ما هو تصنيف بيانات الذكاء الاصطناعي؟

إذا كنتَ تُنشئ أو تُقيّم أنظمة تعلّم آلي، فستواجه نفس العقبة عاجلاً أم آجلاً: البيانات المُصنّفة. لا تُدرك النماذج ما هو مُحدّد تلقائياً. يجب على الأشخاص والسياسات، وأحياناً البرامج، تعليمها. إذًا، ما هو تصنيف بيانات الذكاء الاصطناعي؟ باختصار، هو إضافة معنى إلى البيانات الخام حتى تتمكن الخوارزميات من التعلم منها... 😊

🔗 ما هي أخلاقيات الذكاء الاصطناعي
نظرة عامة على المبادئ الأخلاقية التي توجه التطوير والنشر المسؤول للذكاء الاصطناعي.

🔗 ما هو MCP في الذكاء الاصطناعي
يوضح بروتوكول التحكم في النموذج ودوره في إدارة سلوك الذكاء الاصطناعي.

🔗 ما هو الذكاء الاصطناعي الحافة
يتناول كيفية قيام الذكاء الاصطناعي بمعالجة البيانات مباشرة على الأجهزة الموجودة على الحافة.

🔗 ما هو الذكاء الاصطناعي الوكيل
يقدم وكلاء الذكاء الاصطناعي المستقلين القادرين على التخطيط والتفكير والعمل المستقل.

ما هو تصنيف بيانات الذكاء الاصطناعي حقًا؟ 🎯

تصنيف بيانات الذكاء الاصطناعي هو عملية ربط علامات أو نطاقات أو مربعات أو فئات أو تصنيفات مفهومة للبشر بمدخلات خام، مثل النصوص والصور والمقاطع الصوتية والفيديو والسلاسل الزمنية، حتى تتمكن النماذج من اكتشاف الأنماط والتنبؤ. تخيل وضع مربعات حول السيارات، أو وضع علامات الكيان على الأشخاص والأماكن في النصوص، أو التصويت على التفضيلات التي تبدو إجابات روبوتات الدردشة أكثر فائدة لها. بدون هذه التصنيفات، لن ينطلق التعلم المُشرف التقليدي.

ستسمع أيضًا مصطلحات مثل " الحقيقة الأساسية" أو "البيانات الذهبية": وهي إجابات متفق عليها وفقًا لتعليمات واضحة، تُستخدم لتدريب النموذج والتحقق من صحته ومراجعة سلوكه. حتى في عصر النماذج الأساسية والبيانات الاصطناعية، لا تزال مجموعات البيانات المصنفة مهمة للتقييم والضبط الدقيق واختبارات الأمان وحالات الاستخدام النادرة - أي كيف يتصرف نموذجك مع السلوكيات غير المألوفة التي يقوم بها المستخدمون بالفعل. لا شيء مجاني، إنما أدوات أفضل.

ما الذي يجعل تصنيف بيانات الذكاء الاصطناعي جيدًا ✅

ببساطة: التصنيف الجيد مملٌّ في أحسن الأحوال. يبدو متوقعًا، وقابلًا للتكرار، ومُوثّقًا بشكلٍ مُفرط. هكذا يبدو الأمر:

علم الوجود الضيق: مجموعة محددة من الفئات والسمات والعلاقات التي تهمك.
تعليمات الكريستال: أمثلة عملية، وأمثلة مضادة، وحالات خاصة، وقواعد كسر التعادل.
حلقات المراجعة: زوج ثانٍ من العيون على شريحة من المهام.
مقاييس الاتفاق: اتفاق المُعلِّقين (مثل معامل كابا لكوهين، ومعامل ألفا لكريبندورف) بحيث تقيس الاتساق، وليس الانطباعات الشخصية. يُعد معامل ألفا مفيدًا بشكل خاص عندما تكون التصنيفات مفقودة أو عندما يغطي مُعلِّقون متعددون عناصر مختلفة [1].
البستنة الحدية: جمع الحالات الغريبة أو العدائية أو النادرة بشكل منتظم.
التحقق من التحيز: تدقيق مصادر البيانات، والديموغرافيا، والمناطق، واللهجات، وظروف الإضاءة، والمزيد.
الأصل والخصوصية: تتبع مصدر البيانات، وحقوق استخدامها، وكيفية التعامل مع المعلومات الشخصية (ما الذي يعتبر معلومات شخصية، وكيفية تصنيفها، والضمانات) [5].
التغذية الراجعة في التدريب: لا تبقى التصنيفات في مقبرة جداول البيانات - بل تعود إلى التعلم النشط والضبط الدقيق والتقييمات.

