الذكاء الاصطناعي السلوكي يجعل الرؤية الحاسوبية أكثر تأثيراً

على مدى سنوات عديدة، ركزت ابتكارات الرؤية الحاسوبية على مهام مثل اكتشاف الكائنات - أي تحديد كائنات مثل كلب أو سيارة في الصور ومقاطع الفيديو. وقد مكنت هذه الأساليب من تطوير تطبيقات في مجالات مثل المركبات ذاتية القيادة، والتصنيع، والرعاية الصحية.

ومع ذلك، غالباً ما تركز هذه المهام فقط على تحديد ماهية الكائن. ماذا لو تمكنت أنظمة الذكاء الاصطناعي البصري من المضي قدماً بخطوة إضافية؟ على سبيل المثال، بدلاً من مجرد اكتشاف كلب، لنفترض أنه يمكنها فهم 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 تحولاً كبيراً نحو ذكاء اصطناعي سلوكي أكثر ذكاءً ووعياً بالسياق.

في YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي لشركة Ultralytics للاحتفاء بالتقدم في مجال الذكاء الاصطناعي البصري، احتل مفهوم تحليل السلوك المدعوم بالذكاء الاصطناعي مركز الصدارة خلال حديث مثير للاهتمام قدمه ديفيد سكوت، الرئيس التنفيذي لشركة The Main Branch.

في حديثه، استعرض ديفيد الانتقال من مهام الرؤية الحاسوبية الأساسية إلى التتبع السلوكي. وبخبرة تزيد عن 25 عاماً في بناء تطبيقات تقنية متطورة، استعرض تأثير هذه القفزة. كما أكد على كيفية إعادة صياغة فك رموز الأنماط والسلوكيات لصناعات مثل الزراعة ورعاية الحيوان.

في هذه المقالة، سنستعرض أبرز نقاط حديث ديفيد ونستكشف كيف يجعل التتبع السلوكي الذكاء الاصطناعي أكثر عملية.

Link to this sectionفهم تحديات تبني الذكاء الاصطناعي#

بدأ ديفيد سكوت كلمته الرئيسية بفحص واقعي جريء قائلاً: "كثيراً ما يقول أحد زملائي: 'العلم لا يبيع'، وهو ما يسيء إلينا كثيراً هنا لأننا نحب العلم حقاً. الذكاء الاصطناعي رائع جداً - لماذا لا يشتريه الناس ببساطة؟ لكن الحقيقة هي أن الناس لا يريدون شراءه لمجرد أننا نعتقد أنه رائع؛ فهم يحتاجون إلى سبب لشرائه."

وتابع موضحاً أنه في شركته، The Main Branch، ينصب التركيز دائماً على حل المشكلات الحقيقية باستخدام الذكاء الاصطناعي، وليس مجرد استعراض قدراته. يأتي الكثير من العملاء يرغبون في الحديث عن كيفية استخدام الذكاء الاصطناعي بشكل عام، لكنه يرى أن هذا نهج عكسي - فهو يشبه امتلاك حل دون مشكلة. بدلاً من ذلك، هم يعملون مع عملاء يطرحون تحديات محددة حتى يتمكنوا من إنشاء حلول ذكاء اصطناعي تُحدث فرقاً حقيقياً.

الشكل 1. ديفيد سكوت على المسرح في YV24.

شارك ديفيد أيضاً أن عملهم غالباً ما يتجاوز مجرد التعرف على الكائنات في المشهد. فتحديد ما هو موجود هو الخطوة الأولى فقط، بينما تأتي القيمة الحقيقية من معرفة كيفية التعامل مع هذه المعلومات وجعلها مفيدة ضمن سلسلة القيمة الأكبر.

Link to this sectionتقنية التتبع السلوكي: مفتاح الذكاء الاصطناعي القابل للتنفيذ#

تتمثل خطوة حيوية لجعل الذكاء الاصطناعي مفيداً حقاً في تجاوز مهام الرؤية الحاسوبية الأساسية مثل اكتشاف الكائنات واستخدام تلك الرؤى للتتبع السلوكي. أكد ديفيد أن الذكاء الاصطناعي السلوكي يركز على فهم الإجراءات والأنماط، وليس مجرد تحديد الكائنات. وهذا يجعل الذكاء الاصطناعي قادراً على التعرف على الأحداث ذات المغزى وتقديم رؤى قابلة للتنفيذ.

قدم مثالاً على حيوان يتدحرج على الأرض، وهو ما قد يشير إلى المرض. وفي حين لا يستطيع البشر مراقبة حيوان على مدار الساعة، يمكن لـ أنظمة المراقبة القائمة على الذكاء الاصطناعي المزودة بقدرات التتبع السلوكي القيام بذلك. يمكن لهذه الحلول مراقبة الكائنات بشكل مستمر، واكتشاف سلوكيات معينة، وإرسال تنبيه، والسماح باتخاذ إجراء في الوقت المناسب. وهذا يحول البيانات الخام إلى شيء عملي وقيم.

