نظرة على استخدام نماذج YOLO من Ultralytics لاكتشاف التهديدات بالذكاء الاصطناعي

في العديد من الصناعات، يجري تبني الذكاء الاصطناعي (AI) لتحسين الأمان، وزيادة الكفاءة، وخلق بيئات أكثر أمانًا. في أماكن مثل المكاتب والمصانع والحرم الجامعي والمستودعات والمساحات العامة، يعتمد تحقيق هذه الأهداف على فهم ما يحدث في الوقت الفعلي.

لدعم ذلك، أصبحت كاميرات المراقبة وأنظمة المراقبة الذكية أكثر شيوعًا بشكل متزايد. ومع ذلك، فإن مجرد جمع لقطات الفيديو ليس كافيًا.

غالبًا ما تعتمد الأنظمة التقليدية على المراقبة اليدوية من قبل المحللين البشريين أو القواعد المحددة مسبقًا، مما يجعل من الصعب التعرف على العلامات المبكرة للمخاطر. قد يكون تفسير كميات كبيرة من البيانات المرئية في الوقت الفعلي أمرًا صعبًا، خاصة في الأماكن المزدحمة أو الديناميكية.

وهنا يصبح الكشف عن التهديدات المدعوم بالذكاء الاصطناعي أمرًا بالغ الأهمية. من خلال تحليل بث الفيديو المباشر، يمكن لأنظمة الذكاء الاصطناعي تحديد الأنماط والسلوكيات والمواقف التي قد تشير إلى تهديدات محتملة أو هجمات محتملة. وعلى وجه الخصوص، يعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي الذي يُمكّن هذه الأنظمة من فهم المعلومات المرئية وتحويل اللقطات الخام إلى رؤى قابلة للتنفيذ.

باستخدام تقنية الذكاء الاصطناعي المرئي، يمكن للمؤسسات الانتقال من التدابير الأمنية التفاعلية إلى الوقاية الاستباقية من التهديدات الناشئة. في هذه المقالة، سنستكشف كيفية عمل الكشف عن التهديدات بالذكاء الاصطناعي وكيف تساعد نماذج الرؤية مثل Ultralytics YOLO26 في كشف المخاطر مبكرًا ودعم بيئات أكثر أمانًا.

Link to this sectionالتحديات التي تواجه أنظمة الأمان التقليدية#

قبل أن نتعمق في كيفية تحسين الذكاء الاصطناعي للكشف عن التهديدات، دعونا نلقي نظرة أولاً على التحديات التي تواجهها أنظمة الكشف عن التهديدات التقليدية.

تعتمد معظم الحلول الحالية على الإشراف البشري أو الأدوات القائمة على التوقيع، والتي تكتشف التهديدات من خلال مطابقة النشاط بالتهديدات المعروفة. يتطلب هذا غالبًا من فرق الأمن مراقبة بث كاميرات متعددة أو لوحات تحكم في نفس الوقت لتحديد النشاط غير المصرح به المحتمل أو الانحرافات عن النشاط الطبيعي.

في المنشآت الكبيرة التي تحتوي على مئات الكاميرات، تصبح إدارة كميات هائلة من البيانات صعبة بسرعة. ونتيجة لذلك، قد يتم التغاضي عن أنشطة معينة، خاصة في المناطق المعقدة مثل أرضيات المصانع أو المساحات المقيدة مثل غرف الخوادم.

قيد آخر هو تأخر الاستجابات. تكتشف الأنظمة التقليدية عادةً النشاط الضار فقط بعد وقوع الحدث بالفعل. بينما يعمل هذا لتأكيد المخاوف المعروفة، فإنه يعني عدم القدرة على الاستجابة مبكرًا للتهديدات.

يمكن أن يؤدي هذا التأخير إلى جعل معالجة المواقف التي يساهم فيها الوصول المادي، مثل الدخول إلى غرفة خوادم مقيدة، في مخاوف أمنية أوسع، بما في ذلك التهديدات السيبرانية والهجمات السيبرانية في مراكز البيانات، أكثر صعوبة. تساعد الأنظمة المدعومة بالذكاء الاصطناعي في تقليل هذه الفجوة من خلال تحديد نقاط الضعف ودعم استجابات أسرع.

