نقل التعلُّم

كيف يعمل التعلُّم التحويلي

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:

1. استخدام النموذج المدرّب مسبقًا كمستخرج للميزات: يتم الاحتفاظ بالطبقات الأولية للنموذج المدرّب مسبقًا مجمّدة (لا يتم تحديث أوزانها)، ويتم تدريب الطبقات النهائية أو الطبقات الخاصة بالمهام فقط على مجموعة البيانات الجديدة.
2. الضبط الدقيق: يتضمن ذلك إلغاء تجميد بعض أو كل الطبقات المدربة مسبقًا ومواصلة عملية التدريب(الانتساب العكسي) على مجموعة البيانات الجديدة، وعادةً ما يكون ذلك بمعدل تعلم أقل لتجنب تغيير الميزات المكتسبة بشكل كبير. يسمح الضبط الدقيق للنموذج بتخصيص معرفته العامة للفروق الدقيقة المحددة للمهمة المستهدفة.

فوائد التعلُّم التحويلي

يوفر توظيف التعلم التحويلي العديد من المزايا الرئيسية:

• احتياجات أقل من البيانات: يحقق أداءً جيدًا حتى مع مجموعات البيانات المستهدفة الأصغر حجمًا.
• تطوير أسرع: تقليل وقت تدريب النماذج بشكل كبير.
• تحسين الأداء: غالبًا ما يؤدي إلى دقة أعلى وتعميم أفضل مقارنةً بالتدريب من الصفر، خاصةً في المهام المعقدة.
• كفاءة الموارد: توفر التكاليف الحسابية (GPU والوقت والطاقة) المرتبطة بالتدريب المكثف.

نقل التعلّم مقابل المفاهيم ذات الصلة

• الضبط الدقيق: كما ذكرنا، فإن الضبط الدقيق هو طريقة محددة تُستخدم في التعلّم التحويلي حيث يتم تعديل الأوزان المدربة مسبقًا أثناء التدريب على المهمة الجديدة. التعلم التحوّلي هو المفهوم الأوسع للاستفادة من المعرفة، والذي قد يتضمن أيضًا استخدام النموذج المدرب مسبقًا كمستخرج ميزات ثابت دون ضبط دقيق.
• تعلّم اللقطة الصفرية: على عكس تعلّم النقل، الذي يكيّف النموذج مع مهمة جديدة غالبًا باستخدام بعض البيانات الجديدة الموسومة، يهدف التعلّم الصفري إلى أداء مهام (مثل التصنيف) على فئات لم يسبق للنموذج أن رآها أثناء التدريب، معتمدًا على معلومات مساعدة أو مساحات سمات مشتركة.
• التدريب من الصفر: هذا هو النهج التقليدي الذي يتم فيه تهيئة أوزان النموذج عشوائيًا وتدريبه فقط على مجموعة البيانات المستهدفة، مما يتطلب المزيد من البيانات والوقت.

التطبيقات الواقعية

يتم تطبيق التعلم التحويلي على نطاق واسع في مختلف المجالات:

1. الرؤية الحاسوبية: غالبًا ما يتم تكييف نماذج مثل Ultralytics YOLO التي تم تدريبها مسبقًا على مجموعات بيانات كبيرة مثل COCO، من أجل مهام الكشف عن الأجسام المتخصصة أو تجزئة الصور أو تصنيف الصور. على سبيل المثال، يمكن ضبط النموذج الذي تم تدريبه مسبقًا على الأجسام اليومية لتطبيقات محددة مثل تحليل الصور الطبية للكشف عن الحالات الشاذة(الكشف عن الأورام) أو للذكاء الاصطناعي في الزراعة لتحديد محاصيل أو آفات معينة. يمكنك تعلم كيفية تطبيق التعلم المنقول باستخدام YOLOv5 عن طريق تجميد الطبقات.
2. معالجة اللغات الطبيعية (NLP): يتم تدريب نماذج اللغات الكبيرة (LLMs) مثل BERT و GPT مسبقًا على مجموعات بيانات نصية ضخمة. وهي بمثابة نماذج أساسية قوية يمكن ضبطها بدقة لمهام محددة في مجال البرمجة اللغوية العصبية مثل تحليل المشاعر، أو التعرف على الكيانات المسماة (NER)، أو بناء روبوتات دردشة متخصصة. تسهل مكتبات مثل Hugging Face Transformers هذه العملية إلى حد كبير.

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".