التعلم شبه الخاضع للإشراف (Semi-Supervised Learning – SSL) هو أسلوب في التعلم الآلي (Machine Learning – ML) يجمع بين التعلم الخاضع للإشراف (Supervised Learning) الذي يعتمد على بيانات معنونة (Labeled Data)، والتعلم غير الخاضع للإشراف (Unsupervised Learning) الذي يستخدم بيانات غير معنونة (Unlabeled Data).
الفكرة الأساسية للتعلم شبه الخاضع للإشراف هي استغلال كمية صغيرة من البيانات المعنونة مع كمية كبيرة من البيانات غير المعنونة لتحسين أداء النموذج(Model Performance) دون الحاجة إلى تكلفة عالية في وضع التسميات (Labeling).
أمثلة على استخدامه:
• التعرف على الصور (Image Classification): عند وجود عدد قليل من الصور الموسومة وكميات ضخمة غير موسومة.
• معالجة اللغة الطبيعية (NLP): مثل تصنيف النصوص أو تحليل المشاعر مع توفر عدد محدود من البيانات المعنونة.
• المجال الطبي (Medical Field): حيث يصعب الحصول على بيانات معنونة بسبب ندرة الخبراء.
وبذلك يُعد التعلم شبه الخاضع للإشراف حلًا وسطًا يقلل الاعتماد على البيانات المعنونة الباهظة ويزيد من دقة النماذج.
ا.م.د. علاء طعيمة عبد الكاظم
أستاذ مساعد دكتور في الذكاء الاصطناعي والتعلم العميق