Zero-Shot Learning

التعلم الصفري (ZSL) هو نموذج تعلم آلي يُمكّن نماذج الذكاء الاصطناعي من التعرف على الكائنات أو تصنيفها أو اكتشافها دون أن تواجهها قط خلال مرحلة التدريب الخاصة بها. في التعلم الخاضع للإشراف التقليدي، يتطلب النموذج آلاف الأمثلة المصنفة لكل فئة محددة يحتاج إلى تحديدها. يُلغي التعلم الصفري هذا الاعتماد الصارم من خلال الاستفادة من معلومات إضافية — وغالباً ما تكون أوصافاً نصية، أو سمات دلالية، أو مضمنات (embeddings) — لسد الفجوة بين الفئات المرئية وغير المرئية. تتيح هذه القدرة لأنظمة الذكاء الاصطناعي (AI) أن تكون أكثر مرونة وقابلية للتوسع وقدرة ملحوظة على التعامل مع البيئات الديناميكية التي يكون فيها جمع بيانات شاملة لكل كائن محتمل أمراً غير عملي.

كيف يعمل التعلم الصفري#

تتضمن الآلية الأساسية للتعلم الصفري نقل المعرفة من المفاهيم المألوفة إلى المفاهيم غير المألوفة باستخدام مساحة دلالية مشتركة. بدلاً من تعلم التعرف على "الحمار الوحشي" حصرياً عن طريق حفظ أنماط البكسل للخطوط السوداء والبيضاء، يتعلم النموذج العلاقة بين الميزات المرئية والسمات الدلالية (مثل: "شكل يشبه الحصان"، "نمط مخطط"، "أربع أرجل") المستمدة من معالجة اللغات الطبيعية (NLP).

غالباً ما تعتمد هذه العملية على النماذج متعددة الوسائط التي تواءم بين تمثيلات الصور والنصوص. على سبيل المثال، توضح الأبحاث التأسيسية مثل OpenAI's CLIP كيف يمكن للنماذج تعلم المفاهيم المرئية من إشراف اللغة الطبيعية. عندما يواجه نموذج التعلم الصفري كائناً غير مرئي، فإنه يستخرج الميزات المرئية ويقارنها بقاموس من المتجهات الدلالية. إذا كانت الميزات المرئية تتماشى مع الوصف الدلالي للفئة الجديدة، فيمكن للنموذج تصنيفها بشكل صحيح، مما يؤدي بفعالية إلى تنفيذ تنبؤ "صفري". يُعد هذا النهج جوهرياً لـالنماذج التأسيسية الحديثة التي تعمم عبر مجموعة واسعة من المهام.

تطبيقات العالم الحقيقي#

يدفع التعلم الصفري عجلة الابتكار عبر مختلف الصناعات من خلال تمكين الأنظمة من التعميم إلى ما هو أبعد من بيانات تدريبها الأولية.

1. اكتشاف الكائنات ذات المفردات المفتوحة: تستخدم البنى الحديثة مثل YOLO-World التعلم الصفري لاكتشاف الكائنات استناداً إلى مطالبات نصية يحددها المستخدم. يتيح ذلك اكتشاف الكائنات في السيناريوهات التي يكون فيها تحديد قائمة ثابتة من الفئات مسبقاً أمراً مستحيلاً، مثل البحث عن عناصر محددة في أرشيفات فيديو ضخمة. يواصل الباحثون في Google Research دفع حدود قدرات المفردات المفتوحة هذه.

2. التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، غالباً ما يكون الحصول على بيانات مصنفة للأمراض النادرة أمراً صعباً ومكلفاً. يمكن تدريب نماذج التعلم الصفري على الحالات الشائعة وأوصاف الأعراض النادرة من الأدبيات الطبية الموجودة في قواعد البيانات مثل PubMed، مما يُمكّن النظام من الإشارة إلى الشذوذات النادرة المحتملة في التصوير الطبي دون الحاجة إلى مجموعة بيانات ضخمة من الحالات الإيجابية.