اعتراف بسيط: ستعيد كتابة إرشاداتك عدة مرات. هذا أمر طبيعي. كما هو الحال مع تتبيل الحساء، فإن تعديلًا بسيطًا يُحدث فرقًا كبيرًا.

قصة ميدانية سريعة: أضاف أحد الفرق خيارًا واحدًا "لا يمكن اتخاذ قرار - بحاجة إلى سياسة" إلى واجهة المستخدم الخاصة به. ارتفع مستوى الاتفاق لأن المُعلِّقين توقفوا عن فرض التخمينات، وأصبح سجل القرارات أكثر دقة بين ليلة وضحاها. البساطة تُحقق النجاح.

جدول المقارنة: أدوات تصنيف بيانات الذكاء الاصطناعي 🔧

ليس هذا كل ما في الأمر، ونعم، الصياغة مُركّبة بعض الشيء عمدًا. تختلف الأسعار، لذا تأكد دائمًا من مواقع البائعين قبل وضع الميزانية.

أداة	الأفضل لـ	نمط السعر (إرشادي)	لماذا ينجح؟
صندوق الملصقات	الشركات، مزيج السيرة الذاتية والبرمجة اللغوية العصبية	طبقة مجانية تعتمد على الاستخدام	تدفقات عمل ضمان الجودة، والوجودات، والمقاييس لطيفة؛ تتعامل مع الحجم بشكل جيد.
الحقيقة الأساسية حول AWS SageMaker	المنظمات التي تركز على AWS، وخطوط أنابيب HITL	لكل مهمة + استخدام AWS	مترابط مع خدمات AWS، وخيارات المشاركة البشرية، وبنية تحتية قوية.
مقياس الذكاء الاصطناعي	المهام المعقدة والقوى العاملة المُدارة	اقتباس مخصص، متعدد المستويات	خدمات عالية الجودة بالإضافة إلى الأدوات؛ عمليات قوية للحالات الصعبة.
سوبر أنوتيت	فرق العمل والشركات الناشئة ذات الرؤية القوية	المستويات، تجربة مجانية	واجهة مستخدم مصقولة، وتعاون، وأدوات مساعدة نموذجية مفيدة.
معجزة	المطورون الذين يريدون التحكم المحلي	رخصة مدى الحياة، لكل مقعد	قابلة للبرمجة، حلقات سريعة، وصفات سريعة يتم تشغيلها محليًا؛ رائعة لمعالجة اللغة الطبيعية.
دوكانو	مشاريع معالجة اللغة الطبيعية مفتوحة المصدر	مجاني ومفتوح المصدر	مدفوعًا بالمجتمع، وسهل النشر، وجيد لأعمال التصنيف والتسلسل

التحقق من واقع نماذج التسعير: يمزج البائعون وحدات الاستهلاك، والرسوم لكل مهمة، والمستويات، وعروض الأسعار المخصصة للمؤسسات، والتراخيص لمرة واحدة، والبرمجيات مفتوحة المصدر. تتغير السياسات؛ تأكد من التفاصيل مباشرةً مع مستندات البائع قبل أن تُدخل المشتريات الأرقام في جدول بيانات.

