Self-Supervised Learning

التعلُّم الذاتي الإشراف (SSL) هو نمط من أنماط تعلُّم الآلة، يتعلّم فيه النظام فهم البيانات من خلال إنشاء إشارات الإشراف الخاصة به من البيانات نفسها، بدلًا من الاعتماد على التسميات الخارجية التي يوفّرها البشر. في التعلُّم الخاضع للإشراف التقليدي، تتطلب النماذج كميات هائلة من البيانات المشروحة يدويًا—مثل الصور المصنّفة بوسمي "قطة" أو "كلب"—وقد يكون إنتاجها مكلفًا ويستغرق وقتًا طويلًا. يتجاوز SSL عنق الزجاجة هذا من خلال إنشاء "مهام تمهيدية" يتعيّن فيها على النموذج التنبؤ بأجزاء مخفية أو مفقودة من بيانات الإدخال، وبذلك يعلّم نفسه البنية والسمات الأساسية اللازمة لمهام معقدة مثل اكتشاف الأجسام والتصنيف.

الآليات الأساسية للتعلُّم الذاتي الإشراف#

تتمثل الفكرة الأساسية وراء SSL في إخفاء جزء من البيانات أو حجبه، وإجبار الشبكة العصبية (NN) على إعادة بنائه أو التنبؤ بالعلاقة بين طرق العرض المختلفة للبيانات نفسها. تنشئ هذه العملية تمثيلات غنية وعامة الغرض يمكن ضبطها لاحقًا لتطبيقات محددة في مراحل لاحقة.

هناك نهجان أساسيان ضمن SSL:

• الأساليب التوليدية: يتعلّم النموذج توليد وحدات بكسل أو كلمات لملء الفراغات. ومن الأمثلة الكلاسيكية في معالجة اللغة الطبيعية (NLP) التنبؤ بالكلمة التالية في جملة. وفي مجال الرؤية الحاسوبية، تعمل تقنيات مثل المشفّرات التلقائية المقنّعة (MAE) على إخفاء رقع عشوائية من الصورة، وتكلّف النموذج بإعادة بناء وحدات البكسل المفقودة، مما يجبره على "فهم" السياق البصري.
• التعلُّم التبايني: يعلّم هذا الأسلوب النموذج التمييز بين نقاط البيانات المتشابهة وغير المتشابهة. ومن خلال تطبيق تقنيات زيادة البيانات—مثل الاقتصاص، أو تغيير الألوان عشوائيًا، أو التدوير—على صورة، يتعلّم النموذج أن هذه النسخ المعدّلة تمثل الكائن نفسه (أزواج موجبة)، بينما يتعامل مع الصور الأخرى على أنها كائنات مختلفة (أزواج سالبة). وتعتمد أطر عمل شائعة مثل SimCLR بدرجة كبيرة على هذا المبدأ.

التطبيقات الواقعية#

أصبح التعلُّم الذاتي الإشراف حجر أساس لبناء النماذج الأساسية القوية عبر مجالات متنوعة. وتجعل قدرته على الاستفادة من كميات هائلة من البيانات غير الموسومة منه قابلًا للتوسع بدرجة كبيرة.

• التصوير الطبي: يصعب الحصول على فحوصات طبية موسومة بواسطة خبراء، كما أن ذلك مكلف. يتيح SSL للنماذج إجراء تدريب مسبق على آلاف الصور غير الموسومة بالأشعة السينية أو فحوصات MRI لتعلُّم السمات التشريحية العامة. ويمكن بعد ذلك ضبط هذا النموذج المدرّب مسبقًا باستخدام عدد قليل من الأمثلة الموسومة لتحقيق دقة عالية في اكتشاف الأورام أو تشخيص الأمراض.
• القيادة الذاتية: تولّد السيارات ذاتية القيادة تيرابايتات من بيانات الفيديو يوميًا. ويمكّن SSL هذه الأنظمة من تعلُّم الديناميكيات الزمنية والفهم المكاني من لقطات الفيديو الخام دون إضافة تعليقات توضيحية إطارًا بإطار. ويساعد ذلك على تحسين اكتشاف المسارات وتجنّب العوائق من خلال التنبؤ بالإطارات المستقبلية أو حركة الأجسام.

التمييز بين SSL والمصطلحات ذات الصلة#

من المهم التمييز بين SSL و**التعلُّم غير الخاضع للإشراف**. فبينما يستخدم كلا الأسلوبين بيانات غير موسومة، يركّز التعلُّم غير الخاضع للإشراف عادةً على اكتشاف الأنماط أو التجميعات الخفية (التجميع العنقودي) دون مهمة تنبؤية محددة. أما SSL، فيصوغ عملية التعلُّم على هيئة مهمة خاضعة للإشراف، حيث تُنشأ التسميات تلقائيًا من بنية البيانات نفسها. بالإضافة إلى ذلك، يجمع التعلُّم شبه الخاضع للإشراف بين كمية صغيرة من البيانات الموسومة وكمية كبيرة من البيانات غير الموسومة، في حين ينشئ SSL الخالص تسمياته الخاصة بالكامل من مجموعة البيانات غير الموسومة قبل إجراء أي ضبط دقيق.

الاستفادة من الأوزان المدرّبة مسبقًا في Ultralytics#

في منظومة Ultralytics، تستفيد نماذج مثل YOLO26 بدرجة كبيرة من استراتيجيات التدريب المتقدمة التي غالبًا ما تتضمن مبادئ مشابهة لـ SSL أثناء مرحلة التدريب المسبق على مجموعات بيانات ضخمة مثل ImageNet أو COCO. ويضمن ذلك أن مستخرجات السمات تكون متينة بالفعل عندما ينشر المستخدمون نموذجًا لمهمة محددة.

يمكن للمستخدمين الاستفادة من هذه التمثيلات القوية المدرّبة مسبقًا لضبط النماذج على مجموعات البيانات المخصصة الخاصة بهم باستخدام منصة Ultralytics.

فيما يلي مثال موجز يوضح كيفية تحميل نموذج Ultralytics YOLO26 مدرّب مسبقًا والبدء في ضبطه على مجموعة بيانات جديدة، مع الاستفادة من السمات التي تعلّمها أثناء تدريبه الأولي واسع النطاق:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (weights learned from large-scale data)
model = YOLO("yolo26n.pt")

# Fine-tune the model on a specific dataset (e.g., COCO8)
# This leverages the robust feature representations learned during pre-training
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

مستقبل SSL#

مع مواصلة الباحثين في المختبرات الكبرى مثل Meta AI و**Google DeepMind** تحسين هذه التقنيات، يدفع SSL حدود ما هو ممكن في الذكاء الاصطناعي التوليدي والرؤية الحاسوبية. ومن خلال تقليل الاعتماد على البيانات الموسومة، يساهم SSL في إتاحة الوصول إلى الذكاء الاصطناعي عالي الأداء على نطاق أوسع، مما يمكّن الفرق الأصغر من بناء نماذج متقدمة لتطبيقات متخصصة مثل الحفاظ على الحياة البرية أو الفحص الصناعي.