الاستدلال الفوري في حلول الذكاء الاصطناعي للرؤية يُحدث أثرًا ملموسًا

لقد واجهنا جميعًا في مرحلة ما الإحباط الذي قد يسببه بطء الاتصال بالإنترنت. لكن تخيل هذا التأخير في موقف بالغ الأهمية، مثل استجابة سيارة ذاتية القيادة لعائق أو تحليل طبيب لفحص حاسم. فقد تكون لبضع ثوانٍ إضافية عواقب وخيمة.

وهنا يمكن للاستدلال الفوري بالذكاء الاصطناعي أن يحدث فرقًا. فالمعالجة السريعة والتنبؤات الآنية تمكّنان حلول الرؤية الحاسوبية من معالجة البيانات المرئية والاستجابة لها فورًا. ويمكن لهذه القرارات التي تُتخذ في أجزاء من الثانية أن تعزز السلامة والكفاءة والراحة اليومية.

على سبيل المثال، تخيل جرّاحًا يجري عملية دقيقة بمساعدة روبوت. تُتحكم في كل حركة عبر اتصال عالي السرعة، ويعالج نظام الرؤية في الروبوت مجال الجراحة في الوقت الفعلي، موفرًا للجراح تغذية راجعة مرئية فورية. وقد يؤدي أدنى تأخير في حلقة التغذية الراجعة هذه إلى أخطاء جسيمة تعرض المريض للخطر. وهذا مثال واضح على أهمية الاستدلال الفوري؛ إذ لا مجال لأي تأخير.

يعتمد استدلال الذكاء الاصطناعي في التطبيقات الواقعية على ثلاثة مفاهيم أساسية: محركات الاستدلال (البرمجيات أو العتاد الذي يشغّل نماذج الذكاء الاصطناعي بكفاءة)، وزمن استجابة الاستدلال (التأخير بين الإدخال والإخراج)، والاستدلال الفوري (قدرة نظام الذكاء الاصطناعي على المعالجة والاستجابة بأقل تأخير ممكن).

سنستكشف في هذا المقال هذه المفاهيم الأساسية وكيف تتيح نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تطبيقات تعتمد على التنبؤات الفورية.

ما استدلال الذكاء الاصطناعي؟#

تنفيذ الاستدلال هو عملية تحليل بيانات جديدة باستخدام نموذج ذكاء اصطناعي مدرّب لإجراء تنبؤ أو تنفيذ مهمة. وعلى خلاف التدريب، الذي يتضمن تعليم النموذج عبر معالجة كميات هائلة من البيانات الموسومة، يركز الاستدلال على إنتاج النتائج بسرعة ودقة باستخدام نموذج مدرّب مسبقًا.

الشكل 1. فهم ماهية الاستدلالات.

فعلى سبيل المثال، تستخدم مصائد الكاميرات المدعومة بالذكاء الاصطناعي في الحفاظ على الحياة البرية نماذج الرؤية الحاسوبية للتعرف على الحيوانات وتصنيفها في الوقت الفعلي. فعندما ترصد كاميرا حركة، يتعرف نموذج الذكاء الاصطناعي فورًا على ما إذا كان الحيوان غزالًا أو مفترسًا أو حتى صيادًا غير مشروع، ما يساعد الباحثين على تتبع أعداد الحيوانات وحماية الأنواع المهددة بالانقراض دون تدخل بشري. ويجعل هذا التعرف السريع المراقبة الفورية والاستجابة الأسرع للتهديدات المحتملة أمرًا ممكنًا.

فهم محركات الاستدلال#

لا يكون نموذج التعلم الآلي المدرّب جاهزًا دائمًا للنشر بصيغته الأولية. ومحرك الاستدلال أداة برمجية أو عتادية متخصصة، صُممت لتنفيذ نماذج التعلم الآلي بكفاءة وتحسينها للنشر في البيئات الواقعية. ويستخدم تقنيات التحسين، مثل ضغط النموذج والتكميم وتحويل الرسوم البيانية، لتعزيز الأداء وتقليل استهلاك الموارد، ما يتيح نشر النموذج في بيئات متنوعة.

يركز محرك الاستدلال أساسًا على تقليل العبء الحسابي وزمن الاستجابة وتحسين الكفاءة، بما يتيح إجراء تنبؤات سريعة ودقيقة. وبعد تحسين المحرك، ينفذ النموذج على بيانات جديدة، ما يتيح له إنتاج استدلالات فورية بكفاءة. ويضمن هذا التحسين تشغيل نماذج الذكاء الاصطناعي بسلاسة على خوادم سحابية عالية الأداء وأجهزة طرفية محدودة الموارد على حد سواء، مثل الهواتف الذكية وأجهزة إنترنت الأشياء والأنظمة المضمنة.

