نظرة على استخدام نماذج Ultralytics YOLO لاكتشاف التهديدات بالذكاء الاصطناعي

تعتمد صناعات كثيرة الذكاء الاصطناعي (AI) لتعزيز الأمن، وزيادة الكفاءة، وتهيئة بيئات أكثر أمانًا. وفي أماكن مثل المكاتب والمصانع والحرم الجامعي والمستودعات والأماكن العامة، يتوقف تحقيق هذه الأهداف على فهم ما يحدث في الوقت الفعلي.

لدعم ذلك، يزداد انتشار كاميرات الأمن وأنظمة المراقبة الذكية. لكن جمع لقطات الفيديو وحده لا يكفي.

غالبًا ما تعتمد الأنظمة التقليدية على المراقبة اليدوية من المحللين أو على قواعد محددة مسبقًا، ما يصعّب التعرف على المؤشرات المبكرة للمخاطر. وقد يكون تفسير كميات كبيرة من البيانات المرئية في الوقت الفعلي صعبًا، لا سيما في البيئات المزدحمة أو المتغيرة.

وهنا يكتسب اكتشاف التهديدات المدعوم بالذكاء الاصطناعي أهمية بالغة. فمن خلال تحليل تدفقات الفيديو المباشرة، تستطيع أنظمة الذكاء الاصطناعي تحديد الأنماط والسلوكيات والمواقف التي قد تشير إلى تهديدات أو هجمات محتملة. وعلى وجه الخصوص، تُعد الرؤية الحاسوبية فرعًا من الذكاء الاصطناعي يتيح لهذه الأنظمة فهم المعلومات المرئية وتحويل اللقطات الخام إلى رؤى قابلة للتنفيذ.

تتيح تقنية الذكاء الاصطناعي للرؤية الحاسوبية للمؤسسات الانتقال من التدابير الأمنية التفاعلية إلى الوقاية الاستباقية من التهديدات الناشئة. في هذه المقالة، نستعرض آلية عمل اكتشاف التهديدات بالذكاء الاصطناعي، وكيف تساعد نماذج الرؤية مثل Ultralytics YOLO26 على كشف المخاطر مبكرًا وتعزيز أمان البيئات.

التحديات التي تواجه أنظمة الأمن التقليدية#

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

تعتمد معظم الحلول الحالية على الإشراف البشري أو الأدوات القائمة على التواقيع، التي تكتشف التهديدات بمطابقة النشاط مع تهديدات معروفة. وغالبًا ما يتطلب ذلك من فرق الأمن مراقبة بث كاميرات أو لوحات معلومات متعددة في الوقت نفسه لتحديد الأنشطة التي يحتمل أن تكون غير مصرّح بها أو الانحرافات عن النشاط المعتاد.

في المنشآت الكبيرة التي تضم مئات الكاميرات، سرعان ما تصبح إدارة كميات هائلة من البيانات أمرًا صعبًا. ونتيجة لذلك، قد تمر بعض الأنشطة دون ملاحظة، لا سيما في المناطق المعقدة مثل أرضيات المصانع أو الأماكن المحظورة مثل غرف الخوادم.

ومن القيود الأخرى تأخر الاستجابة. إذ لا تكتشف الأنظمة التقليدية النشاط الضار عادةً إلا بعد وقوع الحادث بالفعل. وعلى الرغم من فاعلية ذلك في تأكيد المخاوف المعروفة، فإنه يعني العجز عن الاستجابة للتهديدات مبكرًا.

وقد يجعل هذا التأخير معالجة المواقف التي يسهم فيها الوصول المادي، مثل دخول غرفة خوادم محظورة، في مخاوف أمنية أوسع نطاقًا أمرًا أصعب، بما في ذلك التهديدات والهجمات السيبرانية في مراكز البيانات. وتساعد الأنظمة المدعومة بالذكاء الاصطناعي على تقليص هذه الفجوة عبر تحديد مواطن الضعف ودعم الاستجابة الأسرع.

ما المقصود باكتشاف 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 لاستخلاص رؤى ذات مغزى.

