تقود الرؤية الحاسوبية كيفية اتخاذ وكلاء Vision AI للقرارات

تواجه كل صناعة، من التصنيع إلى البيع بالتجزئة، تحدياتها الخاصة المتعلقة بالعمليات، وكان إيجاد طرق مبتكرة لحل هذه المشكلات دائمًا عنصرًا أساسيًا لإدارة أعمال ناجحة. وقد أصبحت وكلاء الذكاء الاصطناعي مؤخرًا حلًا شائعًا في العديد من المجالات. وتتجاوز هذه الأنظمة مجرد تحليل البيانات، إذ يمكنها أيضًا اتخاذ الإجراءات.

على سبيل المثال، يمكن لـوكلاء الذكاء الاصطناعي في التصنيع اكتشاف العيوب في الوقت الفعلي وبدء إجراءات مراقبة الجودة تلقائيًا للحفاظ على سلاسة الإنتاج. وبالمثل، يمكنهم في قطاعَي الخدمات اللوجستية والبيع بالتجزئة مراقبة مواقع متعددة باستخدام المراقبة الذكية وتنبيه الفرق فورًا إلى أي نشاط غير معتاد.

ومع نمو هذا الاتجاه، يعمل وكلاء الذكاء الاصطناعي بنشاط على تحويل الصناعات في جميع أنحاء العالم. وقد بلغ السوق العالمي لوكلاء الذكاء الاصطناعي 5.1 مليارات دولار في عام 2024، ومن المتوقع أن ينمو إلى 47.1 مليار دولار بحلول عام 2030.

الشكل 1. نظرة على حجم السوق العالمي لوكلاء الذكاء الاصطناعي.

تُعد الرؤية الحاسوبية إحدى التقنيات الأساسية التي تدفع هذه التطورات. فمن خلال تمكين الآلات من معالجة البيانات المرئية وتفسيرها، يجعل الذكاء الاصطناعي البصري من الممكن لوكلاء الذكاء الاصطناعي تنفيذ مهام الرؤية الحاسوبية، مثل اكتشاف الأجسام في الوقت الفعلي، وتقسيم الكائنات، وتتبع الأجسام بدقة مذهلة. وهو يسد الفجوة بين ما تراه الآلات وكيفية اتخاذها للقرارات، مما يجعله جزءًا بالغ الأهمية من العديد من الحلول المدعومة بالذكاء الاصطناعي.

في هذه المقالة، سنستكشف وكلاء الذكاء الاصطناعي وعلاقتهم بالرؤية الحاسوبية. وسنناقش أيضًا الأنواع المختلفة لوكلاء الذكاء الاصطناعي وكيفية استخدامها في التطبيقات القائمة على الرؤية. فلنبدأ!

ما وكلاء الذكاء الاصطناعي؟#

قبل التعمق في وكلاء الذكاء الاصطناعي القائمين على الرؤية، دعونا نتوقف لحظة لفهم وكلاء الذكاء الاصطناعي عمومًا، لندرك مدى تعدد استخدامات هذه الأنظمة.

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

يمتلك بعض وكلاء الذكاء الاصطناعي القدرة على التعلّم والتحسن بمرور الوقت، بخلاف أنظمة الذكاء الاصطناعي التقليدية التي تعتمد على مدخلات بشرية عند كل تحديث. ولذلك سرعان ما أصبح وكلاء الذكاء الاصطناعي جزءًا أساسيًا من الذكاء الاصطناعي. ويمكنهم أتمتة المهام، واتخاذ القرارات، والتفاعل مع بيئتهم من دون الحاجة إلى إشراف مستمر. وهم مفيدون بشكل خاص في إدارة المهام المتكررة والمستهلكة للوقت.

على سبيل المثال، يمكن العثور على وكلاء الذكاء الاصطناعي في قطاعات مثل خدمة العملاء والضيافة. إذ يُستخدمون لمعالجة عمليات استرداد الأموال وتقديم توصيات مخصصة للمنتجات في خدمة العملاء. أما في قطاع الضيافة، فيمكنهم مساعدة موظفي الفنادق على إدارة طلبات النزلاء، وتبسيط خدمة الغرف، واقتراح المعالم السياحية القريبة للنزلاء. وتوضح هذه الأمثلة كيف يجعل وكلاء الذكاء الاصطناعي العمليات اليومية أسرع وأكثر كفاءة.