المشكلات الناجمة عن زمن استجابة الاستدلال#

زمن استجابة الاستدلال هو الفترة الفاصلة بين تلقي نظام الذكاء الاصطناعي بيانات الإدخال، مثل صورة من كاميرا، وإنتاجه مخرجات، مثل اكتشاف الكائنات في الصورة. وحتى التأخير البسيط قد يؤثر تأثيرًا كبيرًا في أداء تطبيقات الذكاء الاصطناعي الفورية وسهولة استخدامها.

يمر زمن استجابة الاستدلال بثلاث مراحل أساسية:

• زمن المعالجة المسبقة: الوقت اللازم لإعداد بيانات الإدخال قبل تمريرها إلى النموذج. ويشمل ذلك تغيير حجم الصور لتلائم أبعاد إدخال النموذج، وتطبيع قيم البكسل لتحسين الدقة، وتحويل التنسيقات (مثل RGB إلى تدرج الرمادي أو الفيديو إلى تسلسلات من الإطارات).
• زمن الحوسبة: الوقت الفعلي الذي يستغرقه النموذج لتنفيذ الاستدلال. ويشمل ذلك عمليات مثل الحسابات على مستوى الطبقات في الشبكات العميقة، وضرب المصفوفات، وعمليات الالتفاف، ونقل البيانات بين الذاكرة ووحدات المعالجة.
• زمن المعالجة اللاحقة: الوقت اللازم لتحويل مخرجات النموذج الخام إلى نتائج ذات معنى. وقد يشمل ذلك رسم الصناديق المحيطة في اكتشاف الكائنات، أو تصفية الإيجابيات الكاذبة في التعرّف على الصور، أو تطبيق العتبات في اكتشاف الحالات الشاذة. وتزيل بعض الكواشف، مثل Ultralytics YOLO26، خطوة كبت غير الأعظمية (NMS) لتقصير هذه المرحلة.

يُعد زمن استجابة الاستدلال بالغ الأهمية في التطبيقات الفورية. فعلى سبيل المثال، يمكن استخدام الرؤية الحاسوبية لفحص المنتجات أثناء تحركها على الحزام الناقل، بغرض اكتشاف العيوب آليًا على خط التجميع.

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

كيفية تقليل زمن استجابة الاستدلال#

يُعد تقليل زمن استجابة الاستدلال إلى أدنى حد أمرًا أساسيًا في العديد من تطبيقات الرؤية الحاسوبية. ويمكن استخدام تقنيات متنوعة لتحقيق ذلك. لنناقش بعض أكثر التقنيات شيوعًا لتقليل زمن استجابة الاستدلال.

تشذيب النماذج#

يُبسّط تشذيب النماذج الشبكة العصبية عبر إزالة الوصلات (الأوزان) غير الضرورية، ما يجعلها أصغر وأسرع. وتقلل هذه العملية العبء الحسابي للنموذج، فتحسن سرعته دون التأثير كثيرًا في دقته.

يضمن التشذيب، من خلال الإبقاء على أهم الوصلات فقط، تنفيذ الاستدلال بكفاءة وتحقيق أداء أفضل، لا سيما على الأجهزة ذات القدرة المعالجة المحدودة. ويُستخدم على نطاق واسع في التطبيقات الفورية مثل الذكاء الاصطناعي على الأجهزة المحمولة والروبوتات والحوسبة الطرفية، لتعزيز الكفاءة مع الحفاظ على الموثوقية.

الشكل 2. إزالة الوصلات الأقل فاعلية باستخدام تشذيب النماذج.

تكميم النماذج#

تكميم النماذج تقنية تجعل نماذج الذكاء الاصطناعي تعمل بسرعة أكبر وتستخدم ذاكرة أقل، وذلك بتبسيط الأعداد التي تستخدمها في الحسابات. تعمل هذه النماذج عادةً باستخدام أعداد الفاصلة العائمة ذات 32 بت، وهي دقيقة جدًا لكنها تتطلب قدرة معالجة كبيرة. ويقلل التكميم هذه الأعداد إلى أعداد صحيحة ذات 8 بت، يسهل معالجتها وتشغل مساحة أقل.

الشكل 3. استخدام تكميم النماذج لتحويل قيم الفاصلة العائمة إلى تمثيلات الأعداد الصحيحة.

