التعلم الذاتي الخاضع للإشراف الذاتي

التعلّم الخاضع للإشراف الذاتي هو نهج تعلّم آلي يستفيد من البيانات غير المُسمّاة لتدريب النماذج. وعلى عكس التعلّم الخاضع للإشراف، والذي يتطلب مجموعات بيانات موسومة، يقوم التعلّم الخاضع للإشراف الذاتي بإنشاء تسمياته الخاصة من البنية المتأصلة في البيانات غير الموسومة نفسها. تُعد هذه الطريقة ذات قيمة خاصة في مجالات مثل الرؤية الحاسوبية ومعالجة اللغات الطبيعية حيث تتوفر كميات هائلة من البيانات غير المُسمّاة بسهولة، ولكن التسمية اليدوية مكلفة وتستغرق وقتًا طويلاً.

كيف يعمل التعلّم الخاضع للإشراف الذاتي

تتمثل الفكرة الأساسية للتعلم الذاتي الخاضع للإشراف الذاتي في تصميم "مهمة ذات ذريعة" تسمح للنموذج بتعلم تمثيلات مفيدة من البيانات غير المُعلمة. تتم صياغة مهمة الذريعة هذه بطريقة تتطلب حلها فهم أنماط ذات معنى في البيانات. على سبيل المثال، في معالجة الصور، يمكن أن تكون مهمة الذريعة هي التنبؤ بالتناوب المطبق على رقعة صورة أو تلوين صورة بتدرج الرمادي. في معالجة اللغات، تتمثل إحدى مهام الذرائع الشائعة في نمذجة اللغة المقنعة، حيث يتنبأ النموذج بالكلمات المقنعة في جملة ما.

وبمجرد أن يتم تدريب النموذج على مهمة الذريعة باستخدام كمية كبيرة من البيانات غير الموسومة، فإنه يتعلم السمات العامة والتمثيلات العامة للبيانات. يمكن بعد ذلك نقل هذه التمثيلات المكتسبة وصقلها للمهام اللاحقة، مثل اكتشاف الأجسام أو تصنيف الصور أو تجزئة الصور، وغالبًا ما يكون ذلك باستخدام بيانات أقل بكثير من البيانات المسمّاة مما هو مطلوب للتدريب الخاضع للإشراف البحت. تُعد قدرة التعلّم التحوّلي هذه ميزة رئيسية للتعلّم الخاضع للإشراف الذاتي.

تطبيقات التعلم الخاضع للإشراف الذاتي

وقد وجد التعلّم الخاضع للإشراف الذاتي تطبيقات في مجالات مختلفة، خاصةً عندما تكون البيانات المصنفة نادرة أو مكلفة للحصول عليها:

• الرؤية الحاسوبية: في تحليل الصور الطبية، يمكن للتعلم الذاتي الخاضع للإشراف الذاتي تدريب النماذج مسبقاً على مجموعات بيانات كبيرة من الصور الطبية غير الموسومة (مثل الأشعة السينية أو التصوير بالرنين المغناطيسي). يمكن بعد ذلك صقل هذه النماذج المدربة مسبقاً لمهام تشخيصية محددة باستخدام بيانات موسومة محدودة، مما يحسن دقة وكفاءة تفسير الصور الطبية. على سبيل المثال، يمكن لنماذج مثل Ultralytics YOLOv8 يمكن أن تستفيد من التدريب المسبق الخاضع للإشراف الذاتي لتحسين أدائها في اكتشاف الحالات الشاذة في الصور الطبية.
• معالجة اللغات الطبيعية: غالبًا ما يتم تدريب النماذج اللغوية الكبيرة (LLMs) مثل GPT-4 مسبقًا باستخدام تقنيات التعلم الذاتي الخاضع للإشراف على كميات هائلة من البيانات النصية. هذا التدريب المسبق يسمح لها بتعلم فهم اللغة العامة وقدرات التوليد، والتي يتم ضبطها بعد ذلك لمهام محددة في معالجة اللغات الطبيعية مثل تلخيص النصوص أو الترجمة أو تحليل المشاعر. تعمل تقنيات مثل الضبط الفوري على زيادة الاستفادة من هذه النماذج المدربة مسبقًا للتكيف الفعال مع المهام الجديدة.

التعلم الذاتي الخاضع للإشراف الذاتي مقابل المفاهيم المماثلة

من المهم التمييز بين التعلم الخاضع للإشراف الذاتي ونماذج التعلم الآلي الأخرى ذات الصلة:

• التعلّم غير الخاضع للإشراف: في حين أن كلاهما يستخدم بيانات غير معنونة، يهدف التعلّم غير الخاضع للإشراف إلى إيجاد هياكل أو أنماط متأصلة في البيانات دون وضع أي مهمة محددة في الاعتبار (على سبيل المثال، التجميع، تقليل الأبعاد). من ناحية أخرى، يصيغ التعلّم الخاضع للإشراف الذاتي مهمة مسبقة لتعلم التمثيلات المفيدة للمهام النهائية.
• التعلّم شبه الخاضع للإشراف: يستخدم التعلّم شبه الخاضع للإشراف مزيجًا من البيانات المصنفة وغير المصنفة، ولكنه لا يزال يعتمد على قدر من البيانات المصنفة للتدريب. يركز التعلّم الخاضع للإشراف الذاتي بشكل أساسي على التعلّم من البيانات غير المسمّاة ثم الضبط الدقيق المحتمل باستخدام كمية صغيرة من البيانات المسمّاة.

يمثل التعلم الخاضع للإشراف الذاتي تقدمًا كبيرًا في التعلم الآلي، مما يتيح الاستخدام الفعال للكميات الهائلة من البيانات غير الموسومة المتاحة، ويقلل من الاعتماد على مجموعات البيانات الموسومة باهظة الثمن. بينما تستمر نماذج مثل Ultralytics YOLO11 في التطور، من المرجح أن تلعب التقنيات الخاضعة للإشراف الذاتي دورًا متزايد الأهمية في تحسين أدائها وإمكانية تطبيقها عبر تطبيقات الذكاء الاصطناعي البصري المتنوعة.