الاستفادة من التعلم المعزز في مشاريع رؤية الكمبيوتر

تتمثل إحدى الطرق المباشرة لشرح الذكاء الاصطناعي (AI) في أنه مجال يركز على إعادة إنشاء الطريقة التي يفكر بها البشر ويتعلمون بها. من هنا تأتي فكرة تقنيات التعلم في الذكاء الاصطناعي، وهي طرق مختلفة تسمح للآلات بتحسين أدائها بمرور الوقت، تمامًا كما يفعل الناس.

لقد استكشفنا سابقًا تقنيات تعلم الذكاء الاصطناعي الرئيسية، بما في ذلك التعلم الخاضع للإشراف، وغير الخاضع للإشراف، والتعزيزي، والنقل، وكيف يلعب كل منها دورًا مهمًا في مساعدة نماذج الذكاء الاصطناعي على معالجة المعلومات واتخاذ القرارات.

اليوم، سنلقي نظرة فاحصة على التعلم المعزز، وهي تقنية تعلم أنظمة الذكاء الاصطناعي من خلال التجربة عن طريق التفاعل مع بيئة ما والتحسين بناءً على التعليقات. على وجه التحديد، سنستكشف كيف يمكن تطبيق التعلم المعزز على تطبيقات الرؤية الحاسوبية - الأنظمة التي تمكن الآلات من تفسير وفهم المعلومات المرئية من العالم.

إن الجمع بين مفاهيم مثل التعلم المعزز والرؤية الحاسوبية يفتح إمكانيات جديدة ومثيرة وهو مجال بحث نشط. فهو يمكّن أنظمة الذكاء الاصطناعي من التعرف على ما تراه واتخاذ قرارات مستنيرة بناءً على تلك المعلومات المرئية. 

ما هو التعلم بالتعزيز؟

التعلم المعزز هو فرع من فروع تعلم الآلة حيث يتعلم وكيل الذكاء الاصطناعي من خلال اتخاذ الإجراءات وتلقي التعليقات في شكل مكافآت أو عقوبات. الهدف هو معرفة الإجراءات التي تؤدي إلى أفضل النتائج بمرور الوقت.

يمكنك اعتبار التعلم المعزز (reinforcement learning) بمثابة تدريب كلب. عندما يجلس الكلب بناءً على أمر، فإنك تعطيه مكافأة. بعد فترة، يتعلم الكلب أن الجلوس يؤدي إلى مكافأة. في التعلم المعزز، يكون الوكيل أو النموذج الخاص بالذكاء الاصطناعي مثل الكلب؛ والبيئة هي العالم من حوله، وتساعده المكافأة على فهم ما إذا كان قد اتخذ الخطوة الصحيحة.

يختلف هذا عن التعلم الخاضع للإشراف، حيث يتم عرض العديد من الأمثلة للإجابات الصحيحة على نموذج الذكاء الاصطناعي. على سبيل المثال، قد يتم عرض صورة لكلب على النموذج وإخباره، "هذا كلب". 

من ناحية أخرى، لا يعتمد التعلم المعزز على البيانات المصنفة. بدلاً من ذلك، فإنه ينطوي على التعلم من خلال تجربة إجراءات مختلفة والتعلم من النتائج، تمامًا مثل ممارسة لعبة ومعرفة الحركات التي تساعدك على الفوز.

‍

التعلم المعزز ضروري للمهام التي يتم فيها اتخاذ القرارات خطوة بخطوة، وكل خيار يغير ما سيحدث بعد ذلك. يستخدم هذا النوع من التعلم في ألعاب الفيديو الإستراتيجية لجعل طريقة اللعب أكثر تحديًا وجاذبية للاعبين.

كيف يعمل التعلم المعزز في حلول الذكاء الاصطناعي

فكر في كيف تتعلم ركوب الدراجة. في البداية، قد تسقط. ولكن مع الممارسة، تبدأ في معرفة ما يساعدك على الحفاظ على توازنك. كلما ركبت أكثر، كلما تحسنت. أنت تتعلم بالممارسة، وليس فقط من خلال إخبارك بما يجب عليك فعله.

يعمل التعلم المعزز بطريقة مماثلة للذكاء الاصطناعي. يتعلم من خلال التجربة - من خلال تجربة إجراءات مختلفة، ومراقبة ما يحدث، وتحسين قدرته تدريجيًا على اتخاذ الخيارات الصحيحة بمرور الوقت.