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.

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

أما أنظمة الذكاء الاصطناعي فهي أكثر قدرة على التكيف. إذ تستخدم البيانات والخوارزميات لتحليل المعلومات المرئية في الوقت الفعلي وتحديد السلوك غير المعتاد. وهذا يساعدها على اكتشاف التهديدات المجهولة أو المستجدة ودعم الاستجابة الأسرع للحوادث، ما يمنح فرق الأمن وقتًا أكبر للتحرك، بل وأحيانًا قبل تصاعد المواقف.

أتمتة اكتشاف التهديدات باستخدام الذكاء الاصطناعي للرؤية الحاسوبية#

تتعدد أنواع اكتشاف التهديدات بالذكاء الاصطناعي، من التدابير الأمنية السيبرانية المدعومة بالذكاء الاصطناعي إلى الأنظمة التي تراقب الأماكن المادية. وتلبي تقنيات الذكاء الاصطناعي المختلفة احتياجات متنوعة لاكتشاف التهديدات.

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

وعلى وجه التحديد، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO26 لتحليل تدفقات الفيديو المباشرة والتعرف على العناصر وتعقب الحركة. ويدعم YOLO26 مجموعة من مهام الرؤية، تشمل اكتشاف العناصر وتعقبها وتقسيم الكائنات.

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

تتيح هذه الإمكانات للأنظمة تحديد الأشخاص أو المركبات أو العناصر محل الاهتمام، وتعقب حركتها عبر المشاهد، والتنبيه إلى السلوكيات التي تنحرف عن الأنماط المعتادة. ومن خلال تطبيق هذه النماذج على بث كاميرات الأمن، تستطيع المؤسسات تجاوز المراقبة السلبية واستخلاص رؤى مؤثرة بشأن المخاطر المحتملة أثناء تطورها.

وعند نشر هذه الأنظمة على الأجهزة الطرفية، يمكنها العمل بزمن استجابة منخفض ودون اعتماد مستمر على البيئات السحابية، ما يجعلها مناسبة لبيئات العالم الحقيقي مثل المصانع والمستودعات والحرم الجامعي ومراكز البيانات.

كيفية استخدام نماذج Ultralytics YOLO لاكتشاف التهديدات بالذكاء الاصطناعي#

صُممت نماذج Ultralytics YOLO، مثل YOLO26، للتطبيقات الواقعية التي تُعد فيها السرعة والاتساق عاملين حاسمين. ويقلل تصميم YOLO26 المدعوم للأجهزة الطرفية الاعتماد على مسارات معالجة لاحقة معقدة، ما يسهل دمجه في عمليات الأمن القياسية في الموقع.

على غرار نماذج YOLO السابقة، دُرّب Ultralytics YOLO26 مسبقًا على مجموعات بيانات واسعة النطاق مثل COCO، ما يوفر أساسًا موثوقًا للتعرف على عناصر مثل الأشخاص والمركبات وغيرها من العناصر اليومية. وفي تطبيقات اكتشاف التهديدات، يمكن ضبط YOLO26 بدقة باستخدام بيانات تدريب عالية الجودة ومخصصة للتطبيق، لتحديد الأشخاص في المناطق المحظورة، وتعقب الحركة في المناطق الآمنة، والتنبيه إلى العناصر التي تخالف قواعد السلامة، مثل الأغراض المتروكة في أحد المطارات.

بعد التدريب، يمكن للنموذج تعميم ما تعلمه على بيانات جديدة، ما يتيح له الحفاظ على أداء موثوق في الاكتشاف عند تغير الظروف. وعند دمج مخرجاته في مسارات اكتشاف أكبر، يمكن استخدامها لربط الاكتشافات المرئية بإشارات من أنظمة أخرى، دعمًا للتحليلات المتقدمة مثل التحليل السلوكي وتحسين تقييم التهديدات.

تطبيقات واقعية لنماذج YOLO في أدوات الأمن#

بعد أن تعرفنا بشكل أفضل على كيفية مساعدة الذكاء الاصطناعي للرؤية الحاسوبية في تحديد المخاطر، لنستعرض بعض الأمثلة الواقعية على استخدامه لاكتشاف التهديدات.

