كيف يمكننا استخدام التعلم العميق مع البيانات الصغيرة؟ – قادة الفكر

عندما يتعلق الأمر بالاحتفاظ بالمواضيع الأمنية الناشئة، يمكن أن يصبح عملية البقاء على اطلاع دائم على أحدث التطورات متعبًا جدًا لأن هناك الكثير من الأخبار التي يجب مواكبتها. ومع ذلك، تغيرت الحالة بشكل كبير في الأيام الأخيرة، حيث يبدو أن مجالات الأمن السيبراني تدور حول كلمتين – التعلم العميق.

على الرغم من أننا كنا في البداية مترددون في تغطية التعلم العميق على نطاق واسع، أصبح من الواضح بسرعة أن الضجيج الذي أحدثه التعلم العميق كان مبررًا. بطريقة مشابهة للدماغ البشري، يسمح التعلم العميق لنموذج الذكاء الاصطناعي بالحصول على نتائج دقيقة للغاية، من خلال أداء المهام مباشرة من النصوص والصور والإشارات الصوتية.

حتى هذه النقطة، كان يُعتقد على نطاق واسع أن التعلم العميق يعتمد على مجموعة كبيرة من البيانات، مشابهة لmagnitude البيانات التي تملكها شركات وادي السيليكون مثل جوجل وفيسبوك لتحقيق هدف حل أكثر المشاكل المعقدة داخل المنظمة. ومع ذلك، على عكس الاعتقاد الشائع، يمكن للمنظمات الاستفادة من التعلم العميق، حتى مع الوصول إلى مجموعة بيانات محدودة.

في محاولة لمساعدة قراءنا بالمعرفة اللازمة لتزويد منظمتهم بالتعلم العميق، قمنا بتجميع مقال يغوص深ًا (بدون نية للعبارة) في بعض الطرق التي يمكن للمنظمات من خلالها الاستفادة من فوائد التعلم العميق على الرغم من الوصول إلى بيانات محدودة أو “صغيرة”.

لكن قبل أن نتمكن من الدخول إلى جوهر المقال، نود أن نقدم اقتراحًا صغيرًا ولكن حاسمًا – ابدأ ببساطة. ومع ذلك، قبل أن تبدأ في صياغة شبكات عصبية معقدة بما يكفي لتحقيق نجاح في فيلم خيال علمي، ابدأ bằng تجربة بعض النماذج البسيطة والتقليدية (مثل غابة عشوائية) للحصول على感觉 جيدة عن البرمجيات.

مع إزالة هذا الأمر، دعونا ندخل مباشرة في بعض الطرق التي يمكن للمنظمات من خلالها دمج تقنية التعلم العميق مع الوصول إلى بيانات محدودة.

#1- تحسين نموذج الأساس:

كما ذكرنا أعلاه، الخطوة الأولى التي يجب على المنظمات اتخاذها بعد صياغة نموذج أساسي بسيط للتعلم العميق هي تحسينه لتحقيق النتائج المثلى للمشكلة المحددة.

ومع ذلك، يبدو تحسين نموذج أساسي أكثر صعوبة على الورق مما هو في الواقع. الفكرة الأساسية وراء تحسين مجموعة بيانات كبيرة لتحقيق احتياجات المنظمة هي بسيطة – تأخذ مجموعة بيانات كبيرة تشبه إلى حد ما المجال الذي تعمل فيه، ثم تحسن تفاصيل مجموعة البيانات الأصلية باستخدام بياناتك المحدودة.

فيما يتعلق bằng الحصول على مجموعة البيانات الكبيرة، يمكن لمالكي المنظمات الاعتماد على ImageNet، الذي يوفر أيضًا حلاً سهلًا لأي مشاكل في تصنيف الصور. يسمح مجموعة البيانات التي يستضيفها ImageNet للمنظمات بالوصول إلى ملايين الصور، التي يتم تقسيمها عبر فئات متعددة من الصور، والتي يمكن أن تكون مفيدة للمنظمات من مجموعة واسعة من المجالات، بما في ذلك، ولكن لا تقتصر على صور الحيوانات، إلخ.

إذا كان عملية تحسين نموذج مسبق التدريب لتحقيق احتياجات المنظمة لا تزال تبدو مثل الكثير من العمل لك، نوصي بالحصول على المساعدة من الإنترنت، حيث سوف يوفر لك بحث جوجل بسيط مئات من التutorials على كيفية تحسين مجموعة بيانات.

#2- جمع المزيد من البيانات:

على الرغم من أن النقطة الثانية في قائمتنا قد تبدو غير ضرورية لبعض من قراءنا الأكثر سخرية، الحقيقة هي أن كلما كانت مجموعة البيانات أكبر، زادت فرصة الحصول على نتائج أكثر دقة.

على الرغم من أن جوهر هذا المقال يكمن في تزويد المنظمات بمجموعة بيانات محدودة، لقد واجهنا في كثير من الأحيان الكثير من “الرؤساء” الذين يعتبرون استثمار جمع البيانات جريمة كبرى.

غالبًا ما تتجاهل الشركات فوائد التعلم العميق ببساطة لأنها ترفض الاستثمار في جمع البيانات. إذا كانت منظمتك غير متأكدة من مقدار البيانات التي يجب جمعها، نوصي بتمثيل المنحنيات التعليمية، حيث يتم دمج البيانات الإضافية في النموذج، ومراقبة التغيير في أداء النموذج.

