الاستدلالات في الوقت الفعلي في حلول ذكاء الرؤية الاصطناعي تُحدث تأثيراً

لقد واجهنا جميعًا الإحباط الذي يمكن أن تسببه سرعة الإنترنت البطيئة في وقت ما. ومع ذلك، تخيل ذلك التأخير في موقف يتطلب دقة عالية، مثل سيارة ذاتية القيادة تستجيب لعائق ما أو طبيب يحلل فحصًا طبيًا حرجًا. بضع ثوانٍ إضافية يمكن أن تؤدي إلى عواقب وخيمة.

هنا حيث يمكن للاستدلال بالذكاء الاصطناعي في الوقت الفعلي أن يحدث فرقاً. تتيح المعالجة السريعة والتنبؤات في الوقت الفعلي لحلول computer vision معالجة البيانات المرئية والاستجابة لها فوراً. يمكن لهذه القرارات السريعة كالبرق تعزيز السلامة والكفاءة والراحة اليومية.

على سبيل المثال، فكر في جراح يقوم بإجراء عملية دقيقة باستخدام مساعد آلي. يتم التحكم في كل حركة من خلال اتصال فائق السرعة، ويعالج نظام رؤية الروبوت المجال الجراحي في الوقت الفعلي، مما يمنح الجراح تغذية راجعة مرئية فورية. حتى أقل تأخير في حلقة التغذية الراجعة هذه قد يؤدي إلى أخطاء جسيمة، مما يعرض المريض للخطر. هذا مثال مثالي على سبب أهمية الاستنتاجات في الوقت الفعلي؛ فلا مجال للتأخير.

تعتمد استنتاجات الذكاء الاصطناعي في التطبيقات الواقعية على ثلاثة مفاهيم رئيسية: محركات الاستنتاج (البرمجيات أو الأجهزة التي تشغل نماذج الذكاء الاصطناعي بكفاءة)، وزمن انتقال الاستنتاج (التأخير بين المدخلات والمخرجات)، والاستنتاج في الوقت الفعلي (قدرة نظام الذكاء الاصطناعي على المعالجة والاستجابة بأقل تأخير ممكن).

في هذه المقالة، سنستكشف هذه المفاهيم الأساسية وكيف تتيح نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 التطبيقات التي تعتمد على التنبؤات الفورية.

ما هو استنتاج الذكاء الاصطناعي؟#

تشغيل الاستنتاج هو عملية تحليل بيانات جديدة باستخدام نموذج ذكاء اصطناعي مدرب لاتخاذ تنبؤ أو حل مهمة ما. على عكس التدريب، الذي يتضمن تعليم النموذج عن طريق معالجة كميات هائلة من البيانات المصنفة، يركز الاستنتاج على إنتاج النتائج بسرعة ودقة باستخدام نموذج مدرب بالفعل.

Fig 1. فهم ما هي عمليات الاستدلال.

على سبيل المثال، في مجال الحفاظ على الحياة البرية، تستخدم كاميرات AI camera الفخية نماذج الرؤية الحاسوبية لتحديد وتصنيف الحيوانات في الوقت الفعلي. عندما تكتشف الكاميرا حركة، يتعرف نموذج الذكاء الاصطناعي فوراً عما إذا كان الحيوان ظبياً، أم مفترساً، أم حتى صياداً غير مش مشروع، مما يساعد الباحثين على تتبع أعداد الحيوانات وحماية الأنواع المهددة بالانقراض دون تدخل بشري. يجعل هذا التعرف السريع الرصد في الوقت الفعلي والاستجابة بشكل أسرع للتهديدات المحتملة أمراً ممكناً.

فهم محركات الاستنتاج#

لا يكون نموذج التعلم الآلي المدرب جاهزاً دائماً للنشر بشكله الخام. يُعد inference engine أداة برمجية أو عتادية مخصصة مصممة لتنفيذ نماذج التعلم الآلي بكفاءة وتحسينها للنشر في العالم الحقيقي. وهو يستخدم optimization techniques مثل ضغط النموذج، والتقييس الكمي، وتحويلات الرسم البياني لتحسين الأداء وتقليل استهلاك الموارد، مما يجعل النموذج قابلاً للنشر عبر بيئات مختلفة.

