يجعل الذكاء الاصطناعي السلوكي الرؤية الحاسوبية أكثر تأثيرًا

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

ومع ذلك، غالبًا ما تركز هذه المهام فقط على تحديد ماهية الكائن. ماذا لو استطاعت أنظمة الذكاء الاصطناعي للرؤية أن تتقدم خطوة إضافية؟ على سبيل المثال، بدلًا من اكتشاف كلب فحسب، لنفترض أنها تستطيع فهم أن الكلب يطارد كرة، أو أن سيارة تتوقف فجأة لأن أحد المشاة يعبر الطريق. ويمثل هذا الانتقال من التعرف الأساسي إلى الفهم السياقي تحولًا كبيرًا نحو ذكاء اصطناعي سلوكي أكثر ذكاءً ووعيًا بالسياق.

في فعالية YOLO Vision 2024 (YV24) التابعة لشركة Ultralytics، وهي فعالية هجينة سنوية تحتفي بالتقدم في الذكاء الاصطناعي للرؤية، تصدر مفهوم تحليل السلوك المدعوم بالذكاء الاصطناعي المشهد خلال عرض شيق قدمه David Scott، الرئيس التنفيذي لشركة The Main Branch.

في عرضه، استكشف David الانتقال من مهام الرؤية الحاسوبية الأساسية إلى التتبع السلوكي. وبفضل خبرته التي تزيد على 25 عامًا في بناء تطبيقات تقنية متطورة، أوضح أثر هذه القفزة. وشدد على أن فك شفرات الأنماط والسلوكيات يعيد تشكيل صناعات مثل الزراعة ورعاية الحيوانات.

في هذه المقالة، سنستعرض أبرز ما ورد في عرض David ونستكشف كيف يجعل التتبع السلوكي الذكاء الاصطناعي أكثر عملية.

فهم تحديات اعتماد الذكاء الاصطناعي#

استهل David Scott كلمته الرئيسية بحديث واقعي وجريء، وقال: "غالبًا ما يقول أحد زملائي: «العلم لا يبيع»، وهذا يسيء إلى كثيرين منا هنا لأننا نحب العلم حقًا. الذكاء الاصطناعي رائع حقًا - فلماذا لا يشتريه الناس ببساطة؟ لكن الحقيقة هي أن الناس لا يريدون شراءه لمجرد أننا نراه رائعًا؛ بل يحتاجون إلى سبب لشرائه."

وتابع موضحًا أن التركيز في شركته، The Main Branch، ينصب دائمًا على حل مشكلات حقيقية باستخدام الذكاء الاصطناعي، وليس مجرد استعراض إمكاناته. يأتي كثير من العملاء راغبين في مناقشة كيفية استخدام الذكاء الاصطناعي عمومًا، لكنه يرى أن هذا نهج مقلوب - فهو أشبه بامتلاك حل من دون مشكلة. وبدلًا من ذلك، يتعاونون مع عملاء يطرحون تحديات محددة حتى يتمكنوا من إنشاء حلول ذكاء اصطناعي تُحدث فرقًا فعليًا.

الشكل 1. David Scott على خشبة المسرح في YV24.

كما أوضح David أن عملهم يتجاوز غالبًا مجرد التعرف على الكائنات في المشهد. فاكتشاف ما هو موجود ليس سوى الخطوة الأولى. وتكمن القيمة الحقيقية في تحديد ما يجب فعله بهذه المعلومات وجعلها مفيدة ضمن سلسلة القيمة الأوسع.

تقنية التتبع السلوكي: مفتاح الذكاء الاصطناعي القابل للتنفيذ#

تتمثل إحدى الخطوات الحيوية لجعل الذكاء الاصطناعي مفيدًا حقًا في تجاوز مهام الرؤية الحاسوبية الأساسية مثل اكتشاف الكائنات، واستخدام تلك الرؤى في التتبع السلوكي. وأوضح David أن الذكاء الاصطناعي السلوكي يركز على فهم الأفعال والأنماط، وليس على تحديد الكائنات فحسب. وهذا يجعل الذكاء الاصطناعي قادرًا على التعرف على الأحداث المهمة وتقديم رؤى قابلة للتنفيذ.

وقدم مثالًا على حيوان يتدحرج على الأرض، وهو ما قد يشير إلى إصابته بمرض. وبينما لا يستطيع الناس مراقبة حيوان على مدار الساعة، يمكن لـأنظمة المراقبة المدعومة بالذكاء الاصطناعي المزودة بقدرات التتبع السلوكي القيام بذلك. ويمكن لهذه الحلول مراقبة الكائنات باستمرار، واكتشاف سلوكيات محددة، وإرسال تنبيه، وإتاحة اتخاذ إجراء في الوقت المناسب. وهذا يحول البيانات الخام إلى شيء عملي وقيم.

كما أوضح David أن هذا النهج يجعل الذكاء الاصطناعي ليس ممتعًا فحسب، بل مؤثرًا حقًا. ومن خلال معالجة مشكلات حقيقية، مثل مراقبة السلوكيات واتخاذ إجراءات بناءً عليها، يمكن أن يصبح التتبع السلوكي جزءًا أساسيًا من حلول الذكاء الاصطناعي الفعالة في مختلف الصناعات.

