تُحدث الاستدلالات الفورية في حلول Vision AI تأثيرًا ملموسًا

لقد واجهنا جميعًا في مرحلة ما الإحباطات التي قد يتسبب فيها بطء اتصال الإنترنت. لكن تخيل هذا التأخير في موقف بالغ الحساسية، مثل تفاعل سيارة ذاتية القيادة مع عائق أو تحليل طبيب لفحص بالغ الأهمية. فقد تترتب على بضع ثوانٍ إضافية عواقب وخيمة.

هنا يمكن للاستدلال الآني بالذكاء الاصطناعي أن يُحدث فرقًا. إذ تُمكّن المعالجة السريعة والتنبؤات الآنية حلول الرؤية الحاسوبية من معالجة البيانات المرئية والتفاعل معها فورًا. ويمكن لهذه القرارات التي تُتخذ في أجزاء من الثانية أن تعزز السلامة والكفاءة والراحة اليومية.

على سبيل المثال، تخيل جرّاحًا يُجري عملية دقيقة باستخدام مساعد روبوتي. إذ تُتحكم كل حركة عبر اتصال عالي السرعة، ويعالج نظام رؤية الروبوت المجال الجراحي آنياً، موفرًا للجرّاح تغذية راجعة مرئية فورية. وحتى أدنى تأخير في حلقة التغذية الراجعة هذه قد يؤدي إلى أخطاء جسيمة، مما يعرّض المريض للخطر. وهذا مثال مثالي على أهمية الاستدلالات الآنية؛ فلا مجال للتأخير.

يعتمد الاستدلال بالذكاء الاصطناعي في التطبيقات الواقعية على ثلاثة مفاهيم أساسية: محركات الاستدلال (البرمجيات أو الأجهزة التي تُشغّل نماذج الذكاء الاصطناعي بكفاءة)، وزمن استجابة الاستدلال (التأخير بين الإدخال والإخراج)، والاستدلال الآني (قدرة نظام الذكاء الاصطناعي على المعالجة والتفاعل بأقل قدر من التأخير).

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

ما الاستدلال بالذكاء الاصطناعي؟#

إجراء الاستدلال هو عملية تحليل بيانات جديدة باستخدام نموذج ذكاء اصطناعي مُدرَّب لإجراء تنبؤ أو حل مهمة. وعلى خلاف التدريب، الذي يتضمن تعليم النموذج من خلال معالجة كميات هائلة من البيانات الموسومة، يركّز الاستدلال على إنتاج النتائج بسرعة ودقة باستخدام نموذج مُدرَّب مسبقًا.

الشكل 1. فهم ماهية الاستدلالات.

على سبيل المثال، تستخدم مصائد الكاميرات المدعومة بالذكاء الاصطناعي في الحفاظ على الحياة البرية نماذج الرؤية الحاسوبية لتحديد الحيوانات وتصنيفها آنياً. وعندما ترصد الكاميرا حركة، يتعرف نموذج الذكاء الاصطناعي فورًا على ما إذا كانت الحركة لغزال أو حيوان مفترس أو حتى صياد غير قانوني، مما يساعد الباحثين على تتبع أعداد الحيوانات وحماية الأنواع المهددة بالانقراض دون تدخل بشري. ويجعل هذا التعرف السريع المراقبة الآنية والاستجابة الأسرع للتهديدات المحتملة أمرًا ممكنًا.

فهم محركات الاستدلال#

لا يكون نموذج تعلّم الآلة المُدرَّب جاهزًا دائمًا للنشر بصورته الأولية. ومحرك الاستدلال هو أداة برمجية أو عتادية متخصصة مصممة لتنفيذ نماذج تعلّم الآلة بكفاءة وتحسينها للنشر في العالم الحقيقي. ويستخدم تقنيات التحسين مثل ضغط النموذج، والتكميم، وتحويلات الرسم البياني لتحسين الأداء وتقليل استهلاك الموارد، مما يجعل النموذج قابلًا للنشر عبر بيئات متنوعة.