في جوهره، يركز محرك الاستنتاج على تقليل العبء الحسابي، وتقليل زمن الانتقال، وتحسين الكفاءة لتمكين تنبؤات سريعة ودقيقة. بمجرد تحسينه، يقوم المحرك بتنفيذ النموذج على بيانات جديدة، مما يسمح له بتوليد استنتاجات في الوقت الفعلي بكفاءة. يضمن هذا التحسين أن نماذج الذكاء الاصطناعي يمكن أن تعمل بسلاسة على خوادم سحابية عالية الأداء وأجهزة طرفية محدودة الموارد مثل الهواتف الذكية وأجهزة IoT والأنظمة المدمجة.

المشكلات الناجمة عن زمن انتقال الاستنتاج#

Inference latency هو التأخير الزمني بين وقت تلقي نظام الذكاء الاصطناعي لبيانات الإدخال (مثل صورة من كاميرا) ووقت إنتاجه للإخراج (مثل اكتشاف الكائنات في الصورة). حتى التأخير البسيط يمكن أن يؤثر بشكل كبير على أداء وسهولة استخدام تطبيقات الذكاء الاصطناعي في الوقت الفعلي.

يحدث زمن انتقال الاستنتاج في ثلاث مراحل رئيسية:

• وقت المعالجة الأولية (Preprocessing time): الوقت اللازم لإعداد بيانات المدخلات قبل إدخالها في النموذج. يشمل ذلك تغيير حجم الصور لتتناسب مع أبعاد إدخال النموذج، وتطبيع قيم البكسل لتحقيق دقة أفضل، وتحويل التنسيقات (مثل التحويل من RGB إلى التدرج الرمادي أو من الفيديو إلى تسلسلات إطارات).
• وقت الحساب (Computation time): الوقت الفعلي الذي يستغرقه النموذج لإجراء الاستنتاج. يتضمن ذلك عمليات مثل الحسابات الطبقية في الشبكات العميقة، وعمليات ضرب المصفوفات، والالتفافات (Convolutions)، ونقل البيانات بين الذاكرة ووحدات المعالجة.
• وقت المعالجة اللاحقة (Post-processing time): الوقت المطلوب لتحويل مخرجات النموذج الخام إلى نتائج ذات معنى. يمكن أن يشمل ذلك رسم صناديق التحديد (BBox) في اكتشاف الكائنات، أو تصفية النتائج الإيجابية الخاطئة في التعرف على الصور، أو تطبيق الحدود في اكتشاف الشذوذ.

يعد زمن انتقال الاستنتاج أمراً بالغ الأهمية في التطبيقات التي تعمل في الوقت الفعلي. على سبيل المثال، في الكشف الآلي عن العيوب على خط التجميع، يمكن استخدام رؤية الحاسوب لفحص المنتجات أثناء تحركها على سير النقل.

يجب على النظام تحديد العيوب وتنبيهها بسرعة قبل انتقال المنتجات إلى المرحلة التالية. إذا استغرق النموذج وقتًا طويلاً لمعالجة الصور، فقد لا يتم اكتشاف العناصر المعيبة في الوقت المناسب، مما يؤدي إلى هدر المواد، أو تكاليف إعادة العمل الباهظة، أو وصول منتجات معيبة إلى العملاء. من خلال تقليل زمن الانتقال، يمكن للمصنعين تحسين مراقبة الجودة، وزيادة الكفاءة، وتقليل الخسائر.

كيفية تقليل زمن انتقال الاستنتاج#

يعد الحفاظ على زمن انتقال الاستنتاج عند حده الأدنى أمرًا ضروريًا في العديد من تطبيقات رؤية الحاسوب. يمكن استخدام تقنيات متنوعة لتحقيق ذلك. دعنا نناقش بعض أكثر التقنيات شيوعًا المستخدمة لتقليل زمن انتقال الاستنتاج.