تحويل الذكاء الاصطناعي السلوكي إلى واقع#

أوضح David Scott بعد ذلك كيف كان Ultralytics YOLOv8، وهو نموذج للرؤية الحاسوبية، نقطة تحول لمشروعات التتبع السلوكي التي نفذها فريقه. فقد وفر أساسًا متينًا لاكتشاف الكائنات وتصنيفها وتتبعها. كما خطا فريقه خطوة إضافية ودرّب YOLOv8 مخصصًا للتركيز على مراقبة السلوكيات بمرور الوقت، مما جعله أكثر عملية وفائدة في المواقف الواقعية.

ومن المثير للاهتمام أنه مع إصدار Ultralytics YOLO11، يمكن أن تصبح حلول مثل تلك التي أنشأتها The Main Branch أكثر موثوقية ودقة. ويوفر هذا النموذج الأحدث ميزات مثل الدقة المحسنة والمعالجة الأسرع، مما يعزز قدرته على تتبع السلوكيات. سنناقش ذلك بمزيد من التفصيل بعد تكوين فهم أفضل للتطبيقات التي يمكن استخدام الذكاء الاصطناعي السلوكي فيها.

والآن، لنستكشف الحلول التي تحدث عنها David وكيف تُستخدم تقنية التتبع السلوكي في تطبيقات واقعية لحل التحديات اليومية وإحداث أثر ملموس.

HerdSense مع تحليل السلوك المدعوم بالذكاء الاصطناعي#

أولًا، شارك David تحديًا مثيرًا عالجوه من خلال مشروع يُسمى HerdSense، تضمن مراقبة صحة آلاف الأبقار في حظيرة تسمين ضخمة. وكان الهدف تتبع سلوك كل بقرة لتحديد المشكلات الصحية المحتملة. وكان ذلك يعني مراقبة عشرات الآلاف من الحيوانات في الوقت نفسه، ولم تكن مهمة بسيطة.

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

وللبدء في حل مشكلة تحديد هوية كل بقرة وتتبع سلوكياتها، عقد فريق David ورشة عمل لمدة يومين لوضع قائمة بكل سلوك محتمل يحتاجون إلى مراقبته. وحددوا أكثر من 200 سلوك إجمالًا.

اعتمد كل سلوك من السلوكيات المائتين على القدرة على التعرف بدقة على الأبقار الفردية، إذ كان يجب ربط جميع البيانات بحيوانات محددة. وتمثل أحد أبرز المخاوف في تتبع الأبقار عندما تتجمع في مجموعات متقاربة، مما صعّب رؤية الحيوانات الفردية.

طور فريق David نظامًا للرؤية الحاسوبية لضمان تحديد هوية كل بقرة باستمرار، حتى في المواقف المعقدة. وتمكنوا من التأكد من أن البقرة نفسها ستُسند إليها دائمًا المعرّف نفسه، حتى إذا اختفت من مجال الرؤية، أو اختلطت بغيرها، أو ظهرت مجددًا لاحقًا.

مراقبة صحة الخيول باستخدام الرؤية الحاسوبية#

بعد ذلك، قدم David مشروعًا رائعًا آخر طبقوا فيه تقنيات تتبع سلوكي مماثلة لمراقبة الخيول. وفي هذا المشروع، لم يحتج فريق David إلى تتبع معرّفات الخيول الفردية بالدقة نفسها التي اتبعوها مع الأبقار. وبدلًا من ذلك، ركزوا على سلوكيات محددة وتتبعوا تفاصيل مثل أنماط الأكل ومستويات النشاط العامة لاكتشاف أي مشكلات صحية مبكرًا. وقد 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.

لماذا لا يبدو الذكاء الاصطناعي السلوكي بالبساطة المتوقعة#

كما ناقش David تعقيد التتبع السلوكي من خلال مثال مثير للاهتمام. فبينما كان فريقه يبحث عن طرق لتحسين تحليل السلوك، صادف شركة تدعي قدرتها على اكتشاف سرقة المتاجر من خلال تحليل وضعيات محددة، مثل وضع شخص يده في جيبه. في البداية، بدت هذه فكرة ذكية - إذ يمكن لبعض الحركات أن تشير إلى سلوك مريب، أليس كذلك؟

الشكل 4. فهم تحديات تقنية التتبع السلوكي.

ومع ذلك، عندما تعمق David في الاستكشاف، أدرك محدودية هذه الطريقة. فوضعية واحدة، مثل وضع اليد في الجيب، لا تعني بالضرورة أن شخصًا ما يسرق من متجر. فقد تشير ببساطة إلى أنه مسترخٍ أو يفكر أو حتى يشعر بالبرد. وتتمثل مشكلة التركيز على الوضعيات المنفردة في أنه يتجاهل السياق الأوسع. فالسلوك ليس فعلًا واحدًا فحسب - بل هو نمط من الأفعال بمرور الوقت، يتشكل وفقًا للسياق والنية.

