نماذج CNN المتخصصة مقابل نماذج LLM الرائدة في تصنيف الصور

أجرى طبيب أمراض جلدية مؤخرًا تجربة عرض فيها 200 آفة جلدية مؤكدة بالخزعة على نموذجين من أحدث نماذج LLM، وعلى نسخة مُعدّلة (fine-tuned) من Inception v3، وهي شبكة عصبية التفافية نشرتها Google قبل نحو عقد. أصابت الشبكة في 62% من التشخيصات، بينما لم تتجاوز كل من نماذج LLM نسبة 42%. وفي حالة الميلانوما تحديدًا، وهي التشخيص الذي لا تريد أن تفوته بأي حال، فازت الشبكة القديمة أيضًا. إذا كان عملك يتضمن تصنيف الصور بأي حجم، فهذه النتيجة تستحق أن تعيد النظر في طريقة تفكيرك في قرار الاختيار بين النموذج المتخصص ونموذج LLM، فالقصة في الحقيقة ليست طبية، بل هي قصة اختيار الأداة المناسبة.

المشكلة: تصنيف الصور يبدو سهلًا على نماذج LLM، لكنه ليس كذلك

هذا هو الفخ الذي يقع فيه المهندسون الأذكياء مرارًا. نماذج الذكاء الاصطناعي الرائدة تكتب الشيفرة، وتلخص العقود، وتجتاز امتحانات المحاماة، فيبدو من المستفز تقريبًا أن نقول إنها لا تستطيع النظر إلى صورة واختيار إحدى ست فئات. التصنيف هو «مرحبا بالعالم» في تعلم الآلة، ولا بد أن أكبر النماذج قادرة عليه.

لكن انظر إلى ما يعنيه التصنيف فعليًا. لديك مجموعة تسميات ثابتة وعادةً صغيرة. ولديك توزيع مدخلات متكرر. وتحتاج إلى حد قرار يضع الحالات الدقيقة عالية المخاطر في الجانب الصحيح منه، باستمرار وفي كل مرة. وهذا الجزء الأخير هو ما تفشل فيه نماذج LLM متعددة الوسائط. فهي لم تُدرَّب على تمييز الفروق الدقيقة داخل مجال بصري ضيق، بل دُرِّبت على قول شيء معقول عن أي صورة نُشرت على الإنترنت تقريبًا.

نتائج سرطان الجلد تجسد هذا الأمر بطريقة مزعجة. فقد شخّص أحد النماذج 75 آفة من أصل 200 على أنها سرطان الخلايا القاعدية، والحقيقي منها 25 فقط، من بينها 14 حالة من أصل 30 ميلانوما. أما النموذج الآخر فأولع بالتقرن الشعاعي، إذ وصفه 53 مرة مقابل 20 حالة حقيقية. هذه ليست أخطاءً عشوائية. إنها بصمة نموذج قرأ الكثير عن الأمراض الجلدية، ورأى ما اتفق أن يكون في بيانات التدريب الضخمة من صور الآفات، ويطابق النمط بأقرب إجابة تبدو محتملة بدلًا من أن يحسب الإجابة فعلًا.

النموذج الذي قرأ كل كتاب مدرسي ليس هو نفسه النموذج الذي رأى 68,000 مثال موسوم للشيء بالضبط الذي تسأله عنه.

المحاولة الفاشلة الأولى: اسأل النموذج الرائد مباشرةً

الخطوة الطبيعية الأولى هي ما جربه الطبيب: تزويد نموذج LLM بالصور، وطلب التشخيص مع درجة ثقة وخيار ثانٍ. وهذا اختبار عادل، فهكذا يستخدم الطبيب هذه الأدوات فعلًا. وأنماط الفشل التي تظهر مفيدة للغاية.

أولًا، درجة الثقة بلا معنى. ففي إحدى الحالات صنّف نموذج LLM ورمًا خبيثًا رقيقًا منخفض الصبغة على أنه سرطان خلايا قاعدية بثقة 95%. هذا الرقم يُولَّد بالطريقة نفسها التي يُولَّد بها التشخيص: بمعقولية. لا يوجد احتمال معاير خلفه. وإذا كان منطق الفرز لديك يعتمد على عتبة الثقة، وهذا ما تفعله معظم أنظمة الفرز، فأنت تضع العتبات على خيال.

