يجعل الذكاء الاصطناعي السلوكي الرؤية الحاسوبية أكثر تأثيرًا

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

لكن هذه المهام غالبًا ما تركز فقط على تحديد ماهية الجسم. ماذا لو استطاعت أنظمة الذكاء الاصطناعي البصري التقدم خطوة أخرى؟ فبدلًا من مجرد اكتشاف كلب، يمكنها مثلًا فهم أن الكلب يطارد كرة، أو أن سيارة تكبح فجأة بسبب عبور أحد المشاة. ويمثل هذا الانتقال من التعرف الأساسي إلى الفهم السياقي تحولًا كبيرًا نحو ذكاء اصطناعي سلوكي أكثر ذكاءً ووعيًا بالسياق.

في YOLO Vision 2024 (YV24)، وهو الحدث الهجين السنوي الذي تنظمه Ultralytics للاحتفاء بالتقدم في الذكاء الاصطناعي البصري، احتل مفهوم تحليل السلوك المدعوم بالذكاء الاصطناعي مركز الصدارة خلال محاضرة شيقة ألقاها David Scott، الرئيس التنفيذي لشركة The Main Branch.

استعرض ديفيد في محاضرته الانتقال من مهام الرؤية الحاسوبية الأساسية إلى تعقب السلوك. وبفضل خبرته التي تتجاوز 25 عامًا في بناء تطبيقات تقنية متقدمة، عرض أثر هذه النقلة. وشدد على كيفية إسهام فك الأنماط والسلوكيات في إعادة تشكيل قطاعات مثل الزراعة ورعاية الحيوان.

في هذا المقال، نستعرض أبرز ما ورد في محاضرة David، ونبحث كيف يجعل تتبع السلوك الذكاء الاصطناعي أكثر عملية.

فهم تحديات اعتماد الذكاء الاصطناعي#

بدأ David Scott كلمته الرئيسية بطرح حقيقة صريحة، وقال: «كثيرًا ما يقول أحد زملائي:

وتابع موضحًا أن التركيز في شركته، The Main Branch، ينصب دائمًا على حل المشكلات الحقيقية باستخدام الذكاء الاصطناعي، لا على استعراض إمكاناته فحسب. ويأتي كثير من العملاء راغبين في مناقشة طرق استخدام الذكاء الاصطناعي عمومًا، لكنه يرى أن هذا نهج معكوس - أشبه بامتلاك حل من دون وجود مشكلة. وبدلًا من ذلك، يعملون مع عملاء يطرحون تحديات محددة، حتى يتمكنوا من إنشاء حلول للذكاء الاصطناعي تُحدث فرقًا فعليًا.

الشكل 1. David Scott على خشبة المسرح في YV24.

كما أوضح David أن عملهم غالبًا ما يتجاوز مجرد التعرف على الأجسام في المشهد. فالتعرف على ما هو موجود ليس سوى الخطوة الأولى. وتكمن القيمة الحقيقية في تحديد كيفية الاستفادة من هذه المعلومات وجعلها مفيدة ضمن سلسلة القيمة الأوسع.

تقنية تتبع السلوك: مفتاح الذكاء الاصطناعي القابل للتطبيق#

من الخطوات الأساسية لجعل الذكاء الاصطناعي مفيدًا حقًا تجاوز مهام الرؤية الحاسوبية الأساسية، مثل اكتشاف الأجسام، واستخدام نتائجها لتتبع السلوك. وأوضح David أن الذكاء الاصطناعي السلوكي يركز على فهم الأفعال والأنماط، لا على تحديد الأجسام فحسب. وهذا يمكّن الذكاء الاصطناعي من التعرف على الأحداث المهمة وتقديم رؤى قابلة للتطبيق.

وذكر مثالًا لحيوان يتدحرج على الأرض، وهو سلوك قد يدل على المرض. ورغم تعذر مراقبة الأشخاص للحيوان على مدار الساعة، تستطيع أنظمة المراقبة المدعومة بالذكاء الاصطناعي المزودة بإمكانات تتبع السلوك القيام بذلك. يمكن لهذه الحلول مراقبة الأجسام باستمرار، واكتشاف سلوكيات محددة، وإرسال تنبيه، وإتاحة اتخاذ إجراء في الوقت المناسب. وهكذا تتحول البيانات الخام إلى معلومات عملية وذات قيمة.

