يحل التعلم الصفري العديد من المشكلات في التعلم الآلي، ولكن كيف يعمل وكيف يجعل الذكاء الاصطناعي أفضل؟
الماخذ الرئيسية
- يعد التعميم أمرًا ضروريًا في التعلم العميق لضمان التنبؤات الدقيقة بالبيانات الجديدة. يساعد التعلم الصفري على تحقيق ذلك من خلال السماح للذكاء الاصطناعي باستخدام المعرفة الحالية لإجراء تنبؤات دقيقة بشأن الفصول الدراسية الجديدة أو غير المرئية بدون بيانات مصنفة.
- يحاكي التعلم الصفري كيفية تعلم البشر للبيانات ومعالجتها. ومن خلال توفير معلومات دلالية إضافية، يمكن للنموذج المُدرب مسبقًا تحديد فئات جديدة بدقة، تمامًا كما يمكن للإنسان أن يتعلم التعرف على الغيتار المجوف من خلال فهم خصائصه.
- يعمل التعلم بدون إطلاق على تحسين الذكاء الاصطناعي من خلال تحسين التعميم وقابلية التوسع وتقليل التجهيز الزائد وتحقيق الفعالية من حيث التكلفة. فهو يسمح بتدريب النماذج على مجموعات بيانات أكبر، واكتساب المزيد من المعرفة من خلال نقل التعلم، والحصول على فهم سياقي أفضل، وتقليل الحاجة إلى بيانات مصنفة واسعة النطاق. ومع تقدم الذكاء الاصطناعي، سيصبح التعلم الصفري أكثر أهمية في معالجة التحديات المعقدة في مختلف المجالات.
أحد أكبر أهداف التعلم العميق هو تدريب النماذج التي اكتسبت معرفة عامة. يعد التعميم أمرًا ضروريًا لأنه يضمن أن النموذج قد تعلم أنماطًا ذات معنى ويمكنه إجراء تنبؤات أو قرارات دقيقة عند مواجهة بيانات جديدة أو غير مرئية. غالبًا ما يتطلب تدريب مثل هذه النماذج قدرًا كبيرًا من البيانات المصنفة. ومع ذلك، يمكن أن تكون هذه البيانات مكلفة، وتتطلب عمالة كثيفة، وفي بعض الأحيان تكون مستحيلة.
يتم تطبيق التعلم الصفري لسد هذه الفجوة، مما يسمح للذكاء الاصطناعي باستخدام معرفته الحالية لإجراء تنبؤات دقيقة إلى حد ما على الرغم من عدم وجود بيانات مصنفة.
ما هو التعلم الصفري؟
التعلم بدون إطلاق النار هو نوع محدد من تقنيات التعلم النقلي. وهو يركز على استخدام نموذج تم تدريبه مسبقًا لتحديد الفئات الجديدة أو التي لم يتم عرضها من قبل ببساطة عن طريق توفير معلومات إضافية تصف تفاصيل الفئة الجديدة.
باستخدام المعرفة العامة للنموذج حول موضوعات معينة وإعطائه دلالات إضافية حول ما يجب البحث عنه، يجب أن يكون قادرًا على تحديد الموضوع الذي تم تكليفه بتحديده بدقة كبيرة.
لنفترض أننا بحاجة إلى تحديد حمار وحشي. ومع ذلك، ليس لدينا نموذج يمكنه التعرف على مثل هذه الحيوانات. لذلك، حصلنا على نموذج موجود مسبقًا تم تدريبه على التعرف على الخيول وإخبار النموذج أن الخيول ذات الخطوط السوداء والبيضاء هي حمير وحشية. عندما نبدأ في استنتاج النموذج من خلال توفير صور للحمير الوحشية والخيول، هناك احتمال كبير أن يتعرف النموذج على كل حيوان بشكل صحيح.
مثل العديد من تقنيات التعلم العميق، يحاكي التعلم الصفري كيفية تعلم البشر للبيانات ومعالجتها. من المعروف أن البشر هم متعلمون طبيعيون لا يتلقون أي فرصة. إذا تم تكليفك بالعثور على غيتار مجوف في متجر موسيقى، فقد تواجه مشاكل في البحث عنه. ولكن بمجرد أن أخبرك أن الجسم المجوف هو في الأساس غيتار به فتحة على شكل حرف F على أحد الجانبين أو كليهما، فمن المحتمل أن تجد واحدًا على الفور.
للحصول على مثال من العالم الحقيقي، دعنا نستخدم تطبيق التصنيف الصفري بواسطة موقع استضافة LLM مفتوح المصدر Hugging Face باستخدام نموذج Clip-vit-Large.
تُظهر هذه الصورة صورة للخبز في كيس بقالة مربوط على كرسي مرتفع. نظرًا لأنه تم تدريب النموذج على مجموعة بيانات كبيرة من الصور، فمن المحتمل أن يحدد النموذج كل عنصر في الصورة، مثل الخبز والبقالة والكراسي وأحزمة الأمان.
الآن، نريد من النموذج أن يصنف الصورة باستخدام فئات لم يسبق لها مثيل. في هذه الحالة، ستكون الفصول الجديدة أو غير المرئية هي "الخبز المريح" و"الخبز الآمن" و"خبز الجلوس" و"قيادة البقالة" و"البقالة الآمنة".
