الذكاء الاصطناعي السلوكي يجعل رؤية الكمبيوتر أكثر تأثيرًا

لسنوات عديدة، ركزت ابتكارات الرؤية الحاسوبية على مهام مثل اكتشاف الكائنات - تحديد الكائنات مثل الكلاب أو السيارات في الصور ومقاطع الفيديو. وقد مكنت هذه الأساليب التطبيقات في مجالات مثل المركبات ذاتية القيادة والتصنيع والرعاية الصحية. 

ومع ذلك، غالبًا ما تركز هذه المهام فقط على تحديد ماهية الكائن. ماذا لو كان بإمكان أنظمة Vision AI أن تذهب خطوة أبعد؟ على سبيل المثال، بدلاً من مجرد اكتشاف كلب، لنفترض أنه يمكن أن يفهم أن الكلب يطارد كرة أو أن سيارة تضغط على المكابح فجأة لأن أحد المشاة يعبر الطريق. يمثل هذا التحول من التعرف الأساسي إلى الفهم السياقي تحولًا كبيرًا نحو الذكاء الاصطناعي السلوكي الأكثر ذكاءً والمدرك للسياق.

في مؤتمر YOLO Vision 2024 (YV24)، وهو الحدث السنوي الهجين الذي تنظمه Ultralyticsللاحتفال بالتقدم في مجال الذكاء الاصطناعي البصري، احتل مفهوم تحليل السلوك القائم على الذكاء الاصطناعي مركز الصدارة خلال حديث شيق ألقاه ديفيد سكوت، الرئيس التنفيذي لشركة The Main Branch.

في حديثه، استكشف ديفيد الانتقال من مهام رؤية الحاسوب الأساسية إلى تتبع السلوك. مع أكثر من 25 عامًا من الخبرة في بناء تطبيقات تقنية متطورة، عرض تأثير هذه القفزة. وأكد كيف أن فك رموز الأنماط والسلوكيات يعيد تشكيل صناعات مثل الزراعة ورعاية الحيوان.

في هذه المقالة، سوف نسير خلال أبرز حديث ديفيد ونستكشف كيف أن تتبع السلوك يجعل الذكاء الاصطناعي أكثر عملية. 

فهم تحديات تبني الذكاء الاصطناعي

بدأ ديفيد سكوت كلمته الرئيسية بفحص واقعي جريء وقال: "يقول أحد زملائي غالبًا، "العلم لا يبيع"، وهو ما يسيء إلى الكثير منا هنا لأننا نحب العلم حقًا. الذكاء الاصطناعي رائع حقًا - لماذا لا يشتريه الناس؟ لكن الحقيقة هي أن الناس لا يريدون شرائه لمجرد أننا نعتقد أنه رائع؛ إنهم بحاجة إلى سبب لشرائه."

ومضى يشرح أنه في شركته، The Main Branch، ينصب التركيز دائمًا على حل المشكلات الحقيقية باستخدام الذكاء الاصطناعي، وليس فقط استعراض قدراته. يأتي الكثير من العملاء ويريدون التحدث عن كيفية استخدامهم للذكاء الاصطناعي بشكل عام، لكنه يرى أن هذا النهج متخلف - إنه مثل وجود حل بدون مشكلة. بدلاً من ذلك، فإنهم يعملون مع العملاء الذين يطرحون تحديات محددة حتى يتمكنوا من إنشاء حلول ذكاء اصطناعي تحدث فرقًا بالفعل.

‍

شارك ديفيد أيضًا أن عملهم غالبًا ما يتجاوز مجرد التعرف على الأشياء في مشهد ما. إن اكتشاف ما هو موجود هو الخطوة الأولى فقط. تأتي القيمة الحقيقية من معرفة ما يجب فعله بهذه المعلومات وجعلها مفيدة داخل سلسلة القيمة الأكبر. 