كما عرض David كيف يجعل هذا النهج الذكاء الاصطناعي مؤثرًا بحق، لا مثيرًا للاهتمام فحسب. ومن خلال معالجة مشكلات حقيقية، مثل مراقبة السلوكيات واتخاذ إجراءات بناءً عليها، يمكن أن يصبح تتبع السلوك عنصرًا أساسيًا في حلول الذكاء الاصطناعي الفعالة عبر مختلف القطاعات.

تجسيد الذكاء الاصطناعي السلوكي عمليًا#

أوضح David Scott بعد ذلك كيف شكّل Ultralytics YOLOv8، وهو نموذج للرؤية الحاسوبية، نقلة نوعية لمشاريع تتبع السلوك لدى فريقه. فقد وفر أساسًا متينًا لاكتشاف الأجسام وتصنيفها وتتبعها. كما اتخذ فريقه خطوة إضافية، إذ درّب YOLOv8 مخصصًا للتركيز على مراقبة السلوكيات بمرور الوقت، ما جعله أكثر عملية وفائدة في المواقف الواقعية.

ومن المثير للاهتمام أن إصدار Ultralytics YOLO11 يمكن أن يجعل الحلول، مثل تلك التي أنشأها The Main Branch، أكثر موثوقية ودقة. يقدم هذا النموذج ميزات مثل تحسين الدقة وتسريع المعالجة، ما يعزز قدرته على تتبع السلوكيات. وسنناقش ذلك بمزيد من التفصيل بعد أن نتعرّف أكثر على التطبيقات التي يمكن استخدام الذكاء الاصطناعي السلوكي فيها.

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

HerdSense لتحليل السلوك المدعوم بالذكاء الاصطناعي#

أولاً، شارك ديفيد تحدياً مثيراً خاضه في مشروع يُسمى HerdSense، ويتعلق بـمراقبة صحة آلاف الأبقار في حظيرة تسمين ضخمة. وكان الهدف تتبّع سلوك كل بقرة على حدة لتحديد المشكلات الصحية المحتملة. وهذا 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.

ولبدء حل مشكلة تحديد هوية كل بقرة وتتبع سلوكياتها، عقد فريق David ورشة عمل استمرت يومين لتحديد كل السلوكيات المحتملة التي يتعين عليهم مراقبتها. وحددوا أكثر من 200 سلوك إجمالًا.

اعتمد كل واحد من السلوكيات الـ200 على القدرة على التعرف بدقة على الأبقار كلٌّ على حدة، إذ كان لا بد من ربط جميع البيانات بحيوانات بعينها. وكان تتبع الأبقار عند تجمعها في مجموعات متقاربة من أبرز التحديات، لأن ذلك يصعّب تمييز الحيوانات الفردية.

طوّر فريق ديفيد نظاماً للرؤية الحاسوبية لضمان التعرّف باستمرار على كل بقرة، حتى في المواقف الصعبة. وتمكنوا من التأكد من أن البقرة نفسها ستُمنح المعرّف نفسه دائماً، حتى إذا اختفت عن الأنظار أو اختلطت بأبقار أخرى أو ظهرت مجدداً لاحقاً.

مراقبة صحة الخيول باستخدام الرؤية الحاسوبية#

بعد ذلك، قدم David مشروعًا آخر مثيرًا للاهتمام، طبقوا فيه تقنيات مماثلة لتتبع السلوك من أجل مراقبة 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 لرصد أي مشكلات صحية مبكرًا. ويمكن أن يؤدي تحديد التغيرات الطفيفة في السلوك إلى تدخل أسرع، وتوفير رعاية أفضل، والوقاية من تفاقم المشكلات.

الشكل 3. مراقبة الخيول بمساعدة الذكاء الاصطناعي السلوكي.

لماذا ليس الذكاء الاصطناعي السلوكي بسيطًا كما يبدو#

كما ناقش David تعقيد تتبع السلوك من خلال مثال لافت. ففي أثناء بحث فريقه عن سبل لتحسين تحليل السلوك، صادفوا شركة تزعم قدرتها على اكتشاف السرقة من المتاجر عبر تحليل أوضاع جسدية محددة، مثل وضع شخص يده في جيبه. وبدا ذلك في البداية فكرة ذكية؛ إذ قد توحي حركات معينة بسلوك مريب، أليس كذلك؟

الشكل 4. فهم تحديات تقنية تتبع السلوك.

