السلام عليكم
ماذا يعني التعلم تحت الإشراف الذاتي (SSL)؟
التعلم تحت الإشراف الذاتي (SSL) هو نهج للتعلم الآلي يسمح لخوارزميات التعلم الآلي باستخدام المدخلات المرصودة للتنبؤ بالمدخلات غير المعروفة.
يتمثل أحد الأهداف المهمة للتعلم تحت الإشراف الذاتي في تغيير نماذج التعلم غير الخاضعة للإشراف برمجيًا إلى نماذج تعلم خاضعة للإشراف من خلال تطوير أنظمة التعلم العميق للتدريب المسبق التي يمكنها تعلم ملء المعلومات المفقودة.
ربما يكون BERT (تمثيلات التشفير ثنائية الاتجاه من المحولات) و Q Learning هما أكثر التطبيقات شهرة للتعلم تحت الإشراف الذاتي في الذكاء الاصطناعي. خلال مرحلة ما قبل التدريب ، يُعرض على كل نظام مثال قصير للنص الذي تفتقد فيه بعض الكلمات. ثم يتم تدريب الأنظمة على كيفية استخراج الإشارات الإشرافية من بيانات الإدخال من أجل التنبؤ بالكلمات المفقودة بدقة.
لعبت SSL دورًا مهمًا في تطوير معالجة اللغة الطبيعية (NLP). إنها إحدى الطرق العديدة التي تتم دراستها لتقليل الحاجة إلى كميات هائلة من البيانات لتدريب خوارزميات التعلم بالذكاء الاصطناعي.
خلال مؤتمر جمعية النهوض بالذكاء الاصطناعي (AAAI) 2020 ، قال عالم الحاسوب الفرنسي ، Yann LeCun ، إن التعلم تحت الإشراف الذاتي هو ما سيأخذ الذكاء الاصطناعي وأنظمة التعلم العميق إلى المستوى التالي.
نظرًا لأن التعلم تحت الإشراف الذاتي يستخدم المعلومات التي تم تعلمها مسبقًا للتنبؤ بأنماط البيانات والأحداث القادمة ، ليصبح أكثر ذكاءً بشكل فعال ، فإنه لا يقتصر على القدرات البشرية. تسمح استقلاليتها بأن تكون قابلة للتطوير بدرجة كبيرة ، وتنمو بشكل كبير في التنبؤ بالنمط ومهارات التعرف ، جنبًا إلى جنب مع قدرات صنع القرار المتقدمة.
نظرًا لنقص المساعدة البشرية طوال عملية التعلم ، يتطلب هذا النهج خوارزميات تعلم آلي قوية ومعقدة جنبًا إلى جنب مع قوة حسابية عالية. يجب أن يكونوا قادرين على التعامل مع كميات هائلة من البيانات من أنواع مختلفة وأن يكونوا قادرين على فهرستها وتصنيفها بمرونة وفعالية.
تعد البرمجة المناسبة لجميع عناصر التدريب مفتاحًا لنهج تعليمي ناجح تحت الإشراف الذاتي. كلما كان كل عنصر دراسة أكثر تفصيلاً وثراءً بالبيانات ، زادت المعلومات التي يمكن لنظام الذكاء الاصطناعي استخراجها منها بنجاح. نتيجة لذلك ، سيكون للنظام فرصة أفضل لتصنيف العناصر والإدخال بشكل صحيح فيما يتعلق بالعناصر الأخرى أثناء وبعد الانتهاء من التدريب.
بشكل عام ، لا تُستخدم أنظمة الذكاء الاصطناعي المصممة باستخدام التعلم تحت الإشراف الذاتي لحل مشكلة مباشرة في البيانات التي تم تقديمها بها لأول مرة. باستخدام هذا النهج ، يقوم النظام بإنشاء مجموعات من نقاط البيانات التي تُظهر مجموعة من أوجه التشابه أو تشارك الأنماط ، بينما تكون مختلفة قدر الإمكان عن المجموعات الأخرى. نتيجة لذلك ، سيوفر نظام الذكاء الاصطناعي معلومات حول كيفية تمثيله للأشياء التي قام بتحليلها. سيكون التمثيل الذي توصلت إليه ، أو الشبكة العصبية البسيطة ، مفيدًا في حل المهام الشيئية المماثلة في المستقبل.