تقليم النموذج (Model pruning)#

Model pruning يبسط الشبكة العصبية عن طريق إزالة الاتصالات (الأوزان) غير الضرورية، مما يجعلها أصغر وأسرع. تقلل هذه العملية الحمل الحسابي للنموذج، مما يحسن السرعة دون التأثير بشكل كبير على الدقة.

من خلال الاحتفاظ بالاتصالات الأكثر أهمية فقط، يضمن التقليم استنتاجًا فعالًا وأداءً أفضل، خاصة على الأجهزة ذات القوة المعالجة المحدودة. يُستخدم على نطاق واسع في تطبيقات الوقت الفعلي مثل الذكاء الاصطناعي المتنقل، والروبوتات، والحوسبة الطرفية لتعزيز الكفاءة مع الحفاظ على الموثوقية.

Fig 2. التخلص من الاتصالات الأقل فعالية باستخدام تقليم النموذج.

التقييم الكمي للنموذج (Model quantization)#

Model quantization هي تقنية تجعل نماذج الذكاء الاصطناعي تعمل بشكل أسرع وتستخدم ذاكرة أقل عن طريق تبسيط الأرقام التي تستخدمها لإجراء العمليات الحسابية. عادةً، تعمل هذه النماذج بأرقام عائمة ذات دقة 32 بتاً، وهي دقيقة للغاية ولكنها تتطلب قدرة معالجة كبيرة. يقلل التقييس الكمي هذه الأرقام إلى أعداد صحيحة ذات 8 بتات، وهي أسهل في المعالجة وتشغل مساحة أقل.

Fig 3. استخدام التقييس الكمي للنموذج لتحويل قيم النقطة العائمة إلى تمثيلات أعداد صحيحة.

استخدام نماذج فعالة#

يؤثر تصميم نموذج الذكاء الاصطناعي بشكل كبير على سرعة إصداره للتنبؤات. وتُعد النمثلجات مثل Ultralytics YOLO11، المصممة للاستنتاج الفعال، مثالية للتطبيقات التي تكون فيها سرعة المعالجة أمراً بالغ الأهمية.

عند بناء حل ذكاء اصطناعي، من المهم اختيار النموذج المناسب بناءً على الموارد المتاحة واحتياجات الأداء. إذا بدأت بنموذج ثقيل جدًا، فمن المرجح أن تواجه مشكلات مثل أوقات معالجة بطيئة، واستهلاك أعلى للطاقة، وصعوبة في النشر على الأجهزة محدودة الموارد. يضمن النموذج خفيف الوزن أداءً سلسًا، خاصة لتطبيقات الوقت الفعلي والحوسبة الطرفية.

السرعة مقابل الدقة: تحسين الاستنتاجات في الوقت الفعلي#

بينما توجد تقنيات مختلفة لتقليل زمن الانتقال، فإن الجزء الأساسي من real-time inferences هو تحقيق التوازن بين السرعة والدقة. جعل النماذج أسرع ليس كافياً - بل يجب تحسين سرعة الاستدلال دون المساومة على الدقة. النظام الذي ينتج تنبؤات سريعة ولكن غير صحيحة يكون غير فعال. ولهذا السبب، يُعد الاختبار الشامل أمراً بالغ الأهمية للتأكد من أداء النماذج بشكل جيد في حالات العالم الحقيقي. النظام الذي يبدو سريعاً أثناء الاختبار ولكنه يفشل في ظل الظروف الفعلية لا يُعتبر محسناً حقاً.

تطبيقات رؤية الحاسوب التي تستفيد من الاستنتاجات في الوقت الفعلي#

بعد ذلك، دعنا نستعرض بعض التطبيقات الواقعية حيث يُحدث الاستنتاج في الوقت الفعلي تحولًا في الصناعات من خلال تمكين استجابات فورية للمدخلات المرئية.

