استكشف كيف يُمكِّن التعلُّم من دون الحاجة إلى بيانات مُصنَّفة الذكاء الاصطناعي من تحديد الأشياء والمفاهيم غير المرئية دون بيانات مُصنَّفة، مما يُحدث ثورة في مجالات الرعاية الصحية والقيادة الذاتية.
يُعد التعلّم الصفري مفهومًا متقدمًا في التعلّم الآلي حيث يتم تدريب النموذج على تحديد الأشياء أو المفاهيم أو المهام التي لم يسبق له أن واجهها خلال مرحلة التدريب. على عكس النماذج التقليدية التي تحتاج إلى بيانات موسعة موسومة لكل فئة، يتيح التعلم الصفري للنماذج التعميم من الفئات المرئية إلى الفئات غير المرئية.
يستفيد التعلم الصفري من التضمينات الدلالية للربط بين الفئات المعروفة وغير المعروفة. وغالبًا ما تُستمد هذه التضمينات من المعلومات الإضافية، مثل الأوصاف النصية أو السمات التي تسد الفجوة بين الفئات المعروفة وغير المعروفة. يتعلم النموذج ربط هذه التضمينات الدلالية بالسمات المرئية أثناء التدريب.
يعد التعلم الصفري مهمًا نظرًا لقدرته على معالجة الحاجة إلى كميات هائلة من البيانات الموسومة، والتي يمكن أن تكون كثيفة الموارد لجمعها وشرحها. كما أنه يعالج التحديات في المجالات التي يكون فيها الحصول على بيانات موسومة لكل فئة ممكنة غير عملي، مثل اكتشاف الأنواع النادرة أو تصنيف الأحداث غير العادية.
الرعاية الصحية: في مجال التصوير الطبي، يمكن تطبيق التعلُّم من دون الحاجة إلى التصوير لاكتشاف الأمراض النادرة من السجلات الطبية المحدودة أو بيانات التصوير، مما يقلل من الحاجة إلى مجموعات بيانات واسعة النطاق. تعرف على المزيد حول الذكاء الاصطناعي في مجال الرعاية الصحية.
القيادة الذاتية: يمكن للمركبات ذاتية القيادة الاستفادة من التعلُّم من دون الحاجة إلى إطلاق النار من خلال تحديد إشارات المرور الجديدة أو العوائق التي لم تكن موجودة في مجموعة بيانات التدريب، مما يعزز السلامة والملاحة. اكتشف الذكاء الاصطناعي في تطبيقات القيادة الذاتية.
بينما يتعامل التعلّم بدون لقطات مع فئات غير مرئية تمامًا أثناء مرحلة التدريب، يتطلب التعلّم بقليل من اللقطات عددًا قليلًا من الأمثلة الموسومة. يمكن أن يكون التعلم قليل اللقطات فعالاً بشكل خاص عندما يتوفر عدد قليل من العينات الموسومة لفئة جديدة، بينما يعتمد التعلم صفري اللقطات بشكل كامل على الواصفات الدلالية.
يتضمن التعلّم التحوّلي تكييف نموذج مُدرّب مسبقًا مع مهام جديدة باستخدام تدريب إضافي على بيانات جديدة. في المقابل، يهدف التعلّم المنقول إلى تطبيق المعرفة مباشرةً على فئات جديدة دون تدريب إضافي. استكشف المزيد عن التعلم التحويلي.
Ultralytics يوفر حلولاً وأدوات متطورة، مثل Ultralytics HUB، لتبسيط نشر نماذج الذكاء الاصطناعي المتقدمة، مثل Ultralytics YOLOv8. Ultralytics يمكن لـ HUB تسهيل تكامل ونشر النماذج التي تستخدم تقنيات التعلم بدون لقطة للتطبيقات الفعالة في العالم الحقيقي.
نماذج تحويل الجمل إلى صور: من خلال الاستفادة من نماذج مثل DALL-E، يمكن للأنظمة توليد صور بناءً على أوصاف نصية للأشياء التي لم تتم رؤيتها أثناء التدريب، مما يعرض قدرات التصوير الصفرية. تعرّف على تأثير الذكاء الاصطناعي التوليدي.
نموذج Meta's Segment Anything Model (SAM): يدعم هذا النموذج التجزئة القابلة للتجزئة في الوقت الحقيقي في كل من الصور ومقاطع الفيديو، ويتفوق في السيناريوهات التي تكون فيها الأجسام غير محددة أثناء تدريب النموذج. استكشف ميزات SAM.
يمثل التعلم الصفري قفزة إلى الأمام في قدرة الذكاء الاصطناعي على التعامل مع البيئات المتنوعة والديناميكية، مما يجعله أداة حاسمة للابتكارات المستقبلية في العديد من الصناعات.