يقود الرؤية الحاسوبية الطريقة التي تتخذ بها وكلاء الذكاء الاصطناعي الرؤيوي قراراتهم

تواجه كل صناعة، من التصنيع إلى البيع بالتجزئة، تحديات خاصة في عملياتها، وكان العثور على طرق مبتكرة لحل هذه المشكلات دائمًا مفتاحًا لإدارة أعمال ناجحة. في الآونة الأخيرة، أصبح وكلاء الذكاء الاصطناعي حلاً شائعًا عبر العديد من المجالات. لا تكتفي هذه الأنظمة بتحليل البيانات فحسب، بل يمكنها أيضًا اتخاذ إجراءات.

على سبيل المثال، يمكن لـ AI agents in manufacturing اكتشاف العيوب في الوقت الفعلي وبدء إجراءات مراقبة الجودة تلقائياً للحفاظ على سير الإنتاج بسلاسة. وبالمثل، في مجالي logistics والتجزئة، يمكنها مراقبة مواقع متعددة باستخدام المراقبة الذكية وتنبيه الفرق فوراً بأي نشاط غير معتاد.

مع نمو هذا الاتجاه، تعمل وكلاء الذكاء الاصطناعي (AI agents) على تحويل الصناعات في جميع أنحاء العالم بشكل نشط. بلغ حجم global AI agents market 5.1 مليار دولار في عام 2024 ومن المتوقع أن ينمو ليصل إلى 47.1 مليار دولار بحلول عام 2030.

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

إحدى التقنيات الرئيسية التي تدفع هذه التطورات هي computer vision. من خلال تمكين الآلات من معالجة البيانات المرئية وتفسيرها، تجعل رؤية الذكاء الاصطناعي (vision AI) من الممكن لوكلاء الذكاء الاصطناعي أداء مهام الرؤية الحاسوبية مثل اكتشاف الكائنات في الوقت الفعلي، وتجزئة المثيلات، وتتبع الكائنات بدقة مذهلة. وهي تسد الفجوة بين ما تراه الآلات وكيفية اتخاذها للقرارات، مما يجعلها جزءاً بالغ أهمية في العديد من الحلول المدعومة بالذكاء الاصطناعي.

في هذه المقالة، سوف نستكشف وكلاء الذكاء الاصطناعي وعلاقتهم بالرؤية الحاسوبية. سنناقش أيضًا الأنواع المختلفة لوكلاء الذكاء الاصطناعي وكيفية استخدامهم في التطبيقات القائمة على الرؤية. لنبدأ!

ما هي وكلاء الذكاء الاصطناعي؟#

قبل الغوص في وكلاء الذكاء الاصطناعي القائمين على الرؤية، دعنا نأخذ لحظة لفهم وكلاء الذكاء الاصطناعي بشكل عام لنرى مدى تعدد استخدامات هذه الأنظمة.

وكيل الذكاء الاصطناعي هو نظام ذكي يمكنه فهم المهام أو الأسئلة والاستجابة لها دون الحاجة إلى مساعدة بشرية. يستخدم العديد من وكلاء الذكاء الاصطناعي التعلم الآلي ومعالجة اللغات الطبيعية (NLP) للتعامل مع مجموعة واسعة من المهام، بدءًا من الإجابة على الأسئلة الأساسية وحتى إدارة العمليات المعقدة.

يتمتع بعض وكلاء الذكاء الاصطناعي بالقدرة على التعلم والتحسن بمرور الوقت، على عكس أنظمة الذكاء الاصطناعي التقليدية التي تعتمد على المدخلات البشرية في كل تحديث. ولهذا السبب أصبح وكلاء الذكاء الاصطناعي جزءًا أساسيًا من الذكاء الاصطناعي بسرعة. يمكنهم أتمتة المهام واتخاذ القرارات والتفاعل مع بيئتهم دون الحاجة إلى إشراف مستمر. إنها مفيدة بشكل خاص لإدارة المهام المتكررة والمستهلكة للوقت.

على سبيل المثال، يمكنك العثور على وكلاء الذكاء الاصطناعي في قطاعات مثل خدمة العملاء والضيافة. يُستخدم وكلاء الذكاء الاصطناعي لمعالجة عمليات استرداد الأموال وتقديم توصيات مخصصة للمنتجات في خدمة العملاء. وفي الوقت نفسه، في صناعة الضيافة، يمكنهم مساعدة موظفي الفندق في إدارة طلبات الضيوف، وتبسيط خدمة الغرف، واقتراح مناطق الجذب القريبة للضيوف. توضح هذه الأمثلة كيف يجعل وكلاء الذكاء الاصطناعي العمليات اليومية أسرع وأكثر كفاءة.

