بيانات التدريب

بيانات التدريب هي مجموعة البيانات التأسيسية المستخدمة لتعليم نموذج التعلّم الآلي (ML) كيفية إجراء تنبؤات أو قرارات دقيقة. في التعلم الخاضع للإشراف، تتكون هذه البيانات من عينات المدخلات المقترنة بالمخرجات الصحيحة المقابلة، والتي غالبًا ما تسمى التسميات أو التعليقات التوضيحية. يتعلم النموذج بشكل متكرر من هذه الأمثلة، حيث يقوم بتعديل أوزان النموذج الداخلية لتقليل الفرق بين تنبؤاته والتسميات الفعلية. تُعد جودة بيانات التدريب وكميتها وتنوعها من أهم العوامل التي تؤثر على أداء النموذج وقدرته على التعميم على البيانات الجديدة غير المرئية.

أهمية بيانات التدريب عالية الجودة

وينطبق مبدأ "لا فائدة من القمامة، لا فائدة منها" بشكل خاص على تدريب نماذج التعلم الآلي. فالبيانات عالية الجودة ضرورية لبناء أنظمة قوية وموثوقة. تشمل الخصائص الرئيسية ما يلي:

• الملاءمة: يجب أن تعكس البيانات بدقة المشكلة التي يهدف النموذج إلى حلها.
• التنوع: يجب أن يغطي مجموعة واسعة من السيناريوهات والحالات الحادة والاختلافات التي سيواجهها النموذج في العالم الحقيقي لتجنب الإفراط في التكييف.
• وضع العلامات الدقيقة: يجب أن تكون التسميات التوضيحية صحيحة ومتسقة. وغالباً ما تكون عملية وضع العلامات على البيانات هي الجزء الأكثر استهلاكاً للوقت في مشروع الرؤية الحاسوبية.
• حجم كافٍ: عادةً ما تكون هناك حاجة إلى كمية كبيرة من البيانات لكي يتعلم النموذج أنماطًا ذات مغزى. يمكن أن تساعد تقنيات مثل زيادة البيانات في توسيع مجموعة البيانات بشكل مصطنع.
• التحيز المنخفض: يجب أن تكون البيانات متوازنة وتمثيلية لمنع تحيز مجموعة البيانات، والذي يمكن أن يؤدي إلى سلوك نموذج غير عادل أو غير صحيح. يعد فهم التحيز الخوارزمي جانبًا أساسيًا من جوانب التطوير المسؤول للذكاء الاصطناعي.

توفر منصات مثل Ultralytics HUB أدوات لإدارة مجموعات البيانات طوال دورة حياة تطوير النموذج، في حين أن الأدوات مفتوحة المصدر مثل CVAT شائعة لمهام التعليقات التوضيحية.

أمثلة من العالم الحقيقي

1. المركبات ذاتية القيادة: لتدريب نموذج الكشف عن الأجسام للمركبات ذاتية القيادة، يستخدم المطورون كميات هائلة من بيانات التدريب من الكاميرات وأجهزة الاستشعار. تتكون هذه البيانات من صور ومقاطع فيديو حيث يتم تصنيف كل إطار بدقة. يتم إحاطة المشاة وراكبي الدراجات والسيارات الأخرى وإشارات المرور في مربعات محددة. من خلال التدريب على مجموعات بيانات مثل Argoverse أو nuScenes، يتعلم الذكاء الاصطناعي للسيارة إدراك بيئتها والتنقل فيها بأمان.
2. تحليل الصور الطبية: في مجال الرعاية الصحية، قد تتكون بيانات التدريب لتحليل الصور الطبية من آلاف صور التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. يقوم أخصائيو الأشعة بتعليق هذه الصور لإبراز الأورام أو الكسور أو غيرها من الأمراض. يمكن تدريب نموذج تعلّم الآلة، مثل النموذج الذي تم إنشاؤه باستخدام Ultralytics YOLO، على مجموعة بيانات أورام الدماغ لتعلم كيفية تحديد هذه الحالات الشاذة، ليكون بمثابة أداة قوية لمساعدة الأطباء في إجراء تشخيصات أسرع وأكثر دقة. وتوفر موارد مثل أرشيف تصوير السرطان (TCIA ) إمكانية الوصول العام إلى مثل هذه البيانات لأغراض البحث.

بيانات التدريب مقابل بيانات التحقق من الصحة وبيانات الاختبار

في مشروع التعلم الآلي النموذجي، يتم تقسيم البيانات إلى ثلاث مجموعات مختلفة:

• بيانات التدريب: الجزء الأكبر، ويستخدم مباشرةً لتدريب النموذج من خلال تعديل معلماته. وغالباً ما يتضمن التدريب الفعال دراسة متأنية للنصائح الخاصة بتدريب النموذج.
• بيانات التحقق من الصحة: مجموعة فرعية منفصلة تُستخدم بشكل دوري أثناء التدريب لتقييم أداء النموذج على البيانات التي لم يتعلم منها بشكل صريح. يساعد ذلك في ضبط المعلمات الفائقة (على سبيل المثال، معدل التعلم، وحجم الدُفعات) من خلال عمليات مثل تحسين المعلمة الفائقة (Hyperparameter Optimization ) ويوفر تحذيرًا مبكرًا ضد الإفراط في التهيئة. يتم استخدام وضع التحقق من الصحة لهذا التقييم.
• بيانات الاختبار: مجموعة بيانات مستقلة، لم تتم مشاهدتها أثناء التدريب والتحقق من صحتها، ولا تُستخدم إلا بعد تدريب النموذج بشكل كامل. وهي توفر التقييم النهائي غير المتحيز لقدرة النموذج على التعميم والأداء المتوقع في العالم الحقيقي. يعد الاختبار الدقيق للنموذج أمرًا بالغ الأهمية قبل النشر.

يعد الحفاظ على فصل صارم بين مجموعات البيانات هذه أمرًا ضروريًا لتطوير نماذج موثوقة. وغالبًا ما يتم تدريب النماذج الحديثة مسبقًا على مجموعات بيانات معيارية كبيرة مثل COCO أو ImageNet، والتي تُستخدم كبيانات تدريب واسعة النطاق. يمكنك العثور على المزيد من مجموعات البيانات على منصات مثل Google Dataset Search و Kaggle Datasets.