فهم كيفية عمل وكلاء الذكاء الاصطناعي البصري#

والآن، دعونا نلقي نظرة سريعة على كيفية عمل وكلاء الذكاء الاصطناعي. فعلى الرغم من أن كل وكيل ذكاء اصطناعي فريد ومصمم لمهام محددة، فإنها جميعًا تشترك في الخطوات الثلاث الرئيسية نفسها: الإدراك، واتخاذ القرار، والعمل.

أولًا، في خطوة الإدراك، يجمع وكلاء الذكاء الاصطناعي المعلومات من مصادر مختلفة لفهم ما يحدث. ثم تأتي مرحلة اتخاذ القرار. واستنادًا إلى المعلومات التي يجمعونها، يستخدمون خوارزمياتهم لتحليل الموقف وتحديد أفضل مسار للعمل. وأخيرًا يأتي العمل. فبمجرد اتخاذ القرار، ينفذونه، سواء كان ذلك الإجابة عن سؤال، أو إكمال مهمة، أو وضع علامة على مشكلة ليتولى إنسان معالجتها.

قد يبدو الأمر مباشرًا، لكن اعتمادًا على نوع وكيل الذكاء الاصطناعي، غالبًا ما تجري عمليات كثيرة خلف الكواليس لإنجاح هذه الخطوات. فمن تحليل البيانات المعقدة إلى استخدام نماذج تعلّم الآلة المتقدمة، يُبنى كل وكيل ذكاء اصطناعي للتعامل مع مهام محددة بطريقته الخاصة.

فعلى سبيل المثال، بينما يركز العديد من وكلاء الذكاء الاصطناعي على معالجة اللغة عبر NLP، يدمج آخرون، المعروفون باسم وكلاء الذكاء الاصطناعي البصري، الرؤية الحاسوبية للتعامل مع البيانات المرئية. وباستخدام نماذج الرؤية الحاسوبية المتقدمة مثل Ultralytics YOLO11، يستطيع وكلاء الذكاء الاصطناعي البصري إجراء تحليل أكثر دقة للصور.

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

وكلاء الذكاء الاصطناعي البصري في السيارات ذاتية القيادة#

لنستخدم السيارات ذاتية القيادة مثالًا لمعرفة كيفية عمل وكلاء الذكاء الاصطناعي البصري عبر الخطوات الرئيسية الثلاث الموضحة أعلاه:

• الإدراك: يجمع وكلاء الذكاء الاصطناعي البصري في السيارات ذاتية القيادة البيانات المرئية من الكاميرات وأجهزة الاستشعار المثبتة على المركبة. وتتضمن هذه البيانات صورًا ومقاطع فيديو للبيئة المحيطة، مثل المركبات الأخرى، والمشاة، وإشارات المرور، وعلامات الطريق.
• اتخاذ القرار: يعالج وكيل الذكاء الاصطناعي هذه البيانات المرئية باستخدام نماذج مثل Ultralytics YOLO11. ويحدد الأجسام مثل السيارات والمشاة، ويكتشف العوائق أو التغييرات المفاجئة في المسار، ويتعرف على أنماط مثل تدفق حركة المرور وحالات الإشارات. ويساعد ذلك السيارة على فهم ظروف الطريق في الوقت الفعلي.
• العمل: استنادًا إلى تحليله، يتخذ وكيل الذكاء الاصطناعي إجراءً، مثل توجيه السيارة لتجنب عائق، أو ضبط السرعة، أو التوقف عند إشارة حمراء. وتُتخذ هذه القرارات بسرعة لضمان قيادة آمنة وفعالة.

تُعد سيارات Waymo ذاتية القيادة مثالًا رائعًا على هذه التقنية. فهي تستخدم وكلاء الذكاء الاصطناعي البصري لفهم محيطها، واتخاذ قرارات في الوقت الفعلي، والتنقل على الطرق بأمان وكفاءة من دون تدخل بشري.

الشكل 3. سيارة أجرة Waymo ذاتية القيادة قائمة على وكيل ذكاء اصطناعي.

أنواع وكلاء الذكاء الاصطناعي البصري#

بعد أن رأينا كيفية عمل وكلاء الذكاء الاصطناعي وكيفية استخدامهم للرؤية الحاسوبية، دعونا نلقي نظرة على الأنواع المختلفة لوكلاء الذكاء الاصطناعي. إذ صُمم كل نوع لمهام محددة، بدءًا من الإجراءات البسيطة ووصولًا إلى اتخاذ القرارات والتعلّم الأكثر تعقيدًا.

