ما هو التعلم شبه الخاضع إلى الإشراف؟

يمثل التعلم شبه الخاضع إلى الإشراف شكل من أشكال التعلم الآلي الذي ينطوي على كل من مجموعات بيانات التدريب المصنفة وغير المصنفة. كما يستدل من اسمه، تتضمن هذه الطريقة عناصر من كل من التعلم الخاضع إلى الإشراف والتعلم غير الخاضع إلى الإشراف. يستخدم التعلم شبه الخاضع إلى الإشراف عملية من خطوتين. أولاً، يتم تدريب خوارزمية المشروع في البداية باستخدام مجموعة بيانات مصنفة، كما هو الحال في التعلم الخاضع إلى الإشراف. بعد ذلك، تتقدم الخوارزمية من خلال التدريب باستخدام مجموعة بيانات غير مصنفة.

يُعد التعلم شبه الخاضع إلى الإشراف مثاليًا عندما تحتوي المشروعات على الكثير من بيانات التدريب، لكن معظمها أو كلها غير مُصنف. في حالة المشروعات التي لا تتوفر بها سوى بيانات غير مُصنفة، يمكن للتعلم شبه الخاضع إلى الإشراف تشغيل المشروعات من خلال إجراء تدريب أولي باستخدام بيانات مُصنفة يدويًا قبل التبديل إلى بيانات التدريب غير المُصنفة فحسب. في ظل استخدام المشروعات هذا النهج، يجب على الفِرق توخي الحذر عند وضع العلامات يدويًا على البيانات لأنها تصبح الأساس الذي يُبنى عليه باقي المشروع.

يرجع غالبًا قرار استخدام التعلم شبه الخاضع إلى الإشراف إلى مجموعات البيانات المتاحة. في عصر البيانات الضخمة، تكون البيانات غير المُصنفة متاحة ويمكن الوصول إليها أكثر بكثير من البيانات المُصنفة، ووفقًا إلى المصدر تكون تصبح تكلفة الحصول عليها أقل.

مع ذلك، قد يضطر المشروع إلى المُضي قدمًا ببيانات غير مُصنفة فحسب. عندما يحدث ذلك، يجب على الفِرق أن تقرر إذا كان من المُفيد توظيف الطبيعة الاستكشافية للتعلم غير الخاضع إلى الإشراف مقابل قضاء الوقت والمال في تصنيف جزء من مجموعة البيانات كوسيلة للتدريب الأولي على الخوارزمية.

ما هو التعلم شبه الخاضع إلى الإشراف؟

يُعد التعلم شبه الخاضع إلى الإشراف أسلوب يخص التعلم الآلي الذي يقع بين التعلم الخاضع إلى الإشراف والتعلم غير الخاضع إلى الإشراف. إذ يستخدم كلاً من البيانات المُصنفة وغير المُصنفة لتدريب الخوارزميات وقد يحقق نتائج أفضل من استخدام البيانات المُصنفة وحدها.

لتحديد إذا كان التعلم شبه الخاضع إلى الإشراف مُناسبًا للمشروع، يجب على الفِرق طرح الأسئلة بما في ذلك ما يلي:

• ما مجموعات البيانات المتاحة لنا في هذا المشروع؟
• هل تم تصنيف أي من مجموعات البيانات هذه؟ قد يكون مثال على تصنيفات مجموعة البيانات المالية هو بيانات المعاملات ذات التصنيفات التي تشير إلى إذا كانت المعاملة احتيالية أو مشروعة.
• إذا كانت جميع مجموعات البيانات غير مُصنفة، فهل لدى الفريق الموارد اللازمة لتصنيف بعض البيانات على الأقل؟
• هل أهداف المشروع أكثر قابلية للتحقيق من خلال التعلم الخاضع إلى الإشراف أو غير الخاضع إلى الإشراف؟ تتضمن عوامل الترجيح هنا مزيجًا من الجوانب العملية والتقنية، بما في ذلك موارد الحوسبة والموازنة والمواعيد النهائية والنتائج المرجوة.
• هل مجموعة البيانات المُصنفة لدينا كافية لتعليم النموذج أنماط وخصائص، على سبيل المثال، المعاملات الاحتيالية والمشروعة؟

تحدد الإجابات على هذه الأسئلة الجدوى. بمجرد اتخاذ القرار للعمل مع التعلم شبه الخاضع إلى الإشراف، فتكون الخطوة التالية في إعداد مجموعتين من بيانات التدريب. تكون الأولى مجموعة بيانات صغيرة مُصنفة لترسيخ التدريب التأسيسي للمشروع. تكون مجموعة بيانات التدريب الثانية أكبر—غالبًا أكبر بكثير—وغير مُصنفة. عندما يعالج النظام مجموعة البيانات غير المُصنفة، فإنه ينشئ تصنيفات زائفة باستخدام ما تعلمه من المجموعة المُصنفة. ثم تتكرر هذه العملية لتنقيح الخوارزمية وتحسين الأداء.

