التعلم بالنقل

التعريف

تقنية التعلم بالنقل (Transfer Learning) أو التعلم المنقول^{11الهيئة السعودية للبيانات والذكاء الاصطناعيsdaia.gov.saاذهب إلى المرجع ↓يُفتح في تبويب جديد}، تُعَدُّ أحد أساليب تعلم الآلة التي تسمح بالاستفادة من المعرفة المكتسبة أثناء حل مسألة ما لتطبيقها على مسألة أخرى ذات صلة.^{22شرح معنى " نقل التعلم " ( TRANSFER LEARNING )mittrarabia.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} تُعيد هذه التقنية ضبط نموذجٍ سبق تدريبه على مهمة محددة لتكييفه مع مهمة جديدة، ما يقلل من الحاجة إلى جمع كميات هائلة من البيانات ويُسرّع عملية التدريب.^{33ما المقصود بنقل التعلّم؟ - شرح "نقل التعلّم في تعلّم الآلة" - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُستَخدم هذا الأسلوب لتقليل الوقت المستغرق في إعداد نموذجٍ جديد، إذ يُمكن للمؤسسات إعادة تدريب النماذج القائمة على بياناتٍ جديدة ذات صلة بدلًا من البدء من الصفر.^{33ما المقصود بنقل التعلّم؟ - شرح "نقل التعلّم في تعلّم الآلة" - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُظهر التعلم بالنقل قدرته على تحسين تعميم النموذج عندما يُطبّق في مجالٍ مختلف أو على مجموعة بيانات أخرى، ما يجعله ملائمًا لتطبيقات متعددة مثل الانحدار أو الشبكات العصبية العميقة.^{44ما المقصود بنقل التعلم؟ | IBMibm.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} بعبارة أخرى، يُحافظ على المعلومات التي تم اكتسابها من حل مسألة معينة لاستخدامها في حل مسألة مشابهة.^{55نقل التعلم - Transfer Learning - مدونة سالم العليانيalelyani.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

• مثال عملي: نموذج تم تدريبه على تمييز صور الكلاب يمكن أن يُعاد تدريبه على تمييز صور القطط باستخدام مجموعة أصغر من الصور التي تُبرز الفروقات بين الفئتين.^{33ما المقصود بنقل التعلّم؟ - شرح "نقل التعلّم في تعلّم الآلة" - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

لماذا يوفر البيانات والوقت

يُعَدُّ التعلّم بالنقل (Transfer Learning) وسيلة فعّالة لتقليل الحاجة إلى كميات كبيرة من البيانات وتقصير مدة التدريب، إذ يستند إلى استغلال نموذج سبق تدريبه على مهمة سابقة كنقطة انطلاق لمهمة جديدة ذات صلة.^{66التعلم بالنقلflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد}

• يتيح إعادة استخدام نموذج مدرّب مسبقًا تقليلًا كبيرًا في حجم البيانات المطلوبة للمهام الجديدة، لأن النموذج يحمل تمثيلات عامة يمكن تعديلها بسهولة.^{77التعلّم بالنقل: إعادة استخدام النماذج المدرّبة مسبقًاultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• يُحسّن الأداء حتى عندما تكون البيانات المتوفرة محدودة، ما يجعل النماذج أكثر فاعلية في بيئات ذات موارد بيانات قليلة.^{66التعلم بالنقلflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• يساهم في خفض زمن التدريب والموارد الحاسوبية المطلوبة، إذ لا يلزم بناء نموذج من الصفر بل يتم ضبط النموذج القائم على مجموعة بيانات ضخمة سابقة.^{88التعلم بالنقل | FlowHuntflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد99منشور ‏Hamad Al awad,PhDae.linkedin.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• يضيف فعالية من حيث التكلفة ويُوسِّع إمكانية الوصول إلى تقنيات تعلم آلي متقدمة، لأن تقليل الوقت والبيانات يقلل من التكاليف المرتبطة بعملية التدريب.^{88التعلم بالنقل | FlowHuntflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد}

