نظرة على استخدام نماذج Ultralytics YOLO لاكتشاف التهديدات بالذكاء الاصطناعي

في العديد من القطاعات، يجري اعتماد الذكاء الاصطناعي (AI) لتحسين الأمن وتعزيز الكفاءة وإنشاء بيئات أكثر أمانًا. وفي أماكن مثل المكاتب والمصانع والمجمّعات والمستودعات والأماكن العامة، يعتمد تحقيق هذه الأهداف على فهم ما يحدث في الوقت الفعلي.

ولدعم ذلك، أصبحت كاميرات الأمن وأنظمة المراقبة الذكية أكثر شيوعًا. ومع ذلك، لا يكفي جمع تسجيلات الفيديو فحسب.

غالبًا ما تعتمد الأنظمة التقليدية على المراقبة اليدوية بواسطة محللين بشريين أو على قواعد محددة مسبقًا، ما يجعل التعرّف على العلامات المبكرة للخطر أمرًا صعبًا. وقد يكون تفسير كميات كبيرة من البيانات المرئية في الوقت الفعلي أمرًا معقدًا، لا سيما في البيئات المزدحمة أو الديناميكية.

هنا يصبح اكتشاف التهديدات المدعوم بالذكاء الاصطناعي أمرًا بالغ الأهمية. فمن خلال تحليل تدفقات الفيديو المباشرة، تستطيع أنظمة الذكاء الاصطناعي تحديد الأنماط والسلوكيات والمواقف التي قد تشير إلى تهديدات محتملة أو هجمات محتملة. وعلى وجه الخصوص، تُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي يمكّن هذه الأنظمة من فهم المعلومات المرئية وتحويل اللقطات الخام إلى رؤى قابلة للتنفيذ.

باستخدام تقنية الذكاء الاصطناعي للرؤية، يمكن للمؤسسات الانتقال من تدابير الأمن التفاعلية إلى الوقاية الاستباقية من التهديدات الناشئة. في هذه المقالة، سنستكشف كيفية عمل اكتشاف التهديدات بالذكاء الاصطناعي، وكيف تساعد نماذج الرؤية مثل Ultralytics YOLO26 على كشف المخاطر في وقت أبكر ودعم إنشاء بيئات أكثر أمانًا.

تحديات أنظمة الأمن التقليدية#

قبل أن نتعمق في كيفية تحسين الذكاء الاصطناعي لاكتشاف التهديدات، دعونا نلقي أولًا نظرة على التحديات التي تواجهها أنظمة اكتشاف التهديدات التقليدية.

تعتمد معظم الحلول الحالية على الإشراف البشري أو الأدوات القائمة على التواقيع، التي تكتشف التهديدات من خلال مطابقة النشاط مع تهديدات معروفة. وغالبًا ما يتطلب ذلك من فرق الأمن مراقبة موجزات كاميرات أو لوحات معلومات متعددة في الوقت نفسه لتحديد النشاط المحتمل غير المصرح به أو الانحرافات عن النشاط المعتاد.

في المنشآت الكبيرة التي تضم مئات الكاميرات، تصبح إدارة كميات هائلة من البيانات صعبة بسرعة. ونتيجة لذلك، قد يُغفل عن بعض الأنشطة، لا سيما في المناطق المعقدة مثل طوابق المصانع أو الأماكن المحظورة مثل غرف الخوادم.

ومن القيود الأخرى تأخر الاستجابة. فعادةً لا تكتشف الأنظمة التقليدية النشاط الضار إلا بعد وقوع الحدث بالفعل. ورغم أن هذا النهج مفيد لتأكيد المخاوف المعروفة، فإنه يعني عدم القدرة على الاستجابة للتهديدات في وقت مبكر.

وقد يجعل هذا التأخير معالجة المواقف التي يسهم فيها الوصول المادي، مثل الدخول إلى غرفة خوادم محظورة، في مخاوف أمنية أوسع أمرًا أكثر صعوبة، بما في ذلك التهديدات السيبرانية والهجمات السيبرانية في مراكز البيانات. وتساعد الأنظمة المدعومة بالذكاء الاصطناعي على تقليص هذه الفجوة من خلال تحديد مواطن الضعف ودعم الاستجابات الأسرع.