فهم كيفية عمل وكلاء الذكاء الاصطناعي البصري#

بعد ذلك، دعنا نلقي نظرة سريعة على كيفية عمل وكلاء الذكاء الاصطناعي. على الرغم من أن كل وكيل ذكاء اصطناعي فريد ومصمم لمهام محددة، إلا أنهم جميعًا يتشاركون في الخطوات الثلاث الرئيسية نفسها: الإدراك، واتخاذ القرار، والعمل.

أولاً، في خطوة الإدراك، يجمع وكلاء الذكاء الاصطناعي المعلومات من مصادر مختلفة لفهم ما يحدث. التالي هو اتخاذ القرار. بناءً على المعلومات التي يجمعونها، يستخدمون خوارزمياتهم لتحليل الموقف وتحديد أفضل مسار للعمل. أخيرًا، هناك الإجراء. بمجرد اتخاذ القرار، يقومون بتنفيذه - سواء كان ذلك بالإجابة على سؤال، أو إكمال مهمة، أو الإبلاغ عن مشكلة ليتعامل معها شخص بشري.

قد يبدو الأمر مباشرًا، ولكن اعتمادًا على نوع وكيل الذكاء الاصطناعي، غالبًا ما يحدث الكثير خلف الكواليس لجعل هذه الخطوات تعمل. من تحليل البيانات المعقدة إلى استخدام نماذج تعلم آلي متقدمة، تم تصميم كل وكيل ذكاء اصطناعي للتعامل مع مهام محددة بطريقته الخاصة.

على سبيل المثال، بينما تركز العديد من وكلاء الذكاء الاصطناعي على معالجة اللغة من خلال NLP، يدمج آخرون - المعروفون باسم وكلاء رؤية الذكاء الاصطناعي (vision AI agents) - رؤية الحاسوب تتعامل مع البيانات المرئية. باستخدام نماذج رؤية حاسوبية متقدمة مثل Ultralytics YOLO11، يمكن لوكلاء رؤية الذكاء الاصطناعي إجراء تحليل أكثر دقة للصور.

Fig 2. مثال على عد التفاح في صورة باستخدام YOLO11.

وكلاء الذكاء الاصطناعي البصري في السيارات ذاتية القيادة#

دعونا نستخدم السيارات ذاتية القيادة كمثال لنرى كيف يعمل وكلاء الذكاء الاصطناعي البصري من خلال الخطوات الثلاث الرئيسية الموضحة أعلاه:

• الادراك: تقوم Vision AI agents in self-driving السيارات ذاتية القيادة بجمع البيانات المرئية من الكاميرات والـ sensors المثبتة على المركبة. تتضمن هذه البيانات صوراً وفيديوهات للبيئة المحيطة، مثل المركبات الأخرى، والمشاة، وإشارات المرور، وعلامات الطرق.
• اتخاذ القرار: يقوم وكيل الذكاء الاصطناعي بمعالجة هذه البيانات المرئية باستخدام نماذج مثل Ultralytics YOLO11. وهو يحدد الكائنات مثل السيارات والمشاة، ويكتشف العوائق أو تغييرات المسار المفاجئة، ويثبت الأنماط مثل تدفق حركة المرور وساطات الإشارات. وهذا يساعد السيارة على فهم ظروف الطريق في الوقت الفعلي.
• العمل: بناءً على تحليله، يتخذ وكيل الذكاء الاصطناعي إجراءً، مثل التوجيه لتجنب عقبة، أو تعديل السرعة، أو التوقف عند إشارة حمراء. يتم اتخاذ هذه القرارات بسرعة لضمان قيادة آمنة وفعالة.

تعد سيارات Waymo ذاتية القيادة مثالًا رائعًا على هذه التكنولوجيا. يستخدمون وكلاء الذكاء الاصطناعي البصري لفهم محيطهم، واتخاذ قرارات في الوقت الفعلي، والتنقل في الطرق بأمان وكفاءة دون تدخل بشري.

Fig 3. سيارة أجرة ذاتية القيادة تعتمد على وكيل الذكاء الاصطناعي من Waymo.

أنواع وكلاء الذكاء الاصطناعي البصري#

الآن بعد أن رأينا كيف يعمل وكلاء الذكاء الاصطناعي وكيف يستخدمون الرؤية الحاسوبية، دعنا نلقي نظرة على الأنواع المختلفة لوكلاء الذكاء الاصطناعي. تم تصميم كل نوع لمهام محددة، بدءًا من الإجراءات البسيطة وحتى اتخاذ القرار والتعلم الأكثر تعقيدًا.