على عكس الاعتقاد الشائع بين معظم مسؤولي الأمن السيبراني، أحيانًا يكون أفضل طريقة لحل المشاكل هي من خلال جمع المزيد من البيانات ذات الصلة. دور مسؤولي الأمن السيبراني مهم جدًا في هذه الحالة لأن هناك دائمًا تهديدات للهجمات الإلكترونية. تم العثور على أن الإنفاق العالمي على الأمن السيبراني في عام 2019 يصل إلى 103.1 مليار دولار، ويتواصل الرقم في الارتفاع. لتضع هذا في المنظور، دعونا نعتبر مثالًا بسيطًا – تخيل أنك تحاول تصنيف الماس النادر، ولكن لديك مجموعة بيانات محدودة للغاية. كما هو واضح من الحل الأكثر وضوحًا للمشكلة، بدلاً من قضاء يوم ممتع مع نموذج الأساس، جمع المزيد من البيانات!

#3- تعزيز البيانات:

على الرغم من أن النقطتين الأولى والثانية اللتين ناقشناهما أعلاه كفيتان لتقديم حل سهل لمعظم المشاكل المحيطة بتنفيذ التعلم العميق في المنظمات التي لديها مجموعة بيانات صغيرة، إلا أنهما يعتمدان بشكل كبير على مقدار من الحظ لتحقيق النجاح.

إذا كنت غير قادر على تحقيق أي نجاح في تحسين مجموعة بيانات موجودة، نوصي بمحاولة تعزيز البيانات. الفكرة الأساسية لتعزيز البيانات بسيطة. من خلال عملية تعزيز البيانات، يتم تعديل مجموعة البيانات الإدخالية، أو تعزيزها، بطريقة تمنح نتائج جديدة، دون تغيير قيمة التصنيف.

لتوضيح فكرة تعزيز البيانات لأصحابنا، دعونا نعتبر صورة لكلب. عند دوران الصورة، سيتمكن المشاهد من التعرف على أنها صورة لكلب. هذا هو ما يهدف إليه تعزيز البيانات الجيد، مقارنةً بصورة مدورة لطريق، والتي تغير زاوية الارتفاع وتترك مساحة كافية للخوارزمية لتحقيق نتيجة خاطئة، وتخفق في تحقيق الغرض من تنفيذ التعلم العميق في المقام الأول.

عندما يتعلق الأمر بحل المشاكل المتعلقة بتصنيف الصور، يلعب تعزيز البيانات دورًا رئيسيًا في هذا المجال ويوفر مجموعة متنوعة من تقنيات تعزيز البيانات التي تساعد نموذج التعلم العميق على الحصول على فهم أعمق للتصنيفات المختلفة للصور.

علاوة على ذلك، عندما يتعلق الأمر بتعزيز البيانات – الإمكانيات تقريبًا لا حصر لها. يمكن للمنظمات تنفيذ تعزيز البيانات بطرق عديدة، بما في ذلك معالجة اللغة الطبيعية، وتجربة الشبكات العصبية التوليدية، التي تمكن الخوارزمية من توليد بيانات جديدة.

#4- تنفيذ التأثير الجماعي:

تحدد تقنية التعلم العميق أن الشبكة بنيت على طبقات متعددة. ومع ذلك، على عكس الاعتقاد الشائع بين العديد من الأشخاص، بدلاً من اعتبار كل طبقة كهرم متزايد من الميزات، يخدم الطبقة النهائية الغرض الذي تقدمه آليات الجمع.

كان الاعتقاد بأن المنظمات التي لديها مجموعة بيانات صغيرة يجب أن تختار بناء شبكاتها العصبية العميقة أيضًا مشتركًا في ورقة NIPs، التي عكست الاعتقاد الذي أعربنا عنه أعلاه. يمكن للمنظمات التي لديها بيانات صغيرة بسهولة استغلال التأثير الجماعي لصالحها، ببساطة من خلال بناء شبكات التعلم العميق العميقة، من خلال تحسين أو بديل آخر.

#5- دمج التشفير التلقائي:

على الرغم من أن النقطة الخامسة التي أخذناها في الاعتبار قد حظيت بنجاح نسبي، ما زلنا موافقين على استخدام التشفير التلقائي لتحقيق ما قبل تدريب الشبكة وتحديد الإعدادات بشكل صحيح.

أحد أكبر الأسباب، بخلاف الهجمات الإلكترونية، التي تمنع المنظمات من تجاوز العقبات الأولية لدمج التعلم العميق هو سوء الإعداد، وأخطائه الكثيرة. غالبًا ما يؤدي التدريب غير الموجه إلى تنفيذ سيئ أو غير صحيح لتكنولوجيا التعلم العميق، حيث يمكن للتشفير التلقائي أن يبرز.

الفكرة الأساسية وراء الشبكة العصبية تقضي بإنشاء شبكة عصبية تتنبأ بطبيعة مجموعة البيانات الإدخالية. إذا كنت غير متأكد من كيفية استخدام التشفير التلقائي، هناك عدة دروس عبر الإنترنت توفر تعليمات واضحة.

الختام:

في نهاية المقال، نود أن نعيد ما قلناه في جميع أنحاء المقال، مع إضافة واحدة – دمج المعرفة المحددة المجال في عملية التعلم! لا فقط يسرع دمج الأفكار القيمة من عملية التعلم، بل يسمح أيضًا لتكنولوجيا التعلم العميق بإنتاج نتائج أفضل وأكثر دقة.