التعلم بالنقل

التعلم النقلي هو تقنية قوية في التعلم الآلي (ML) حيث يتم إعادة استخدام نموذج تم تطويره لمهمة محددة كنقطة انطلاق لنموذج في مهمة ثانية ذات صلة. بدلاً من تدريب شبكة عصبية من الصفر - الأمر الذي يتطلب مجموعات بيانات ضخمة وقدرة حاسوبية كبيرة - يستفيد المطورون من المعرفة التي اكتسبتها الذكاء الاصطناعي بالفعل. يحاكي هذا النهج طريقة تعلم البشر؛ على سبيل المثال، معرفة كيفية العزف على البيانو تجعل تعلم العزف على الأورغن أسهل بكثير لأن الفهم الأساسي لنظرية الموسيقى وبراعة الأصابع ينتقلان من آلة إلى أخرى. في سياق التعلم العميق، هذا يعني أن النموذج يمكن أن يحقق دقة عالية في حل مشكلة جديدة باستخدام بيانات ووقت أقل بكثير.

كيف يعمل التعلم بالنقل

تكمن فعالية التعلم النقلي في الطبيعة الهرمية لاستخراج الميزات. تتعلم نماذج التعلم العميق، خاصة تلك المستخدمة في الرؤية الحاسوبية، التعرف على الأنماط في الطبقات. detect الطبقات الأولية من الهيكل الأساسي الميزات detect والعامة مثل الحواف والمنحنيات والأنسجة. هذه الميزات منخفضة المستوى قابلة للتطبيق على أي مهمة بصرية تقريبًا.

تتضمن العملية عادةً مرحلتين رئيسيتين:

1. التدريب المسبق: يتم تدريب النموذج على مجموعة بيانات قياسية واسعة النطاق ، مثل ImageNet، لتعلم التمثيلات البصرية العامة. وينتج عن ذلك مجموعة من أوزان النموذج التي تفهم بالفعل البنية البصرية .
2. التكيف: يتم بعد ذلك تكييف النموذج المدرب مسبقًا مع مهمة متخصصة محددة. وغالبًا ما يتم ذلك عن طريق "تجميد" الطبقات الأولى (مع الحفاظ على أوزانها ثابتة) وإعادة تدريب الطبقات النهائية فقط، أو رأس الكشف، على مجموعة بيانات أصغر ومخصصة.

تطبيقات واقعية

أدى التعلم التحويلية إلى إضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال السماح ببناء حلول متخصصة دون الحاجة إلى موارد التكنولوجيا الكبيرة.

• الذكاء الاصطناعي في الرعاية الصحية: من الصعب جمع ملايين الصور الطبية المُعلقة لكل مرض محدد. ومع ذلك، يمكن للباحثين أخذ نموذج مُدرب مسبقًا على الأشياء اليومية وتطبيقه على تحليل الصور الطبية. ينقل النموذج قدرته على detect والشذوذات لتحديد الأورام في الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي بدقة عالية .
• الذكاء الاصطناعي في التصنيع: في البيئات الصناعية، يجب أن تتكيف أنظمة الفحص البصري بسرعة مع خطوط الإنتاج الجديدة. يمكن تحديث نموذج الكشف عن العيوب بشكل عام بسرعة لاكتشاف العيوب في مكون جديد معين، مثل الرقاقة الدقيقة، باستخدام سير عمل التصنيع الذكي لتقليل وقت التعطل إلى الحد الأدنى.

العلاقة بالمفاهيم الأخرى

من المفيد التمييز بين التعلم النقلي والمصطلحات الوثيقة الصلة به:

• مقابل الضبط الدقيق: الضبط الدقيق هو طريقة محددة لتنفيذ التعلم النقلي. في حين أن التعلم النقلي هو المفهوم الشامل لإعادة استخدام المعرفة، فإن الضبط الدقيق يشير إلى العملية الميكانيكية لإلغاء تجميد أجزاء من النموذج وتدريبها على بيانات جديدة بمعدل تعلم أقل.
• مقابل التعلم بدون تدريب (Zero-Shot Learning): يتطلب التعلم بالتحويل مرحلة تدريب مع بعض البيانات المصنفة للمهمة الجديدة. في المقابل، يحاول التعلم بدون تدريب classify التي لم يرها النموذج من قبل، وغالبًا ما يعتمد على الأوصاف الدلالية بدلاً من الأمثلة المرئية.

مثال عملي

ما يلي Python يوضح المقتطف التعلم النقلي باستخدام ultralytics المكتبة. نقوم بتحميل يولو26 النموذج، الذي يأتي مع أوزان مسبقة التدريب مشتقة من COCO . عندما نبدأ التدريب على مجموعة بيانات جديدة، يقوم النموذج تلقائيًا بنقل ميزاته المسبقة التعلم إلى المهمة الجديدة.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (transferring weights from COCO)
model = YOLO("yolo26n.pt")

# Train the model on a new, smaller dataset to adapt its knowledge
# This leverages the pre-learned backbone for faster convergence
results = model.train(data="coco8.yaml", epochs=5)

لإدارة مجموعات البيانات وتنفيذ عمليات التدريب هذه في السحابة، تعمل أدوات مثل Ultralytics على تبسيط العملية، مما يتيح للفرق التعاون في تعليق البيانات ونشر النماذج التي تم تعلمها بنقل المعرفة بكفاءة.

للتعمق أكثر في النظرية الأكاديمية، توفر ملاحظات ستانفورد CS231n نظرة عامة ممتازة، بينما يوفر دليلPyTorch LearningTutorial تفاصيل تقنية شاملة للتنفيذ.