منحنى التعلم Learning Curve

ما معنى منحنى التعلم في الذكاء الاصطناعي؟

تشير نظرية منحنى التعلم إلى أن كفاءة تعلم النموذج تتحسن بمرور الوقت كلما زاد أداء تعلم النموذج للمهمة، ويمثّل ارتباطاً بين أداء النموذج في مهمة ما وعدد دورات التدريب أو الوقت اللازم لإنجاز المهمة، ويمكن تمثيل النتائج كنسبة مباشرة على الرسم البياني.

أنواع منحنيات التعلم

عند عرض نتائج النموذج على هيئة رسوم بيانية، يُستخدم غالباً نوعان من منحنيات التعلم وهي:

• منحنيات التدريب: وتعبّر عن منحنيات التعلم المحسوبة على المقياس الذي يتم من خلاله تحسين معلمات النموذج، مثل الخسارة أو الخطأ التربيعي المتوسط، وتعبّر تحديداً عن جودة تعلم النموذج.
• منحنيات التحقق: منحنيات التعلم المحسوبة على بيانات التحقق، وتُستخدم للإبلاغ عن مدى جودة تعميم النموذج على الحالات غير المرئية.

أهمية منحنيات التعلم

تفيد منحنيات التعلم في كشف التباين والتحيز في أداء نموذج الذكاء الاصطناعي: 

• التحيز: ويمثّل الفرق بين متوسط التنبؤ من خلال النموذج والقيمة الصحيحة للتنبؤ، وتقدّم النماذج ذات التحيز العالي الكثير من الافتراضات حول نوعية بيانات التدريب. 
• التباين: هو مقدار التغيير الذي سيطرأ على نتائج النموذج في حال تم تغيير بيانات التدريب، إذ يجب ألّا يتغير بشكلٍ كبير مع تغير البيانات، أي أن الخوارزمية يجب أن تكون جيدة في التقاط التفاصيل المهمة حول البيانات، بغض النظر عن البيانات نفسها.

تطبيقات منحنيات التعلم

تستخدم منحنيات التعلم في دراسة أداء نماذج التعلم الآلي بمرور الوقت وفق معايير أداء محددة. ويمكن تطبيقها في الشركات بحيث يمكن قياس تحسن المبيعات بمرور الوقت أو دراسة علاقة زيادة كفاءة الموظف مع تقدم فترة وجوده بالشركة، وفي الأدوية مثل دراسة فاعلية الدواء مع مرور الزمن.