تعرّف على ماهية الاستدعاء في التعلّم الآلي، وسبب أهميته، وكيف يضمن لنماذج الذكاء الاصطناعي التقاط الحالات الإيجابية الحرجة بفعالية.
التذكر هو مقياس أداء رئيسي في التعلم الآلي والإحصاء، وهو مهم بشكل خاص في مهام التصنيف واسترجاع المعلومات. وهو يقيس قدرة النموذج على تحديد جميع الحالات ذات الصلة من مجموعة بيانات بشكل صحيح. ويُعرف أيضًا باسم الحساسية أو المعدل الإيجابي الحقيقي (TPR)، يجيب Recall على السؤال التالي: "من بين جميع الحالات الإيجابية الفعلية، كم عدد الحالات الإيجابية الفعلية التي تنبأ النموذج بأنها إيجابية بشكل صحيح؟ يُعد معدل الاسترجاع المرتفع أمرًا بالغ الأهمية في السيناريوهات التي يكون فيها لفقدان مثيل إيجابي (سلبي كاذب) عواقب وخيمة.
يركز الاستدعاء على الحالات الإيجابية الفعلية داخل مجموعة البيانات ويحدد عدد الحالات التي تم تحديدها بنجاح بواسطة النموذج. يتم حسابها كنسبة الحالات الإيجابية الحقيقية (TP) - وهي الحالات التي تم تحديدها بشكل صحيح على أنها إيجابية - إلى مجموع الحالات الإيجابية الحقيقية والسلبيات الخاطئة (FN) - وهي الحالات التي كانت إيجابية بالفعل ولكن تم تحديدها بشكل غير صحيح على أنها سلبية. يحدد النموذج ذو التذكر العالي معظم الحالات الإيجابية بشكل صحيح. يُعد فهم التذكر أمرًا ضروريًا لتقييم أداء النموذج، وغالبًا ما يتم تصوره باستخدام مصفوفة الارتباك.
غالبًا ما تتم مناقشة الاستدعاء جنبًا إلى جنب مع الدقة. بينما يقيس Recall نسبة الإيجابيات الفعلية التي تم تحديدها بشكل صحيح، تقيس الدقة نسبة الإيجابيات المتوقعة التي كانت صحيحة بالفعل (TP / (TP + الإيجابيات الخاطئة)). غالبًا ما تكون هناك مفاضلة بين الدقة والتذكر؛ حيث يمكن أن يؤثر تحسين أحدهما سلبًا على الآخر في بعض الأحيان، ويعتمد الاختيار بين إعطاء الأولوية للتذكر أو الدقة على التطبيق المحدد:
يوفر مقياس F1 مقياسًا واحدًا يوازن بين كل من الدقة والاسترجاع.
يُعد التذكر مقياس تقييم مهم في العديد من المجالات:
في الرؤية الحاسوبية، يعد التذكر ضروريًا لتقييم مهام مثل اكتشاف الأجسام وتجزئة الصور. بالنسبة لنموذج اكتشاف كائن مثل Ultralytics YOLOيشير التذكر إلى مدى نجاح النموذج في العثور على جميع مثيلات فئة كائن معين داخل الصورة. يعني الاسترجاع العالي أن النموذج نادرًا ما يفوت الكائنات التي من المفترض أن يكتشفها. يتم استخدامه عادةً إلى جانب الدقة ومتوسط الدقة (mAP) لتوفير تقييم شامل لأداء الاكتشاف، كما هو مفصل في أدلة مقاييس أداءYOLO . تساعد الأدوات داخل المنصات مثل Ultralytics HUB المستخدمين على تتبع هذه المقاييس أثناء تدريب النموذج والتحقق من صحته. يساعد فهم الاستدعاء المطورين على ضبط النماذج بدقة لتلبية احتياجات محددة، مثل ضمان الكشف الشامل في أنظمة الإنذار الأمني. وغالباً ما يتضمن تقييم الأداء تحليل المقاييس المستمدة من مصفوفة الارتباك والنظر في سياق مجموعات البيانات التي يحتمل أن تكون غير متوازنة.