الوكلاء الانعكاسيون البسيطون#

الوكلاء الانعكاسيون البسيطون هم النوع الأكثر أساسية من وكلاء الذكاء الاصطناعي. إنهم يستجيبون لمدخلات محددة بإجراءات محددة مسبقًا، بناءً على الموقف الحالي فقط دون النظر إلى أي تاريخ أو نتائج مستقبلية. يستخدم هؤلاء الوكلاء عادةً قواعد "إذا-فإن" البسيطة لتوجيه سلوكهم.

فيما يتعلق بتحليل الصور، قد تتم برمجة وكيل انعكاسي بسيط لاكتشاف لون معين (مثل الأحمر) وإطلاق إجراء فوري (مثل تمييز أو عد الكائنات الحمراء). بينما يمكن أن ينجح هذا في المهام المباشرة، إلا أنه يقصر في البيئات الأكثر تعقيدًا، حيث لا يتعلم الوكيل أو يتكيف من التجارب السابقة.

الوكلاء الانعكاسيون القائمون على النموذج#

الوكلاء الانعكاسيون القائمون على النموذج هم أكثر تقدمًا من الوكلاء الانعكاسيين البسيطين لأنهم يستخدمون نموذجًا داخليًا لبيئتهم لفهم الموقف بشكل أفضل. يتيح لهم هذا النموذج التعامل مع المعلومات المفقودة أو غير الكاملة واتخاذ قرارات أكثر استنارة.

خذ AI security camera systems، على سبيل المثال. يمكن لوكلاء رؤية الذكاء الاصطناعي المدمجون فيها استخدام رؤية الحاسوب لتحليل ما يحدث في الوقت الفعلي. يمكنهم مقارنة الحركات والإجراءات بنموذج السلوك الطبيعي، مما يساعدهم على رصد الأنشطة غير المعتادة، مثل سرقة المتاجر، وتحديد التهديدات الأمنية المحتملة بدقة أكبر.

Fig 4. مثال على استخدام رؤية الحاسوب لاكتشاف السرقة.

الوكلاء القائمون على المنفعة#

فكر في utility-based drone مستخدمة لمراقبة المحاصيل. إنها تعدل مسار طيرانها لتغطية مساحة أكبر مع تجنب العقبات وتختار أفضل مسار للمهمة. هذا يعني أن الطائرة بدون طيار تقيم إجراءات محتملة متعددة، مثل المنطقة التي يجب إعطاء الأولوية لها أو كيفية التنقل بكفاءة، وتختار الإجراء الذي يزيد من فعاليتها إلى أقصى حد.

وبالمثل، تم تصميم الوكلاء القائمين على المنفعة لاختيار أفضل إجراء من بين عدة خيارات لتحقيق أعظم فائدة أو نتيجة. يمكن لوكلاء الذكاء الاصطناعي البصري المصممين لهذا الغرض معالجة وتحليل مدخلات مرئية مختلفة، مثل الصور أو بيانات المستشعرات، واختيار النتيجة الأكثر فائدة بناءً على معايير محددة مسبقًا.

Fig 5. يمكن استخدام الطائرات بدون طيار القائمة على المرافق لمراقبة المحاصيل.

الوكلاء القائمون على الهدف#

الوكلاء القائمون على الهدف مشابهون للوكلاء القائمين على المنفعة لأن كلاهما يهدف إلى تحقيق أهداف محددة. ومع ذلك، يركز الوكلاء القائمون على الهدف بشكل خالص على الإجراءات التي تقربهم من هدفهم المحدد. إنهم يقيمون كل إجراء بناءً على كيفية مساعدته في تحقيق هدفهم، دون الموازنة بين عوامل أخرى مثل القيمة الإجمالية أو المقايضات.

على سبيل المثال، تعمل السيارة ذاتية القيادة كوكيل قائم على الأهداف عندما يكون هدفها هو الوصول إلى وجهة. وهي تعالج البيانات من AI cameras وsensors لاتخاذ قرارات مثل تجنب العقبات، والالتزام بإشارات المرور، واختيار المنعطفات الصحيحة للبقاء على المسار الصحيح. تُسترشد هذه القرارات بالكامل بمدى توافقها مع هدف الوصول إلى الوجهة بأمان وفعالية. على عكس الوكلاء القائمين على المرافق، يركز الوكلاء القائمون على الأهداف فقط على تحقيق الهدف دون مراعاة معايير إضافية مثل الكفاءة أو التحسين.

Fig 6. سيارة ذاتية القيادة تستخدم رؤية الحاسوب لتحديد الكائنات في محيطها.

