Post-Generation Curation of Synthetic Images via Homogeneous-Heterogeneous Splitting

في العصر الحديث للذكاء الاصطناعي، تتعلم الحواسيب رؤية العالم من خلال دراسة مكتبات ضخمة من الصور الفوتوغرافية. ولتعليم آلة التعرف على قطة، أو سيارة، أو نوع معين من الزهور، يحتاج الباحثون تقليديًا إلى ملايين الصور من العالم الحقيقي، بحيث يتم تصنيف كل منها بدقة من قبل البشر. وقد أصبح هذا الجوع للبيانات بمثابة عنق زجاجة؛ فجمع وتصنيف ما يكفي من الصور الحقيقية هو عملية بطيئة ومكلفة، وأحيانًا مستحيلة بالنسبة للمواضيع النادرة. ولحل هذه المشكلة، توجه العلماء إلى النماذج التوليدية، وهي نوع من الذكاء الاصطناعي القادر على إنشاء صور اصطناعية جديدة تمامًا من الصفر. يمكن لهذه الآلات الآن إنتاج صور لقطط وسيارات تبدو واقعية بشكل ملحوظ، مما يوفر طريقًا مختصرًا محتملاً لبناء مكتبات تدريب ضخمة دون تكلفة التصوير الفوتوغرافي. ومع ذلك، ظهرت مشكلة جديدة: فبينما تتميز هذه الصور الاصطناعية بجودة عالية، إلا أنها غالبًا ما تفتقر إلى التنوع. إذ تميل الآلات إلى تكرار النسخ "النموذجية" نفسها من الأشياء مرارًا وتكرًا، وتفتقد التفاصيل الدقيقة والفريدة التي تجعل الحياة الواقعية مثيرة للاهتمام. وإذا تعلم الكمبيوتر فقط من هذه الصور الاصطناعية المتكررة، فقد يصبح جيدًا في التعرف على المثال المتوسط ولكنه سيفشل عندما يواجه شيئًا مختلفًا قليلاً.

اقترح باحثون في جامعة كيس ويسترن ريزيرف طريقة جديدة لإصلاح هذا الخلل، ليس عن طريق تغيير كيفية صنع الصور، بل عن طريق تغيير كيفية اختيارها. يركز عملهم على فكرة بسيطة ولكنها قوية: عندما يكون لديك مجموعة ضخمة من الصور المولدة حاسوبيًا، فأنت لست بحاجة لاستخدامها جميعًا. بدلاً من ذلك، يمكنك اختيار مجموعة فرعية أصغر وأكثر ذكاءً لتعليم الكمبيوتر بشكل أفضل. اكتشف الفريق أن أفضل استراتيجية للاختيار تتطلب فهم نوعين مختلفين من المعلومات المخفية داخل العالم الحقيقي. ووجدوا أنه لأي فئة من الأشياء، هناك أمثلة "نموذجية" تشبه المتوسط تمامًا، وهناك أمثلة "متنوعة" تلتقط الطرق الفريدة والأقل شيوعًا لظهور الشيء. إن مولدات الصور الحديثة ممتازة في نسخ الأمثلة النموذجية، لكنها غالبًا ما تعاني في التقاط الأمثلة المتنوعة، مما يؤدي إلى مجموعة من البيانات الاصطناعية شديدة التجانس.

ولمعالجة ذلك، طور الباحثون طريقة لتقسيم صور المراجع من العالم الحقيقي إلى مجموعتين. تحتوي إحدى المجموعتين على الصور النموذجية والتمثيلية التي تحدد المظهر الجوهري لفئة ما. وتحتوي المجموعة الأخرى على الصور المتنوعة وغير المتكررة التي تظهر النطاق الكامل للاختلافات. ثم استخدموا هذا التقسيم لتسجيل (تقييم) الصور الاصطناعية. يجب أن تفعل الصورة الاصطناعية الجيدة شيئين: يجب أن تبدو كصورة حقيقية (الدقة)، ويجب أن تقدم شيئًا جديدًا لا يمثل مجرد تكرار للمظهر النموذجي (التنوع). ومن خلال موازنة هذين الاحتياجين، استطاعوا اختيار أكثر الصور الاصطناعية فائدة من مجموعة ضخمة. والنتي نتيجة لذلك هي مجموعة بيانات منسقة أصغر بكثير من كومة الصور المولدة الأصلية، ولكنها أكثر فعالية في تدريب الكمبيوتر.

