في مجال الذكاء الاصطناعي، تعد تقنيات التوجيه الضعيف (Weakly Supervised Learning) حجر الزاوية في تطوير نماذج يمكنها القيام بمهام معقدة كتحليل الصور دون الحاجة إلى كميات ضخمة من بيانات التصنيف الدقيقة. يعتمد هذا النوع من التعلم على العلامات الجزئية أو الخشنة، مثل الصناديق المحيطة (bounding boxes) أو الخطوط العشوائية (scribbles).

أحدث الأبحاث، التي تم نشرها حديثًا، تركز على دمج نماذج قوية مثل نموذج تقسيم كل شيء (Segment Anything Model - SAM) مع أساليب جديدة لتوليد علامات موازية (pseudo-labels). رغم أن هذه العمليات كانت تعتمد في الماضي على اختيارات عشوائية وغير موجهة، بدأت الدراسة الجديدة في استخدام نهج عصبي-رمزي (neurosymbolic) يجمع بين المنطق الضبابي القابل للتفريق (differentiable fuzzy logic) ونماذج التقسيم العميق.

يتم توحيد العلامات الضعيفة والمعرفة المسبقة الخاصة بالمجال كقيود منطقية مستمرة، مما يسمح بتحسين دقيق لنموذج SAM تحت إشراف ضعيف. النتائج تبين أن هذا التحسين يؤدي إلى زيادة جودة العلامات الموازية، وبالتالي تحسين دقة نماذج التقسيم اللاحقة بشكل ملحوظ

في تجارب أجريت على مجموعة بيانات Pascal VOC 2012 وأخرى خاصة بتقسيم أكواب وأقراص العيون REFUGE2، أثبتت التقنية الجديدة قدرتها على تجاوز دقة النماذج الخاضعة للإشراف الكثيف، مما يجعلها خطوة هامة نحو مستقبل أكثر دقة وفاعلية في مجال رؤية الكمبيوتر.