Few Shot Learning شرح بسيط (مع رسوم توضيحية وكود حقيقي)

دليل مباشر وموجز: Few Shot Learning مفصل مع مخططات وأمثلة عملية وأوامر مجربة. كل ذلك من دورة منظمة من 11 فصلاً — إليك أفضلها.

الـ attention للـ few-shot

الأهداف التعليمية

حدس الـ attention

الـ attention، في التعلم العميق، هو فكرة أن النموذج يستطيع إعطاء وزن مختلف لكل عنصر في مجموعة حسب السياق. عندما تقرأ جملة، لا يولي دماغك نفس الاهتمام لكل كلمة؛ بل يركز على الكلمات المهمة.

تشبيه الفصل الدراسي

تخيل فصلاً دراسياً حيث يعطي كل طالب رأيه في إجابة سؤال. بدلاً من أخذ رأي الأفضل (Siamese)، أو متوسط الجميع (ProtoNet)، يتم الترجيح: الطالب الذي يبدو «قريباً» من الموضوع له صوت أكبر.

Siamese

نأخذ المثال الأقرب ونتجاهل الباقي. صوت واحد، صفر امتناع.

ProtoNet

نحسب المتوسط المتساوي لأمثلة الفئة. تصويت عادل بدون تمييز.

Matching Net

نعطي كل مثال وزناً حسب تشابهه مع الـ query. تصويت مرجح.

معادلة التنبؤ

لـ query q ودعم {(x_i, y_i)} :

يتنبأ النموذج إذن بـ توزيع احتمالات، مجموع كل المساهمات المرجحة لكل مثال دعم.

الـ attention الناعم مقابل الصلب

السياق: تأثير الأمثلة الأخرى

نقطة مهمة في Matching Networks: يمكن للمشفر أن يأخذ في الحسبان السياق الكامل للدعم (وليس كل صورة على حدة). هذه فكرة Full Context Embedding (FCE).

مقارنة مع ProtoNet

الورقة البحثية المؤسسة

حالات استخدام حقيقية للـ few-shot

الأهداف التعليمية

الحالة 1 — الطب: الأمراض النادرة

يُقال إن المرض نادر في أوروبا إذا أصاب أقل من شخص واحد من كل 2000. هناك أكثر من 7000 مرض نادر موثق، لكن كل منها غالباً ما يملك بضع عشرات من الحالات الموثقة بالصور الطبية.

المشكلة الملموسة

يرى طبيب الأشعة آفة لم يرها سوى 3 مرات في مسيرته. يود أن تقارن مساعدته الذكية هذه الصورة بكل الآفات المشابهة المُعلَّمة في العالم.

مساهمة الـ few-shot

نموذج يتعلم فضاء embeddings على صور عادية ثم يسترجع أقرب الحالات من قاعدة الآفات النادرة. حتى 5 أمثلة تكفي لتفعيل فئة.

الحالة 2 — التنوع الحيوي: الأنواع النادرة

تطبيق iNaturalist يسجل مئات الآلاف من الأنواع، لكن كثيراً منها لا يملك سوى 5 إلى 20 صورة في القاعدة العالمية بأكملها (فراشة اكتُشفت حديثاً، ألفية مستوطنة لغابة واحدة…).

الحالة 3 — الصناعة: مراقبة الجودة على العيوب النادرة

تخيل خط إنتاج بطاقات إلكترونية. الغالبية العظمى من البطاقات سليمة؛ والعيوب التي تظهر في الفحص البصري هي بطاقتان من كل 100000. خلال 6 أشهر لدينا 4 صور لـ«لحام بارد» وصورة واحدة لـ«وسادة ممزقة».

الحالة 4 — معالجة اللغة الطبيعية: نوايا العملاء المتخصصة

يجب أن يفهم روبوت محادثة مصرفي نوايا محددة جداً («إغلاق حساب قبل 30 يوماً»، «رفع رهن جزئي») والتي قد لا تملك سوى أقل من 50 مثالاً في السجلات.