لاحظ أننا استخدمنا فئات وصور غير شائعة غير شائعة لإثبات فعالية تصنيف اللقطة الصفرية على الصورة.
وبعد الاستدلال على النموذج أمكن التصنيف بنسبة يقين تبلغ حوالي 80% أن التصنيف الأنسب ل وكانت الصورة "الخبز الآمن". من المحتمل أن يكون هذا لأن النموذج يعتقد أن الكرسي المرتفع أكثر أمانًا من الجلوس أو الاسترخاء أو القيادة.
مذهل! أنا شخصياً أتفق مع مخرجات النموذج. ولكن كيف بالضبط توصل النموذج إلى مثل هذا الناتج؟ فيما يلي نظرة عامة على كيفية عمل التعلم الصفري.
كيف يعمل التعلم الصفري
يمكن للتعلم الصفري أن يساعد النموذج الذي تم تدريبه مسبقًا على تحديد فئات جديدة دون توفير بيانات مصنفة. في أبسط أشكاله، يتم التعلم الصفري في ثلاث خطوات:
1. تحضير
يبدأ التعلم الصفري بإعداد ثلاثة أنواع من البيانات
- فئة المشاهدة: البيانات المستخدمة في تدريب النموذج المدرب مسبقا. يوفر النموذج بالفعل فئات مرئية. أفضل النماذج للتعلم الصفري هي النماذج التي تم تدريبها على فصول مرتبطة ارتباطًا وثيقًا بالفصل الجديد الذي تريد أن يحدده النموذج.
- فئة الغيب/الرواية: البيانات التي لم يتم استخدامها مطلقًا أثناء تدريب النموذج. سيتعين عليك تنظيم هذه البيانات بنفسك نظرًا لأنه لا يمكنك الحصول عليها من النموذج.
- البيانات الدلالية/ المساعدة: أجزاء إضافية من البيانات يمكن أن تساعد النموذج في تحديد الفئة الجديدة. يمكن أن يكون ذلك في الكلمات أو العبارات أو تضمينات الكلمات أو أسماء الفئات.
2. رسم الخرائط الدلالية
الخطوة التالية هي تحديد ميزات الفئة غير المرئية. يتم ذلك عن طريق إنشاء تضمينات للكلمات وعمل خريطة دلالية تربط سمات أو خصائص الفئة غير المرئية بالبيانات المساعدة المقدمة. نقل التعلم بالذكاء الاصطناعي يجعل العملية أسرع بكثير، حيث تم بالفعل تعيين العديد من السمات المتعلقة بالفئة غير المرئية.
3. الاستدلال
الاستدلال هو استخدام النموذج لتوليد تنبؤات أو مخرجات. في تصنيف الصور بدون لقطة، يتم إنشاء تضمينات الكلمات على مدخلات الصورة المحددة ثم يتم رسمها ومقارنتها بالبيانات المساعدة. ويعتمد مستوى اليقين على التشابه بين المدخلات والبيانات المساعدة المقدمة.
كيف يعمل التعلم بدون إطلاق النار على تحسين الذكاء الاصطناعي
يعمل التعلم بدون إطلاق على تحسين نماذج الذكاء الاصطناعي من خلال معالجة العديد من التحديات في التعلم الآلي، بما في ذلك:
- تحسين التعميم: إن تقليل الاعتماد على البيانات المصنفة يسمح بتدريب النماذج على مجموعات بيانات أكبر، مما يحسن التعميم ويجعل النموذج أكثر قوة وموثوقية. كلما أصبحت النماذج أكثر خبرة وتعميمًا، بل قد يكون من الممكن للنماذج أن تتعلم الفطرة السليمة بدلاً من الطريقة المعتادة لتحليل المعلومات.
- قابلية التوسع: يمكن تدريب النماذج باستمرار واكتساب المزيد من المعرفة من خلال نقل التعلم. يمكن للشركات والباحثين المستقلين تحسين نماذجهم باستمرار لتكون أكثر قدرة في المستقبل.
- تقليل فرصة التجهيز الزائد: يمكن أن يحدث التجاوز بسبب تدريب النموذج على مجموعة بيانات صغيرة لا تحتوي على تنوع كافٍ لتمثيل جميع المدخلات الممكنة. يؤدي تدريب النموذج من خلال التعلم الصفري إلى تقليل فرص التجهيز الزائد عن طريق تدريب النموذج للحصول على فهم سياقي أفضل للمواضيع.
- فعاله من حيث التكلفه: قد يستغرق توفير كمية كبيرة من البيانات المصنفة وقتًا وموارد. باستخدام التعلم بالنقل الصفري، يمكن تدريب نموذج قوي بوقت أقل بكثير وبيانات مصنفة.
ومع تقدم الذكاء الاصطناعي، ستصبح تقنيات مثل التعلم الصفري أكثر أهمية.
مستقبل التعلم الصفري
أصبح التعلم الصفري جزءًا أساسيًا من التعلم الآلي. فهو يمكّن النماذج من التعرف على الفئات الجديدة وتصنيفها دون تدريب واضح. مع التقدم المستمر في بنيات النماذج، والمناهج القائمة على السمات، والتكامل متعدد الوسائط، يمكن للتعلم الصفري أن يفعل ذلك تساعد بشكل كبير في جعل النماذج أكثر قدرة على التكيف في مواجهة التحديات المعقدة في مجال الروبوتات والرعاية الصحية والكمبيوتر رؤية.
