)، بينما يحسب جزء آخر، غالبًا خسارة تستند إلى IoU، الخطأ في تحديد موضع مربع إحاطة الجسم. يساعد تقليل هذه الخسارة المجمعة في إنشاء نماذج قوية للملاحة الآمنة، وهو مكون رئيسي في حلول الذكاء الاصطناعي في مجال السيارات.
2. التشخيص الطبي: في الذكاء الاصطناعي في مجال الرعاية الصحية، يتم تدريب نماذج مثل U-Net للتجزئة الدلالية لتحديد الأورام في الفحوصات الطبية. يتم استخدام دالة خسارة مثل Dice Loss أو مزيج من Cross-Entropy و Dice Loss لمقارنة قناع الورم المتوقع للنموذج مع القناع الذي وضعه أخصائي الأشعة. من خلال تقليل هذه الخسارة على مجموعة بيانات من الصور الطبية، يتعلم النموذج تحديد المناطق المرضية بدقة، مما يساعد في التشخيصات الأسرع والأكثر دقة.

العلاقة بالمفاهيم الرئيسية الأخرى

من المهم التمييز بين دوال الخسارة والمفاهيم الأخرى ذات الصلة في تعلم الآلة.

• دالة الخسارة مقابل مقاييس التقييم: هذا تمييز حاسم. تُستخدم دوال الخسارة أثناء التدريب لتوجيه عملية التحسين. يجب أن تكون قابلة للاشتقاق للسماح بالتعلم القائم على التدرج. في المقابل، تُستخدم مقاييس التقييم مثل الدقة (Accuracy)، و الإحكام (Precision)، و الاسترجاع (Recall)، و متوسط الدقة المتوسط (mAP) بعد التدريب (على بيانات التحقق أو بيانات الاختبار) لتقييم أداء النموذج في العالم الحقيقي. في حين أن الخسارة الأقل ترتبط عمومًا بدرجات مقاييس أفضل، إلا أنها تخدم أغراضًا مختلفة. يمكنك معرفة المزيد حول مقاييس الأداء في دليلنا.
• دالة الخسارة مقابل خوارزمية التحسين: تحدد دالة الخسارة الهدف—ما يجب تقليله إلى الحد الأدنى. تحدد خوارزمية التحسين، مثل محسِّن Adam، الآلية—كيفية تقليل الخسارة عن طريق تحديث أوزان النموذج بناءً على التدرجات المحسوبة و معدل التعلم.
• المبالغة في التوفيق والنقص في التوفيق: تعد مراقبة الخسارة في كل من مجموعتي التدريب والتحقق أمرًا أساسيًا لتشخيص هذه المشكلات الشائعة. من المحتمل حدوث المبالغة في التوفيق إذا استمرت خسارة التدريب في الانخفاض بينما بدأت خسارة التحقق في الارتفاع. يشير النقص في التوفيق إلى قيم خسارة عالية في كلتا المجموعتين. تتم مناقشة هذه الأفكار في أدلة مثل نصائح لتدريب النموذج.

يُعد فهم دوال الخسارة أمرًا ضروريًا لأي شخص يشارك في بناء وتدريب نماذج الذكاء الاصطناعي. تعمل منصات مثل Ultralytics HUB على تجريد الكثير من هذا التعقيد، والتعامل تلقائيًا مع تنفيذ دوال الخسارة وتحسينها، مما يجعل بناء نماذج الرؤية الحاسوبية (CV) المتقدمة أكثر سهولة.