توجّه الرؤية الحاسوبية كيفية اتخاذ وكلاء الذكاء الاصطناعي البصري للقرارات

تواجه كل صناعة، من التصنيع إلى البيع بالتجزئة، تحدياتها الخاصة في العمليات، وقد كان إيجاد طرق مبتكرة لحل هذه المشكلات دائمًا عنصرًا أساسيًا في نجاح الأعمال. ومؤخرًا، أصبحت وكلاء الذكاء الاصطناعي حلًا شائعًا في مجالات عديدة. وتتجاوز هذه الأنظمة تحليل البيانات، إذ يمكنها أيضًا اتخاذ الإجراءات.

على سبيل المثال، يمكن لوكلاء الذكاء الاصطناعي في التصنيع اكتشاف العيوب في الوقت الفعلي وبدء إجراءات ضبط الجودة تلقائيًا لضمان استمرار الإنتاج بسلاسة. وبالمثل، يمكنها في الخدمات اللوجستية وقطاع البيع بالتجزئة مراقبة مواقع متعددة باستخدام أنظمة مراقبة ذكية وتنبيه الفرق فورًا إلى أي نشاط غير معتاد.

مع اتساع هذا الاتجاه، تعمل وكلاء الذكاء الاصطناعي بنشاط على تحويل الصناعات حول العالم. وقد بلغ حجم سوق وكلاء الذكاء الاصطناعي العالمي 5.1 مليارات دولار في عام 2024، ومن المتوقع أن ينمو إلى 47.1 مليار دولار بحلول عام 2030.

الشكل 1. نظرة على حجم سوق وكلاء الذكاء الاصطناعي العالمي.

تُعد الرؤية الحاسوبية إحدى التقنيات الأساسية التي تقود هذه التطورات. فمن خلال تمكين الآلات من معالجة البيانات المرئية وتفسيرها، يتيح الذكاء الاصطناعي المرئي لوكلاء الذكاء الاصطناعي تنفيذ مهام الرؤية الحاسوبية، مثل كشف الكائنات آنيًا وتقسيم الكائنات الفردية وتتبعها، بدقة عالية. وهو يسد الفجوة بين ما تراه الآلات وكيفية اتخاذها للقرارات، ما يجعله جزءًا أساسيًا من العديد من الحلول المدعومة بالذكاء الاصطناعي.

في هذه المقالة، سنستكشف وكلاء الذكاء الاصطناعي وعلاقتهم بالرؤية الحاسوبية. كما سنناقش أنواع وكلاء الذكاء الاصطناعي المختلفة وكيفية استخدامها في التطبيقات القائمة على الرؤية.

ما وكلاء الذكاء الاصطناعي؟#

قبل التعمق في وكلاء الذكاء الاصطناعي المعتمدين على الرؤية، لنتوقف لحظة لفهم وكلاء الذكاء الاصطناعي عمومًا، كي نرى مدى تعدد استخدامات هذه الأنظمة.

وكيل الذكاء الاصطناعي هو نظام ذكي يستطيع فهم المهام أو الأسئلة والاستجابة لها دون الحاجة إلى مساعدة بشرية. ويستخدم كثير من وكلاء الذكاء الاصطناعي التعلم الآلي ومعالجة اللغة الطبيعية (NLP) للتعامل مع مجموعة واسعة من المهام، بدءًا من الإجابة عن الأسئلة الأساسية ووصولًا إلى إدارة العمليات المعقدة.

حتى إن بعض وكلاء الذكاء الاصطناعي قادرون على التعلّم والتحسن بمرور الوقت، بخلاف أنظمة الذكاء الاصطناعي التقليدية التي تعتمد على تدخل بشري مع كل تحديث. لذلك، سرعان ما أصبح وكلاء الذكاء الاصطناعي جزءًا أساسيًا من الذكاء الاصطناعي. ويمكنهم أتمتة المهام واتخاذ القرارات والتفاعل مع بيئتهم من دون إشراف مستمر. وهم مفيدون بوجه خاص في إدارة المهام المتكررة والمستهلكة للوقت.

فعلى سبيل المثال، يمكن العثور على وكلاء الذكاء الاصطناعي في قطاعات مثل خدمة العملاء والضيافة. ويُستخدمون في خدمة العملاء لمعالجة طلبات استرداد الأموال وتقديم توصيات مخصصة بالمنتجات. أما في قطاع الضيافة، فيمكنهم مساعدة موظفي الفنادق على إدارة طلبات النزلاء، وتبسيط خدمة الغرف، واقتراح أماكن جذب قريبة على النزلاء. وتوضح هذه الأمثلة كيف يجعل وكلاء الذكاء الاصطناعي العمليات اليومية أسرع وأكثر كفاءة.

