التعلّم التحويلي هو تقنية قوية في التعلّم الآلي (ML) حيث يتم إعادة استخدام نموذج تم تطويره لمهمة واحدة كنقطة انطلاق لنموذج في مهمة ثانية ذات صلة. يستفيد هذا النهج من المعرفة المكتسبة من المهمة الأولى لتحسين كفاءة التعلّم والأداء في المهمة الجديدة، خاصةً عندما تكون البيانات المتاحة للمهمة الجديدة محدودة. بدلًا من تدريب نموذج من الصفر، يتيح لك التعلّم المنقول الاستفادة من النماذج المدرّبة مسبقًا التي تم تطويرها على مجموعات بيانات كبيرة، مما يوفر الكثير من الوقت والموارد الحاسوبية.
كيف يعمل التعلُّم التحويلي
تتمثل الفكرة الأساسية وراء نقل التعلّم في أن النموذج الذي تعلّم تحديد الأنماط في مجموعة بيانات كبيرة يمكنه نقل تلك المعرفة إلى مهمة مختلفة ولكن ذات صلة. على سبيل المثال، يمكن تكييف نموذج تم تدريبه على التعرف على الأجسام في ملايين الصور لتحديد أنواع معينة من الأجسام باستخدام مجموعة بيانات أصغر. وهذا مفيد بشكل خاص في الرؤية الحاسوبية (CV) ومعالجة اللغات الطبيعية (NLP)، حيث يمكن أن يستغرق إنشاء مجموعات بيانات كبيرة وموسومة وقتًا طويلاً ومكلفًا.
أنواع التعلم التحويلي
هناك عدة طرق لنقل التعلم، بما في ذلك:
- استخراج الميزات: في هذا النهج، يتم استخدام النموذج المدرّب مسبقًا كمستخرج ميزات ثابت. تتم إزالة الطبقات الأخيرة من النموذج، والتي عادةً ما تكون خاصة بالمهام، وتُستخدم مخرجات الطبقات المتبقية كمدخلات لمصنف جديد.
- الضبط الدقيق: يتضمن ذلك إلغاء تجميد بعض أو كل طبقات النموذج المدرّب مسبقًا ومواصلة عملية التدريب على مجموعة البيانات الجديدة. يسمح ذلك للنموذج بتكييف ميزاته المكتسبة مع تفاصيل المهمة الجديدة مع الاحتفاظ بالمعرفة العامة المكتسبة من المهمة الأصلية. استكشف الضبط الدقيق بالتفصيل لفهم كيفية تحسين دقة النموذج.
فوائد التعلُّم التحويلي
يوفر التعلم المنقول العديد من المزايا:
- تقليل وقت التدريب: من خلال البدء بنموذج مدرب مسبقًا، يتم تقليل وقت التدريب للمهمة الجديدة بشكل كبير.
- تحسين الأداء: غالبًا ما تؤدي الاستفادة من المعرفة من مهمة ذات صلة إلى أداء أفضل، خاصةً عندما تكون المهمة الجديدة ذات بيانات محدودة.
- بيانات أقل مطلوبة: يمكن أن يكون التعلّم المنقول فعالاً بشكل خاص عندما يكون لديك مجموعة بيانات صغيرة للمهمة الجديدة، حيث أن النموذج المدرّب مسبقًا لديه بالفعل فهم جيد للأنماط الأساسية.
التعلم المنقول مقابل تقنيات التعلم الأخرى
من المهم التمييز بين التعلم التحويلي وتقنيات التعلم الأخرى ذات الصلة:
- التعلم المنقول مقابل التعلم الخاضع للإشراف: في التعلّم التقليدي الخاضع للإشراف، يتم تدريب النموذج من الصفر على مجموعة بيانات مصنفة خاصة بالمهمة المطروحة. من ناحية أخرى، يستفيد التعلم المنقول من نموذج مُدرّب مسبقًا كنقطة انطلاق، مما يقلل بشكل كبير من كمية البيانات المصنفة ووقت التدريب المطلوب.
- نقل التعلّم مقابل الضبط الدقيق: في حين أن الضبط الدقيق هو نوع محدد من التعلّم التحويلي، إلا أن التعلّم التحويلي لا يتضمن كل التعلّم التحويلي ضبطاً دقيقاً. على سبيل المثال، يعد استخدام نموذج مُدرَّب مسبقًا كمستخرج ميزات ثابتة شكلاً من أشكال التعلّم التحويلي الذي لا يتضمن الضبط الدقيق.
التطبيقات الواقعية
للتعلم التحويلي العديد من التطبيقات الواقعية في مختلف المجالات:
- التصوير الطبي: في مجال الرعاية الصحية، يمكن استخدام التعلّم التحوّلي لتكييف النماذج المدرّبة على مجموعات بيانات كبيرة من الصور العامة مع مهام تصوير طبي محددة، مثل الكشف عن الأورام أو غيرها من الحالات الشاذة في الأشعة السينية أو التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب. يعد هذا الأمر ذا قيمة خاصة لأن مجموعات بيانات التصوير الطبي غالباً ما تكون أصغر حجماً وأكثر صعوبة في الحصول عليها بسبب مخاوف تتعلق بالخصوصية والحاجة إلى وضع العلامات من قبل الخبراء. استكشف الذكاء الاصطناعي في مجال الرعاية الصحية لمزيد من المعلومات.
- اكتشاف الأجسام في المركبات ذاتية القيادة: يلعب التعلم المنقول دوراً حاسماً في نماذج التدريب على اكتشاف الأجسام في السيارات ذاتية القيادة. يمكن ضبط النموذج الذي تم تدريبه مسبقاً على مجموعة بيانات واسعة من الصور العامة للتعرف على أجسام محددة ذات صلة بالقيادة، مثل المشاة والمركبات وإشارات المرور، باستخدام مجموعة بيانات أصغر ومتخصصة. تعرّف على المزيد حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
الأدوات وأطر العمل
تدعم العديد من أطر التعلُّم العميق الشائعة التعلُّم التحوّلي، بما في ذلك PyTorch و TensorFlow. توفر هذه الأطر إمكانية الوصول إلى مجموعة واسعة من النماذج المدربة مسبقًا، مثل تلك المتوفرة في مكتبةHugging Face Transformers، والتي يمكن تكييفها بسهولة للمهام الجديدة. بالإضافة إلى ذلك، تسهل منصات مثل Ultralytics HUB استخدام نماذج Ultralytics YOLO المدربة مسبقًا على ، مما يبسط عملية تنفيذ التعلم التحويلي لتطبيقات الرؤية الحاسوبية.
من خلال الاستفادة من قوة التعلُّم التحوّلي، يمكن للمطورين والباحثين إنشاء نماذج عالية الأداء بكفاءة أكبر، حتى مع وجود بيانات محدودة، مما يسرّع من تطوير حلول الذكاء الاصطناعي ونشرها في مختلف الصناعات.