3. الحفاظ على الحياة البرية: بالنسبة لـالذكاء الاصطناعي في الزراعة وعلم البيئة، يُعد تحديد الأنواع المهددة بالانقراض التي نادرًا ما يتم تصويرها أمراً بالغ الأهمية. يتيح التعلم الصفري لعلماء الحفاظ على البيئة اكتشاف هذه الحيوانات باستخدام أوصاف قائمة على السمات محددة في قواعد البيانات البيولوجية مثل Encyclopedia of Life.

الاكتشاف الصفري مع Ultralytics#

يُجسد نموذج Ultralytics YOLO-World التعلم الصفري قيد التطبيق. فهو يتيح للمستخدمين تحديد فئات مخصصة ديناميكياً أثناء وقت التشغيل دون إعادة تدريب النموذج. ويتحقق ذلك عن طريق ربط هيكل كشف قوي بمشفر نصي يفهم اللغة الطبيعية.

يوضح مثال Python التالي كيفية استخدام YOLO-World لاكتشاف الكائنات التي لم تكن جزءاً صريحاً من مجموعة التدريب القياسية باستخدام حزمة ultralytics.

from ultralytics import YOLOWorld

# Load a pre-trained YOLO-World model capable of Zero-Shot Learning
model = YOLOWorld("yolov8s-world.pt")

# Define custom classes via text prompts (e.g., specific accessories)
# The model adjusts to detect these new classes without retraining
model.set_classes(["blue backpack", "red apple", "sunglasses"])

# Run inference on an image to detect the new zero-shot classes
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

التمييز عن المفاهيم ذات الصلة#

لفهم التعلم الصفري تماماً، من المفيد تمييزه عن استراتيجيات التعلم المماثلة المستخدمة في رؤية الكمبيوتر (CV):

• التعلم قليل الأمثلة (FSL): في حين أن التعلم الصفري لا يتطلب أي أمثلة للفئة المستهدفة، فإن التعلم قليل الأمثلة يزود النموذج بمجموعة دعم صغيرة جداً (عادة من 1 إلى 5 أمثلة) للتكيف. يُعتبر التعلم الصفري عموماً أكثر تحدياً لأنه يعتمد كلياً على الاستدلال الدلالي بدلاً من الأمثلة المرئية.
• التعلم بأمثلة أحادية (One-Shot Learning): مجموعة فرعية من التعلم قليل الأمثلة حيث يتعلم النموذج من مثال مصنف واحد بالضبط. يختلف التعلم الصفري بشكل أساسي لأنه يعمل حتى بدون صورة واحدة للفئة الجديدة.
• التعلم النقلي (Transfer Learning): يشير هذا المصطلح الواسع إلى نقل المعرفة من مهمة إلى أخرى. التعلم الصفري هو نوع محدد من التعلم النقلي الذي يستخدم سمات دلالية لنقل المعرفة إلى فئات غير مرئية دون الحاجة إلى ضبط دقيق (fine-tuning) تقليدي على بيانات جديدة.

التحديات والتوقعات المستقبلية#

بينما يوفر التعلم الصفري إمكانات هائلة، فإنه يواجه تحديات مثل مشكلة تحول النطاق (domain shift problem)، حيث لا تتوافق السمات الدلالية التي تم تعلمها أثناء التدريب تماماً مع المظهر المرئي للفئات غير المرئية. بالإضافة إلى ذلك، يمكن أن تعاني نماذج التعلم الصفري من التحيز، حيث تكون دقة التنبؤ أعلى بكثير للفئات المرئية مقارنة بغير المرئية.

تواصل الأبحاث الصادرة عن منظمات مثل Stanford University's AI Lab وIEEE Computer Society معالجة هذه القيود. ومع ازدياد قوة أدوات رؤية الكمبيوتر، يُتوقع أن يصبح التعلم الصفري ميزة قياسية، مما يقلل الاعتماد على جهود تسمية البيانات الضخمة. بالنسبة للفرق التي تتطلع إلى إدارة مجموعات البيانات بكفاءة قبل نشر النماذج المتقدمة، توفر منصة Ultralytics أدوات شاملة للشرح وإدارة مجموعات البيانات.