Family Balancing and Hierarchical CNNs for Arabic Handwritten Symbols: A Controlled Five-Seed Evaluation

في عالم الرؤية الحاسوبية، أصبحت الآلات ماهرة بشكل ملحوظ في قراءة ما يكتبه البشر. يمكنها مسح صفحة من النص وتحويلها إلى كود رقمي، وهي قدرة تدعم كل شيء بدءاً من مسح المستندات القديمة وصولاً إلى مساعدة الأشخاص الذين يعانون من ضعف البصر في قراءة رسائلهم. ومع ذلك، تواجه هذه التكنولوجيا تحدياً محدداً عند التعامل مع الخط العربي. فخلافاً للغة الإنجليزية، حيث تقف الحروف بمفردها أو تتصل بطرق قليلة يمكن التنبؤ بها، تتغير أشكال الحروف العربية اعتماداً على موقعها داخل الكلمة. علاوة على على ذلك، تتضمن الكتابة العربية كلاً من الحروف الثمانية والعشرين للأبجدية والعشرة أرقام للنظام العددي. وعندما تحاول الحاسوب تعلم الاثنين معاً، فإنه غالباً ما يصطدم بمشكلة الحجم: إذ تتوفر عادةً أمثلة على الأرقام للتدريب أكثر بكما هو متوفر للحروف. ولأن الحاسوب يرى عدداً أكبر بكتمير من الأرقام، فإنه يميل إلى أن يصبح بارعاً جداً في التعرف عليها بينما يظل أقل دقة قليلاً في التعرف على الحروف. ويخلق هذا الخلل في التوازن "نقطة عمياء" في النظام، حيث تفشل الآلة في معاملة نوعي الرموز بنفس القدر من العناية.

وضع باحثون في جامعة ولاية ميسيسيبي خطة لإصلاح هذه النقطة العمياء. لقد طرحوا سؤالاً بسيطاً ولكنه صعب: إذا غيروا الطريقة التي يتعلم بها الحاسوب، فهل يمكنهم إجباره على إعطاء المزيد من الاهتمام للحروف دون فقدان قدرته على التعرف على الأرقام؟ اختبروا فكرتين رئيسيتين. أولاً، حاولوا موازنة عملية التدريب بحيث يعامل الحاسوب الأخطاء في التعرف على الحروف بنفس أهمية الأخطاء في التعرف على الأرقام، رغم وجود عدد أقل من الحروف للتعلم. ثانياً، جربوا طريقة مختلفة لتنظيم "دماغ" الحاسوب، بجعلها تقرر أولاً ما إذا كان الشكل حرفاً أم رقماً قبل محاولة تحديد ماهية الرمز بدقة. أجروا هذه التجارب بعناية فائقة، حيث قاموا بتدريب الحاسوب خمس مرات منفصلة بظروف أولية مختلفة قليلاً لضمان أن النتائج حقيقية وليست مجرد ضربة حظ. كما اختبروا مرونة الحاسوب عبر تعريضه لصور تم تشويهها عمداً، أو تغطيتها بالتشويش (الستاتيك)، أو تغيير تباينها، لمحاكاة نوع الضرر الذي قد يلحق بالمستندات في العالم الحقيقي.

كشفت الدراسة أن أداء الحاسوب على الصور النظيفة والمثالية كان مرتفعاً للغاية، حيث حدد الرموز بشكل صحيح بنسبة تصل إلى ثمانية وتسعين بالمائة تقريباً. ومع ذلك، عندما نظر الباحثون عن كثب إلى الفرق بين مدى معرفته بالأرقام مقابل الحروف، ظل هناك فجوة صغيرة؛ فقد كان الحاسوب أفضل باستمرار في التعرف على الأرقام. وعندما حاول الفريق موازنة التدريب ليصب الحاسوب تركيزه بالتساوي على المجموعتين، تحسن الأداء في الحروف بشكل طفيف. فقد رفع النهج المتوازن الأفضل دقة المجموعة الأضعف بنسبة ضئيلة جداً، من حوالي ستة وتسعين فاصلة ثلاثة بالمائة إلى ستة وتسعين فاصلة خمسة بالمائة. ورغم أن هذا يبدو تغييراً صغيراً، إلا أنه في عالم تعلم الآلة عالي الدقة، يمكن حتى لجزء من المائة أن يكون ذا معنى. ومع ذلك، وجد الباحثون أن هذا التحسن لم يكن ثابتاً؛ فاعتماداً على كيفية بدء الحاسوب لعملية التعلم، كان التغيير يساعد أحياناً ولا يفعل شيئاً على الإطلاق في أحيان أخرى. وهذا يشير إلى أن مجرد إخبار الحاسوب بأن "يعطي اهتماماً أكبر" للحروف لم يكن حلاً مضموناً.