Link to this sectionما هو الكشف عن التهديدات بالذكاء الاصطناعي؟#

يشير الكشف عن التهديدات بالذكاء الاصطناعي إلى استخدام الذكاء الاصطناعي لتحديد المواقف التي قد تشكل مخاطر على الأشخاص أو العمليات أو البنية التحتية. بدلاً من مجرد تخزين كميات كبيرة من بيانات الفيديو أو أجهزة الاستشعار، تقوم أنظمة الكشف عن التهديدات بالذكاء الاصطناعي بتحليل هذه المعلومات بنشاط لتوليد رؤى ذات مغزى.

يمكن أن تشمل هذه الرؤى المراقبة الآلية، واكتشاف الشذوذ، وإشارات الإنذار المبكر التي تنبه فرق الأمن إلى المشكلات المحتملة. يلعب هذا النهج دورًا مهمًا في كل من سياقات الأمن السيبراني والأمن المادي.

الفرق الرئيسي بين الطرق التقليدية والكشف عن التهديدات المدعوم بالذكاء الاصطناعي هو كيفية تحديد المخاطر. على سبيل المثال، تعتمد الطرق التقليدية على أنظمة قائمة على القواعد والمراجعة اليدوية، مما يحد من قدرتها على التكيف مع التغيير.

من ناحية أخرى، تعتبر أنظمة الذكاء الاصطناعي أكثر قدرة على التكيف. فهي تستخدم البيانات والخوارزميات لتحليل المعلومات المرئية في الوقت الفعلي وتحديد السلوك غير المعتاد. يساعدها هذا على تحديد التهديدات غير المعروفة أو التهديدات الجديدة ودعم استجابة أسرع للحوادث، مما يمنح فرق الأمن مزيدًا من الوقت للتصرف، وفي بعض الحالات، حتى قبل تصاعد المواقف.

Link to this sectionأتمتة الكشف عن التهديدات باستخدام الرؤية الحاسوبية بالذكاء الاصطناعي#

هناك أنواع عديدة من الكشف عن التهديدات بالذكاء الاصطناعي، بدءًا من تدابير الأمن السيبراني المدفوعة بالذكاء الاصطناعي إلى الأنظمة التي تراقب المساحات المادية. تدعم تقنيات الذكاء الاصطناعي المختلفة احتياجات مختلفة للكشف عن التهديدات.

على سبيل المثال، تعتبر الرؤية الحاسوبية خيارًا جيدًا لتحديد المخاطر المرئية في العالم الحقيقي. يمكن ملاحظة العديد من التهديدات المحتملة من خلال الكاميرات، مثل الوصول غير المصرح به إلى المناطق المقيدة، أو الحركة غير العادية، أو وجود أجسام في مواقع غير متوقعة.

على وجه التحديد، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 لتحليل بث الفيديو المباشر للتعرف على الأشياء وتتبع الحركة. يدعم YOLO26 مجموعة من مهام الرؤية، بما في ذلك اكتشاف الأشياء، وتتبع الأشياء، وتقسيم المثيلات.

شكل 1. استخدام نماذج YOLO لاكتشاف وتقسيم المخاطر المحتملة مثل الدخان (المصدر)

تسمح هذه القدرات للأنظمة بتحديد الأشخاص أو المركبات أو الأشياء ذات الأهمية، وتتبع حركتهم عبر المشاهد، وتنبيه السلوكيات التي تنحرف عن الأنماط الطبيعية. من خلال تطبيق هذه النماذج على بث كاميرات الأمن، يمكن للمؤسسات تجاوز المراقبة السلبية واكتساب رؤى مؤثرة حول المخاطر المحتملة أثناء تطورها.

عند نشرها في الحافة، يمكن لهذه الأنظمة العمل بزمن انتقال منخفض ودون اعتماد مستمر على بيئات السحابة، مما يجعلها مناسبة لإعدادات العالم الحقيقي مثل المصانع والمستودعات والحرم الجامعي ومراكز البيانات.

