Transfer Learning

التعلم بنقل المعرفة هو أسلوب قوي في تعلم الآلة (ML) حيث يُعاد استخدام نموذج تم تطويره لمهمة محددة كنقطة انطلاق لنموذج في مهمة ثانية ذات صلة. فبدلاً من تدريب شبكة عصبية من الصفر - وهو أمر يتطلب مجموعات بيانات ضخمة وقوة حوسبة كبيرة - يستفيد المطورون من المعرفة التي اكتسبها الذكاء الاصطناعي بالفعل. يحاكي هذا النهج كيفية تعلم البشر؛ فعلى سبيل المثال، معرفة كيفية العزف على البيانو تجعل تعلم الأورغن أسهل بكثير لأن الفهم الأساسي لنظرية الموسيقى ومرونة الأصابع ينتقلان مع الشخص. في سياق التعلم العميق، يعني هذا أن النموذج يمكنه تحقيق دقة عالية في مشكلة جديدة ببيانات ووقت أقل بكثير.

Link to this sectionكيف يعمل التعلم بنقل المعرفة#

تكمن فعالية التعلم بنقل المعرفة في الطبيعة الهرمية لـ استخراج الميزات. تتعلم نماذج التعلم العميق، وخاصة تلك المستخدمة في رؤية الحاسوب، التعرف على الأنماط في طبقات. تكتشف الطبقات الأولية من العمود الفقري (backbone) ميزات بسيطة وعالمية مثل الحواف والمنحنيات والقوام. هذه الميزات منخفضة المستوى قابلة للتطبيق على أي مهمة بصرية تقريبًا.

تتضمن العملية عادة مرحلتين رئيسيتين:

1. التدريب المسبق: يتم تدريب نموذج على مجموعة بيانات مرجعية واسعة النطاق، مثل ImageNet، لتعلم تمثيلات بصرية عامة. ينتج عن هذا مجموعة من أوزان النموذج التي تفهم بالفعل الهيكل البصري.

2. التكيف: يتم بعد ذلك تكييف النموذج المدرب مسبقًا لمهمة متخصصة محددة. يتم ذلك غالبًا عن طريق "تجميد" الطبقات الأولى (الحفاظ على أوزانها ثابتة) وإعادة تدريب الطبقات النهائية فقط، أو رأس الكشف، على مجموعة بيانات أصغر ومخصصة.

Link to this sectionتطبيقات العالم الحقيقي#

لقد أدى التعلم بنقل المعرفة إلى إضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال السماح ببناء حلول متخصصة دون الحاجة إلى موارد شركات التكنولوجيا الكبرى.

• الذكاء الاصطناعي في الرعاية الصحية: من الصعب جمع ملايين الصور الطبية المشروحة لكل مرض محدد. ومع ذلك، يمكن للباحثين أخذ نموذج مدرب مسبقًا على الأشياء اليومية وتطبيقه على تحليل الصور الطبية. ينقل النموذج قدرته على اكتشاف الأشكال والشذوذ لتحديد الأورام في الأشعة السينية أو فحوصات الرنين المغناطيسي بـ دقة 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 المعمم بسرعة لرصد العيوب في مكون جديد محدد، مثل الشريحة الدقيقة، باستخدام سير عمل التصنيع الذكي لتقليل وقت التوقف عن العمل.

Link to this sectionالعلاقة بالمفاهيم الأخرى#

من المفيد التمييز بين التعلم بنقل المعرفة والمصطلحات ذات الصلة الوثيقة:

• مقابل الضبط الدقيق (Fine-Tuning): الضبط الدقيق هو طريقة محددة لتنفيذ التعلم بنقل المعرفة. بينما يعد التعلم بنقل المعرفة المفهوم الشامل لإعادة استخدام المعرفة، يشير الضبط الدقيق إلى العملية الميكانيكية لإلغاء تجميد أجزاء من النموذج وتدريبها على بيانات جديدة باستخدام معدل تعلم أقل.
• مقابل التعلم بصفر لقطات (Zero-Shot Learning): يتطلب التعلم بنقل المعرفة مرحلة تدريب مع بعض البيانات المصنفة للمهمة الجديدة. في المقابل، يحاول التعلم بصفر لقطات تصنيف كائنات لم يرها النموذج من قبل، وغالبًا ما يعتمد على الأوصاف الدلالية بدلاً من الأمثلة البصرية.

Link to this sectionمثال عملي#

يوضح مقتطف Python التالي التعلم بنقل المعرفة باستخدام مكتبة ultralytics. نقوم بتحميل نموذج YOLO26، الذي يأتي مع أوزان مدربة مسبقًا مشتقة من مجموعة بيانات COCO. عندما نبدأ التدريب على مجموعة بيانات جديدة، يقوم النموذج تلقائيًا بنقل ميزاته المكتسبة مسبقًا 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 منصة Ultralytics على تبسيط العملية، مما يسمح للفرق بالتعاون في شرح البيانات ونشر النماذج التي تعلمت بالنقل بكفاءة.

للحصول على تعمق أكبر في النظرية الأكاديمية، تقدم ملاحظات Stanford CS231n نظرة عامة ممتازة، بينما يوفر برنامج PyTorch التعليمي للتعلم بنقل المعرفة تفاصيل فنية شاملة للتنفيذ.