الذكاء الاصطناعي السلوكي يجعل الرؤية الحاسوبية أكثر تأثيرًا

فهم تحديات تبني الذكاء الاصطناعي

بدأ ديفيد سكوت كلمته الرئيسية بمراجعة واقعية جريئة وقال: "غالبًا ما يقول أحد زملائي: "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 يرغبون في شرائه لمجرد أننا نعتقد أنه رائع؛ فهم بحاجة إلى سبب لشرائه."

وتابع موضحًا أنه في شركته، الفرع الرئيسي، ينصب التركيز دائمًا على حل المشاكل الحقيقية باستخدام الذكاء الاصطناعي، وليس فقط استعراض قدراته. يأتي الكثير من العملاء راغبين في التحدث عن كيفية استخدام الذكاء الاصطناعي بشكل عام، لكنه يرى أن هذا نهج متخلف - فهو يشبه وجود حل بدون مشكلة. وبدلاً من ذلك، فإنهم يعملون مع العملاء الذين يطرحون تحديات محددة حتى يتمكنوا من إنشاء حلول ذكاء اصطناعي تُحدث فرقاً فعلياً.

‍

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

تقنية تتبع السلوكيات: مفتاح الذكاء الاصطناعي القابل للتنفيذ

تتمثل إحدى الخطوات الحيوية في جعل الذكاء الاصطناعي مفيدًا حقًا في تجاوز مهام الرؤية الحاسوبية الأساسية مثل اكتشاف الأجسام واستخدام هذه الرؤى في التتبع السلوكي. أوضح ديفيد أن الذكاء الاصطناعي السلوكي يركز على فهم الإجراءات والأنماط وليس فقط تحديد الأشياء. وهذا يجعل الذكاء الاصطناعي قادرًا على التعرف على الأحداث ذات المغزى 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، واكتشاف سلوكيات معينة، وإرسال تنبيه، والسماح باتخاذ إجراء في الوقت المناسب. وهذا يحول البيانات الأولية إلى شيء عملي وقيّم.

كما أوضح ديفيد أيضًا أن هذا النهج لا يجعل الذكاء الاصطناعي مثيرًا للاهتمام فحسب، بل مؤثرًا حقًا. من خلال معالجة المشاكل الحقيقية، مثل رصد السلوكيات والتصرف بناءً عليها، يمكن أن يصبح تتبع السلوكيات جزءًا أساسيًا من حلول الذكاء الاصطناعي الفعالة في مختلف الصناعات.

إحياء الذكاء الاصطناعي السلوكي

أوضح ديفيد سكوت بعد ذلك كيف كان نموذج الرؤية الحاسوبية Ultralytics YOLOv8، وهو نموذج رؤية حاسوبية، إنجازاً كبيراً لمشاريع تتبع السلوكيات التي يقوم بها فريقه. فقد منحهم أساساً متيناً لاكتشاف الأجسام وتصنيفها وتتبعها. كما خطا فريقه خطوة أخرى إلى الأمام وقاموا بتدريب YOLOv8 بشكل مخصص للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية ومفيدة في مواقف العالم الحقيقي.

ومن المثير للاهتمام أنه مع إصدار Ultralytics YOLO11، يمكن 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 تتبع السلوكيات. سنناقش هذا الأمر بمزيد من التفصيل بعد الحصول على فهم أفضل للتطبيقات التي يمكن استخدام الذكاء الاصطناعي السلوكي فيها.

بعد ذلك، دعونا نستكشف الحلول التي تحدث عنها ديفيد وكيف يتم استخدام تقنية تتبع السلوكيات في تطبيقات العالم الحقيقي لحل التحديات اليومية وإحداث تأثير مفيد.

HerdSense مع تحليل السلوك القائم على الذكاء الاصطناعي

أولاً، شارك ديفيد تحديًا مثيرًا واجهوه في مشروع يسمى HerdSense، والذي تضمن مراقبة صحة آلاف الأبقار في حقل تغذية ضخم. كان الهدف هو تتبع 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. وقد حددوا أكثر من 200 سلوك في المجموع.

اعتمد كل سلوك من السلوكيات ال 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 معًا في تجمعات مما جعل من الصعب رؤية الحيوانات الفردية. 

قام فريق ديفيد بتطوير نظام رؤية حاسوبية لضمان التعرف على كل بقرة بشكل ثابت، حتى في المواقف الصعبة. وقد تمكنوا من التأكد من أن البقرة نفسها ستحصل دائماً على نفس المعرف، حتى لو اختفت عن الأنظار أو اختلطت مع غيرها أو عادت للظهور لاحقاً.