أنواع الملصقات الشائعة، مع صور ذهنية سريعة 🧠

تصنيف الصورة: علامة واحدة أو علامات متعددة للصورة بأكملها.
اكتشاف الكائنات: المربعات المحددة أو المربعات الدائرية حول الكائنات.
التجزئة: أقنعة على مستوى البكسل - مثيل أو دلالي؛ مرضية بشكل غريب عندما تكون نظيفة.
النقاط الرئيسية والوضعيات: معالم مثل المفاصل أو نقاط الوجه.
معالجة اللغة الطبيعية: تسميات المستندات، وامتدادات الكيانات المسماة، والعلاقات، وروابط المرجع المشترك، والسمات.
الصوت والكلام: النسخ، وتحديد المتحدث، وعلامات النية، والأحداث الصوتية.
الفيديو: مربعات أو مسارات حسب الإطار، وأحداث زمنية، وعلامات إجراء.
السلاسل الزمنية وأجهزة الاستشعار: الأحداث المحددة بنوافذ زمنية، والشذوذات، وأنظمة الاتجاهات.
عمليات سير العمل التوليدية: تصنيف التفضيلات، وإشارات التحذير من المخاطر الأمنية، وتسجيل النتائج من خلال الصدق، والتقييم القائم على معايير التقييم.
البحث والتقييم: مدى ملاءمة الاستعلام للوثيقة، وإمكانية الإجابة، وأخطاء الاسترجاع.

إذا كانت الصورة عبارة عن بيتزا، فإن التجزئة هي تقطيع كل شريحة بشكل مثالي، في حين أن الاكتشاف هو الإشارة والقول بأن هناك شريحة... في مكان ما هناك.

تشريح سير العمل: من البيانات المختصرة إلى البيانات الذهبية 🧩

عادةً ما يتبع خط أنابيب وضع العلامات القوي الشكل التالي:

تعريف الأنطولوجيا: الفئات، والسمات، والعلاقات، والغموض المسموح به.
مسودة المبادئ التوجيهية: الأمثلة، والحالات الحدية، والأمثلة المضادة الصعبة.
قم بتسمية مجموعة تجريبية: احصل على بضع مئات من الأمثلة الموضحة للعثور على الثغرات.
قياس الاتفاق: حساب κ/α؛ مراجعة التعليمات حتى يتقارب المعلقون [1].
تصميم ضمان الجودة: التصويت بالإجماع، والتحكيم، والمراجعة الهرمية، والفحوصات العشوائية.
عمليات الإنتاج: مراقبة الإنتاج والجودة والانحراف.
إغلاق الحلقة: إعادة التدريب، وإعادة أخذ العينات، وتحديث معايير التقييم مع تطور النموذج والمنتج.

نصيحة ستشكر نفسك عليها لاحقاً: احتفظ بسجل قراراتك. دوّن كل قاعدة توضيحية تضيفها وسبب إضافتها. ستنسى السياق لاحقاً، وستشعر بالندم حيال ذلك.

الإنسان في الحلقة، والإشراف الضعيف، وعقلية "مزيد من العلامات، وعدد أقل من النقرات" 🧑💻🤝

التفاعل البشري (HITL) يعني تعاون الأفراد مع النماذج في التدريب والتقييم والعمليات المباشرة، سواءً لتأكيد أو تصحيح أو الامتناع عن اقتراحات النماذج. يُستخدم هذا لتسريع وتيرة العمل مع إبقاء الأفراد مسؤولين عن الجودة والسلامة. يُعدّ HITL ممارسةً أساسيةً في إدارة مخاطر الذكاء الاصطناعي الموثوقة (الإشراف البشري، والتوثيق، والمراقبة) [2].

الإشراف الضعيف حيلة مختلفة ولكنها مُكمِّلة: القواعد البرمجية، والأساليب التجريبية، والإشراف عن بُعد، أو غيرها من المصادر المُشوِّشة تُولِّد تسميات مؤقتة على نطاق واسع، ثم تُزيل الضوضاء منها. وقد روَّجت برمجة البيانات لدمج العديد من مصادر التسميات المُشوِّشة (المعروفة أيضًا باسم دوال التسميات) ودراسة دقتها لإنتاج مجموعة تدريب عالية الجودة [3].