استخدام نماذج فعالة#

يؤثر تصميم نموذج الذكاء الاصطناعي تأثيرًا كبيرًا في سرعة إصدار التنبؤات. وتُعد النماذج المصممة للاستدلال الفعال، مثل Ultralytics YOLO11، مثالية للتطبيقات التي تكون فيها سرعة المعالجة بالغة الأهمية.

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

السرعة مقابل الدقة: تحسين الاستدلالات الفورية#

رغم وجود تقنيات متنوعة لتقليل زمن الاستجابة، فإن تحقيق التوازن بين السرعة والدقة عنصر أساسي في الاستدلالات الفورية. فلا يكفي جعل النماذج أسرع؛ بل يجب تحسين سرعة الاستدلال دون المساس بالدقة. فالنظام الذي يصدر تنبؤات سريعة لكنها غير صحيحة غير فعال. لذلك، يُعد الاختبار الشامل ضروريًا لضمان أداء النماذج على نحو جيد في مواقف الحياة الواقعية. فالنظام الذي يبدو سريعًا أثناء الاختبار لكنه يفشل في الظروف الفعلية ليس محسنًا حقًا.

تطبيقات الذكاء الاصطناعي البصري التي تستفيد من الاستدلال في الوقت الفعلي#

لنلقِ نظرة على بعض التطبيقات الواقعية التي يُحدث فيها الاستدلال في الوقت الفعلي تحولًا في الصناعات، إذ يتيح الاستجابة الفورية للمدخلات المرئية.

أنظمة الدفع الذاتي في متاجر البيع بالتجزئة#

يمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 المساعدة في تحسين أنظمة الدفع الذاتي بجعل التعرّف على المنتجات أسرع وأكثر دقة. ويتيح دعم YOLO11 لمختلف مهام الرؤية الحاسوبية، مثل اكتشاف الكائنات وتجزئة المثيلات، تحديد المنتجات حتى عند فقدان الرموز الشريطية أو تلفها. ويمكن للذكاء الاصطناعي البصري تقليل الحاجة إلى الإدخال اليدوي وتسريع عملية الدفع.

إلى جانب 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 السلوك المريب عند الدفع. ويشمل ذلك تحديد حالات عدم مسح المنتجات ضوئيًا، حيث يغفل العميل أو أمين الصندوق عن مسح أحد المنتجات دون قصد، ومحاولات الاحتيال المتعمدة، مثل استبدال المنتج، حيث يوضع رمز شريطي لمنتج أرخص فوق منتج أغلى.

الشكل 4. يمكن للذكاء الاصطناعي تعزيز أكشاك الدفع الذاتي.

ومن الأمثلة البارزة على ذلك Kroger، وهي شركة أمريكية كبرى للبيع بالتجزئة، إذ دمجت الرؤية الحاسوبية والذكاء الاصطناعي في أنظمة الدفع الذاتي لديها. وباستخدام تحليل الفيديو في الوقت الفعلي، تمكنت Kroger من تصحيح أكثر من 75% من أخطاء الدفع تلقائيًا، مما حسّن تجربة العملاء وعمليات المتاجر.

فحص الجودة باستخدام الرؤية الحاسوبية#

قد يكون فحص المنتجات يدويًا لأغراض مراقبة الجودة بطيئًا وغير دقيق دائمًا. لذلك يتجه مزيد من المصنّعين إلى سير عمل الفحص البصري الذي يستخدم الرؤية الحاسوبية لاكتشاف العيوب في مراحل مبكرة من عملية الإنتاج.

يمكن للكاميرات عالية الدقة والذكاء الاصطناعي البصري اكتشاف العيوب الدقيقة التي قد لا يلاحظها البشر، كما يمكن لنماذج مثل Ultralytics YOLO11 المساعدة في فحوصات الجودة والفرز والعد في الوقت الفعلي، 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 لعد المنتجات على خط تجميع.

أبرز النقاط#

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

من خلال تحسين سرعة نماذج الذكاء الاصطناعي وكفاءتها، يمكننا إنشاء أنظمة أذكى وأكثر موثوقية تعمل باعتمادية في مواقف العالم الحقيقي. ومع تقدم التقنية، ستواصل حلول الذكاء الاصطناعي الآنية تشكيل المستقبل، لتجعل العمليات اليومية أسرع وأكثر أمانًا وكفاءة.

لمعرفة المزيد، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في السيارات ذاتية القيادة والرؤية الحاسوبية في الزراعة عبر صفحات حلولنا. واطّلع على خيارات الترخيص وابدأ بتنفيذ مشاريعك في الذكاء الاصطناعي البصري.