وشدد David على أن التتبع السلوكي الحقيقي أكثر تعقيدًا بكثير ويتطلب نهجًا شاملًا. فهو يتعلق بتحليل تسلسلات الأفعال وفهم معناها ضمن الصورة الأوسع. وبينما تحرز صناعة الذكاء الاصطناعي تقدمًا، أشار إلى أنه لا يزال هناك عمل يتعين إنجازه لتطوير التتبع السلوكي وتقديم رؤى هادفة ودقيقة.

إنشاء نماذج ذكاء اصطناعي للرؤية أكثر ذكاءً تفهم الأفعال#

بعد ذلك، اصطحب David الجمهور خلف الكواليس ليُريهم كيف بنى فريقه حلًا للرؤية الحاسوبية لمراقبة صحة الأبقار بمساعدة Ultralytics YOLOv8 وقدراته في تقدير الوضعية.

بدأوا بإنشاء مجموعة بيانات مخصصة لتقدير وضعية بقرة، فزادوا العدد القياسي للنقاط الرئيسية من 17 إلى 145 لتحسين قدرة النموذج على تحليل الحركة. ثم دُرّب النموذج على مجموعة بيانات ضخمة تضم أكثر من مليوني صورة و110 ملايين مثال سلوكي.

وباستخدام بنية تحتية متقدمة للأجهزة، تمكن فريق David من تدريب النموذج في يومين فقط بدلًا من الأسابيع التي كان سيستغرقها التدريب على الأجهزة التقليدية. ثم دُمج النموذج المدرب مع أداة تتبع سلوك مخصصة حللت إطارات فيديو متعددة في الوقت نفسه لاكتشاف الأنماط في أفعال الأبقار.

وكانت النتيجة حلًا للرؤية الحاسوبية مدعومًا بالذكاء الاصطناعي يستطيع اكتشاف ثمانية سلوكيات مختلفة للأبقار وتتبعها، مثل الأكل والشرب والاستلقاء، لرصد التغيرات السلوكية الطفيفة التي قد تشير إلى مخاوف صحية. ويتيح ذلك للمزارعين التصرف بسرعة ويحسن إدارة القطيع.

آفاق الذكاء الاصطناعي السلوكي#

اختتم David عرضه بمشاركة درس مهم مع الجمهور: "إذا لم تمنح الذكاء الاصطناعي مجالًا للفشل، فأنت تهيئ نفسك للفشل، لأنه في نهاية المطاف إحصائي." وأشار إلى أن الذكاء الاصطناعي، رغم نقاط قوته، ليس معصومًا من الخطأ. فهو أداة تتعلم من الأنماط، وستظل هناك أوقات لا تصيب فيها النتائج. وبدلًا من الخوف من هذه الأخطاء، يكمن الحل في بناء أنظمة قادرة على التعامل معها ومواصلة التحسن بمرور الوقت.

وينطبق ذلك أيضًا على نماذج الرؤية الحاسوبية نفسها. فعلى سبيل المثال، صُمم Ultralytics YOLO11، وهو أحدث إصدار من نماذج Ultralytics YOLO، مع مراعاة الحاجة إلى الارتقاء بالأداء إلى مستوى أعلى مقارنةً بـ YOLOv8.

الشكل 5. مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11.

وعلى وجه الخصوص، يقدم Ultralytics YOLO11 أداءً أفضل، لا سيما في التطبيقات الآنية التي تكون فيها الدقة عنصرًا أساسيًا، مثل الزراعة والرعاية الصحية. وبفضل ميزاته المتقدمة، يعيد YOLO11 تعريف طريقة استخدام الصناعات للذكاء الاصطناعي من خلال توفير رؤى مبتكرة آنية ومساعدتها على مواجهة التحديات بفاعلية أكبر.

أهم النقاط المستخلصة#

كانت الكلمة الرئيسية التي ألقاها David في YV24 تذكيرًا بأن الذكاء الاصطناعي يتجاوز كونه ابتكارًا رائعًا - فهو أداة قوية لحل المشكلات الحقيقية وتحسين أسلوب حياتنا وعملنا. ومن خلال التركيز على السلوك، يُحدث الذكاء الاصطناعي أثرًا بالفعل في مجالات مثل تتبع صحة الحيوانات والتعرف على الأنماط المهمة في الأفعال اليومية.

إن إمكانات الذكاء الاصطناعي السلوكي تبعث على الحماس، وما زلنا في البداية فقط. فمن خلال تحويل البيانات الخام إلى رؤى قابلة للتنفيذ، ينتقل الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات بصورة نشطة. ومع مزيد من التطور، من المنتظر أن يقود الذكاء الاصطناعي السلوكي إلى قرارات أكثر ذكاءً، ويبسط العمليات، ويحقق تحسينات ملموسة في حياتنا.

ابقَ على تواصل مع مجتمعنا لمعرفة المزيد عن الذكاء الاصطناعي وتطبيقاته الواقعية. تفضل بزيارة مستودعنا على GitHub لاكتشاف الابتكارات في مجالات مثل الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في التصنيع.