يعتبر التعلم من أمثلة محدودة التحدي الأساسي في تعلم الآلة، خاصة في المجالات التي يكون فيها وضع العلامات مكلفاً، مثل مراقبة الحشود خلال الحج والعمرة. في هذه الدراسة، نقدم نتائج مهمة حول فعالية نماذج الأسس (Foundation Models) في تصنيف حالة الحشود، حيث تكمن قوتها في القدرة على التنبؤ من خلال عدد قليل من الأمثلة دون الحاجة لتدريب خاص بالمهام.

قمنا باختبار هذه النماذج مقابل الأساليب التقليدية لتحديد مدى قدرتها على التعامل مع نقص العلامات. من خلال تحليل ثلاثة مجموعات بيانات حقيقية، قمنا بتقييم نماذج تعلم آلة تقليدية، سواء في صورها غير المضبوطة أو المضبوطة، إلى جانب ثلاثة نماذج أساس.

أظهرت النتائج أنه لا يوجد عائلة واحدة من النماذج تفوق الأخرى في جميع الحالات. يعتمد الاختيار الصحيح على ميزانية العلامات المتاحة. عندما تكون العلامات نادرة، تتفوق نماذج الأسس. وعندما تزداد العلامات، تلحق النماذج التقليدية المضبوطة بها وتتجاوزها بشكل كبير، خاصة في الحالات الأكثر هيكلية.

بالإضافة إلى ذلك، يكشف تحليل الكفاءة بين الأساليب أنهم يفترقون أكثر في حيث أن النماذج التقليدية تحتاج إلى تكلفة ضبط كبيرة، بينما تتمكن نماذج الأسس من تفادي هذه التكاليف، على الرغم من أنها تعيد معالجة سياقها في كل تنبؤ.

تساعد هذه النتائج المجتمع العلمي على تقديم خريطة عملية لاختيارات النماذج المناسبة بناءً على ميزانية العلامات وميزانية الحوسبة المتاحة.