فهم طريقة عمل وكلاء الذكاء الاصطناعي المعتمدين على الرؤية#

بعد ذلك، لنلقِ نظرة سريعة على آلية عمل وكلاء الذكاء الاصطناعي. رغم أن لكل وكيل ذكاء اصطناعي خصائصه ومهامه المحددة، فإنها جميعًا تشترك في الخطوات الرئيسية الثلاث نفسها: الإدراك واتخاذ القرار والتنفيذ.

أولًا، في مرحلة الإدراك، يجمع وكلاء الذكاء الاصطناعي المعلومات من مصادر مختلفة لفهم ما يحدث. تلي ذلك مرحلة اتخاذ القرار. واستنادًا إلى المعلومات التي يجمعونها، يستخدمون خوارزمياتهم لتحليل الموقف وتحديد أفضل مسار للعمل. وأخيرًا، تأتي مرحلة التنفيذ. فبعد اتخاذ القرار، ينفذونه، سواء أكان ذلك بالإجابة عن سؤال، أم بإتمام مهمة، أم بالإبلاغ عن مشكلة ليتولى الإنسان معالجتها.

قد يبدو الأمر مباشرًا، لكن طريقة تنفيذ هذه الخطوات تنطوي غالبًا على كثير من العمليات الخفية، بحسب نوع وكيل الذكاء الاصطناعي. فمن تحليل البيانات المعقدة إلى استخدام نماذج تعلّم الآلة المتقدمة، يُصمَّم كل وكيل ذكاء اصطناعي لمعالجة مهام محددة بطريقته الخاصة.

فعلى سبيل المثال، بينما يركز كثير من وكلاء الذكاء الاصطناعي على معالجة اللغة باستخدام معالجة اللغة الطبيعية (NLP)، يدمج آخرون، المعروفون بوكلاء الذكاء الاصطناعي المعتمدين على الرؤية، الرؤية الحاسوبية لمعالجة البيانات المرئية. وباستخدام نماذج الرؤية الحاسوبية المتقدمة مثل Ultralytics YOLO11، يستطيع وكلاء الذكاء الاصطناعي المعتمدون على الرؤية إجراء تحليل أدق للصور.

الشكل 2. مثال على عدّ التفاح في صورة باستخدام YOLO11.

وكلاء الذكاء الاصطناعي المعتمدون على الرؤية في السيارات ذاتية القيادة#

لنستخدم السيارات ذاتية القيادة مثالًا لمعرفة كيفية عمل وكلاء الذكاء الاصطناعي المعتمدين على الرؤية وفق الخطوات الرئيسية الثلاث الموضحة أعلاه:

• الإدراك: تجمع وكلاء الذكاء الاصطناعي للرؤية في السيارات ذاتية القيادة البيانات المرئية من الكاميرات والمستشعرات المثبتة في المركبة. وتشمل هذه البيانات صورًا ومقاطع فيديو للبيئة المحيطة، مثل المركبات الأخرى والمشاة وإشارات المرور واللافتات المرورية.
• اتخاذ القرار: يعالج وكيل الذكاء الاصطناعي هذه البيانات المرئية باستخدام نماذج مثل Ultralytics YOLO11. ويحدد أشياء مثل السيارات والمشاة، ويرصد العوائق أو التغييرات المفاجئة في المسار، ويتعرف على أنماط مثل تدفق حركة المرور وحالات الإشارات. وهذا يساعد السيارة على فهم ظروف الطريق في الوقت الفعلي.
• التنفيذ: بناءً على تحليله، يتخذ وكيل الذكاء الاصطناعي إجراءات، مثل توجيه السيارة لتجنب عائق، أو تعديل سرعتها، أو التوقف عند إشارة حمراء. وتُتخذ هذه القرارات بسرعة لضمان قيادة آمنة وفعالة.

تُعد سيارات Waymo ذاتية القيادة مثالًا معروفًا على هذه التقنية. فهي تستخدم وكلاء الذكاء الاصطناعي للرؤية لفهم ما يحيط بها، واتخاذ قرارات آنية، والتنقل على الطرق بأمان وكفاءة من دون تدخل بشري.

الشكل 3. سيارة أجرة ذاتية القيادة من Waymo تعتمد على وكلاء الذكاء الاصطناعي.

أنواع وكلاء الذكاء الاصطناعي المعتمدين على الرؤية#

بعد أن اطلعنا على طريقة عمل وكلاء الذكاء الاصطناعي وكيفية استخدامهم للرؤية الحاسوبية، لنستعرض الأنواع المختلفة لوكلاء الذكاء الاصطناعي. يُصمَّم كل نوع لمهام محددة، بدءًا من الإجراءات البسيطة وصولًا إلى اتخاذ القرارات والتعلّم الأكثر تعقيدًا.