الضبط الدقيق

يُعد الضبط الدقيق (Fine-tuning)، المعروف أيضًا بالتوليف الدقيق، أسلوبًا أساسيًا وشائعًا من أساليب التعلم النقلي (transfer learning) في مجال تعلم الآلة والتعلم العميق (deep learning)، حيث يُستخدَم نموذج مُدرَّب مسبقًا (pre-trained model) كأساس لتكييف معلماته وأوزانه لحل مهمة جديدة ومحددة.^{1010Fine-tuning - الضبط الدقيقsystems-analysis.ruاذهب إلى المرجع ↓يُفتح في تبويب جديد1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1212تحسين الضبط الدقيقflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد} وبدلًا من الشروع في تدريب النموذج من الصفر بتكلفة باهظة واحتياجات ضخمة من البيانات والموارد الحوسبية، يعتمد هذا الأسلوب على مواصلة تدريب النموذج باستخدام مجموعة بيانات أصغر ومخصصة ومُعَلَّمة (labeled) للمهمة المستهدفة.^{1010Fine-tuning - الضبط الدقيقsystems-analysis.ruاذهب إلى المرجع ↓يُفتح في تبويب جديد1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

تمر هذه العملية بمراحل وخصائص أساسية تشمل ما يأتي:

1. التدريب المسبق (Pre-training)، حيث يُدرَّب النموذج على مجموعة بيانات عامة وكبيرة للغاية باستخدام مهمة ذاتية الإشراف (self-supervised task) لاكتساب المعرفة والأنماط العامة.^{1010Fine-tuning - الضبط الدقيقsystems-analysis.ruاذهب إلى المرجع ↓يُفتح في تبويب جديد}
2. توظيف المعرفة المكتسبة المشفرة مسبقًا في الأوزان، مثل الأشكال والحواف في نماذج الرؤية أو القواعد النحوية في النماذج اللغوية الكبيرة (LLMs)، لنقلها بنجاح نحو مهام أكثر تخصصًا.^{1010Fine-tuning - الضبط الدقيقsystems-analysis.ruاذهب إلى المرجع ↓يُفتح في تبويب جديد1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}
3. التحديث المستمر لبعض أو كل أوزان النموذج عبر بيانات خاصة، مما يحقق دقة عالية مع استهلاك قدر أقل بكثير من الحوسبة مقارنة بالبدء بأوزان عشوائية.^{1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

ويُعد هذا الأسلوب الطريقة الأكثر شيوعًا لتطبيق التعلم بالنقل، وتُبنى استنادًا إليه غالبيّة مساعدات الدردشة ونماذج الكشف عن الكائنات المخصصة انطلاقًا من النماذج التأسيسية.^{1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

أمثلة

يُظهر التعلم بالنقل (Transfer Learning) مرونة تطبيق المعرفة المكتسبة من مهمة سابقة على مهام جديدة، ما يُقصر الحاجة إلى بيانات تدريبية واسعة. ففي مجال الرؤية الحاسوبية، يمكن الاستفادة من نموذج مدرّب مسبقًا على فئات عامة مثل الحيوانات، ثم تعديل طبقة الخرج لتصنيف سلالات كلب محددة، ما يقلل حجم مجموعة البيانات المطلوبة ويختصر زمن التدريب.^{1313دليل التعلّم بأمثلة قليلة ودون أمثلة والتعلّم بالنقل | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} كما يُستَخدم هذا النهج في معالجة اللغة الطبيعية، حيث تُستَغل تمثيلات الكلمات التي تولّدها نماذج مثل Word2Vec (Word2Vec) وGloVe (GloVe) وFastText (FastText) لتسريع بناء نماذج نصية جديدة.^{1414مبادئ عدم التعميم وتقنية التعلم بالنقلae.linkedin.comاذهب إلى المرجع ↓يُفتح في تبويب جديد1515مبادئ عدم التعميم وتقنية التعلم بالنقلae.linkedin.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

من الأدوات المتاحة للمطورين، تُوفر مكتبة TensorFlow نماذج جاهزة مثل MobileNetV2 (MobileNetV2) يمكن إعادة تشكيلها وتطبيعها لتناسب مشاريع التعلم الآلي الخاصة بالمستخدمين.^{1616TensorFlow للمبتدئين: التعلم بالنقل | KnowledgeCityknowledgecity.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

وتعتمد آلية التحويل على تجميد معظم طبقات النموذج الأصلي، مع استبدال الطبقة النهائية وتدريبها على مجموعة بيانات أصغر، مستفيدًا من الميزات العامة التي تعلّمها النموذج على مجموعات بيانات ضخمة مثل ImageNet (ImageNet) أو GPT (GPT).^{1717نقل التعلم مقابل الضبط الدقيق: إطلاق العنان لقوة النماذج المدربة مسبقا في التعلم الآلي الحديثae.linkedin.comاذهب إلى المرجع ↓يُفتح في تبويب جديد}