عمليًا، تمزج فرق العمل عالية السرعة هذه العناصر الثلاثة: التصنيفات اليدوية للمجموعات الذهبية، والإشراف الضعيف للتمهيد، وHITL لتسريع العمل اليومي. هذا ليس غشًا، بل مهارة.

التعلم النشط: اختر أفضل شيء لتسميته 🎯📈

يُغيّر التعلّم النشط مجرى الأمور. فبدلاً من أخذ عينات عشوائية من البيانات لتصنيفها، يُتيح للنموذج طلب الأمثلة الأكثر إفادة: عدم يقين مرتفع، اختلافات كبيرة، تمثيلات متنوعة، أو نقاط قريبة من حدود القرار. مع أخذ عينات جيد، يُقلّل ذلك من هدر التصنيف ويُركّز على التأثير. تُشير الدراسات الاستقصائية الحديثة التي تُغطّي التعلّم النشط العميق إلى أداء قوي مع عدد أقل من التصنيفات عندما تكون حلقة أوراكل مُصمّمة جيدًا [4].

وصفة أساسية يمكنك البدء بها، بدون أي دراما:

تدرب على مجموعة صغيرة من البذور.
سجل نقاط المجموعة غير المصنفة.
حدد أعلى K حسب عدم اليقين أو الخلاف في النموذج.
قم بتسمية. أعد التدريب. كرر ذلك على دفعات صغيرة.
راقب منحنيات التحقق ومقاييس الاتفاق حتى لا تطارد الضوضاء.

ستعرف أن الأمر يعمل عندما يتحسن نموذجك دون مضاعفة فاتورة وضع العلامات الشهرية الخاصة بك.

مراقبة الجودة التي تعمل بالفعل 🧪

ليس عليك أن تغلي المحيط. احرص على إجراء هذه الفحوصات:

الأسئلة الذهبية: حقن العناصر المعروفة وتتبع دقة كل ملصق.
الإجماع مع التحكيم: علامتان مستقلتان بالإضافة إلى مراجع للاختلافات.
الاتفاق بين المعلقين: استخدم α عندما يكون لديك معلقون متعددون أو تسميات غير مكتملة، و κ للأزواج؛ لا تهتم كثيرًا بعتبة واحدة - السياق مهم [1].
مراجعة الإرشادات: الأخطاء المتكررة تعني عادةً تعليمات غامضة، وليس معلقين سيئين.
التحقق من الانجراف: مقارنة توزيعات العلامات عبر الزمن والجغرافيا وقنوات الإدخال.

إذا اخترت مقياسًا واحدًا فقط، فاختر التوافق. إنه مؤشر سريع على صحة البيانات. استعارة معيبة بعض الشيء: إذا لم تكن مُصنِّفاتك مُتوافقة، فإن نموذجك يعمل بعجلات مُتذبذبة.

نماذج القوى العاملة: داخلية، أو الاستعانة بمصادر خارجية، أو جماعية، أو مختلطة 👥

داخليًا: الأفضل للبيانات الحساسة والمجالات الدقيقة والتعلم السريع بين الوظائف.
البائعون المتخصصون: إنتاجية متسقة، وضمان جودة مدرب، وتغطية عبر المناطق الزمنية.
التعهيد الجماعي: رخيص لكل مهمة، لكنك ستحتاج إلى عملات ذهبية قوية ونظام للتحكم في الرسائل المزعجة.
هجين: الاحتفاظ بفريق الخبراء الأساسي والاعتماد على القدرات الخارجية.

مهما كان اختيارك، استثمر في عمليات الانطلاق، والتدريب على الإرشادات، وجولات المعايرة، والتقييمات الدورية. الملصقات الرخيصة التي تُجبر على إعادة التسمية ثلاث مرات ليست رخيصة.

