أطلق العنان لقوة التعلُّم التحويلي لتوفير الوقت وتعزيز أداء الذكاء الاصطناعي ومعالجة المهام الجديدة باستخدام بيانات محدودة باستخدام نماذج مُدرَّبة مسبقاً.
التعلم المنقول هو تقنية تعلم آلي (ML) حيث يتم إعادة استخدام نموذج تم تطويره لمهمة واحدة كنقطة انطلاق لنموذج في مهمة ثانية ذات صلة. وبدلاً من بناء نموذج من الصفر، يستفيد التعلّم التحوّلي من المعرفة (الميزات والأوزان) المستفادة من المهمة المصدر، مما يقلل بشكل كبير من وقت التدريب ومتطلبات البيانات والموارد الحاسوبية اللازمة للمهمة المستهدفة. يكون هذا النهج مفيدًا بشكل خاص عندما يكون للمهمة المستهدفة بيانات موسومة محدودة.
تبدأ العملية عادةً بنموذج مُدرَّب مسبقًا على مجموعة بيانات كبيرة وعامة، مثل ImageNet لمهام الصور أو مجموعة نصوص كبيرة لمعالجة اللغات الطبيعية (NLP). يسمح هذا التدريب المسبق للنموذج، الذي غالبًا ما يكون نموذجًا للتعلم العميق (DL) مثل الشبكة العصبية التلافيفية (CNN) أو المحولات، بتعلم السمات العامة - الحواف أو القوام أو الأنماط في الصور أو القواعد النحوية والدلالات في النصوص.
بالنسبة للمهمة المستهدفة الجديدة، يتم تكييف هذا النموذج المدرب مسبقًا. تتضمن الاستراتيجيات الشائعة ما يلي:
يوفر توظيف التعلم التحويلي العديد من المزايا الرئيسية:
يتم تطبيق التعلم التحويلي على نطاق واسع في مختلف المجالات:
تعمل منصات مثل Ultralytics HUB على تبسيط عملية تطبيق التعلّم التحويلي من خلال توفير نماذج مُدربة مسبقًا (YOLOv8و YOLOv11) وأدوات لسهولة التدريب المخصص على مجموعات البيانات الخاصة بالمستخدم. أطر عمل مثل PyTorch و TensorFlow تقدم أيضًا دعمًا مكثفًا ودروسًا تعليمية للتعلّم المنقول. للتعمق أكثر، استكشف موارد مثل نظرة عامة على ستانفورد CS231n أو استطلاعات أكاديمية مثل"دراسة استقصائية حول التعلم التحويلي العميق".