ثانيًا، الأخطاء ليست محافظة. كل تشغيل يحدث مرة واحدة، والإجابات تختلف بين التشغيلات، وهذا أمر بالغ الأهمية لأي شيء ستضعه في خط معالجة. المصنّف المتخصص يعطيك القيم اللوغاريتمية نفسها للمدخل نفسه في كل مرة، بينما يعطيك نموذج LLM عينة من توزيع على الإجابات. بالنسبة لأداة دعم القرار، عدم الحتمية مسؤولية وليست سمة ثانوية.

ثالثًا، وهذه هي النقطة الدقيقة، كانت نماذج LLM ممتازة في المهمة المجاورة. فحين سُئلت بصفتها مريضًا: «هل أحتاج إلى رؤية طبيب؟»، أجابت بنعم في 98 إلى 99 حالة من أصل 100 ميلانوما مؤكدة بالخزعة، وفي شبه كل آفة غير ضارة أيضًا. هذا سلوك نموذج تدرب على نصوص طبية: الميل نحو الطبيب دائمًا. مفيد لشاشة فرز في روبوت محادثة، وعديم الفائدة للتمييز، وهو المهمة الفعلية.

المحاولة الفاشلة الثانية: افتراض أن الأكبر يعني الأفضل في كل شيء

هناك فشل أعمق لا يظهر في التجربة نفسها: الافتراض بأن الحجم بديل عن الملاءمة. فنموذج LLM الرائد يملك، بتحفظ، آلاف الأضعاف من المعاملات مقارنةً بنحو 24 مليون معامل في Inception v3. ولا يُخصَّص أي جزء من هذه السعة للتمييز بين التقرن الدهني والسرطان الحرشفي على مستوى البكسل. بالنسبة للنموذج، الأمراض الجلدية قطرة في محيط من بيانات التدريب، والصور بالمنظار الجلدي، وهي الوسيلة التي تحمل معظم الإشارة التشخيصية، أندر من ذلك بكثير.

وهذا هو السبب نفسه الذي يجعل شبكة لعب الغو التي تضم 30 مليون معامل تتفوق على أي نموذج LLM في لعب الغو بفارق مبالغ فيه. وهو أيضًا سبب تضليل الاختبارات المعيارية للفرق بشأن المواضع التي تفيد فيها نماذج LLM فعلًا في الإنتاج، وهي نقطة تناولناها عندما نظرنا في لماذا تُغفل اختبارات الذكاء الاصطناعي معظم العمل الحقيقي. فالقدرة بمعناها الاحتمالي («يستطيع النموذج أحيانًا فعل هذا») ليست هي القدرة بمعناها الهندسي («ينجز النموذج هذا بموثوقية تكفي للبناء عليها»).

هناك قاعدة إرشادية مفيدة في النقاش المحيط بهذه التجربة: من المرجح أن يكون نموذج LLM الرائد جيدًا فعلًا في مهمة ما إذا كانت هذه المهمة ممثلة بكثافة في التدريب المسبق (مثل الشيفرة والإنجليزية اليومية)، أو إذا خضع لتدريب لاحق خاص عليها بالتعلم المعزز. وفيما عدا ذلك، توقع أداء عبقري عام قرأ بضعة كتب وهو واثق من نفسه. والتشخيص البصري للحالات النادرة يقع بوضوح في الفئة الثانية.

ما ينجح فعلًا: نموذج صغير مُعدّل بدقة على التوزيع المحدد

والآن الجزء الذي ينبغي أن يُحرج من يظن أن النماذج المتخصصة تحتاج إلى مختبر بحثي. الشبكة الفائزة لم تكن الأحدث تقنيًا، بل كانت Inception v3، وهي بنية أساسية، دُرِّبت مسبقًا على صور فوتوغرافية عادية، ثم عُدِّلت من البداية إلى النهاية على 68,011 صورة للأمراض الجلدية من أرشيف عام، على وحدة معالجة رسومية H100 واحدة، في نحو عشرين دقيقة. وبُذلت عناية لإزالة كل صورة للآفات المختبَرة ومرضاها من بيانات التدريب. والنتيجة تعمل في متصفح الهاتف عبر WebGPU دون رفع أي شيء.

