Semi-Supervised Learning

التعلُّم شبه المُشرف عليه (SSL) هو نموذج استراتيجي في التعلُّم الآلي (ML) يعمل كجسر بين طريقتين تقليديتين للتدريب. ففي حين يعتمد التعلُّم المُشرف عليه اعتمادًا كاملًا على مجموعات البيانات المشروحة بالكامل، ويحاول التعلُّم غير المُشرف عليه اكتشاف الأنماط في البيانات دون أي وسوم، يعمل SSL من خلال الجمع بين كمية صغيرة من البيانات المُصنَّفة ومجموعة أكبر بكثير من البيانات غير المُصنَّفة. وتكتسب هذه المنهجية قيمة خاصة في سيناريوهات الرؤية الحاسوبية (CV) الواقعية، حيث يكون جمع الصور الخام—مثل لقطات الفيديو من كاميرات المراقبة أو الأقمار الصناعية—غير مكلف نسبيًا، بينما تكون عملية وسم البيانات بواسطة الخبراء البشريين مكلفة وبطيئة وتتطلب جهدًا كبيرًا. ومن خلال الاستفادة الفعالة من البنية الكامنة في الأمثلة غير المُصنَّفة، يمكن لـ SSL تحسين دقة النموذج وقدرته على التعميم بدرجة كبيرة، دون الحاجة إلى ميزانية شاملة للشرح.

الآليات الأساسية للتعلُّم شبه المُشرف عليه#

الهدف الرئيسي من SSL هو نقل المعلومات الموجودة في المجموعة الصغيرة من الأمثلة المُصنَّفة إلى المجموعة الأكبر غير المُصنَّفة. ويتيح ذلك لـ الشبكة العصبية تعلُّم حدود قرار تمر عبر مناطق منخفضة الكثافة من البيانات، مما يؤدي إلى تصنيف أو كشف أكثر متانة.

تدعم تقنيتان شائعتان معظم عمليات التعلُّم شبه المُشرف عليه:

• الوسم الزائف: في هذه الطريقة، يُدرَّب النموذج أولًا على البيانات المُصنَّفة المحدودة. ثم يُستخدم لإجراء الاستدلال على البيانات غير المُصنَّفة. وتُعامل التنبؤات التي تتجاوز عتبة الثقة المحددة على أنها «وسوم زائفة» أو حقيقة أساسية. وتُضاف هذه التنبؤات الواثقة إلى بيانات التدريب، ثم يُعاد تدريب النموذج، مما يحسّن أداءه تكراريًا.
• تسوية الاتساق: تعتمد هذه التقنية على زيادة البيانات. وتتمثل الفكرة في أن يُخرج النموذج تنبؤات متشابهة لصورة وإصدار مُعدَّل قليلًا (مُزاد) من الصورة نفسها. ومن خلال تقليل الفرق بين التنبؤات الخاصة بالإصدار الأصلي والإصدار المُزاد، يتعلم النموذج التركيز على السمات الأساسية للكائن بدلًا من الضوضاء، مما يحسّن قدرته على التعامل مع فرط التكيّف.

التنفيذ العملي باستخدام YOLO#

يوضح مثال Python التالي سير عمل بسيطًا للوسم الزائف باستخدام حزمة ultralytics. ندرّب هنا نموذج YOLO26 على مجموعة بيانات صغيرة، ثم نستخدمه لإنشاء وسوم لمجلد يضم صورًا غير مُصنَّفة.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train initially on a small available labeled dataset
model.train(data="coco8.yaml", epochs=10)

# Run inference on unlabeled data to generate pseudo-labels
# Setting save_txt=True saves the detections as text files for future training
results = model.predict(source="./unlabeled_images", save_txt=True, conf=0.85)

التطبيقات الواقعية#

يُحدث التعلُّم شبه المُشرف عليه تحولًا في الصناعات التي تتوافر فيها البيانات بكثرة بينما تندر الخبرات.