الوكلاء الانعكاسيون البسيطون#

الوكلاء الانعكاسيون البسيطون هم أبسط أنواع وكلاء الذكاء الاصطناعي. يستجيبون لمدخلات محددة بإجراءات مُعرّفة مسبقًا، استنادًا حصريًا إلى الوضع الحالي من دون مراعاة أي سجل سابق أو نتائج مستقبلية. وتستخدم هذه الوكلاء عادةً قواعد بسيطة من نوع «إذا... فـ...» لتوجيه سلوكها.

في تحليل الصور، يمكن برمجة وكيل انعكاسي بسيط لاكتشاف لون معين (مثل الأحمر) وبدء إجراء فوري (مثل تمييز الأجسام الحمراء أو عدّها). ورغم أن هذا قد ينجح في المهام المباشرة، فإنه لا يكفي في البيئات الأكثر تعقيدًا، لأن الوكيل لا يتعلم من التجارب السابقة ولا يتكيف معها.

الوكلاء الانعكاسيون المعتمدون على نموذج#

تتسم الوكلاء الانعكاسيون المعتمدة على نموذج بتطور أكبر من الوكلاء الانعكاسيين البسيطين، لأنها تستخدم نموذجًا داخليًا لبيئتها يساعدها على فهم الوضع على نحو أفضل. ويتيح لها هذا النموذج التعامل مع المعلومات الناقصة أو غير المكتملة واتخاذ قرارات أكثر استنارة.

خذ أنظمة كاميرات المراقبة المدعومة بالذكاء الاصطناعي مثالًا. يمكن لوكلاء الذكاء الاصطناعي للرؤية المدمجين فيها استخدام الرؤية الحاسوبية لتحليل ما يحدث في الوقت الفعلي. ويمكنهم مقارنة الحركات والتصرفات بنموذج للسلوك الطبيعي، ما يساعدهم على رصد الأنشطة غير المعتادة، مثل السرقة من المتاجر، والتنبيه إلى التهديدات الأمنية المحتملة بدقة أكبر.

الشكل 4. مثال على استخدام الرؤية الحاسوبية لاكتشاف السرقة.

الوكلاء القائمون على المنفعة#

تخيّل طائرة مسيّرة قائمة على المنفعة تُستخدم لمراقبة المحاصيل. تعدّل الطائرة مسار طيرانها لتغطي مساحة أكبر مع تجنب العوائق، وتختار أفضل مسار للمهمة. وهذا يعني أن الطائرة المسيّرة تقيّم إجراءات محتملة متعددة، مثل تحديد المنطقة التي ينبغي إعطاؤها الأولوية أو كيفية التنقل بكفاءة، ثم تختار الإجراء الذي يحقق أكبر قدر من الفاعلية.

وبالمثل، صُممت الوكلاء القائمة على المنفعة لاختيار أفضل إجراء من بين عدة خيارات لتحقيق أكبر فائدة أو أفضل نتيجة. ويمكن لوكلاء الذكاء الاصطناعي المعتمدين على الرؤية والمصممين لهذا الغرض معالجة مدخلات مرئية مختلفة وتحليلها، مثل الصور أو بيانات المستشعرات، ثم اختيار النتيجة الأكثر فائدة وفق معايير محددة مسبقًا.

الشكل 5. يمكن استخدام الطائرات المسيّرة القائمة على المنفعة لمراقبة المحاصيل.

الوكلاء القائمة على الأهداف#

تشبه الوكلاء القائمة على الأهداف الوكلاء القائمة على المنفعة، إذ يسعى كلا النوعين إلى تحقيق أهداف محددة. لكن الوكلاء القائمة على الأهداف تركز حصرًا على الإجراءات التي تقربها من هدفها المحدد. وتقيّم كل إجراء بناءً على مدى إسهامه في بلوغ الهدف، من دون الموازنة بين عوامل أخرى مثل القيمة الإجمالية أو المفاضلات.

فعلى سبيل المثال، تعمل السيارة ذاتية القيادة بوصفها وكيلًا قائمًا على الأهداف عندما يكون هدفها الوصول إلى وجهة معينة. وتعالج البيانات الواردة من كاميرات الذكاء الاصطناعي والمستشعرات لاتخاذ قرارات مثل تجنب العوائق، والامتثال لإشارات المرور، واختيار المنعطفات المناسبة لمواصلة السير في المسار. وتسترشد هذه القرارات بالكامل بمدى توافقها مع هدف الوصول إلى الوجهة بأمان وكفاءة. وعلى خلاف الوكلاء القائمة على المنفعة، تركز الوكلاء القائمة على الأهداف على تحقيق الهدف فقط، من دون مراعاة معايير إضافية مثل الكفاءة أو التحسين.