تكنولوجيا تتبع السلوك: المفتاح إلى الذكاء الاصطناعي القابل للتنفيذ

تتمثل إحدى الخطوات الحيوية في جعل الذكاء الاصطناعي مفيدًا حقًا في تجاوز مهام رؤية الكمبيوتر الأساسية مثل اكتشاف الكائنات واستخدام هذه الرؤى لتتبع السلوك. سلط ديفيد الضوء على أن الذكاء الاصطناعي السلوكي يركز على فهم الإجراءات والأنماط، وليس فقط تحديد الكائنات. وهذا يجعل الذكاء الاصطناعي قادرًا على التعرف على الأحداث الهامة وتقديم رؤى قابلة للتنفيذ.

وضرب مثالاً لحيوان يتدحرج على الأرض، وهو ما قد يشير إلى المرض. بينما لا يمكن للبشر مراقبة حيوان على مدار الساعة، يمكن لأنظمة المراقبة التي تعتمد على الذكاء الاصطناعي مع قدرات تتبع السلوكيات أن تفعل ذلك. يمكن لمثل هذه الحلول مراقبة الأشياء بشكل مستمر، detect سلوكيات معينة، وإرسال تنبيه، والسماح باتخاذ إجراء في الوقت المناسب. وهذا يحول البيانات الأولية إلى شيء عملي وقيّم.

أظهر ديفيد أيضًا أن هذا النهج يجعل الذكاء الاصطناعي ليس مجرد مثير للاهتمام ولكنه مؤثر حقًا. من خلال معالجة المشكلات الحقيقية، مثل مراقبة السلوكيات والتصرف بناءً عليها، يمكن أن يصبح تتبع السلوك جزءًا أساسيًا من حلول الذكاء الاصطناعي الفعالة في مختلف الصناعات.

إضفاء الحيوية على الذكاء الاصطناعي السلوكي

ثم أوضح ديفيد سكوت بعد ذلك كيف Ultralytics YOLOv8وهو نموذج للرؤية الحاسوبية، كان إنجازًا كبيرًا لمشاريع فريقه في تتبع السلوكيات. فقد منحهم أساساً متيناً لاكتشاف الأجسام وتصنيفها وتتبعها. كما خطا فريقه خطوة أخرى إلى الأمام وقام بتدريب YOLOv8 بشكل مخصص للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية ومفيدة في مواقف العالم الحقيقي.

ومن المثير للاهتمام، مع إصدار Ultralytics YOLO11يمكن أن تصبح الحلول مثل تلك التي أنشأها الفرع الرئيسي أكثر موثوقية ودقة. يقدم هذا النموذج الأحدث ميزات مثل الدقة المحسنة والمعالجة الأسرع التي تعزز قدرته على track السلوكيات. سنناقش هذا الأمر بمزيد من التفصيل بعد الحصول على فهم أفضل للتطبيقات التي يمكن استخدام الذكاء الاصطناعي السلوكي فيها.

بعد ذلك، دعنا نستكشف الحلول التي تحدث عنها ديفيد وكيف يتم استخدام تكنولوجيا تتبع السلوك في تطبيقات العالم الحقيقي لحل التحديات اليومية وإحداث تأثير ذي معنى.

HerdSense مع تحليل السلوك المدفوع بالذكاء الاصطناعي

أولاً، شارك ديفيد تحديًا مثيرًا واجهوه في مشروع يسمى HerdSense، والذي تضمن مراقبة صحة الآلاف من الأبقار في حقل تغذية ضخم. كان الهدف هو track سلوك الأبقار الفردية لتحديد المشاكل الصحية المحتملة. كان هذا يعني مراقبة عشرات الآلاف من الحيوانات في نفس الوقت، ولم تكن مهمة بسيطة.

‍

للبدء في حل مشكلة تحديد كل بقرة وتتبع سلوكياتها، أجرى فريق ديفيد ورشة عمل لمدة يومين لتحديد كل سلوك ممكن يحتاجون إلى مراقبته. لقد حددوا أكثر من 200 سلوك في المجموع.