أوضح ديفيد أيضاً أن هذا النهج لا يجعل الذكاء الاصطناعي مثيراً للاهتمام فحسب، بل مؤثراً حقاً. فمن خلال معالجة المشكلات الحقيقية، مثل مراقبة السلوكيات والعمل بناءً عليها، يمكن أن يصبح التتبع السلوكي جزءاً أساسياً من حلول الذكاء الاصطناعي الفعالة عبر مختلف الصناعات.

Link to this sectionإحياء الذكاء الاصطناعي السلوكي#

ثم أوضح ديفيد سكوت كيف كان Ultralytics YOLOv8، وهو نموذج رؤية حاسوبية، بمثابة طفرة لمشاريع التتبع السلوكي لفريقه. فقد منحهم أساساً قوياً لاكتشاف الكائنات وتصنيفها وتتبعها. كما خطت فريقه خطوة أخرى إلى الأمام وقاموا بـ تدريب YOLOv8 مخصص للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية ومفيدة لمواقف العالم الحقيقي.

ومن المثير للاهتمام، مع إصدار Ultralytics YOLO11، يمكن أن تصبح الحلول مثل تلك التي أنشأتها The Main Branch أكثر موثوقية ودقة. يوفر هذا النموذج الأحدث ميزات مثل تحسين الدقة والمعالجة الأسرع التي تعزز قدرته على تتبع السلوكيات. وسنناقش هذا 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 التتبع السلوكي في تطبيقات العالم الحقيقي لحل التحديات اليومية وإحداث تأثير ملموس.

Link to this sectionHerdSense مع تحليل السلوك القائم على الذكاء الاصطناعي#

أولاً، شارك ديفيد تحدياً مثيراً تعاملوا معه من خلال مشروع يسمى HerdSense، والذي تضمن مراقبة صحة الآلاف من الأبقار في حظيرة تسمين ضخمة. كان الهدف هو تتبع سلوك الأبقار الفردية لتحديد المشكلات الصحية المحتملة. وهذا يعني مراقبة عشرات الآلاف من الحيوانات في نفس الوقت، ولم تكن مهمة بسيطة.

الشكل 2. ركز مشروع HerdSense على مراقبة وتحديد الأبقار باستخدام الذكاء الاصطناعي السلوكي.

للبدء في حل مشكلة تحديد كل بقرة وتتبع سلوكياتها، أجرى فريق ديفيد ورشة عمل استمرت يومين لتحديد كل سلوك ممكن يحتاجون إلى مراقبته. وقد 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 معينة. وكان أحد الشواغل الرئيسية هو تتبع الأبقار عندما تتجمع معاً في حظائر، مما جعل من الصعب رؤية الحيوانات الفردية.

طور فريق ديفيد نظام رؤية حاسوبية لضمان تحديد كل بقرة باستمرار، حتى في المواقف الصعبة. وتمكنوا من التأكد من تعيين نفس المعرف للبقرة نفسها دائماً، حتى لو اختفت عن الأنظار، أو اختلطت بالآخرين، أو ظهرت مرة أخرى لاحقاً.

Link to this sectionمراقبة صحة الخيول باستخدام الرؤية الحاسوبية#

بالانتقال إلى مشروع آخر، قدم ديفيد مشروعاً آخر رائعاً حيث طبقوا تقنيات تتبع سلوكي مماثلة لمراقبة الخيول. في هذا المشروع، لم يحتاج فريق ديفيد إلى تتبع معرفات الخيول الفردية عن كثب كما فعلوا مع الأبقار. بدلاً من ذلك، ركزوا على سلوكيات محددة وتتبعوا تفاصيل مثل أنماط الأكل ومستويات النشاط العام لاكتشاف أي مشكلات صحية في وقت مبكر. يمكن أن يؤدي تحديد التغيرات الصغيرة في السلوك إلى تدخلات أسرع لتقديم رعاية أفضل ومنع المشكلات قبل أن تصبح خطيرة.

الشكل 3. مراقبة الخيول بمساعدة الذكاء الاصطناعي السلوكي.

Link to this sectionلماذا لا يعد الذكاء الاصطناعي السلوكي بسيطاً كما يبدو#

ناقش ديفيد أيضاً تعقيد التتبع السلوكي من خلال مثال مثير للاهتمام. أثناء البحث عن طرق لتحسين التحليل السلوكي، صادف فريقه شركة تدعي اكتشاف السرقة من المتاجر من خلال تحليل وضعيات معينة، مثل شخص يضع يده في جيبه. في البداية، بدا هذا كفكرة ذكية - فبعض الحركات قد توحي بسلوك مشبوه، أليس كذلك؟

الشكل 4. فهم تحديات تقنية التتبع السلوكي.

