تسريع عملية التعلم النشط لتصنيف الأعراض الطبية باستخدام أدالا وجوجل جيميني

هذا البرنامج التعليمي يوضح كيفية الاستفادة من إطار عمل أدالا (Adala) لبناء خط أنابيب مُدوّل للتعلم النشط، مُخصص لتصنيف الأعراض الطبية. سنبدأ بتثبيت أدالا والتحقق من تثبيت التبعيات اللازمة، ثم ندمج جوجل جيميني (Google Gemini) كأداة مُخصصة لتصنيف الأعراض ضمن مجالات طبية مُحددة مسبقاً. من خلال ثلاث دورات مُبسطة من حلقة التعلم النشط، مع إعطاء الأولوية للأعراض الحرجة مثل ألم الصدر، سنرى كيفية تحديد و تصنيف و تصور ثقة التصنيف، مما يُتيح لنا رؤى عملية حول سلوك النموذج وهندسة أدالا القابلة للتوسيع.

تثبيت وتحقق من تثبيت أدالا والتبعيات

سنبدأ بتثبيت أحدث إصدار من أدالا مباشرةً من مستودعها على جيثب:

pip install -q git+https://github.com/HumanSignal/Adala.git
pip list | grep adala

بعد ذلك، نتحقق من تثبيت أدالا بنجاح عن طريق البحث عن “adala” في قائمة حزم بيئتك:

print("Python path:", sys.path)
print("Checking if adala is in installed packages...")
find /usr/local -name "*adala*" -type d | grep -v "__pycache__"
git clone https://github.com/HumanSignal/Adala.git
ls -la Adala

أخيراً، نضيف مسار مجلد أدالا إلى مسارات Python:

import sys
sys.path.append('/content/Adala')

دمج جوجل جيميني وتجهيز البيئة

نقوم بتثبيت مجموعة أدوات جوجل جيميني للذكاء الاصطناعي التوليدي بالإضافة إلى مكتبات تحليل البيانات والرسم البياني:

pip install -q google-generativeai pandas matplotlib

ثم نقوم باستيراد الوحدات الأساسية:

import google.generativeai as genai
import pandas as pd
import json
import re
import numpy as np
import matplotlib.pyplot as plt
from getpass import getpass

بعد ذلك، نُنشئ مُنشئ جيميني ونُحدد مفتاح API الخاص بك:

GEMINI_API_KEY = getpass("Enter your Gemini API Key: ")
genai.configure(api_key=GEMINI_API_KEY)

إنشاء مُنشئ جيميني المُخصص

نقوم بتعريف قائمة الفئات الطبية وإنشاء فئة GeminiAnnotator لتغليف نموذج جوجل جيميني التوليدي لتصنيف الأعراض:

CATEGORIES = ["Cardiovascular", "Respiratory", "Gastrointestinal", "Neurological"]

class GeminiAnnotator:
    # ... (تعريف الفئة كما هو موضح في النص الأصلي) ...

حلقة التعلم النشط

نقوم بتعريف قائمة من الأعراض النصية ونُطبق حلقة التعلم النشط:

sample_data = [
    "Chest pain radiating to left arm during exercise",
    "Persistent dry cough with occasional wheezing",
    # ... (باقي البيانات) ...
]

# ... (باقي الكود كما هو موضح في النص الأصلي) ...

عرض نتائج التصنيف

نستخرج تسميات الفئات المُتنبأ بها ودرجات ثقتها، ونستخدم Matplotlib لرسم مخطط شريطي عمودي:

# ... (الكود كما هو موضح في النص الأصلي) ...

الخاتمة

من خلال دمج أدوات أدالا مع قوة جوجل جيميني التوليدية، قمنا ببناء سير عمل مُحسّن يُحسّن جودة التصنيف بشكل تكراري. يمكنك بسهولة استبدال النماذج الأخرى، أو توسيع مجموعة الفئات، أو دمج استراتيجيات تعلم نشط أكثر تقدماً للتعامل مع مهام التصنيف الأكبر والأكثر تعقيداً.

المصدر: MarkTechPost