Aesthetics Prediction of Websites using Federated Learning
تقترح هذه الورقة نهجاً قائماً على التعلم الاتحادي باستخدام نموذج EfficientNet-B0 للتنبؤ بجماليات واجهة الموقع الإلكتروني من خلال دمج تفضيلات المستخدمين الفردية عبر خمس مجموعات ديموغرافية، محققةً متوسط خطأ تربيعي واعداً قدره 0.0534 مع التغلب على قيود جمع البيانات المركزية ومتوسط التقييمات.
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
نحن نعيش في عالم يهم فيه مظهر الشاشة الرقمية بقدر ما تهم وظيفتها. فقبل أن يقرأ الشخص كلمة واحدة على موقع إلكتروني أو تطبيق، يكون دماغه قد كون بالفعل رأياً حول ما إذا كان هذا المظهر جذاباً أم منفراً. هذا الحكم الذي يُتخذ في أجزاء من الثانية، وغالباً في أقل من رمشة عين، يمكن أن يحدد ما إذا كان المستخدم سيبقى للاستكشاف أم سيغادر على الفور. بالنسبة للمصممين، يخلق هذا تحدياً صعباً: فالجمال مسأه شخصي للغاية. فما يجده شخص ما أنيقاً، قد يجده آخر مزدحماً أو مملاً. تقليدياً، لفهم هذه التفضيلات، قام الباحثون بجمع آلاف الأشخاص لتقييم الصور، ثم قاموا بحساب متوسط الدرجات لإيجاد رأي "عام". لكن هذا النهج يشوبه عيب؛ فمن خلال دمج أذواق الجميع في رقم واحد، يتم محو التفضيلات الفريدة للأفراد. إنه يفترض أن الطالب، والموظف، والمتقاعد، جميعهم يرون العالم بنفس الطريقة، وهو أمر نادراً ما يكون صحيحاً. علاوة على ذلك، فإن جمع كل هذه التقييمات الشخصية في قاعدة بيانات مركزية واحدة يثير مخاوف بشأن الخصوصية، لأنه يتطلب من المستخدمين تقديم آرائهم الخاصة إلى سلطة مركزية.
لقد سعى فريق من الباحثين في المعهد المركزي للتكنولوجيا في كوكراجار، الهند، لحل هذه المشكلات من خلال بناء نوع جديد من الأنظمة يحترم الذوق الفردي دون المساس بالخصوصية. لقد اقترحوا طريقة تسمى "التعلم الاتحادي" (Federated Learning)، وهي تقنية تسمح للحواسيب بالتعلم من البيانات دون نقل تلك البيانات أبداً من جهاز المستخدم. وبدلاً من جمع كل التقييمات في كومة واحدة ضخمة، يقوم النظام بإرسال برنامج حاسوبي ذكي إلى أجهزة المستخدمين. يتعلم البرنامج من التقييمات المخزنة محلياً على كل جهاز، ويتم فقط إرسال الدروس المستفادة — أي التعديلات الرياضية للبرنامج — إلى خادم مركزي. أما التقييمات الخام، والآراء الشخصية، فلا تغادر هاتف أو حاسوب المستخدم أبداً. ولاختبار هذه الفكرة، أنشأ الباحثون مجموعة بيانات تضم مائة واجهة لمواقع إلكترونية، تلتقط كلاً من نسخ سطح المكتب والهواتف المحمولة لخمسين موقعاً مختلفاً تتراوح بين البوابات الحكومية وتطبيقات التسوق. ثم طلبوا من مائة شخص تقييم هذه الشاشات على مقي-ل من واحد إلى عشرة. وقد مثل المشاركون مزيجاً من الأعمار، والأجناس، والمهن، مما ضمن تنوعاً واسعاً في وجهات النظر.
