إذا كنت مُهتمًا بتدريب نموذج الذكاء الاصطناعي الذي لديك على مُعالجة اللغة الطبيعية (NLP) أو رؤية الكمبيوتر ، فيجب أن تتعرف على تقنية نقل التعلّم وكيفية استخدام النماذج المُدربة مسبقًا.
بدون نقل التعلّم ، غالبًا ما يكون تدريب نموذج فعَّال وموثوق به مسعىً يستنفذ الموارد ، ويتطلب الكثير من المال والوقت والخبرة ، حيث يُقدر أنَّ مطور ChatGPT قد أنفق الملايين على تدريب GPT-3 و GPT-3.5 و GPT- 4. بفضل قوة نقل التعلّم ، يُمكنك تدريب نموذجك الخاص بالقوة التي يملكها نموذج GPT الأحدث بموارد قليلة في فترة قصيرة. تحقق من طرق استخدام ChatGPT كمُحلل بيانات.
ما هو نقل التعلّم في الذكاء الاصطناعي؟
نقل التعلّم هو فكرة اتخاذ نموذج مُدرب مسبقًا مثل BERT أو أحد نماذج GPT المُختلفة وتدريبه على مجموعة بيانات مُخصصة للعمل على المهام التي لم يتم تدريبه بالضرورة على معالجتها.
على سبيل المثال ، يُمكنك أن تأخذ نموذجًا مُدربًا مُسبقًا لتصنيف أنواع مختلفة من القطط وتدريبه على تصنيف الكلاب. من خلال نقل التعلّم ، يجب أن يستغرق تدريب نموذج تصنيف الكلاب وقتًا وموارد أقل بكثير ليصبح موثوقًا مثل نموذج تصنيف القطط الأصلي.
يعمل هذا لأنَّ القطط والكلاب تشترك في العديد من السمات التي يُمكن للنموذج المدرب مسبقًا تحديدها بالفعل. نظرًا لأنَّ نموذج تصنيف القطط يُمكنه تحديد السمات المختلفة للقطط ، مثل امتلاك أربعة أرجل ، ومعاطف من الفرو ، وأنوف بارزة ، يُمكن لنموذج تصنيف الكلاب تخطي كل هذا التدريب لتحديد تلك السمات التي ورثها من النموذج الأصلي. بعد وراثة كل هذه الشبكات العصبونية ، تقوم بعد ذلك بالتخلص من الطبقات الأخيرة من النموذج المُدرب المُستخدم لتحديد السمات الأكثر تحديدًا للقط واستبدالها بمجموعة بيانات خاصة بالكلاب.
ما هي نماذج الذكاء الاصطناعي التي يمكنك استخدامها لنقل التعلّم؟
لاستخدام نقل التعلّم ، ستحتاج إلى نموذج مُدرب مسبقًا. يُعرف النموذج المدرَّب مسبقًا باسم نموذج الذكاء الاصطناعي المُدرَّب بغرض اكتساب معرفة عامة حول موضوع أو فكرة مُعينة. هذه الأنواع من النماذج المدربة مسبقًا مُصممة خصيصًا للأشخاص لضبط وإنشاء المزيد من النماذج الخاصة بالاستخدامات المُختلفة. بعض النماذج الأكثر شيوعًا المُدربة مسبقًا مُخصصة لـ NLP ، مثل BERT و GPT ، ورؤية الكمبيوتر ، مثل VGG19 و Inceptionv3.
على الرغم من شيوعها ، إلا أنَّ هذه النماذج التي يُمكن ضبطها بسهولة ليست هي الوحيدة التي يُمكنك استخدامها لنقل التعلّم. يُمكنك أيضًا استخدام النماذج المُدربة على مهام أكثر تحديدًا من التعرف على الأشياء أو اللغة بشكل عام. طالما أن النموذج قد طور شبكات عصبونية قابلة للتطبيق على النموذج الذي تُحاول تدريبه ، يمكنك استخدام أي نموذج لنقل التعلّم.