مراقبة المناطق المحظورة باستخدام YOLO#

في قطاعات صناعية مثل التصنيع والنفط والغاز، تُحظر مناطق معينة داخل المنشآت، مثل المصانع، على جميع الأشخاص باستثناء الموظفين المصرّح لهم. وغالبًا ما يكون ذلك لأسباب تتعلق بالسلامة، إذ قد تضم هذه المناطق معدات أو مواد أو عمليات خطرة تتطلب تدريبًا متخصصًا.

تُعد مراقبة الوصول إلى هذه المناطق وضمان الامتثال لأنظمة السلامة أمرًا أساسيًا لمنع الحوادث وحماية الأصول والحفاظ على استمرارية العمليات. وعادةً ما تجري مراقبة هذه المناطق باستخدام مزيج من الإشراف البشري وأنظمة التحكم في الوصول وكاميرات الأمن.

لكن هذه الأساليب لها قيود. فالإشراف اليدوي لا يتوسع بكفاءة، وأنظمة التحكم في الوصول لا تتعقب سوى نقاط الدخول، بينما تتطلب كاميرات الأمن عادةً اهتمامًا بشريًا مستمرًا.

ومع ازدياد حجم المنشآت وتعقيدها، يصبح اكتشاف الأنشطة غير الآمنة أو غير المصرّح بها في الوقت الفعلي أصعب على نحو متزايد. وقد يكون الذكاء الاصطناعي للرؤية الحاسوبية نهجًا أكثر موثوقية بكثير.

يعمل هذا النهج على تحليل بث الفيديو باستمرار لتحديد مشكلات السلامة والأمن. ويمكن دمج هذه الرؤى في مسارات عمل اكتشاف التسلل الحالية، التي تستطيع إطلاق استجابات آلية أو تنبيهات كي تتخذ فرق الأمن البشرية إجراءات فورية.

على سبيل المثال، تناولت دراسة حديثة كيفية 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. وبفضل التعلم من بيانات مرئية مخصصة للتطبيق، تمكن النظام من رصد انتهاكات السياسات في الوقت الفعلي، ما ساعد على تحسين الامتثال والحد من مخاطر السلامة دون زيادة الأعباء على الفرق البشرية.

الشكل 2. مثال على اكتشاف استخدام الهواتف المحمولة في منطقة مقيّدة داخل مصنع (المصدر)

مراقبة ذكية للحشود في الأماكن العامة#

في الأماكن العامة المزدحمة، مثل مراكز النقل والفعاليات الكبرى ووسط المدن المكتظ، يُعد فهم كيفية تحرك الأشخاص وتصرفهم أمرًا مهمًا للحفاظ على السلامة العامة. وقد تؤدي الكثافة العالية للحشود أو التغيرات المفاجئة في الحركة أو سقوط أفراد إلى مواقف خطرة بسرعة إذا لم تُكتشف مبكرًا.

تعتمد أنظمة مراقبة الحشود التقليدية اعتمادًا كبيرًا على مشغلين بشريين يراقبون شاشات متعددة، ما يسهل إغفال التغيرات الطفيفة والمهمة في سلوك الحشود. ويُحسّن الذكاء الاصطناعي البصري مراقبة الحشود من خلال تحليل بث الفيديو من الكاميرات تلقائيًا وفي الوقت الفعلي.

يمكن استخدام نماذج مثل Ultralytics YOLO26 لاكتشاف الأشخاص وتتبعهم في المشاهد المزدحمة، ومراقبة أنماط الحركة، وتحديد حالات مثل السقوط أو بقاء الأفراد على الأرض فترات طويلة. وقد تشير هذه الإشارات إلى مشكلات محتملة تتعلق بالسلامة، لا 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 تقديم رؤى أساسية لأنظمة الذكاء الاصطناعي التي تركز على تحديد الازدحام أو تدفق الحشود غير الطبيعي أو السلوكيات الخارجة 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 دون الحاجة إلى مراقبة يدوية مستمرة.