على الرغم من أن التعلم الآلي الذي يتم الإشراف عليه ذاتيًا ليس نقيًا ، إلا أنه يمكن أن يفتح العديد من الأبواب عندما يتعلق الأمر بتطوير أنظمة الذكاء الاصطناعي والتعلم العميق.
مزايا التعلم تحت الإشراف الذاتي
تتضمن بعض المزايا الفريدة للتعلم تحت الإشراف الذاتي ما يلي:
قابلية التوسع – بدون التعلم تحت الإشراف الذاتي ، سيكون بناء نماذج قوية للتنبؤ والتصنيف غير فعال ويستغرق وقتًا طويلاً. بدلاً من ذلك ، يمكن لأنظمة الذكاء الاصطناعي التي تعتمد على التعلم تحت الإشراف الذاتي أن تقوم بأتمتة مجموعات من المهام المعقدة طالما أنها تتمتع بالقوة الحاسوبية والمعرفة والوقت المناسبين.
حل المشكلات بكفاءة – لم تعد بحاجة إلى الاعتماد على المفاهيم المسبقة للعقل البشري مع البيانات المسمى ، يمكن لأنظمة الذكاء الاصطناعي بمفردها إيجاد أفضل طريق لحل مشكلة ، من سد الفجوات في الصور إلى التنبؤات الإحصائية وتصنيف الكائنات.
تحسين رؤية الكمبيوتر – يتيح التعلم تحت الإشراف الذاتي لأنظمة الذكاء الاصطناعي تدريب نفسها على نحو مشابه لكيفية نمو العقل البشري للتعرف على البيئة المحيطة به. إنه يضمن عدم توقف النظام أو إهدار قوة حسابية بحثًا عن أوجه التشابه بين ما يراه وعناصر التدريب المصنفة بالفعل.
إعادة تكوين الذكاء البشري – على غرار تحسين رؤية الكمبيوتر ، فإن أنظمة الذكاء الاصطناعي التي تعتمد على التعلم تحت الإشراف الذاتي ليس لديها فقط القدرة على النمو إلى مستويات قريبة من الذكاء البشري ولكن يمكنها أيضًا مساعدة علماء الأعصاب على فهم كيفية عمل الدماغ البشري.
مع كل فوائده ، فإن نهج التعلم الآلي الخاضع للإشراف الذاتي له قيود تمنعه ??من الاستخدام على نطاق واسع. أولاً ، يتطلب الأمر قوة حسابية هائلة يصعب الحصول عليها للمشاريع الصغيرة والمطورين الهواة. بالإضافة إلى ذلك ، فإن التعلم تحت الإشراف الذاتي ، بشكل افتراضي ، حساس للغاية. يمكن أن تؤدي الأخطاء الصغيرة في العناصر المستخدمة في التدريب أو كيفية تشفيرها إلى نتائج غير دقيقة للغاية يكاد يكون من المستحيل إصلاحها أو “تصحيحها” بشكل فردي.
بالإضافة إلى ذلك ، يتم العمل على الصور ، وتحديدًا باستخدام إطار عمل SimCLR ، والتقدم في معالجة اللغة الطبيعية (NLP) يؤثر على مجال التعلم تحت الإشراف الذاتي بطرق مثيرة لأولئك في الصناعة ، مع فوائد كبيرة للمستهلكين والمستخدمين النهائيين.
ومع ذلك ، مع كل قيودها وبدايتها الطفولية النسبية ، فإن التعلم تحت الإشراف الذاتي هو ما يأمله العديد من علماء الحاسوب في المستقبل.