الشكل 6. سيارة ذاتية القيادة تستخدم الرؤية الحاسوبية للتعرف على الأجسام المحيطة بها.

وكلاء التعلّم#

إذا كنت على دراية بالرؤية الحاسوبية، فربما سمعت عن الضبط الدقيق - وهي عملية تتحسن فيها النماذج بالتعلم من بيانات جديدة. تعمل وكلاء التعلم بطريقة مشابهة، إذ تتكيف وتتحسن بمرور الوقت مع اكتساب الخبرة. وفي تطبيقات مثل مراقبة الجودة القائمة على الرؤية، تتحسن قدرة هذه الوكلاء على اكتشاف العيوب مع كل عملية فحص. وتكتسب هذه القدرة على تحسين الأداء أهمية خاصة في مجالات مثل الطيران، حيث تُعد السلامة والدقة أمرين بالغَي الأهمية.

الوكلاء الهرميون#

تُبسّط الوكلاء الهرمية المهام المعقدة بتقسيمها إلى خطوات أصغر وأسهل في الإدارة. ويشرف وكيل ذو مستوى أعلى على العملية ككل ويتخذ قرارات استراتيجية، بينما تتولى الوكلاء ذات المستويات الأدنى مهامًا محددة. وتكون هذه الطريقة أكثر كفاءة في العمليات متعددة الخطوات التي تتطلب تنفيذًا دقيقًا.

فعلى سبيل المثال، قد يخطط روبوت ذو مستوى أعلى في مستودع آلي لعملية الفرز، ويحدد العناصر التي ينبغي توجيهها إلى كل منطقة. وفي الوقت نفسه، تركز الروبوتات ذات المستويات الأدنى على تحديد العناصر باستخدام الرؤية الحاسوبية، وتحليل خصائص مثل الحجم والشكل والملصقات، وفرزها في الحاويات الصحيحة. ويساعد التقسيم الواضح للمسؤوليات على ضمان سير النظام بسلاسة.

الشكل 7. مثال على وكيل ذكاء اصطناعي روبوتي يفرز الطرود.

كيفية البدء في إنشاء وكيل ذكاء اصطناعي معتمد على الرؤية#

جوهر وكيل الذكاء الاصطناعي القادر على الرؤية هو نموذج للرؤية الحاسوبية، مثل Ultralytics YOLO11 أو خليفته، Ultralytics YOLO26. وتشتهر هذه النماذج بكفاءتها ودقتها في الوقت الفعلي، ما يجعلها ملائمة لمهام الرؤية الحاسوبية.

فيما يلي العمليات المختلفة التي يتضمنها إنشاء وكيل ذكاء اصطناعي خاص بك باستخدام إمكانات Ultralytics YOLO11:

• إعداد مجموعة بيانات: اجمع صورًا موسومة ذات صلة بالمهمة التي سينفذها وكيل الذكاء الاصطناعي، وأجرِ المعالجة المسبقة عليها.
• تدريب النموذج تدريبًا مخصصًا: درّب Ultralytics YOLO11 خصيصًا على مجموعة بياناتك لتحسين دقته وأدائه في تطبيقك الفريد.
• الدمج مع إطار لاتخاذ القرار: اربط النموذج المدرّب بنظام يمكّن وكيل الذكاء الاصطناعي من اتخاذ القرارات استنادًا إلى المدخلات المرئية، مثل Ultralytics Agents، الذي يحوّل التنبؤات إلى إجراءات مؤتمتة.
• الاختبار والتحسين: انشر وكيل الذكاء الاصطناعي، واختبر أداءه، واجمع الملاحظات، وعدّل النموذج لتحسين الدقة والموثوقية.

أبرز النقاط#

يُحدث وكلاء الذكاء الاصطناعي المدمجون مع الرؤية الحاسوبية، أي وكلاء الذكاء الاصطناعي المعتمدون على الرؤية، تغييرًا في قطاعات مختلفة من خلال أتمتة المهام، وتسريع العمليات، وتحسين اتخاذ القرار. فمن المدن الذكية التي تدير حركة المرور إلى أنظمة الأمن التي تستخدم التعرف على الوجوه، تقدم هذه الوكلاء حلولًا جديدة لمشكلات شائعة.

يمكنها أيضًا مواصلة التعلم والتحسن بمرور الوقت، ما يجعلها مفيدة في البيئات المتغيرة. وباستخدام أدوات مثل Ultralytics YOLO11، يصبح إنشاء وكلاء الذكاء الاصطناعي هذه واستخدامها أسهل، ما يؤدي إلى حلول أذكى وأكثر كفاءة.

انضم إلى مجتمعنا واطّلع على مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. واستكشف تطبيقات متنوعة لـالرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في الزراعة في صفحات حلولنا. وألقِ نظرة على خيارات الترخيص المتاحة للبدء!