مراقبة صحة الخيول باستخدام الرؤية الحاسوبية

وللمضي قدماً، قدم ديفيد مشروعاً رائعاً آخر حيث طبقوا تقنيات تتبع سلوكية مماثلة لمراقبة الخيول. في هذا المشروع، لم يكن فريق ديفيد بحاجة إلى تتبع 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 لا يكون الذكاء الاصطناعي السلوكي بسيطاً كما يبدو؟

ناقش ديفيد أيضًا تعقيد التتبع السلوكي من خلال مثال مثير للاهتمام. أثناء بحثه عن طرق لتحسين التحليل السلوكي، صادف فريقه شركة تدّعي اكتشاف 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، مع قيام ديفيد بمزيد من الاستكشاف، أدرك محدودية هذه الطريقة. فوضعية واحدة، مثل وضع اليد في الجيب، لا تعني بالضرورة أن شخصًا ما يسرق من المتجر. فقد تشير فقط إلى أنه مسترخٍ أو يفكر أو حتى يشعر بالبرد. المشكلة في التركيز على الوضعيات المعزولة هي أنها تتجاهل السياق الأكبر. فالسلوك ليس مجرد فعل واحد - بل هو نمط من الأفعال على مر الزمن، يتشكل حسب السياق والنية.

أكد ديفيد على أن التتبع السلوكي الحقيقي أكثر تعقيدًا بكثير ويتطلب نهجًا شاملاً. يتعلق الأمر بتحليل تسلسل الإجراءات وفهم ما تعنيه في الصورة الأوسع. وعلى الرغم من أن صناعة الذكاء الاصطناعي تخطو خطوات واسعة في هذا المجال، إلا أنه أشار إلى أنه لا يزال هناك عمل يتعين القيام به في تطوير التتبع السلوكي لتقديم رؤى مفيدة ودقيقة.

الطريق أمام الذكاء الاصطناعي السلوكي

واختتم ديفيد حديثه بمشاركة درس مهم مع الجمهور: "إذا لم تمنح الذكاء الاصطناعي مجالاً للفشل، فأنت تهيئ نفسك للفشل لأنه في نهاية المطاف، هو أمر إحصائي." وأشار إلى أن الذكاء الاصطناعي، على الرغم من نقاط قوته، ليس خاليًا من العيوب. إنه أداة تتعلم من الأنماط، وستكون هناك دائمًا أوقات لا تصيب فيها الأمور بشكل صحيح. وبدلاً من الخوف من تلك 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، يوفر YOLO11 أداءً أفضل، خاصةً فيما يتعلق بالتطبيقات في الوقت الحقيقي حيث الدقة هي المفتاح، مثل الزراعة والرعاية الصحية. وبفضل ميزاته المتقدمة، يعيد YOLO11 تعريف كيفية استخدام الصناعات للذكاء الاصطناعي من خلال توفير رؤى مبتكرة في الوقت الحقيقي ومساعدتها على مواجهة التحديات بشكل أكثر فعالية.

الوجبات الرئيسية

كانت الكلمة الرئيسية التي ألقاها ديفيد في YV24 بمثابة تذكير بأن الذكاء الاصطناعي أكثر من مجرد ابتكار رائع، فهو أداة قوية لحل المشاكل الحقيقية وتحسين طريقة عيشنا وعملنا. من خلال التركيز على السلوك، يُحدث الذكاء الاصطناعي بالفعل تأثيراً في مجالات مثل تتبع صحة الحيوانات والتعرف على الأنماط ذات المغزى في الأفعال اليومية. 

إن إمكانات الذكاء الاصطناعي السلوكي مثيرة، ونحن في البداية فقط. من خلال تحويل البيانات الأولية إلى رؤى قابلة للتنفيذ، يتحول الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات بشكل فعال. ومع تطوره بشكل أكبر، من المقرر أن يؤدي الذكاء الاصطناعي السلوكي إلى اتخاذ قرارات أكثر ذكاءً وتبسيط العمليات وإدخال تحسينات ذات مغزى على حياتنا.

ابق على اتصال مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي وتطبيقاته في العالم الحقيقي. قم بزيارة مستودع GitHub الخاص بنا لاكتشاف الابتكارات في مجالات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع.