قرمصيص للأخبار أخبار الذكاء الاصطناعي بالعربي
باختصار
الـ Active Learning هو استراتيجية فيها النموذج بيختار بنفسه أهم الأمثلة اللي محتاج إنسان يصنفها. بدل ما تصنّف آلاف الأمثلة، النموذج بيقولك “أنا محتار في الأمثلة دي بالذات — لو صنفتهالي هتفيدني أكتر”، وكده بيتعلم أسرع بأقل مجهود.
بالتفصيل
تخيل إنك مدرس خصوصي وعندك طالب عايز يتعلم الرياضيات. الطالب الذكي مش هيقولك “اشرحلي كل حاجة من الأول”، لكن هيقولك “أنا فاهم الجمع والطرح، بس مش فاهم الكسور — اشرحلي الجزء ده بس”. الطالب ده بيوجّهك للأماكن اللي هو محتاجها فعلاً. وده بالظبط اللي بيعمله الـ Active Learning.
في الطرق التقليدية للـ Supervised Learning، محتاج إنسان يصنّف (Label) كمية كبيرة من البيانات — وده مكلف ومحتاج وقت. الـ Active Learning بيقلل التكلفة دي بشكل كبير عن طريق إن النموذج بيختار بذكاء أي أمثلة محتاج تصنيفها.
العملية بتمشي كده:
- بتبدأ بكمية صغيرة من البيانات المصنفة وبتدرب نموذج أولي
- النموذج بيبص على البيانات الغير مصنفة ويختار الأمثلة اللي هو “محتار” فيها أكتر
- إنسان بيصنّف الأمثلة دي بس
- بتعيد تدريب النموذج بالبيانات الجديدة
- بتكرر العملية لحد ما النموذج يوصل للأداء المطلوب
في طرق مختلفة النموذج بيختار بيها الأمثلة:
- Uncertainty Sampling: بيختار الأمثلة اللي هو أقل واثق فيها
- Query by Committee: بيستخدم أكتر من نموذج ويختار الأمثلة اللي النماذج مختلفة عليها
- Expected Model Change: بيختار الأمثلة اللي لو اتصنفت هتغير النموذج أكتر
الـ Active Learning مفيد جداً في المجالات اللي التصنيف فيها غالي — زي التصوير الطبي اللي محتاج دكتور متخصص يصنّف كل صورة.
مثال عملي
لو شركة عايزة تبني نموذج يكتشف الرسائل المزعجة (Spam) في الإيميلات وعندها مليون إيميل. بدل ما توظف حد يصنّف المليون إيميل، بتستخدم Active Learning: بتصنّف 500 إيميل بس في الأول، وبعدين النموذج بيختار 100 إيميل هو محتار فيهم، بتصنّفهم، وبتكرر. بعد تصنيف 2000 إيميل بس من المليون، النموذج بيوصل لدقة 95%.
مصطلحات مرتبطة
- التعلم شبه المُراقب (Semi-supervised Learning)
- التعلم المُراقب (Supervised Learning)
- مجموعة البيانات (Dataset)
- بيانات التدريب (Training Data)