يركّز محرك الاستدلال في جوهره على تقليل العبء الحسابي، وخفض زمن الاستجابة، وتحسين الكفاءة لتمكين تنبؤات سريعة ودقيقة. وبعد تحسينه، ينفّذ المحرك النموذج على بيانات جديدة، مما يتيح له توليد استدلالات آنية بكفاءة. ويضمن هذا التحسين تشغيل نماذج الذكاء الاصطناعي بسلاسة على خوادم سحابية عالية الأداء وأجهزة طرفية محدودة الموارد، مثل الهواتف الذكية وأجهزة إنترنت الأشياء والأنظمة المضمنة.

المشكلات الناجمة عن زمن استجابة الاستدلال#

زمن استجابة الاستدلال هو التأخير الزمني بين تلقي نظام الذكاء الاصطناعي لبيانات الإدخال، مثل صورة من كاميرا، وإنتاجه للإخراج، مثل اكتشاف الكائنات في الصورة. وحتى التأخير البسيط قد يؤثر بدرجة كبيرة في أداء تطبيقات الذكاء الاصطناعي الآنية وقابليتها للاستخدام.

يحدث زمن استجابة الاستدلال في ثلاث مراحل أساسية:

• زمن المعالجة المسبقة: الوقت اللازم لإعداد بيانات الإدخال قبل تمريرها إلى النموذج. ويشمل ذلك تغيير حجم الصور ليتوافق مع أبعاد إدخال النموذج، وتطبيع قيم البكسلات لتحسين الدقة، وتحويل التنسيقات (مثل التحويل من RGB إلى التدرج الرمادي أو من الفيديو إلى تسلسلات من الإطارات).
• زمن الحساب: الوقت الفعلي الذي يستغرقه النموذج لإجراء الاستدلال. ويشمل ذلك عمليات مثل الحسابات على مستوى الطبقات في الشبكات العميقة، وضرب المصفوفات، والالتفافات، ونقل البيانات بين الذاكرة ووحدات المعالجة.
• زمن المعالجة اللاحقة: الوقت اللازم لتحويل مخرجات النموذج الأولية إلى نتائج ذات معنى. وقد يشمل ذلك رسم مربعات الإحاطة في اكتشاف الكائنات، وتصفية الإيجابيات الكاذبة في التعرّف على الصور، أو تطبيق العتبات في اكتشاف الحالات الشاذة.

يُعد زمن استجابة الاستدلال عاملًا حاسمًا في التطبيقات الآنية. فعلى سبيل المثال، يمكن استخدام الرؤية الحاسوبية في اكتشاف العيوب آليًا على خط تجميع لفحص المنتجات أثناء تحركها على الحزام الناقل.

يجب على النظام تحديد العيوب والإبلاغ عنها بسرعة قبل انتقال المنتجات إلى المرحلة التالية. وإذا استغرق النموذج وقتًا طويلًا جدًا لمعالجة الصور، فقد لا تُكتشف المنتجات المعيبة في الوقت المناسب، مما يؤدي إلى هدر المواد، أو إعادة عمل مكلفة، أو وصول منتجات معيبة إلى العملاء. ومن خلال تقليل زمن الاستجابة، يمكن للمصنّعين تحسين مراقبة الجودة، وزيادة الكفاءة، والحد من الخسائر.

كيفية تقليل زمن استجابة الاستدلال#

يُعد الحفاظ على الحد الأدنى من زمن استجابة الاستدلال أمرًا ضروريًا في العديد من تطبيقات الرؤية الحاسوبية. ويمكن استخدام تقنيات متنوعة لتحقيق ذلك. لنناقش بعض التقنيات الأكثر شيوعًا المستخدمة لتقليل زمن استجابة الاستدلال.