اعتمد كل سلوك من السلوكيات الـ 200 على القدرة على التعرف بدقة على الأبقار الفردية، حيث كان يجب ربط جميع البيانات بحيوانات محددة. كان أحد الشواغل الرئيسية هو تتبع الأبقار عندما تتجمع في مجموعات متقاربة، مما جعل رؤية الحيوانات الفردية أمرًا صعبًا. 

طور فريق ديفيد نظام رؤية حاسوبية لضمان تحديد كل بقرة باستمرار، حتى في المواقف الصعبة. لقد تمكنوا من التأكد من أن نفس البقرة سيتم تخصيصها دائمًا بنفس المعرف، حتى لو اختفت عن الأنظار أو اختلطت بالآخرين أو ظهرت مرة أخرى لاحقًا.

مراقبة صحة الخيول باستخدام الرؤية الحاسوبية

وللمضي قدماً، قدم ديفيد مشروعاً رائعاً آخر طبقوا فيه تقنيات تتبع سلوكية مماثلة لمراقبة الخيول. في هذا المشروع، لم يكن فريق ديفيد بحاجة إلى track هويات الخيول الفردية عن كثب كما فعلوا مع الأبقار. وبدلاً من ذلك، ركزوا على سلوكيات محددة وتتبعوا تفاصيل مثل أنماط الأكل ومستويات النشاط العام لاكتشاف أي مشاكل صحية في وقت مبكر. يمكن أن يؤدي تحديد التغيرات الصغيرة في السلوك إلى تدخلات أسرع لتوفير رعاية أفضل ومنع المشاكل قبل أن تصبح خطيرة.

‍

لماذا الذكاء الاصطناعي السلوكي ليس بالبساطة التي يبدو عليها

ناقش ديفيد أيضًا تعقيد التتبع السلوكي من خلال مثال مثير للاهتمام. أثناء بحثه عن طرق لتحسين التحليل السلوكي، صادف فريقه شركة تدّعي detect سرقة المتاجر من خلال تحليل وضعيات معينة، مثل وضع شخص ما يده في جيبه. في البداية، بدت هذه فكرة ذكية - حركات معينة يمكن أن تشير إلى سلوك مريب، أليس كذلك؟

‍

ومع ذلك، بينما استكشف ديفيد المزيد، أدرك حدود هذه الطريقة. إن وضعية واحدة، مثل وضع اليد في الجيب، لا تعني بالضرورة أن شخصًا ما يسرق من المتاجر. قد يشير ذلك ببساطة إلى أنهم مسترخون أو يفكرون أو حتى يشعرون بالبرد. تكمن مشكلة التركيز على الأوضاع المعزولة في أنها تتجاهل السياق الأكبر. السلوك ليس مجرد فعل واحد - إنه نمط من الإجراءات بمرور الوقت، يتشكل حسب السياق والنية.

أكد ديفيد أن تتبع السلوك الحقيقي أكثر تعقيدًا ويتطلب نهجًا شاملاً. يتعلق الأمر بتحليل تسلسل الإجراءات وفهم معناها في الصورة الأوسع. وبينما تحقق صناعة الذكاء الاصطناعي خطوات واسعة، أشار إلى أنه لا يزال هناك عمل يتعين القيام به في تطوير تتبع السلوك لتقديم رؤى ذات مغزى ودقيقة.

إنشاء نماذج رؤية اصطناعية أكثر ذكاءً تفهم الإجراءات

بعد ذلك، اصطحب ديفيد الجمهور خلف الكواليس ليوضح لهم كيف قام فريقه ببناء حل للرؤية الحاسوبية لمراقبة صحة الأبقار بمساعدة YOLOv8 وقدراته على تقدير الوضعيات.

بدأوا بإنشاء مجموعة بيانات مخصصة لتقدير وضعية البقرة، وزيادة العدد القياسي للنقاط الرئيسية من 17 إلى 145 لجعل النموذج أفضل في تحليل الحركة. بعد ذلك، تم تدريب النموذج على مجموعة بيانات ضخمة تضم أكثر من 2 مليون صورة و 110 مليون مثال سلوكي. 