• التصوير الطبي: في الذكاء الاصطناعي في الرعاية الصحية، يُعد الحصول على الفحوصات (الأشعة السينية والتصوير بالرنين المغناطيسي) إجراءً اعتياديًا، لكن تكليف اختصاصي أشعة حاصل على اعتماد مهني بوسم كل بكسل من أجل كشف الأورام أمر باهظ التكلفة للغاية. ويتيح SSL للباحثين تدريب نماذج عالية الأداء باستخدام جزء صغير فقط من الحالات المشروحة بواسطة الخبراء، مع الاستفادة من آلاف الفحوصات المؤرشفة لتحسين فهم النموذج للبنى البيولوجية.
• القيادة الذاتية: تجمع شركات السيارات ذاتية القيادة يوميًا بيانات فيديو بحجم بيتابايت من مركبات أسطولها. ومن المستحيل وسم كل إطار من أجل كشف الأجسام والتقسيم الدلالي. ومن خلال SSL، يستطيع النظام التعلُّم من الغالبية العظمى من ساعات القيادة غير المُصنَّفة لفهم بيئات الطرق المعقدة والظروف الجوية والحالات الطرفية النادرة فهمًا أفضل.

التمييز بين المفاهيم ذات الصلة#

لنشر حلول الذكاء الاصطناعي بفاعلية، من الضروري فهم أوجه اختلاف SSL عن الاستراتيجيات المماثلة:

• مقابل التعلُّم النشط: رغم أن كليهما يتعامل مع البيانات غير المُصنَّفة، فإن منهجهما في وضع الوسوم يختلف. يعيّن SSL الوسوم تلقائيًا استنادًا إلى تنبؤات النموذج. أما التعلُّم النشط، فيحدد نقاط البيانات الأكثر «إرباكًا» أو الأقل يقينًا، ويطلب صراحةً من إنسان ضمن الحلقة وسمها، مما يحسّن استغلال وقت الإنسان بدلًا من الاستغناء عنه تمامًا.
• مقابل التعلُّم بالنقل: يتضمن التعلُّم بالنقل استخدام نموذج مُدرَّب مسبقًا على مجموعة بيانات خارجية ضخمة، مثل ImageNet، ثم ضبطه بدقة لمهمتك المحددة. أما SSL، فيركز على الاستفادة من الجزء غير المُصنَّف من توزيع مجموعة بياناتك الخاصة أثناء عملية التدريب نفسها.
• مقابل التعلُّم الذاتي الإشراف: رغم تشابه الاسمين، يشير التعلُّم الذاتي الإشراف غالبًا إلى «مهام تمهيدية»، مثل حل أحجية من رقع الصور، حيث تُنشئ البيانات إشارات الإشراف الخاصة بها دون أي وسوم خارجية. أما SSL، فيعني تحديدًا استخدام مجموعة أصغر من الوسوم المُتحقَّق منها لتوجيه العملية.

الأدوات والآفاق المستقبلية#

مع ازدياد حجم نماذج التعلُّم العميق (DL)، تصبح كفاءة استخدام البيانات أمرًا بالغ الأهمية. وتوفر أطر العمل الحديثة مثل PyTorch و[TensorFlow](https://ultralytics-translation-2.invalid الواجهة الخلفية الحسابية لحلقات التدريب المتقدمة هذه. علاوة على ذلك، تعمل أدوات مثل منصة Ultralytics على تبسيط دورة حياة إدارة مجموعات البيانات. ومن خلال استخدام ميزات مثل الوسم التلقائي، يمكن للفرق تنفيذ عمليات التعلُّم شبه المُشرف عليه بسهولة أكبر، وتحويل البيانات الخام بسرعة إلى أوزان نماذج جاهزة للإنتاج. ويضمن هذا التطور في عمليات تعلُّم الآلة (MLOps) استمرار انخفاض عتبة الدخول إلى إنشاء أنظمة رؤية عالية الدقة.