يُمكنك الحصول على نماذج مدربة مسبقًا مُتاحة للجمهور من أماكن مثل TensorFlow Hub و Hugging Face وسوق نموذج OpenAI. تحقق من كيفية إنشاء نموذج تعلم الآلة باستخدام Microsoft Lobe.
فوائد استخدام نقل التعلّم في الذكاء الاصطناعي
يُوفر التعلم الانتقالي العديد من الفوائد على تدريب نموذج الذكاء الاصطناعي من البداية.
- تقليل وقت التدريب: عند تدريب نموذج من البداية ، يتم إنفاق جزء كبير من عملية التدريب على المعرفة التأسيسية العامة. من خلال نقل التعلم ، يرث نموذجك تلقائيًا كل هذه المعرفة الأساسية ، وبالتالي تقليل وقت التدريب بشكل كبير.
- متطلبات موارد أقل: نظرًا لأنَّ جميع المعارف التأسيسية موجودة بالفعل ، فكل ما عليك فعله هو مواصلة تدريب النموذج على تفاصيل التطبيق الخاص بك. غالبًا ما يتطلب هذا فقط مجموعة بيانات صغيرة نسبيًا يمكن مُعالجتها بقوة حوسبة أقل.
- أداء محسّن: ما لم تنفق ملايين الدولارات على بناء نموذجك من البداية ، لا يمكنك توقع نموذج جيد أو موثوق به كنموذج لغة كبير (LLM) من شركة تقنية عملاقة. باستخدام نقل التعلّم ، يُمكنك الاستفادة من الإمكانات القوية لهذه LLMs المُدربة مسبقًا ، مثل GPT ، لتحسين أداء نموذجك.
من الممكن تدريب نموذج ذكاء اصطناعي من البداية ، لكنك تحتاج إلى موارد أكبر للقيام بذلك.
كيف يعمل نقل التعلّم؟
في الأساس ، هناك ثلاث مراحل عندما يتعلق الأمر بنقل التعلّم.
- اختيار نموذج تم تدريبه مسبقًا: يخضع النموذج المدرَّب مسبقًا إلى تدريب أولي باستخدام مجموعة بيانات كبيرة من مصدر مُهم ، مثل ImageNet ، أو مجموعة كبيرة من النصوص. تُمكِن مرحلة التدريب الأولية هذه النموذج من اكتساب المعرفة بالميزات والأنماط العامة الموجودة في مجموعة البيانات. يعتمد مقدار الوقت والموارد التي تُوفرها من نقل التعلّم على أوجه التشابه بين النموذج المدرب مسبقًا والنموذج الذي تحاول بناءه.
- استخراج الميزات: بمجرد اختيار نموذج مدرب مسبقًا لضبطه ، يتم ترك الطبقات الأولية للنموذج المُدرب مسبقًا (الأقرب إلى الإدخال) ؛ هذا يعني أنَّ أوزانه تظل ثابتة أثناء الضبط الدقيق. يؤدي تجميد هذه الطبقات إلى الاحتفاظ بالمعرفة العامة التي تم تعلمها خلال مرحلة ما قبل التدريب ويمنعه من التأثر بشدة بمجموعة البيانات الخاصة بمهام النموذج المُستهدف. بالنسبة للنماذج المدربة تدريباً كاملاً لتطبيقات مُحددة ، تتم إزالة الطبقات النهائية للنماذج أو عدم تعلمها حتى يتم تدريب النموذج المُستهدف في تطبيقات محددة أخرى.
- الضبط الدقيق: بعد تجميد النموذج المدرَّب مسبقًا وإزالة الطبقات العليا ، يتم تغذية مجموعة بيانات جديدة لخوارزمية التعلم ، والتي تُستخدم بعد ذلك لتدريب النموذج الجديد وخصائص تطبيقه.