الوكلاء المتعلمون#

إذا كنت على دراية برؤية الحاسوب، فربما تكون قد سمعت عن fine-tuning - وهي عملية تتحسن من خلالها النماذج بالتعلم من بيانات جديدة. تعمل وكلاء التعلم بطريقة مشابهة، حيث تتكيف وتتحسن بمرور الوقت أثناء اكتسابها للخبرة. في تطبيقات مثل vision-based quality control، يتحسن هؤلاء الوكلاء في اكتشاف العيوب مع كل عملية فحص. هذه القدرة على تحسين أدائهم بالغة الأهمية بشكل خاص في مجالات مثل الطيران، حيث السلامة والدقة أمران حيويان.

الوكلاء الهرميون#

يعمل الوكلاء الهرميون على تبسيط المهام المعقدة عن طريق تقسيمها إلى خطوات أصغر وأكثر قابلية للإدارة. يشرف وكيل عالي المستوى على العملية الشاملة، ويتخذ قرارات استراتيجية، بينما يتعامل الوكلاء منخفضو المستوى مع مهام محددة. إنه أكثر كفاءة عندما يتعلق الأمر بالعمليات التي تتضمن خطوات متعددة وتنفيذًا مفصلاً.

على سبيل المثال، في مستودع آلي، قد يخطط روبوت عالي المستوى لعملية الفرز، ويقرر أي العناصر يجب أن تذهب إلى أي مناطق. في الوقت نفسه، يركز الروبوتات منخفضة المستوى على تحديد العناصر باستخدام الرؤية الحاسوبية، وتحليل السمات مثل الحجم أو الشكل أو الملصقات، وتنظيمها في الصناديق الصحيحة. يساعد التقسيم الواضح للمسؤوليات على تشغيل النظام بسلاسة.

Fig 7. مثال على وكيل ذكاء اصطناعي روبوتي يفرز الحزم.

كيف تبدأ في بناء وكيل ذكاء اصطناعي بصري#

جوهر وكيل الذكاء الاصطناعي الذي يتمتع بقدرات الرؤية هو نموذج رؤية حاسوبية. أحد أحدث وأوثق نماذج رؤية الحاسوب المتاحة اليوم هو Ultralytics YOLO11. تشتهر YOLO11 بكفاءتها ودقتها في الوقت الفعلي، مما يجعلها مثالية لـ computer vision tasks.

فيما يلي العمليات المختلفة المتضمنة في بناء وكيل الذكاء الاصطناعي الخاص بك باستخدام إمكانيات Ultralytics YOLO11:

• إعداد dataset: اجمع وقم بمعالجة الصور المرمازة ذات الصلة بالمهمة التي سيؤديها وكيل الذكاء الاصطناعي الخاص بك.

• Custom-train النموذج: قم بتدريب Ultralytics YOLO11 خصيصًا على مجموعة البيانات الخاصة بك لتحسين دقته وأدائه لتطبيقك الفريد.

• التكامل مع إطار عمل اتخاذ القرار: قم بتوصيل النموذج المدرب بنظام يمكّن وكيل الذكاء الاصطناعي من اتخاذ قرارات بناءً على المدخلات المرئية.

• الاختبار والتحسين: انشر وكيل الذكاء الاصطناعي، واختبر أداءه، واجمع التعليقات، وقم بتعديل النموذج لتحسين الدقة والموثوقية.

أبرز النقاط#

يعمل وكلاء الذكاء الاصطناعي المدمجون مع الرؤية الحاسوبية - وكلاء الذكاء الاصطناعي البصري - على تغيير الصناعات من خلال أتمتة المهام، وتسريع العمليات، وتحسين اتخاذ القرار. من المدن الذكية التي تتحكم في حركة المرور إلى الأنظمة الأمنية التي تستخدم التعرف على الوجه، يقدم هؤلاء الوكلاء حلولًا جديدة للمشكلات الشائعة.

يمكنها أيضًا الاستمرار في التعلم والتحسين بمرور الوقت، مما يجعلها مفيدة في البيئات المتغيرة. باستخدام أدوات مثل Ultralytics YOLO11، أصبح إنشاء وكلاء الذكاء الاصطناعي هؤلاء واستخدامهم أسهل، مما يؤدي إلى حلول أكثر ذكاءً وأعلى كفاءة.

انضم إلى community الخاص بنا وتصفح GitHub repository الخاص بنا للتعرف على الذكاء الاصطناعي. استكشف التطبيقات المختلفة لـ computer vision in healthcare وAI in agriculture على صفحات الحلول الخاصة بنا. ألق نظرة على licensing options المتاحة للبدء!