مسرد المصطلحات

التعلّم من الصفر

اكتشف التعلُّم الصفري: وهو نهج متطور للذكاء الاصطناعي يُمكِّن النماذج من تصنيف البيانات غير المرئية، مما يُحدث ثورة في اكتشاف الأشياء، ومعالجة اللغات الطبيعية وغيرها.

تدريب YOLO النماذج
ببساطة مع Ultralytics HUB

التعرف على المزيد

يمثل التعلم الصفري (ZSL) مجالًا رائعًا في التعلم الآلي (ML) حيث يتم تدريب النموذج على التعرف على فئات البيانات التي لم يسبق له أن رآها صراحةً أثناء مرحلة التدريب وتصنيفها. على عكس مناهج التعلّم التقليدي الخاضع للإشراف التي تتطلب أمثلة مصنفة لكل فئة محتملة، يهدف التعلّم الصفري إلى تعميم المعرفة من الفئات التي تمت مشاهدتها إلى فئات غير مرئية باستخدام معلومات مساعدة مشتركة. تعتبر هذه الإمكانية ذات قيمة خاصة في سيناريوهات العالم الحقيقي حيث يكون الحصول على بيانات مصنفة لكل فئة يمكن تصورها غير عملي أو مستحيل.

كيف يعمل التعلّم من الصفر

تتمثل الفكرة الأساسية وراء ZSL في تعلّم تخطيط بين فضاء ميزات المدخلات (على سبيل المثال، ميزات الصور أو ميزات النصوص) وفضاء التضمين الدلالي. يقوم هذا الفضاء الدلالي عادةً بتشفير الخصائص أو السمات الوصفية عالية المستوى التي يتم تقاسمها بين كل من الفئات المرئية وغير المرئية. على سبيل المثال، في مجال الرؤية الحاسوبية، قد تكون هذه السمات سمات بصرية مثل "له خطوط" أو "له فرو" أو "له أجنحة" أو أو أوصاف نصية. في معالجة اللغات الطبيعية (NLP)، غالبًا ما تكون تضمينات الكلمات بمثابة هذا الفضاء الدلالي.

أثناء التدريب، يتعلم النموذج ربط ميزات الفئات المرئية بالتمثيلات الدلالية المقابلة لها (مثل السمات أو التضمينات). في وقت الاستدلال، عندما يتم تقديم نموذج لفئة غير مرئية، يستخرج النموذج سماتها ويربطها بالفضاء الدلالي المكتسب. من خلال مقارنة هذا التعيين بالتمثيلات الدلالية المعروفة للفئات غير المرئية (المقدمة بشكل منفصل)، يمكن للنموذج التنبؤ بتسمية الفئة حتى بدون أمثلة سابقة. غالبًا ما تُستخدم نماذج التعلّم العميق، لا سيما تلك التي تستخدم تقنيات مثل التعلّم التبايني مثل CLIP، في مهام ZSL نظرًا لقدرتها على تعلّم تمثيلات الميزات الغنية. يمكنك استكشاف مجموعات البيانات المختلفة المناسبة لمثل هذه المهام، مثل تلك المدرجة في وثائق مجموعات بياناتUltralytics .

التطبيقات الواقعية

يتيح لك التعلُّم من الصفر-شوت التعلم من الصفر تطبيقات قوية في مختلف المجالات:

  1. التعرف على الأجسام الجديدة: في تصنيف الصور أو الكشف عن الكائنات، تسمح تقنية ZSL للأنظمة بتحديد الكائنات غير الموجودة في بيانات التدريب الأولية. على سبيل المثال، يمكن لنظام مراقبة الحياة البرية المدرّب على الحيوانات الشائعة أن يتعرف على الأنواع النادرة أو المكتشفة حديثًا بناءً على وصف نصي أو مجموعة من السمات الدلالية التي يقدمها الخبراء. تستفيد نماذج مثل Ultralytics YOLO من هذه القدرة على اكتشاف المفردات المفتوحة.
  2. تصنيف المحتوى الديناميكي: يمكن لنظام ZSL تصنيف المستندات أو المقالات الإخبارية أو المحتوى الذي ينشئه المستخدم إلى مواضيع ناشئة لا توجد لها بيانات مصنفة مسبقة. يمكن تدريب النظام على الفئات الموجودة ثم استخدام تضمينات الكلمات أو أوصاف الموضوعات لتصنيف المحتوى المتعلق بالأحداث أو الاتجاهات غير المتوقعة.

نموذج ZSL مقابل نماذج التعلم ذات الصلة

من المهم التمييز بين ZSL والمفاهيم ذات الصلة:

  • التعلم من عدد قليل من الأمثلة: يهدف إلى تعلم فئات جديدة من عدد قليل جدًا من الأمثلة المصنفة (أكثر من صفر).
  • التعلم بلقطة واحدة: حالة محددة من التعلّم بلقطة واحدة حيث يتوفر مثال واحد فقط معنون لكل فئة جديدة.
  • نقل التعلّم: ينطوي على الاستفادة من المعرفة المكتسبة من مهمة أو مجال واحد لتحسين الأداء في مهمة أو مجال مختلف ولكن مرتبط بمجال آخر. غالبًا ما ينطوي على ضبط نموذج مدرب مسبقًا على البيانات المستهدفة، والتي عادةً ما تتضمن أمثلة للفئات المستهدفة.

يتمثل الفارق الرئيسي في أن تعلم اللقطة الصفرية هو أن تعلم اللقطة الصفرية يعمل في ظل الشرط الصارم المتمثل في عدم وجود أمثلة مصنفة للفئات المستهدفة أثناء التدريب أو التكيف. للاطلاع على نظرة عامة مقارنة، انظر المناقشة حول فهم التعلم قليل اللقطة والتعلم الصفري والتعلم التحوّلي.

الأهمية في الذكاء الاصطناعي

يعزز التعلم بدون لقطة صفرية بشكل كبير من قابلية التوسع والقدرة على التكيف لأنظمة الذكاء الاصطناعي. فهو يقلل من الاعتماد على الجمع الشامل للبيانات والتعليقات التوضيحية الشاملة، والتي غالبًا ما تكون عنق الزجاجة في تطوير تطبيقات التعلم الآلي واسعة النطاق. من خلال تمكين النماذج من الاستدلال على المفاهيم غير المرئية، تدفع ZSL حدود التعميم في الذكاء الاصطناعي، مما يجعل الأنظمة أكثر قوة وقدرة على التعامل مع الطبيعة المفتوحة للعالم الحقيقي. تعمل منصات مثل Ultralytics HUB على تسهيل تدريب النماذج ونشرها، بما في ذلك تلك التي يحتمل أن تستفيد من مبادئ ZSL في المستقبل. للمزيد من التفاصيل حول أبحاث ZSL، يمكن الرجوع إلى مصادر مثل صفحة ZSL على ويكيبيديا أو الاستطلاعات الأكاديمية الموجودة على منصات مثل arXiv.

قراءة الكل