وقد أدى التعلُّم العميق إلى تغيير المشهد الهندسي، مما يتيح للنظم التي تُعنى بالكشف عن أوجه الشذوذ في الصحة الهيكلية، وتُحدِّد التصميمات الهوائية إلى أقصى حد، وتتوقع حدوث إخفاقات في المعدات قبل حدوثها، وقدرة هذه الشبكات على تعلم العلاقات المعقدة وغير المباشرة من البيانات الخام، مما جعلها أداة لا غنى عنها في ميادين تتراوح بين الهندسة المدنية والفضاء الجوي والتصنيع، ومع ذلك، فإن وجود اختناقات المستمرة تحد من نطاق واسع في مجال الاعتماد في مجال الهندسة الحقيقية:

فهم سكارة البيانات في الهندسة

ونادرا ما تكون ندرة البيانات في السياقات الهندسية مسألة بسيطة جداً، وهي مسألة منهجية قائمة على طبيعة النظم الهندسية، وقيود الانتشار في العالم الحقيقي، وتكاليف الحصول على الحقيقة الأرضية، وفي العديد من التطبيقات الهندسية، فإن جمع البيانات يعوقه القيود المادية، والشواغل المتعلقة بالسلامة، والحواجز التي تُملك الملكية، وعلى سبيل المثال، لا يؤدي جمع بيانات الفشل في البنية التحتية الحيوية مثل الجسور، أو الترابينات، أو الطائرات إلى سنوات

وتسهم العوامل التالية في مشكلة شح البيانات في مجال الهندسة:

  • ][ تيسير الوصول إلى البيانات المتعلقة بممتلكات الملكية: ][ الشركات الهندسية تعامل البيانات التشغيلية بوصفها ملكية فكرية، وتقاسم البيانات بين المنظمات - حتى في حالة البحوث التعاونية - كثيرا ما تكون مقيدة بالشواغل القانونية والتنافسية، مما يخلق صوامع بيانات معزولة.
  • تكلفة التوسيم والشروح: على عكس بيانات الصور على الإنترنت التي يمكن تسميتها عن طريق مصادر الحشد، تحتاج البيانات الهندسية إلى خبرة في مجال العمل، ووسم شق واحد في مجهر معدني ذو استبانة عالية قد يتطلب معالجاً للميكروغرامات، وعلامات حساسية دينامية لكشف الأخطاء
  • Rare or extreme events:] Many engineering deep learning models aim to predict failures (e.g., compressor rise in gas turbines, crack propagation in concrete). These events occur infrequently and are difficult to reproduce under controlled conditions, resulting in severely imbalanced datasets.
  • Physical and safety constraints:] Running experiments to generate more data may be impossible due to cost, time, or risk. For example, crash testing automobiles or simulatingزل responses on full-scale structures cannot be done at scale.
  • System complexity and non-stationarity:] Engineering systems often operate under varying conditions (load, temperature, humidity). A model trained on data from one season or operating regime may not generalize to another, effectively making the available data even more sparse when stratified by operating condition.

آثار سجّالة البيانات على نماذج التعلم العميق

وعندما تكون بيانات التدريب محدودة، لا يمكن التنبؤ بشكل غير متوقع بنماذج التعلم العميق - خاصة تلك التي لها ملايين البارامترات - تتجاوز آثارها مقاييس دقيقة بسيطة؛ وهي تؤثر على السلامة والقوة والفوائد العملية للنموذج في صنع القرارات الهندسية.

التغلغل في الملاءمة وسوء التوحيد

فالإفراط في الملاءمة يحدث عندما يحفظ نموذج العينات التدريبية بدلا من تعلم الأنماط الأساسية، مع البيانات الشحيحة، قد تكون قدرة النموذج على الإفراط في الصلاحية متضخمة، وقد يحقق نموذجاً مزيفاً للأداء شبه المناسب على مجموعة التدريب، ولكنه يفشل بشكل كارث في المدخلات الجديدة وغير المتوقعة، ففي الهندسة، حيث كثيراً ما تنطوي القرارات على نظم حيوية مسببة للسوء، فإن هذا الفشل غير مقبول.

عدم القدرة على تعلم الرسومات الروبوتية

فالتعليم العميق يزدهر في التسلسل الهرمي للملامح الرفيعة المستوى، وعندما تكون البيانات شحيحة، لا يمكن للنموذج أن يتعلم بشكل موثوق السمات التمييزية، بل إنه يلتقط علاقات راقية تحدث في التدريب المحدود الذي يتم على سبيل المثال، ويجمع لون خلفي محدد في صورة ميكانيكية ذات شدة، مع وجود عيب مادي، بدلاً من وضع نماذج حرارية فعلية، وهذا الافتقار إلى القدرة يعني أن النموذج لا يُسمح له بالإنصاف.

انخفاض الافتراض

وتعاني القياسات الكمية مثل الدقة والتذكر والفلور من ارتفاع أسعار البيانات، والأهم من ذلك أن معايرة الثقة تصبح غير موثوقة، وقد يؤدي نموذج إلى تحقيق درجة عالية من الثقة حتى بالنسبة للتنبؤات الخاطئة، والمهندسين الرئيسيين للثقة بالنواتج غير الصحيحة، وفي التطبيقات مثل الصيانة المتوقعة، يمكن أن يؤدي ذلك إلى عدم وجود نوافذ صيانة أو استبدال غير ضروري، يؤثر كلاهما تأثيرا مباشرا على تكاليف التشغيل والسلامة.