‍

إليك نظرة على بعض المكونات الرئيسية للتعلم المعزز:

• الوكيل: الوكيل هو المتعلم أو صانع القرار. يتفاعل مع البيئة عن طريق اتخاذ الإجراءات ويهدف إلى تحقيق هدف محدد.
  ‍
• البيئة: تتضمن البيئة كل ما يتفاعل معه الوكيل. تتغير استجابةً لإجراءات الوكيل وتقدم ملاحظات بناءً على النتائج.
  ‍
• الحالة: تمثل الحالة لقطة للوضع الحالي في البيئة. يراقب الوكيل الحالة لفهم محيطه وتحديد الإجراء الذي سيتخذه بعد ذلك.
  ‍
• إجراء: الإجراء هو خطوة أو قرار يتخذه الوكيل ويؤثر على البيئة. يؤدي كل إجراء إلى حالة جديدة ويمكن أن يؤثر على المكافآت المستقبلية.
  ‍
• المكافأة: المكافأة هي ببساطة ملاحظات من البيئة تخبر الوكيل ما إذا كان فعله مفيدًا أم لا. تشجع المكافآت الإيجابية الوكيل على تكرار الإجراءات الجيدة، بينما تثبط المكافآت السلبية الإجراءات السيئة.
  ‍
• السياسة: السياسة هي استراتيجية الوكيل لاختيار الإجراءات بناءً على الحالة الحالية. بمرور الوقت، يقوم الوكيل بتحسين سياسته لزيادة إجمالي المكافآت التي يمكنه الحصول عليها.

باستخدام هذه المكونات معًا، يجعل التعلم المعزز من الممكن لأنظمة الذكاء الاصطناعي تعلم السلوكيات الفعالة من خلال التجربة والخطأ المستمر. مع كل محاولة، يصبح الوكيل أفضل في اختيار الإجراءات التي تؤدي إلى مكافآت أعلى ونتائج أفضل.

التعلم المعزز في ابتكارات الرؤية الحاسوبية

تُستخدم الرؤية الحاسوبية في مهام مثل اكتشاف الكائنات في الصور وتصنيف ما هو موجود في الصورة وتقسيم الصورة إلى أجزاء مختلفة. تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 هذه المهام ويمكن استخدامها لبناء تطبيقات مؤثرة يمكنها جمع رؤى مرئية.  

مع ذلك، عندما يتم دمج مهام رؤية الذكاء الاصطناعي هذه مع التعلم المعزز، تكون النتيجة حلاً للذكاء الاصطناعي لا يرى فحسب؛ بل يتعلم أيضًا كيفية التصرف بناءً على رؤى بصرية ويتحسن بمرور الوقت.

من الأمثلة الشيقة على التعلم المعزز في تطبيقات رؤية الكمبيوتر استخدام الروبوتات في المستودعات. يمكن للروبوتات المجهزة بكاميرات وأنظمة رؤية الكمبيوتر تحليل محيطها واكتشاف مكان وجود كل عنصر وتحديد شكله وحجمه وفهم كيفية وضعه على الرف.

في كل مرة يحاول فيها الروبوت التقاط عنصر ما، فإنه يتلقى ملاحظات - نجاح إذا تم التقاط العنصر بشكل صحيح أو فشل إذا تم إسقاطه. بمرور الوقت، يتعلم الروبوت الإجراءات الأفضل للعناصر المختلفة. بدلاً من اتباع مجموعة ثابتة من التعليمات، فإنه يتحسن باستمرار من خلال التجربة.

‍

تطبيقات التعلم المعزز في رؤية الحاسوب

الآن بعد أن أصبح لدينا فهم أفضل لما هو التعلم المعزز ودوره في الرؤية الحاسوبية، دعنا نلقي نظرة فاحصة على بعض الأمثلة عن الأماكن التي يتم فيها استخدام التعلم المعزز والرؤية الحاسوبية معًا.

دمج الرؤية الاصطناعية والتعلم المعزز للمركبات الأكثر ذكاءً

يمكن للمركبات ذاتية القيادة الاعتماد على كل من الذكاء الاصطناعي البصري لفهم محيطها والتعلم المعزز لاتخاذ القرارات بناءً على ما تراه. مثال رائع على ذلك هو AWS DeepRacer.

تعتبر AWS DeepRacer سيارة سباق ذاتية القيادة بالكامل بمقياس 1/18 تتعلم كيفية القيادة باستخدام كاميرا والتعلم المعزز. بدلاً من إخبارها بما يجب فعله، فإنها تكتشف الأشياء بنفسها من خلال التجربة وارتكاب الأخطاء والتعلم منها.

تعمل كاميرا هذه السيارة الصغيرة كزوج من العيون، حيث تلتقط المسار أمامها. بناءً على ما تراه، تتعلم السيارة كيفية التوجيه ومدى السرعة. مع كل لفة، تتحسن. على سبيل المثال، قد تتعلم أن تأخذ منعطفات أوسع أو تبطئ قبل الزوايا الحادة من خلال التعلم من المحاولات السابقة.

يبدأ التدريب على DeepRacer في بيئة افتراضية، حيث يتدرب النموذج ويحسن مهاراته في القيادة. بمجرد أن يصل إلى مستوى معين من الأداء، يتم نقل هذه المهارات إلى مسارات واقعية باستخدام سيارات فعلية. 