Link to this sectionكيف يمكن استخدام نماذج YOLO من Ultralytics للكشف عن التهديدات بالذكاء الاصطناعي#

صُممت نماذج YOLO من Ultralytics، مثل YOLO26، لتطبيقات العالم الحقيقي حيث تعتبر السرعة والاتساق أمورًا بالغة الأهمية. يقلل تصميم YOLO26 المدعوم بالحافة من الاعتماد على خطوط أنابيب المعالجة اللاحقة المعقدة، مما يسهل دمجه في عمليات الأمان القياسية في الموقع.

على غرار نماذج YOLO السابقة، تم تدريب Ultralytics YOLO26 مسبقًا على مجموعات بيانات واسعة النطاق مثل COCO، مما يوفر أساسًا موثوقًا للتعرف على أشياء مثل الأشخاص والمركبات والأشياء اليومية الأخرى. بالنسبة لحالات استخدام الكشف عن التهديدات، يمكن ضبط YOLO26 بدقة باستخدام بيانات تدريب عالية الجودة خاصة بالتطبيق لتحديد الأشخاص في المناطق المقيدة، وتتبع الحركة عبر المناطق الآمنة، وتنبيه الأشياء التي تنتهك قواعد السلامة، مثل العناصر المتروكة في المطار.

بمجرد تدريبه، يمكن للنموذج التعميم على بيانات جديدة، مما يسمح له بالحفاظ على أداء اكتشاف موثوق مع تغير الظروف. عند دمجه في خطوط أنابيب اكتشاف أكبر، يمكن استخدام مخرجاته لربط الاكتشافات المرئية بإشارات من أنظمة أخرى، مما يدعم تحليلًا عالي المستوى مثل تحليل السلوك وتحسين تقييم التهديدات.

Link to this sectionتطبيقات العالم الحقيقي لنماذج YOLO في أدوات الأمن#

الآن بعد أن أصبح لدينا فهم أفضل لكيفية مساعدة الرؤية الحاسوبية بالذكاء الاصطناعي في تحديد المخاطر، دعونا نستعرض بعض الأمثلة الواقعية لكيفية استخدامها لاكتشاف التهديدات.

Link to this sectionمراقبة المناطق المقيدة باستخدام YOLO#

في القطاعات الصناعية مثل التصنيع والنفط والغاز، تكون بعض المناطق داخل المنشآت، مثل المصانع، مقيدة للموظفين المصرح لهم فقط. غالبًا ما تكون هذه مسألة تتعلق بالسلامة، حيث قد تحتوي هذه المناطق على معدات أو مواد أو عمليات خطرة تتطلب تدريبًا متخصصًا.

تعتبر مراقبة الوصول إلى هذه المناطق وضمان الامتثال للوائح السلامة ضرورية لمنع الحوادث، وحماية الأصول، والحفاظ على استمرارية العمليات. بشكل عام، تتم مراقبة هذه المناطق باستخدام مزيج من الإشراف البشري، وأنظمة التحكم في الوصول، وكاميرات الأمن.

ومع ذلك، فإن هذه الأساليب لها قيود. لا يتوسع الإشراف اليدوي بشكل جيد، وتتتبع أنظمة التحكم في الوصول نقاط الدخول فقط، وعادة ما تتطلب كاميرات الأمن اهتمامًا بشريًا مستمرًا.

مع نمو المرافق لتصبح أكبر وأكثر تعقيدًا، يصبح من الصعب بشكل متزايد اكتشاف الأنشطة غير الآمنة أو غير المصرح بها في الوقت الفعلي. يمكن أن تكون الرؤية الحاسوبية بالذكاء الاصطناعي نهجًا أكثر موثوقية بكثير.

تعمل من خلال التحليل المستمر لبث الفيديو لتحديد مشكلات السلامة والأمان. يمكن دمج هذه الرؤى في سير عمل اكتشاف التسلل الحالي، والتي يمكنها تشغيل استجابات أو تنبيهات آلية حتى تتمكن فرق الأمن البشرية من اتخاذ إجراءات فورية.