وكلاء رد الفعل البسيط#

وكلاء رد الفعل البسيط هم النوع الأساسي من وكلاء الذكاء الاصطناعي. فهم يستجيبون لمدخلات محددة بإجراءات محددة مسبقًا، اعتمادًا على الوضع الحالي فقط، من دون مراعاة أي سجل سابق أو نتائج مستقبلية. ويستخدم هؤلاء الوكلاء عادةً قواعد بسيطة من نوع "إذا-فإن" لتوجيه سلوكهم.

فيما يتعلق بتحليل الصور، قد تتم برمجة وكيل رد فعل بسيط لاكتشاف لون معين، مثل الأحمر، وتشغيل إجراء فوري، مثل تمييز الأجسام الحمراء أو عدّها. ورغم أن هذا قد ينجح في المهام المباشرة، فإنه لا يفي بالغرض في البيئات الأكثر تعقيدًا، لأن الوكيل لا يتعلم من التجارب السابقة ولا يتكيف معها.

وكلاء رد الفعل القائم على نموذج#

يُعد وكلاء رد الفعل القائم على نموذج أكثر تقدمًا من وكلاء رد الفعل البسيط، لأنهم يستخدمون نموذجًا داخليًا لبيئتهم لفهم الوضع بصورة أفضل. ويتيح لهم هذا النموذج التعامل مع المعلومات المفقودة أو غير المكتملة واتخاذ قرارات أكثر استنارة.

لنأخذ أنظمة كاميرات الأمان المدعومة بالذكاء الاصطناعي مثالًا. إذ يمكن لوكلاء الذكاء الاصطناعي البصري المدمجين فيها استخدام الرؤية الحاسوبية لتحليل ما يحدث في الوقت الفعلي. ويمكنهم مقارنة الحركات والأفعال بنموذج للسلوك الطبيعي، مما يساعدهم على اكتشاف النشاط غير المعتاد، مثل سرقة المتاجر، والإبلاغ عن التهديدات الأمنية المحتملة بدقة أكبر.

الشكل 4. مثال على استخدام الرؤية الحاسوبية لاكتشاف السرقة.

الوكلاء القائمون على المنفعة#

فكر في طائرة مسيّرة قائمة على المنفعة تُستخدم لمراقبة المحاصيل. فهي تعدّل مسار طيرانها لتغطية مساحة أكبر مع تجنب العوائق، وتختار أفضل مسار للمهمة. وهذا يعني أن الطائرة المسيّرة تقيّم إجراءات محتملة متعددة، مثل المنطقة التي ينبغي إعطاؤها الأولوية أو كيفية التنقل بكفاءة، وتختار الإجراء الذي يزيد فعاليتها إلى أقصى حد.

وبالمثل، صُمم الوكلاء القائمون على المنفعة لاختيار أفضل إجراء من بين عدة خيارات لتحقيق أكبر فائدة أو أفضل نتيجة. ويمكن لوكلاء الذكاء الاصطناعي البصري المصممين لهذا الغرض معالجة مدخلات مرئية مختلفة وتحليلها، مثل الصور أو بيانات أجهزة الاستشعار، واختيار النتيجة الأكثر فائدة استنادًا إلى معايير محددة مسبقًا.

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

الوكلاء القائمون على الهدف#

يتشابه الوكلاء القائمون على الهدف مع الوكلاء القائمين على المنفعة، لأن كليهما يهدف إلى تحقيق أهداف محددة. إلا أن الوكلاء القائمين على الهدف يركزون فقط على الإجراءات التي تقربهم من هدفهم المحدد. ويقيّمون كل إجراء بناءً على مدى مساعدته في تحقيق هدفهم، من دون موازنة عوامل أخرى مثل القيمة الإجمالية أو المفاضلات.

على سبيل المثال، تعمل السيارة ذاتية القيادة وكيلًا قائمًا على الهدف عندما يكون هدفها الوصول إلى وجهة معينة. فهي تعالج البيانات الواردة من الكاميرات المدعومة بالذكاء الاصطناعي وأجهزة الاستشعار لاتخاذ قرارات مثل تجنب العوائق، والامتثال لإشارات المرور، واختيار المنعطفات المناسبة للبقاء على المسار. وتسترشد هذه القرارات بالكامل بمدى توافقها مع هدف الوصول إلى الوجهة بأمان وكفاءة. وبخلاف الوكلاء القائمين على المنفعة، يركز الوكلاء القائمون على الهدف فقط على تحقيق الهدف من دون مراعاة معايير إضافية مثل الكفاءة أو التحسين.

الشكل 6. سيارة ذاتية القيادة تستخدم الرؤية الحاسوبية لتحديد الأجسام في محيطها.

