شارك
الرئيسية
2 دقائق 
تدفق هائل للمعلومات
تتمثل الممارسة المتبعة لتعليم خوارزميات التعلم الآلي في تلقيمها كافة التفاصيل دفعة واحدة. لنفترض مثلاً أنك تقوم ببناء نظام لتصنيف الصور يتعرف على أنواع مختلفة من الحيوانات، ستعرض على الخوارزمية عندئذ أمثلة عن كل نوع من الأنواع، وستقوم بتسميتها وفقاً لذلك، وليكن من الأمثلة على الكلاب “الراعي الألماني” و”البودل”.
إلا أنه عندما يقوم أحد الوالدين بتعليم طفله، فإن الأسلوب يختلف بشكل كلي؛ حيث يبدأ الآباء بمسميات أوسع نطاقاً بكثير؛ حيث أي نوع من الكلاب يسمى في البداية ببساطة: “كلب”. وعندما يتعلم الطفل كيفية تمييز هذه الفئات الأصغر، عندها فقط يقوم الآباء بتقسيم كل فئة إلى فئات فرعية أكثر تحديداً.
تبديد التشويش
استلهاماً من هذا الأسلوب في التعليم، قام باحثون في جامعة كارنيجي ميلون بابتكار تقنية جديدة تعلم الشبكة العصبونية تصنيف الأشياء على مراحل؛ حيث تتعامل الشبكة في كل مرحلة مع بيانات التدريب نفسها، لكن المسميات تبدأ على نحو بسيط وواسع النطاق، ثم تصبح أكثر تحديداً بمرور الوقت.
ولتحديد هذا التقدم في مستوى الصعوبة، قام الباحثون في البداية بتلقيم الشبكة العصبونية ببيانات التدريب مع المسميات التفصيلية النهائية. ثم قاموا بحساب ما يعرف بمصفوفة التشويش أو الإرباك، التي توضح الفئات التي واجه النموذج صعوبة في تمييزها. استخدم الباحثون هذا الأسلوب لتحديد مراحل التدريب، وتجميع الفئات الأقل تميزاً تحت تصنيف واحد في المراحل المبكرة، وتقسيمها مرة أخرى إلى تصنيفات أدق مع كل تكرار.
مستوى أفضل من الدقة
في الاختبارات التي أجريت مع العديد من مجموعات البيانات الشائعة الخاصة بتصنيف الصور، أدى هذا الأسلوب في معظم الحالات إلى نموذج نهائي للتعلم الآلي تفوق على النموذج الذي تم تدريبه بالطريقة التقليدية. وفي أفضل سيناريو يمكن تصوره، زادت دقة التصنيف حتى 7%.
التعلّم المنهجي
على الرغم من حداثة هذا الأسلوب، إلا أن الفكرة الكامنة وراءه ليست كذلك. إن العمل على تدريب الشبكة العصبونية وفق مراحل متصاعدة من الصعوبة يُعرف باسم “التعلم المنهجي”، وهو موجود منذ التسعينيات. لكن جهود التعلم المنهجي السابقة كانت تركز على تلقيم الشبكة العصبونية بمجموعة فرعية مختلفة من البيانات في كل مرحلة من المراحل، بدلاً من تلقيمها نفس البيانات بمسميات مختلفة.
تم عرض الأسلوب الجديد في المؤتمر الدولي لتمثيلات التعلم خلال الأسبوع الأول من شهر مايو، من قِبل المؤلفة المشاركة للورقة البحثية “أوتيليا ستريتكو”.
أهمية هذا العمل
تؤكد الغالبية العظمى من أبحاث التعلم العميق اليوم على حجم النماذج، فإذا واجه نظام تصنيف الصور صعوبة في التمييز بين الأشياء المختلفة، فهذا يعني أنه لم يتم تدريبه على ما يكفي من الأمثلة. ولكن من خلال استلهام الأفكار من الطريقة التي يتعلم بها البشر، تمكن الباحثون من إيجاد طريقة جديدة سمحت لهم بتحقيق نتائج أفضل بالاعتماد على نفس بيانات التدريب تماماً. وهو أسلوب يقترح طريقة لابتكار خوارزميات للتعلم تتمتع بكفاءة أكبر في استخدام البيانات.