ما اكتشاف التهديدات بالذكاء الاصطناعي؟#

يشير اكتشاف التهديدات بالذكاء الاصطناعي إلى استخدام الذكاء الاصطناعي لتحديد المواقف التي قد تشكل مخاطر على الأشخاص أو العمليات أو البنية التحتية. وبدلًا من مجرد تخزين كميات كبيرة من بيانات الفيديو أو المستشعرات، تحلل أنظمة اكتشاف التهديدات بالذكاء الاصطناعي هذه المعلومات بنشاط لإنشاء رؤى مفيدة.

قد تشمل هذه الرؤى المراقبة الآلية، واكتشاف الحالات الشاذة، وإشارات الإنذار المبكر التي تنبه فرق الأمن إلى المشكلات المحتملة. ويؤدي هذا النهج دورًا مهمًا في سياقي الأمن السيبراني والأمن المادي على حد سواء.

يتمثل الفرق الرئيسي بين الأساليب التقليدية واكتشاف التهديدات المدعوم بالذكاء الاصطناعي في كيفية تحديد المخاطر. فعلى سبيل المثال، تعتمد الأساليب التقليدية على الأنظمة القائمة على القواعد والمراجعة اليدوية، ما يحد من قدرتها على التكيف مع التغيير.

أما أنظمة الذكاء الاصطناعي فهي أكثر قدرة على التكيف. إذ تستخدم البيانات والخوارزميات لتحليل المعلومات المرئية في الوقت الفعلي وتحديد السلوك غير المعتاد. ويساعدها ذلك على تحديد التهديدات غير المعروفة أو التهديدات الجديدة ودعم الاستجابة الأسرع للحوادث، ما يمنح فرق الأمن وقتًا أطول للتصرف، بل وحتى قبل تصعيد المواقف في بعض الحالات.

أتمتة اكتشاف التهديدات باستخدام الذكاء الاصطناعي للرؤية#

توجد أنواع عديدة من اكتشاف التهديدات بالذكاء الاصطناعي، بدءًا من تدابير الأمن السيبراني المدعومة بالذكاء الاصطناعي وصولًا إلى الأنظمة التي تراقب الأماكن المادية. وتدعم تقنيات الذكاء الاصطناعي المختلفة احتياجات مختلفة لاكتشاف التهديدات.

فعلى سبيل المثال، تُعد الرؤية الحاسوبية خيارًا مناسبًا لتحديد المخاطر المرئية في العالم الحقيقي. ويمكن رصد العديد من التهديدات المحتملة عبر الكاميرات، مثل الوصول غير المصرح به إلى المناطق المحظورة، أو الحركة غير المعتادة، أو وجود أجسام في أماكن غير متوقعة.

وعلى وجه التحديد، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 لتحليل تدفقات الفيديو المباشرة والتعرّف على الأجسام وتتبع الحركة. ويدعم YOLO26 مجموعة من مهام الرؤية، بما في ذلك اكتشاف الأجسام وتتبع الأجسام وتقسيم المثيلات.

الشكل 1. استخدام نماذج YOLO لاكتشاف المخاطر المحتملة مثل الدخان وتقسيمها (المصدر)

تتيح هذه القدرات للأنظمة تحديد الأشخاص أو المركبات أو الأجسام محل الاهتمام، وتتبع حركتها عبر المشاهد، ورصد السلوكيات التي تحيد عن الأنماط المعتادة. ومن خلال تطبيق هذه النماذج على موجزات كاميرات الأمن، يمكن للمؤسسات تجاوز المراقبة السلبية واكتساب رؤى مؤثرة حول المخاطر المحتملة أثناء تطورها.

وعند نشر هذه الأنظمة على الحافة، يمكنها العمل بزمن استجابة منخفض ومن دون اعتماد مستمر على البيئات السحابية، ما يجعلها مناسبة لبيئات العالم الحقيقي مثل المصانع والمستودعات والمجمّعات ومراكز البيانات.