عشرون دقيقة على وحدة معالجة رسومية واحدة. قارن ذلك بتكلفة تشغيل نموذج متعدد الوسائط رائد على مجموعة صورك بالحجم الإنتاجي، لكل صورة، إلى الأبد. النموذج المتخصص ليس أدق فحسب، بل هو أرخص بعدة مراتب من الحجم، وحتمي، وقابل للتدقيق، وصغير بما يكفي لشحنه إلى الأجهزة الطرفية. وإذا استطعت صياغة مشكلتك على أنها N تسمية فوق توزيع مدخلات ثابت، ولديك بيانات موسومة أو تستطيع الحصول عليها، فالمصنّف المُعدّل يفوز في شبه كل جانب يهم في الإنتاج.

النسخة الحديثة من هذا الأسلوب لا تتطلب حتى شبكة CNN قديمة. فالمحولات البصرية الصغيرة، ونماذج التضمين مثل مشفرات الصور الطبية من Google، أو رأس مُعدّل فوق عمود فقري مُدرَّب مسبقًا، ستوصلك إلى أبعد. الفكرة ليست الحنين إلى Inception v3، بل أن بنية من عام 2015 تكفي فعلًا للتفوق على نماذج تملك أربع مراتب من الحجم في الحوسبة، وهذا يخبرك أين يقع الاختناق الحقيقي. إنها الملاءمة للمهمة، لا حجم الشبكة.

# The specialist path in miniature: a frozen backbone + a small head
import torch
import torch.nn as nn
from torchvision import models
# A decade-old backbone is fine. Seriously.
backbone = models.inception_v3(weights="IMAGENET1K_V1")
in_features = backbone.fc.in_features
backbone.fc = nn.Linear(in_features, 6)  # your six labels
# Fine-tune everything on your labelled domain images.
# On one H100, tens of thousands of images: tens of minutes.
optimizer = torch.optim.AdamW(backbone.parameters(), lr=1e-4)
loss_fn = nn.CrossEntropyLoss()  # a *calibrated* probability lives here

وإذا كانت مجموعة التسميات ثابتة لكنك تفضل إبقاء نموذج LLM في الحلقة من أجل سير العمل المحيط، فالطريقة الصادقة لذلك هي تقييد مخرجاته بقرار بدلًا من الوثوق بنصه الحر، وهو المنطق نفسه وراء فك الترميز المقيّد لتحويل نماذج LLM إلى نماذج قرار. أما بالنسبة للتصنيف نفسه، فإن رأسًا مدربًا لا يزال يفوز.

إطار قرار: متى يفوز المتخصص ومتى يفوز نموذج LLM

بعد سنوات من مراقبة فرق تتخذ هذا القرار بشكل سيئ، هذا هو الإطار الذي أستطيع الدفاع عنه فعلًا. اطرح أربعة أسئلة:

1. هل مجموعة التسميات ثابتة وصغيرة؟ إذا استطعت تعداد الإجابات، فالمصنّف هو الشكل الصحيح في الغالب. تكسب نماذج LLM قيمتها عندما يكون ناتج المخرجات مفتوحًا: تلخيص، وشرح، وحوار، وشيفرة.
2. هل توزيع المدخلات مستقر؟ النموذج المُعدّل على صور المنظار الجلدي ممتاز مع صور المنظار الجلدي، لكنه تائه أمام صورة تحتوي على وشم ومسطرة وفنجان قهوة. إذا كانت مدخلاتك غير منضبطة، فلمتانة النموذج العام قيمة حقيقية.
3. هل لديك بيانات موسومة، أو هل تستطيع الحصول عليها؟ هذا هو المفترق الحقيقي. مع أكثر من 10 آلاف مثال موسوم، يصبح التعديل شبه مجاني ويتفوق على غيره. ومن دونها، قد يكون التخمين دون تدريب من نموذج LLM نقطة بداية جيدة، لكن عامله كأداة لبناء بيانات الوسم، لا كإجابة إنتاجية.
4. ما تكلفة الخطأ، وهل تحتاج إلى معايرة؟ القرارات عالية المخاطر التي تعتمد على عتبات تحتاج إلى احتمالات حقيقية ومخرجات حتمية. وهذا يستبعد استدعاءات LLM العادية تمامًا.

طبّق حالة سرطان الجلد على هذا الإطار: مجموعة من ست تسميات ثابتة، وسير عمل تصويري سريري مستقر، و68 ألف صورة عامة موسومة، وأخطاء تتعلق بالحياة أو الموت. أربعة من أربعة. لم تكن لنموذج LLM أي فرصة، والمفاجأة ليست أنه خسر، بل أن أحدًا توقع غير ذلك.