أما الفكرة الثانية، التي تضمنت تعليم الحاسوب تصنيف الرمز أولاً كحرف أو رقم قبل تحديد الحرف بدقة، فلم تقدم ميزة واضحة أيضاً. فقد كان أداء الحاسوب مماثلاً، أو أحياناً أسوأ قليلاً، عند استخدام هذه الطريقة الهرمية مقارنة بالنهج القياسي. كما اختبر الباحثون استراتيجية أكثر تعقيداً حيث يتم تشجيع الحاسوب على التركيز بقوة أكبر على المجموعة التي تعاني حالياً أثناء التدريب. وفشلت هذه الطريقة، المصممة لجعل النظام قوياً ضد الأمثلة الصعبة، في حماية الحاسوب عندما كانت الصور تالفة. وفي الواقع، عندما كانت الصور مشوشة أو تغير تباينها، فقد الحاسوب الذي استخدم هذا التدريب الخاص قدراً أكبر من الدقة مقارنة بالنماذج القياسية.

كانت النتيجة الأكثر لفتاً للنظر في الدراسة ليست حول كيفية تحسين تعلم الحاسوب، بل حول مدى هشاشته تجاه التغييرات في الصورة نفسها. فبينما أنتجت طرق التدريب المختلفة فروقات طفيفة فقط في الأداء على الصور المثالية، إلا أنها جميعاً انهارت عندما تم تعديل الصور. فعندما أضاف الباحثون "الضجيج" أو جعلوا الخطوط ضبابية، انخفضت قدرة الحاسوب على التعرف على الرموز بشكل كبير. وفي بعض الحالات، انخفضت الدقة إلى ما يقارب الصفر. وهذا يشير إلى أن الطريقة الحالية التي يتعلم بها الحاسوب الرموز العربية حساسة للغاية لجودة الصورة. ولم تكن التعديلات الصغيرة على عملية التدريب التي اختبرها الباحثون كافية للتغلب على هذا الضعف الجوهري. لم يكن الحاسوب يفشل فقط في تعلم الحروف، بل كان يفشل في التعرف على الحروف عندما لا تكون الصورة مثالية.

خلص الباحثون إلى أنه بينما ساعدت موازنة بيانات التدريب الحاسوب على التعرف على الحروف بشكل أفضل قليلاً، إلا أنها لم تعالج المشكلة الأساسية. كانت التحسينات صغيرة وغير متسقة، ولم تجعل النظام أكثر مرونة تجاه أنواع الضرر التي تواجهها المستندات الحقيقية غالباً. تسلط الدراسة الضوء على أن مجرد تغيير كيفية تعلم الحاسوب من البيانات ليس كافياً لجعله قوياً. الخطوة التالية للعلماء في هذا المجال ليست في تعديل قواعد التدريب أكثر، بل في فهم سبب حساسية الحاسوب الشديدة لتغيرات الصورة. إنهم بحاجة إلى معرفة كيفية بناء نظام يمكنه التعرف على حرف مكتوب بخط اليد حتى لو كان الحبر ملطخاً، أو الورقة مجعدة، أو الإضاءة ضعيفة. وإلى أن يحدث ذلك، ستظل الفجوة بين قدرة الحاسوب على قراءة مسح ضوئي مثالي وقدرته على قراءة مستند حقيقي فوضوي واسعة، وسيكون التحدي المحدد المتمثل في موازنة الحروف العربية والأرقام مجرد جزء من تلك الأحجية الأكبر.