اختبر الفريق هذا النهج عبر مجموعة واسعة من المهام، من تحديد الأشياء البسيطة مثل السيارات والخيول إلى التعرف على المشاهد المعقدة في مجموعات البيانات واسعة النطاق. ووجدوا أن النماذج التي تدربت على بياناتهم الاصطناعية المنسقة أدت أداءً يضاهي النماذج المدربة على بيانات حقيقية، لكنها احتاجت إلى ما يصل إلى 40 بالمائة أقل من الصور الاصطناعية للوصول إلى ذلك المستوى من الأداء. وفي بعض الحالات، سمحت طريقتهم للكمبيوتر بالتعلم بفعالية باستخدام جزء بسيط فقط من البيانات التي تطلبتها طرق الاختيار الأخرى. وهذا يشير إلى أن المفتاح لاستخدام البيانات الاصطناعية ليس مجرد توليد المزيد منها، بل أن تكون أكثر انتقائية بشأن القطع التي يتم الاحتفاظ بها. وتعمل هذه الطريقة بغض النظر عن مولد الصور الذي أنشأ الصور، مما يعني أنه يمكن تطبيقها لتحسين البيانات من أي آلة حالية أو مستقبلية تصنع الصور.

كان أحد أهم النتائج هو أن عملية التنسيق هذه جعلت الحواسيب المدربة أكثر قوة. فعند اختبارها على صور مختلفة قليلاً عما رأته أثناء التدريب — مثل الصور ذات الإضاءة المختلفة، أو الضوضاء، أو الأساليب الفنية — تعاملت النماذج المدربة على البيانات المنسقة مع هذه التغييرات بشكل أفضل من تلك المدربة على بيانات غير منسقة. وهذا يشير إلى أنه من خلال إجبار عملية الاختيار على تضمين الأمثلة المتنوعة والأقل شيوعًا، ساعد الباحثون الكمبيوتر على بناء فهم أكثر اكتمالًا للعالم. كما أثبت النهج فائدته حتى عندما كانت مولدات الصور متخصصة بالفعل لمهمة معينة. حيث قدمت إضافة خطوة الاختيار هذه فوق المولدات المحسنة بالفعل تحسينات إضافية، مما يشير إلى أن التنسيق والتوليد هما أداتان متكاملتان وليستا متنافستين.

نظر الباحثون أيضًا في الجانب العملي لطريقتهم، حيث قاموا بحساب الوقت وقوة الحوسبة المطلوبة لتشغيل عملية الاختيار. ووجدوا أن الوقت الإضافي المطلوب لفرز وتقييم الصور كان ضئيلاً مقارنة بالوقت الذي تم توفيره من خلال التدريب على مجموعة بيانات أصغر. وفي أحد الاختبارات، استغرقت عملية التنسيق بضع دقائق فقط، بينما انخفض وقت تدريب نموذج الكمبيوتر بأكثر من 30 بالمائة. هذه الكفاءة تجعل النهج عمليًا للغاية للتطبيقات في العالم الحقيقي، حيث غالبًا ما تكون الموارد الحوسبية محدودة. وتؤكد الدراسة أن جودة البيانات تهم أكثر من مجرد كميتها، وأن عملية اختيار مدروسة يمكن أن تطلق العنان للإمكانات الكاملة للصور الاصطناعية.

ورغم أن الطريقة قوية، إلا أن الباحثين يشيرون إلى أنها تعتمد على جودة الصور التي يتم توليدها. فإذا كان مولد الصور نفسه ضعيفًا جدًا بحيث لا يستطيع إنتاج صور واقعية، فإن عملية الاختيار لا يمكنها إصلاح النقص الأساسي في الجودة. بالإضافة إلى ذلك، فإن النظام الحالي مصمم خصيصًا للصور ولا يمتد بعد إلى أنواع أخرى من البيانات، مثل النصوص أو الأصوات. ومع ذلك، فإن هذا العمل يقدم مسارًا واضحًا للمستقبل. فبينما يستمر الذكاء الاصطناعي في توليد صور أكثر واقعية، ستصبح القدرة على تصفية واختيار الأمثلة الأكثر إفادة أمرًا بالغ الأهمية. ومن خلال ضمان أن تلتقط بيانات التدريب الاصطناعية كلاً من الجوانب النموذجية والفريدة للواقع، تساعد هذه الطريقة في سد الفجوة بين العوالم المولدة حاسوبيًا والعالم المعقد والمتنوع الذي نعيش فيه.