مسرد المصطلحات

نافذة السياق

اكتشف كيف تعمل نوافذ السياق على تحسين نماذج الذكاء الاصطناعي/التعلم الآلي في معالجة اللغات الطبيعية وتحليل السلاسل الزمنية والذكاء الاصطناعي للرؤية، مما يحسن التنبؤات والدقة.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

تشير نافذة السياق إلى المدى المحدود للمعلومات السابقة (وأحيانًا اللاحقة) التي يأخذها نموذج التعلم الآلي في الاعتبار عند معالجة البيانات المتسلسلة، مثل المعلومات النصية أو معلومات السلاسل الزمنية. فكر في الأمر على أنه تركيز النموذج أو الذاكرة قصيرة المدى في أي نقطة معينة في التسلسل. هذا المفهوم بالغ الأهمية لأنه يحدد مقدار السياق الذي يمكن للنموذج الاستفادة منه لفهم العلاقات أو إجراء تنبؤات أو توليد مخرجات ذات صلة. يؤثر حجم نافذة السياق تأثيراً مباشراً على قدرة النموذج على التقاط التبعيات داخل البيانات، مما يؤثر على كل من أدائه ومتطلباته الحسابية.

نافذة السياق في معالجة اللغات الطبيعية (NLP)

نافذة السياق هي مفهوم أساسي في معالجة اللغات الطبيعية (NLP). وتعتمد نماذج مثل المحولات، التي تدعم بنيات مثل BERT و GPT، اعتمادًا كبيرًا على نوافذ السياق. في هذه النماذج، تحدد نافذة السياق عدد الرموز السابقة (كلمات أو كلمات فرعية) التي يتم أخذها في الاعتبار عند معالجة رمز معين. تسمح نافذة السياق الأكبر للنموذج بفهم التبعيات الأطول مدى في النص، مما قد يؤدي إلى مخرجات أكثر تماسكًا وإدراكًا للسياق، كما هو واضح في النماذج المتقدمة مثل GPT-4 من OpenAI. ومع ذلك، تزيد النوافذ الأكبر أيضًا من العبء الحسابي واستخدام الذاكرة أثناء التدريب والاستدلال.

نافذة السياق في الذكاء الاصطناعي للرؤية

على الرغم من أن فكرة نافذة السياق هي الأكثر بروزًا في مجال البرمجة اللغوية العصبية، إلا أنها قابلة للتطبيق أيضًا في مجال الرؤية الحاسوبية، خاصةً عند تحليل تدفقات الفيديو أو تسلسل الصور. على سبيل المثال، في تعقب الأجسام، قد يستخدم النموذج نافذة سياق من عدة إطارات متتالية للتنبؤ بشكل أفضل بمسار الجسم والتعامل مع حالات الانسداد. يساعد هذا السياق الزمني في الحفاظ على اتساق التتبع. يمكن دمج نماذج Ultralytics YOLO المعروفة في المقام الأول باكتشاف الأجسام في الوقت الحقيقي، في الأنظمة التي تستخدم نوافذ السياق لمهام مثل تحليل الفيديو، مما يعزز قدراتها بما يتجاوز معالجة الإطار الواحد. استكشف حلولUltralytics للحصول على أمثلة لتطبيقات الرؤية المتقدمة.

أمثلة على نافذة السياق في تطبيقات الذكاء الاصطناعي/التعلم الآلي في العالم الحقيقي

  • روبوتات المحادثة والمساعدين الافتراضيين: تستخدم أنظمة مثل روبوتات الدردشة الآلية والمساعدين الافتراضيين نوافذ السياق لتذكر آخر المنعطفات القليلة للمحادثة. وهذا يسمح لها بفهم أسئلة المتابعة وتقديم إجابات ذات صلة، مما يخلق تفاعلاً أكثر طبيعية. بدون سياق كافٍ، قد يتعامل المساعد مع كل استفسار بشكل مستقل، مما يؤدي إلى محادثات مفككة. يمكنك استكشاف منصات مثل Ultralytics HUB لبناء نماذج الذكاء الاصطناعي ونشرها.
  • النص التنبؤي والإكمال التلقائي: عندما تكتب على هاتفك أو تستخدم محرك بحث، تقوم خوارزميات النص التنبؤي بتحليل نافذة سياق الكلمات التي كتبتها مؤخرًا لاقتراح الكلمة التالية أو إكمال العبارة. ويعتمد ذلك على الأنماط الإحصائية المستفادة من كميات هائلة من البيانات النصية، مع الأخذ في الاعتبار السياق السابق مباشرةً لتقديم الاستكمالات المحتملة. أطر عمل مثل PyTorch و TensorFlow لبناء مثل هذه النماذج.

نافذة السياق مقابل المصطلحات الأخرى ذات الصلة

  • نافذة السياق مقابل طول التسلسل: يشير طول التسلسل إلى العدد الإجمالي للرموز في تسلسل المدخلات بأكمله المقدم للنموذج. ومع ذلك، فإن نافذة السياق هي الجزء المحدد (غالبًا ما يكون أصغر) من ذلك التسلسل الذي يستخدمه النموذج بنشاط للتنبؤ بعنصر معين. على سبيل المثال، قد يحتوي المستند على تسلسل بطول 1000 رمز، ولكن قد يستخدم النموذج نافذة سياق مكونة من 128 رمزًا فقط حول الكلمة المستهدفة. توفر مكتبة محولاتHugging Face أدوات للتعامل مع التسلسلات ونوافذ السياق.
  • نافذة السياق مقابل المجال الاستقبالي: في الشبكات العصبية التلافيفية، يصف المجال الاستقبالي في الشبكات العصبية التلافيفية (CNNs) المدى المكاني لصورة المدخلات التي تؤثر على تنشيط خلية عصبية معينة. في حين أن كلا المصطلحين يتعلقان بنطاق المدخلات التي يتم أخذها في الاعتبار، فإن المجال الاستقبالي خاص بالمجال المكاني في الشبكات العصبية التلافيفية (CNNs)، في حين أن نافذة السياق تشير عادةً إلى المجال المتسلسل (مثل الوقت أو موضع النص) عبر مختلف بنيات النماذج، بما في ذلك الشبكات العصبية المتكررة (RNNs) والمحوّلات. لمزيد من التفاصيل حول بنيات النماذج، راجع وثائق نماذجUltralytics .
قراءة الكل