وباستخدام البنية التحتية المتطورة للأجهزة، تمكن فريق ديفيد من تدريب النموذج في يومين فقط بدلاً من الأسابيع التي كان سيستغرقها على الأجهزة التقليدية. ثم تم دمج النموذج المُدرَّب مع جهاز تعقب سلوك مخصص يقوم بتحليل إطارات فيديو متعددة في وقت واحد detect الأنماط في تصرفات الأبقار.

وكانت النتيجة حلًا يعتمد على الذكاء الاصطناعي للرؤية يمكنه detect track ثمانية سلوكيات مختلفة للأبقار مثل الأكل والشرب والاستلقاء لاكتشاف التغيرات السلوكية الطفيفة التي يمكن أن تشير إلى مخاوف صحية. يتيح ذلك للمزارعين التصرف بسرعة ويحسن إدارة القطيع.

المسار المستقبلي للذكاء الاصطناعي السلوكي

اختتم ديفيد حديثه بمشاركة درس مهم مع الجمهور: "إذا لم تمنح الذكاء الاصطناعي مساحة للفشل، فإنك تهيئ نفسك للفشل لأنه في نهاية اليوم، فهو إحصائي." وأشار إلى أن الذكاء الاصطناعي، على الرغم من نقاط قوته، ليس مثاليًا. إنها أداة تتعلم من الأنماط، وستكون هناك دائمًا أوقات لا تحصل فيها على الأشياء بشكل صحيح. بدلاً من الخوف من هذه الأخطاء، فإن المفتاح هو بناء أنظمة يمكنها التعامل معها والاستمرار في التحسن بمرور الوقت.

وينطبق ذلك أيضًا عندما يتعلق الأمر بنماذج الرؤية الحاسوبية نفسها. على سبيل المثال، تم تصميم Ultralytics YOLO11 وهو أحدث إصدار من نماذج Ultralytics YOLO مع الأخذ في الاعتبار الحاجة إلى الارتقاء بالأمور إلى المستوى التالي مقارنةً بنموذج YOLOv8.

‍

وعلى وجه الخصوص، يقدم YOLO11 أداءً أفضل، خاصةً فيما يتعلق بالتطبيقات في الوقت الحقيقي حيث الدقة هي المفتاح، مثل الزراعة والرعاية الصحية. بفضل ميزاته المتقدمة، يعيد YOLO11 تعريف كيفية استخدام الصناعات للذكاء الاصطناعي من خلال توفير رؤى مبتكرة في الوقت الفعلي ومساعدتها على مواجهة التحديات بشكل أكثر فعالية.

النقاط الرئيسية

كانت كلمة ديفيد الرئيسية في YV24 بمثابة تذكير بأن الذكاء الاصطناعي هو أكثر من مجرد ابتكار رائع - إنه أداة قوية لحل المشكلات الحقيقية وتحسين طريقة عيشنا وعملنا. من خلال التركيز على السلوك، فإن الذكاء الاصطناعي يحدث بالفعل تأثيرًا في مجالات مثل تتبع صحة الحيوانات والتعرف على الأنماط الهادفة في الإجراءات اليومية. 

إن إمكانات الذكاء الاصطناعي السلوكي مثيرة، ونحن في البداية فقط. من خلال تحويل البيانات الأولية إلى رؤى قابلة للتنفيذ، ينتقل الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات النشط. مع تطوره بشكل أكبر، من المقرر أن يقود الذكاء الاصطناعي السلوكي قرارات أكثر ذكاءً، وتبسيط العمليات، وتحقيق تحسينات ذات مغزى في حياتنا.

ابق على اتصال بـ مجتمعنا لمعرفة المزيد حول الذكاء الاصطناعي وتطبيقاته في العالم الحقيقي. قم بزيارة مستودع GitHub الخاص بنا لاكتشاف الابتكارات في مجالات مثل الذكاء الاصطناعي في الزراعة و رؤية الكمبيوتر في التصنيع.