اكتشف التعلُّم النشط، وهو طريقة تعلُّم آلي فعّالة من حيث التكلفة تعزز الدقة بعدد أقل من التسميات. تعرّف على كيفية تحويل تدريب الذكاء الاصطناعي!
التعلم النشط هو نهج متخصص في التعلم الآلي حيث تلعب الخوارزمية دورًا نشطًا في اختيار البيانات التي تتعلم منها. وعلى عكس التعلّم التقليدي الخاضع للإشراف، والذي يعتمد على مجموعات بيانات موسومة بالكامل، فإن التعلّم النشط يستعلم بذكاء عن تسميات على نقاط بيانات محددة يعتبرها الأكثر إفادة. يسمح هذا النهج المستهدف للنموذج بتحقيق دقة عالية مع عدد أقل بكثير من الأمثلة الموسومة، مما يجعله استراتيجية فعالة من حيث التكلفة وفعالة لتدريب نماذج التعلم الآلي، خاصة عند التعامل مع مجموعات البيانات الكبيرة غير الموسومة.
في التعلّم النشط، يتفاعل النموذج بشكل متكرر مع أوراكل (عادةً ما يكون شارحًا بشريًا) لطلب تسميات لنقاط البيانات الأكثر قيمة. تتبع العملية بشكل عام الخطوات التالية:
يكون التعلم النشط مفيدًا بشكل خاص عندما يكون تصنيف البيانات مكلفًا أو يستغرق وقتًا طويلاً أو يتطلب خبرة متخصصة. من خلال الاختيار الاستراتيجي لنقاط البيانات التي يجب تصنيفها، يقلل التعلم النشط من جهد التصنيف مع زيادة أداء النموذج إلى أقصى حد.
يوفر التعلم النشط العديد من المزايا مقارنة بالتعلم التقليدي الخاضع للإشراف:
يجد التعلم النشط تطبيقات في مجالات مختلفة حيث تكون البيانات المصنفة نادرة أو مكلفة للحصول عليها. فيما يلي مثالان ملموسان:
في تحليل الصور الطبية، قد يكون الحصول على شروح من الخبراء الطبيين مكلفاً ويستغرق وقتاً طويلاً. يمكن استخدام التعلّم النشط لتحديد الصور الطبية الأكثر أهمية التي تتطلب تصنيفاً من الخبراء، مثل الصور ذات السمات الغامضة أو الحالات النادرة. ويسمح هذا النهج المستهدف بتطوير نماذج تشخيصية دقيقة مع عدد أقل من الصور التي تحمل علامات محددة، مما يسرع من تطوير الأدوات الطبية المدعومة بالذكاء الاصطناعي.
يتطلب تدريب نماذج الكشف عن الأجسام للمركبات ذاتية القيادة كميات هائلة من البيانات المصنفة التي تمثل سيناريوهات قيادة متنوعة. يمكن أن يساعد التعلم النشط في إعطاء الأولوية لتسمية نقاط البيانات الأكثر تحدياً للنموذج، مثل ظروف الإضاءة غير الاعتيادية أو الأجسام المحجوبة أو حالات المرور النادرة. يضمن ذلك تدريب النموذج على البيانات الأكثر إفادة، مما يؤدي إلى تحسين السلامة والموثوقية في أنظمة القيادة الذاتية. هذا مجرد واحد من التطبيقات العديدة للرؤية الحاسوبية في المركبات ذاتية القيادة.
من المهم التمييز بين التعلم النشط ونماذج التعلم الأخرى ذات الصلة:
Ultralytics أحدث الحلول للكشف عن الأجسام، بما في ذلك نماذج Ultralytics YOLO القوية. في حين أن Ultralytics لا يقدم حاليًا دعمًا مباشرًا لسير عمل التعلم النشط، يمكن الاستفادة من المخرجات والرؤى الناتجة عن نماذج YOLO لتنفيذ استراتيجيات التعلم النشط. على سبيل المثال، يمكن استخدام درجات الثقة الخاصة بالنموذج للكشف عن الكائنات لتحديد الحالات غير المؤكدة لوضع العلامات.
بالإضافة إلى ذلك، يوفر Ultralytics مجموعة من الأدوات والموارد لتدريب نماذج YOLO والتحقق من صحتها ونشرها. يمكن دمج هذه الأدوات في خطوط أنابيب التعلم النشط المخصصة لتبسيط عملية تطوير أنظمة الكشف عن الكائنات. يمكنك استكشاف هذه الإمكانيات بشكل أكبر على صفحة التوثيقUltralytics .
يمثل التعلم النشط نموذجًا قويًا لتدريب نماذج التعلم الآلي بكفاءة، خاصةً عندما تكون البيانات المصنفة نادرة أو مكلفة. من خلال الاختيار الذكي لنقاط البيانات الأكثر إفادة لوضع العلامات، يقلل التعلم النشط من التكاليف ويسرّع التدريب ويحسن دقة النموذج. مع تزايد الطلب على حلول الذكاء الاصطناعي في مختلف الصناعات، يستعد التعلم النشط للعب دور متزايد الأهمية في تطوير أنظمة تعلم آلي قوية وفعالة.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
.webp)