الحدود

يُعَرَّف التعلم بالنقل (Transfer Learning) على أنه منهجية تهدف إلى تحسين عملية التعلم في مهمة مستهدفة من خلال الاستفادة من المعرفة المكتسبة في مهمة مصدرية سابقة.^{1818Transfer Learningftp.cs.wisc.eduاذهب إلى المرجع ↓يُفتح في تبويب جديد} يُقاس نجاح هذا الأسلوب بثلاث معايير رئيسية تُظهر أثر النقل على أداء النموذج. تُظهر المعايير الثلاثة كيف يمكن للمعرفة المنقولة أن تُحسّن البداية، وتُسرّع عملية التعلم، وتُرفع المستوى النهائي للأداء مقارنةً بالتعلم من الصفر.^{1818Transfer Learningftp.cs.wisc.eduاذهب إلى المرجع ↓يُفتح في تبويب جديد}

• الأداء الأولي في المهمة المستهدفة عند الاعتماد فقط على المعرفة المنقولة، مقارنةً بأداء وكيل لا يمتلك أي معرفة سابقة.^{1818Transfer Learningftp.cs.wisc.eduاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• الزمن المستغرق للوصول إلى التعلم الكامل للمهمة المستهدفة بوجود المعرفة المنقولة، مقارنةً بالزمن المطلوب عند التعلم من الصفر.^{1818Transfer Learningftp.cs.wisc.eduاذهب إلى المرجع ↓يُفتح في تبويب جديد}
• المستوى النهائي للأداء الذي يمكن تحقيقه في المهمة المستهدفة باستخدام النقل، مقارنةً بالمستوى النهائي دون نقل المعرفة.^{1818Transfer Learningftp.cs.wisc.eduاذهب إلى المرجع ↓يُفتح في تبويب جديد}

آلية العمل

يستند التعلم بالنقل إلى استغلال المعرفة التي اكتسبها نموذج مُدرّب مسبقًا لتسريع التنبؤات على مجموعة بيانات مستهدفة تشبه بيانات المصدر رياضيًا، ما يتيح للمنظومة اكتشاف الأنماط والعمل بصورة أسرع.^{33ما المقصود بنقل التعلّم؟ - شرح "نقل التعلّم في تعلّم الآلة" - AWSaws.amazon.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} تُضاف إلى هذا النموذج طبقة جديدة تُسمّى «رأس» (head) مخصصة للمهمة الجديدة، ثم يُعاد تدريب النموذج – ككل أو جزئيًا – على مجموعة البيانات المصنّفة للهدف، حيث تُحدَّث الأوزان باستخدام الانحدار التدرجي لتقليل دالة الخسارة.^{1010Fine-tuning - الضبط الدقيقsystems-analysis.ruاذهب إلى المرجع ↓يُفتح في تبويب جديد} في سياق نماذج اللغة الكبيرة، يمر الضبط الدقيق بعد مرحلة ما قبل التدريب بسلسلة من المراحل: تدريب على أزواج من المطالبات والاستجابات، ثم توجيه النموذج عبر أساليب التفضيل مثل التعلم المعزز من التغذية الراجعة البشرية (RLHF) وتحسين التفضيلات المباشر (DPO) لضمان توافق الاستجابات مع التفضيلات البشرية.^{1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} عند تطبيق الضبط الدقيق على كاشفات الكائنات، مثل YOLO، يُستدعى أمر train على نقطة تحقق مُدربة مسبقًا مع مجموعة بيانات جديدة؛ تُنقل الأوزان المتوافقة وتُعاد تسمية الفئات المتطابقة، بينما تُبنى الفئات غير الموجودة في مجموعة المصدر من الصفر.^{1111الضبط الدقيق: تكييف النماذج المدرّبة مسبقًا | Ultralyticsultralytics.comاذهب إلى المرجع ↓يُفتح في تبويب جديد} بهذه الآلية، يحقق التعلم بالنقل أداءً متفوقًا في بيئات واقعية صاخبة أو متغيرة، ويقلل من تكاليف جمع البيانات وتدريب النماذج، ما يجعله خيارًا فعّالًا من حيث التكلفة للمؤسسات التي تسعى لتطبيق حلول الذكاء الاصطناعي بموارد محدودة.^{88التعلم بالنقل | FlowHuntflowhunt.ioاذهب إلى المرجع ↓يُفتح في تبويب جديد}

أنظر أيضاً

• التعلم المعزز
• اختبار تورنغ
• أخلاقيات الذكاء الاصطناعي
• التعلم الخاضع للإشراف وغير الخاضع
• الذكاء الاصطناعي التوليدي