كيفية استخدام نماذج Ultralytics YOLO لاكتشاف التهديدات بالذكاء الاصطناعي#

صُممت نماذج Ultralytics YOLO، مثل YOLO26، للتطبيقات الواقعية التي تكون فيها السرعة والاتساق أمرين حاسمين. ويقلل تصميم YOLO26 المدعوم على الحافة الاعتماد على مسارات المعالجة اللاحقة المعقدة، ما يسهّل دمجه في عمليات الأمن القياسية المحلية.

على غرار نماذج YOLO السابقة، دُرّب Ultralytics YOLO26 مسبقًا على مجموعات بيانات واسعة النطاق مثل COCO، ما يوفر خط أساس موثوقًا للتعرّف على أجسام مثل الأشخاص والمركبات وغيرها من الأجسام اليومية. وفي حالات استخدام اكتشاف التهديدات، يمكن ضبط YOLO26 بدقة باستخدام بيانات تدريب عالية الجودة خاصة بالتطبيق لتحديد الأشخاص في المناطق المحظورة، وتتبع الحركة عبر المناطق الآمنة، ورصد الأجسام التي تنتهك قواعد السلامة، مثل الأغراض المتروكة في مطار.

بعد التدريب، يمكن للنموذج التعميم على بيانات جديدة، ما يتيح له الحفاظ على أداء موثوق في الاكتشاف مع تغير الظروف. وعند دمجه في مسارات اكتشاف أكبر، يمكن استخدام مخرجاته لربط الاكتشافات المرئية بالإشارات الواردة من أنظمة أخرى، دعمًا للتحليل الأعلى مستوى مثل التحليل السلوكي وتحسين تقييم التهديدات.

التطبيقات الواقعية لنماذج YOLO في أدوات الأمن#

والآن بعد أن أصبح لدينا فهم أفضل لكيفية مساعدة الذكاء الاصطناعي للرؤية على تحديد المخاطر، دعونا نستعرض بعض الأمثلة الواقعية على استخدامه لاكتشاف التهديدات.

مراقبة المناطق المحظورة باستخدام YOLO#

في القطاعات الصناعية مثل التصنيع والنفط والغاز، تقتصر بعض المناطق داخل المنشآت، مثل المصانع، على الموظفين المصرح لهم فقط. وغالبًا ما يكون ذلك لأسباب تتعلق بالسلامة، إذ قد تحتوي هذه المناطق على معدات أو مواد أو عمليات خطرة تتطلب تدريبًا متخصصًا.

تُعد مراقبة الوصول إلى هذه المناطق وضمان الامتثال للوائح السلامة أمرين أساسيين لمنع الحوادث وحماية الأصول والحفاظ على استمرارية العمليات. وعامةً، تجري مراقبة هذه المناطق باستخدام مزيج من الإشراف البشري وأنظمة التحكم في الوصول وكاميرات الأمن.

ومع ذلك، تفرض هذه الأساليب قيودًا. فالإشراف اليدوي لا يتوسع بكفاءة، ولا تتتبع أنظمة التحكم في الوصول سوى نقاط الدخول، بينما تتطلب كاميرات الأمن عادةً انتباهًا بشريًا مستمرًا.

ومع ازدياد حجم المنشآت وتعقيدها، يصبح اكتشاف النشاط غير الآمن أو غير المصرح به في الوقت الفعلي صعبًا على نحو متزايد. ويمكن أن يكون الذكاء الاصطناعي للرؤية نهجًا أكثر موثوقية بكثير.

ويعمل ذلك من خلال تحليل موجزات الفيديو باستمرار لتحديد مشكلات السلامة والأمن. ويمكن دمج هذه الرؤى في مسارات العمل الحالية لاكتشاف التسلل، التي قد تطلق استجابات أو تنبيهات آلية لتمكين فرق الأمن البشرية من اتخاذ إجراء فوري.

