Mixing Synthetic Data for Small-Data Document Image Classification
تُظهر هذه الدراسة أنه بالنسبة لتصنيف أخطاء المستندات غير المتوازن ومنخفض الموارد، فإن شبكة عصبية تلافيفية (CNN) خاضعة للإشراف ومدربة على مزيج منخفض التكلفة من البيانات الاصطناعية والمضخمة تتفوق على كل من النهج المعتمد كلياً على البيانات الاصطناعية والنماذج الضخمة سابقة التدريب، محققةً مكاسب كبيرة في الدقة ومعامل كوهين كابا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في أماكن العمل الحديثة، تتحرك كميات هائلة من الأوراق والملفات الرقمية عبر الأقسام كل يوم، من مكاتب الموارد البشرية إلى الفرق القانونية والمستشفيات. غالبًا ما تحتاج هذه المستندات إلى فرزها، أو فحصها بحثًا عن الأخطاء، أو أرشفتها تلقائيًا. لعقود من الزمن، حاول الباحثون تعليم الحواسيب قراءة هذه الأوراق تمامًا كما يفعل البشر، بالبحث عن أخطاء محددة مثل توقيع مفقود أو رمز شريطي (باركود) باهت. ومع ذلك، لا تزال هناك عقبة كبيرة قائمة: البيانات في العالم الحقيقي فوضوية وغالبًا ما تكون نادرة. فخلافًا لمجموعات البيانات النظيفة والمثالية المستخدمة في المختبرات الجامعية، فإن الملفات الفعلية في الصناعة قليلة العدد، والأخطاء التي تحتوي عليها نادرة. وعندما تحاول الحواسيب التعلم من عدد قليل فقط من الأمثلة، فإنها غالبًا ما تجد صعوبة في التعرف على الأخطاء النادرة التي يُفترض بها إيجادها. وهذا يخلق وضعًا صعبًا حيث تتعطل الأدوات المصممة لمساعدة الشركات بسبب نقص مواد التدريب الجيدة.
وضع فريق من الباحثين من جامعات في لايبزيغ وكارلسروه وفرانكفورت هدفهم لحل هذه المشكلة تحديدًا. فقد جمعوا مجموعة صغيرة مكونة من 235 وثيقة للموارد البشرية من شركة ألمانية كبرى. كانت هذه الوثائق عبارة عن نماذج مكونة من صفحتين، بعضها تم مسحه ضوئيًا وبعضها تم تصويره فوتوغرافيًا، وتحتوي على تواقيع مكتوبة بخط اليد ورموز شريطية. كانت مجموعة البيانات غير متوازنة بشدة؛ حيث كانت الغالبية العظمى من النماذج مثالية، بينما احتوت نسبة ضئيلة جدًا منها على أخطاء. وظهرت بعض أنواع الأخطاء مرة واحدة فقط في المجموعة بأكملة، مما جعل من المستحيل تقريبًا على برنامج حاسوبي قياسي أن يتعلم كيف تبدو تلك الأخطاء. أراد الباحثون معرفة ما إذا كان بإمكانهم تعليم الحاسوب رصد هذه الأخطاء النادرة عن طريق إنشاء أمثلة اصطناعية مزيفة لملء الفجوات، وما إذا كان خلط هذه الأمثلة المزيفة مع الحقيقية سيعطي نتائج أفضل من استخدام أي مصدر بمفرده.
لاختبار أفكارهم، بنى الفريق أربعة أنواع مختلفة من البرامج الحاسوبية، تتراوح من الطرق التقليدية القديمة إلى الأنظمة الأحدث والأكثر تعقيدًا والتي تم تدريبها مسبقًا على ملايين الصور الأخرى. ثم قاموا بتغذية هذه البرامج نسخًا مختلفة من البيانات. استخدمت إحدى النسخ الصور الحقيقية القليلة التي لديهم فقط. واستخدمت نسخة أخرى الصور المولدة حاسوبيًا فقط والتي تشبه النماذج الحقيقية ولكنها تحتوي على أسماء وأرقام وهمية. واستخدمت نسخة ثالثة الصور الحقيقية وقامت بنسخها عدة مرات لموازنة الأعداد. أما النهج الرابع والأكثر ابتكارًا، فقد مزج بين الصور الحقيقية المنسوخة وهذه الصور الاصطناعية الجديدة بنسب متساوية. واختبروا هذه التوليفات عند ثلاثة مقاييس مختلفة، من خلال إنشاء مجموعات تدريبية تضم 700 و7,000 و40,000 صورة لمعرفة ما إذا كان مجرد امتلاك المزيد من البيانات سيساعد البرامج على التعلم بشكل أفضل.
كشفت النتائج عن حقيقة مفاجئة حول كيفية تعلم هذه الأنظمة. وجد الباحثون أن استخدام النماذج المتطورة والمدربة مسبقًا لم يساعد كثيرًا. فالبرامج المعقدة التي تم تعليمها على ملايين الصور العامة، مثل القطط والسيارات، فشلت في التكيف جيدًا مع العالم المحدد والضيق لأخطاء المستندات. وبالمثل، فإن مجرد جعل مجموعة البيانات أكبر عن طريق إضافة المزيد من الصور الاصطناعية لم يضمن نتائج أفضل؛ ففي بعض الحالات، أدى إضافة المزيد من البيانات المزيفة إلى جعل أداء الحاسوب أسوأ. كان النهج الأكثر نجاحًا بسيطًا بشكل مفاجئ؛ إذ جاءت أفضل النتائج من برنامج حاسوبي قياسي تم تدريبه على مزيج من المستندات الحقيقية المنسوخة وهذه المستندات الاصطناعية الجديدة. سمح هذا المزيج للنظام بالتعلم من الملمس الأصيل للمسحات الضوئية الحقيقية مع رؤية أمثلة كافية للأخطاء النادرة للتعرف عليها.
عندما قاس الفريق مدى جودة أداء البرامج، برز النهج المختلط بوضوح. فقد حسن دقة التصنيف بنسبة تصل إلى 7 في المائة، والأهم من ذلك، عزز القدرة على تحديد أنواع الأخطاء النادرة بنسبة تصل إلى 30 في المائة. كانت هذه قفزة كبيرة مقارنة باستخدام البيانات الحقيقية فقط أو البيانات الاصطناعية فقط. تشير الدراسة إلى أنه بالنسبة للمهام الصغيرة والمتخصصة مثل فحص المستندات، فإن طريقة إعداد البيانات أكثر أهمية من تعقيد النموذج الحاسوبي المستخدم. ومن خلال الموازنة بعناية بين الأمثلة الحقيقية والاصطناعية، يمكن للمؤسسات التغلب على نقص البيانات دون الحاجة إلى أجهزة باهظة الثمن أو مجموعات بيانات ضخمة. يقدم هذا النهج مسارًا عمليًا وفعالًا من حيث التكلفة نحو أتمتة معالجة المستندات في العالم الحقيقي، حيث نادرًا ما تتوفر البيانات المثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.