# Few-shot باستخدام LLM لتصنيف نية
prompt = """
أنت مصنف نوايا مصرفية.
إليك 5 أمثلة:

"أريد إغلاق حسابي هذا الشهر" -> CLOTURE_RAPIDE
"أرغب في تقليل قرضي العقاري جزئياً" -> MAINLEVEE_PARTIELLE
"هل ملف الائتمان الخاص بي قيد المعالجة؟" -> SUIVI_CREDIT
"أريد إغلاق حساباتي بسرعة" -> CLOTURE_RAPIDE
"أريد تحرير جزء من رهني" -> MAINLEVEE_PARTIELLE

السؤال: "كيف أغلق حسابي بشكل عاجل؟"
الرد:"""
# → يرد LLM بـ CLOTURE_RAPIDE، بدون تدريب

الحالة 5 — المالية: أنواع جديدة من الاحتيال

يبتكر المحتالون مخططات جديدة باستمرار. عندما يكتشف بنك نمط احتيال جديد، غالباً ما لا يملك سوى 10 إلى 30 معاملة مُعلَّمة قبل أن يختفي النمط أو يتغير.

المشكلة

من المستحيل إعادة تدريب نموذج تقليدي على كل نمط جديد: سيكون ذلك بطيئاً جداً وقد تغير النمط بالفعل.

حل الـ few-shot

نموذج embeddings للمعاملات يقارن في الوقت الفعلي المعاملة الجديدة بالـ10 حالات احتيال المعروفة للنمط الحالي.

التعلم داخل السياق مع GPT

الأهداف التعليمية

الفكرة الثورية لـ GPT-3

قبل 2020، كان عمل الـ few-shot يتطلب تدريب نموذج مخصص (ProtoNet، MAML، إلخ). في 2020، نشرت OpenAI GPT-3 وأظهرت أن نموذج لغة كبير مدرب مسبقاً يستطيع عمل few-shot دون تدريب إضافي. يكفي وضع الأمثلة في الـ prompt.

مثال ملموس

prompt = """
ترجم من الفرنسية إلى الإنجليزية.

فرنسية: Le chat dort sur le canapé.
إنجليزية: The cat is sleeping on the sofa.

فرنسية: Je vais au marché.
إنجليزية: I am going to the market.

فرنسية: Il fait beau aujourd'hui.
إنجليزية:"""

# الرد المتوقع من GPT-4:
# «It is sunny today.»

دون أي مرحلة ضبط دقيق، وبمثالين فقط في الـ prompt، فهم GPT-4 مهمة الترجمة وأنتج الرد الصحيح.

Zero-shot مقابل One-shot مقابل Few-shot prompting

الورقة التي غيرت كل شيء: Brown 2020

لماذا يعمل؟

لا توجد إجابة كاملة. عدة نظريات تكمل بعضها:

1. التعرف على الأنماط

رأى النموذج ملايين القوائم «س: ... الرد: ...» أثناء التدريب المسبق ويتعرف على التنسيق.

2. الـ meta-learning الضمني

أثناء التدريب المسبق، تعلم النموذج التعلم من المهام الجديدة عبر النص الذي يستهلكه.

3. رؤوس الاستقراء (Induction heads)

تحليل المحولات يكشف دوائر داخلية («induction heads») متخصصة في نسخ الأنماط السابقة.

متى نستخدم in-context learning؟

كود Python: استدعاء واجهة OpenAI بـ few-shot

from openai import OpenAI

client = OpenAI()

few_shot_examples = [
    {"role": "system", "content": "أنت مصنف مشاعر."},
    {"role": "user",   "content": "أحب هذا الفيلم!"},
    {"role": "assistant", "content": "إيجابي"},
    {"role": "user",   "content": "كان مملًا."},
    {"role": "assistant", "content": "سلبي"},
    {"role": "user",   "content": "لا بأس، عادي."},
    {"role": "assistant", "content": "محايد"},
]

def classify(text):
    msgs = few_shot_examples + [{"role": "user", "content": text}]
    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=msgs,
        temperature=0,
    )
    return resp.choices[0].message.content

print(classify("القصة مشوقة!"))  # → إيجابي

الأسئلة الشائعة

📬 هل تريد تلقي هذا النوع من الأدلة أسبوعياً؟ اشترك مجاناً — كود حقيقي، بدون كلام زائد.