التعلم بالنقل (Transfer Learning)

التعلم بالنقل هو تقنية يتم فيها تكييف نموذج مدرب مسبقاً على مجموعة بيانات كبيرة أو مهمة واحدة مع مهمة مختلفة لكن ذات صلة، مما يقلل بشكل كبير من الحاجة إلى البيانات الموسومة وحساب التدريب.

يشير التعلم بالنقل إلى ممارسة تهيئة أوزان النموذج من نقطة تفتيش تم الحصول عليها بالتدريب على مجال أو مهمة مصدر، ثم متابعة التدريب على مهمة هدف عادة ما تكون أصغر حجماً. الافتراض الأساسي هو أن الميزات والتمثيلات المتعلمة لمشكلة المصدر تحمل تحيزات استقرائية مفيدة لمشكلة الهدف، حتى عندما تختلف المهمتان بشكل كبير في المجال أو الهدف.

عادة ما تتضمن العملية مرحلتين. أولاً، يتم تدريب النموذج مسبقاً على مجموعة بيانات عامة كبيرة—مليارات صفحات الويب لنماذج اللغة، أو عشرات الملايين من الصور الموسومة لنماذج الرؤية. ثانياً، يتم ضبط النموذج المدرب مسبقاً بدقة على مجموعة البيانات المستهدفة. اعتماداً على تشابه المهام والبيانات المتاحة، قد يقوم الممارسون بضبط جميع الطبقات بدقة، أو تجميد الطبقات المبكرة وتدريب الطبقات اللاحقة فقط، أو إرفاق رأس صغير خاص بالمهمة على التمثيلات المجمدة. أصبحت شبكات CNN المدربة مسبقاً من ImageNet نقطة البداية القياسية لرؤية الحاسوب طوال عقد 2010؛ في معالجة اللغات الطبيعية، أنشأت BERT (2018) نفس النمط لفهم اللغة.

يقلل التعلم بالنقل بشكل كبير من تكلفة نشر الذكاء الاصطناعي في المجالات ذات البيانات الموسومة المحدودة. يمكن لفريق طبي حيوي يفتقر إلى ملايين الملاحظات السريرية المعلقة أن يضبط بدقة نموذج لغة مدرب مسبقاً مثل BioBERT أو Med-PaLM على بضعة آلاف من الأمثلة وتحقيق أداء قد يتطلب خلاف ذلك بيانات وحسابات أكثر بكثير. يقلل النهج أيضاً من البصمة الطاقية لتطوير الذكاء الاصطناعي من خلال إطفاء تكلفة عمليات التدريب المسبق الكبيرة عبر العديد من التطبيقات اللاحقة.

بحلول عام 2026، أصبح التعلم بالنقل النموذج الافتراضي لشبه جميع معالجة اللغات الطبيعية التطبيقية ورؤية الحاسوب والذكاء الاصطناعي متعدد الوسائط. يبدأ سير العمل السائد من نقطة تفتيش نموذج أساس منشورة علناً أو مملوكة ويقوم بتكييفها من خلال الضبط الدقيق الكامل، أو ضبط الطلب، أو طرق فعالة من حيث المعاملات مثل LoRA. أصبح التدريب من التهيئة العشوائية على مهمة محددة نادراً الآن خارج البحث في الهندسات أو الأهداف الأساسية الجديدة تماماً.