Semi-Supervised Learning

يُعد التعلم شبه المُشرف (SSL) نموذجاً استراتيجياً في تعلم الآلة (ML) يعمل كجسر بين طريقتين تقليديتين للتدريب. فبينما يعتمد التعلم المُشرف كلياً على مجموعات بيانات مُصنفة بالكامل، ويحاول التعلم غير المُشرف العثور على أنماط في البيانات بدون أي وسوم، يعمل التعلم شبه المُشرف (SSL) من خلال الجمع بين كمية صغيرة من البيانات المُصنفة ومجموعة أكبر بكثير من البيانات غير المُصنفة. هذا النهج ذو قيمة خاصة في سيناريوهات الرؤية الحاسوبية (CV) الواقعية، حيث يكون جمع الصور الخام—مثل لقطات الفيديو من كاميرات المراقبة أو الأقمار الصناعية—غير مكلف نسبياً، لكن عملية تصنيف البيانات بواسطة خبراء بشريين مكلفة وبطيئة وتتطلب جهداً كبيراً. من خلال الاستفادة الفعالة من الهياكل الكامنة داخل الأمثلة غير المُصنفة، يمكن لـ SSL تحسين دقة النموذج والتعميم بشكل كبير دون الحاجة إلى ميزانية تصنيف شاملة.

Link to this sectionالآليات الأساسية للتعلم شبه المُشرف#

الهدف الرئيسي من SSL هو نشر المعلومات الموجودة في المجموعة الصغيرة من الأمثلة المُصنفة إلى المجموعة الأكبر غير المُصنفة. وهذا يسمح لـ الشبكة العصبية بتعلم حدود القرار التي تمر عبر مناطق ذات كثافة منخفضة من البيانات، مما يؤدي إلى تصنيف أو كشف أكثر قوة.

تُحرك معظم سير عمل التعلم شبه المُشرف تقنيتان شائعتان:

• التصنيف الزائف (Pseudo-Labeling): في هذه الطريقة، يتم تدريب النموذج أولاً على البيانات المُصنفة المحدودة. ثم يُستخدم لإجراء استدلال على البيانات غير المُصنفة. التنبؤات التي تتجاوز عتبة ثقة محددة تُعامل على أنها "وسوم زائفة" أو حقيقة أرضية. تُضاف هذه التنبؤات الموثوقة إلى بيانات التدريب، ويتم إعادة تدريب النموذج، مما يحسن أداءه بشكل تكراري.
• تنظيم الاتساق (Consistency Regularization): تعتمد هذه التقنية على زيادة البيانات. الفكرة هي أن النموذج يجب أن يُخرج تنبؤات متشابهة للصورة ونسخة معدلة (مُضافة إليها تحسينات) من نفس الصورة. من خلال تقليل الفرق في التنبؤات بين النسخة الأصلية والنسخة المُحسنة، يتعلم النموذج التركيز على الميزات الأساسية للكائن بدلاً من الضوضاء، مما يحسن قدرته على التعامل مع الفرط في التخصيص.

Link to this sectionالتنفيذ العملي مع YOLO#

يوضح مثال Python التالي سير عمل بسيط للتصنيف الزائف باستخدام حزمة ultralytics. هنا، نقوم بتدريب نموذج YOLO26 على مجموعة بيانات صغيرة ثم نستخدمه لإنشاء وسوم لدليل من الصور غير المُصنفة.

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)

Link to this sectionتطبيقات العالم الحقيقي#

يُحدث التعلم شبه المُشرف تحولاً في الصناعات التي تتوفر فيها البيانات بوفرة ولكن الخبرة نادرة.

• التصوير الطبي: في الرعاية الصحية بالذكاء الاصطناعي، يُعد الحصول على الأشعة (الأشعة السينية، الرنين المغناطيسي) إجراءً قياسياً، ولكن جعل أخصائي أشعة معتمد يُصنف كل بكسل من أجل كشف الأورام مكلف للغاية. يسمح SSL للباحثين بتدريب نماذج عالية الأداء باستخدام جزء بسيط من الحالات المصنفة من قبل خبراء، مع الاستفادة من آلاف الأشعة المؤرشفة لتحسين فهم النموذج للهياكل البيولوجية.
• القيادة الذاتية: تجمع شركات السيارات ذاتية القيادة بيتابايت من بيانات الفيديو يومياً من أساطيل المركبات. من المستحيل تصنيف كل إطار من أجل كشف الأشياء والتجزئة الدلالية. من خلال SSL، يمكن للنظام التعلم من الغالبية العظمى من ساعات القيادة غير المُصنفة لفهم بيئات الطرق المعقدة، والظروف الجوية، والحالات النادرة بشكل أفضل.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

لنشر حلول الذكاء الاصطناعي بفعالية، من الضروري فهم كيف يختلف SSL عن الاستراتيجيات المماثلة:

• مقابل التعلم النشط: بينما يتعامل كلاهما مع البيانات غير المُصنفة، يختلف نهجهما في التصنيف. يقوم SSL بتعيين الوسوم تلقائياً بناءً على تنبؤات النموذج. على النقيض من ذلك، يحدد التعلم النشط نقاط البيانات الأكثر "غموضاً" أو غير المؤكدة ويطلب صراحةً تدخل الإنسان لتصنيفها، مما يحسن وقت الإنسان بدلاً من إزالته تماماً.
• مقابل تعلم النقل: يتضمن تعلم النقل أخذ نموذج مُدرب مسبقاً على مجموعة بيانات خارجية ضخمة (مثل ImageNet) وضبطه بدقة لمهمتك الخاصة. أما SSL، فيركز على الاستفادة من الجزء غير المُصنف من توزيع مجموعة بياناتك الخاصة أثناء عملية التدريب نفسها.
• مقابل التعلم الذاتي المُشرف: على الرغم من تشابه الأسماء، غالباً ما يشير التعلم الذاتي المُشرف إلى "مهام تمهيدية" (مثل حل أحجية تركيب الصور) حيث تُنشئ البيانات إشارات إشراف خاصة بها بدون أي وسوم خارجية. بينما يعني SSL تحديداً استخدام مجموعة أصغر من الوسوم المُتحقق منها لتوجيه العملية.

Link to this sectionالأدوات والتوقعات المستقبلية#

مع نمو حجم نماذج التعلم العميق (DL)، تصبح كفاءة استخدام البيانات أمراً بالغ الأهمية. توفر الأطر الحديثة مثل PyTorch وTensorFlow الدعم الحسابي لحلقات التدريب المتقدمة هذه. علاوة على ذلك، تعمل أدوات مثل منصة Ultralytics على تبسيط دورة حياة إدارة مجموعات البيانات. من خلال استخدام ميزات مثل التصنيف التلقائي، يمكن للفرق تنفيذ سير عمل التعلم شبه المُشرف بسهولة أكبر، وتحويل البيانات الخام بسرعة إلى أوزان نموذج جاهزة للإنتاج. يضمن هذا التطور في MLOps استمرار انخفاض حاجز الدخول لإنشاء أنظمة رؤية عالية الدقة.