فيما يلي أكثر أنواع التعلم شبه الخاضع إلى لإشراف شيوعًا:

• التدريب الذاتي: باستخدام التدريب الذاتي، تستخدم العملية مجموعة البيانات المُصنفة لتدريب الخوارزمية، ثم يُنشئ التدريب اللاحق تصنيفات زائفة عالية الثقة (أكثر من 99% من الاحتمالات) لمجموعة البيانات غير المُصنفة بحيث تحتوي جميع السجلات على تصنيفات. بعد ذلك، يتدرب النظام على مجموعة البيانات الموسَّعة التي تضم بيانات التدريب الأصلية المُصنفة مترابطة مع مجموعة البيانات غير المُصنفة باستخدام التصنيفات الزائفة، مما يسمح بالتدريب على كميات أكبر من البيانات مقارنة بمجموعة البيانات الأصلية المُصنفة.
• التدريب المشترك: باستخدام التدريب المشترك، تأخذ العملية مجموعة بيانات صغيرة مُصنفة وتقترب منها مع عرضين مميزين (مجموعات الميزات) يركزان على المعلومات التكميلية والمستقلة. تُدرِّب كل مجموعة خوارزمية منفصلة، ثم تنتقل إلى إجراء تنبؤات على مجموعة بيانات غير مُصنفة لتصنيف التصنيفات الزائفة لكل نموذج ناتج. يأتي كل تصنيف زائف تم إنشاؤه بواسطة مُصنف (خوارزمية تتنبأ بتصنيف) بمجموع نقاط احتمالية، ثم تتم إضافة التصنيف الزائف بمجموع نقاط الاحتمالية الأعلى إلى مجموعة بيانات التدريب الأخرى.

على سبيل المثال، قد يبدأ نموذج التنبؤ بالطقس بمجموعة بيانات باستخدام تصنيفات على المقاييس المُسجلة، مثل سرعة الرياح والضغط الجوي والرطوبة، بينما يستخدم النموذج الآخر بيانات أكثر عمومية، مثل الموقع الجغرافي والتاريخ/الوقت ومتوسط هطول الأمطار المُسجل. ينشئ كلا النموذجين تصنيفات زائفة، وعندما يكون لدى نموذج المقاييس درجة احتمالية أعلى من النموذج العام، يتم تطبيق التصنيف الزائف على النموذج العام، والعكس صحيح.

تواصل كل طريقة التدريب على تحسين الجوانب ذات النتائج المنخفضة الاحتمال إلى أن يتم إنتاج نموذج نهائي شامل.

إيجابيات التعلم شبه الخاضع إلى الإشراف وسلبياته

يجمع التعلم الآلي شبه الخاضع إلى الإشراف بين بنية إطلاق مشروع باستخدام التعلم الخاضع إلى الإشراف ومزايا التعلم غير الخاضع إلى الإشراف، مثل الكشف المُتقدم عن أوجه الخلل والقدرة على الكشف عن الأنماط والبُنى الخفية داخل البيانات غير المُصنفة. مع أن مرونته المتأصلة غير ملائمة لكل حالة، فإنه يجعلها خيارًا مُمكنًا لمجموعة واسعة من احتياجات المشروع وأهدافه.

الأسئلة الشائعة حول التعليم شبه الخاضع إلى الإشراف

ما هي الحالات التي يستخدم فيها التعلم شبه الخاضع إلى الإشراف عادةً؟

يعمل التعلم شبه الخاضع إلى الإشراف بشكل أفضل عندما تتمتع المشروعات بإمكانية الوصول إلى البيانات غير المُصنفة فحسب أو في الغالب. في هذه الظروف، يمكن للفِرق تصنيف مجموعة فرعية من البيانات يدويًا لإنشاء مجموعة بيانات التدريب للخطوة الأولى، ثم السماح للنموذج باستكشاف مجموعة البيانات غير المُصنفة.

ما هو الفَرق بين التعلم شبه الخاضع إلى الإشراف وغير الخاضع إلى الإشراف؟

يسمح التعلم غير الخاضع إلى الإشراف للنماذج باستكشاف مجموعات البيانات غير المُصنفة بهدف اكتشاف الأنماط والعلاقات بين المدخلات والمخرجات بمفردها. يستخدم التعلم شبه الخاضع إلى الإشراف هذه الطريقة، لكن مع خطوة سابقة لتدريب الخوارزمية على مجموعة بيانات صغيرة مُصنفة لبناء اتجاه أساس للمشروع.

ما هي بعض إيجابيات التعلم شبه الخاضع إلى الإشراف وسلبياته؟

تشمل إيجابيات التعلم شبه الخاضع إلى الإشراف ما يلي:

• يستخدم كل من مجموعات البيانات المُصنفة وغير المُصنفة.
• توجد إمكانات أفضل للبيانات غير المُنظمة، مثل الكميات الكبيرة من النصوص أو الفيديو أو الصوت.
• يستخدم مجموعات بيانات غير مُصنفة يسهل الوصول إليها وأقل تكلفة.
• يحسِّن من أداء النموذج، خاصةً مع البيانات المحدودة.

تشمل سلبيات التعلم شبه الخاضع إلى الإشراف ما يلي:

• قد يتطلب الأمر وقتًا ومالاً لتصنيف مجموعة بيانات التدريب يدويًا.
• من المحتمل أن تكون الدقة والشفافية أقل مقارنة بالتعلم الخاضع إلى الإشراف مع مجموعات بيانات ذات جودة عالية.
• إنها غير مُناسبة لبعض أنواع المشروعات، مثل تلك التي لديها إرشادات صارمة أو التي تتطلب معايير عالية الدقة للسلامة.
• ليست مُناسبة تمامًا لمجموعات البيانات المُعقدة والمُتنوعة.