ومع ذلك، ومع تعمق ديفيد في البحث، أدرك قيود هذه الطريقة. فوضعية واحدة، مثل اليد في الجيب، لا تعني بالضرورة أن الشخص يسرق من المتجر. فقد تشير ببساطة إلى أنه مرتاح، أو يفكر، أو حتى يشعر بالبرد. تكمن مشكلة التركيز على الوضعيات المعزولة في أنها تتجاهل السياق الأوسع. السلوك ليس مجرد إجراء واحد - إنه نمط من الإجراءات بمرور الوقت، يتشكل حسب السياق والنية.

أكد ديفيد أن التتبع السلوكي الحقيقي أكثر تعقيداً بكثير ويتطلب نهجاً شاملاً. يتعلق الأمر بتحليل تسلسلات الإجراءات وفهم ما تعنيه في الصورة الأكبر. وفي حين أن صناعة الذكاء الاصطناعي تخطو خطوات واسعة، أشار إلى أنه لا يزال هناك عمل يتعين القيام به في تطوير التتبع السلوكي لتقديم رؤى ذات مغزى ودقيقة.

Link to this sectionإنشاء نماذج ذكاء اصطناعي بصري أكثر ذكاءً تفهم الإجراءات#

بعد ذلك، أخذ ديفيد الجمهور وراء الكواليس ليظهر لهم كيف بنى فريقه حل رؤية حاسوبية لمراقبة صحة الأبقار بمساعدة YOLOv8، وقدراته في تقدير الوضعية.

بدأوا بإنشاء مجموعة بيانات مخصصة لتقدير وضعية البقرة، مما أدى إلى زيادة العدد القياسي للنقاط الرئيسية من 17 إلى 145 لجعل النموذج أفضل في تحليل الحركة. ثم، تم تدريب النموذج على مجموعة بيانات ضخمة تضم أكثر من 2 مليون صورة و110 مليون مثال سلوكي.

باستخدام بنية تحتية متطورة للأجهزة، تمكن فريق ديفيد من تدريب النموذج في يومين فقط بدلاً من الأسابيع التي كانت ستستغرقها على الأجهزة التقليدية. ثم تم دمج النموذج المدرب مع متتبع سلوك مخصص يحلل إطارات فيديو متعددة في وقت واحد لاكتشاف الأنماط في تصرفات الأبقار.

كانت النتيجة حلاً مدعوماً بالذكاء الاصطناعي البصري يمكنه اكتشاف وتتبع ثمانية سلوكيات مختلفة للأبقار مثل الأكل والشرب والاستلقاء لاكتشاف التغيرات السلوكية الطفيفة التي قد تشير إلى مخاوف صحية. وهذا يسمح للمزارعين بالتصرف بسرعة ويحسن إدارة القطيع.

Link to this sectionالطريق أمام الذكاء الاصطناعي السلوكي#

اختتم ديفيد حديثه بمشاركة درس مهم مع الجمهور: "إذا لم تمنح الذكاء الاصطناعي مجالاً للفشل، فأنت تهيئ نفسك للفشل لأن الذكاء الاصطناعي إحصائي في نهاية المطاف". وأشار إلى أن الذكاء الاصطناعي، رغم قوته، ليس معصوماً من الخطأ. إنه أداة تتعلم من الأنماط، وستكون هناك دائماً أوقات لا ينجح فيها في القيام بالأمور بشكل صحيح. وبدلاً من الخوف من تلك الأخطاء، يتمثل المفتاح في بناء أنظمة يمكنها التعامل معها والاستمرار في التحسن بمرور الوقت.

هذا صحيح أيضاً عندما يتعلق الأمر بـ نماذج الرؤية الحاسوبية نفسها. على سبيل المثال، تم بناء Ultralytics YOLO11، وهو أحدث إصدار من نماذج Ultralytics YOLO، مع الأخذ في الاعتبار الحاجة إلى نقل الأمور إلى المستوى التالي مقارنة بـ YOLOv8.

الشكل 5. مهام الرؤية الحاسوبية المدعومة من YOLO11.

على وجه الخصوص، يوفر YOLO11 أداءً أفضل، خاصة فيما يتعلق بالتطبيقات في الوقت الفعلي حيث تكون الدقة أمراً أساسياً، 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.

Link to this sectionأبرز النقاط#

كانت كلمة ديفيد الرئيسية في YV24 تذكيراً بأن الذكاء الاصطناعي أكثر من مجرد ابتكار رائع - إنه أداة قوية لحل المشكلات الحقيقية وتحسين كيفية عيشنا وعملنا. من خلال التركيز على السلوك، بدأ الذكاء الاصطناعي بالفعل في إحداث تأثير في مجالات مثل تتبع صحة الحيوان والتعرف على الأنماط ذات المغزى في الإجراءات اليومية.

إن إمكانات الذكاء الاصطناعي السلوكي مثيرة، وما زلنا في البداية فقط. من خلال تحويل البيانات الخام إلى رؤى قابلة للتنفيذ، ينتقل الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات النشط. ومع تطوره بشكل أكبر، من المقرر أن يدفع الذكاء الاصطناعي السلوكي قرارات أكثر ذكاءً، ويبسط العمليات، ويحقق تحسينات ملموسة في حياتنا.

ابق على تواصل 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.