الوكلاء المتعلمون#

إذا كنت على دراية بالرؤية الحاسوبية، فربما سمعت عن الضبط الدقيق، وهي عملية تتحسن فيها النماذج من خلال التعلم من بيانات جديدة. ويعمل الوكلاء المتعلمون بطريقة مماثلة، إذ يتكيفون ويتحسنون بمرور الوقت مع اكتسابهم الخبرة. وفي تطبيقات مثل مراقبة الجودة القائمة على الرؤية، يتحسن أداء هؤلاء الوكلاء في اكتشاف العيوب مع كل عملية فحص. وتكتسب هذه القدرة على تحسين الأداء أهمية بالغة، لا سيما في مجالات مثل الطيران، حيث تُعد السلامة والدقة أمرين حيويين.

الوكلاء الهرميون#

يبسّط الوكلاء الهرميون المهام المعقدة من خلال تقسيمها إلى خطوات أصغر وأكثر قابلية للإدارة. ويشرف وكيل أعلى مستوى على العملية ككل، ويتخذ القرارات الاستراتيجية، بينما يتولى وكلاء أدنى مستوى مهام محددة. ويكون هذا الأسلوب أكثر كفاءة في العمليات التي تتضمن خطوات متعددة وتنفيذًا تفصيليًا.

على سبيل المثال، في مستودع آلي، قد يخطط روبوت أعلى مستوى لعملية الفرز، ويقرر العناصر التي ينبغي توجيهها إلى كل منطقة. وفي الوقت نفسه، تركز الروبوتات الأدنى مستوى على تحديد العناصر باستخدام الرؤية الحاسوبية، وتحليل خصائص مثل الحجم والشكل والملصقات، وتنظيمها في الصناديق الصحيحة. ويساعد التقسيم الواضح للمسؤوليات النظام على العمل بسلاسة.

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

كيفية البدء في بناء وكيل ذكاء اصطناعي بصري#

يتمثل جوهر وكيل الذكاء الاصطناعي ذي القدرات البصرية في نموذج للرؤية الحاسوبية. ويُعد Ultralytics YOLO11 أحد أحدث نماذج الرؤية الحاسوبية وأكثرها موثوقية والمتاحة اليوم. ويُعرف YOLO11 بكفاءته ودقته في الوقت الفعلي، مما يجعله مثاليًا لـمهام الرؤية الحاسوبية.

فيما يلي العمليات المختلفة اللازمة لبناء وكيل الذكاء الاصطناعي الخاص بك باستخدام قدرات Ultralytics YOLO11:

• إعداد مجموعة بيانات: اجمع الصور المعلّمة ذات الصلة بالمهمة التي سينفذها وكيل الذكاء الاصطناعي، وعالجها مسبقًا.

• درّب النموذج تدريبًا مخصصًا: درّب Ultralytics YOLO11 تحديدًا على مجموعة بياناتك لتحسين دقته وأدائه بما يلائم تطبيقك الفريد.

• الدمج مع إطار لاتخاذ القرار: صِل النموذج المدرّب بنظام يمكّن وكيل الذكاء الاصطناعي من اتخاذ القرارات استنادًا إلى المدخلات المرئية.

• الاختبار والتحسين: انشر وكيل الذكاء الاصطناعي، واختبر أداءه، واجمع الملاحظات، واضبط النموذج لتحسين الدقة والموثوقية.

أهم النقاط المستخلصة#

يُحدث وكلاء الذكاء الاصطناعي المدمجون مع الرؤية الحاسوبية - أي وكلاء الذكاء الاصطناعي البصري - تحولًا في الصناعات من خلال أتمتة المهام، وتسريع العمليات، وتحسين اتخاذ القرارات. فمن المدن الذكية التي تتحكم في حركة المرور إلى أنظمة الأمان التي تستخدم التعرّف على الوجوه، يقدم هؤلاء الوكلاء حلولًا جديدة للمشكلات الشائعة.

ويمكنهم أيضًا مواصلة التعلم والتحسن بمرور الوقت، مما يجعلهم مفيدين في البيئات المتغيرة. ومع أدوات مثل Ultralytics YOLO11، يصبح إنشاء وكلاء الذكاء الاصطناعي هؤلاء واستخدامهم أسهل، مما يؤدي إلى حلول أكثر ذكاءً وكفاءة.

انضم إلى مجتمعنا واطّلع على مستودع GitHub الخاص بنا للتعرف على الذكاء الاصطناعي. واستكشف مختلف تطبيقات الرؤية الحاسوبية في الرعاية الصحية والذكاء الاصطناعي في الزراعة في صفحات حلولنا. واطّلع على خيارات الترخيص المتاحة للبدء!