في ظل الطلب المتزايد على بيانات دقيقة ومتصلة، يمثل تسريع عملية التعليق (Annotation) تحديًا كبيرًا خاصًة في تطبيقات علم المواد. تعتمد النماذج الحديثة من التعلم الآلي (Machine Learning) بشكل كبير على مجموعات البيانات الكبيرة والمُعَلَّمة بدقة، ومع ذلك، فإن عملية التعليق قد تتحول إلى عنق زجاجة، مما يزيد من التعقيد ويزيد من احتمالية حدوث الأخطاء البشرية.

ركزت دراسة جديدة على استخدام الخوارزميات غير المراقبة (Unsupervised Algorithms) لتحسين كفاءة التعليق في مسائل تقسيم الدلالات (Semantic Segmentation) المعقدة في علم المواد. يُعتبر هذا البحث الأول من نوعه الذي يحدد مدى سرعة تسريع عملية التعليق باستخدام هذه الخوارزميات.

بالاعتماد على الخوارزميات الحديثة، تم تقليص الوقت المستغرق لعملية التعليق من 170 ساعة إلى 37 ساعة، مما يُمثل تحسينًا يصل إلى 78%. وقد استخدمت الدراسة مجموعة بيانات تتضمن صورًا كبيرة (1280x959 و960x703) مما يزيد من تعقيد المهمة. وبالإضافة إلى ذلك، تم إنشاء ومشاركة أكبر مجموعة بيانات عامة لتقسيم المايكروستروكتور الخاص بالفولاذ، مما يساهم بشكل كبير في دعم المجتمع العلمي.

علاوة على ذلك، يُعتبر هذا العمل الأول الذي يميز بين الوقت المستغرق للتعليق من الصفر مقارنة بالوقت المستغرق عند استخدام الخوارزميات غير المراقبة كخطوة أولية.

تماشياً مع هذا النجاح، تم توفير نموذج تعلّم عميق (Deep Learning) مُدرب على هذه المجموعة، وتمت مراجعته من قبل خبراء في المجال، مما يضفي مزيدًا من القيمة على هذا البحث ويشكل نقطة انطلاق مهمة لمجموعات البيانات العامة المستقبلية.