الذكاء الاصطناعي السلوكي يجعل الرؤية الحاسوبية أكثر تأثيراً

لععدة سنوات، ركزت ابتكارات الرؤية الحاسوبية على مهام مثل object detection - تحديد الكائنات مثل الكلاب أو السيارات في الصور والفيديوهات. لقد مكنت هذه النهج من التطبيقات في مجالات مثل المركبات المستقلة، التصنيع، 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 مؤتمر YOLO Vision 2024 (YV24)، وهو حدث هجين سنوي تنظمه Ultralytics للاحتفال بالتقدم في مجال vision AI، احتل مفهوم تحليل السلوك المدعوم بالذكاء الاصطناعي مركز الصدارة خلال محادثة ممتعة قدمها David Scott، الرئيس التنفيذي لشركات 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 هذا المقال، سنستعرض أبرز ما جاء في David’s talk ونستكشف كيف يجعل التتبع السلوكي الذكاء الاصطناعي أكثر عملية.

فهم 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."

ومضى موضحاً أنه في شركته، The Main Branch، ينصب التركيز دائماً على حل المشكلات الحقيقية باستخدام الذكاء الاصطناعي، وليس لمجرد استعراض قدراته. يأتي الكثير من العملاء للحديث عن كيفية استخدام الذكاء الاصطناعي بشكل عام، لكنه يرى أن هذا نهج معكوس - إنه يشبه امتلاك حل بلا مشكلة. وبدلاً من ذلك، فإنهم يعملون مع عملاء يطرحون تحديات محددة لكي يتمكنوا من إنشاء AI solutions تحدث فرقاً حقيقياً بالفعل.

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.

تقنية التتبع السلوكي: مفتاح الذكاء الاصطناعي القابل للتنفيذ#

تعتبر الخطوة الحيوية لجعل الذكاء الاصطناعي مفيداً حقاً هي تجاوز computer vision tasks الأساسية مثل اكتشاف الكائنات واستخدام تلك الرؤى لتتبع السلوك. سلط ديفيد الضوء على أن الذكاء الاصطناعي السلوكي يركز على فهم الإجراءات والأنماط، وليس فقط تحديد الكائنات. هذا يجعل الذكاء الاصطناعي قادراً على التعرف على الأحداث ذات الصلة وتقديم رؤى قابلة للتنفيذ.

وقد ضرب مثالاً على حيوان يتمرغ على الأرض، مما قد يشير إلى المرض. في حين لا يمكن للبشر مراقبة حيوان على مدار الساعة، تستطيع AI-driven surveillance systems ذات قدرات التتبع السلوكي فعل ذلك. يمكن لمثل هذه الحلول مراقبة الكائنات بشكل مستمر، اكتشاف سلوكيات محددة، إرسال تنبيه، والسماح باتخاذ إجراء في الوقت المناسب. هذا 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.

إحياء الذكاء الاصطناعي السلوكي#

ثم وضح David Scott كيف كان نموذج الرؤية الحاسوبية Ultralytics YOLOv8 بمثابة إنجاز كبير لمشاريع التتبع السلوكي لفريقه. لقد منحهم أساساً قوياً لاكتشاف الكائنات، تصنيفها، وتتبعها. كما خطا فريقه خطوة أخرى إلى الأمام وقام بعمل custom-trained YOLOv8 للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية وفائدة للمواقف الواقعية.

ومن المثير للاهتمام، مع إطلاق Ultralytics YOLO11، أصبحت الحلول مثل تلك التي أنشأتها The Main Branch أكثر موثوقية ودقة. يوفر هذا النموذج الأحدث ميزات مثل دقة محسنة ومعالجة أسرع تعزز قدرته على تتبع السلوكيات. سنناقش هذا بمزيد من التفصيل بعد تكوين 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.

HerdSense 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.

Fig 2. ركزت منظومة 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.

مراقبة صحة الخيول باستخدام الرؤية الحاسوبية#

بالانتقال إلى موضوع آخر، قدم ديفيد مشروعاً رائعاً آخر حيث طبقوا تقنيات تتبع سلوكي مشابهة لمراقبة الخيول. في هذا المشروع، لم يحتاج فريق ديفيد إلى track معرفات الخيول الفردية عن قرب 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. إن تحديد التغيرات الصغيرة في السلوك يمكن أن يؤدي إلى تدخلات أسرع لتوفير رعاية أفضل ومنع المشكلات قبل أن تصبح خطيرة.

Fig 3. مراقبة الخيول بمساعدة الذكاء الاصطناعي السلوكي.

لماذا 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 detect shoplifting من خلال تحليل وضعيات معينة، مثل وضع شخص يده في جيبه. في البداية، بدا هذا وكأنه فكرة ذكية - فحركات معينة قد توحي بسلوك مشبوه، أليس كذلك؟

Fig 4. فهم تحديات تكنولوجيا 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.

إنشاء نماذج ذكاء اصطناعي بصري أكثر ذكاءً تفهم الإجراءات#

بعد ذلك، أخذ ديفيد الحضور في جولة خلف الكواليس ليظهر لهم كيف بنى فريقه حلاً للرؤية الحاسوبية لمراقبة صحة الأبقار بمساعدة Ultralytics YOLOv8 وإمكانيات تقدير الوضعية الخاصة به.

بدأوا بإنشاء dataset مخصص لتقدير وضعية البقرة، مما زاد 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 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.

الطريق 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 computer vision models نفسها. على سبيل المثال، تم بناء Ultralytics YOLO11، الإصدار الأحدث من نماذج Ultralytics YOLO، مع وضع الحاجة إلى الارتقاء بالأمور إلى المستوى التالي مقارنة بـ YOLOv8 في الاعتبار.

الشكل 5. مهام الرؤية الحاسوبية المدعومة بواسطة Ultralytics YOLO11.

يقدم YOLO11 من Ultralytics على وجه الخصوص أداءً أفضل، لا سيما في التطبيقات في الوقت الفعلي حيث تكون الدقة أمراً أساسياً، مثل الزراعة والرعاية الصحية. بفضل ميزاته المتقدمة، يعيد YOLO11 صياغة طريقة استخدام الصناعات للذكاء الاصطناعي من خلال توفير رؤى مبتكرة في الوقت الفعلي ومساعدتها على مواجهة التحديات بشكل أكثر فعالية.

أبرز 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 اتصال مع our community لمعرفة المزيد عن الذكاء الاصطناعي وتطبيقاته الواقعية. تفضل بزيارة our GitHub repository لاكتشاف الابتكارات في مجالات مثل AI in agriculture و computer vision in manufacturing.