التحفظات الصادقة، لأن الواقعية تعمل في الاتجاهين

سأكون مقصرًا في حقك لو اكتفيت بقول «النماذج الصغيرة تفوز». فنقاط قوة المصنّف المُعدّل هي نفسها مكمن هشاشته. لقد قورن بنموذج عام غير مُعدّل على بيانات من التوزيع نفسه الذي تدرب عليه. وحين تنقله إلى الواقع، بكاميرات مختلفة، ودرجات بشرة نادرة في الأرشيف، وصور فيها عوائق أو تعليقات توضيحية، ينخفض أداؤه بطرق لا يتعامل معها التدريب الواسع لنموذج LLM أحيانًا بشكل أفضل. النموذج العام يفشل بشكل متوقع داخل التوزيع، أما المتخصص فيفشل بشكل كارثي خارجه.

وهناك أيضًا مهمة لا يستطيع المصنّف القيام بها على الإطلاق: بقية الطب. وكانت النتيجة الثانوية الأكثر إثارة في التجربة نفسها أن نماذج LLM، حين زُوِّدت بملاحظات دورية وتاريخ مرضي والقدرة على طرح الأسئلة، استطاعت أن تسهم بمعقولية في التفسير والتواصل والإدارة، أي كل ما يأتي بعد التسمية. الشبكة العصبية التلافيفية تُخرج ست قيم لوغاريتمية فقط، ولن تشرح تفكيرها لمريض قلق، ولن تلاحظ أن خطاب الإحالة يتناقض مع الصورة.

وانتبه إلى أمانة الدراسة نفسها: أحدث أنظمة الذكاء الاصطناعي في الأمراض الجلدية ليست Inception v3 منفردة، بل تجميعات من المحولات البصرية المدربة على بيانات أكثر بكثير، والمنتجات المنظمة المبنية بهذه الطريقة تحقق أداءً أفضل بكثير. واتجاه الحركة في هذا المجال هو نماذج متخصصة أكبر، لا نماذج عامة، وهذا يعزز الفكرة بدلًا من أن يضعفها.

الخلاصة الحقيقية: نماذج LLM لبناء المصنّف، لا لتكون هي المصنّف

أكثر الملاحظات حدة في هذه القصة كلها هي ما أعود إليه باستمرار: نماذج LLM دفعت تكلفة بناء المصنّفات المخصصة نحو الصفر. كتابة سكربت التعديل، وتنظيف مجموعة البيانات، وبناء إطار التقييم، وإنشاء واجهة الوسم، هذا بالضبط العمل الذي تتفوق فيه نماذج LLM حقًا في تسريعه. حتى تحليل الطبيب نفسه أُنتج بأداة برمجة بالذكاء الاصطناعي. فالنموذج العام هو الذي بنى التجربة وسجّل نتائجها، والنموذج المتخصص هو الذي فاز بها.

هذا هو المعمار الذي أوصي به افتراضيًا الآن: نموذج LLM في الحلقة من أجل التطوير، وعمل البيانات، وفرز الحالات الاستثنائية، وطبقة الشرح الموجهة للإنسان؛ ونموذج صغير مُعدّل للقرار المتكرر عالي الحجم وعالي المخاطر نفسه. ونلاحظ النمط نفسه من ناحية الكفاءة، فالقصة المثيرة غالبًا ليست في النموذج الرائد بل في الفئة الاقتصادية التي تقوم بعمل حقيقي، كما في نماذج الفئة السريعة وكفاءة الاستدلال. طابق النموذج مع شكل المشكلة، وستتبخر معظم شكاوى «الذكاء الاصطناعي لا يعمل».

الآلة الحاسبة تتفوق على كل نموذج LLM في القسمة، ولا أحد يكتب منشورات متحمسة عنها. ومصنّف مُعدّل يتفوق على روبوت محادثة في التصنيف هو القصة نفسها بمزيد من المعاملات. والسبب الوحيد لدهشة أحد من ذلك هو أننا أمضينا عامين نسمع أن الحجم يُلغي الحاجة إلى التخصص. وهو لا يفعل ذلك. إنه فقط يجعل التخصص أرخص في البناء، إذا كنت مستعدًا للجوء إلى الأداة البسيطة المملة.