عمليات الحساب

حساب المهام هو تقنية متقدمة في مجال التعلم الآلي تنطوي على تعديل سلوك الشبكات العصبية المُدرَّبة مسبقًا عن طريق إضافة أو طرح تحديثات محددة للأوزان. وبدلاً من إعادة تدريب النموذج بالكامل من الصفر، يمكن للمتخصصين عزل الاختلافات المكتسبة بين النموذج الأساسي و النموذج المُحسَّن. وهذه الاختلافات هي في جوهرها تحديثات اتجاهية تجسد قدرة أو سلوكًا محددًا. من خلال تطبيق العمليات الحسابية الأساسية مثل الجمع والطرح على هذه التحديثات، يمكن للمطورين تحرير أنظمة التعلم العميق ديناميكيًا. وقد اكتسب هذا النموذج زخمًا كبيرًا في الأبحاث الحديثة على arXiv حول حساب المهام، حيث يقدم طريقة خفيفة الوزن و فعالة من حيث الحوسبة لتكييف النماذج واسعة النطاق مع المتطلبات الجديدة.

كيف يعمل هذا المفهوم

يعتمد أساس هذه التقنية على حساب الفرق في أوزان النموذج بين نموذج أساسي تم تدريبه مسبقًا ونسخة خضعت لعملية ضبط دقيق على مجموعة بيانات محددة. ويصبح هذا الفرق المعزول تمثيلاً محدداً للمهارة الجديدة. ومن خلال التعاملالمباشر مع قواميس PyTorch أو الاستفادة من منهجياتTensorFlow يمكن للمهندسين توسيع نطاق هذه الفروق في الأوزان ودمجها. على سبيل المثال، يمكن أن يؤدي طرح تحديث وزن معين إلى إجبار النموذج على "نسيان" سلوك تم تعلمه، وهو مفهوم تم استكشافه بشكل مكثف في Anthropic حول سلامة النماذج.

تطبيقات واقعية

تتيح حساب المهام تنفيذ العديد من سير العمل عالية الكفاءة في مسارات الرؤية الحاسوبية ومعالجة اللغة الطبيعية الحديثة:

• دمج القدرات متعددة المهام: يمكن للمهندسين تدريب نموذج أساسي Ultralytics على مجموعتين منفصلتين من البيانات بشكل مستقل — إحداهما مخصصة لاكتشاف الكائنات والأخرى لتصنيف الصور. ومن خلال حساب فروق الأوزان لكلتا المهمتين وإضافتها مرة أخرى إلى النموذج الأساسي، يمكن للشبكة الناتجة أداء كلتا المهمتين في وقت واحد دون التعرض لظاهرة النسيان الكارثي.
• إزالة التعلم المستهدف من أجل سلامة الذكاء الاصطناعي: إذا تعلم نموذج الرؤية عن غير قصد سمات متحيزة من بيانات التدريب الخاصة به، يمكن للباحثين ضبط نسخة منه بناءً على البيانات المتحيزة، واستخراج الاختلافات المحددة في الأوزان، وطرحها من النموذج الأصلي. وكما لوحظ في العديد من اكتشافاتGoogle فإن هذا يزيل بشكل فعال السلوك غير المرغوب فيه مع الحفاظ على قدرات الذكاء الاصطناعي العامة للنموذج.

التفريق بين المفاهيم ذات الصلة

أثناء تصفح أرشيفات IEEE Xplore أو المكتبة الرقمية لـ ACM، من السهل الخلط بين حساب المهام والمنهجيات ذات الصلة:

• متجهات المهام: هذه هي المتجهات الرياضية الفعلية (فروق الأوزان المحسوبة) المستخدمة أثناء العملية الحسابية . الحساب الخاص بالمهام هو الإطار الشامل لعملية جمع أو طرح هذه المتجهات.
• دمج النماذج: هذا مصطلح عام يشير إلى دمج نماذج متعددة. في حين أن الحساب هو إحدى طرق دمج النماذج، فإن الدمج يمكن أن يشمل أيضًا شبكات التوجيه المعقدة أو التجميع.
• التعلم الترحيلي: وفقًا لمفاهيم التعلم التلوي في ويكيبيديا، يتضمن هذا استخدام المعرفة المكتسبة من مهمة ما كنقطة انطلاق لمهمة أخرى، وهو ما يتطلب عادةً المزيد من دورات التدريب. أما الحساب الحسابي للمهام فيعدل السلوكيات من خلال حسابات الأوزان المباشرة فقط دون الحاجة إلى دورات تدريب إضافية.

تنفيذ العمليات الحسابية

يتطلب تطبيق استراتيجيات تحسين النماذج هذه في الممارسة العملية إدارة دقيقة للحالة الداخلية للنموذج. وفيما يلي مثال على حساب وتطبيق تحديث باستخدام PyTorch وهي تقنية تُناقش كثيرًا في الأبحاث الحديثة في مجال الرؤية الحاسوبية.

import torch

# Load the state dictionaries of the pre-trained base and fine-tuned models
base_weights = torch.load("yolo26_base.pt")
tuned_weights = torch.load("yolo26_tuned.pt")

# Calculate the task vector and add it back to the base model with a scaling factor
scaling_factor = 0.5
for key in base_weights.keys():
    task_vector = tuned_weights[key] - base_weights[key]
    base_weights[key] += scaling_factor * task_vector

بالنسبة للفرق التي تدير مسارات معالجة البيانات المعقدة وإصدارات متعددة من النماذج المُحسَّنة بدقة، توفر Ultralytics بيئة مبسطة للإشراف على التدريب السحابي والنشر السلس، مما يجعل إدارة التحسينات المتكررة للنماذج أكثر كفاءة بكثير.