التعلّم المتباين

التعلّم التبايني هو أسلوب تعلّم خاضع للإشراف الذاتي في التعلّم الآلي يركّز على تعلّم التمثيلات من خلال مقارنة عينات البيانات للتأكيد على أوجه التشابه والاختلاف بينها. وهو نهج قوي لتعلم التمثيل، حيث يتمثل الهدف منه في ترميز البيانات إلى تضمينات ذات مغزى تلتقط العلاقات الدلالية. وقد اكتسب التعلم التبايني زخمًا كبيرًا في السنوات الأخيرة نظرًا لنجاحه في مجالات مثل الرؤية الحاسوبية ومعالجة اللغات الطبيعية ومعالجة الصوت.

كيف يعمل التعلّم المتباين

يعمل التعلم المتباين في جوهره من خلال إنشاء أزواج من نقاط البيانات ومقارنتها. تصنف هذه الأزواج عادةً على النحو التالي:

• أزواج إيجابية: نقاط البيانات المتشابهة من الناحية الدلالية (على سبيل المثال، مناظر مختلفة لنفس الكائن).
• الأزواج السالبة: نقاط البيانات المختلفة دلالياً.

تتضمن عملية التعلم دالة خسارة متباينة، والتي تشجع النموذج على تقليل المسافة (في فضاء التضمين) بين تمثيلات الأزواج الموجبة مع تعظيم المسافة بين تمثيلات الأزواج السالبة. من دالة الخسارة المتباينة الشائعة هي خسارة InfoNCE، والتي تلعب دورًا حاسمًا في نماذج مثل SimCLR و MoCo.

المزايا الرئيسية للتعلم التبايني

1. كفاءة البيانات: يستفيد التعلّم المتباين من البيانات غير الموسومة، مما يقلل من الاعتماد على مجموعات البيانات الموسومة الشاملة. هذا مفيد بشكل خاص في مجالات مثل التصوير الطبي أو البحث العلمي حيث يكون تصنيف البيانات مكلفًا أو مستهلكًا للوقت.
2. تحسين التمثيلات: غالبًا ما يتم تعميم التضمينات المكتسبة من خلال التعلّم المتباين بشكل جيد عبر مختلف المهام النهائية، مثل التصنيف أو التجميع.
3. تعدد الاستخدامات: يمكن تطبيق هذا النهج على طرائق متنوعة، بما في ذلك الصور والنصوص والصوت وحتى البيانات متعددة الوسائط.

تطبيقات التعلم المتباين

الذكاء الاصطناعي البصري والتعرف على الصور

في مجال الرؤية الحاسوبية، يُستخدم التعلّم المتباين على نطاق واسع لتدريب النماذج مسبقًا على مهام مثل تصنيف الصور واكتشاف الأجسام وتجزئة الصور. على سبيل المثال

• SimCLR(إطار عمل بسيط للتعلم التبايني للتمثيلات البصرية): يطبق SimCLR تقنيات زيادة البيانات لتوليد أزواج إيجابية ويستخدم فقدان التباين لتعلم التمثيلات البصرية.
• Ultralytics YOLO: على الرغم من أن النماذج مثل Ultralytics YOLO معروفة في المقام الأول باكتشاف الأجسام، إلا أنها يمكن أن تستفيد من تضمينات التعلم المتباين المدرب مسبقًا لتحسين الأداء في مهام مثل التعرف على الصور وتجزئتها.

اكتشف كيف يساهم التعلم المتباين في الرؤية الحاسوبية الحديثة في استكشاف كيفية عمل تطبيقات الرؤية الحاسوبية.

معالجة اللغات الطبيعية

في البرمجة اللغوية العصبية، يُستخدم التعلّم المتباين لمواءمة تضمينات النصوص في مهام مثل تشابه الجمل والبحث الدلالي وتصنيف النصوص. يدمج نموذج CLIP الخاص ب OpenAI أساليب التباين لمحاذاة تضمينات الصور والنصوص، مما يتيح تطبيقات متعددة الوسائط مثل تصنيف الصور بدون أي صور.

معالجة الصوت والكلام

كما تم تطبيق التعلم المتباين على البيانات الصوتية. على سبيل المثال، يمكن للنماذج أن تتعلم تمثيلات صوتية قوية من خلال مقارنة مقاطع مختلفة من نفس الملف الصوتي (أزواج إيجابية) مع ملفات صوتية غير ذات صلة (أزواج سلبية). هذا النهج مفيد في مهام مثل التعرف على الكلام أو تصنيف الموسيقى.

أمثلة من العالم الحقيقي

1. الرعاية الصحية: يعمل التعلم التبايني على تحويل الذكاء الاصطناعي في مجال الرعاية الصحية. فهو يساعد على سبيل المثال في تحليل الصور الطبية من خلال تعلم تمثيلات قوية للأشعة السينية أو التصوير بالرنين المغناطيسي دون الحاجة إلى مجموعات بيانات موسعة موسومة. يمكن أن تساعد هذه التضمينات بعد ذلك في الكشف عن الشذوذ أو تشخيص الأمراض.
2. المركبات ذاتية القيادة: في تقنية القيادة الذاتية، يُستخدم التعلم المتباين لمواءمة بيانات المستشعرات (على سبيل المثال، الليدار والكاميرات) وتعلم التمثيلات التي تحسن الذكاء الاصطناعي في القيادة الذاتية. وهذا يعزز مهام مثل التعرف على الأشياء ورسم الخرائط البيئية.

التعلّم المتباين مقابل المفاهيم ذات الصلة

• التعلّم الخاضع للإشراف: على عكس التعلّم تحت الإشراف، الذي يعتمد على البيانات الموسومة، يستخدم التعلّم المتباين البيانات غير الموسومة ويركز على التعلّم من خلال العلاقات بين نقاط البيانات.
• التعلّم الخاضع للإشراف الذاتي: التعلّم التبايني هو مجموعة فرعية من التعلّم الخاضع للإشراف الذاتي، حيث تتعلم النماذج التنبؤ بالتحوّلات أو العلاقات داخل البيانات.
• التضمينات: في حين أن التضمينات هي نتاج العديد من تقنيات التعلم الآلي، فإن التعلم المتباين يحسّن التضمينات على وجه التحديد للحفاظ على العلاقات الدلالية.

الأدوات وأطر العمل

تدعم العديد من الأدوات وأطر العمل التعلم المتباين:

• PyTorch(تعرف على المزيد حول PyTorch): يوفر مكتبات لتنفيذ الخسارة المتباينة وبناء نماذج مخصصة.
• Ultralytics HUB(اكتشف Ultralytics HUB): يوفر تدريبًا ونشرًا سلسًا للنماذج، والذي يمكن أن يدمج تقنيات التعلم المتباين في مهام سير عمل الذكاء الاصطناعي للرؤية.

يواصل التعلم المتباين دفع عجلة التقدم في مجال الذكاء الاصطناعي من خلال تمكين التعلم التمثيلي الفعال والكفء عبر تطبيقات متنوعة. للتعمق في مفاهيم التعلم الآلي، استكشف التعلم الآلي والمصطلحات ذات الصلة في مسرد المصطلحاتUltralytics .