ضمان سلامة العمال في مواقع الإنشاءات#

تنطوي مواقع الإنشاءات النشطة على مجموعة من مخاطر السلامة والأمن، إذ تتغير الظروف باستمرار ويتحرك العمال والمركبات والمعدات الثقيلة في مساحات مشتركة. وقد يؤدي الدخول غير المصرح به إلى المناطق المقيّدة، أو عدم ارتداء معدات الوقاية الشخصية (PPE)، أو التفاعلات غير الآمنة بين العمال والآلات إلى حوادث بسرعة إذا لم تُكتشف هذه الحالات مبكرًا.

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

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

من خلال رصد أنماط الحركة والسلوك في الوقت الفعلي، تستطيع هذه الأنظمة التنبيه إلى المخاطر المحتملة قبل تفاقمها. 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 البصري لاكتشاف التهديدات:

• التشغيل المستمر: تعمل أنظمة الذكاء الاصطناعي ونماذج الاكتشاف على مدار الساعة 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 والاستفادة من هذه المعلومات لاتخاذ قرارات أكثر ذكاءً.
• قابلية التوسع: يمكن نشر أنظمة الذكاء الاصطناعي البصري عبر عدد كبير من الكاميرات والمواقع دون زيادة متناسبة في عدد الموظفين، ما يسهّل توسيع نطاق المراقبة كلما ازدادت البيئات تعقيدًا.

مع أن الذكاء الاصطناعي البصري يوفر مزايا واضحة في اكتشاف التهديدات، فمن المهم أيضًا مراعاة بعض القيود. وفيما يلي بعض التحديات التي ينبغي أخذها في الحسبان:

• التأثر بجودة البيانات: قد يحدّ سوء موضع الكاميرا أو انخفاض جودة المدخلات من قدرات الاكتشاف، لا سيما عند تحديد السلوكيات الدقيقة أو الأحداث النادرة.
• مخاوف خصوصية البيانات: قد تنطوي المراقبة المستمرة على بيانات حساسة، ما يستلزم ضمانات قوية لمنع إساءة استخدامها، ولا سيما في الحالات التي تشمل مخاطر يوم الصفر أو الحركة الجانبية بين الأنظمة.
• محدودية تغطية التهديدات غير المرئية: لا يستطيع الذكاء الاصطناعي البصري اكتشاف مشكلات مثل محاولات التصيد والتهديدات السيبرانية والبرمجيات الخبيثة وبرامج الفدية والهندسة الاجتماعية، إذ تتطلب هذه المشكلات عادةً تقنيات ذكاء اصطناعي مثل معالجة اللغة الطبيعية (NLP) وتحليل السلوك أو الشبكات، بدلًا من التحليل البصري.

أبرز النقاط#

يجمع اكتشاف التهديدات القائم على الذكاء الاصطناعي بين الرؤية الحاسوبية وممارسات الأمن الحديثة لمساعدة المؤسسات على تحديد المخاطر مبكرًا والاستجابة لها بفعالية أكبر. وتتيح نماذج مثل Ultralytics YOLO تحليل البيانات المرئية في الوقت الفعلي، بما يدعم حالات استخدام تتنوع بين مراقبة الدخول إلى المناطق المقيّدة وسلامة الحشود وحماية العمال. ومن خلال الانتقال من المراقبة التفاعلية إلى الوعي الاستباقي، يساعد الذكاء الاصطناعي البصري المؤسسات على تعزيز السلامة في مواجهة التهديدات المتغيرة، وتقوية العمليات الأمنية، وتوسيع نطاق استخبارات التهديدات في البيئات المعقدة.

انضم إلى مجتمعنا النشط واكتشف ابتكارات مثل الذكاء الاصطناعي في التصنيع والذكاء الاصطناعي للرؤية في تجارة التجزئة. تفضل بزيارة مستودع GitHub وابدأ استخدام الرؤية الحاسوبية اليوم بالاطلاع على خيارات الترخيص.