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 يأتي دور استنتاج الذكاء الاصطناعي في الوقت الفعلي لإحداث فرق. المعالجة السريعة والتنبؤات الفورية تُمكّن حلول رؤية الحاسوب من معالجة البيانات المرئية والاستجابة لها لحظيًا. هذه القرارات التي تُتخذ في أجزاء من الثانية يمكن أن تعزز 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، سوف نستكشف هذه المفاهيم الأساسية وكيف تُمكّن نماذج رؤية الحاسوب مثل Ultralytics YOLO11 التطبيقات التي تعتمد على التنبؤات الفورية.

Link to this sectionما 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.

الشكل 1. فهم المقصود بالاستنتاجات.

على سبيل المثال، في الحفاظ على الحياة البرية، تستخدم كاميرات الذكاء الاصطناعي نماذج رؤية الحاسوب لتحديد وتصنيف الحيوانات في الوقت الفعلي. عندما تكتشف الكاميرا حركة، يتعرف نموذج الذكاء الاصطناعي فورًا على ما إذا كان حيوانًا أليفًا، أو مفترسًا، أو حتى صيادًا غير قانوني، مما يساعد الباحثين على تتبع أعداد الحيوانات وحماية الأنواع المهددة بالانقراض دون تدخل بشري. هذا التحديد السريع يجعل المراقبة في الوقت الفعلي والاستجابة الأسرع للتهديدات المحتملة أمرًا ممكنًا.

Link to this sectionفهم محركات الاستنتاج#

لا يكون نموذج التعلم الآلي المدرب جاهزًا دائمًا للنشر في شكله الخام. محرك الاستنتاج هو أداة برمجية أو أجهزة متخصصة مصممة لتنفيذ نماذج التعلم الآلي بكفاءة وتحسينها للنشر في العالم الحقيقي. يستخدم تقنيات التحسين مثل ضغط النموذج، والتقييم الكمي (Quantization)، 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.

Link to this sectionالمشكلات الناجمة عن زمن انتقال الاستنتاج#

زمن انتقال الاستنتاج هو التأخير الزمني بين تلقي نظام الذكاء الاصطناعي لبيانات المدخلات (مثل صورة من كاميرا) وبين إنتاجه للمخرجات (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.

Link to this sectionكيفية 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.

Link to this sectionتقليم النموذج (Model pruning)#

يعمل تقليم النموذج على تبسيط الشبكة العصبية عن طريق إزالة الاتصالات (الأوزان) غير الضرورية، مما يجعلها أصغر وأسرع. تقلل هذه العملية من العبء 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.

الشكل 2. القضاء على الاتصالات الأقل فعالية باستخدام تقليم النموذج.

Link to this sectionالتقييم الكمي للنموذج (Model quantization)#

التقييم الكمي للنموذج هو تقنية تجعل نماذج الذكاء الاصطناعي تعمل بشكل أسرع وتستخدم ذاكرة أقل عن طريق تبسيط الأرقام التي تستخدمها للحسابات. عادةً ما تعمل هذه النماذج بأرقام الفاصلة العائمة 32-bit، وهي دقيقة للغاية ولكنها تتطلب قدرة معالجة كبيرة. يقلل التقييم الكمي هذه الأرقام إلى أعداد صحيحة 8-bit، والتي يسهل معالجتها وتستهلك مساحة أقل.

الشكل 3. استخدام التقييم الكمي للنموذج لتحويل قيم الفاصلة العائمة إلى تمثيلات عددية صحيحة.

Link to this sectionاستخدام نماذج فعالة#

لتصميم نموذج الذكاء الاصطناعي تأثير كبير على مدى سرعته في إجراء التنبؤات. تعد النماذج مثل YOLO11، التي تم بناؤها لاستنتاج فعال، مثالية للتطبيقات التي تكون فيها سرعة المعالجة أمرًا 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.

Link to this sectionالسرعة مقابل الدقة: تحسين الاستنتاجات في الوقت الفعلي#

بينما توجد تقنيات متنوعة لتقليل زمن الانتقال، فإن جزءًا رئيسيًا من الاستنتاجات في الوقت الفعلي هو الموازنة بين السرعة والدقة. ليس كافيًا جعل النماذج أسرع، بل يجب تحسين سرعة الاستنتاج دون المساس بالدقة. النظام الذي ينتج تنبؤات سريعة ولكن غير صحيحة هو نظام غير فعال. لهذا السبب يعد الاختبار الشامل أمرًا حيويًا للتأكد من أن النماذج تعمل بشكل جيد في مواقف العالم الحقيقي. النظام الذي يبدو سريعًا أثناء الاختبار ولكنه يفشل في الظروف الفعلية ليس محسّنًا حقًا.

Link to this sectionتطبيقات 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.

Link to this sectionأنظمة الدفع الذاتي في متاجر التجزئة#

يمكن لنماذج رؤية الحاسوب مثل YOLO11 المساعدة في تحسين أنظمة الدفع الذاتي من خلال جعل التعرف على العناصر أسرع وأكثر دقة. دعم YOLO11 لمختلف مهام رؤية الحاسوب مثل اكتشاف الكائنات وتقسيم المثيلات يجعل من الممكن تحديد المنتجات حتى لو كانت الرموز الشريطية (barcodes) مفقودة أو تالفة. يمكن لرؤية الحاسوب تقليل الحاجة إلى الإدخال اليدوي وتسريع 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.

الشكل 4. يمكن للذكاء الاصطناعي تعزيز منصات الدفع الذاتي.

مثال رائع على ذلك هو Kroger، وهي شركة تجزئة أمريكية كبرى، قامت بدمج رؤية الحاسوب والذكاء الاصطناعي في أنظمة الدفع الذاتي الخاصة بها. باستخدام تحليل الفيديو في الوقت الفعلي، تمكنت Kroger من تصحيح أكثر من 75% من أخطاء الدفع تلقائيًا، مما أدى إلى تحسين تجربة العملاء وعمليات المتجر.

Link to this sectionمراقبة الجودة باستخدام رؤية الحاسوب#

يمكن أن يكون فحص المنتجات يدويًا لمراقبة الجودة بطيئًا وغير دقيق دائمًا. ولهذا السبب يتحول المزيد من المصنعين إلى سير عمل الفحص المرئي الذي يستخدم رؤية الحاسوب لاكتشاف العيوب في وقت مبكر من عملية الإنتاج.

يمكن للكاميرات عالية الدقة والذكاء الاصطناعي للرؤية اكتشاف العيوب الدقيقة التي قد يغفل عنها البشر، ويمكن لنماذج مثل YOLO11 المساعدة في فحوصات الجودة في الوقت الفعلي، والفرز، والعد للتأكد من وصول المنتجات المثالية فقط إلى العملاء. توفر أتمتة هذه العملية الوقت، وتخفض التكاليف، وتقلل الهدر، مما يجعل الإنتاج أكثر سلاسة وكفاءة.

الشكل 5. مثال على استخدام YOLO11 لعد المنتجات على خط تجميع.

Link to this sectionأبرز 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 مستودع GitHub الخاص بنا والتفاعل مع مجتمعنا. استكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة ورؤية الحاسوب في الزراعة على صفحات حلولنا. تحقق من خيارات الترخيص لدينا وابدأ في تنفيذ مشاريع رؤية الحاسوب الخاصة بك.