تشذيب النموذج#

يعمل تشذيب النموذج على تبسيط الشبكة العصبية من خلال إزالة الاتصالات غير الضرورية (الأوزان)، مما يجعلها أصغر وأسرع. وتقلل هذه العملية العبء الحسابي للنموذج، فتحسّن السرعة دون التأثير بدرجة كبيرة في الدقة.

ومن خلال الإبقاء على الاتصالات الأكثر أهمية فقط، يضمن التشذيب استدلالًا فعالًا وأداءً أفضل، لا سيما على الأجهزة ذات القدرة المحدودة على المعالجة. ويُستخدم على نطاق واسع في التطبيقات الآنية مثل الذكاء الاصطناعي على الأجهزة المحمولة، والروبوتات، والحوسبة الطرفية لتعزيز الكفاءة مع الحفاظ على الموثوقية.

الشكل 2. إزالة الاتصالات الأقل فعالية باستخدام تشذيب النموذج.

تكميم النموذج#

تكميم النموذج تقنية تجعل نماذج الذكاء الاصطناعي تعمل بسرعة أكبر وتستخدم ذاكرة أقل من خلال تبسيط الأرقام التي تستخدمها في الحسابات. فعادةً ما تعمل هذه النماذج بأرقام فاصلة عائمة ذات 32 بت، وهي دقيقة جدًا لكنها تتطلب قدرًا كبيرًا من القدرة الحاسوبية. ويقلل التكميم هذه الأرقام إلى أعداد صحيحة ذات 8 بت، ما يسهل معالجتها ويشغل مساحة أقل.

الشكل 3. استخدام تكميم النموذج لتحويل القيم ذات الفاصلة العائمة إلى تمثيلات صحيحة.

استخدام نماذج فعالة#

يؤثر تصميم نموذج الذكاء الاصطناعي بدرجة كبيرة في سرعة إجرائه للتنبؤات. وتُعد النماذج مثل Ultralytics YOLO11، المصممة للاستدلال الفعال، مثالية للتطبيقات التي تكون فيها سرعة المعالجة أمرًا حاسمًا.

عند بناء حل للذكاء الاصطناعي، من المهم اختيار النموذج المناسب استنادًا إلى الموارد المتاحة واحتياجات الأداء. فإذا بدأت بنموذج ثقيل جدًا، فمن المرجح أن تواجه مشكلات مثل بطء أوقات المعالجة، وارتفاع استهلاك الطاقة، وصعوبة النشر على الأجهزة محدودة الموارد. ويضمن النموذج خفيف الوزن أداءً سلسًا، لا سيما في التطبيقات الآنية والطرفية.

السرعة مقابل الدقة: تحسين الاستدلالات الآنية#

رغم وجود تقنيات متنوعة لتقليل زمن الاستجابة، فإن تحقيق التوازن بين السرعة والدقة يُعد جزءًا أساسيًا من الاستدلالات الآنية. فلا يكفي جعل النماذج أسرع؛ إذ يجب تحسين سرعة الاستدلال دون المساس بالدقة. فالنظام الذي ينتج تنبؤات سريعة لكنها غير صحيحة يكون عديم الفاعلية. لذلك يُعد الاختبار الشامل ضروريًا للتأكد من أداء النماذج جيدًا في المواقف الواقعية. فالنظام الذي يبدو سريعًا أثناء الاختبار لكنه يفشل في الظروف الفعلية ليس محسّنًا حقًا.

تطبيقات الذكاء الاصطناعي للرؤية التي تستفيد من الاستدلالات الآنية#

بعد ذلك، سنستعرض بعض التطبيقات الواقعية التي يغيّر فيها الاستدلال الآني طبيعة الصناعات من خلال تمكين الاستجابات الفورية للمدخلات المرئية.

