Incremental Evaluation and Training in Relational Deep Learning
تتناول هذه الورقة أوجه القصور في التقييم الساكن في التعلم العميق العلاقاتي من خلال تقديم نموذج تدريب وتقييم تزايدي متعدد الحلقات يستفيد من التعلم بنقل المعرفة للتعامل بفعالية مع انزياحات المفاهيم الزمنية والتفوق على النماذج المرجعية التقليدية التي تُدرب من البداية.
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 تحاول تعليم روبوت كيفية التنبؤ بالمستقبل بناءً على مكتبة ضخمة وحية من المعلومات. هذه ليست مجرد مكتبة كتب؛ بل هي قاعدة بيانات علاقاتية، شبكة معقدة من الجداول المترابطة حيث يتحدث كل جزء من البيانات مع الآخر—مثل المستخدمين، والمنتجات، والسجلات، والتفاعلات، وكلها مرتبطة ببعضها البعض. لفترة طويلة، استخدم العلماء نوعًا خاصًا من "الأدمغة" يسمى التعلم العميق العلاقاتي (RDL) لقراءة هذه الشبكة. فكر في التعلم العميق العلاقاتي كأنه محقق ذكي للغاية، لا يكتفي بقراءة صفحة واحدة في كل مرة، بل يفهم بنية القصة بأكملة، ويربط بين الشخصيات والأحداث المختلفة دون الحاجة إلى تسطيح القصة وتحويلها إلى قائمة مملة من الأرقام أولاً.
ومع ذلك، هناك عقبة. في معظم الأوق oil، عندما نختبر هؤلاء الروبوتات المحققة، فإننا نعطيهم لقطة واحدة ثابتة للمكتبة—صورة تم التقاطها في لحظة زمنية محددة. نطلب منهم حل لغز بناءً على تلك الصورة الواحدة ثم نعلن نجاحهم أو فشلهم. لكن الحياة الواقعية لا تعمل مثل ألبوم الصور؛ بل تعمل مثل البث المباشر. تُضاف كتب جديدة كل ثانية، وتُحدث الكتب القديمة، وتتغير القصة. إذا دربت محققًا على لقطة من العام الماضي، فقد يصاب بالارتباك التام أمام حبكات القصة الجديدة التي تحدث اليوم. يسأل هذا البحث سؤالًا بسيطًا ولكنه حيوي: ماذا يحدث لمحققين الذكاء الاصطناعي هؤلاء عندما تستمر المكتبة في النمو، وكيف نعلمهم مواكبة ذلك دون البدء من الصفر في كل مرة؟
قرر مؤلفا هذا البحث، ياكوب بليشكا وغوستاف سير من الجامعة التقنية التشيكية في براغ، التوقف عن معاملة قواعد البيانات كصور ثابتة والبدء في معاملتها ككائنات حية تتنفس. لقد قدموا طريقة جديدة لاختبار وتدريب نماذج الذكاء الاصطنا هذه تسمى نموذج "الحلقات المتعددة والتزايدية". بدلاً من إعطاء النموذج امتحانًا واحدًا كبيرًا بناءً على بيانات قديمة، قاموا بمحاكاة سيناريو من العالم الحقيقي حيث تصل البيانات في دفعات عبر الزمن. لقد تركوا النموذج يخضع لاختبار، ويتعلم من المعلومات الجديدة التي وصلت للتو، ثم يخضع لاختبار آخر على الدفعة التالية من الوقت، مكررين هذه الدورة.
وعندما أجروا هذه التجربة على مجموعات بيانات ضخمة من العالم الحقيقي (مثل نقرات المستخدمين على الإعلانات أو سجلات أداء السائقين)، اكتشفوا شيئًا مهمًا: العالم يتغير بشكل أسرع مما اعتقدنا. وجدوا أن "انزياح المفاهيم الزمني" موجود في كل مكان. وهذه طريقة منمقة للقول بأن قواعد اللعبة تتغير بمرور الوقت. فالنمط الذي كان صحيحًا بالأمس قد يكون خاطئًا تمامًا غدًا. على سبيل المثال، الطريقة التي يتفاعل بها المستخدمون مع المنتجات اليوم قد تكون مختلفة تمامًا عن الطريقة التي كانوا عليها قبل بضعة أشهر. وعندما اختبروا الطريقة القديمة—تدريب نموذج من الصفر على أحدث البيانات في كل مرة—وجدوا أنها كانت بطيئة، ومكلفة، وغالبًا ما كان أداؤها أقل من المتوقع لأنها تنسى كل ما تعلمته سابقًا.
ولإصلاح ذلك، جرب الفريق نهجًا مختلفًا: "الضبط الدقيق" (Fine-tuning). تخيل بدلاً من إعادة تدريب المحقق منذ طفولته في كل مرة تصل فيها كتب جديدة، أنك تكتفي بإعطائه دورة تنشيطية سريعة على المواد الجديدة. لقد اختبروا أربع طرق مختلفة للقيام بذلك، بما في ذلك طريقة يتعلم فيها النموذج فقط من البيانات الأحدث، وأخرى تمزج بين البيانات الجديدة والقديمة لتجنب النسيان. كانت النتائج مبهرة. فالنماذج التي استخدمت استراتيجيات الضبط الدقيق التزايدي أدت باستمرار أداءً يضاهي، أو حتى يتفوق على، النماذج المكلفة التي تُدرب "من الصفر"، لكنها فعلت ذلك بسرعة أكبر بكثير. في الواقع، في بعض الحالات، وصلت النماذج التي خضعت للضبط الدقيق إلى ذروة أدائها في بضع مئات من الخطوات فقط، بينما احتاجت النماذج الأخرى إلى آلاف الخطوات.
لاحظ الباحثون أيضًا أن ليس كل التنبؤات المستقبلية متساوية في الأهمية. فالتنبؤ بما سيحدث في الساعة القادمة عادة ما يكون أكثر أهمية للأعمال التجارية من التنبؤ بما سيحدث في عام من الزمن. لذا، اخترعوا نظام تسجيل جديدًا يزن التنبؤات الأخيرة بشكل أكبر، تمامًا مثل المعلم الذي يهتم باختبارك الأخير أكثر من اهتمامه بواجبك المنزلي من الشهر الماضي. وعندما استخدموا هذا المقياس الجديد، تألقت النماذج التزايدية بشكل أكبر، مما أثبت أنها أفضل في التكيف مع المستقبل القريب.
باختًا، يشير هذا البحث إلى أنه لبناء ذكاء اصطناعي قوي حقًا لقواعد البيانات العلاقتية، نحتاج إلى التوقف عن معاملة البيانات كلقطات ثابتة والبدء في معاملتها كتدفق مستمر. ومن خلال استخدام التدريب التزايدي والتركيز على دقة المستقبل القريب، يمكننا إنشاء نماذج لا تتعلم مرة واحدة ثم تتوقف، بل تتطور وتتكيف مع تغير العالم من حولها. وبينما ركزت الدراسة على قواعد البيانات التي تضيف بيانات جديدة فقط (مثل سجل "الإضافة فقط") ولم تختبر الأنظمة التي يتم فيها حذف البيانات أو تعديلها بشكل كبير، فإن النتائج تقدم مخططًا قويًا لجعل الذكاء الاصطناعي أكثر مرونة وعملية في العالم الحقيقي دائم التغير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.