احتاج الباحثون أولاً إلى إيجاد أفضل "عقل حاسوبي" للقيام بالعمل الشاق المتمثل في التعرف على الجمال البصري. لقد اختبروا ثلاثة نماذج مختلفة من التعلم العميق، وهي أنظمة معقدة مصممة لمحاكاة كيفية معالجة العين البشرية للصور. وبعد إجراء تجارب مكثفة، وجدوا أن نموذجاً يسمى (EfficientNet-B0) كان الأكثر فعالية؛ فقد كان سريعاً، ويتطلب موارد حوسبة أقل، وأنتج التنبؤات الأكثر دقة. ومع ذلك، كان الابتكار الحقيقي يكمن في كيفية تعاملهم مع العنصر البشري. فقد أدرك الفريق أن الناس لا يستخدمون مقاييس التقييم بنفس الطريقة؛ فبعض الناس يميلون لإعطاء درجات عالية لكل شيء، بينما يكون آخرون أكثر انتقاداً بطبيعتهم. ولحل هذه المشكلة، طوروا طريقة لتعديل تقييمات كل شخص قبل أن يتعلم منها الحاسوب. حيث قاموا بحساب كيفية تقييم شخص معين للأشياء مقارنة بمتوسط المجموعة، وقاموا بتعديل درجاته وفقاً لذلك. سمح هذا للحاسوب بتعلم الشكل الحقيقي لتفضيلات الشخص، بدلاً من مجرد تعلم نزعته نحو الكرم أو القسوة في التقييم.
ولرؤية ما إذا كان هذا النهج يعمل في سيناريو واقعي، قسم الباحثون المشاركين المائة إلى خمس مجموعات متميزة بناءً على الجنس والمهنة: إناث غير عاملات، وإناث طالبات، وإناث عاملات، وذكور طلاب، وذكور عاملين. عملت كل مجموعة كـ "عميل" منفصل في نظام التعلم الاتحادي. أرسل الخادم المركزي النموذج الأولي (EfficientNet-B0) إلى كل مجموعة من هذه المجموعات الخمس. قامت كل مجموعة بتدريب النموذج على بياناتها المحلية، لتتعلم ما يجده هذا القطاع الديموغرافي تحديداً جميلاً. وبمجرد اكتمال التدريب، أرسلت المجموعات أوزان نماذجها المحدثة إلى الخادم. ثم قام الخادم بدمج هذه التحديثات لإنشاء نموذج عالمي جديد وأكثر ذكاءً يفهم الفروق الدقيقة بين المجموعات الخمس. تكررت هذه الدورة لثلاث وثلاثين جولة. وطوال هذه العملية، لم يرَ النظام التقييمات الخام؛ بل رأى فقط التحسينات الرياضية التي أجرتها كل مجموعة.
أظهرت النتتائج أن هذا النهج الذي يحافظ على الخصوصية كان فعالاً للغاية. حقق النموذج النهائي معدل خطأ منخفضاً جداً، مما يعني أن تنبؤاته بمدى إعجاب الشخص بموقع ما كانت قريبة جداً من التقييمات الفعلية التي قدمها المستخدمون. أدى النظام أداءً جيداً بشكل خاص للمجموعات ذات الأذواق المتشابهة، مثل المشاركات من الإناث غير العاملات، بينما حافظ أيضاً على دقة قوية للمجموعات ذات الآراء المتنوعة. ومن الأهمية بمكان، وجد الباحثون أن نسخ الهواتف المحمولة من المواقع تم تقييمها بشكل متطابق تقريباً مع نظيراتها على سطح المكتب، مما يشير إلى أن مبادئ الجمال البصري تظل ثابتة عبر أحجام الشاشات المختلفة. لقد أثبتت الدراسة أنه من الممكن بناء نظام يتعلم من مجموعة واسعة من الناس دون الحاجة أبداً لجمع بياناتهم الخاصة في مكان مركزي. ومن خلال استخدام نموذج عالمي واحد يتم تكييفه عبر تعديل رياضي ذكي للتقييمات، يمكن للنظام تقديم تنبؤات جمالية مخصصة لأي شخص، بغض النظر عن خلفيته. ويشير هذا العمل إلى أن مستقبل تصميم واجهات المستخدم يمكن أن يعتمد على أنظمة ليست ذكية بما يكفي لفهم الجمال فحسب، بل ومحترمة أيضاً للحفاظ على خصوصية التفضيلات الشخصية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.