Transfer Learning

التعلّم بالنقل هو تقنية قوية في تعلّم الآلة (ML)، حيث يُعاد استخدام نموذج طُوّر لمهمة محددة كنقطة بداية لنموذج مخصص لمهمة ثانية ذات صلة. وبدلاً من تدريب شبكة عصبية من الصفر، الأمر الذي يتطلب مجموعات بيانات ضخمة وقدرة حاسوبية كبيرة، يستفيد المطورون من المعرفة التي اكتسبها نظام AI مسبقًا. يحاكي هذا النهج طريقة تعلّم البشر؛ فعلى سبيل المثال، تجعل معرفة العزف على البيانو تعلّم العزف على الأرغن أسهل بكثير، لأن الفهم الأساسي لنظرية الموسيقى والمهارة الحركية للأصابع ينتقلان بينهما. وفي سياق التعلّم العميق، يعني ذلك أن النموذج يستطيع تحقيق دقة عالية في مشكلة جديدة باستخدام قدر أقل بكثير من البيانات والوقت.

كيفية عمل التعلّم بالنقل#

تكمن فعالية التعلّم بالنقل في الطبيعة الهرمية لـاستخراج السمات. تتعلم نماذج التعلّم العميق، ولا سيما المستخدمة في الرؤية الحاسوبية، التعرّف على الأنماط عبر طبقات متسلسلة. تكتشف الطبقات الأولية من العمود الفقري سمات بسيطة وعامة مثل الحواف والمنحنيات والقوام. وتكون هذه السمات منخفضة المستوى قابلة للتطبيق على أي مهمة بصرية تقريبًا.

تتضمن العملية عادةً مرحلتين رئيسيتين:

1. التدريب المسبق: يُدرَّب نموذج على مجموعة بيانات معيارية واسعة النطاق، مثل ImageNet، لتعلّم تمثيلات بصرية عامة. وينتج عن ذلك مجموعة من أوزان النموذج التي تفهم البنية البصرية مسبقًا.

2. التكييف: يُكيَّف النموذج المدرَّب مسبقًا بعد ذلك مع مهمة متخصصة محددة. ويتم ذلك غالبًا عبر «تجميد» الطبقات المبكرة (أي إبقاء أوزانها ثابتة) وإعادة تدريب الطبقات النهائية فقط، أو رأس الكشف، على مجموعة بيانات مخصصة أصغر.

التطبيقات الواقعية#

جعل التعلّم بالنقل الذكاء الاصطناعي متاحًا على نطاق أوسع، إذ أتاح بناء حلول متخصصة دون الحاجة إلى موارد شركات التقنية الكبرى.

• الذكاء الاصطناعي في الرعاية الصحية: من الصعب جمع ملايين الصور الطبية المشروحة لكل مرض محدد. إلا أن الباحثين يستطيعون استخدام نموذج مدرَّب مسبقًا على أشياء يومية وتطبيقه على تحليل الصور الطبية. وينقل النموذج قدرته على اكتشاف الأشكال والشذوذات لتحديد الأورام في صور الأشعة السينية أو فحوصات MRI بدقة عالية.
• الذكاء الاصطناعي في التصنيع: في البيئات الصناعية، يجب أن تتكيف أنظمة الفحص البصري بسرعة مع خطوط المنتجات الجديدة. ويمكن تحديث نموذج عام لاكتشاف العيوب بسرعة لرصد العيوب في مكوّن جديد محدد، مثل شريحة إلكترونية دقيقة، مع الاستفادة من سير عمل التصنيع الذكي لتقليل وقت التوقف.

العلاقة بالمفاهيم الأخرى#

من المفيد التمييز بين التعلّم بالنقل والمصطلحات وثيقة الصلة به:

• مقابل الضبط الدقيق: الضبط الدقيق هو أسلوب محدد لتنفيذ التعلّم بالنقل. فبينما يُعدّ التعلّم بالنقل مفهومًا شاملًا لإعادة استخدام المعرفة، يشير الضبط الدقيق إلى العملية التقنية لإلغاء تجميد أجزاء من النموذج وتدريبها على بيانات جديدة باستخدام معدل تعلّم أقل.
• مقابل التعلّم صفري اللقطة: يتطلب التعلّم بالنقل مرحلة تدريب تتضمن بعض البيانات المصنفة للمهمة الجديدة. وعلى النقيض من ذلك، يحاول التعلّم صفري اللقطة تصنيف كائنات لم يسبق للنموذج رؤيتها، وغالبًا ما يعتمد على أوصاف دلالية بدلاً من الأمثلة البصرية.

مثال عملي#

يوضح مقتطف Python التالي التعلّم بالنقل باستخدام مكتبة ultralytics. نحمّل نموذج YOLO26، الذي يأتي مزودًا بأوزان مدرَّبة مسبقًا ومشتقة من مجموعة بيانات COCO. وعندما نبدأ التدريب على مجموعة بيانات جديدة، ينقل النموذج تلقائيًا سماته المتعلَّمة 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)

ولإدارة مجموعات البيانات وتنفيذ عمليات التدريب هذه في السحابة، تعمل أدوات مثل منصة Ultralytics على تبسيط العملية، مما يتيح للفرق التعاون في شرح البيانات ونشر النماذج المتعلّمة بالنقل بكفاءة.

للاطلاع المتعمق على النظرية الأكاديمية، تقدم ملاحظات Stanford CS231n عرضًا ممتازًا، بينما يوفر دليل PyTorch للتعلّم بالنقل تفاصيل تقنية موسعة للتنفيذ.