Semi-Supervised Learning

التعلم شبه المشرف (SSL) هو نموذج استراتيجي في machine learning (ML) يعمل بمثابة جسر بين طريقتي تدريب تقليديتين. وبينما يعتمد supervised learning بالكامل على مجموعات بيانات مشروحة بالكامل، ويسعى unsupervised learning إلى إيجاد أنماط في البيانات بدون أي وسوم، يعمل التعلم شبه المشرف (SSL) من خلال الجمع بين كمية صغيرة من labeled data ومجموعة أكبر بكثير من unlabeled data. هذا النهج ذو قيمة خاصة في سيناريوهات computer vision (CV) في العالم الحقيقي، حيث يكون جمع الصور الخام - مثل لقطات الفيديو من كاميرات الأمان أو الأقمار الصناعية - غير مكلف نسبياً، ولكن عملية data labeling بواسطة الخبراء البشريين مكلفة وبطيئة وتتطلب جهداً كبيراً. ومن خلال الاستفادة الفعالة من البنية الخفية داخل الأمثلة غير الوسومة، يمكن للتعلم شبه المشرف تحسين model accuracy والتعميم بشكل كبير دون الحاجة إلى ميزانية تعليق شاملة.

الآليات الأساسية للتعلم شبه المُشرف#

الهدف الأساسي للتعلم شبه المشرف (SSL) هو نشر المعلومات الموجودة في المجموعة الصغيرة من الأمثلة الوسومة إلى المجموعة الأكبر غير الوسومة. يتيح ذلك لـ neural network تعلم حدود القرار التي تمر عبر مناطق منخفضة الكثافة في البيانات، مما ينتج عنه تصنيف أو اكتشاف أكثر قوة.

تُحرك معظم سير عمل التعلم شبه المُشرف تقنيتان شائعتان:

• التسمية الزائفة: في هذه الطريقة، يتم تدريب النموذج أولاً على البيانات الوسومة المحدودة. ثم يُستخدم لتشغيل الاستدلال على البيانات غير الوسومة. وتُعامل التنبؤات التي تتجاوز حد confidence معين كـ "وسوم زائفة" أو ground truth. تُضاف هذه التنبؤات الواثقة إلى training data، ويتم إعادة تدريب النموذج، مما يحسن أدائه بشكل تكراري.
• تنظيم الاتساق: تعتمد هذه التقنية على data augmentation. الفكرة هي أن النموذج يجب أن يُخرج تنبؤات متشابهة لصورة ولنسخة معدلة قليلاً (مُعززة) من نفس الصورة. من خلال تقليل الفرق في التنبؤات بين النسخة الأصلية والنسخة المُعززة، يتعلم النموذج التركيز على الميزات الأساسية للكائن بدلاً من التشويش، مما يحسن قدرته على التعامل مع overfitting.

التنفيذ العملي مع YOLO#

يوضح مثال Python التالي سير عمل بسيطاً للتسمية الزائفة باستخدام حزمة ultralytics. هنا، نقوم بتدريب نموذج YOLO26 على مجموعة بيانات صغيرة ثم نستخدمه لتوليد وسوم لدليل من الصور غير الوسومة.

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)

تطبيقات العالم الحقيقي#

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

• التصوير الطبي: في healthcare AI, يعد الحصول على الفحوصات (الأشعة السينية، التصوير بالرنين المغناطيسي) إجراءً قياسياً، ولكن جعل أخصائي أشعة معتمد من البورد يعلق على كل بكسل من أجل tumor detection أمر باهظ التكلفة بشكل مبالغ فيه. يتيح التعلم شبه المشرف للباحثين تدريب نماذج عالية الأداء باستخدام جزء فقط من الحالات المشروحة من قبل الخبراء، والاستفادة من آلاف الفحوصات المؤرشفة لتحسين فهم النموذج الهياكل البيولوجية.
• القيادة الذاتية: تجمع شركات السيارات ذاتية القيادة بيتابايتات من بيانات الفيديو يومياً من مركبات الأسطول. إن وسم كل إطار لـ object detection و semantic segmentation أمر مستحيل. من خلال التعلم شبه المشرف، يمكن للنظام التعلم من الغالبية العظمى من ساعات القيادة غير الوسومة لفهم بيئات الطرق المعقدة، والظروف الجوية، والحالات النادرة بشكل أفضل.

التمييز بين المفاهيم ذات الصلة#

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

• مقابل Active Learning: بينما يتعامل كلاهما مع البيانات غير الوسومة، فإن نهجهما في التسمية يختلف. يقوم التعلم شبه المشرف تلقائياً بتعيين الوسوم بناءً على تنبؤات النموذج. في المقابل، يحدد التعلم النشط نقاط البيانات الأكثر "إرباكاً" أو غير المؤكدة ويطلب صراحةً human-in-the-loop لوسمها، مما يُمثل تحسينًا لوقت الإنسان بدلاً من إزالته بالكامل.
• مقابل Transfer Learning: يتضمن نقل التعلم أخذ نموذج مدرب مسبقاً على مجموعة بيانات خارجية ضخمة (مثل ImageNet) وضبطه بدقة على مهمتك المحددة. ومع ذلك، يركز التعلم شبه المشرف على الاستفادة من الجزء غير الوسوم من توزيع مجموعة بياناتك المحددة أثناء عملية التدريب نفسها.
• مقابل Self-Supervised Learning: على الرغم من تشابه الأسماء، فإن التعلم ذاتي الإشراف غالباً ما يشير إلى "مهام ذريعة" (مثل حل لغز لأجزاء الصورة) حيث تولد البيانات إشارات الإشراف الخاصة بها دون أي وسوم خارجية. يعني التعلم شبه المشرف على وجه التحديد استخدام مجموعة أصغر من الوسوم التي تم التحقق منها لتوجيه العملية.

الأدوات والتوقعات المستقبلية#

مع نمو حجم نماذج deep learning (DL)، تصبح كفاءة استخدام البيانات أمراً بالغ الأهمية. توفر الأطر الحديثة مثل PyTorch و TensorFlow الخلفية الحسابية لحلقات التدريب المتقدمة هذه. علاوة على ذلك، فإن أدوات مثل Ultralytics Platform تبسط دورة حياة إدارة مجموعة البيانات. من خلال الاستفادة من ميزات مثل auto-annotation، يمكن للفرق تطبيق سير عمل شبه مشرف بسهولة أكبر، وتحويل البيانات الخام بسرعة إلى model weights جاهزة للإنتاج. هذا التطور في MLOps يضمن استمرار انخفاض حاجز الدخول لإنشاء أنظمة رؤية عالية الدقة.