وجدت VisionLabs طريقة لتدريب نماذج CV باستخدام 50 صورة ومن دون برمجة

لقد نشرت VisionLabs (التابعة لـ MWS AI) الجزء الأول من سلسلة تقنية عن تطوير Luna Line. تقدم أناستاسيا بيلوزيروفا، قائدة فريق البحث، حسابًا تفصيليًا لكيفية بحث المهندسين عن "وصفة عالمية" لتدريب نماذج التصنيف — والنتائج التي ترتبت على ذلك.

منصة للمتخصصين غير المحترفين

Luna Line هي منصة بدون أكواد برمجية (no-code) لرؤية الحاسوب أنشأتها VisionLabs للمستخدمين الذين لا يمتلكون مهارات في البرمجة. يمكن لأخصائي الزراعة أو تقني الإنتاج أو مراقب الجودة أو متخصص اللوجستيات أن يضع تسميات على مجموعة من الصور، ينقر على زر — ويحصل على نموذج رؤية حاسوب مدرب وجاهز لمهمته المحددة.

متطلب أساسي للمنتج: يجب أن يعمل مع مجموعات بيانات صغيرة جدًا. يركز الفريق على سيناريو يبدأ من 50 صورة — وهذا حد واقعي لمعظم المؤسسات الصناعية التي تفتقر إلى الوقت والمتخصصين لتسمية الآلاف من الأمثلة. إنه بالضبط هذا القيد الذي يحدد كل تعقيد التحدي الهندسي: الوصفات القياسية من مجموعات البيانات الأكاديمية لا تعمل هنا.

البحث عن وصفة عالمية

المهمة التي وضعتها الفريق أمامها طموحة: إيجاد تكوين تدريب واحد يوفر باستمرار جودة جيدة على مجموعة بيانات تصنيف تعسفية. إذا كانت هذه الوصفة موجودة، يمكن للمنصة أن تعمل كـ "صندوق أسود" — يأتي المستخدم بالبيانات، والنظام يضبط كل شيء آخر تلقائيًا.

للتحقق من الفرضيات، تم بناء منهجية تجريبية صارمة:

• الفرضية — يتم صياغة تكوين محدد: بنية العمود الفقري، التعزيزات، جدول معدل التعلم، المحسِّن
• الاختبار — يتم تشغيل التكوين على عدة مجموعات بيانات ذات طبيعة وحجم ومجال موضوعي مختلفة
• المقارنة — تتم مقارنة النتائج مع الخطوط الأساسية والفرضيات السابقة
• القرار — يتم قبول التكوين كـ "عالمي" أو رفضه بناءً على التحليل

يسمح هذا النهج بالحركة المنهجية بدلاً من محاولة وخطأ عشوائية، وتضييق مساحة البحث تدريجياً نحو حلول تعمل بالفعل.

لماذا تغيرت المنهجية

تبين أن إحدى الاستنتاجات الرئيسية للسلسلة كانت غير متوقعة: التكوينات التي أظهرت أفضل أداء في مهام التصنيف لم تنتقل تلقائياً إلى التقسيم. عند تغيير فئة المهمة، اكتشف الفريق أن بعض القرارات المقبولة سابقاً تحتاج إلى إعادة النظر من الصفر.

"سأشارك ما هي الفرضيات التي اقترحناها، وكيف اختبرناها، ولماذا أعدنا

النظر في منهجية التجارب عند الانتقال من مهمة إلى أخرى،" — تعلن بيلوزيروفا.

أدى هذا إلى الخلاصة بأن وصفة عالمية موجودة فقط ضمن فئة واحدة من المهام. لا يوجد نقل مباشر بين المهام — لكن هناك شيء قيم: أثبتت المنهجية نفسها أنها قابلة للنقل. يمكن تطبيقها على التقسيم والكشف، في كل مرة تبدأ "فرعاً" تجريبياً من جديد، لكن مع عملية التحقق من الفرضيات المنظمة بشكل صحيح. سيتم نشر الجزء الثاني من السلسلة، المخصص للتقسيم، لاحقاً.

ماذا يعني هذا

تُظهر VisionLabs انفتاحًا هندسياً نادراً في السوق الروسية لـ ML: تنشر الشركة ليس أطروحات تسويقية، بل سجلات صادقة للتجارب ذات النتائج السلبية والفرضيات المنقحة. بالنسبة للمتخصصين الذين يبنون خطوط أنابيب MLOps الخاصة بهم أو أدوات بدون أكواد برمجية، هذا مرجع عملي قيم — خاصة فيما يتعلق بالعمل مع مجموعات البيانات الصغيرة، حيث تكون المعايير الأكاديمية عديمة الفائدة تقريباً.