على سبيل المثال، استكشفت دراسة حديثة كيف يمكن استخدام Ultralytics YOLOv8، وهو جزء من عائلة نماذج Ultralytics YOLO، لـ اكتشاف العناصر المحظورة في المناطق المقيدة. في هذه الحالة، تم تدريب النموذج لتحديد وجود الهواتف المحمولة في المناطق الحساسة للسلامة. من خلال التعلم من البيانات المرئية الخاصة بالتطبيق، تمكن النظام من الإبلاغ عن انتهاكات السياسة في الوقت الفعلي، مما ساعد في تحسين الامتثال وتقليل مخاطر السلامة دون زيادة العبء على الفرق البشرية.

شكل 2. مثال على اكتشاف استخدام الهاتف المحمول في منطقة مصنع مقيدة (المصدر)

Link to this sectionمراقبة الحشود الذكية للأماكن العامة#

في الأماكن العامة المزدحمة مثل مراكز النقل، أو الأحداث الكبيرة، أو مراكز المدن المزدحمة، يعد فهم كيفية تحرك الأشخاص وتصرفهم أمرًا مهمًا للحفاظ على السلامة العامة. يمكن أن تؤدي كثافة الحشود العالية، أو التغيرات المفاجئة في الحركة، أو سقوط الأفراد إلى خلق مواقف خطرة بسرعة إذا لم يتم اكتشافها مبكرًا.

تعتمد أنظمة مراقبة الحشود التقليدية بشكل كبير على المشغلين البشريين الذين يراقبون شاشات متعددة، مما يسهل تفويت التغيرات الدقيقة ولكن المهمة في سلوك الحشود. تعمل الرؤية الحاسوبية بالذكاء الاصطناعي على تحسين مراقبة الحشود من خلال تحليل بث الفيديو من الكاميرات تلقائيًا في الوقت الفعلي.

يمكن استخدام نماذج مثل YOLO26 لاكتشاف وتتبع الأشخاص في المشاهد المزدحمة، ومراقبة أنماط الحركة، وتحديد مواقف مثل السقوط أو بقاء الأفراد على الأرض لفترات طويلة. يمكن أن تشير هذه الإشارات إلى مشكلات سلامة محتملة، خاصة في الحشود الكثيفة أو سريعة الحركة.

شكل 3. اكتشاف السقوط مدعوم بنماذج YOLO (المصدر)

بعيدًا عن المهام الأساسية مثل عد الأشخاص، يمكن للأنظمة القائمة على الرؤية أيضًا تقديم رؤى رئيسية لأنظمة الذكاء الاصطناعي التي تركز على تحديد الازدحام، أو تدفق الحشود غير الطبيعي، أو السلوكيات التي تنحرف عن الأنماط الطبيعية. من خلال اكتشاف هذه المؤشرات المبكرة، يمكن للمؤسسات الاستجابة بسرعة أكبر للمواقف التي قد تشكل خطرًا على السلامة العامة، ودعم التدخل في الوقت المناسب دون الحاجة إلى مراقبة يدوية مستمرة.

Link to this sectionضمان سلامة العمال في البناء#

تقدم مواقع البناء النشطة مجموعة من مخاطر السلامة والأمن، حيث تتغير الظروف بشكل متكرر ويتحرك العمال والمركبات والمعدات الثقيلة عبر مساحات مشتركة. يمكن أن يؤدي الوصول غير المصرح به إلى المناطق المقيدة، أو فقدان معدات الوقاية الشخصية (PPE)، أو التفاعلات غير الآمنة بين العمال والآلات إلى وقوع حوادث بسرعة إذا لم يتم تحديدها مبكرًا.

تساعد الرؤية الحاسوبية بالذكاء الاصطناعي في معالجة هذه المخاطر من خلال التحليل المستمر لبث الفيديو من الكاميرات الموجودة في الموقع. يمكن لنماذج الرؤية الحاسوبية مثل YOLO26 اكتشاف وتتبع العمال عبر مناطق متعددة مع مراقبة الامتثال لمتطلبات السلامة، بما في ذلك استخدام معدات الوقاية الشخصية مثل الخوذات أو سترات السلامة.

