أتمتة وسم البيانات باستخدام التعلم بالنقل

بينما يمكننا بسهولة استيعاب قدرة الآلات على تحليل كمية كبيرة من البيانات المنظمة مثل الجداول من تقييم الائتمان، فإن قدرة الآلة على التعرف على صورة أو مقطع فيديو وفهمه هي أمر أكثر بديهية وإثارة للإعجاب.

مع التطورات الحديثة في القدرة الحاسوبية، وأساليب التعلم الآلي الأحدث والأفضل، أصبحنا بالفعل في منطقة غالبًا ما ترتبط بالكتب والأفلام الخيالية العلمية. السيارات ذاتية القيادة، والتعرف على الوجه المتاح في جهاز نحمل جميعًا في جيوبنا، وآلات تقرر ما إذا كان هناك بقعة مرئية في الأشعة السينية لرئتينا، أو ما إذا كانت حالة الجلد التي التقطنا صورة لها للتو قد تكون خطيرة. كل هذه تطبيقات مدروسة جيدًا وعاملة لرؤية الحاسوب.

يمكن تقسيم معظمها إلى فئتين رئيسيتين:

تصنيف الصور– تتمثل مهمة خوارزميات التعلم العميق في تصنيف صورة أو مقطع فيديو إلى فئة واحدة (أو عدة فئات). ومن خلال هذا النوع من النماذج، يمكننا مثلاً تحديد ما إذا كانت الآفة الجلدية خبيثة أم لا (في هذه الحالة، تُصنَّف الصورة ضمن إحدى فئتين – خبيثة أو غير خبيثة).

كشف الكائنات– تُستخدم للكشف عن الأجسام المرئية في الصورة. باستخدام هذه التقنية يمكننا، على سبيل المثال، الكشف عن البشر في التسجيل المرئي أو عد خلايا الدم في صور المجهر.

التقسيم– يركّز على تقسيم الصورة إلى مقاطع. يُصنَّف كل بكسل ويُجمَّع وفقاً لذلك. نستخدم هذه الأساليب في الغالب لتحديد الحدود في الصور.

• التجزئة الدلالية– نُسنِد فئة لكل بكسل، ولا نتعرّف على حالات منفصلة للأجسام. على سبيل المثال، إذا رأينا عدة مبانٍ، فسيتم تصنيفها جميعًا على أنها "مبنى" ولن تتوفر معلومات عن أي مبنى تحديدًا.
• تجزئة الحالات– على عكس التقسيم الدلالي، فإننا نأخذ في الاعتبار حالات الكائنات. كما نقوم بتصنيف كل بكسل ولكن في هذه الحالة نأخذ في الاعتبار أيضاً الكائنات المنفصلة. في هذا المثال، سنقوم بترقيم المباني الظاهرة في الصورة كمبنى رقم 1، ومبنى رقم 2، وهكذا.

تتبع الأجسام– باستخدام كل من الكشف والتصنيف، يمكننا أيضًا تتبّع جسم معيّن. فإذا رأينا في الفيديو سيارة تسير في الشارع، يمكننا تتبّع حركتها مع معرفة أن هذه هي السيارة نفسها، وليست حالة أخرى لجسم جديد.

في البداية، استخدم عميلنا تسجيلات فيديو لطريق ومحيطه لوضع علامات يدوية على إشارات المرور المرئية من منظور المركبة. تطلب وضع العلامات اليدوي أيامًا من العمل الدؤوب لـ 4 موظفين. فقط بعد الانتهاء من وضع العلامات، كان بإمكانهم التحقق المتقاطع من علاماتهم وتأكيد العلامات النهائية.

بفضل حلنا، بدلاً من أيام من العمل، نقوم بوسم التسجيل في غضون دقائق، ولا يلزم سوى شخص واحد للتحقق من نتائج النموذج. وهذا يتيح لنا إعادة توجيه القوى العاملة نحو تأكيد التنبؤات، مما يعني أننا قادرون على معالجة عدد أكبر من التسجيلات في الوقت نفسه.

يمكن استخدام حلول مماثلة في العديد من المهام المتعلقة بالتعرف على الأنماط أو الكائنات المحددة في الصور أو تصنيفها.

إذا صادفنا في صناعة معينة صورًا يمكن أن تزودنا بمعلومات – يمكننا إيجاد تطبيق لخوارزميات ذكاء اصطناعي مماثلة.

بالإضافة إلى ذلك، يتم دعم هذه المهام بشكل متزايد بحلول سحابية. يمكن لممارس البيانات ذي المهارات المناسبة إنشاء النماذج اللازمة وتنفيذإثبات المفهوم.