التعلّم من الصفر (شرح بسيط)

ما هو التعلم الصفري (ZSL)؟

التعلم الصفري (ZSL) هو نهج التعلم الآلي الذي يمكّن النماذج من التعرف على الأشياء وتصنيفها لم يسبق له مثيل من قبل دون الحاجة إلى أي أمثلة مصنفة لتلك الأشياء الجديدة أثناء التدريب. على عكس التعلم الخاضع للإشراف الذي يتطلب الكثير من البيانات المصنفة التي يجب تصنيفها بشكل صريح، تستخدم ZSL معلومات مساعدة مثل التضمينات الدلالية (وهي تمثيلات عددية لمعنى الكلمات أو المفاهيم) أو السمات (السمات الوصفية مثل اللون أو الشكل أو الفئة).

كيف يعمل التعلّم من الصفر؟

كما قلنا سابقًا، تستخدم ZSL المعلومات الإضافية لسد الفجوة بين ما رأته ("الفصول التي رأتها") وما لم تره ("الفصول التي لم ترها")، وإليك التفصيل

• الفصول المشاهدة: الفئات التي تم تدريب النموذج عليها، مع أمثلة مصنفة.
• الفصول غير المرئية: فئات جديدة لم يسبق للنموذج رؤيتها أثناء التدريب.
• المعلومات الإضافية: الأوصاف أو السمات أو العلاقات الدلالية التي تصف كلاً من الفئات المرئية وغير المرئية (على سبيل المثال، "الحمار الوحشي مثل الحصان ولكن بخطوط")

مثال: لنفترض أنك قمت بتدريب نموذجك على التعرف على الخيول والقطط، لكنك لم تعرض عليه حمارًا وحشيًا. بعد ذلك، تشرع في وصف شكل الحمار الوحشي، على سبيل المثال يمكنك أن تقول أن الحمار الوحشي هو "حصان بخطوط"، يمكن للنموذج استخدام ما يعرفه عن الخيول والمعلومات الجديدة عن الخطوط للتعرف على الحمار الوحشي على الرغم من أنه لم يرَ حمارًا وحشيًا من قبل.

كيف تبدو العملية؟

عادةً ما يتكون التعلم الصفري من مرحلتين رئيسيتين

1. التدريب: جعل النموذج يتعلم من البيانات المصنفة بحيث يمكنه التعرف على ما تم تدريبه عليه.
2. الاستدلال: عندما يُعرض على النموذج شيئًا لم يره من قبل، فإنه يستخدم المعلومات الإضافية التي اكتسبها من الخطوة السابقة والمثال الجديد للتنبؤ بناءً على أوجه التشابه.

لماذا هو مهم؟

1. توفير الوقت والموارد: لا حاجة لجمع وتسمية مجموعات بيانات ضخمة لكل فئة ممكنة.
2. التعامل مع الحالات النادرة أو الجديدة: يمكن للنماذج التعرف على الفئات الجديدة أو النادرة أو الناشئة دون إعادة التدريب.
3. المرونة في العالم الحقيقي: مفيدة في المجالات التي تظهر فيها فئات جديدة في كثير من الأحيان أو يصعب الحصول على بيانات مصنفة مثل التصوير الطبي أو معالجة اللغة أو مراقبة الحياة البرية

تطبيقات التعلّم من الصفر

• تصنيف الصور: التعرّف على أنواع جديدة من الحيوانات أو الأجسام بدون صور مصنفة.
• معالجة اللغات الطبيعية: فهم الموضوعات أو المقاصد الجديدة في النص دون أمثلة صريحة.
• التشخيص الطبي: تحديد الأمراض النادرة باستخدام الأوصاف والعلاقات مع الحالات المعروفة.
• التقدير الآلي: توليد ملاحظات لأنواع جديدة من المهام باستخدام المعرفة بالمهام المماثلة.

تحديات ZSL

• جودة المعلومات الإضافية: يعتمد نجاح النموذج على مدى جودة التقاط السمات أو الأوصاف للاختلافات بين الفئات.
• حدود التعميم: إذا كانت الفئات غير المرئية مختلفة تمامًا عن الفئات المرئية، فقد يواجه النموذج صعوبة في إجراء تنبؤات دقيقة.

ملخص

يُمكِّن التعلم الصفري أنظمة الذكاء الاصطناعي من فهم المجهول من خلال الاستفادة من العلاقات والأوصاف والسمات - مما يسمح لها بالتعرف على الأشياء الجديدة دون أن تكون قد رأتها من قبل. وهذا يجعل الذكاء الاصطناعي أكثر قابلية للتكيف وفعالية وفائدة في عالم تظهر فيه بيانات وفئات جديدة باستمرار.

تعرّف على المزيد حول التعلّم من الصفر

آي بي إم: https://www.ibm.com/think/topics/zero-shot-learning
Grammarly https://www.grammarly.com/blog/ai/what-is-zero-shot-learning/
مختبرات V7Labs: https://www.v7labs.com/blog/zero-shot-learning-guide
انكورد https://encord.com/blog/zero-shot-learning-explained/