أنظمة الدفع الذاتي في متاجر البيع بالتجزئة#

يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 أن تساعد على تحسين أنظمة الدفع الذاتي من خلال جعل التعرف على العناصر أسرع وأكثر دقة. ويتيح دعم YOLO11 لمختلف مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتقسيم الكائنات، تحديد المنتجات حتى في حال فقدان الرموز الشريطية أو تلفها. ويمكن للذكاء الاصطناعي للرؤية تقليل الحاجة إلى الإدخال اليدوي وتسريع عملية الدفع.

إضافةً إلى تحديد المنتجات، يمكن أيضًا دمج الرؤية الحاسوبية في أنظمة الدفع الذاتي للتحقق من الأسعار، ومنع الاحتيال، وتعزيز راحة العملاء. ويمكن للكاميرات المدعومة بالذكاء الاصطناعي التمييز تلقائيًا بين المنتجات المتشابهة واكتشاف السلوكيات المشبوهة عند الدفع. ويشمل ذلك تحديد حالات «عدم المسح»، حيث يفوّت العميل أو أمين الصندوق عنصرًا عن غير قصد، ومحاولات الاحتيال المتعمدة، مثل «استبدال المنتج»، حيث يوضع رمز شريطي أرخص فوق منتج أغلى.

الشكل 4. يمكن للذكاء الاصطناعي تعزيز منصات الدفع الذاتي.

ومن الأمثلة البارزة على ذلك Kroger، وهي سلسلة متاجر تجزئة أمريكية كبرى، دمجت الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة الدفع الذاتي لديها. وباستخدام تحليل الفيديو الآني، تمكنت Kroger من تصحيح أكثر من 75% من أخطاء الدفع تلقائيًا، مما حسّن تجربة العملاء وعمليات المتاجر على حد سواء.

فحص الجودة باستخدام الرؤية الحاسوبية#

قد يكون فحص المنتجات يدويًا لمراقبة الجودة بطيئًا وغير دقيق دائمًا. لذلك يتحول مزيد من المصنّعين إلى مسارات عمل للفحص المرئي تستخدم الرؤية الحاسوبية لاكتشاف العيوب في وقت أبكر من عملية الإنتاج.

يمكن للكاميرات عالية الدقة والذكاء الاصطناعي للرؤية اكتشاف العيوب الدقيقة التي قد يفوّتها البشر، كما يمكن لنماذج مثل Ultralytics YOLO11 المساعدة في فحوص الجودة الآنية، والفرز، والعدّ لضمان وصول المنتجات المثالية فقط إلى العملاء. وتوفر أتمتة هذه العملية الوقت، وتخفض التكاليف، وتقلل الهدر، مما يجعل الإنتاج أكثر سلاسة وكفاءة.

الشكل 5. مثال على استخدام Ultralytics YOLO11 لعدّ المنتجات على خط تجميع.

أهم النقاط المستخلصة#

يساعد الاستدلال الآني نماذج الذكاء الاصطناعي على اتخاذ قرارات فورية، وهو أمر بالغ الأهمية في العديد من الصناعات. وسواء تعلق الأمر بسيارة ذاتية القيادة تتجنب حادثًا، أو بطبيب يحلل فحوصًا طبية بسرعة، أو بمصنع يكتشف عيوب المنتجات، فإن استجابات الذكاء الاصطناعي السريعة والدقيقة تُحدث فرقًا كبيرًا.

ومن خلال تحسين سرعة نماذج الذكاء الاصطناعي وكفاءتها، يمكننا إنشاء أنظمة أذكى وأكثر موثوقية تعمل بسلاسة في المواقف الواقعية. ومع تقدم التكنولوجيا، ستواصل حلول الذكاء الاصطناعي الآنية تشكيل المستقبل، مما يجعل العمليات اليومية أسرع وأكثر أمانًا وكفاءة.

لمعرفة المزيد، تفضل بزيارة مستودع GitHub والتفاعل مع مجتمعنا. واستكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة عبر صفحات حلولنا. وتعرّف على خيارات الترخيص لدينا وحوّل مشاريع الذكاء الاصطناعي للرؤية إلى واقع.