التعلُّم بالقليل من اللقطات

التعلّم بقليل من اللقطات هو مجال فرعي للتعلّم الآلي يمكّن النماذج من التعميم والتكيف مع المهام الجديدة ببيانات تدريب محدودة للغاية. وعلى عكس مناهج التعلّم الآلي التقليدية التي تتطلب مجموعات بيانات كبيرة لتحقيق أداء عالٍ، يهدف التعلّم قليل اللقطات إلى التعلّم من أمثلة قليلة فقط، وغالبًا ما تكون قليلة مثل مثال أو مثالين لكل فئة. هذه القدرة ضرورية للسيناريوهات التي يكون فيها جمع البيانات مكلفاً أو مستهلكاً للوقت أو غير عملي.

كيف يعمل التعلُّم من اللقطات القليلة

يستفيد التعلّم القليل من المعرفة السابقة المكتسبة من المهام ذات الصلة للتعامل مع المهام الجديدة بأقل قدر من البيانات. ويتم تحقيق ذلك عادةً من خلال تقنيات مثل التعلّم التحوّلي والتعلّم الفوقي واستخدام النماذج المدربة مسبقًا. يمكن أن تتكيف النماذج المدربة مسبقًا مثل تلك النماذج القائمة على البنى التحويلية أو الشبكات العصبية التلافيفية (CNNs) بسرعة مع المهام الجديدة من خلال الضبط الدقيق على مجموعة بيانات صغيرة.

على سبيل المثال، تقوم مناهج التعلم الفوقي، مثل "التعلم للتعلم"، بتدريب نموذج على توزيع المهام بدلاً من مهمة واحدة. وهذا يزود النموذج بالقدرة على التكيف بسرعة مع المهام الجديدة أثناء الاستدلال.

التقنيات الرئيسية في التعلّم من اللقطات القليلة

• التعلم التلوي: غالبًا ما يشار إليها باسم "التعلم للتعلم"، حيث تقوم خوارزميات التعلم التلوي مثل MAML (التعلم التلوي المحايد للنموذج) بتدريب النماذج لتعميمها عبر مهام متعددة. تعرف على المزيد حول التعلم التحوّلي هنا.
• الشبكات النموذجية: تُنشئ هذه النماذج نموذجًا أوليًا (أو مركزًا) لكل فئة في فضاء التضمين، والذي يُستخدم بعد ذلك لتصنيف العينات الجديدة بناءً على قربها.
• الشبكات السيامية: تقارن هذه الشبكات بين أزواج من المدخلات لتحديد ما إذا كانت تنتمي إلى نفس الفئة، مما يجعلها فعالة في مهام مثل التحقق من الوجوه.
• تعزيز البيانات: تعمل تقنيات مثل زيادة البيانات على توسيع مجموعة البيانات بشكل مصطنع من خلال إصدارات محوّلة من البيانات الحالية لتحسين تعميم النموذج.

تطبيقات تعلم اللقطات القليلة

ينطوي التعلّم من خلال اللقطات القليلة على إمكانات تحويلية في مختلف الصناعات. إليك بعض الأمثلة الواقعية:

1. تشخيص الرعاية الصحية: يُستخدم التعلّم على عدد قليل من اللقطات للكشف عن الأمراض النادرة حيث يكون جمع مجموعة بيانات كبيرة أمرًا صعبًا. على سبيل المثال، يمكن تدريب نموذج على عدد قليل من الصور الطبية لتحديد الأورام النادرة. تعرف على المزيد حول تطبيقات الذكاء الاصطناعي في مجال الرعاية الصحية.

2. معالجة اللغة الطبيعية (NLP): يعمل التعلم قليل اللقطات على تشغيل تطبيقات مثل تحليل المشاعر وتصنيف النصوص حيث قد تكون البيانات المصنفة نادرة. وتستخدم تقنيات مثل GPT-4 تقنيات مثل GPT-4 مطالبات قليلة اللقطات لتوليد استجابات سياقية بأقل قدر من الأمثلة.

3. البيع بالتجزئة وإدارة المخزون: يُمكِّن التعلُّم من خلال لقطات قليلة نماذج التعرُّف على الكائنات من تحديد المنتجات الجديدة على الرفوف من خلال بضع صور تحمل علامات معينة، مما يؤدي إلى تبسيط العمليات في تجارة التجزئة القائمة على الذكاء الاصطناعي.

4. الروبوتات والأتمتة: يمكن للروبوتات التكيف مع البيئات والمهام الجديدة بأمثلة محدودة، مما يعزز كفاءتها في الصناعات الديناميكية مثل التصنيع. استكشف الذكاء الاصطناعي في حلول التصنيع.

التعلُّم من اللقطات القليلة مقابل المفاهيم ذات الصلة

• تعلّم اللقطة الصفرية: في حين يعتمد التعلُّم بقليل من اللقطات على عدد قليل من الأمثلة المسمّاة، فإن التعلُّم بدون ل قطات لا يتطلب أمثلة مسمّاة للمهمة الجديدة، ويستفيد من المعلومات الدلالية أو التضمينات المدربة مسبقًا بدلاً من ذلك.
• التعلّم التحويلي: غالبًا ما يستخدم التعلُّم التحوّلي التعلُّم التحوّلي لتكييف النماذج المدربة مسبقًا مع المهام الجديدة بسرعة. ومع ذلك، يركز التعلّم التحويلي بشكل أوسع على إعادة استخدام نموذج تم تدريبه على مجموعة بيانات كبيرة لمهمة جديدة محددة.

التحديات في التعلُّم من اللقطات القليلة

على الرغم من مزاياه، إلا أن التعلّم بالقليل من اللقطات يأتي مع تحديات:

• الإفراط في التعميم: مع محدودية البيانات، قد تتكيف النماذج بشكل مفرط مع العدد القليل من الأمثلة، مما يقلل من التعميم. يمكن أن تساعد تقنيات مثل التنظيم في التخفيف من هذا الأمر.
• اختلال التوازن الفئوي: غالبًا ما تتعامل المهام قليلة الطلقات مع مجموعات بيانات غير متوازنة، مما يجعل من الصعب تحقيق تنبؤات دقيقة.
• تعقيد النموذج: يمكن أن تكون نماذج التعلُّم قليلة الطلقات كثيفة من الناحية الحسابية، مما يتطلب تقنيات تحسين فعالة مثل خوارزميات التعلُّم الفوقي.

مستقبل التعلُّم من اللقطات القليلة

يُعد التعلُّم من خلال اللقطات القليلة مجالاً سريع التطور، مع حدوث تطورات في مجالات مثل التعلُّم الفوقي والنماذج التوليدية. أدوات مثل Ultralytics YOLO تتيح للمستخدمين الاستفادة من النماذج المدربة مسبقًا للتطبيقات المخصصة، مما يقلل من الحاجة إلى مجموعات بيانات موسعة موسومة. كما تعمل المنصات مثل Ultralytics HUB على تبسيط عملية نشر النماذج وضبطها لسيناريوهات التعلم قليل اللقطات.

من خلال التصدي للتحديات والتكامل مع التقنيات المتطورة، يواصل التعلّم بالقليل من اللقطات القليلة دفع حدود ما يمكن أن يحققه الذكاء الاصطناعي بأقل قدر من البيانات.