ماذا يعني تعلّم Zero-Shot وOne-Shot وFew-Shot؟
يُشير تعلّم Zero-Shot وتعلّم One-Shot وتعلّم Few-Shot لتقنياتٍ تسمح لنماذج تعلّم الآلة بإجراء توقعاتٍ لفئاتٍ جديدة مع وجود كميةٍ محدودة من البيانات المُصنّفة، ويعتمد اختيار التقنية على المسألة المراد حلّها وكمية البيانات المُصنّفة المتوفرة للفئات والتصنيفات الجديدة.
تعلّم One-Shot – تملك كلّ فئةٍ جديدة مثالاً مُصنّفاً مسبقاً، والهدف هو إجراء التوقعات للفئات الجديدة بناءً على هذا المثال الوحيد.
تعلّم Few-Shot – تملك كلّ فئةٍ جديدة عدداً محدوداً من الأمثلة المُصنّفة، والهدف هو إجراء التوقعات للفئات الجديدة بناءً على الأمثلة القليلة للبيانات المُصنّفة مسبقاً.
تعلّم Zero-Shot – لا توجد أيّ بياناتٍ مصنّفةٍ للفئات الجديدة، والهدف هو إجراء التوقعات للفئات الجديدة باستخدام المعرفة السابقة عن العلاقات بين الفئات المعلومة، ومن المرجّح أن تضمَّ هذه المعارف السابقة تشابهاتٍ دلاليةً في حالة نماذج اللغة الكبيرة (LLMs) مثل ChatGPT.
موقع Techopedia يشرح تعلّم Zero-Shot وOne-Shot وFew-Shot
تُعتبر أساليب تعلّم Zero-Shot وOne-Shot وFew-Shot مفاهيم مُهمةً في مجال أبحاث الذكاء الاصطناعي (AI)، حيث تزيد من المرونة وقابلية التوسع والفاعلية في السيناريوهات الواقعية عند تطبيقها بشكلٍ صحيح، وتوجد عدة مُقارباتٍ لتعلّم Zero-Shot وOne-Shot وFew-Shot نذكر منها:
المُقاربات المُعتمدة على الصفات – يستخدم النموذج العلاقات بين الصفات لتعميم معرفته وتطبيقها على الفئات الجديدة بدلاً من الاعتماد على الأمثلة المصنّفة.
المقاربات المعتمدة على التضمين – يستنتج النموذج معلوماتٍ عن الفئات الجديدة بناءً على تشابهها وقربها من الفئات المعروفة ضمن مساحة تضمينٍ مُحدّدة.
المقاربات التوليدية – يقوم النموذج بتوليد أمثلةٍ مصّنعةٍ للفئات الجديدة بناءً على تمثيلها الدلالي.
النماذج القائمة على المقاييس – يتعلّم النموذج مقياساً لمدى الشبه بين ميزات البيانات المُدخَلة وميزات الفئات؛ ومن ثمّ يستخدم هذا المقياس لإجراء التوقعات حول الفئات الجديدة غير المعروفة.
النماذج القائمة على الشبكات العصبية – يستخدم النموذج الشبكات العصبية المُلتفة (CNNs) أو الشبكات العصبية المتكرّرة (RNNs) لتعلّم الارتباطات بين البيانات المُدخلة وتوقعات الفئات.
النماذج القائمة على التعلّم المنقول – يتم تدريب هذه النماذج مُسبقاً بكمياتٍ هائلةٍ من بيانات التدريب العامّة، ومن ثم يتم ضبطها بدقةٍ من خلال استخدام البيانات المصنّفة المُوجّهة نحو مهمةٍ معيّنةٍ.
أهمية تعلّم Zero-Shot وOne-Shot وFew-Shot
من شبه المستحيل في السيناريوهات الواقعية جمعُ وتصنيف كمياتٍ كبيرة من البيانات لكلّ الفئات والمفاهيم التي يمكن أن يصادفها نموذج تعلم آلةٍ ما، وهنا تأتي أهمية أساليب تعلّم Zero-Shot وOne-Shot وFew-Shot التي تسمح للنماذج بالتعامل مع الفئات الجديدة وغير المسبوقة بوجود بياناتٍ مصنّفةٍ محدودة أو بغيابها، ويمكن لهذا أن يُحسّن قابلية التوسّع ويساعد في خفض تكاليف تصنيف البيانات وشرحها.