فعلى سبيل المثال، استكشفت دراسة حديثة كيف يمكن استخدام Ultralytics YOLOv8، وهو جزء من عائلة نماذج Ultralytics YOLO، من أجل اكتشاف العناصر المحظورة في المناطق المحظورة. وفي هذه الحالة، دُرّب النموذج على تحديد وجود الهواتف المحمولة في المناطق الحساسة للسلامة. ومن خلال التعلم من البيانات المرئية الخاصة بالتطبيق، تمكّن النظام من رصد انتهاكات السياسات في الوقت الفعلي، ما ساعد على تحسين الامتثال وتقليل مخاطر السلامة من دون زيادة العبء على الفرق البشرية.

الشكل 2. مثال على اكتشاف استخدام الهاتف المحمول في منطقة مصنع محظورة (المصدر)

المراقبة الذكية للحشود في المناطق العامة#

في الأماكن العامة المزدحمة مثل مراكز النقل والفعاليات الكبيرة أو مراكز المدن المكتظة، يُعد فهم كيفية تحرك الأشخاص وتصرفهم مهمًا للحفاظ على السلامة العامة. فقد تؤدي الكثافة العالية للحشود أو التغيرات المفاجئة في الحركة أو سقوط الأفراد إلى مواقف خطرة بسرعة إذا لم تُكتشف مبكرًا.

تعتمد أنظمة مراقبة الحشود التقليدية اعتمادًا كبيرًا على مشغلين بشريين يراقبون شاشات متعددة، ما يجعل تفويت التغيرات الدقيقة والمهمة في سلوك الحشود أمرًا سهلًا. ويحسّن الذكاء الاصطناعي للرؤية مراقبة الحشود من خلال تحليل موجزات الفيديو من الكاميرات آليًا وفي الوقت الفعلي.

يمكن استخدام نماذج مثل Ultralytics YOLO26 لاكتشاف الأشخاص وتتبعهم في المشاهد المزدحمة، ومراقبة أنماط الحركة، وتحديد مواقف مثل السقوط أو بقاء الأشخاص على الأرض لفترات طويلة. وقد تشير هذه الإشارات إلى مشكلات محتملة تتعلق بالسلامة، ولا سيما في الحشود الكثيفة أو سريعة الحركة.

الشكل 3. اكتشاف السقوط باستخدام نماذج YOLO (المصدر)

إلى جانب المهام الأساسية مثل عدّ الأشخاص، يمكن للأنظمة القائمة على الرؤية أيضًا توفير رؤى رئيسية لأنظمة الذكاء الاصطناعي التي تركز على تحديد الازدحام أو التدفق غير الطبيعي للحشود أو السلوكيات التي تحيد عن الأنماط المعتادة. ومن خلال اكتشاف هذه المؤشرات المبكرة، تستطيع المؤسسات الاستجابة بسرعة أكبر للمواقف التي قد تشكل خطرًا على السلامة العامة، ودعم التدخل في الوقت المناسب من دون الحاجة إلى مراقبة يدوية مستمرة.

ضمان سلامة العمال في مواقع البناء#

تفرض مواقع البناء النشطة مجموعة من مخاطر السلامة والأمن، إذ تتغير الظروف باستمرار ويتحرك العمال والمركبات والمعدات الثقيلة عبر مساحات مشتركة. وقد يؤدي الوصول غير المصرح به إلى المناطق المحظورة أو عدم توفر معدات الوقاية الشخصية (PPE) أو التفاعلات غير الآمنة بين العمال والآلات إلى حوادث بسرعة إذا لم تُحدد مبكرًا.

يساعد الذكاء الاصطناعي للرؤية على معالجة هذه المخاطر من خلال التحليل المستمر لموجزات الفيديو من الكاميرات الموجودة في الموقع. ويمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 اكتشاف العمال وتتبعهم عبر مناطق متعددة مع مراقبة الامتثال لمتطلبات السلامة، بما في ذلك استخدام معدات الوقاية الشخصية مثل الخوذات أو سترات السلامة.

