VisionLabs تجد طريقة لتدريب نماذج الرؤية الحاسوبية بـ 50 صورة فقط ودون برمجة

نشرت VisionLabs (التابعة لـ MWS AI) الجزء الأول من سلسلة تقنية حول تطوير Luna Line. ويروي قائد الفريق البحثي أناستاسيا بيلوزيروفا بالتفصيل كيف بحث المهندسون عن «وصفة عالمية» لتدريب نماذج التصنيف، وإلى ماذا انتهى هذا البحث.

منصة موجّهة لغير المتخصصين

Luna Line منصة رؤية حاسوبية no-code طوّرتها VisionLabs للمستخدمين الذين لا يملكون مهارات برمجية. يستطيع المهندس الزراعي أو التقني في المصنع أو مراقب الجودة أو أخصائي اللوجستيات تصنيف مجموعة من الصور والضغط على زر، ثم الحصول على نموذج CV مدرَّب وجاهز لمهمته المحددة.

والشرط الجوهري للمنتج أن يعمل مع مجموعات بيانات صغيرة جدًّا. ويستهدف الفريق سيناريو يبدأ من 50 صورة، وهو قيد حقيقي تواجهه معظم المنشآت الإنتاجية التي لا تملك الوقت ولا المتخصصين لتصنيف آلاف الأمثلة. وهذا القيد تحديدًا هو ما يحدد مدى تعقيد المهمة الهندسية: فالوصفات القياسية المستمدة من المجموعات الأكاديمية لا تنجح هنا.

البحث عن الوصفة العالمية

المهمة التي وضعها الفريق أمام نفسه طموحة: إيجاد إعداد تدريب واحد يعطي جودة جيدة باستمرار على أي مجموعة بيانات تصنيف. وإذا وُجدت وصفة كهذه، أمكن للمنصة أن تعمل كـ«صندوق أسود»: يقدّم المستخدم بياناته، ويضبط النظام كل ما عداها بنفسه.

ولاختبار الفرضيات، اعتمد الفريق منهجية تجريبية صارمة:

• الفرضية — تُصاغ إعدادات محددة: بنية backbone، وتقنيات augmentation، وجدول learning rate، والمُحسِّن (optimizer)
• الاختبار — تُشغَّل الإعدادات على عدة مجموعات بيانات متباينة في طبيعتها وحجمها ومجالها
• المقارنة — تُقارَن النتائج بخطوط الأساس (baselines) وبالفرضيات السابقة
• القرار — يُعتمد الإعداد بوصفه «عالميًّا» أو يُرفض في ضوء التحليل

يتيح هذا النهج التقدّم بصورة منهجية بدل التجريب العشوائي، وتضييق نطاق البحث تدريجيًّا ليقتصر على الحلول التي تعمل فعلًا.

لماذا تغيّرت المنهجية؟

كان أحد الاستنتاجات الرئيسية للسلسلة غير متوقع: فالإعدادات التي أثبتت أفضل أداء في مهام التصنيف لم تنتقل تلقائيًّا إلى مهمة التجزئة (segmentation). وعند الانتقال إلى فئة مهام جديدة، وجد الفريق أن بعض القرارات المعتمدة سابقًا يجب إعادة النظر فيها من الصفر.

«سأحكي عن الفرضيات التي طرحناها، وكيف اختبرناها، ولماذا أعدنا النظر في

منهجية التجارب عند الانتقال من مهمة إلى أخرى»، — تقول بيلوزيروفا في إعلانها.

وقاد ذلك إلى خلاصة مفادها أن الوصفة العالمية لا توجد إلا ضمن فئة واحدة من المهام. فلا نقل مباشر للنتائج بين المهام، لكن هناك ما هو ثمين: فمنهجية البحث نفسها تبيّن أنها قابلة للنقل. ويمكن تطبيقها على التجزئة والكشف (detection)، وبدء «فرع» تجريبي جديد في كل مرة من الصفر، ولكن بعملية تحقق من الفرضيات مبنية على أسس سليمة.

أما الجزء الثاني من السلسلة، المخصص للتجزئة، فسيصدر لاحقًا.

ماذا يعني ذلك

تُظهر VisionLabs انفتاحًا هندسيًّا نادرًا في سوق تعلّم الآلة الروسي: فالشركة لا تنشر شعارات تسويقية، بل سجلات صادقة للتجارب، بما فيها النتائج السلبية والفرضيات المعاد النظر فيها. وبالنسبة للمتخصصين الذين يبنون مسارات MLOps خاصة بهم أو أدوات no-code، يشكّل ذلك مرجعًا عمليًّا قيّمًا، لا سيما في التعامل مع مجموعات البيانات الصغيرة، حيث تكاد المعايير الأكاديمية (benchmarks) تكون عديمة الفائدة.