التكلفة والوقت والعائد على الاستثمار: فحص سريع للواقع 💸⏱️

تُقسّم التكاليف إلى القوى العاملة، والمنصة، وضمان الجودة. للتخطيط التقريبي، رتّب خطتك كالتالي:

هدف الإنتاجية: عدد العناصر في اليوم لكل جهاز وضع ملصقات × عدد أجهزة وضع الملصقات.
تكاليف ضمان الجودة: % تم تصنيفها أو مراجعتها مرتين.
معدل إعادة العمل: الميزانية المخصصة لإعادة التوضيح بعد تحديثات المبادئ التوجيهية.
رفع الأتمتة: يمكن أن تؤدي العلامات المسبقة المدعومة بالنموذج أو القواعد البرمجية إلى تقليل الجهد اليدوي بمقدار كبير (ليس سحريًا، ولكنه مفيد).

إذا طلب قسم المشتريات رقمًا، فقدم لهم نموذجًا - وليس تخمينًا - وحافظ على تحديثه مع استقرار إرشاداتك.

المخاطر التي ستواجهها مرة واحدة على الأقل، وكيفية تجنبها 🪤

زحف التعليمات: تتضخم الإرشادات في رواية قصيرة. حلّ المشكلة بأشجار القرار + أمثلة بسيطة.
تضخم الفئات: وجود عدد كبير جدًا من الفئات ذات الحدود غير الواضحة. دمج الفئات أو تحديد فئة "أخرى" صارمة باستخدام سياسة محددة.
الإفراط في فهرسة السرعة: التسميات المتسرعة تُفسد بيانات التدريب بهدوء. أدخل الذهب؛ حدّ أقصى لأسوأ المنحدرات.
قفل الأدوات: تنسيقات التصدير مهمة. اتخذ قرارًا مبكرًا بشأن مخططات JSONL ومعرفات العناصر غير القابلة للتنفيذ.
تجاهل التقييم: إذا لم تقم بتسمية مجموعة التقييم أولاً، فلن تكون متأكدًا أبدًا مما تم تحسينه.

لنكن صريحين، ستتراجع بين الحين والآخر. لا بأس. الحيلة هي تدوين التراجع ليكون عمديًا في المرة القادمة.

الأسئلة الشائعة الصغيرة: إجابات سريعة وصادقة 🙋♀️

س: هل يختلفان عن التسمية؟
ج: عمليًا، يُستخدم المصطلحان بالتبادل. التسمية هي عملية وضع العلامات أو الوسم. غالبًا ما ينطوي التسمية على عقلية واقعية مع ضمان الجودة وإرشادات. هراء.

س: هل يمكنني الاستغناء عن عملية التصنيف بفضل البيانات الاصطناعية أو الإشراف الذاتي؟
ج: يمكنك تقليلها ، ولكن لا يمكنك الاستغناء عنها تمامًا. ما زلت بحاجة إلى بيانات مصنفة للتقييم، ووضع الضوابط، والضبط الدقيق، وتحديد سلوكيات المنتج. يمكن للإشراف المحدود أن يوسع نطاق عملك عندما لا يكفي التصنيف اليدوي وحده [3].

س: هل ما زلت بحاجة إلى مقاييس الجودة إذا كان المراجعون خبراء؟
ج: نعم. حتى الخبراء يختلفون في آرائهم. استخدم مقاييس الاتفاق (κ/α) لتحديد التعريفات الغامضة والفئات المبهمة، ثم قم بتضييق نطاق التصنيف أو القواعد [1].

س: هل يُعدّ وجود العنصر البشري في حلقة التحكم مجرد تسويق؟
ج: لا. إنه نمط عملي يقوم فيه البشر بتوجيه سلوك النموذج وتصحيحه وتقييمه. وهو مُوصى به ضمن ممارسات إدارة مخاطر الذكاء الاصطناعي الموثوقة [2].