أنظمة الدفع الذاتي في متاجر التجزئة#

يمكن أن تساعد نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في تحسين أنظمة الدفع الذاتي من خلال جعل التعرف على العناصر أسرع وأكثر دقة. إن دعم YOLO11 لمختلف مهام الرؤية الحاسوبية مثل اكتشاف الكائنات وتقسيم المثيلات يجعل من الممكن تحديد المنتجات حتى لو كانت الرموز الشريطية مفقودة أو تالفة. يمكن أن تقلل رؤية الذكاء الاصطناعي من الحاجة إلى الإدخال اليدوي وتسرع عملية الدفع.

بعيدًا عن تحديد المنتجات، يمكن دمج رؤية الحاسوب في أنظمة الدفع الذاتي للتحقق من الأسعار، ومنع الاحتيال، وتعزيز راحة العملاء. يمكن للكاميرات المدعومة بالذكاء الاصطناعي التمييز تلقائيًا بين المنتجات المتشابهة واكتشاف السلوك المشبوه عند الدفع. ويشمل ذلك تحديد "عدم المسح الضوئي"، حيث يغفل العميل أو الصراف عن غير قصد عن عنصر ما، ومحاولات الاحتيال الأكثر تعمدًا، مثل "تبديل المنتج"، حيث يتم وضع رمز شريطي أرخص فوق عنصر أغلى ثمنًا.

Fig 4. يمكن للذكاء الاصطناعي تحسين منصات الدفع الذاتي.

مثال رائع على ذلك هو Kroger، وهي شركة تجزئة أمريكية كبرى، والتي قامت دمج الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة الدفع الذاتي الخاص بها. باستخدام تحليل الفيديو في الوقت الفعلي، استطاعت Kroger تصحيح أكثر من 75% من أخطاء الدفع تلقائياً، مما أدى إلى تحسين تجربة العملاء وعمليات المتجر.

مراقبة الجودة باستخدام رؤية الحاسوب#

إن inspecting products يدوياً لمراقبة الجودة يمكن أن يكون بطيئاً وغير دقيق دائماً. ولهذا السبب يتحول المزيد من المصنعين إلى سير عمل التفتيش البصري الذي يستخدم الرؤية الحاسوبية لاكتشاف العيوب بشكل مبكر في عملية الإنتاج.

يمكن للكاميرات عالية الدقة وتقنيات الرؤية الحاسوبية رصد العيوب الدقيقة التي قد يغفل عنها البشر، وتساعد نماذج مثل Ultralytics YOLO11 في إجراء فحوصات الجودة والفرز والعد في الوقت الفعلي لضمان وصول المنتجات المثالية وحدها إلى العملاء. تؤدي أتمتة هذه العملية إلى توفير الوقت، وخفض التكاليف، وتقليل الهدر، مما يجعل الإنتاج أكثر سلاسة وكفاءة.

Fig 5. مثال على استخدام Ultralytics YOLO11 لعد المنتجات على خط التجميع.

أبرز النقاط#

يساعد الاستنتاج في الوقت الفعلي نماذج الذكاء الاصطناعي على اتخاذ قرارات فورية، وهو أمر بالغ الأهمية في العديد من الصناعات. سواء كانت سيارة ذاتية القيادة تتجنب وقوع حادث، أو طبيبًا يحلل الفحوصات الطبية بسرعة، أو مصنعًا يكتشف عيوب المنتج، فإن استجابات الذكاء الاصطناعي السريعة والدقيقة تُحدث فرقًا كبيرًا.

من خلال تحسين سرعة وكفاءة نماذج الذكاء الاصطناعي، يمكننا إنشاء أنظمة أكثر ذكاءً وموثوقية تعمل بسلاسة في مواقف العالم الحقيقي. مع تقدم التكنولوجيا، ستستمر حلول الذكاء الاصطناعي في الوقت الفعلي في تشكيل المستقبل، مما يجعل العمليات اليومية أسرع وأكثر أمانًا وكفاءة.

لمعرفة المزيد، تفضل بزيارة GitHub repository وتفاعل مع our community. استكشف الابتكارات في قطاعات مثل AI in self-driving cars وcomputer vision in agriculture على صفحات الحلول الخاصة بنا. تحقق من our licensing options واجعل مشاريع رؤية الذكاء الاصطناعي الخاصة بك حقيقة واقعة.