زيادة عدم اليقين في صنع القرار

إن شح البيانات يؤدي في جوهره إلى زيادة عدم اليقين الوبائي بسبب عدم المعرفة بالنموذج الحقيقي، وبدون بيانات كافية لتضييق الحيز الافتراضي للنموذج، تصبح التنبؤات غير مؤكدة إلى حد كبير، فالمهندسين الذين يعتمدون على نماذج التصميم الأمثل أو تقييم المخاطر يتركون بفترات ثقة واسعة تجعل الناتج عديم الجدوى عمليا، وفي بايزيا، لا يزال التوزيع الداخلي واسع النطاق، ولا يوفر سوى القليل من الرؤية العملية.

الاستراتيجيات الرئيسية للتغلب على سكارة البيانات

وعلى الرغم من التحديات، فقد وضعت أوساط التعلم الهندسي العميق مجموعة أدوات قوية لمكافحة شح البيانات، وتتراوح هذه الاستراتيجيات بين النهج المحضة التي تركز على البيانات (التعريف، والتوليد الاصطناعي) وبين النهج التي تركز على الخوارزميات (التعلم عن طريق النقل، والنماذج المزودة بالمعلومات الفيزيائية)، وغالبا ما تجمع الحلول الأكثر فعالية بين تقنيات متعددة في خط أنابيب مصمم خصيصا لذلك.

تعزيز البيانات المتعلقة بالدومن الهندسية

:: توسيع نطاق التدريب المصطنع باستخدام التحولات إلى العينات الموجودة مع الاحتفاظ بالعلامات، وفي المهام الهندسية القائمة على الصور (مثل الكشف عن الاختلالات في الخرسانة، والتصنيفات العيوب على سطح المعادن)، تشمل الزيادة القياسية التناوب العشوائي، والتقلبات، والتفاؤل، والاختلاط في أجهزة قياس الضوضاء، كما أن زيادة عدد المعالم ذات قوة: بالنسبة لبيانات الاختلاط الزمني (ال).

Transfer Learning and Domain Adaptation

(أ) أن تكون البيانات المُعدّة (التحويلات) مُعدّلة على نطاق واسع ومتصلة به، وأن تكون مُعدّلة حسب نوعها، وأن تكون البيانات المُعدّلة حسب النطاقات الصناعية (الخاصة) مُعدّلة بشكل أفضل، أو مُنَظَّمة على أساس التشخيصات الافتراضية، أو على شكل نماذج مُعدّلة حسب نوعها.

توليد البيانات الاصطناعية عن طريق المحاكاة والشبكة العالمية

وعند شح البيانات الحقيقية، يمكن توليد البيانات الاصطناعية عن طريق المحاكاة القائمة على الفيزياء أو نماذج التعلم العميقة السخية، وتستلزم نماذج ذات طابع محدود جداً، وديناميات السوائل المحوسبة المحوّلة، وأجهزة البرمجيات المتعددة الأجساد إمكانية إنتاج بيانات مسمّاة لأي سيناريو هندسي تقريباً، من توزيع الإجهاد إلى عوامل متجانسة في الهواء.

شبكات الظواهر العصبية المُطلعة على الفيزياء

فالشبكات العصبية المزودة بالمعلومات الفيزيائية التي تدمج معادلة التفاضلية الجزئية في العادة في وظيفة الخسارة، مما يقلل من كمية البيانات المطلوبة، وبدلاً من الاعتماد فقط على نماذج المدخلات والنواتج المعتادة، فإن الشبكة الوطنية للمعلومات الحيوية قد تكون مصممة على نحو أفضل لتلبية المعادلات الإدارية، وظروف الحد، وقوانين الحفظ.

قلة من التعلم والتعلم

ويهدف التعلم من الطلقات الخفيفة إلى تدريب نماذج يمكن أن تُعمم من مجموعة من الأمثلة على كل درجة، أما خطاء " خطوبة " (MAML) فهي تُدرِج نموذجاً في العديد من المهام بحيث يمكن أن تتكيف بسرعة مع مهمة جديدة مع خطوات قليلة متدرجة، وفي مجال الهندسة، فإن الشبكات النموذجية أو نماذج التعلم من خلال نسبة تتراوح بين 92 و10 في المائة فقط من نماذج التشخيص

تبادل البيانات التعاونية والتعلم الموحد

أما بالنسبة للعديد من المنظمات الهندسية، فإن مشكلة شح البيانات ليست مطلقة ولكن لكل كيان جماعي مجموعة بيانات خاصة صغيرة تكفي، عند الجمع، لتدريب نماذج قوية، حيث أن تبادل البيانات التعاونية، التي تحكمها اتفاقات استخدام البيانات، يمكن أن يجمع العينات من مواقع متعددة أو مرافق أو شركات، مثلاً نماذج الصيانة المتوقعة للتركيبات الريحية التي يمكن أن تستفيد من بيانات الكشف عن الظواهر الارتعاشية التي تجمع في عدة مزارع ريحية.

النهج الهجينة والتجمعية

وفي كثير من الأحيان، لا يكفي أسلوب واحد، إذ إن الجمع بين الأساليب - مثل استخدام زيادة البيانات لتوسيع مجموعة بيانات حقيقية صغيرة، ثم إضافة نظام مزود بالفيزياء - في شكل نتائج أقوى، وتحد من نماذج التكوينات الأساسية، وتزيد من حجم النماذج المتطورة التي تستخدمها الغابات.

خاتمة

إن ندرة البيانات لا تزال تمثل تحديا هائلا في نشر التعلم العميق في التطبيقات الهندسية، ولكنها ليست عملية لا يمكن التغلب عليها، حيث أن مجموعة واسعة من الاستراتيجيات التي تنجم عن زيادة البيانات وتحويلها إلى شبكات مجزية ذات معلومات برمجية ومهندسين تعاونيين يقدمون البيانات لديهما نظام إيكولوجي غني من الأدوات لبناء نماذج فعالة حتى عندما تكون البيانات محدودة.