لكن عندما تعمق David في الموضوع، أدرك محدودية هذه الطريقة. فوضعية واحدة، مثل وضع اليد في الجيب، لا تعني بالضرورة أن الشخص يسرق من متجر. فقد تدل ببساطة على الاسترخاء أو التفكير أو حتى الشعور بالبرد. وتكمن مشكلة التركيز على أوضاع منفردة في أنه يتجاهل السياق الأوسع. فالسلوك ليس فعلًا واحدًا، بل نمط من الأفعال المتتابعة عبر الزمن، يتشكل وفق السياق والنية.

وأكد David أن التتبع الحقيقي للسلوك أكثر تعقيدًا بكثير ويتطلب نهجًا شاملًا. إذ يتعلق الأمر بتحليل تسلسلات الأفعال وفهم دلالتها ضمن الصورة الأوسع. وأشار إلى أن قطاع الذكاء الاصطناعي يحرز تقدمًا، لكن لا يزال هناك عمل ينبغي إنجازه لتطوير تتبع السلوك وتقديم رؤى مفيدة ودقيقة.

إنشاء نماذج ذكاء اصطناعي بصري أذكى تفهم الأفعال#

بعد ذلك، اصطحب David الجمهور في جولة خلف الكواليس ليوضح كيف بنى فريقه حلًا للرؤية الحاسوبية لمراقبة صحة الأبقار بمساعدة Ultralytics YOLOv8 وإمكاناته في تقدير الوضعيات.

بدأوا بإنشاء مجموعة بيانات مخصصة لتقدير وضعية البقرة، وزيادة 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.

وبفضل 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 متتبع سلوك مخصص يحلل إطارات فيديو متعددة في الوقت نفسه للكشف عن الأنماط في سلوك الأبقار.

كانت النتيجة حلًا مدعومًا بالذكاء الاصطناعي البصري قادرًا على اكتشاف ثمانية سلوكيات مختلفة للأبقار وتتبعها، مثل الأكل والشرب والاستلقاء، لرصد التغيرات السلوكية الطفيفة التي قد تشير إلى مشكلات صحية. وهذا يتيح للمزارعين التصرف بسرعة ويحسن إدارة القطيع.

آفاق الذكاء الاصطناعي السلوكي#

اختتم David محاضرته بمشاركة درس مهم مع الجمهور: «إذا لم تفسح للذكاء الاصطناعي مجالًا للإخفاق، فأنت تهيئ نفسك للفشل، لأنه في نهاية المطاف نظام إحصائي». وأشار إلى أن الذكاء الاصطناعي، على الرغم من نقاط قوته، ليس معصومًا من الخطأ. فهو أداة تتعلم من الأنماط، وستظل هناك أوقات لا تصيب فيها. وبدلًا من الخوف من تلك الأخطاء، يكمن الحل في بناء أنظمة قادرة على التعامل معها ومواصلة التحسن بمرور الوقت.

وينطبق ذلك أيضاً على نماذج الرؤية الحاسوبية نفسها. فعلى سبيل المثال، صُمّم Ultralytics YOLO11، أحدث إصدار من نماذج Ultralytics YOLO آنذاك (وقد خلفه منذ ذلك الحين Ultralytics YOLO26)، مع مراعاة ضرورة الارتقاء بالأداء إلى مستوى أعلى مقارنةً بـ YOLOv8.

الشكل 5. مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO11.

على وجه الخصوص، يقدّم Ultralytics YOLO11 أداءً أفضل، لا سيما في التطبيقات الآنية التي تُعد فيها الدقة أساسية، مثل الزراعة والرعاية الصحية. وبفضل ميزاته المتقدمة، يساعد YOLO11 القطاعات على استخلاص رؤى آنية والتعامل مع التحديات بفاعلية أكبر.

أبرز النقاط#

ذكّرت الكلمة الرئيسية التي ألقاها David في YV24 الجمهور بأن الذكاء الاصطناعي ليس مجرد ابتكار مبهر، بل أداة قوية لحل المشكلات الحقيقية وتحسين 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 واعدة، وما زلنا في بدايتها. فمن خلال تحويل البيانات الخام إلى رؤى قابلة للتطبيق، ينتقل الذكاء الاصطناعي السلوكي من المراقبة السلبية إلى حل المشكلات النشط. ومع مواصلة تطوره، يُتوقع أن يدفع نحو قرارات أذكى، ويبسط العمليات، ويحقق تحسينات ملموسة في حياتنا.

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