الشكل 4. يمكن استخدام YOLO لمراقبة مناطق البناء (المصدر)

ومن خلال مراقبة أنماط الحركة والسلوك في الوقت الفعلي، تستطيع هذه الأنظمة رصد المخاطر المحتملة قبل تصعيدها. وإضافةً إلى تحسين الإشراف على السلامة، تقلل المراقبة القائمة على الرؤية الاعتماد على الفحوصات اليدوية الدورية وتدعم الاستجابة الأسرع للمواقف غير الآمنة.

إيجابيات وسلبيات استخدام نماذج الذكاء الاصطناعي لاكتشاف التهديدات#

فيما يلي بعض الفوائد الرئيسية لاستخدام إمكانات الذكاء الاصطناعي للرؤية لاكتشاف التهديدات:

• التشغيل المستمر: تعمل أنظمة الذكاء الاصطناعي ونماذج الاكتشاف على مدار الساعة من دون إرهاق التنبيهات، ما يجعلها مناسبة تمامًا للبيئات التي تتطلب مراقبة مستمرة.
• تحسين التنسيق بين الفرق: تسهّل التنبيهات والرؤى المشتركة على فرق الأمن والسلامة والعمليات العمل معًا واستخدام هذه المعلومات لاتخاذ قرارات أكثر ذكاءً.
• قابلية التوسع: يمكن نشر أنظمة الذكاء الاصطناعي للرؤية عبر العديد من الكاميرات والمواقع من دون زيادة متناسبة في عدد الموظفين، ما يسهّل توسيع نطاق المراقبة مع ازدياد تعقيد البيئات.

مع أن الذكاء الاصطناعي للرؤية يوفر مزايا واضحة فيما يتعلق باكتشاف التهديدات، فمن المهم أيضًا مراعاة بعض القيود. فيما يلي بعض التحديات التي ينبغي وضعها في الحسبان:

• الحساسية لجودة البيانات: قد يحد سوء وضع الكاميرات أو انخفاض جودة المدخلات من قدرات الاكتشاف، ولا سيما عند تحديد السلوكيات الدقيقة أو الأحداث النادرة.
• مخاوف خصوصية البيانات: قد تنطوي المراقبة المستمرة على بيانات حساسة، ما يتطلب ضمانات قوية لمنع إساءة الاستخدام، لا سيما في السيناريوهات التي تنطوي على مخاطر انعدام اليوم أو الحركة الجانبية عبر الأنظمة.
• تغطية محدودة للتهديدات غير المرئية: لا يستطيع الذكاء الاصطناعي للرؤية اكتشاف مشكلات مثل محاولات التصيد والتهديدات السيبرانية والبرمجيات الخبيثة وبرامج الفدية والهندسة الاجتماعية، التي تتطلب عادةً تقنيات ذكاء اصطناعي مثل معالجة اللغة الطبيعية (NLP) والتحليل السلوكي أو تحليل الشبكات بدلًا من التحليل المرئي.

أهم النقاط المستخلصة#

يجمع اكتشاف التهديدات القائم على الذكاء الاصطناعي بين الرؤية الحاسوبية وممارسات الأمن الحديثة لمساعدة المؤسسات على تحديد المخاطر في وقت أبكر والاستجابة بفاعلية أكبر. وتمكّن نماذج مثل Ultralytics YOLO من تحليل البيانات المرئية في الوقت الفعلي، دعمًا لحالات استخدام تتراوح بين مراقبة الوصول المقيّد وسلامة الحشود وحماية العمال. ومن خلال الانتقال من المراقبة التفاعلية إلى الوعي الاستباقي، يساعد الذكاء الاصطناعي للرؤية المؤسسات على تحسين السلامة في مواجهة التهديدات المتطورة، وتعزيز عمليات الأمن، وتوسيع نطاق الاستخبارات المتعلقة بالتهديدات عبر البيئات المعقدة.

انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في التصنيع والذكاء الاصطناعي للرؤية في قطاع البيع بالتجزئة. زُر مستودعنا على GitHub وابدأ اليوم في استخدام رؤية الحاسوب بالاطلاع على خيارات الترخيص.