أطلق العنان لقوة التعلُّم التحويلي لتوفير الوقت وتعزيز أداء الذكاء الاصطناعي ومعالجة المهام الجديدة باستخدام بيانات محدودة باستخدام نماذج مُدرَّبة مسبقاً.
التعلّم التحويلي هو تقنية قوية في التعلّم الآلي تسمح للنماذج بتطبيق المعرفة المكتسبة من حل مشكلة واحدة على مشكلة مختلفة ولكنها ذات صلة. فبدلاً من تدريب نموذج من الصفر في كل مرة، يستفيد التعلّم التحويلي من النماذج المدربة مسبقاً، مما يوفر الوقت والموارد، وغالباً ما يحسن الأداء، خاصةً عندما تكون البيانات محدودة للمهمة الجديدة. يُستخدم هذا النهج على نطاق واسع في مختلف المجالات، لا سيما في مجال الرؤية الحاسوبية ومعالجة اللغات الطبيعية، لبناء أنظمة ذكاء اصطناعي أكثر فعالية وكفاءة.
تتمثل الفكرة الأساسية وراء نقل التعلّم في الاستفادة من الميزات التي تعلّمها النموذج على مجموعة بيانات كبيرة لمجموعة بيانات جديدة أصغر في الغالب. عادةً ما يتم تدريب النموذج أولاً على مجموعة بيانات ضخمة مثل ImageNet لمهمة عامة، مثل تصنيف الصور. تمكّن مرحلة التدريب المسبق هذه النموذج من تعلم السمات والأنماط الأساسية من البيانات. بعد ذلك، بالنسبة لمهمة جديدة ذات صلة، يتم استخدام أوزان النموذج المدرّب مسبقًا كنقطة بداية. تتضمن هذه المرحلة الثانية، والتي تسمى غالبًا الضبط الدقيق، تدريب النموذج بشكل أكبر على مجموعة البيانات الجديدة الخاصة بالمهمة الجديدة. وغالبًا ما يتم إعادة تدريب الطبقات الأخيرة فقط من النموذج، بينما يتم تجميد الطبقات السابقة التي تعلمت السمات العامة أو تدريبها بمعدل تعلم أقل.
تعتبر هذه الطريقة فعالة بشكل خاص لأن الطبقات الأولية للشبكات العصبية العميقة تميل إلى تعلم السمات العامة (مثل الحواف والأنسجة في الصور)، والتي غالباً ما تكون قابلة للنقل عبر مهام مختلفة ولكن ذات صلة. من خلال إعادة استخدام هذه الميزات المكتسبة، يقلل التعلم التحوّلي من الحاجة إلى بيانات وموارد حاسوبية واسعة النطاق لكل مشكلة جديدة.
يتم تطبيق التعلم التحويلي في العديد من المجالات. وفيما يلي بعض الأمثلة الملموسة:
تحليل الصور الطبية: في تحليل الصور الطبية، قد تكون مجموعات البيانات الخاصة بأمراض معينة صغيرة ويصعب الحصول عليها. يسمح التعلم التحويلي للنماذج التي تم تدريبها مسبقًا على مجموعات بيانات الصور العامة بضبطها بشكل فعال لمهام مثل اكتشاف الأورام في الأشعة السينية أو تقسيم الأعضاء في فحوصات التصوير بالرنين المغناطيسي. وهذا أمر بالغ الأهمية لتحسين دقة التشخيص وكفاءته، كما هو موضح في تطبيقات الذكاء الاصطناعي في مجال الرعاية الصحية.
اكتشاف الأجسام في مجالات محددة: على الرغم من وجود مجموعات بيانات كبيرة للكشف عن الأجسام بشكل عام، إلا أن التطبيقات المتخصصة غالباً ما تتطلب نماذج للكشف عن أجسام محددة في سياقات فريدة. على سبيل المثال، في مجال الرؤية الحاسوبية في الزراعة، يمكن ضبط نموذج مُدرَّب مسبقًا على مجموعة بيانات واسعة للكشف عن الأجسام للكشف عن أنواع محددة من المحاصيل أو الآفات في الصور الزراعية. ويكتسب هذا النهج أهمية خاصة في تطبيقات مثل الزراعة الدقيقة حيث يمكن أن يكون جمع البيانات أمرًا صعبًا وتكون الخبرة الخاصة بالمجال أمرًا بالغ الأهمية. Ultralytics YOLO نماذج، مثل YOLOv8 و YOLOv11، كثيرًا ما تُستخدم مع التعلّم التحويلي لمختلف مهام الكشف عن الأجسام، والاستفادة من الأوزان المدربة مسبقًا وقدرات الضبط الدقيق.
Ultralytics YOLO صُممت النماذج بحيث تكون قابلة للتكيف بسهولة من خلال التعلم التحويلي. يمكن للمستخدمين الاستفادة بسهولة من الأوزان المدربة مسبقًا المتوفرة في Ultralytics HUB لنماذج مثل YOLOv5 و YOLOv8 و YOLOv11. من خلال الضبط الدقيق لهذه النماذج المدربة مسبقًا على مجموعات بيانات مخصصة، يمكن للمستخدمين تحقيق أداء عالٍ سريعًا في مهامهم الخاصة باكتشاف الأجسام أو التجزئة أو التصنيف. تعمل ميزة التدريب السحابيUltralytics HUB Cloud Training على تبسيط هذه العملية بشكل أكبر، مما يسمح للمستخدمين بتدريب النماذج وضبطها في بيئة السحابة دون الحاجة إلى إعدادات مكثفة. يمكن أيضًا تطبيق تقنيات مثل ضبط المعلمة الفائقة أثناء الضبط الدقيق لزيادة تحسين أداء النموذج للمهمة المحددة.
يُعد التعلّم التحويلي حجر الزاوية في التعلم الآلي الحديث، حيث يؤثر بشكل كبير على كفاءة وفعالية تطوير نماذج الذكاء الاصطناعي. ومن خلال إعادة استخدام المعرفة من النماذج المدربة مسبقًا، فإنه يضفي الطابع الديمقراطي على الذكاء الاصطناعي، مما يجعله أكثر سهولة وعمليًا لمجموعة واسعة من التطبيقات، خاصةً في السيناريوهات ذات البيانات أو الموارد الحاسوبية المحدودة. إن قدرته على تسريع التطوير وتحسين أداء النموذج يجعله أداة لا غنى عنها في مجال الذكاء الاصطناعي.