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

من خلال مراقبة أنماط الحركة والسلوك في الوقت الفعلي، يمكن لهذه الأنظمة الإبلاغ عن المخاطر المحتملة قبل تفاقمها. بالإضافة إلى تحسين الإشراف على السلامة، تقلل المراقبة القائمة على الرؤية من الاعتماد على الفحوصات اليدوية الدورية وتدعم استجابة أسرع للمواقف غير الآمنة.

Link to this sectionإيجابيات وسلبيات استخدام نماذج الذكاء الاصطناعي للكشف عن التهديدات#

فيما يلي بعض الفوائد الرئيسية لاستخدام قدرات الرؤية الحاسوبية بالذكاء الاصطناعي للكشف عن التهديدات:

• التشغيل المستمر: تعمل أنظمة الذكاء الاصطناعي ونماذج الكشف على مدار الساعة دون إرهاق التنبيه، مما يجعلها مناسبة تمامًا للبيئات التي تتطلب مراقبة مستمرة.
• تحسين التنسيق بين الفرق: تجعل التنبيهات والرؤى المشتركة من الأسهل على فرق الأمن والسلامة والعمليات العمل واستخدام هذه المعلومات لاتخاذ قرارات أكثر ذكاءً.
• قابلية التوسع: يمكن نشر أنظمة الرؤية الحاسوبية بالذكاء الاصطناعي عبر العديد من الكاميرات والمواقع دون زيادة متناسبة في التوظيف، مما يسهل توسيع المراقبة مع نمو البيئات لتصبح أكثر تعقيدًا.

بينما توفر الرؤية الحاسوبية بالذكاء الاصطناعي مزايا واضحة فيما يتعلق بالكشف عن التهديدات، من المهم أيضًا مراعاة بعض القيود. إليك بعض التحديات التي يجب وضعها في الاعتبار:

• الحساسية لجودة البيانات: يمكن أن يؤدي وضع الكاميرا بشكل سيئ أو المدخلات منخفضة الجودة إلى تقييد قدرات الاكتشاف، خاصة عند تحديد السلوكيات الدقيقة أو الأحداث النادرة.
• مخاوف خصوصية البيانات: قد تتضمن المراقبة المستمرة بيانات حساسة، مما يتطلب ضمانات قوية لمنع سوء الاستخدام، خاصة في السيناريوهات التي تنطوي على تهديدات اليوم صفر أو الحركة الجانبية عبر الأنظمة.
• تغطية محدودة للتهديدات غير المرئية: لا يمكن للرؤية الحاسوبية بالذكاء الاصطناعي اكتشاف مشكلات مثل محاولات التصيد، والتهديدات السيبرانية، والبرامج الضارة، وبرامج الفدية، أو الهندسة الاجتماعية، والتي تتطلب عادةً تقنيات الذكاء الاصطناعي مثل معالجة اللغات الطبيعية (NLP) والتحليل السلوكي أو تحليل الشبكة بدلاً من التحليل المرئي.

Link to this sectionأبرز النقاط#

يجمع الكشف عن التهديدات القائم على الذكاء الاصطناعي بين الرؤية الحاسوبية وممارسات الأمان الحديثة لمساعدة المؤسسات على تحديد المخاطر مبكرًا والاستجابة بشكل أكثر فعالية. تُمكّن نماذج مثل Ultralytics YOLO من التحليل في الوقت الفعلي للبيانات المرئية، مما يدعم حالات استخدام تتراوح من مراقبة الوصول المقيد إلى سلامة الحشود وحماية العمال. من خلال الانتقال من المراقبة التفاعلية إلى الوعي الاستباقي، تساعد الرؤية الحاسوبية بالذكاء الاصطناعي المؤسسات على تحسين السلامة في مواجهة التهديدات المتطورة، وتعزيز العمليات الأمنية، وتوسيع نطاق ذكاء التهديدات عبر البيئات المعقدة.

انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في التصنيع وذكاء الرؤية الاصطناعي في التجزئة. تفضل بزيارة مستودع GitHub الخاص بنا وابدأ في استخدام رؤية الحاسوب اليوم من خلال التحقق من خيارات الترخيص لدينا.