التعلُّم بالقليل من اللقطات

كيف يعمل التعلُّم من اللقطات القليلة

تهدف تقنيات التعلُّم بالقليل من اللقطات إلى الاستفادة من المعرفة السابقة لتعلم مفاهيم جديدة بسرعة من بيانات محدودة. تتضمن الاستراتيجيات الشائعة ما يلي:

• التعلم التلوي: غالبًا ما يوصف بـ "التعلم للتعلم"، ويتضمن التعلم التل وي تدريب نموذج على مجموعة متنوعة من مهام التعلم خلال مرحلة التدريب التلوي. يسمح هذا للنموذج بتعلم خوارزمية تعلم فعالة أو معلمات أولية يمكنها التكيف بسرعة مع مهمة جديدة مع أمثلة قليلة. وقد تم تطوير العديد من خوارزميات التعلم التلوي لهذا الغرض.
• نقل التعلّم: غالبًا ما تستخدم FSL التعلم التحويلي من خلال البدء بنموذج مدرب مسبقًا على مجموعة بيانات كبيرة (مثل ImageNet أو COCO). ثم يتم ضبط هذا النموذج المدرب مسبقًا، والذي يفهم بالفعل الميزات العامة من مجموعة البيانات الكبيرة، باستخدام عدد قليل من الأمثلة المتاحة للمهمة المستهدفة المحددة. يستفيد هذا النهج من المعرفة العامة المضمنة في أوزان النموذج.
• زيادة البيانات: يمكن أن يساعد توليد أشكال مختلفة من عينات التدريب القليلة المتاحة باستخدام تقنيات زيادة البيانات في توسيع مجموعة البيانات المحدودة، على الرغم من أن فعاليتها يمكن أن تختلف في أنظمة البيانات المنخفضة للغاية. قد تكون هناك حاجة إلى استراتيجيات تعزيز متقدمة.

تمكّن هذه الأساليب الشبكات العصبية (NN) من تحقيق أداء معقول حتى مع الحد الأدنى من البيانات الخاصة بالمهمة.

التعلُّم من اللقطات القليلة مقابل المفاهيم ذات الصلة

من المهم التمييز بين FSL ونماذج التعلم المماثلة:

• التعلّم الصفري (ZSL): يهدف ZSL إلى تصنيف الحالات من الفئات التي لم تتم رؤيتها أثناء التدريب. يتم تحقيق ذلك عادةً باستخدام المعلومات المساعدة، مثل الأوصاف النصية أو سمات الفئات غير المرئية، لسد الفجوة بين البيانات المرئية وغير المرئية. على النقيض من ذلك، يتطلب FSL على الأقل بعض الأمثلة المصنفة لكل فئة جديدة. يمكن أن توفر نظرة عامة على ZSL و FSL والتعلم التحوّلي مزيدًا من السياق.
• التعلم بلقطة واحدة (OSL): التعلّم من لقطة واحدة هو نوع متطرف من التعلّم من خلال اللقطة الواحدة حيث يجب أن يتعلم النموذج التعرف على فئة جديدة من مثال واحد فقط. وهو يشترك في نفس أهداف تعلم اللقطة الواحدة ولكنه يعمل تحت قيود بيانات أكثر صرامة.
• نقل التعلّم: في حين أن التعلم المنقول غالبًا ما يستخدم التعلم المنقول كأسلوب، إلا أن المصطلحين غير قابلين للتبادل. فالتعلم المنقول هو مفهوم أوسع نطاقًا يتضمن الاستفادة من المعرفة من مهمة المصدر لتحسين الأداء في المهمة المستهدفة. يعالج التعلم المنقول على وجه التحديد التحدي المتمثل في التعلم بفعالية عندما تكون المهمة المستهدفة ذات بيانات موسومة محدودة للغاية.

تطبيقات تعلم اللقطات القليلة

تتيح تقنية FSL تطبيقات الذكاء الاصطناعي في السيناريوهات التي يكون فيها الحصول على مجموعات بيانات كبيرة غير عملي أو مستحيل:

• تشخيص الأمراض النادرة: في تحليل الصور الطبية، يمثل الحصول على أمثلة عديدة للأمراض النادرة لتدريب النماذج التشخيصية تحدياً في تحليل الصور الطبية. تسمح تقنية FSL للنماذج بتعلم كيفية تحديد مثل هذه الحالات (على سبيل المثال، أنواع محددة من الأورام في عمليات المسح) من مجموعة صغيرة من صور المرضى، مما قد يسرع من التشخيص والبحث. يعد هذا مجالاً رئيسياً للذكاء الاصطناعي في مجال الرعاية الصحية، حيث نُشرت الأبحاث في مجلات مثل Radiology: الذكاء الاصطناعي.
• اكتشاف كائن مخصص: ضع في اعتبارك الحاجة إلى نموذج للكشف عن الكائنات لتحديد منتج مصمم حديثًا على خط تصنيع أو نوع نادر في لقطات الحفاظ على الحياة البرية. قد يكون الحصول على آلاف الصور المصنفة غير ممكن. تسمح تقنية FSL بتدريب نماذج مخصصة، مثل تكييف نموذج Ultralytics YOLO باستخدام منصات مثل Ultralytics HUB، مع عدد قليل فقط من الأمثلة لكل فئة كائن جديد. يؤدي ذلك إلى تسريع عملية النشر لمهام الرؤية الحاسوبية المتخصصة.
• ترجمة اللغات منخفضة الموارد: يتطلب تدريب نماذج الترجمة للغات ذات النصوص الرقمية المحدودة تقنيات الترجمة اللغوية الخفيفة في إطار معالجة اللغات الطبيعية (NLP).
• الروبوتات: إن تمكين الروبوتات(الروبوتات) من التعلم السريع للتعرف على الأشياء الجديدة والتفاعل معها في بيئات غير مألوفة بناءً على الحد الأدنى من التعرض هو تطبيق آخر، تم استكشافه في الأبحاث المقدمة في مؤتمرات مثل ICRA.

التحديات والتوجهات المستقبلية

على الرغم من أنها واعدة، إلا أنها تواجه تحديات، بما في ذلك حساسية النموذج للأمثلة القليلة المحددة المقدمة وضمان التعميم القوي خارج تلك الأمثلة. ويشكل التغلب على التعميم المفرط في مثل هذه البيانات المحدودة عقبة كبيرة. تركز الأبحاث الجارية على تطوير خوارزميات أكثر قوة للتعلم الفوقي، والاستفادة بشكل أفضل من التعلم غير الخاضع للإشراف أو التعلم الذاتي الخاضع للإشراف من أجل التدريب المسبق، وإنشاء أطر نظرية لفهم التعميم في أنظمة البيانات المنخفضة. وتساهم مؤسسات مثل Google AI و Meta AI بنشاط في تطوير تقنيات التعلم الفوقي، بهدف جعل أنظمة الذكاء الاصطناعي أكثر مرونة وأقل احتياجًا للبيانات.