مصطلحًا
تسمية (Label)
- الفئة
- AI & Machine Learning Fundamentals
- الصعوبة
- مبتدئ
التعريف
في تعلم الآلة الخاضع للإشراف، التسمية هي المتغير المستهدف أو قيمة الحقيقة الأساسية المخصصة لنقطة بيانات إدخال محددة يهدف النموذج إلى التنبؤ بها.
آلية العمل والسياق
تعمل التسميات كأساس للتعلم الخاضع للإشراف، حيث تعمل كمخرجات مرغوبة لمدخل مقابل. على سبيل المثال، في مهمة تصنيف الصور، يكون المدخل هو صورة قطة، والتسمية هي النص 'قطة'. أثناء التدريب، يقارن النموذج تنبؤاته الخاصة مقابل هذه التسمية لحساب الخطأ وتعديل معاييره الداخلية. تُعرف عملية إنشاء هذه التسميات بتعليق البيانات أو التسمية. تعد جودة ودقة هذه التسميات أمرًا بالغ الأهمية؛ فإذا كانت بيانات التدريب تحتوي على تسميات غير صحيحة أو مشوشة، فسيتعلم النموذج أنماطًا معيبة، مما يؤدي إلى ضعف الأداء على بيانات العالم الحقيقي. يمكن أن تتخذ التسميات أشكالًا عديدة، بما في ذلك العلامات الفئوية، أو القيم الرقمية، أو الهياكل المعقدة مثل مربعات الإحاطة في رؤية الكمبيوتر أو درجات المشاعر في معالجة اللغات الطبيعية.
لماذا هو مهم
التسميات هي الآلية الأساسية لتعليم أنظمة الذكاء الاصطناعي. بدون تسميات دقيقة وعالية الجودة، لا يمكن للنماذج الخاضعة للإشراف التعلم بفعالية للتعميم من بيانات التدريب إلى مدخلات غير مرئية. في تطوير الذكاء الاصطناعي الاحترافي، غالبًا ما تمثل التكلفة والوقت المطلوبان لتنظيم مجموعات بيانات كبيرة ونظيفة ومصنفة أكبر عنق زجاجة في بناء تطبيقات تعلم آلي عالية الأداء وموثوقة.
مثال واقعي
ضع في اعتبارك ذكاءً اصطناعيًا للتصوير الطبي مصممًا للكشف عن الأورام. يجب على أطباء الأشعة مراجعة آلاف صور الأشعة السينية يدويًا ورسم حدود حول المناطق المشبوهة. تعمل هذه التعليقات التوضيحية كتسميات. يتم بعد ذلك تدريب الذكاء الاصطناعي على هذه الصور المصنفة بحيث عندما يواجه صورة أشعة سينية جديدة غير مصنفة، يمكنه تحديد الأورام المحتملة وتسليط الضوء عليها بناءً على الأنماط التي تعلمها من الحقيقة الأساسية التي قدمها البشر.
أخطاء شائعة
- افتراض أن التسميات دقيقة دائمًا بنسبة 100%؛ غالبًا ما يقدم المعلقون البشريون تحيزًا أو أخطاء.
- الخلط بين التسمية (الهدف) والميزات (بيانات الإدخال).
- إهمال أهمية اتساق التسمية عبر مجموعة بيانات كبيرة.
- الفشل في مراعاة عدم توازن الفئات عندما يتم توزيع التسميات بشكل غير متساوٍ.
الأسئلة الشائعة
كيف تختلف التسميات عن الميزات؟
الميزات هي متغيرات الإدخال التي يستخدمها النموذج لإجراء تنبؤ، بينما التسمية هي النتيجة أو الفئة المحددة التي يحاول النموذج التنبؤ بها بناءً على تلك الميزات.
ماذا يحدث إذا كانت بيانات التدريب الخاصة بي تحتوي على تسميات غير صحيحة؟
يُعرف هذا بـ 'التسميات المشوشة'. فهي تجبر النموذج على تعلم ارتباطات غير صحيحة، مما يؤدي إلى تدهور قدرته بشكل كبير على إجراء تنبؤات دقيقة على بيانات جديدة وغير مرئية.
هل من الممكن تدريب نموذج بدون تسميات؟
نعم، يسمى هذا التعلم غير الخاضع للإشراف. في هذا النهج، يبحث النموذج عن أنماط أو هياكل مخفية في البيانات دون تزويده بتسميات مستهدفة صريحة.