اگر شما هم برنامه‌نویسی هستید که در «جهنم آموزش‌ها» گیر کرده‌اید و تئوری‌ها را می‌خوانید اما کد نمی‌زنید، باید بدانید که یک تجربه‌ی چهارروزه با FastAI راه خروج را نشان می‌دهد. در این مسیر، هدف رسیدن به بهره‌وری کامل نیست، بلکه حفظ مسیر پس از یک شکست یا توقف ناگهانی است.
بسیاری از یادگیرندگان در «تله‌ی تئوری» می‌افتند؛ یعنی هفته‌ها می‌خوانند اما چیزی نمی‌سازند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مسیرهای یادگیری ماشین اشاره کردیم، شکاف میان فهم یک مفهوم و اجرای یک مدل، جایی است که یادگیری واقعی اتفاق می‌افتد. در این رویکرد، ساخت یک طبقه‌بندی‌کننده تصویر (Image Classifier) — شبیه کسی که عکس‌ها را می‌بیند و آن‌ها را در پوشه‌های «سگ» و «گربه» می‌گذارد — جایگزین خواندن چندین فصل کتاب می‌شود.
به نقل از گزارش این توسعه‌دهنده، او بین ۱۷ تا ۲۰ مه ۲۰۲۶، ماژول‌های ۱، ۲ و ۳ دوره FastAI را طی کرد و دو پروژه ساخت:
- یک مدل کلاسیک برای تشخیص سگ در برابر گربه.
- یک مدل تشخیص خرس برای تفکیک خرس‌های سیاه، گریزلی و خرس‌های عروسکی.
طبق گزارش این تجربه، یک مانع فنی جدی در مرحله‌ی جمع‌آوری داده‌ها ظاهر شد. دوره‌ی FastAI از سطح رایگان Bing Search API استفاده می‌کند که اکنون بدون داشتن اطلاعات کارت اعتباری فعال نیست. برای عبور از این دیوار، توسعه‌دهنده از جستجوی تصاویر DuckDuckGo از طریق پایتون استفاده کرد که برای استخراج تصاویر آموزشی کاملاً رایگان است.
این تجربه تمرکز را از «تداوم بی‌نقص» به «یادگیری مبتنی بر بازیابی» تغییر می‌دهد. با اولویت دادن به حلقه‌ی «آموزش، پیش‌بینی و ارزیابی» بر تئوری‌های عمیق، مفاهیم سریع‌تر در ذهن می‌نشینند. برای یک یادگیرنده، این یعنی یک روز «تلف‌شده» با گشت‌وگذار بی‌هدف در فضای مجازی، پیشرفت را به صفر نمی‌رساند؛ به شرطی که با یک پیروزی کوچک و ملموس دنبال شود.
گام بعدی شما
- اگر یادگیری طبقه‌بندی تصاویر را شروع می‌کنید، برای جلوگیری از توقف در مرحله‌ی API، فوراً از جایگزین DuckDuckGo استفاده کنید.
- به جای مطالعه‌ی طولانی، سعی کنید هر مفهوم تئوریک را با یک کد کوچکِ اجرا‌شونده تست کنید.
- تمرکز خود را از «تعداد روزهای متوالی مطالعه» به «تعداد خروجی‌های کوچک» تغییر دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو