Learning From How Humans Correct
تقترح هذه الورقة طريقة مبتكرة "للتعلم عند التصحيح" تستفيد من التغذية الراجعة للتصحيح البشري لإعادة تسمية البيانات المشوشة وتعزيز نماذج التعلم العميق، محققةً تحسناً في دقة الاختبار من 91.7% إلى 92.5% على مجموعة بيانات تصنيف نصوص صناعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تعلم روبوتاً كيف يقرأ أفكارك، ولكن بدلاً من استخدام دماغ، أنت تغذيه بمكتبة ضخمة من النصوص. هذا هو عالم معالجة اللغات الطبيعية (NLP)، حيث تحاول الحواسيب فهم اللغة البشرية. لفترة طويلة، كان "التعلم العميق" هو المكون السري لجعل هذه الروبوتات ذكية، وهو أسلوب يتعلم فيه الكمبيوتر من خلال النظر إلى ملايين الأمثلة، تماماً كما يتعلم الطفل التعرف على القطة من خلال رؤية آلاف الصور للقطط. مؤخراً، ظهر نموذج نجم يدعى "BERT"، يعمل كقارئ فائق سبق له قراءة الإنترنت بالكامل تقرياً قبل أن تسأله حتى عن أي شيء. ولكن هنا تكمن المشكلة: حتى القراء الفائقون يرتكبون الأخطاء، وأحياناً تكون الكتب التي قرؤوها (البيانات التي نعطيها لهم) تحتوي على أخطاء مطبعية أو تسميات خاطئة. إذا تعلم الروبوت أن "الكلب" هو "قطة" لأن بشرياً ارتكب خطأً، فسيستمر الروبوت في الاعتقاد بأن الكلاب هي قطط. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا تعليم الروبوت ليس فقط القراءة، بل التعلم من أخطائه، تماماً كما يفعل الإنسان عندما يشير شخص ما إلى خطأ ما؟
تقترح هذه الورقة البحثية، بعنوان "التعلم من كيفية تصحيح البشر"، طريقة ذكية لتعليم نموذج حاسوبي محاكاة عادة البشر في التصحيح الذاتي. لاحظ المؤلفون، أثناء عملهم على مشكلة تصنيف نصوص في واقع حقيقي لتطبيق صناعي، أن بياناتهم المصنفة يدوياً كانت تحتوي على أمثلة "مشوشة" – وهي حالات كان فيها التصنيف البشري الأصلي خاطئاً على الأرجح. وبدلاً من مجرد التخلص من هذه الأمثلة السيئة أو الثقة العمياء في الكمبيوتر، أنشأوا حلقة تدريبية مكونة من خمس خطوات. أولاً، قاموا بتدريب نموذج (لنسمه "النموذج-أ") على مجموعة بيانات ضخمة تضم مليوني عنصر. بعد ذلك، استخدموا "النموذج-أ" لمسح المجموعة بأكملها والعثور على الـ 300,000 عنصر حيث لم يتطابق تخمين الكمبيوتر مع التسمية البشرية الأصلية. تم تحديد هذه العناصر كـ "مشاغبين" مشوشين.
هنا يحدث السحر: عاد البشر وراجعوا تصنيف هذه العناصر الـ 300,000 الصعبة يدوياً. لكنهم لم يكتفوا بتغيير التسمية فحسب؛ بل احتفظوا بسجل لما كان يعتقده الكمبيوتر بشأن التسمية قبل أن يقوم البشر بإصلاحها. خلق هذا نوعاً خاصاً من بيانات التدريب التي تحتوي على معلومتين: "ما قبل" (تخمين الكمبيوتر الخاطئ) و"ما بعد" (التسمية البشرية الصحيحة). ثم قاموا بتدريب نموذج جديد وأكثر ذكاءً ("النموذج-ج") باستخدام هذه المعلومات المزدوجة. كان الهدف هو تعليم "النموذج-ج" ليس فقط تصنيف النص، بل تعلم مهارة "تصحيح" أخطاء الكمبيوتر السابقة.
تشير النتائج إلى أن هذا النهج فعال. فعندما اختبروا النماذج، أصاب "النموذج-أ" في 83.3% من الأسئلة الاختبارية. وبعد أن قام البشر بإصلاح البيانات المشوشة وإعادة تدريب نموذج قياسي ("النموذج-ب")، قفزت الدقة إلى 91.7%. لكن النجم الحقيقي كان "النموذج-ج"، الذي تعلم من عملية التصحيح، حيث حقق دقة بنسبة 92.5% في مجموعة الاختبار. والأكثر إثارة للإعجاب، هو أنه عندما قيم البشر النتائج على عينة من 5,000 عنصر من الواقع، سجل "النموذج-ج" معدل موافقة بنسبة 97.7%. وتجادل الورقة بأن هذه الطريقة عملية للصناعة لأنها لا تتطلب فريقاً ضخماً جديداً من المصنفين؛ بل تركز بدلاً من ذلك على إصلاح نقاط البيانات المحددة حيث يختلف الكمبيوتر والبشر، مما يحول أخطاء الكمبيوتر بفعالية إلى فرصة للتعلم. ويشير المؤلفون إلى أنه بينما يعد هذا تحسناً قوياً، إلا أنه لا تزال هناك مساحة للنمو، ربما من خلال التركيز على الحالات التي يكون فيها الكمبيوتر غير متأكد حقاً بين إجابتين، ولكن في الوقت الحالي، فقد أثبتوا أن تعليم الآلة التعلم من تصحيحاتها الخاصة هو مسار قابل للتطبيق للوصول إلى ذكاء اصطناعي أكثر ذكاءً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.