التعلُّم قليل اللقطات هو مجال فرعي للتعلُّم الآلي (ML) يركز على تمكين النماذج من التعلُّم والتعميم من عدد قليل جدًا من الأمثلة التدريبية، عادةً ما يكون من مثال واحد إلى خمسة أمثلة فقط لكل فئة. وهذا يتناقض بشكل حاد مع مناهج التعلّم العميق التقليدية التي غالبًا ما تتطلب آلاف أو ملايين من نقاط البيانات المصنفة لتحقيق أداء عالٍ. تتمثل الفكرة الأساسية في الاستفادة من المعرفة السابقة، والتي غالبًا ما يتم اكتسابها من التدريب على مجموعات بيانات كبيرة ومتنوعة، للتكيف بسرعة مع المهام أو الفئات الجديدة بأقل قدر من البيانات الجديدة. وهذا ما يجعلها ذات قيمة خاصة في الحالات التي يكون فيها جمع كميات كبيرة من البيانات الموسومة غير عملي أو مكلف أو يستغرق وقتًا طويلاً.
المفاهيم الأساسية
وغالباً ما يتضمن التعلّم في بعض اللقطات القليلة مفاهيم مثل:
- مجموعة الدعم: المجموعة الصغيرة من الأمثلة المصنفة المقدمة للمهمة أو الفئات الجديدة.
- مجموعة الاستعلام: الأمثلة غير المعنونة التي يحتاج النموذج إلى تصنيفها بناءً على مجموعة الدعم.
- التعلم التلوي: غالبًا ما يشار إليه باسم "التعلم للتعلم"، حيث تقوم تقنيات التعلم التلوي بتدريب نموذج على مجموعة متنوعة من مهام التعلم خلال مرحلة التدريب التلوي. يسمح هذا للنموذج بتعلم خوارزمية تعلم فعالة بنفسه، والتي يمكن بعد ذلك تكييفها بسرعة مع المهام الجديدة باستخدام أمثلة قليلة فقط. تشمل الأساليب الشائعة شبكات المطابقة والشبكات النموذجية.
الملاءمة والتطبيقات
إن القدرة على التعلم من البيانات المحدودة تجعل التعلم من عدد قليل من اللقطات وثيق الصلة بالعديد من المجالات:
- تحليل الصور الطبية: تشخيص الأمراض النادرة حيث قد لا يتوفر سوى عدد قليل من فحوصات المرضى للتدريب. على سبيل المثال، تدريب نموذج لاكتشاف الورم في التصوير الطبي عندما تكون الأمثلة على نوع معين من الأورام النادرة نادرة.
- الروبوتات: تعليم الروبوتات مهارات جديدة أو قدرات التعرف على الأشياء بأقل قدر من العروض التوضيحية، مما يسرع من عملية النشر في بيئات جديدة. ومن الأمثلة على ذلك تدريب الروبوت على التقاط جسم جديد بعد عرضه بضع مرات فقط.
- التخصيص: تكييف نماذج مثل أنظمة التوصيات أو واجهات المستخدم مع التفضيلات الفردية بناءً على بيانات تفاعل محدودة للغاية.
- الرؤية الحاسوبية: تمكين مهام مثل تصنيف الصور أو الكشف عن الكائنات لفئات الكائنات الجديدة دون الحاجة إلى جمع بيانات مكثفة وشرح. يمكن لمنصات مثل Ultralytics HUB أن تسهل نماذج التدريب، ويمكن لتقنيات اللقطات القليلة أن تقلل من البيانات اللازمة للمهام المخصصة.
المفاهيم ذات الصلة
يعد التعلم بالقليل من اللقطات جزءًا من مجموعة من نماذج التعلم التي تتعامل مع بيانات محدودة:
- التعلّم من الصفر: سيناريو أكثر صعوبة حيث يجب أن يتعرف النموذج على الفئات التي لم يسبق له أن رآها أثناء التدريب، عادةً عن طريق الاستفادة من المعلومات المساعدة مثل أوصاف الفئة أو السمات.
- التعلم بلقطة واحدة: حالة محددة من التعلّم بلقطة واحدة حيث يتم توفير مثال واحد فقط معنون لكل فئة جديدة.
- نقل التعلّم: تقنية أوسع نطاقًا حيث يتم تكييف(ضبط) نموذج مدرب مسبقًا على مجموعة بيانات كبيرة (مثل ImageNet) لمهمة جديدة ذات صلة. على الرغم من استخدامه غالبًا كأساس للتعلّم القليل، إلا أن التعلّم التحويلي التقليدي قد يتطلب أكثر من مجرد أمثلة قليلة للتكيف الفعال. النماذج المدربة مسبقًا مثل Ultralytics YOLO كنقطة انطلاق للتعلّم التحويلي في اكتشاف الكائنات. يمكنك استكشاف وثائقUltralytics للحصول على أدلة حول تدريب النماذج وتكييفها.
يمثّل التعلُّم باللقطات القليلة خطوة مهمة نحو أنظمة ذكاء اصطناعي أكثر كفاءة في استخدام البيانات وقابلية للتكيف مع البيانات، وقادرة على التعلم بسرعة في المواقف الجديدة، مثلما يفعل البشر.