هناك ما هو أكثر من المراحل الثلاث ، لكن هذا المُخطط يوضح بالتفصيل تقريبًا كيفية عمل عملية نقل التعلّم الذكاء الاصطناعي ، مع بعض الضبط الدقيق.
قيود نقل التعلّم في الذكاء الاصطناعي
على الرغم من أنَّ نقل التعلّم هو مفهوم قيم في تدريب النماذج الفعَّالة والموثوقة ، إلا أن هناك عددًا قليلاً من القيود التي تحتاج إلى معرفتها عند استخدام التعلم الانتقالي لتدريب نموذج.
- عدم تطابق المهام: عند اختيار نموذج أساسي لنقل التعلّم ، يجب أن يكون وثيق الصلة قدر الإمكان بالمشكلات التي سيحلها النموذج الجديد. من المرجح أن يؤدي استخدام نموذج يُصنف القطط لإنشاء نموذج لتصنيف الكلاب إلى نتائج أفضل من استخدام نموذج تصنيف السيارة لإنشاء نموذج للنباتات. كلما كان النموذج الأساسي أكثر ملاءمة للنموذج الذي تُحاول بناءه ، زاد الوقت والموارد التي ستوفرها خلال عملية نقل التعلّم.
- انحياز مجموعة البيانات: على الرغم من أنَّ النماذج المُدربة مسبقًا غالبًا ما يتم تدريبها على مجموعات بيانات كبيرة ، لا يزال هناك احتمال أن تكون قد طورت تحيزًا مُعينًا أثناء تدريبها. قد يؤدي استخدام النموذج الأساسي شديد التحيز أيضًا إلى أن يرث النموذج تحيزاته ، مما يُقلل من دقة نموذجك وموثوقيته. لسوء الحظ ، من الصعب تحديد أصل هذه التحيزات بسبب طبيعة الصندوق الأسود للتعلم العميق.
- التجهيز الإضافي: تتمثل إحدى الفوائد الرئيسية لنقل التعلّم في أنه يُمكنك استخدام مجموعة بيانات صغيرة نسبيًا لتدريب النموذج بشكل أكبر. ومع ذلك ، فإنَّ تدريب النموذج على مجموعة بيانات صغيرة جدًا قد يتسبب في زيادة التجهيز ، مما يقلل بشكل كبير من موثوقية النموذج عند تزويده ببيانات جديدة.
لذلك ، في حين أنَّ نقل التعلّم هو أسلوب تعليمي مُفيد للذكاء الاصطناعي ، إلا أن هناك قيودًا ، وهي ليست حل سحري. تحقق من الأسباب التي تجعل مشكلات الأمان للذكاء الاصطناعي التوليدي تزداد سوءًا.
هل يجب عليك استخدام نقل التعلّم؟
منذ توفر النماذج المدربة مسبقًا ، لطالما تم استخدام التعلم التحويلي لعمل نماذج أكثر تخصصًا. لا يوجد سبب حقيقي لعدم استخدام نقل التعلّم إذا كان هناك بالفعل نموذج مدرب مسبقًا ذي صلة بالمشكلات التي سيحلها نموذجك.
على الرغم من أنه من الممكن تدريب نموذج بسيط لتعلم الآلة من البداية ، فإنَّ القيام بذلك على نموذج التعلم العميق سيتطلب الكثير من البيانات والوقت والمهارة ، وهو أمر لن يكون منطقيًا إذا كان بإمكانك إعادة توظيف نموذج حالي مشابه للنموذج الذي تستخدمه تُخطط لتدريبه. لذلك ، إذا كنت ترغب في إنفاق وقت ومال أقل في تدريب نموذج ، فحاول تدريب النموذج الخاص بك من خلال نقل التعلّم. يُمكنك الإطلاع الآن على أدلة على الإنترنت لأدوات الذكاء الاصطناعي لاكتشاف أو البحث عن أفضل تطبيق للذكاء الاصطناعي.