‍

التحرك نحو روبوتات الجراحة المستقلة

من مجالات البحث المثيرة للاهتمام والتي تزداد أهمية تكامل رؤية الذكاء الاصطناعي والتعلم المعزز في الجراحة الروبوتية. في الوقت الحالي، لا يزال هذا التطبيق نظريًا إلى حد كبير. يجري الباحثون عمليات محاكاة في بيئات افتراضية.

ومع ذلك، تُظهر التجارب المبكرة نتائج واعدة، مما يشير إلى أن الروبوتات الجراحية يمكن أن تؤدي في النهاية إجراءات معقدة وحساسة بدقة أكبر وقدرة على التكيف وأقل تدخل بشري.

‍

على سبيل المثال، تخيل موقفًا تحتاج فيه قطعة من الشاش إلى رفعها بعناية من موقع جراحي. سيقوم روبوت مزود بالرؤية الحاسوبية (Vision AI) أولاً بتحليل المشهد، باستخدام التجزئة (segmentation) لتحديد الشاش والأنسجة المحيطة. 

سيساعد التعلم المعزز بعد ذلك الروبوت الجراحي على تحديد كيفية التعامل مع المهمة، وتحديد أفضل زاوية للإمساك بالشاش، ومقدار الضغط الذي يجب تطبيقه، وكيفية رفعه دون إزعاج المناطق الحساسة القريبة. بمرور الوقت ومن خلال الممارسة المتكررة في البيئات المحاكاة، يمكن للروبوت أن يتعلم أداء هذه الحركات الدقيقة والحاسمة بمهارة وثقة متزايدة.

إيجابيات وسلبيات التعلم بالتعزيز في رؤية الذكاء الاصطناعي

يسمح التعلم المعزز لأنظمة رؤية الذكاء الاصطناعي بالتحرك إلى ما وراء مجرد التعرف والبدء في اتخاذ القرارات بناءً على ما تراه. يفتح هذا إمكانيات جديدة في مجالات مثل الروبوتات والأتمتة والتفاعل في الوقت الفعلي. 

فيما يلي بعض المزايا الرئيسية لدمج التعلم المعزز في سير عمل رؤية الذكاء الاصطناعي:

• اعتماد أقل على البيانات المصنفة: يمكن لهذه الأنظمة أن تتعلم من التفاعل، لذلك لا تحتاج إلى مجموعات بيانات ضخمة مصنفة للبدء.
  ‍
• التعامل مع عدم اليقين بشكل أفضل: يمكن للتعلّم بالتعزيز التعامل مع المعلومات المرئية غير الكاملة أو المشوشة عن طريق تعديل الإجراءات بناءً على الملاحظات بدلاً من الاعتماد فقط على البيانات المثالية.
  ‍
• يدعم التعلّم طويل الأمد: يساعد النماذج على التحسن بمرور الوقت من خلال التعلم من تسلسل الإجراءات، وليس فقط القرارات التي تتخذ في خطوة واحدة.

من ناحية أخرى، إليك بعض القيود التي يجب مراعاتها في التعلم المعزز:

• مشكلة تحديد المسؤولية: قد يكون من الصعب على الوكيل تحديد الإجراءات المحددة التي ساهمت في النتيجة النهائية، خاصة في التسلسلات الطويلة من القرارات.
  ‍
• خطر الاستكشاف غير الآمن: أثناء التدريب، قد يحاول الوكيل اتخاذ إجراءات غير آمنة أو غير مرغوب فيها والتي لن تكون مقبولة في تطبيقات العالم الحقيقي مثل الرعاية الصحية أو القيادة الذاتية.
  ‍
• التقارب البطيء: قد يستغرق النموذج وقتًا طويلاً للوصول فعليًا إلى أداء جيد، خاصة بالنسبة للمهام المعقدة.

النقاط الرئيسية

يمكّن التعلم المعزز في مشاريع الرؤية الحاسوبية أنظمة الذكاء الاصطناعي من فهم محيطها وتعلم كيفية التصرف من خلال التجربة. مع نماذج مثل Ultralytics YOLO11 التي توفر الكشف عن الكائنات في الوقت الفعلي، يمكن للنظام اتخاذ قرارات مستنيرة بناءً على ما يراه.

يتجاوز هذا النهج الأساليب التقليدية من خلال السماح للذكاء الاصطناعي بالتحسين من خلال التجربة والتغذية الراجعة بدلاً من الاعتماد فقط على البيانات المصنفة. وهو يدعم التعلّم المستمر ويساعد في بناء أنظمة رؤية اصطناعية أكثر مرونة وقدرة على التكيف وذكاءً تتحسن بمرور الوقت.

انضم إلى مجتمعنا المتنامي. قم بزيارة مستودع GitHub الخاص بنا للتعمق في الذكاء الاصطناعي. هل تتطلع إلى بدء مشاريع الرؤية الحاسوبية الخاصة بك؟ استكشف خيارات الترخيص الخاصة بنا. تعرف على المزيد حول الذكاء الاصطناعي في التصنيع و Vision AI في صناعة السيارات في صفحات الحلول الخاصة بنا.