منشئ مسارات المعالجة
AI Pipeline Builder
محرر عقد مرئي (SVG) لبناء خطوط الرؤية واللغة: فحص توافق الأنواع والحلقات والميزانية، وتقييم على بيانات مخفية، ومقارنة بخط مرجعي.
تعمل اللعبة كاملة في متصفحك. لا يُرسل شيء إلى خدمة خارجية.
تُحمَّل اللعبة…
التلميحات
ثلاثة مستويات: الأول يوجّه فقط، والثالث أقرب إلى الحل. اكشفها واحداً واحداً.
وضع التعلم
- التلميح 1: بدّل القالب وراقب مخرج كل عقدة بالترتيب.
- التلميح 2: قارن «غاوسي ← أوتسو» بـ«أوتسو مباشرة» على الضجيج.
وضع التحدي
- التلميح 1: المهمة تحدد العقدة الحاسمة: الوسيط للملح والفلفل، وطرح الخلفية للإضاءة، وحذف المكونات الصغيرة للنقاط الدخيلة.
- التلميح 2: في اللغة ضع وسم النفي قبل التجذيع، ولا تحذف كلمات التوقف قبله.
كيف تعمل؟ How It Works
تعريف المشكلة
كل نظام ذكاء اصطناعي حقيقي خطّ من خطوات: معالجة مسبقة، ثم سمات، ثم قرار. هنا تبني الخط بنفسك من عقد، وتختار ترتيبها ومعاملاتها ضمن ميزانية، ثم يُقيَّم على بيانات لم تضبطه عليها.
الخوارزمية
رسم بياني موجّه بلا حلقات (DAG). لكل عقدة مداخل ومخرج من نوع معلن (صورة، قناع، نصوص، كلمات، سمات، تنبؤات، نتيجة)، ولا تُقبل وصلة إلا بين نوعين متطابقين. يُرتَّب الخط طوبولوجياً بخوارزمية Kahn (وتُكتشف الحلقة إن لم تُرتَّب كل العقد)، ثم تُنفَّذ العقد بالترتيب ويُخزَّن مخرج كل عقدة، فتعديل معامل يعيد حساب ما بعده فقط.
المدخلات
مسار الرؤية: مشاهد رمادية 192 × 144 فيها 4 أشكال على خلفية، مُفسَدة بإحدى أربع طرق (ضجيج غاوسي σ = 75، ملح وفلفل 35%، إضاءة غير متساوية، نقاط لامعة دخيلة). مسار اللغة: جمل لعبة تحليل المشاعر (160 تدريب و40 اختبار، فصحى وعراقية).
المخرجات
قناع ثنائي يُقارن بالقناع الصحيح بمعامل Dice، أو تنبؤات إيجابي/سلبي تُقارن بالوسوم بالدقة. ومخرج كل عقدة ظاهر عند تحديدها.
خطوات التنفيذ
- أضف العقد من اللوحة: تُضاف بعد العقدة المحددة وتوصل بها إن توافق النوعان.
- صِل مخرج عقدة بمدخل أخرى: اضغط المخرج ثم المدخل المضيء، أو استعمل قائمة «من/إلى».
- يفحص المحرر الأنواع والمداخل غير الموصولة والحلقات والكلفة قبل التشغيل.
- اضبط على البيانات الظاهرة: صورة ضبط واحدة، أو تحقق متقاطع خماسي على جمل التدريب.
- أرسل للتقييم المخفي: متوسط Dice على 3 صور مخفية من بذرة اليوم، أو الدقة على جمل الاختبار. النقاط = round(1000 × القيمة المخفية).
المعلمات
- الميزانية: 7 وحدات كلفة للرؤية و12 للغة، والحد 16 عقدة
- الفوز: أن تبلغ نقاطك نقاط خط المرجع للمهمة على البيانات المخفية نفسها
- التحدي: مهمة رؤية ومهمة لغة كل يوم، وإرسال واحد لكل مسار
مثال
على 6 بذور: عتبة أوتسو مباشرة على الضجيج الغاوسي تعطي 648 نقطة في المتوسط، وإضافة تمويه غاوسي قبلها ترفعها إلى 984. الوسيط يتفوق على الملح والفلفل (985 مقابل 970 للغاوسي)، وطرح الخلفية وحده يحل الإضاءة غير المتساوية (975 مقابل 826 للوسيط)، وحذف المكونات الصغيرة يمحو النقاط الدخيلة (962 مقابل 895 للوسيط وحده). في اللغة: خط لعبة المشاعر يعطي دقة اختبار 0.70 مع Naive Bayes و0.75 مع الانحدار اللوجستي، تماماً كما في لعبة المشاعر.
المزايا
- يُظهر أن ترتيب الخطوات يغيّر النتيجة: حذف كلمات التوقف قبل وسم النفي يحذف «لا» و«ماكو» نفسها.
- الفصل بين بيانات الضبط والبيانات المخفية يعلّم تجنب تسرب البيانات.
القيود
- 40 جملة اختبار عينة صغيرة: كل جملة 2.5%، وأفضل خط في التحقق المتقاطع ليس دائماً الأفضل في الاختبار (خط «كلمات + مقاطع حرفية» أعلى تحققاً 0.688 وأدنى اختباراً 0.70 من «مقاطع حرفية» 0.75).
- المشاهد اصطناعية بفئتين واضحتين، وأصعب منها الصور الحقيقية.
- النقاط تُحسب في المتصفح ولا يعيد الخادم حسابها، فلا لوحة عامة لهذه اللعبة.
التعقيد الحسابي
الترتيب الطوبولوجي O(V + E). المكونات المتصلة بالملء بالمكدس O(W·H). التحقق المتقاطع الخماسي يدرّب المصنف 6 مرات.
مقاييس التقييم
- Dice = 2|A∩B| ÷ (|A| + |B|) للأقنعة، والدقة للمشاعر.
- تحققنا أن المكونات المتصلة وملء الثقوب يطابقان SciPy، وأن دقة التحقق والاختبار تطابقان scikit-learn (28 فحصاً).
التطبيقات الواقعية
- تصميم خطوط المعالجة في الرؤية الحاسوبية الصناعية والطبية
- خطوط scikit-learn (Pipeline) في تعلم الآلة
- تعليم التحقق المتقاطع وتجنب تسرب البيانات
المراجع
- Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66.
- Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679–698.
- Rosenfeld, A. & Pfaltz, J. L. (1966). Sequential operations in digital picture processing. Journal of the ACM, 13(4), 471–494.
- Dice, L. R. (1945). Measures of the amount of ecologic association between species. Ecology, 26(3), 297–302.
- Larkey, L. S., Ballesteros, L. & Connell, M. E. (2002). Improving stemming for Arabic information retrieval: Light stemming and co-occurrence analysis. Proceedings of SIGIR 2002, 275–282.
- Kaufman, S., Rosset, S., Perlich, C. & Stitelman, O. (2012). Leakage in data mining. ACM Transactions on Knowledge Discovery from Data, 6(4), 1–21.
- Varma, S. & Simon, R. (2006). Bias in error estimation when using cross-validation for model selection. BMC Bioinformatics, 7, 91.
- Buitinck, L. et al. (2013). API design for machine learning software: experiences from the scikit-learn project. arXiv:1309.0238.