س: كيف أحدد أولوية ما أضع عليه علامة؟
ج: ابدأ بالتعلم النشط: اختر العينات الأقل يقينًا أو تنوعًا، بحيث يمنحك كل علامة جديدة أقصى قدر من التحسين للنموذج [4].

ملاحظات ميدانية: أشياء صغيرة تصنع فرقًا كبيرًا ✍️

احتفظ تصنيف حي في مستودعك. تعامل معه ككود.
احفظ قبل وبعد كلما قمت بتحديث الإرشادات.
قم ببناء مجموعة ذهبية صغيرة ومثالية وحمايتها من التلوث.
تدوير جلسات المعايرة: عرض 10 عناصر، ووضع علامات عليها بصمت، والمقارنة بينها، ومناقشةها، وتحديث القواعد.
تتبع تحليلات مُصنّفي البيانات - لوحات تحكم قوية وفعّالة، بدون أي خجل. ستجد فرصًا للتدريب، لا أشرارًا.
أضف الاقتراحات المدعومة بالنماذج بشكل تدريجي. إذا كانت التصنيفات المسبقة خاطئة، فإنها تُبطئ البشر. أما إذا كانت صحيحة في أغلب الأحيان، فهذا أشبه بالسحر.

ملاحظات أخيرة: الملصقات هي ذاكرة منتجك 🧩💡

ما هو جوهر تصنيف بيانات الذكاء الاصطناعي؟ إنه طريقتك في تحديد كيفية رؤية النموذج للعالم، قرارًا دقيقًا تلو الآخر. نفّذ ذلك بإتقان، وستصبح كل الخطوات اللاحقة أسهل: دقة أفضل، انحدارات أقل، نقاشات أوضح حول السلامة والتحيز، وتوصيل أكثر سلاسة. نفّذ ذلك بإهمال، وستظل تتساءل عن سبب خلل النموذج - بينما الإجابة موجودة في مجموعة بياناتك باسم خاطئ. لا يحتاج كل شيء إلى فريق عمل ضخم أو برنامج متطور - لكن كل شيء يحتاج إلى عناية.

لم أقرأه منذ مدة طويلة: استثمر في أنطولوجيا واضحة، واكتب قواعد دقيقة، وقِس مدى التوافق، وامزج بين التصنيفات اليدوية والبرمجية، ودع التعلم النشط يختار العنصر الأنسب التالي. ثم كرر العملية. مرارًا وتكرارًا... والغريب أنك ستستمتع بها. 😄

مراجع

[1] أرتشتاين، ر.، وبويسيو، م. (2008). اتفاق المرمزين في اللغويات الحاسوبية. اللغويات الحاسوبية، 34(4)، 555-596. (يغطي κ/α وكيفية تفسير الاتفاق، بما في ذلك البيانات المفقودة).
PDF

[2] المعهد الوطني للمعايير والتكنولوجيا (2023). إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0). (الرقابة البشرية، والتوثيق، وضوابط المخاطر للذكاء الاصطناعي الموثوق).
PDF

[3] راتنر، أ. ج.، دي سا، س.، وو، س.، سيلسام، د.، وري، س. (2016). برمجة البيانات: إنشاء مجموعات تدريب كبيرة بسرعة. مؤتمر NeurIPS. (نهج أساسي للإشراف الضعيف وإزالة التشويش من التصنيفات المشوشة).
PDF

[4] لي، د.، وانغ، ز.، تشين، ي.، وآخرون (2024). دراسة استقصائية حول التعلم النشط العميق: التطورات الحديثة والآفاق الجديدة. (أدلة وأنماط التعلم النشط الفعال باستخدام التصنيفات).
PDF

[5] المعهد الوطني للمعايير والتكنولوجيا (2010). SP 800-122: دليل حماية سرية المعلومات الشخصية القابلة للتحديد (PII). (ما هي المعلومات الشخصية القابلة للتحديد وكيفية حمايتها في مسار بياناتك).
PDF

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا

العودة إلى المدونة

البلد/المنطقة